기술사 학습노트 | imt-log

기술사 학습노트›인공지능·빅데이터›AI·머신러닝·딥러닝

Artificial Intelligence · 정보관리기술사 / 컴퓨터시스템응용기술사

인공지능 AI·머신러닝·딥러닝 개념 정리

인공지능을 최상위 개념으로 하여 머신러닝과 딥러닝의 포함관계, 학습방식, 알고리즘, 활용분야, 발전방향을 체계적으로 정리한 기술사 답안형 개념 구조

정보관리기술사컴퓨터시스템응용기술사인공지능머신러닝딥러닝지도학습비지도학습강화학습신경망생성형AI

Ⅰ.개요 및 등장배경

가. 정의

인공지능(AI, Artificial Intelligence)은 인간의 지능적 행위인 인식, 추론, 학습, 판단, 문제해결, 언어이해, 계획수립을 컴퓨터 시스템으로 구현하려는 기술 분야이다. 머신러닝(ML, Machine Learning)은 AI를 구현하는 대표 방법 중 하나로, 사람이 모든 규칙을 직접 코딩하지 않고 데이터로부터 패턴과 규칙을 학습하여 예측이나 의사결정을 수행한다. 딥러닝(DL, Deep Learning)은 머신러닝의 하위 분야로, 다층 신경망을 이용하여 이미지, 음성, 자연어, 영상, 임베딩 등 복잡한 비정형 데이터의 표현을 자동으로 학습하는 기술이다.

나. 포함관계

AI, 머신러닝, 딥러닝은 서로 별개의 기술이 아니라 포함관계로 이해하는 것이 정확하다. AI가 가장 넓은 개념이고, 머신러닝은 AI를 구현하는 데이터 기반 접근 방식이며, 딥러닝은 머신러닝 중 인공신경망을 깊게 쌓아 표현학습을 수행하는 방법이다. 예를 들어 규칙 기반 전문가시스템은 AI이지만 머신러닝은 아닐 수 있고, 의사결정트리나 SVM은 머신러닝이지만 딥러닝은 아니다. CNN, RNN, Transformer, LLM은 딥러닝 기술에 해당한다.

다. 등장배경

• 규칙 기반 AI의 한계: 사람이 모든 예외 규칙을 작성하기 어려운 복잡한 문제에서 데이터 기반 학습이 필요해졌다.
• 데이터 폭증: 웹, 모바일, IoT, 센서, 거래, 이미지, 음성, 문서 데이터가 증가하면서 학습 기반 AI가 발전하였다.
• 컴퓨팅 성능 향상: GPU, TPU, 클라우드, 분산학습 기술이 대규모 모델 학습을 가능하게 하였다.
• 알고리즘 발전: 통계학습, 신경망, 최적화, 역전파, Attention, 자기지도학습 기술이 고도화되었다.
• 산업 적용 확대: 추천, 검색, 제조 품질, 금융 리스크, 의료 영상, 자율주행, 생성형 AI 등 실무 적용이 폭발적으로 증가하였다.

AI는 인간 지능을 모방·확장하는 최상위 기술 영역이고, 머신러닝은 데이터 기반 학습 방식이며, 딥러닝은 다층 신경망 기반 표현학습 방식이다.
답안에서는 AI ⊃ ML ⊃ DL 포함관계와 규칙 기반 AI, 데이터 기반 ML, 신경망 기반 DL 차이를 명확히 써야 한다.

Ⅱ.구성도 및 구성요소

가. AI·머신러닝·딥러닝 구성도

나. 구성요소

구분	요소	설명
최상위 개념	인공지능	인간 지능의 기능을 컴퓨터로 구현하는 기술 영역으로 추론, 탐색, 학습, 계획, 자연어 처리, 인식 등을 포함한다.
구현 방식	규칙 기반 AI	전문가 지식과 명시적 규칙을 사람이 직접 정의하여 문제를 해결하는 방식이다.
학습 방식	머신러닝	데이터에서 규칙과 패턴을 학습해 예측, 분류, 군집, 추천, 이상탐지를 수행한다.
하위 기술	딥러닝	다층 신경망을 통해 데이터의 계층적 표현을 자동 학습하는 머신러닝의 하위 분야이다.
데이터	정형·비정형 데이터	정형 테이블, 이미지, 음성, 자연어, 영상, 센서, 로그 데이터가 AI 학습과 추론의 입력이 된다.
학습 유형	지도·비지도·강화학습	정답 라벨 여부와 보상 구조에 따라 학습 방식이 달라진다.
알고리즘	ML 알고리즘	회귀, 의사결정트리, SVM, K-Means, 랜덤포레스트, XGBoost 등이 포함된다.
알고리즘	DL 알고리즘	CNN, RNN, LSTM, GAN, Autoencoder, Transformer, LLM 등이 포함된다.
운영	MLOps·LLMOps	모델 개발, 배포, 모니터링, 재학습, 프롬프트 관리, 비용·성능 관리를 담당한다.
통제	AI 거버넌스	개인정보, 편향, 설명가능성, 안전성, 저작권, 책임성을 관리하는 체계이다.

AI·ML·DL의 구성요소는 지능 구현 목표, 데이터 기반 학습, 신경망 기반 표현학습, 운영·거버넌스 체계로 정리된다.
Ⅱ.가 구성도에서는 AI 안에 ML이 있고, ML 안에 DL이 포함되는 구조를 명확히 표현해야 한다.

Ⅲ.동작방식 및 아키텍처

가. 인공지능의 동작 관점

인공지능은 문제를 인식하고, 필요한 정보를 수집하며, 규칙이나 학습 모델을 이용해 판단을 수행하고 결과를 출력하는 구조로 동작한다. 전통적 AI는 지식베이스와 추론엔진을 중심으로 전문가 규칙을 적용했다. 예를 들어 “증상 A와 검사 결과 B이면 질병 C 가능성”처럼 사람이 규칙을 정의하고 시스템이 이를 적용한다. 이러한 방식은 규칙이 명확한 문제에는 강하지만, 예외가 많고 데이터 패턴이 복잡한 문제에는 한계가 있다.

나. 머신러닝의 동작 관점

머신러닝은 입력 데이터와 정답 또는 보상 정보를 기반으로 모델 파라미터를 학습한다. 지도학습은 정답 라벨이 있는 데이터로 입력과 출력의 관계를 학습하며, 분류와 회귀에 사용된다. 비지도학습은 정답 없이 데이터의 구조, 군집, 차원, 이상 패턴을 찾는다. 강화학습은 에이전트가 환경과 상호작용하며 보상을 최대화하는 정책을 학습한다. 머신러닝의 일반적인 절차는 데이터 수집, 전처리, 특징 추출, 모델 학습, 검증, 튜닝, 배포, 모니터링으로 구성된다.

다. 딥러닝의 동작 관점

딥러닝은 입력층, 은닉층, 출력층으로 구성된 다층 신경망이 데이터의 표현을 자동으로 학습한다. 전통적 머신러닝에서는 사람이 특징을 직접 설계하는 경우가 많지만, 딥러닝은 이미지의 모서리, 형태, 객체, 문맥처럼 계층적 특징을 신경망 내부에서 학습한다. CNN은 이미지 공간 패턴에 강하고, RNN과 LSTM은 순차 데이터 처리에 사용되었으며, Transformer는 Attention 구조를 통해 긴 문맥과 병렬 학습에 강점을 가져 대규모 언어모델과 생성형 AI의 기반이 되었다.

라. 학습 유형별 비교

학습 유형	개념	대표 알고리즘	활용 예
지도학습	정답 라벨이 있는 데이터로 입력과 출력 관계 학습	회귀, 의사결정트리, SVM, Random Forest, XGBoost, CNN	부도 예측, 이미지 분류, 수요 예측
비지도학습	정답 없이 데이터의 구조와 패턴 탐색	K-Means, DBSCAN, PCA, Autoencoder	고객 세분화, 이상탐지, 차원축소
강화학습	행동에 따른 보상을 최대화하는 정책 학습	Q-Learning, DQN, Policy Gradient	게임 AI, 로봇 제어, 자율주행
자기지도학습	데이터 자체에서 학습 목표를 만들어 표현 학습	Masked LM, Contrastive Learning	LLM, 임베딩 모델, 비전 파운데이션 모델

AI는 지능 구현 목표, ML은 데이터 기반 학습 절차, DL은 다층 신경망 기반 표현학습 구조로 동작한다.
최신 AI는 딥러닝, 자기지도학습, Transformer, 파운데이션 모델 중심으로 발전하고 있다.

Ⅳ.실무적용 및 사례

가. 산업별 적용 사례

산업	AI·ML·DL 적용 방식	활용 효과
금융	머신러닝으로 신용평가, 이상거래 탐지, 고객 이탈 예측을 수행하고 생성형 AI로 상담 문서를 자동화한다.	리스크 관리, 사기 탐지, 고객 응대 효율화
의료	딥러닝으로 의료영상 판독을 보조하고 AI로 진료기록 요약, 임상문서 작성, 문헌 검색을 지원한다.	진단 보조, 업무 부담 완화, 연구 생산성 향상
제조	센서 데이터 기반 예지보전, 품질검사 이미지 분석, 공정 최적화에 머신러닝과 딥러닝을 적용한다.	불량률 감소, 설비 가동률 향상, 원가 절감
유통·마케팅	추천 시스템, 고객 세분화, 수요 예측, 리뷰 분석, 상품 설명 생성에 활용한다.	매출 증대, 재고 최적화, 개인화 마케팅
공공	민원 분류, 정책 문서 요약, 이상 징후 탐지, 교통·환경 예측에 활용한다.	행정 효율화, 정책 의사결정 지원, 서비스 품질 개선
소프트웨어	코드 생성, 테스트케이스 작성, 로그 이상탐지, 장애 원인 분석에 활용한다.	개발 생산성 향상, 운영 자동화, 품질 개선

나. 실무 도입 절차

• 1단계 문제 정의: 분류, 예측, 추천, 탐지, 생성, 최적화 중 해결할 업무 문제를 명확히 한다.
• 2단계 데이터 확보: 데이터 원천, 품질, 라벨, 개인정보, 수집 주기, 운영 데이터와의 차이를 확인한다.
• 3단계 기술 선택: 규칙 기반 AI, 머신러닝, 딥러닝, 생성형 AI 중 업무 특성에 맞는 방식을 선택한다.
• 4단계 모델 개발: 전처리, 특징 엔지니어링, 학습, 검증, 하이퍼파라미터 튜닝을 수행한다.
• 5단계 성능 평가: Accuracy, F1, AUC, RMSE, 비용 기반 지표, 사용자 만족도 등을 측정한다.
• 6단계 배포 운영: API, 배치, 스트리밍, 엣지 형태로 배포하고 MLOps 기반으로 모니터링한다.
• 7단계 위험 통제: 편향, 개인정보, 설명가능성, 환각, 보안, 저작권, 책임성을 관리한다.
• 8단계 지속 개선: 운영 데이터와 피드백을 반영하여 재학습, 재튜닝, 데이터 품질 개선을 수행한다.

다. 주요 리스크와 대응

리스크	원인	대응 방안
과적합	모델이 학습 데이터 노이즈까지 암기	교차검증, 정규화, 데이터 증강, 조기 종료 적용
데이터 편향	학습 데이터가 실제 환경을 대표하지 못함	대표성 점검, 편향 지표, 공정성 검증 수행
설명가능성 부족	복잡한 딥러닝 모델의 판단 근거 파악 어려움	XAI, SHAP, LIME, 규칙 기반 보조 설명 적용
개인정보 유출	학습 데이터와 프롬프트에 민감정보 포함	비식별화, 접근통제, 로그 관리, 보안 검토 수행
드리프트	운영 데이터 분포가 학습 데이터와 달라짐	데이터·성능 모니터링, 재학습, 모델 버전관리 적용
환각	생성형 AI가 사실과 다른 내용을 생성	RAG, 출처 표시, 검증 절차, 인간 검토 적용

라. 실무 팁

실무에서 AI·ML·DL을 구분할 때는 문제 복잡도, 데이터 유형, 설명가능성 요구, 비용, 운영 위험을 기준으로 선택해야 한다. 규칙이 명확하고 데이터가 부족한 업무는 규칙 기반 AI가 적합할 수 있고, 정형 데이터 기반 예측은 XGBoost나 Random Forest 같은 머신러닝 모델이 효과적일 수 있다. 이미지, 음성, 자연어, 대규모 비정형 데이터는 딥러닝이 강점을 가진다. 생성형 AI는 문서 작성, 요약, 질의응답, 코딩, 지식검색에 유리하지만 환각과 보안 통제가 필요하다.

실무에서는 AI·ML·DL을 유행어로 선택하지 말고 데이터 유형, 문제 목적, 설명가능성, 비용, 위험 수준에 따라 선택해야 한다.
정형 예측은 ML, 비정형 인식은 DL, 지식업무 자동화는 생성형 AI와 RAG를 우선 검토할 수 있다.

Ⅴ.비교분석 및 발전전망

가. AI·ML·DL 비교

구분	AI	Machine Learning	Deep Learning
범위	가장 넓은 지능 구현 기술 영역	AI의 하위 분야	ML의 하위 분야
핵심 방식	규칙, 추론, 탐색, 학습, 계획	데이터 기반 패턴 학습	다층 신경망 기반 표현학습
특징 설계	사람이 규칙과 지식 구조를 설계	사람이 특징을 설계하는 경우가 많음	모델이 특징 표현을 자동 학습
데이터 요구량	방식에 따라 다양	중간 수준	대량 데이터 요구가 큰 편
설명가능성	규칙 기반은 높음	모델에 따라 중간~높음	상대적으로 낮음
대표 기술	전문가시스템, 탐색, 지식표현	회귀, SVM, K-Means, Random Forest	CNN, RNN, GAN, Transformer, LLM
활용 예	지능형 의사결정, 자동화, 추론	예측, 분류, 군집, 추천	영상 인식, 음성 인식, 자연어, 생성형 AI

나. 전통 AI와 생성형 AI 비교

구분	전통 AI	생성형 AI
목적	분류, 예측, 추론, 규칙 기반 판단	텍스트, 이미지, 코드, 음성 등 콘텐츠 생성
입력	정형 데이터, 규칙, 특정 도메인 입력	자연어 프롬프트, 멀티모달 입력
출력	클래스, 점수, 판단 결과	문장, 요약, 이미지, 코드, 답변
운영 위험	오분류, 편향, 데이터 드리프트	환각, 개인정보 유출, 프롬프트 공격, 저작권
운영 체계	MLOps 중심	LLMOps, RAGOps, AI 거버넌스 필요

다. 발전전망

• 파운데이션 모델 확대: 대규모 사전학습 모델이 여러 산업과 업무의 공통 기반으로 활용된다.
• 멀티모달 AI 발전: 텍스트, 이미지, 음성, 영상, 표를 통합 이해하고 생성하는 모델이 확산된다.
• 온디바이스 AI 확산: 경량 모델과 NPU를 활용하여 스마트폰, PC, 차량, 엣지 장치에서 AI가 실행된다.
• Agentic AI 발전: 단순 응답을 넘어 계획 수립, 도구 호출, 업무 실행을 수행하는 AI 에이전트가 증가한다.
• AI 거버넌스 강화: 개인정보, 편향, 설명가능성, 안전성, 저작권, 감사로그 관리가 표준 운영 요소가 된다.
• 데이터 중심 AI 확산: 모델 개선보다 데이터 품질, 라벨 품질, 운영 피드백이 성능 향상의 주요 수단이 된다.

라. 기술사 답안 정리

인공지능·머신러닝·딥러닝 개념 정리 답안은 “정의 → 포함관계 → 구성도 → 구성요소 → 동작방식 → 학습 유형 → 실무 사례 → 비교분석 → 발전전망” 순서로 작성하면 안정적이다. 구성도에는 AI가 가장 큰 영역이고 그 안에 ML, 그 안에 DL이 포함되는 구조를 반드시 표현해야 한다. 표에서는 AI·ML·DL의 범위, 방식, 데이터 요구량, 설명가능성, 대표 기술, 활용 예를 비교하면 좋다. 마지막에는 생성형 AI, 파운데이션 모델, 멀티모달 AI, 온디바이스 AI, AI 거버넌스까지 언급하면 최신성과 실무성을 모두 확보할 수 있다.

답안 암기 포인트: “AI는 목표, ML은 데이터 기반 학습 방법, DL은 신경망 기반 표현학습”으로 정리하고, 포함관계는 AI ⊃ ML ⊃ DL로 외우면 된다.

AI·ML·DL은 경쟁 개념이 아니라 포함관계이며, AI가 가장 넓고 머신러닝은 데이터 기반 AI, 딥러닝은 신경망 기반 머신러닝이다.
향후 AI는 파운데이션 모델, 멀티모달, 에이전트, 온디바이스, 거버넌스 중심으로 발전한다.

블로그: 기술사 학습노트 · imt-log.tistory.com

← [인공지능·빅데이터] 목록