ML과 DL, 어떤 차이가 있을까?

딥러닝(Deep Learning, DL)은 오늘날의 인공지능(AI)을 가능하게 하는 기술로, 컴퓨터가 사람처럼 생각하고 배울 수 있도록 한다. 인간의 뇌에서 신경 세포들이 서로 신호를 주고받는 방식에서 영감을 받은 딥러닝은 사람의 뇌가 사물을 구분하는 것처럼 컴퓨터가 사물을 분류하도록 훈련시키는 머신러닝(Machine Learning, ML)의 일종이다. 딥러닝이 무엇이며, 머신러닝(ML)과 어떤 차이가 있는지 알아보자.

최근 대세인 AI는 말 그대로 기계가 인간과 비슷하게 학습하고 추론하며, 문제를 해결할 수 있도록 설계된 기술을 의미한다. AI의 역사는 고대 시절부터 끊임없이 시도돼 왔으나, 1950년대 앨런 튜링이 현대 컴퓨터 과학의 기초가 된, 컴퓨터와 사고하는 기계의 가능성을 제기한 튜링 머신을 소개하면서부터 시작됐다고 할 수 있다.

사람들은 수십 년 동안 프로그래머들이 명시적인 규칙을 많이 만들어 지식을 다루면 인간 수준의 AI를 만들 수 있을 것이라고 믿어왔다. 이런 접근 방법을 ‘심볼릭 AI(symbolic AI)’라고 하는데, 이는 1950년대부터 1980년대까지 AI 분야의 지배적인 패러다임이었다.

심볼릭 AI가 체스 게임처럼 잘 정의된 논리적인 문제를 푸는 데 적합하다는 것이 증명됐지만, 이미지 분류, 음성 인식, 언어 번역과 같은 더 복잡하고 불분명한 문제를 해결하기 위한 명확한 규칙을 찾는 것은 매우 어려운 일이었다. 이런 심볼릭 AI를 대체하기 위한 새로운 방법이 등장했는데, 이것이 바로 ML이다.

AI는 지속적인 발전과 기술적 측면에서의 변화를 거쳐 현재에 이르렀다. AI는 데이터를 기반으로 컴퓨터 시스템이 패턴을 학습하고 예측을 수행하는 기술인 ML, 뉴럴 네트워크를 사용해 복잡한 패턴과 특징을 학습하는 ML의 한 분야인 DL, 인간의 언어를 이해하고 해석하는 기술로 텍스트 및 음성 데이터를 처리해 정보를 추출하거나 생성하는 자연어 처리(Natural Language Processing, NLP), 기계가 시각적 정보를 처리하고 이해하는 기술인 컴퓨터 비전(Computer Vision) 등의 기술 영역으로 나뉜다.

이 영역들은 상호 협력하며 다양한 분야에서 응용되고 있다. 이 중에서도 ML과 DL이 가장 보편적으로 사용된다.

ML 시스템은 명시적으로 프로그래밍되는 것이 아니라, 훈련에 의해 만들어진다. 작업과 관련된 많은 샘플을 제공하면 그 안에서 통계적 구조를 찾아 해당 작업을 자동화하기 위한 규칙을 만들어 낸다.

DL은 AI 기술 분야에서도 다양한 ML 방법론 중 하나로 볼 수 있다. DL의 ‘딥(Deep)’은 어떤 깊은 통찰력을 얻을 수 있다는 것을 의미하지는 않으며, 연속된 층으로 표현을 학습한다는 것을 의미한다. 데이터로부터 모델을 만드는 데 얼마나 많은 ‘층’을 사용했는지가 그 모델의 깊이가 된다. 최근 DL 모델은 표현 학습을 위해 수십 개, 수백 개의 연속된 층을 가지고 있다. 이 층들을 모두 훈련 데이터에 노출해 자동으로 학습시킨다.

DL에서는 기본 층을 겹겹이 쌓아 올려 구성한 신경망(Neural network)이라는 모델을 사용해 표현 층을 학습한다. 신경망은 신경 생물학의 용어로, DL의 일부 핵심 개념이 뇌 구조를 이해하는 것에서부터 영감을 얻어 개발됐지만, 딥러닝 모델이 뇌를 모델링한 것은 아니고, 데이터로부터 표현을 학습하는 수학 모델일 뿐이다.

DL의 핵심 개념이라고 할 수 있는 인공 신경망은 생물학적 뇌의 작동 방식에서 영감을 받아 만들어진 수학적 모델로 입력층, 은닉층, 출력층으로 구성되며, 각 층은 여러 개 뉴런으로 구성된다.

정리하면, DL은 인공 신경망을 사용해 복잡한 패턴을 학습하고 문제를 해결하는 ML 기술의 한 분야다. 현재 많은 산업과 분야에서 널리 사용되고 있으며, 활용 범위는 계속해서 확장되고 있다.

DL과 ML은 AI의 하위 분야로, 데이터를 사용해 모델을 학습시키고 문제를 해결한다는 점은 동일하지만, 몇 가지 중요한 차이점이 있다.

DL은 복잡한 다층 신경망을 사용해 데이터로부터 패턴을 학습하는 반면, ML은 DL의 기술을 포함하며, 신경망 이외의 다양한 알고리즘을 사용해 문제를 해결할 수 있다. 다시 말해, DL은 ML의 하위 범주라고 할 수 있다.

데이터 및 학습에 있어서도 ML은 주로 사전에 정의된 특징(Feature)을 사용해 모델을 학습하고, 이를 기반으로 예측하는 반면, DL은 고차원적이고 비구조적인 데이터(이미지, 음성)에서 자동으로 특징을 추출하고 학습한다. 따라서 DL 모델은 보다 더 많은 데이터와 연산량이 필요하며, 학습 시간이 오래 걸릴 수 있지만, ML 모델은 상대적으로 적은 데이터를 사용하고, 학습 속도가 더 빠르다.

문제 해결 분야에서도 ML은 주로 구조화된 데이터를 다루는데 사용되며, 예측, 분류, 군집화 등과 같은 다양한 문제를 해결한다. 하지만 DL은 비구조화된 데이터에 대한 복잡한 패턴 인식 및 해석에 사용되며, 특히 컴퓨터 비전, 음성 인식, 자연어 처리 등과 같은 영역에서 주로 활용된다.