분야별 AI를 따로 나열하지 않는다. "겉이 다른 AI들에 공통 원리가 있나"를 한 질문으로 따라가, 모든 AI가 '데이터→패턴→예측' 한 뼈대 위에 있음을 논증한다. C장 전체의 토대.
분야별 AI를 늘어놓지 않고, "공통 원리가 있나"라는 한 질문을 끝까지 따라간다. 윗줄은 그 공통 뼈대를 6단계로 논증하고, 아랫줄은 그 뼈대로 여러 분야를 분해하고 직접 체험하는 법으로 잇는다.
유튜브 추천, 번역기, 얼굴 인식, 그림 생성 — 하는 일이 너무 달라서 우리는 이들을 완전히 별개의 기술로 여긴다. "그림 AI랑 번역 AI는 아예 다른 거겠지"라고. 그러나 이렇게 보면 AI를 만날 때마다 처음부터 새로 배워야 하고, 공통된 약점·강점도 못 본다.
이상하게도, 전혀 다른 AI들이 똑같은 방식으로 틀린다 — 데이터에 없던 입력에 약하고(A1), 학습 데이터의 편향을 따라 한다(C21). 겉은 다른데 실수의 패턴이 같다면, 속에 공통된 무언가가 있다는 신호다.
분야가 아무리 달라도, 모든 AI의 속은 한 문장으로 같다 — "수많은 예시(데이터)에서 패턴을 배워, 다음을 예측한다." 번역기는 수많은 번역문에서, 얼굴 인식은 수많은 얼굴 사진에서, 추천은 수많은 시청 기록에서 패턴을 배운다. 입력 재료만 다를 뿐, 하는 일의 본질은 같다.
번역문 / 얼굴 사진 / 시청 기록…
그 안의 규칙성을 스스로 찾음
새 입력에 다음/정답을 추측
공통 원리의 핵심은 '규칙을 누가 만드느냐'다(A2에서 본 그 축). 전통 프로그램은 사람이 규칙을 짜 넣지만, AI는 예시만 잔뜩 주면 규칙(패턴)을 스스로 찾는다. 이 과정이 데이터 수집 → 패턴 학습 → 예측의 3단계다. 고양이를 알아보게 하려고 "귀가 뾰족하고…"를 쓰는 게 아니라, 고양이 사진 수만 장을 보여주는 것이다.
| 단계 | 하는 일 | 예 — 스팸 필터 |
|---|---|---|
| ① 데이터 수집 | 예시를 모은다 | 스팸/정상 메일 수만 통 |
| ② 패턴 학습 | 규칙성을 스스로 찾음 | "이런 단어·형식이면 스팸 경향" |
| ③ 예측 | 새 입력에 적용 | 새 메일이 스팸일 확률 추정 |
AI가 데이터로 배우기 때문에, 데이터의 품질이 곧 AI의 품질이 된다. 예시가 많고 다양하면 똑똑해지지만, 예시가 치우쳐 있으면 AI도 똑같이 치우친다. 이를 컴퓨터 격언으로 "쓰레기를 넣으면 쓰레기가 나온다(GIGO)"라 한다. AI는 데이터를 비추는 거울이라, 데이터의 편향까지 그대로 배운다.
특정 집단·상황만 담긴 데이터로 배우면, AI는 나머지에 약하거나 차별한다. 예: 한쪽 피부색 얼굴만 학습한 인식기는 다른 피부색을 잘 못 알아본다(C21에서 자세히).
"그렇게 다른 일을 하는데 같은 원리일 리 없다"는 반론은 겉모습에 속은 것이다. 분야별로 바뀌는 건 '어떤 데이터를 먹이고, 무엇을 예측하느냐'일 뿐, 데이터→패턴→예측이라는 뼈대는 똑같다. 같은 요리법에 재료만 바꾸는 것과 같다.
| 분야 | ① 데이터 | ③ 예측하는 것 |
|---|---|---|
| 유튜브 추천 | 시청 기록 | 다음에 볼 영상 |
| 스팸 필터 | 스팸/정상 메일 | 이 메일이 스팸일 확률 |
| 얼굴 인식 | 얼굴 사진 | 이 얼굴이 누구인지 |
| 챗봇(B5) | 방대한 글 | 다음에 올 단어 |
공통 원리를 손에 쥐면, 앞으로 만날 어떤 AI도 세 칸으로 분해할 수 있다 — "이건 ① 무슨 데이터로 배웠고, ② 어떤 패턴을 찾았고, ③ 무엇을 예측하나?" 이 분해가 곧 AI를 이해하고 의심(분별)하는 출발점이다. C장의 모든 분야는 이 뼈대 위에 얹힌 변주일 뿐이다.
| 질문 | 알게 되는 것 |
|---|---|
| ① 무슨 데이터로 배웠나? | 강점·약점·편향의 출처 |
| ② 어떤 패턴을 찾았나? | 이 AI가 잘하는 일의 정체 |
| ③ 무엇을 예측하나? | 이 AI의 한계와 틀릴 지점 |
공통 원리가 진짜인지, 우리가 매일 쓰는 AI들을 직접 3단계로 분해해 보자. 전혀 달라 보이는 세 가지가 똑같은 뼈대로 작동함을 확인하면, 원리는 추상이 아니라 실제로 써먹는 도구가 된다.
데이터: 내·남의 시청 기록
패턴: "이런 사람은 이런 영상"
예측: 다음에 볼 영상
데이터: 스팸/정상 메일
패턴: 스팸의 단어·형식
예측: 스팸일 확률
데이터: 얼굴 사진들
패턴: 얼굴의 특징
예측: 이 얼굴은 누구
데이터가 왕인 이유는 단순하다 — 사람이 규칙을 안 짜니, AI가 아는 세상은 오직 본 데이터가 전부다. AI는 데이터를 비추는 거울이라, 데이터가 똑똑하면 똑똑해지고 데이터가 편향되면 편향된다. 그래서 같은 알고리즘이라도 어떤 데이터를 먹였느냐가 결과를 가른다.
틀리거나 치우친 데이터로 배우면, 아무리 좋은 알고리즘도 틀리거나 치우친 답을 낸다. AI는 데이터의 잘못을 걸러주지 않는다.
B4에서 봤듯, 딥러닝 혁명도 결국 방대하고 좋은 데이터(이미지넷)가 열었다. "더 영리한 알고리즘보다 더 좋은 데이터"가 통하는 경우가 많다.
원리는 듣는 것보다 직접 가르쳐 볼 때 확실히 안다. 구글의 티처블 머신(Teachable Machine)으로 코딩 없이 나만의 AI를 만들 수 있다. 예시(데이터)를 직접 보여주고, AI가 패턴을 배우고, 새 입력을 예측하는 3단계를 눈으로 체험한다 — 데이터를 잘 주면 잘 맞히고, 치우치게 주면 틀리는 것까지.
웹캠으로 가위·바위·보 손 모양을 각각 여러 장 찍어 예시로 준다.
'학습' 버튼 한 번. AI가 손 모양의 패턴을 스스로 익힌다.
새로 손을 내밀면 AI가 가위/바위/보를 맞힌다. 예측을 눈으로!
이 장은 분야를 나열한 게 아니라, "공통 원리가 있나"라는 한 질문을 따라간 추론이었다. 출발은 "분야마다 다른 기술"이라는 통념, 도착은 "모든 AI는 데이터→패턴→예측"이라는 결론이었다.