인공 지능 분야의 대부분의 용어와 마찬가지로 머신 러닝에 대한 고유한 정의는 없습니다.

간단히 말하자면, 머신 러닝(ML)이 하는 일은 질문에 대한 해답을 주기 위해 데이터를 사용(use data to answer questions)하는 것입니다. 보다 공식적으로 말하면, 머신 러닝은 데이터에서 패턴을 학습하고 분명히 프로그래밍하지 않았는데도 작업을 수행할 수 있는 알고리즘을 사용합니다. 

또한 머신 러닝 시스템의 특징은 경험과 데이터를 가지고 성능을 향상시킨다는 것입니다. 다른 말로 바꾸면, 기계가 스스로 학습한다는 것입니다.

머신 러닝은 "인공 지능"(AI)이라는 포괄적 용어로 그룹화된 기술의 집합으로 구성된 요소입니다.

인공 지능(AI)과 머신 러닝의 개념은 종종 상호 교환적으로 사용되는 것처럼 보이지만 실제로 머신 러닝을 인공 지능(AI)의 하위 분야(컴퓨터 과학의 하위 분야)로 간주하는 것이 더 정확합니다.

인공 지능은 사람마다 다른 의미를 갖지만 일반적으로 인간의 지능을 필요로 하는 작업을 수행할 수 있는 기계의 광범위한 개념을 의미한다고 말할 수 있습니다.

이러한 맥락에서 머신 러닝은 주어진 업무를 독립적으로 수행하고 경험을 통해 학습하는 모델을 훈련시키기 위해 데이터를 사용하는 특정 애플리케이션을 말합니다. 

AI와 머신 러닝은 최근 몇 년 동안 인기 유행어로 자리매김 했습니다. 그러나 이러한 주제는 새로운 것이 아닙니다. 과학자들은 인공 지능(AI)과 머신 러닝(ML)을 꽤 오랫동안 연구해 왔습니다. 

인공 지능은 1950년대에 처음 논의되었습니다. 이 용어는 1956년 뉴햄프셔 주 Dartmouth College의 워크샵에서 미국 컴퓨터 과학자 존 맥카시(John McCarthy)가 명명했습니다.

그 이후로 인공 지능(AI)은 수 많은 진화의 과정을 겪었고 황금기와 시련의 세월을 모두 경험했습니다. 머신 러닝은 1980년대에 시작되었지만 2010년에야 이 분야의 발전이 기하급수적으로 가속화되기 시작했습니다. 이러한 변화는 무엇을 의미할까요?

지난 10여 년 동안 두 가지 주요 요소가 AI 분야의 중요한 발전에 기여했습니다.

첫째, 매 순간마다 엄청난 양의 데이터가 생산되고 있습니다. 기계는 '학습'할 데이터를 필요로 하기 때문에 가용성이 높아진다는 것은 기존 모델의 훈련 개선을 위해 다량의 데이터 세트를 사용하고 해당 모델을 테스트하여 새로운 분야에 적용할 수 있다는 의미입니다.

두 번째 요소는 컴퓨터가 이 모든 정보를 훨씬 더 빨리 이해할 수 있게 하는 근래에 일어난 처리 속도의 발전과 관련이 있습니다. 이를 통해 기술 업체와 해당 분야에 종사하는 다른 업체들은 연구 개발에 더 큰 투자를 쏟아야 한다는 타당한 주장을 펼 수 있었습니다.

현재의 속도에서 AI는 머지 않아 덜 인공적이 되고 훨씬 더 똑똑해질 것입니다.

AI에 대한 연구가 달성하려는 것에 대한 근본적인 오해가 있습니다. 아직까지는 2001년 스페이스 오디세이(2001 Space Odyssey)에 나온 HAL 9000 컴퓨터처럼 스스로 생각하는 기계의 수준 근처에도 오지 못했을 뿐 아니라, 로봇이 앞으로 머지 않은 미래에 우리의 일자리를 빼앗아 간다고 우려하지 않아도 됩니다.

이러한 일은 인간의 감독 없이 인간처럼 지적 업무를 처리할 수 있는 가상 머신인 범용 인공 지능(AGI) 수준에 도달한 경우에만 일어날 수 있는 것입니다. 하지만 오늘날까지도 이것은 여전히 공상 과학의 영역에 있습니다.

DeepMind 및 OpenAI 등의 몇몇 기업들과 연구소를 제외하고 기존 AI 연구는 특정 작업을 독립적으로 처리하도록 기계를 가르치는 데 큰 진전을 이루는 얕은 지능에 중점을 두고 있습니다.

머신 러닝의 인기로 인해 실제 소문과 사실을 구분하기 어려운 경우가 있습니다. 공식적으로 합의된 정의의 부재, 공상 과학의 유산, 인공 지능(AI) 관련 주제에 대한 전반적인 저급한 문해력이 모두 이런 것에 기여하는 요소들입니다.

이 단원에서는 머신 러닝이 무엇인지, 그것이 인공 지능과 어떤 관련이 있는지에 대한 여러분의 이해에 도움이 되기를 원합니다. 그러나 머신 러닝 분야에서도 인식해야 할 모델과 접근법의 다양한 유형들이 있습니다.

이것은 다음 단원에서 다룰 주제입니다.