[머신러닝]: AI의 문제 해결 방식(지도학습, 비지도학습)

인간은 책을 읽거나 문제를 풀고,

친구나 선생님의 도움을 받으며 지식을 얻습니다.

그리고 이렇게 배운 내용을 실제 상황에 적용하면서 점점 더 능력을 발전시키죠.

 

반면 AI는 데이터를 기반으로 학습합니다.

많은 데이터를 분석하면서 규칙과 패턴을 스스로 찾아내고, 이를 지속적으로 수정하며 개선해 나가고,

이후 학습된 내용을 바탕으로 새로운 데이터에 대해 예측이나 판단을 수행합니다.

 

즉, AI는 데이터를 통해 “패턴을 학습하고, 이를 활용해 문제를 해결하는 시스템”이라고 볼 수 있겠는데요,

그렇다면 어떻게 문제를 해결하는지에 대해 알아보고자 합니다.

 

머신러닝 학습 유형

머신러닝은 크게 두 가지 학습 방식으로 나눌 수 있어요.

• 지도학습 (Supervised Learning)
• 비지도학습 (Unsupervised Learning)

각각의 방법은 해결하려는 문제의 유형에 따라 선택이 됩니다.

 

지도학습 (Supervised Learning)

지도학습은 입력 데이터(input)와 그에 대응하는 정답(target)이 함께 주어진 상태에서 학습하는 방식입니다

모델은 입력과 정답 사이의 관계를 학습하고, 이를 바탕으로 새로운 데이터에 대한 결과를 예측합니다.

 

예를 들어 “이 물건의 가격을 예측해보자”와 같이

"정답이 존재하는 문제"를 해결할 때 사용이 되는데요!

지도학습은 크게 두 가지로 나눌 수 있습니다.

 

1. 회귀 (Regression): 숫자 예측

회귀는 연속적인 숫자 값을 예측하는 문제들을 다룹니다.

 

예를 들어 중고차 가격을 예측하는 경우,

과거의 실제 거래 가격과 차량의 다양한 특징(연식, 주행거리 등)을 학습해

새로운 차량의 적정 가격을 예측할 수 있어요.

 

이때,

• 원인이 되는 변수 → 독립변수
• 결과로 나타나는 값 → 종속변수

라고 하고, 실제 문제에서는 여러 개의 독립변수가 하나의 종속변수에 영향을 미치는 경우가 많습니다.

회귀 분석은 이러한 복잡한 관계를 모델링해서 현실 세계의 다양한 수치 예측 문제를 해결하는 데 활용이 됩니다.

 

 

2. 분류 (Classification): 범주 예측

분류는 데이터를 특정 범주로 나누는 문제입니다.

 

예를 들어,

이메일이 스팸인지 아닌지를 판단하거나,

은행에서 대출 승인 여부를 결정하는 문제가 이에 해당됩니다.

 

이러한 문제에서는 여러가지 정보들을 종합해 최종적으로 하나의 결과를 선택하게 되는데요!

 

분류는 다시 두 가지로 나뉠 수 있어요.

• 이진 분류 (Binary Classification)
  두 가지 중 하나를 선택하는 경우
  → 예: 스팸 / 정상,  승인 / 거절
• 다중 분류 (Multi-class Classification)
  세 가지 이상의 선택지 중 하나를 고르는 경우
  → 예: 음악 장르 분류 (팝, 록, 재즈 등)

 

비지도학습 (Unsupervised Learning)

비지도학습은 정답이 없는 데이터를 기반으로 학습하는 방식입니다.

즉, 데이터에 대한 명확한 정답 없이 데이터 자체의 구조나 패턴을 스스로 찾아내는 것이 목적인데요.

 

이 방식은 “데이터를 이해하고 구조를 파악" 하는 데 주로 사용됩니다.

대표적인 방법으로 군집화나 이상 탐지 등이 있습니다.

 

군집화 (Clustering): 비슷한 것끼리 묶기

군집화는 비슷한 특성을 가진 데이터들을 자동으로 그룹으로 나누는 방법입니다.

 

예를 들어,

온라인 쇼핑몰을 운영한다고 하면,

고객들은 서로 다른 소비 패턴을 가지고 있겠죠.

이를 군집화해서 다음과 같은 그룹으로 나눌 수 있습니다.

• VIP 고객: 자주 방문하고 구매 금액이 높은 고객 → 특별 할인 제공
• 일반 고객: 가끔 방문하는 고객 → 포인트 적립 혜택
• 잠재 고객: 방문은 하지만 구매는 거의 없는 고객 → 첫 구매 유도 이벤트

이와 같이, 군집화는 고객 관리, 마케팅 전략 수립 등에 유용하게 활용이 될 수 있습니다.

 

이상 탐지 (Anomaly Detection): 특이한 패턴 찾기

이상 탐지는 일반적인 패턴에서 벗어난 특이한 데이터를 찾아내는 방법입니다.

 

예를 들어,

특정 고객의 신용카드 사용 패턴이 다음과 같이 일정한 소비 패턴을 가진다고 가정을 해봅시다.

• 점심시간 식당 결제
• 퇴근 후 마트 이용
• 주말 여가 활동

하지만 다음과 같은 상황이 발생한다면 이상 징후로 볼 수가 있는데요.

• 해외에서 갑작스러운 고액 결제 발생
• 짧은 시간 내 여러 번의 결제 시도

AI는 사용자의 평소 패턴을 학습하고, 평소와 다른 행동이 감지되면

이를 이상으로 판단할 수 있다.

 

이러한 기술은 금융 사기 탐지, 보안 시스템 등에서 매우 중요한 역할을 하고 있습니다.

 

 

 

이렇게 지도학습 방식과 비지도학습 방식에 대해 알아보면서,

결국 중요한 것은 “어떤 문제를 해결하는가”이고,

이에 따라 적절한 학습 방법을 선택하는 것이 AI 활용의 핵심인 것 같다고 생각합니다.🧐

---