기계 학습의 정의와 유형, 그리고 도전 과제

머신 러닝이란 무엇인가요?

기계 학습 또는 머신 러닝(Machine Learning)은 오늘날 우리가 사용하는 대부분의 IT 서비스의 기반이 됩니다. 데이터에서 패턴을 찾아내고 코드를 변경하지 않고도 서비스를 개선할 수 있기 때문에 다양한 비즈니스에서 머신러닝을 채택하고 있습니다.

Facebook 광고를 예로 들어보겠습니다. 캠핑 장비와 최신 GPS 추적 기기에 관심이 많은 등산객이라면 브라우징 중 아웃도어 관련 광고가 가장 많이 표시될 것입니다. 이러한 현상 뒤에 머신 러닝이 있습니다. 기계 학습 기술은 사용자의 검색 기록, 방문한 웹사이트, Facebook에서 팔로우하는 사람들을 분석하여 관련성 높은 광고를 제공합니다. 이러한 행동 분석은 구매로 이어질 확률을 크게 높입니다.

새로운 취미를 시작하거나 이전에 검색하지 않았던 제품을 온라인에서 검색하면 머신 러닝이 이를 캐치하여 즉시 다른 광고로 사용자를 타겟팅하기 시작합니다. 머신러닝은 사용자의 행동 변화를 지속적으로 분석하여 사용자가 클릭할 가능성이 가장 높은 광고를 제공하고 서비스에 대한 수익을 창출합니다.

하지만 사생활 보호 측면에서는 이러한 머신 러닝을 통한 광고나 추천 알고리즘이 여간 성가신 것이 아닙니다. 본래 자유로운 곳인 인터넷이 사용자를 잠재적 구매자로만 생각하는 기업의 광고판이 되어버렸기 때문입니다. 이럴 때 VPN 을 사용하면 내 아이피 를 타인에게 숨길 수 있어 기계 학습을 통한 추천과 광고의 영향력에서 벗어날 수 있습니다. 또한 광고 차단 기능이 탑재되어 있는 VPN 서비스를 사용하면 더욱 도움이 됩니다.

일상 생활에 적용되는 기계 학습 예시

• 스트리밍 플랫폼의 추천 TV 프로그램 — YouTube나 Netflix 같은 스트리밍 서비스는 사용자가 시청한 내용을 분석하여 사용자가 좋아할 만한 유사한 프로그램을 추천합니다.
• 자동 수정 기능 — 다양한 애플리케이션과 디바이스에서 사용자가 입력하는 내용을 분석하여 수정 사항을 제안하는 자동 수정 기능을 제공합니다.
• 온라인 뱅킹 사기 탐지 — 머신 러닝은 사기를 감지하고 신원 도용을 방지할 수 있습니다. 의심스러운 활동이 감지되면 은행에서 계좌를 동결할 수 있습니다. 여기에는 원격 국가에서 계정에 로그인하거나 은행이 의심스러운 것으로 표시한 구매가 포함될 수 있습니다.
• 가상 개인 비서 — Siri 또는 Alexa와 같은 가상 비서는 사용자가 제공한 정보를 분석하고 이전 데이터와 비교하며 다양한 작업을 수행합니다.
• 교통 예측 앱 — Google 지도, 네이버 지도 및 기타 유사한 앱은 교통 데이터를 분석하여 가장 빠른 경로를 제안합니다.
• 소셜 네트워크에서의 친구 추천 — 알고리즘이 사용자의 위치, 친구, 관심사, 나이, 직장을 분석하여 사용자가 알 만한 사람 목록을 제공합니다.
• 스팸 필터 — 사이버 보안 분야에서도 인공 지능이 널리 활용되고 있습니다. 스팸 또는 피싱 이메일의 예시를 머신 러닝에 제공하면 유사한 이메일이 받은 편지함에 도착하는 것을 방지할 수 있습니다.
• 스포츠 시계 — 이러한 유형의 가젯은 활동을 추적하고 심박수를 모니터링하며 진행 상황이나 휴식 시간 등의 요소를 알려줍니다.
• 얼굴 인식 — 머신 러닝은 생체 인식 데이터를 분석하고 데이터베이스에 있는 사람의 얼굴을 비교하여 사람을 식별할 수 있습니다.
• Spotify의 추천 노래 — 머신 러닝은 사용자가 듣는 음악 장르와 아티스를 분석하여 사용자가 좋아할 만한 재생 목록을 제공합니다.

기계 학습의 유형

지도 학습

지도 학습에서는 알고리즘에 입력 데이터와 원하는 출력 데이터가 제공되어 예측을 하도록 훈련할 수 있습니다. 알고리즘은 데이터를 분석한 후 패턴을 발견하고 입력 데이터와 출력 데이터의 상관관계를 점진적으로 학습합니다. 이제 알고리즘은 독립적으로 작동하여 목적을 달성할 수 있습니다.

알고리즘의 학습 과정은 여기서 멈추지 않습니다. 들어오는 데이터를 분석하면서 계속해서 새로운 패턴을 발견합니다.

비지도 학습

비지도 학습 알고리즘은 데이터에서 스스로 패턴을 찾을 수 있기 때문에 사람의 개입이 필요하지 않습니다. 이러한 능력 덕분에 지도 학습보다 더 복잡하고 다양한 작업을 수행할 수 있습니다. 하지만 비지도 학습 알고리즘은 정확도가 떨어집니다.

반지도 학습

이름에서 알 수 있듯이 반지도 학습은 지도 학습과 비지도 학습의 장점을 약간씩 채택합니다. 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 사용하여 모델이 새로운 데이터 입력을 학습하고 예측할 수 있도록 합니다.

반지도 학습은 알고리즘이 학습할 데이터가 충분하지 않을 때 자주 사용됩니다. 하지만 데이터가 부족하면 신뢰할 수 있는 결과가 나오지 않을 수 있습니다.

강화 학습

강화 학습에서 모델은 자신의 행동에 따라 보상 또는 페널티를 받습니다. 더 많은 보상을 받고 과제를 완수하는 방법을 알아내는 것은 모델의 몫입니다. 강화 학습 알고리즘은 복잡한 문제를 해결하며 단순한 작업에는 사용되지 않습니다. 모델은 문제를 해결하기 위해 다양한 방법을 시도함으로써 결국 보상을 극대화하는 방법을 찾습니다.

머신 러닝, 딥 러닝, 그리고 인공지능

머신러닝과 인공지능(AI)이라는 용어는 종종 같은 의미로 사용되지만, 이를 동의어로 간주해서는 안 됩니다. AI는 인간의 사고 방식과 행동을 시뮬레이션할 수 있는 기계를 정의하는 개념입니다. 반면에 기계 학습은 기계가 다양한 패턴을 학습하고 문제를 해결할 수 있도록 하는 AI의 하위 개념입니다.

딥러닝은 인간 뇌의 뉴런 네트워크를 모방하여 스스로 의사 결정을 내릴 수 있도록 만들어지는 매우 정교한 시스템입니다. 따라서 딥 러닝은 머신 러닝의 하위 집합이라고 볼 수 있습니다. 그러나 머신러닝보다 더 발전된 유형으로 간주됩니다.

머신러닝은 사람의 개입이 필요하지만 딥러닝은 스스로 결과를 평가하고 만족스러운지 여부를 결정할 수 있습니다. 딥러닝은 스스로 실수를 통해 학습할 수 있기 때문에 종종 인간의 두뇌에 비유되기도 합니다. 공상 과학 소설처럼 들릴지 모르지만 미래학자들의 2025년 예측에 따르면 딥러닝 기술은 지금보다 훨씬 더 발전할 수 있다고 합니다.

기계 학습의 윤리적 과제

감시

머신러닝은 사용자의 브라우징 환경을 개선할 수 있지만, 인터넷 감시와 같은 논란의 여지가 있는 목적으로도 사용될 수 있습니다. 많은 도시에서 공공장소를 모니터링하고 범죄자를 식별하기 위해 얼굴 인식 소프트웨어를 사용합니다. 그러나 프라이버시 운동가들은 얼굴 인식의 정확성과 사람을 감시하는 것이 윤리적인지에 대한 우려를 제기하고 있습니다.

투명성

AI는 아직 적절한 규제와 국제법이 부족합니다. 우리는 AI 기술이 어떻게 사용되는지, 누가 우리의 개인 데이터를 수집하는지 알 수 없습니다. 심지어 악의적인 목적으로 사용되어 다양한 위협 행위자에게 이득이 될 수도 있습니다.

불균등한 권한 분배

대기업은 AI를 도입하고 경쟁업체를 시장에서 밀어낼 수 있는 더 많은 자원을 보유하고 있습니다. 컴퓨팅 전문가들은 AI 기술을 보유한 기업이 다른 기업보다 몇 걸음 앞서 있다는 데 동의하며, 특정 기업에게 너무나 큰 권한이 주어지는 것에 관해 우려를 표시합니다.

개인 정보 보호

기업은 검색 습관부터 위치까지 사용자에 대한 많은 데이터를 수집합니다(이 문제에 대해 자세히 알아보기). 이러한 정보는 사용자에게 최상의 경험을 제공하기 위해 필요하다고 주장하지만, 윤리적 딜레마를 야기하기도 합니다. 데이터가 어떻게 저장되고 누가 액세스할 수 있는지 확신할 수 없기 때문입니다. 데이터 유출은 매일 발생하기 때문에 데이터 수집은 우리 모두를 취약하게 만듭니다.