AI·머신러닝·딥러닝 차이점 – 개념과 실생활 사례

┌─────────────────────────────────────────┐
│         인공지능 (AI)                    │
│                                          │
│   ┌─────────────────────────────────┐   │
│   │      머신러닝 (Machine Learning) │   │
│   │                                  │   │
│   │   ┌───────────────────────────┐ │   │
│   │   │   딥러닝 (Deep Learning)  │ │   │
│   │   │  (신경망 기반 머신러닝)   │ │   │
│   │   └───────────────────────────┘ │   │
│   └─────────────────────────────────┘   │
└─────────────────────────────────────────┘

AI ⊃ 머신러닝 ⊃ 딥러닝
(딥러닝은 머신러닝의 일부, 머신러닝은 AI의 일부)

[AI 역사 타임라인]

1950년대 ──→ 1기 전성기: 튜링 테스트, 논리 기반 AI
              "규칙만 충분히 입력하면 뭐든 할 수 있다"
     ↓
1970~80년대 ──→ 1차 AI 겨울: 연산력·데이터 부족으로 한계 노출
     ↓
1980년대 ──→ 2기 전성기: 전문가 시스템(Expert System) 붐
              의료·법률 분야 규칙 기반 추론 시스템 상용화
     ↓
1990년대 ──→ 2차 AI 겨울: 유지보수 비용·확장성 한계
     ↓
2010년대 ──→ 3기 전성기 (현재 진행 중): 빅데이터 + GPU + 딥러닝
              AlphaGo(2016), ChatGPT(2022) 등 실용화 폭발

[기존 프로그래밍]
입력 데이터 + 프로그래머가 작성한 규칙 → 출력 결과

예시: if 스팸_키워드 in 메일: return "스팸"
문제: 새로운 스팸 패턴 등장 시 사람이 규칙을 직접 수정해야 함

──────────────────────────────────────────

[머신러닝]
입력 데이터 + 정답(레이블) → 모델이 스스로 규칙 학습 → 출력 결과

예시: 수백만 개의 스팸/정상 메일을 학습 →
      새로운 스팸 패턴도 스스로 인식

학습 데이터: (고양이 사진, "고양이"), (개 사진, "개") ...
학습 후:     새 사진 → "고양이" or "개" 자동 분류

대표 알고리즘: 선형 회귀, 의사결정 트리, 랜덤 포레스트, SVM
대표 활용:     이메일 스팸 필터, 집값 예측, 질병 진단

학습 데이터: 레이블 없는 고객 구매 데이터 수십만 건
학습 후:     비슷한 구매 패턴의 고객을 자동으로 그룹화(클러스터링)

대표 알고리즘: K-Means, DBSCAN, PCA(차원 축소)
대표 활용:     고객 세분화, 이상 감지, 추천 시스템

에이전트(AI) ──→ 행동 ──→ 환경
     ↑                      ↓
     └────── 보상/패널티 ────┘

대표 활용: AlphaGo(바둑), 게임 AI, 로봇 제어, 자율주행

       입력층          은닉층 1        은닉층 2        출력층
      (Input)         (Hidden)        (Hidden)       (Output)

입력1 ──→ [●] ──→ [●][●][●] ──→ [●][●][●] ──→ [결과]
입력2 ──→ [●] ──→ [●][●][●] ──→ [●][●][●]
입력3 ──→ [●] ──→ [●][●][●] ──→ [●][●][●]

● = 뉴런(Neuron) / 노드
→ = 가중치(Weight)를 가진 연결

"딥"러닝 = 은닉층이 2개 이상인 신경망
현대 대형 모델(GPT-4 등) = 수백 개 이상의 층

[딥러닝 계층별 특징 추출 과정 – 고양이 사진 인식]

Layer 1 (저수준): 선과 엣지 감지
                  ┌───────────────┐
                  │ / \ | ─ ...  │  ← 픽셀의 명암 변화
                  └───────────────┘
         ↓
Layer 2 (중수준): 형태 조합
                  ┌───────────────┐
                  │ ◯ △ ⌒ ...   │  ← 눈·코·귀 형태
                  └───────────────┘
         ↓
Layer 3 (고수준): 객체 인식
                  ┌───────────────┐
                  │  🐱 = 고양이  │  ← 최종 분류
                  └───────────────┘

사람이 특징을 정의하지 않아도 모델이 스스로 학습!

CNN  (합성곱 신경망)  ──→ 이미지 인식, 객체 탐지
RNN  (순환 신경망)    ──→ 시계열, 음성 인식 (구세대)
LSTM (장단기 메모리)  ──→ 번역, 텍스트 생성 (RNN 개선)
GAN  (생성적 적대 신경망) ──→ 이미지·음성 생성
Transformer          ──→ ChatGPT·BERT·GPT-4 (현 최강자)

[비개발자·입문자 로드맵]
AI 개념 이해 → 머신러닝 원리 파악 → 딥러닝 기초
     ↓               ↓                    ↓
  이 글 읽기    구글 ML 강좌 수강    CS231n / 모두의딥러닝

[개발자·취업 준비생 로드맵]
파이썬 기초
    ↓
NumPy · Pandas (데이터 처리)
    ↓
scikit-learn (전통 머신러닝 구현)
    ↓
TensorFlow 또는 PyTorch (딥러닝 프레임워크)
    ↓
프로젝트: Kaggle 대회 참가 / 개인 포트폴리오 구축

데이터가 충분한가? (수십만 건 이상)
    ├── NO  → 규칙 기반 AI 또는 전통 머신러닝
    └── YES → 머신러닝 또는 딥러닝 고려
                    ↓
         데이터가 이미지·텍스트·음성인가?
            ├── NO  → 전통 머신러닝 (XGBoost 등)
            └── YES → 딥러닝 (CNN, Transformer 등)
                            ↓
                  GPU 인프라와 예산이 있는가?
                     ├── NO  → 사전 훈련 모델 활용 (Fine-tuning)
                     └── YES → 처음부터 학습 (From Scratch)