Machine Learning (ML)

머신러닝(ML)은 컴퓨터 시스템이 프로그래머가 작성한 규칙을 따르는 대신 데이터에서 패턴을 학습하는 인공지능(AI)의 한 분야입니다. ML로 만든 스팸 필터는 스팸을 나타내는 단어를 사전에 지정받지 않습니다. 스팸 또는 정상으로 표시된 수천 개의 이메일을 살펴보며 스스로 패턴을 학습한 뒤 새 메시지에 적용합니다. Arthur Samuel은 혼자 대국하며 성능을 개선하는 체커 프로그램을 만들던 1959년에 이 용어를 만들었고, Tom Mitchell은 이후 널리 인용되는 정의를 제시했습니다. 어떤 지표로 측정한 작업 성능이 경험을 통해 향상될 때 프로그램은 학습한다고 설명했습니다.

머신러닝의 작동 방식#

ML 모델은 조정 가능한 파라미터를 가진 함수로, 선형 회귀의 몇 개 계수부터 신경망의 수백만 개 가중치까지 다양합니다. 학습은 일반적으로 손실 함수를 최소화해 학습 데이터에 대한 모델 예측의 정확도를 최대한 높이는 파라미터 값을 찾습니다. 실제 성능은 일반화 능력으로 평가합니다. 모델을 학습 중에 본 적 없는 별도의 검증 데이터와 테스트 데이터로 평가합니다. 학습 데이터에서는 점수가 높지만 새 데이터에서는 낮은 모델은 예시를 암기하고 근본적인 패턴을 학습하지 못한 과적합 상태입니다.

이 scikit-learn 예제에서는 손으로 쓴 숫자를 인식하는 랜덤 포레스트를 학습하고, 학습에서 제외한 숫자로 성능을 평가합니다:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

모델은 학습에서 사용하지 않은 나머지 1,347개의 레이블된 예시에서 학습한 패턴만으로 테스트 숫자 450개에서 97.6%의 정확도를 달성합니다.

머신러닝의 유형#

• 지도 학습: 각 입력에 올바른 출력이 짝지어진 레이블된 예시에서 학습합니다. 분류, 회귀, 객체 탐지는 지도 학습 작업입니다.
• 비지도 학습: k-means 클러스터링으로 찾은 고객 세그먼트와 같이 레이블이 없는 데이터에서 구조를 찾습니다.
• 자기 지도 학습: 문장의 다음 단어 또는 이미지의 가려진 패치를 예측하는 방식처럼 데이터에서 자체적으로 레이블을 생성합니다. 대규모 언어 모델(LLM)과 기타 파운데이션 모델은 이 방식으로 사전 학습됩니다.
• 강화 학습: 에이전트가 환경에서 행동을 취하고 보상을 최대화하도록 동작을 조정하며 시행착오를 통해 학습합니다.

머신러닝과 AI, 딥러닝, 데이터 과학 비교#

머신러닝은 지능형 기계를 만드는 광범위한 목표인 AI와, 다층 신경망을 사용해 원시 데이터에서 자체적으로 특징을 학습하는 ML의 하위 분야인 딥러닝(DL) 사이에 있습니다:

랜덤 포레스트와 XGBoost 같은 전통적인 알고리즘은 가격이나 나이처럼 각 열이 이미 의미 있는 특징인 테이블 형식 데이터에서 여전히 강력한 성능을 보입니다. 데이터 과학은 통계, 데이터 시각화, 도메인 분석과 함께 ML을 여러 도구 중 하나로 활용해 데이터에서 질문에 대한 답을 찾는 인접 분야입니다.

머신러닝 수명 주기#

프로덕션 환경의 모델은 완성 상태에 머물지 않습니다. 팀은 데이터를 수집하고 레이블을 지정한 후 모델을 학습 및 검증하고 배포하며, 예측을 모니터링합니다. 정확도가 기대에 미치지 못하거나 현실 세계가 바뀌면 데이터 단계로 돌아갑니다. 이 반복 과정은 머신러닝 운영(MLOps)의 핵심입니다:

컴퓨터 비전 분야에서 Ultralytics Platform은 이 전체 과정을 한곳에서 지원합니다. 팀은 데이터셋을 업로드하고 주석을 추가하며, 클라우드 GPU에서 Ultralytics YOLO26 모델을 학습하고 배포한 다음 프로덕션 환경에서 성능을 모니터링합니다.

실제 적용 사례#

• 컴퓨터 비전: 모델은 생산 라인의 결함을 탐지하고, 의료 영상을 판독하며, 자율주행 차량을 안내합니다.
• 자연어 처리(NLP): 번역, 검색, 챗봇, 스팸 필터링은 모두 텍스트로 학습한 모델을 활용합니다.
• 추천 시스템: 스트리밍 및 전자상거래 플랫폼은 사용자별 과거 행동을 바탕으로 콘텐츠 순위를 매깁니다.
• 시계열 예측: 모델은 과거 데이터를 바탕으로 제품 수요, 에너지 부하, 장비 고장을 예측합니다.
• 이상 탐지: 은행은 과거 사기 사례로 학습한 모델을 사용해 모든 카드 거래를 밀리초 단위로 평가하고, 비정상적으로 보이는 거래를 표시합니다.