추가 적립 안내

인공지능 ICT 정책 담당자가 사업을 진행하며 공부한 바를 정리한 AI 개념 해설서다. 현장에서 직접 겪은 인공지능에 관한 오해와 궁금증을 상세하게 풀어냈다. 단계별 구성, 풍부한 그림 자료 등을 바탕으로 인공지능의 핵심 개념과 원리를 누구라도 쉽고 빠르게 익힐 수 있도록 도와준다. 이 책은 당장 실무에 뛰어들어야 하지만 기초가 전혀 없다고 느끼는 사람이나 일반인과 학생 중에서 인공지능을 알고 싶은 사람에게 인공지능을 올바로 알려 실질적인 도움을 주는 것을 목표로 한다.

인공지능을 이해한 자만이 살아남는다!
AI 리터러시를 높여주는 인공지능 해설서

바야흐로 인공지능 시대다. 인공지능이 모든 것이고, 모든 곳에 인공지능이 존재할 것이다. 이 같은 주변 환경의 변화에 따라 IT 개발자나 기획자, 실무자는 언제든 인공지능 관련 업무에 투입될 수 있다. 만약 AI 초보자가 업무에 투입된다면 무엇부터 해야 할까. 기초를 닦을 새도 없이 현장에서 일해야 한다면, 대개 난감함에 빠진다. 게다가 인공지능 분야는 공부해야 할 내용이 다양하고 분량도 많다. 여기, 인공지능 기술을 밑바닥부터 빠르고 쉽게 이해할 방법이 있다. 《인공지능 구조 원리 교과서》가 어려움에 빠진 많은 이에게 구원의 손길이 돼줄 것이다.

현장에서 부딪치며 발굴한
AI에 얽힌 오해와 궁금증에 관해 말한다

이 책은 한국지능정보사회진흥원 AI융합확산팀에서 일하는 송경빈 수석연구원이 현장에서 관련 사업을 진행하며 공부한 바를 정리한 것이다. 한마디로 인공지능의 핵심 원리와 구조를 누구나 익힐 수 있도록 구성한 AI 개념 해설서다.
인터넷에 산재하는 단편적인 정보로는 인공지능을 온전히 파악하지 못함은 물론이고, 올바르게 이해하지도 못한다는 현실에 저자는 이 책의 집필을 결심했다고 한다. 특히 현재 인공지능이 기술의 한계상 ‘지적 활동의 능력’으로 정의되는 지능을 갖추지 못했는데도, 인공지능을 마치 지능을 지닌 개체로 다루는 뉴스나 인터뷰를 볼 때마다 불편함을 느꼈다고 한다. AI에 얽힌 오해와 궁금증을 직접 설명해야겠다고 마음먹은 것이다.
올바르게 알아야 올바르게 대처할 수 있다. 이 책은 당장 실무에 뛰어들어야 하지만 기초가 전혀 없다고 느끼는 사람이나 일반인과 학생 중에서 인공지능을 알고 싶은 사람에게 AI를 올바로 알려 실질적인 도움을 주는 것을 목표로 한다.

인공지능은 중학교 수학에서 시작한다
머신러닝 · 딥러닝 기술의 핵심 원리와 구조

누구나 인공지능 공부를 수월하게 시작할 수 있도록 이 책은 단계별 구성을 취했다. 쉬운 개념을 설명한 후에 그를 기반으로 전개되는 어려운 개념을 설명한다. 저자의 말에 따르면 초등학생도 이해할 수 있는 책을 집필하려 했으나 본인의 역량 부족(?)으로 중학생이 이해할 수 있는 수준에서 만족했다고 한다. 비전공자는 물론이고 문과 출신도 충분히 인공지능 기술을 이해할 수 있다고 말하는 저자의 자신감이 엿보이는 대목이다.
한 장씩 이 책을 읽어나간 독자는 남들이 복잡하다고 포기했던 인공지능 이해의 한가운데에 어느새 들어서게 된다. 인공지능의 간략한 역사를 돌아본 후, 데이터 유형과 분석에서 시작해 머신러닝과 딥러닝 기술이 어떻게 등장하고 어떤 원리로 발전해서 지금에 이르렀는지, 그 기술적 흐름과 역사를 제대로 파악한다.
머신러닝의 원리를 설명할 때, 이 책은 일차함수에서 시작한다. 일차함수는 중학교에서 배우는 수식으로 중학생도 인공지능을 이해할 수 있다는 저자의 말이 허언이 아님을 여기서부터 증명해 간다. 책에서는 사괏값을 구하는 가장 간단한 머신러닝 모델(선형회귀)을 예시로 들어 살펴본다.
선형회귀는 어떤 현상을 그래프상의 직선으로 표현한 모델이다. 책의 예시에서 사괏값은 사과 개수에 따라 선형적으로 증가하며, 이를 수식으로 표현하면 y=ax+b다. 여기서 x는 사과 개수, y는 사괏값이다. 이를 머신러닝에서 쓰는 가설식 형태로 바꾸면 y=wx+b가 된다. 가설식은 학습 데이터를 기반으로 예측 결과를 계산하는 수식을 의미한다. 식의 모습을 보면 알겠지만 결국 일차함수의 형태다.
머신러닝에서 학습이란, 이 수식의 w와 b를 알아내는 과정이다. 사과 개수와 가격 데이터를 가설식 y=wx+b에 대입해 w와 b를 최적화한다. 즉 정답을 내놓는 w와 b의 값을 찾아내는 것이다. 이 과정을 거친 머신러닝 모델은 사과 5개가 얼마인지를 예측할 수 있다.
이처럼 가설식을 세우고, 가설식의 가중치를 찾아내는 것이 인공지능 학습의 토대다. 어떤 특정한 규칙이나 절차 없이 오로지 데이터만으로 답을 찾아야 하는 머신러닝 기술은 가중치를 조정하며 정답을 향해 나아간다.
이때 사용하는 알고리즘이 바로 경사하강법인데, 머신러닝을 이해하는 핵심 중의 핵심이라고 할 수 있다. 경사하강법은 사괏값을 찾는 비교적 단순한 모델에서부터 무지막지하게 복잡한 대규모 언어 모델에 이르기까지 머신러닝 학습에 모두 적용되기 때문이다.
인공지능을 온전히 이해하려면, 이 밖에도 다양한 개념을 알아야 한다. 특히 ChatGPT 같은 대규모 언어 모델에는 더욱 복잡한 개념이 쓰인다. 책에서는 가장 많은 분량을 대규모 언어 모델을 본격적으로 다루는 데 할애한다. 복잡한 내용이지만, 독자는 이를 통해 워드 임베딩, 트랜스포머 모델의 어텐션, 셀프 어텐션 등의 기술 개념을 익힐 수 있다. 언어 모델이 어떻게 단어, 문장, 단락 등은 물론이고 그사이의 관계까지 이해하는지 기술적으로 파악할 수 있다.

올바르게 이해하면 보이는
인공지능의 참모습과 활용 방향

저자는 인공지능 기술의 핵심에 해당하는 원리를 기초부터 제대로 이해할 필요가 있다고 말한다. 그렇지 않으면 ‘인공지능에 오롯한 지능이 있다는’ 오해에 빠져 막연한 두려움이나 불안 또는 과도한 기대나 낙관에 빠지는 일이 벌어질 수 있어서다. ChatGPT 3가 처음 등장했을 때를 떠올려보자. 많은 뉴스 미디어에서는 매개변수가 1,750억 개라는 둥, 뉴런과 비슷하다는 둥 여러 설명을 붙였지만, 그 기술적 본질과 원리를 명쾌하게 설명한 경우가 많지 않았다. 막연하고 두루뭉술한 설명은 시간이 꽤 지난 지금도 언론 기사에서 종종 보일 정도다. 이처럼 기술적 이해가 떨어지는 설명은 인공지능과 관련한 여러 오해를 부채질하기도 한다.
이 때문에 불필요한 비용과 갈등이 발생할 수도 있다. 예를 들어 AI 프로젝트에 투입된 실무자가 인공지능을 잘못 이해해 ‘스스로 학습하는 인공지능’을 목표로 삼는다면 큰일이다. 현재 인공지능에 이런 기술 개념은 없으니 완전히 방향을 잘못 잡은 셈이다. 반면 인공지능이 인간을 완전히 대체할 것이라는 불안에 기술 변화를 거부하고 21세기 러다이트 운동 같은 엉뚱한 행위에 관심을 보인다면, 본인의 경쟁력 상실로 이어질 뿐이다.
이때 우리에게 올바른 이해가 필요하다. 인공지능의 기초를 상기해 보자. 어떤 머신러닝 기술이든 가설식에서 출발한다. 아무리 발달한 인공지능이라도 결국 정교한 가중치를 지닌 수식에 불과하다는 점을 알아야 한다. 요즘 사람들의 이목을 집중시키는 대규모 언어 모델만 봐도 그렇다. 유창한 문장 생성 능력과 달리 상식이 부족하고, 학습 데이터에 따라 편향도 발생한다. 언어 모델이 내놓은 결괏값이 어떻게 나왔는지 설명하지 못한다는 점도 계속 문제점으로 지적된다.
이처럼 올바른 기술적 이해를 바탕으로 한다면, 실무자는 인공지능 프로젝트를 올바른 방향으로 진행하고, 개발자는 기술 습득과 이해를 더 빨리할 수 있을 것이다. AI 분야와 직접적인 접점이 없는 일반인이라면 쓸데없는 걱정과 불안을 내려놓고, 자신이 속한 분야에서 인공지능을 활용할 방법을 차분히 고민하면 된다.

발전 가능성이 무궁무진한 인공지능 기술
기본 원리를 이해하고, 현명하게 사용하는 방법

인공지능은 결국 가중치를 찾아가는 자동화 기술일 뿐이다. 그렇다고 마냥 무시할 수도 없다. 전에는 할 수 없었던 일들을 놀라울 정도로 잘 처리하기 때문이다. 그 특유의 처리 방식, 즉 데이터만으로 해결책을 찾아가는 기술은 놀라운 잠재력을 지녔다. 이는 ChatGPT 등장 이후, 다양한 모델이 등장하면서 증명하고 있는 현실이다. 단순히 대화만이 아니라 금융, 의학, 신약 개발, 번역, 자율주행에 이르는 여러 분야에서 탁월한 성과를 보이며 언젠가는 인간의 업무를 많은 부분에서 대체할 가능성을 보여준다.
이제 막 발전하고 있는 인공지능, 즉 정확히 말해 머신러닝 기술은 앞으로 더욱 발전할 가능성이 크다. 물론 앞에서 언급한 대로 한계와 문제도 많다. 이 때문에 인공지능을 현명하게 활용하려면 AI의 기본 원리와 구조를 제대로 알아야 한다고 저자가 계속 주장하는 것이다. 이 책으로 인공지능의 핵심 원리를 제대로 이해하자. 인공지능 시대를 슬기롭게 준비하는 데 분명 도움이 될 것이다.

머리말 인공지능의 구조와 원리를 제대로 이해하는 길잡이

I 인공지능의 부상
컴퓨터가 그림을 읽다니
인공지능의 정의
인공지능 용어의 오용
인공지능 기술의 역사
인공지능 주요 사례

Ⅱ 데이터와 인공지능
데이터의 유형별 구분
데이터를 분석하고 활용하는 법
손이 많이 가는 데이터
빅데이터와 인공지능
데이터 분석 모델이란?
데이터 분석 ㆍ 활용의 주요 사례

III 머신러닝
머신러닝의 정의
일차함수의 등장
가설식의 의미
가중치 구하기의 어려움
선형회귀
손실 비용 산출
경사하강법
기계학습 실습해 보기
다항 선형회귀
이진분류
다중분류
그림을 읽는 컴퓨터
MNIST 데이터세트
이미지 인식하기

IV 딥러닝
뉴런
퍼셉트론
퍼셉트론 검증하기 ①
퍼셉트론 검증하기 ②
다층 퍼셉트론의 등장
다층 퍼셉트론의 의의
DNN
개발 패러다임의 변화
CNN ①
CNN ②
CNN ③
RNN
RNN의 활용

V 비지도학습
기계학습의 3대 유형
글자 · 단어 예측 모델의 지도학습
비지도학습의 개념
K-means
GAN

VI 강화학습
강화학습의 원리
강화학습의 활용 사례
온실 속 강화학습?

Ⅶ 대규모 언어 모델
ChatGPT의 등장
머신러닝의 이슈가 된 LLM
자연어 처리
자연어 처리로 구현되는 주요 기능들
자연어 처리 기술의 도약
워드 임베딩의 기본 개념
워드 임베딩이 단어를 표현하는 방법
전이학습의 기본 개념
자연어 처리 분야에서의 전이학습
대규모 언어 모델의 전이학습
다양도로 전이학습되는 대규모 언어 모델
언어 모델의 기본 개념
언어 모델 개념의 확장
인코더-디코더 모델
컨텍스트 벡터
어텐션이 필요한 이유
어텐션 메커니즘
트랜스포머
트랜스포머의 어텐션
트랜스포머 메커니즘의 특징
대규모 언어 모델-BERT와 GPT
BERT와 GPT의 출력
고성능 언어 모델의 비결 ①
고성능 언어 모델의 비결 ②
대규모 언어 모델의 한계
대규모 언어 모델 출현의 의의
결국 똑같은 기초 원리

Ⅷ 고성능 기계, 그리고 사람
AI 기술의 취약점 ①
AI 기술의 취약점 ②
AI 기술의 취약점 ③
AI 기술의 극악한(?) 속성
인공지능은 결국, 데이터
데이터 정제와 레이블링
언어 모델을 위한 데이터 확보
인공지능은 지능을 갖췄는가
강인공지능과 약인공지능
강인공지능의 출현 가능성
범용 인공지능
행동 모델의 가능성
휴머노이드와 함께하는 세상
AI 서비스의 개발 과정
AI 전문가가 되려면
우리는 앞으로 어떻게 대응해야 할까?

참고 문헌
그림 및 사진 출처
찾아보기