머신러닝

영문명	Machine learning (ML)
분류	인공지능 · 컴퓨터 과학 · 통계학
핵심 개념	데이터를 이용한 패턴 학습과 예측
학습 유형	지도 학습 · 비지도 학습 · 강화학습 · 자기지도학습
모델	선형 모델 · 결정 트리 · 신경망 · 앙상블
주요 작업	분류 · 회귀 · 군집화 · 추천 · 생성
학습 구성	훈련 데이터 · 손실 함수 · 최적화 알고리즘
평가 방법	검증 데이터 · 교차검증 · 정확도 · 정밀도 · 재현율
과적합 방지	정규화 · 데이터 분할 · 조기 종료
연산 기술	GPU · 병렬 처리 · 자동 미분
활용	자연어 처리 · 컴퓨터 비전 · 이상 탐지
관련 분야	딥러닝 · 데이터베이스 · 인공지능
참고 자료	Google ML 기초

머신러닝(machine learning, ML)은 컴퓨터 프로그램이 데이터에서 패턴과 관계를 학습하여 새로운 입력에 대해 예측, 분류, 판단 또는 콘텐츠 생성을 수행하도록 하는 인공지능의 한 분야이다. 개발자가 모든 입력에 대한 규칙을 직접 작성하는 대신 예시 데이터와 최적화 과정에서 모델의 내부 파라미터를 조정한다. 머신러닝의 성능은 알고리즘뿐 아니라 데이터의 품질, 평가 방법 및 실제 배포 환경에 영향을 받는다. 학습한 데이터에서 높은 정확도를 얻더라도 처음 보는 데이터에서 같은 결과를 낸다는 보장은 없다.^[1]

머신러닝의 역사는 통계적 예측과 패턴 인식, 인공 신경망 연구와 밀접하게 연결된다. 1950년대 아서 새뮤얼의 체커 게임 연구는 컴퓨터 프로그램이 경험을 활용해 성능을 개선하는 사례로 알려졌으며, 이후 회귀 분석·결정 트리·커널 기법과 신경망이 서로 다른 문제에서 발전했다. 2010년대에는 대규모 데이터와 GPU 기반 연산을 이용하는 딥러닝이 이미지·음성·언어 처리에서 널리 활용되기 시작했고 생성 모델과 대규모 언어 모델이 새로운 응용 범위를 확장했다.

학습 방식은 제공되는 피드백에 따라 구분한다. 지도 학습은 정답이 있는 입력·출력 쌍을 사용하여 분류나 회귀 모델을 학습하고, 비지도 학습은 정답 레이블이 없는 자료에서 군집이나 숨겨진 구조를 찾는다. 강화학습은 에이전트가 환경에서 행동한 결과로 받는 보상을 활용하며, 자기지도학습은 데이터 자체에서 학습 목표를 구성한다. 실제 프로젝트는 사전학습과 추가 학습·규칙 기반 후처리를 결합할 수 있으므로 한 제품을 오직 하나의 학습 방식으로 분류하기 어려울 수 있다.

모델을 만들 때에는 학습·검증·시험 데이터를 분리하고 손실 함수, 최적화 알고리즘과 하이퍼파라미터를 정한다. 과적합은 모델이 훈련 데이터의 세부 특성에 지나치게 맞춰져 새로운 데이터에서 성능이 떨어지는 현상이며, 정규화·데이터 증강·조기 종료와 교차검증을 통해 위험을 줄인다. 데이터 유출, 표본 편향과 평가 지표의 부적절한 선택은 모델의 성능을 잘못 해석하게 할 수 있다. 따라서 결과를 검증할 때는 학습에 사용하지 않은 데이터와 실제 서비스 조건을 고려해야 한다.

실제 머신러닝 시스템은 학습 모델만으로 완성되지 않는다. 수집과 정제·특징 추출을 담당하는 데이터 파이프라인, 모델 저장소, 배포 서버와 모니터링 도구가 함께 필요하다. 시간이 지나 데이터 분포나 사용자 행동이 달라지는 데이터 드리프트는 모델의 정확성과 신뢰성에 영향을 주며 재학습 또는 추가 평가가 필요할 수 있다. MLOps는 이러한 모델 개발·시험·배포·운영 과정을 자동화하고 재현성을 높이는 분야다.

머신러닝은 검색과 추천, 사기 탐지, 제조 설비 예지 보전, 자율 이동, 의료 연구와 자연어 번역 등에 이용된다. 그러나 상관관계를 학습한 모델이 자동으로 인과관계를 이해한다는 뜻은 아니며, 예측이 정확해도 윤리·법률·보안 문제는 별도로 검토해야 한다. 인공지능이 규칙·추론·계획 등 넓은 접근을 포괄한다면 머신러닝은 데이터를 이용한 학습을 중심으로 하는 구체적인 연구 및 응용 방법이다.

1. Google Developers: 머신러닝의 개념과 종류 ↩