인공지능
인공지능(artificial intelligence, AI)은 컴퓨터 시스템이 언어 이해, 문제 해결, 추론, 학습, 예측, 계획, 생성 또는 환경에 대한 행동 선택처럼 지능적 능력과 관련된 작업을 수행하도록 하는 컴퓨터 과학의 분야이다. 단일한 알고리즘이나 제품을 뜻하지 않으며, 명시...
| 영문명 | Artificial intelligence (AI) |
|---|---|
| 분류 | 컴퓨터 과학 · 지능형 시스템 |
| 핵심 목표 | 인지·추론·계획·학습·생성·의사결정 기능의 구현 |
| 주요 접근 | 규칙 기반 AI · 머신러닝 · 딥러닝 |
| 입력과 출력 | 텍스트 · 이미지 · 음성 · 센서 정보 · 행동 |
| 주요 모델 | 결정 트리 · 신경망 · 확률 모델 · 대규모 언어 모델 |
| 학습 방식 | 지도·비지도·자기지도·강화학습 |
| 기술 구성 | 데이터 · 모델 · 추론 엔진 · 연산 하드웨어 |
| 주요 분야 | 자연어 처리 · 컴퓨터 비전 · 로봇공학 |
| 평가 | 정확도 · 일반화 · 신뢰성 · 안전성 |
| 사회적 과제 | 편향 · 개인정보 보호 · 저작권 · 책임 |
| 관련 영역 | 소프트웨어 공학 · 로봇공학 · 클라우드 컴퓨팅 |
| 참고 자료 | NIST AI 연구 |
인공지능(artificial intelligence, AI)은 컴퓨터 시스템이 언어 이해, 문제 해결, 추론, 학습, 예측, 계획, 생성 또는 환경에 대한 행동 선택처럼 지능적 능력과 관련된 작업을 수행하도록 하는 컴퓨터 과학의 분야이다. 단일한 알고리즘이나 제품을 뜻하지 않으며, 명시적인 규칙과 지식 표현을 이용하는 접근부터 데이터에서 통계적 패턴을 학습하는 머신러닝, 딥러닝 및 생성 모델까지 폭넓게 포함한다. 특정 작업에서 좋은 성능을 보이는 것과 인간과 같은 범용 지능이나 의식이 구현됐다는 주장은 구별해야 한다.[1]
인공지능 연구의 출발점은 계산 가능성과 논리적 추론, 인간 지능의 기계적 구현 가능성에 관한 논의와 연결된다. 1956년 다트머스 연구 제안에서 'artificial intelligence'라는 명칭이 널리 사용되기 시작했으며, 이후 전문가 시스템·탐색 알고리즘·확률 추론과 인공 신경망이 서로 다른 연구 흐름으로 발전했다. 대규모 데이터와 그래픽 처리 장치가 보급되면서 2010년대에는 딥러닝이 다양한 인식 과제에서 높은 성능을 보였고, 2020년대에는 트랜스포머 기반 대규모 언어 모델과 생성 AI의 활용이 확대되었다.
전통적인 인공지능은 논리학, 규칙, 지식 그래프와 검색 알고리즘을 이용해 상태와 행동을 표현하고 목표에 도달하도록 설계한다. 머신러닝은 데이터를 기반으로 예측·분류·표현 학습을 수행하며 강화학습은 환경으로부터 얻는 보상을 활용해 행동 정책을 학습한다. 실제 시스템은 여러 방법을 결합할 수 있다. 예를 들어 생성 모델이 문장을 만들고 검색 시스템이 관련 자료를 가져오며 별도의 정책·검증 코드가 도구 실행과 결과 사용을 제한할 수 있다.
최근 생성 AI는 텍스트·이미지·음성·영상과 소프트웨어 코드 등 다양한 형태의 데이터를 처리한다. 모델은 학습 단계에서 최적화된 파라미터를 이용해 입력에 대한 출력을 생성하고, 추론 단계에서는 학습 때와 다른 하드웨어 및 실행 설정으로 동작할 수 있다. 그러나 모델의 출력은 통계적 학습 결과이므로 사실과 맞지 않는 응답, 편향된 판단, 부정확한 인용이나 설명이 생길 수 있다. 학습 자료의 특성과 평가 데이터, 도구 접근 범위에 따라 실용적 성능과 위험이 달라진다.
AI 시스템의 평가에서는 단순한 정확도 이외에도 일반화 능력, 견고성, 설명 가능성, 공정성, 개인정보 보호, 정보 보안과 인간의 감독이 중요하다. NIST의 AI 위험 관리 체계는 AI 시스템이 쓰이는 맥락과 위험을 파악하고 적절한 관리·측정·완화 절차를 마련하는 관점을 제시한다. 중요한 결정에 AI를 활용할 때에는 자동화된 결과를 그대로 최종 판단으로 삼기보다 오류의 비용과 사람의 검증 가능성을 고려해야 한다.[2]
인공지능은 검색 서비스, 번역, 웹 브라우저, 의료 영상 분석, 제조 공정, 자율 이동, 게임 엔진, 과학 연구와 소프트웨어 개발에 활용된다. 성능이 뛰어난 모델을 사용하더라도 실제 응용 프로그램에는 사용자 인터페이스, 데이터 처리, 보안, 로그와 업데이트를 관리하는 소프트웨어 공학이 필요하다. AI의 미래 발전에는 계산 자원과 데이터 접근성, 알고리즘 개선뿐 아니라 법·윤리와 사회적 신뢰의 문제가 함께 작용한다.