alt

2w0309

2026๋…„ 11์›” 15์ผ ๊ณต์œ 

๐Ÿšจ [์‹œํ—˜ ์ถœ์ œ ๋ ˆ์ด๋”] ํ•ต์‹ฌ ํ† ํ”ฝ ๋ถ„์„

์˜ˆ์ƒ ์ถœ์ œ ์ˆœ์œ„
ํ•ต์‹ฌ ํ† ํ”ฝ (์ฃผ์ œ๋ช…)
๊ต์ˆ˜๋‹˜ ๊ฐ•์กฐ ์ˆ˜์ค€ (์ƒ/์ค‘/ํ•˜)
์ถœ์ œ ์˜ˆ์ƒ ์œ ํ˜• (๋‹จ๋‹ต/๊ณ„์‚ฐ/๋น„๊ต/์„œ์ˆ )
1์ˆœ์œ„
๊ธฐํ˜ธ์ฃผ์˜(Symbolism) vs ์—ฐ๊ฒฐ์ฃผ์˜(Connectionism)
์ƒ
๋น„๊ต/์„œ์ˆ 
2์ˆœ์œ„
CNN์˜ ์ž‘๋™ ์›๋ฆฌ์™€ ์ •๋ณด ์••์ถ• (AlexNet)
์ƒ
์„œ์ˆ 
3์ˆœ์œ„
AI ์—ญ์‚ฌ์  ๋งˆ์ผ์Šคํ†ค (ํŠœ๋ง ํ…Œ์ŠคํŠธ, MYCIN, ํผ์…‰ํŠธ๋ก )
์ค‘
๋‹จ๋‹ต
4์ˆœ์œ„
AI ํ•˜๋“œ์›จ์–ด์˜ ์ง„ํ™” (GPU, NPU, RDMA)
์ค‘
๋‹จ๋‹ต

๏ปฟ

๐Ÿง  [A+ ์„œ์ˆ ํ˜• ์™„๋ฒฝ ๋Œ€๋น„] ๋…ผ๋ฆฌ ํ๋ฆ„ ๋…ธํŠธ

[์ฃผ์ œ๋ช… 1] ๊ธฐํ˜ธ์ฃผ์˜(Symbolism)์™€ ์—ฐ๊ฒฐ์ฃผ์˜(Connectionism)์˜ ์ง„ํ™”

  • ์ถœ์ œ ํฌ์ธํŠธ: ์ธ๊ณต์ง€๋Šฅ์„ ๊ตฌํ˜„ํ•˜๋Š” ๋‘ ๊ฐ€์ง€ ํ•ต์‹ฌ ์ฒ ํ•™์˜ ์ฐจ์ด์ ๊ณผ ์—ญ์‚ฌ์  ํ๋ฆ„์„ ์ดํ•ดํ•˜๊ณ  ์žˆ๋Š”๊ฐ€?
  • Why (์™œ ๋„์ž…๋˜์—ˆ๋‚˜): ์ธ๊ฐ„์˜ ์ง€์  ๋Šฅ๋ ฅ์„ ๊ธฐ๊ณ„๋กœ ๊ตฌํ˜„ํ•˜๊ธฐ ์œ„ํ•ด, ์ดˆ๊ธฐ์—๋Š” ์‚ฌ๋žŒ์ด ์„ธ์ƒ์„ ์ดํ•ดํ•˜๋Š” ๋…ผ๋ฆฌ์™€ ์ง€์‹์„ ์ง์ ‘ ์ž…๋ ฅํ•˜๋ ค๋Š” ์‹œ๋„(๊ธฐํ˜ธ์ฃผ์˜)๊ฐ€ ์ฃผ๋ฅผ ์ด๋ฃจ์—ˆ์Šต๋‹ˆ๋‹ค. ๊ทธ๋Ÿฌ๋‚˜ ์‹ค์„ธ๊ณ„์˜ ๋ณต์žกํ•œ ๋น„์„ ํ˜• ๋ฌธ์ œ๋ฅผ ํ‘ธ๋Š” ๋ฐ ํ•œ๊ณ„๊ฐ€ ์žˆ์–ด, ์ธ๊ฐ„์˜ ๋‡Œ ์‹ ๊ฒฝ์„ธํฌ ์—ฐ๊ฒฐ ๋ฐฉ์‹์„ ๋ชจ์‚ฌํ•˜๋Š” ๋ฐฉ์‹(์—ฐ๊ฒฐ์ฃผ์˜)์ด ๋Œ€์•ˆ์œผ๋กœ ๋ฐœ์ „ํ–ˆ์Šต๋‹ˆ๋‹ค.
  • How (์–ด๋–ป๊ฒŒ ์ž‘๋™ํ•˜๋‚˜):
  • ๊ธฐํ˜ธ์ฃผ์˜: ์ „๋ฌธ๊ฐ€์˜ ์ง€์‹์„ ๋ฃฐ(Rule) ๊ธฐ๋ฐ˜์ด๋‚˜ ์˜จํ†จ๋กœ์ง€(Ontology) ํ˜•ํƒœ๋กœ ๋ช…์‹œ์ ์œผ๋กœ ์ปดํ“จํ„ฐ์— ์ž…๋ ฅํ•˜์—ฌ ์ถ”๋ก ํ•ฉ๋‹ˆ๋‹ค (์˜ˆ: MYCIN).
  • ์—ฐ๊ฒฐ์ฃผ์˜: ์ž…๋ ฅ ์‹ ํ˜ธ์— ๊ฐ€์ค‘์น˜(Weight)๋ฅผ ๊ณฑํ•˜๊ณ  ํ•ฉ์‚ฐํ•˜์—ฌ ๋‹ค์Œ ๋‰ด๋Ÿฐ์œผ๋กœ ์ „๋‹ฌํ•˜๋ฉฐ, ์ด ๊ฐ€์ค‘์น˜๋ฅผ ํ•™์Šต์„ ํ†ตํ•ด ์Šค์Šค๋กœ ์กฐ์ •ํ•˜์—ฌ ํŒจํ„ด์„ ์ฐพ์•„๋ƒ…๋‹ˆ๋‹ค.
  • Limit/Result (ํ•œ๊ณ„์  ๋ฐ ์˜์˜): ๊ธฐํ˜ธ์ฃผ์˜๋Š” ํ•œ๋•Œ ์ผ๋ณธ์˜ 5์„ธ๋Œ€ ์ปดํ“จํ„ฐ ํ”„๋กœ์ ํŠธ ๋“ฑ ๋Œ€๊ทœ๋ชจ ํˆฌ์ž๋ฅผ ๋ฐ›์•˜์œผ๋‚˜ ๋ฐฉ๋Œ€ํ•œ ์˜ˆ์™ธ ์ƒํ™ฉ ์ฒ˜๋ฆฌ์˜ ํ•œ๊ณ„๋กœ ์‡ ํ‡ดํ–ˆ์Šต๋‹ˆ๋‹ค. ์—ฐ๊ฒฐ์ฃผ์˜๋Š” ๊ณผ๊ฑฐ ์ปดํ“จํŒ… ํŒŒ์›Œ ๋ถ€์กฑ์œผ๋กœ ์•”ํ‘๊ธฐ(ํผ์…‰ํŠธ๋ก ์˜ ํ•œ๊ณ„ ์ง€์  ๋“ฑ)๋ฅผ ๊ฒช์—ˆ์œผ๋‚˜, GPU ๋“ฑ ํ•˜๋“œ์›จ์–ด ๋ฐœ์ „๊ณผ ๋Œ€๋Ÿ‰์˜ ๋ฐ์ดํ„ฐ(ImageNet)๋ฅผ ๋งŒ๋‚˜ ํ˜„์žฌ AI์˜ ์ฃผ๋ฅ˜๊ฐ€ ๋˜์—ˆ์Šต๋‹ˆ๋‹ค.

[์ฃผ์ œ๋ช… 2] AlexNet๊ณผ CNN (Convolutional Neural Network)์˜ ์›๋ฆฌ

  • ์ถœ์ œ ํฌ์ธํŠธ: CNN์ด ๋‹จ์ˆœํžˆ ์‹ ๊ฒฝ๋ง์ด๋ผ๋Š” ๊ฒƒ์„ ๋„˜์–ด, '์–ด๋–ป๊ฒŒ ์ •๋ณด๋ฅผ ์••์ถ•ํ•˜๊ณ  ํŠน์ง•์„ ์ถ”์ถœํ•˜๋Š”์ง€' ๊ทธ ์›๋ฆฌ๋ฅผ ๋ช…ํ™•ํžˆ ์„œ์ˆ ํ•  ์ˆ˜ ์žˆ๋Š”๊ฐ€? (๊ต์ˆ˜๋‹˜์ด ๋‹จ์ˆœ ์•”๊ธฐ๋ฅผ ์ง€์–‘ํ•˜๊ณ  'Why'๋ฅผ ๊ฐ•์กฐํ•จ)
  • Why (์™œ ๋„์ž…๋˜์—ˆ๋‚˜): ๊ฑฐ๋Œ€ํ•œ ์ด๋ฏธ์ง€ ๋ฐ์ดํ„ฐ๋ฅผ ํ†ต์งธ๋กœ ์ฒ˜๋ฆฌํ•˜๋Š” ๊ฒƒ์€ ๋น„ํšจ์œจ์ ์ด๋ฉฐ, ์ด๋ฏธ์ง€ ๋‚ด ํŠน์ • ํŒจํ„ด(์˜ˆ: ๊ณ ์–‘์ด ๊ท€ ๋ชจ์–‘)์ด ์–ด๋””์— ์œ„์น˜ํ•˜๋“  ์ธ์‹ํ•  ์ˆ˜ ์žˆ๋Š” ๋ฐฉ๋ฒ•์ด ํ•„์š”ํ–ˆ์Šต๋‹ˆ๋‹ค.
  • How (์–ด๋–ป๊ฒŒ ์ž‘๋™ํ•˜๋‚˜): ์ปจ๋ณผ๋ฃจ์…˜(Convolution) ์—ฐ์‚ฐ์„ ํ†ตํ•ด ์ž‘๋™ํ•ฉ๋‹ˆ๋‹ค. ์ฐพ๊ณ ์ž ํ•˜๋Š” ํŒจํ„ด(ํ•„ํ„ฐ/์ปค๋„)์„ ์ด๋ฏธ์ง€ ์œ„์— ๋Œ€๊ณ  ์Šค์บ”ํ•˜๋“ฏ ์ด๋™์‹œํ‚ต๋‹ˆ๋‹ค. ํ•„ํ„ฐ์™€ ์ด๋ฏธ์ง€์˜ ๋Œ€์‘ํ•˜๋Š” ํ”ฝ์…€ ๊ฐ’์„ ๊ณฑํ•˜๊ณ  ๋ชจ๋‘ ๋”ํ•˜์—ฌ ํ•˜๋‚˜์˜ ์ˆซ์ž๋กœ ๋งŒ๋“ญ๋‹ˆ๋‹ค. ํŒจํ„ด์ด ์ผ์น˜ํ• ์ˆ˜๋ก ๊ฐ’์ด ์ปค์ง€๋ฉฐ, ์ด ๊ณผ์ •์„ ํ†ตํ•ด ํ•ต์‹ฌ ์ •๋ณด๋งŒ ๋‚จ๊ธฐ๊ณ  ๋ฐ์ดํ„ฐ์˜ ํฌ๊ธฐ๋ฅผ ์ค„์ž…๋‹ˆ๋‹ค (์ •๋ณด ์••์ถ•).
  • Limit/Result (ํ•œ๊ณ„์  ๋ฐ ์˜์˜): ์ด ๋ฐฉ์‹์„ ์ ์šฉํ•œ AlexNet์€ 2012๋…„ ์ด๋ฏธ์ง€๋„ท ๋Œ€ํšŒ์—์„œ ์˜ค๋ฅ˜์œจ์„ 10% ์ด์ƒ ํš๊ธฐ์ ์œผ๋กœ ๋‚ฎ์ถ”๋ฉฐ ๋”ฅ๋Ÿฌ๋‹ ์‹œ๋Œ€๋ฅผ ์—ด์—ˆ์Šต๋‹ˆ๋‹ค.

โš”๏ธ [ํ•„์ˆ˜ ์•”๊ธฐ] ํ—ท๊ฐˆ๋ฆฌ๋Š” ๊ฐœ๋… ๋น„๊ต

๋น„๊ต ํ•ญ๋ชฉ
[๊ธฐํ˜ธ์ฃผ์˜ (Symbolism)]
[์—ฐ๊ฒฐ์ฃผ์˜ (Connectionism)]
ํ•ต์‹ฌ ์›๋ฆฌ
์ธ๊ฐ„์˜ ์ง€์‹์„ ๋…ผ๋ฆฌ, ๊ธฐํ˜ธ, ๊ทœ์น™(Rule)์œผ๋กœ ์ปดํ“จํ„ฐ์— ๋ช…์‹œ์ ์œผ๋กœ ์„ค๋ช…
๋‡Œ ์‹ ๊ฒฝ๋ง์„ ํ‰๋‚ด ๋‚ด์–ด ๊ฐ€์ค‘์น˜(Weight) ์—ฐ์‚ฐ์„ ํ†ตํ•ด ๋ฐ์ดํ„ฐ๋กœ๋ถ€ํ„ฐ ์Šค์Šค๋กœ ํ•™์Šต
์žฅ์ /๋‹จ์ 
์ถ”๋ก  ๊ณผ์ •์ด ํˆฌ๋ช…ํ•˜๊ณ  ์„ค๋ช… ๊ฐ€๋Šฅ / ๋ชจ๋“  ์ง€์‹์„ ์ˆ˜๋™์œผ๋กœ ์ž…๋ ฅํ•˜๊ธฐ ์–ด๋ ค์›€
๋ณต์žกํ•œ ํŒจํ„ด ์ธ์‹์— ํƒ์›” / ์—ฐ์‚ฐ๋Ÿ‰์ด ๋ฐฉ๋Œ€ํ•˜๊ณ  ๋‚ด๋ถ€ ๋กœ์ง ํ•ด์„(๋ธ”๋ž™๋ฐ•์Šค)์ด ์–ด๋ ค์›€
์ ์šฉ ์‚ฌ๋ก€
MYCIN (์˜๋ฃŒ ์ง„๋‹จ ์ „๋ฌธ๊ฐ€ ์‹œ์Šคํ…œ), ์ผ๋ณธ 5์„ธ๋Œ€ ์ปดํ“จํ„ฐ
Perceptron, AlexNet(CNN), AlphaGo, LLM
โš ๏ธ [์ถœ์ œ์ž์˜ ํ•จ์ • ์ฃผ์˜!]

๏ปฟ

๐ŸŽฏ [์‹ค์ „ ๋ชจ์˜๊ณ ์‚ฌ] ๊ต์ˆ˜๋‹˜ ๋งž์ถคํ˜• ํ•˜๋“œ์ฝ”์–ด ํ›ˆ๋ จ

[์„น์…˜ 1: ๋‹จ๋‹ต ๋ฐ ๊ฐœ๋… ํ™•์ธํ˜•]
  • Q1. 1966๋…„ MIT์—์„œ ๊ฐœ๋ฐœ๋œ ์ธ๋ฅ˜ ์ตœ์ดˆ์˜ ์ฑ—๋ด‡์œผ๋กœ, ํŒจํ„ด ๋งค์นญ๊ณผ ๋Œ€์ฒด ๋ฐฉ๋ฒ•๋ก ์„ ์‚ฌ์šฉํ•ด ์‹ฌ๋ฆฌ์น˜๋ฃŒ์‚ฌ์ฒ˜๋Ÿผ ๋Œ€ํ™”ํ•˜๋Š” ํ”„๋กœ๊ทธ๋žจ์˜ ์ด๋ฆ„์€ ๋ฌด์—‡์ธ๊ฐ€?
  • Q2. ๊ธฐ๊ณ„๊ฐ€ ์ธ๊ฐ„๊ณผ ๋™๋“ฑํ•˜๊ฑฐ๋‚˜ ๊ตฌ๋ณ„ํ•  ์ˆ˜ ์—†๋Š” ์ง€๋Šฅ์  ํ–‰๋™์„ ๋ณด์ด๋Š”์ง€ ํ‰๊ฐ€ํ•˜๋Š” ํ…Œ์ŠคํŠธ๋กœ, ์ตœ๊ทผ GPT-4.5๊ฐ€ ์ด ํ…Œ์ŠคํŠธ์—์„œ ์‚ฌ๋žŒ๋ณด๋‹ค ๋” ์‚ฌ๋žŒ ๊ฐ™๋‹ค๋Š” ํ‰๊ฐ€๋ฅผ ๋ฐ›์€ ์ด ํ…Œ์ŠคํŠธ์˜ ์ด๋ฆ„์€?
  • Q3. 1970~80๋…„๋Œ€ ๊ธฐํ˜ธ์ฃผ์˜์˜ ์ „์„ฑ๊ธฐ๋ฅผ ์ด๋ˆ ์‹œ์Šคํ…œ์œผ๋กœ, ํŠน์ • ๋ถ„์•ผ(์˜ˆ: ๊ฐ์—ผ๋ณ‘ ์ง„๋‹จ)์˜ ์ „๋ฌธ๊ฐ€ ์ง€์‹์„ ๋ฐ์ดํ„ฐ๋ฒ ์ด์Šคํ™”ํ•˜๊ณ  ์ถ”๋ก  ์—”์ง„์„ ํ†ตํ•ด ๊ฒฐ๋ก ์„ ๋„์ถœํ•˜๋Š” ์‹œ์Šคํ…œ์„ ๋ฌด์—‡์ด๋ผ ํ•˜๋Š”๊ฐ€?
  • Q4. ๋Œ€๊ทœ๋ชจ ๋ณ‘๋ ฌ ์—ฐ์‚ฐ์— ํŠนํ™”๋˜์–ด ์ธ๊ณต์‹ ๊ฒฝ๋ง์˜ ์—ฐ์‚ฐ ์†๋„๋ฅผ ๋น„์•ฝ์ ์œผ๋กœ ๋Œ์–ด์˜ฌ๋ ค ๋”ฅ๋Ÿฌ๋‹ ๋ถ€ํฅ์„ ์ด๋ˆ ํ•ต์‹ฌ ํ•˜๋“œ์›จ์–ด ์นฉ์€ ๋ฌด์—‡์ธ๊ฐ€?
[์„น์…˜ 3: ์„œ์ˆ ํ˜• ๋ฐ ๋…ผ์ˆ ํ˜•]
  • Q1. ๊ต์ˆ˜๋‹˜์€ AlexNet์˜ ์„ฑ๊ณต ์š”์ธ ์ค‘ ํ•˜๋‚˜๋กœ CNN(Convolutional Neural Network)์„ ๊ผฝ์•˜์Šต๋‹ˆ๋‹ค. ์ˆ˜์—… ์‹œ๊ฐ„์— ๋‹ค๋ฃฌ '๋‹๋ณด๊ธฐ ๋น„์œ '์™€ 'ํ–‰๋ ฌ ๊ณฑ์…ˆ'์„ ํ™œ์šฉํ•˜์—ฌ CNN์ด ์ด๋ฏธ์ง€๋ฅผ ์ฒ˜๋ฆฌํ•  ๋•Œ ๋ฐœ์ƒํ•˜๋Š” **'์ •๋ณด ์••์ถ•'**์˜ ์›๋ฆฌ๋ฅผ ์„œ์ˆ ํ•˜์‹œ์˜ค.
  • Q2. ์ธ๊ณต์ง€๋Šฅ ์—ฐ๊ตฌ์˜ ์–‘๋Œ€ ์‚ฐ๋งฅ์ธ ๊ธฐํ˜ธ์ฃผ์˜(Symbolism)์™€ ์—ฐ๊ฒฐ์ฃผ์˜(Connectionism)์˜ ์ฐจ์ด์ ์„ '์„ธ์ƒ์„ ์ปดํ“จํ„ฐ์— ์ดํ•ด์‹œํ‚ค๋Š” ๋ฐฉ์‹'์˜ ๊ด€์ ์—์„œ ๋น„๊ตํ•˜์—ฌ ์„œ์ˆ ํ•˜์‹œ์˜ค.
<details>
<summary></summary>
[์„น์…˜ 1 ์ •๋‹ต]
  1. ELIZA (์—˜๋ฆฌ์ž)
  1. ํŠœ๋ง ํ…Œ์ŠคํŠธ (Turing Test)
  1. ์ „๋ฌธ๊ฐ€ ์‹œ์Šคํ…œ (Expert System) - MYCIN์ด ๋Œ€ํ‘œ์  ์˜ˆ์‹œ
  1. GPU (Graphics Processing Unit)
[์„น์…˜ 3 ๋ชจ๋ฒ” ๋‹ต์•ˆ]
  • Q1 ํ•ด์„ค:
  • ํ•ต์‹ฌ ํ‚ค์›Œ๋“œ 3๊ฐ€์ง€: ํ•„ํ„ฐ(์ปค๋„), ์Šค์บ”(์ด๋™), ํ”ฝ์…€ ๊ฐ’์˜ ๊ณฑ๊ณผ ํ•ฉ(์ •๋ณด ์••์ถ•).
  • ๋ชจ๋ฒ” ๋‹ต์•ˆ: CNN์€ ์ด๋ฏธ์ง€ ์ „์ฒด๋ฅผ ํ•œ ๋ฒˆ์— ์ฒ˜๋ฆฌํ•˜๋Š” ๋Œ€์‹ , ์ฐพ๊ณ ์ž ํ•˜๋Š” ํŠน์ง•์„ ๊ฐ€์ง„ 'ํ•„ํ„ฐ'๋ฅผ ์ด๋ฏธ์ง€ ์œ„์— ๋Œ€๊ณ  ๋‹๋ณด๊ธฐ์ฒ˜๋Ÿผ ์Šค์บ”ํ•˜๋“ฏ ํ›‘์–ด๊ฐ‘๋‹ˆ๋‹ค. ํ•„ํ„ฐ๊ฐ€ ๊ฒน์น˜๋Š” ์˜์—ญ์—์„œ ๋Œ€์‘ํ•˜๋Š” ํ”ฝ์…€ ๊ฐ’๋“ค์„ ์„œ๋กœ ๊ณฑํ•˜๊ณ  ๋ชจ๋‘ ๋”ํ•˜์—ฌ ํ•˜๋‚˜์˜ ์ˆซ์ž๋กœ ๋งŒ๋“ญ๋‹ˆ๋‹ค. ์ด ๊ณผ์ •์„ ํ†ตํ•ด 3x3 ์˜์—ญ์ด ํ•˜๋‚˜์˜ ์ˆซ์ž๋กœ ๋ณ€ํ™˜๋˜๋ฉฐ, ๊ฒฐ๊ณผ์ ์œผ๋กœ ์ค‘์š”ํ•œ ํŠน์ง•์  ์ •๋ณด๋งŒ ๋‚จ๊ธฐ๊ณ  ๋ฐ์ดํ„ฐ์˜ ํฌ๊ธฐ๊ฐ€ ๊ทน์ ์œผ๋กœ ์ค„์–ด๋“œ๋Š” '์ •๋ณด ์••์ถ•' ํšจ๊ณผ๋ฅผ ๊ฐ€์ ธ์˜ต๋‹ˆ๋‹ค.
  • Q2 ํ•ด์„ค:
  • ํ•ต์‹ฌ ํ‚ค์›Œ๋“œ 3๊ฐ€์ง€: ๋ฃฐ/๊ทœ์น™, ๊ฐ€์ค‘์น˜(Weight), ํ•™์Šต.
  • ๋ชจ๋ฒ” ๋‹ต์•ˆ: ๊ธฐํ˜ธ์ฃผ์˜๋Š” ์‚ฌ๋žŒ์ด ์„ธ์ƒ์„ ์ดํ•ดํ•˜๋Š” ๋ฐฉ์‹๊ณผ ๋…ผ๋ฆฌ๋ฅผ ๋ช…์‹œ์ ์ธ ๊ทœ์น™(Rule)์ด๋‚˜ ์˜จํ†จ๋กœ์ง€ ํ˜•ํƒœ๋กœ ์ปดํ“จํ„ฐ์—๊ฒŒ ์ง์ ‘ '์„ค๋ช…'ํ•ด ์ฃผ๋Š” ๋ฐฉ์‹์ž…๋‹ˆ๋‹ค. ๋ฐ˜๋ฉด ์—ฐ๊ฒฐ์ฃผ์˜๋Š” ์ธ๊ฐ„์˜ ๋‡Œ ์‹ ๊ฒฝ๋ง ๊ตฌ์กฐ๋ฅผ ๋ชจ๋ฐฉํ•˜์—ฌ, ์ปดํ“จํ„ฐ๊ฐ€ ์ˆ˜๋งŽ์€ ์ž…๋ ฅ ๋ฐ์ดํ„ฐ์™€ ๊ฐ€์ค‘์น˜(Weight) ์—ฐ์‚ฐ์„ ํ†ตํ•ด ์Šค์Šค๋กœ ํŒจํ„ด์„ 'ํ•™์Šต'ํ•˜๊ณ  ์„ธ์ƒ์„ ์ดํ•ดํ•˜๋„๋ก ํ‰๋‚ด ๋‚ด๊ฒŒ ํ•˜๋Š” ๋ฐฉ์‹์ž…๋‹ˆ๋‹ค.
</details>

๏ปฟ

โšก [์‹œํ—˜ ์ง์ „ 5๋ถ„ ์ปท] ๋ฒผ๋ฝ์น˜๊ธฐ ์š”์•ฝ ์•”๊ธฐ์žฅ

  1. ๊ธฐํ˜ธ์ฃผ์˜ vs ์—ฐ๊ฒฐ์ฃผ์˜: ๊ธฐํ˜ธ์ฃผ์˜๋Š” '์ง€์‹๊ณผ ๋…ผ๋ฆฌ๋ฅผ ๊ทœ์น™์œผ๋กœ ์„ค๋ช…(MYCIN)', ์—ฐ๊ฒฐ์ฃผ์˜๋Š” '์‹ ๊ฒฝ๋ง์„ ํ†ตํ•ด ๊ฐ€์ค‘์น˜๋กœ ์Šค์Šค๋กœ ํ•™์Šต(AlexNet)'.
  1. ํŠœ๋ง ํ…Œ์ŠคํŠธ: ๊ธฐ๊ณ„๊ฐ€ ์ธ๊ฐ„๊ณผ ๊ตฌ๋ณ„ ๋ถˆ๊ฐ€๋Šฅํ•œ ์ง€๋Šฅ์  ๋Œ€ํ™”๋ฅผ ํ•˜๋Š”์ง€ ํ‰๊ฐ€ํ•˜๋Š” ๋ชจ๋ฐฉ ๊ฒŒ์ž„ (์ตœ๊ทผ GPT-4.5๊ฐ€ 73%๋กœ ํ†ต๊ณผ).
  1. ELIZA (1966): ์ธ๋ฅ˜ ์ตœ์ดˆ์˜ ์ฑ—๋ด‡, ํŒจํ„ด ๋งค์นญ ๊ธฐ๋ฐ˜์œผ๋กœ ์‹ฌ๋ฆฌ์น˜๋ฃŒ์‚ฌ ์—ญํ•  ์ˆ˜ํ–‰.
  1. ์ „๋ฌธ๊ฐ€ ์‹œ์Šคํ…œ (Expert System): 70~80๋…„๋Œ€ ์ฃผ๋ฅ˜. ์ง€์‹ ๋ฒ ์ด์Šค์™€ ์ถ”๋ก  ์—”์ง„ ๊ฒฐํ•ฉ (์˜ˆ: MYCIN - ๋ฐ•ํ…Œ๋ฆฌ์•„ ์ง„๋‹จ).
  1. CNN์˜ ํ•ต์‹ฌ (Convolution): ํ•„ํ„ฐ๋ฅผ ์ด์šฉํ•ด ์ด๋ฏธ์ง€๋ฅผ ์Šค์บ”ํ•˜๋ฉฐ ๋Œ€์‘ ๊ฐ’์„ ๊ณฑํ•˜๊ณ  ๋”ํ•ด ํ•˜๋‚˜์˜ ์ˆซ์ž๋กœ ๋งŒ๋“ฆ โž” **'์ •๋ณด์˜ ์••์ถ•'**์ด ํ•ต์‹ฌ ์›๋ฆฌ.
  1. ํ•˜๋“œ์›จ์–ด์˜ ์ค‘์š”์„ฑ: GPU์˜ ๋ณ‘๋ ฌ ์ฒ˜๋ฆฌ ๋Šฅ๋ ฅ์ด ๋ง‰๋Œ€ํ•œ ํ–‰๋ ฌ ์—ฐ์‚ฐ์„ ์š”๊ตฌํ•˜๋Š” ์ธ๊ณต์‹ ๊ฒฝ๋ง(๋”ฅ๋Ÿฌ๋‹)์˜ ๋ถ€ํฅ์„ ๊ฐ€๋Šฅํ•˜๊ฒŒ ํ•จ.
๊ณต๊ฐœ ๋…ธํŠธ ๋ชจ๋‘ ๋ณด๊ธฐ