wk2_AI의 본질에 대한 이해

Shared on April 20, 2026

AI 문제 해결과 알고리즘 이해

AI는 확률과 논리의 결합으로 인간보다 효율적인 문제 해결을 가능하게 한다.

Executive Summary

AI는 전통 알고리즘(경사하강법, 트랜스포머 구조 등)과 학습 기반 알고리즘(지도·비지도·강화 등)을 결합해 문제를 해결한다. 알고리즘 선택과 학습 종류를 올바르게 이해하면 효율성, 신뢰성, 자원 관리를 최적화할 수 있다.

Key Takeaways

전통 알고리즘은 명시적 규칙으로 논리가 명확하지만, 복잡한 패턴 인식에 한계가 있다.
학습 기반 알고리즘은 데이터와 정답을 통해 규칙을 스스로 학습하며, 결과 생성 시 확률 기반 선택(탐욕·빔서치)을 사용한다.
**최적정지(Optimal Stopping)**와 37 % 법칙은 언제 학습을 멈추거나 결정을 내려야 할지 결정하는 전략이다.
과적합은 훈련 데이터에 지나치게 맞춰져 새로운 데이터에서 성능이 떨어지는 현상이며, 최적정지로 방지한다.
AI 학습 유형은 지도, 비지도, 준지도, 강화, 모방으로 구분되며, 각각의 장단점이 존재한다.
탐욕 알고리즘은 빠른 해결이 가능하지만 최적해를 보장하지 않으며, A*, 유전 알고리즘 등으로 보완한다.

Detailed Summary

1. AI vs 전통 알고리즘

구분	전통 알고리즘	AI/ML 학습 알고리즘
작동 방식	명시적 규칙을 한 줄씩 코딩	데이터와 정답으로 규칙을 학습
특징	논리 명확, 복잡 패턴 인식 어려움, 블랙박스 가능	패턴 인식 강점, 결과 생성 시 확률 기반 선택
비유	레시피대로 조리	재료 비율을 조정해 맛을 찾는 과정

2. 고전 알고리즘의 역할

경사하강법(Gradient Descent): 오차를 줄이는 최적화 과정, 미분 사용.
트랜스포머(Transformer): LLM 핵심, 단어 관계를 행렬 연산으로 처리.
디코딩 알고리즘: AI가 확률을 계산 후, 탐욕·빔서치 같은 고전 경로탐색으로 단어 선택.

3. 실생활 알고리즘

최적정지(Optimal Stopping)
- 37 % 법칙: 지원자 중 최초 37 %를 거르고, 이후 최고 후보가 나오면 선택.
- AI 학습에서도 검증 성능이 꺾이는 순간에 학습을 멈춤.
탐욕(Greedy) 알고리즘
- 배달 기사: 가장 가까운 곳부터 방문 → 단순하지만 경우에 따라 최단 거리 보장 안 됨.
보완 알고리즘
- A*: 휴리스틱을 활용해 최단 경로 탐색.
- 유전 알고리즘: 진화 연산을 통해 복잡한 문제의 근사 해.
- 기계학습 기반 예측 모델: 과거 데이터를 학습해 최적 경로 예측.

4. AI 학습 종류

유형	특징	적용 예시
지도학습 (Supervised)	정답 라벨 존재, 검증 용이, 신뢰성 높음	이미지 분류(개/고양이)
비지도학습 (Unsupervised)	라벨 없음, 패턴 탐지, 빠름	클러스터링, 차원 축소
준지도학습 (Semi‑supervised)	일부 라벨 + 라벨 없음, 효율적	소량 라벨 데이터와 대규모 비라벨 데이터 결합
강화학습 (Reinforcement)	보상/벌점 기반, 정책 학습	알파고, 자율주행
모방학습 (Imitation)	전문가 행동 모방, 데이터 비용 높음	상담 로봇, 자율주행 차

5. 과적합과 최적정지

과적합은 훈련 데이터에 과도하게 맞춰져 일반화 실패.
최적정지를 통해 학습을 멈추면 자원 낭비를 방지하고, 일반화 성능을 유지한다.

6. AI 문제 해결 기법

Greedy Choice: 현재 시점에서 가장 높은 확률 단어를 선택 → 빠른 계산, 지역 최적점 위험.
Chain of Thought (CoT): 단계별 논리적 사고를 유도해 전체 문맥을 고려 → 정확도 향상.

핵심 메시지: AI는 확률 기반 선택과 고전 알고리즘의 논리적 구조를 결합해 인간보다 빠르고 효율적인 문제 해결을 가능하게 한다. 올바른 알고리즘 선택과 학습 유형 이해는 AI 시스템의 신뢰성과 성능을 결정한다.