데이터Data
AI가 배우는 재료가 되는 기록 한 줄 한 줄
- 데이터는 세상에서 일어난 일을 적어 남긴 기록이에요. AI가 배우는 재료는 전부 여기서 나와요.
- 기록 한 줄이 하나의 사건이고, 그 줄을 이루는 칸 하나하나가 그 사건의 특징이에요.
- 숫자만 데이터가 아니에요. 글도 사진도 소리도 클릭 흔적도 칸에 담기면 같은 재료가 돼요.
- 어떤 줄에 정답까지 함께 적혀 있으면 라벨이 붙은 데이터예요. 지도학습은 이런 줄을 먹고 자라요.
- 적히지 않은 일은 없던 일이 돼요. 빠진 기록은 AI의 눈에 처음부터 보이지 않아요.
목차
1비유로 이해하기
가계부를 펴면 한 줄에 하나씩 적혀 있어요. 5월 3일, 지하철, 1,400원. 그 아래 줄에는 5월 3일, 김밥, 4,000원. 한 줄만 보면 별 뜻이 없어요. 그런데 줄이 백 개쯤 쌓이면 이번 달 교통비가 얼마인지, 주말마다 지출이 뛰는지가 저절로 드러나요. 데이터가 바로 이 한 줄 한 줄이에요. 기록이 되기 전의 일은 아무리 크게 벌어졌어도 다룰 수 없고, 기록이 된 순간부터 세고 견주고 배울 수 있는 것이 돼요. 날짜 칸을 빼먹은 줄이나 금액을 잘못 적은 줄이 섞여 있으면 합계도 같이 틀어지고요.
2자세히 알아보기
한 줄은 사건, 칸은 그 사건의 특징
가계부의 한 줄에는 날짜, 쓴 곳, 금액, 결제 수단이 나란히 적혀요. 줄 하나가 "그날 일어난 일 하나"를 통째로 담고, 칸은 그 일을 이루는 조각이에요. 데이터를 표로 그릴 때 가로줄을 행, 세로 칸을 열이라고 불러요.
AI를 만들 때는 이 칸들에 이름이 따로 붙어요. 예측에 쓰는 재료 칸을 특징, 맞혀야 하는 답 칸을 라벨이라고 해요. 같은 표라도 어느 칸을 답으로 정하느냐에 따라 완전히 다른 문제가 돼요. 금액을 답으로 두면 지출을 예측하는 문제가 되고, 결제 수단을 답으로 두면 결제 방식을 맞히는 문제가 되니까요.
칸을 어떻게 설계하느냐가 성능을 크게 좌우해요. "5월 3일"이라는 날짜를 그대로 두는 것과, 거기서 요일과 주말 여부를 뽑아 칸을 새로 만드는 것은 결과가 달라요. 주말에 지출이 뛴다는 사실은 요일 칸이 있어야 눈에 들어오니까요.
숫자가 아니어도 데이터예요
사진 한 장도 데이터예요. 화면의 점 하나하나가 밝기 값으로 적혀 있고, 그 값이 가로세로로 늘어선 것이 사진이에요. 소리도 마찬가지로 시간에 따라 오르내리는 값의 줄이고, 글은 조각으로 나뉜 뒤 번호로 바뀌어요.
앱을 쓰는 동안 남는 흔적도 데이터예요. 어떤 화면을 열었는지, 몇 초 머물렀는지, 무엇을 누르지 않고 지나쳤는지가 줄로 쌓여요. 사람이 일부러 적지 않아도 기계가 알아서 적는 기록이 오늘날 데이터의 큰 몫을 차지해요.
형태가 달라도 다루는 방식은 하나로 모여요. 어떤 재료든 결국 숫자의 묶음으로 바꾼 다음에야 모델에 들어갈 수 있어요. 사진과 소리와 글을 한 모델이 함께 다룰 수 있는 이유도 여기에 있어요.
정답이 적힌 줄과 적히지 않은 줄
가계부에 "이건 꼭 필요한 지출", "이건 낭비"라고 손으로 표시해 둔 줄이 있다고 해 봐요. 이 표시가 라벨이에요. 라벨이 붙은 줄이 많으면 AI에게 "이런 줄은 낭비"라고 가르칠 수 있어요.
라벨을 다는 일은 대개 사람이 해요. 사진 속 물건에 이름을 붙이고, 문장에 감정을 표시하고, 소리에 무슨 소리인지 적어 주는 작업이에요. 손이 많이 가고 비용도 커서, 데이터를 모으는 것보다 라벨을 다는 쪽이 더 어려운 경우가 흔해요.
그래서 라벨이 없는 기록을 그냥 쓰는 방법도 함께 발전했어요. 비슷한 줄끼리 묶어 무리를 찾거나, 문장의 일부를 가리고 가려진 부분을 맞히게 해서 스스로 답을 만들어 배우게 하는 식이에요.
적히지 않은 일은 없던 일이 돼요
가계부에 카드 결제만 적고 현금은 빼먹었다면, 그 가계부로 계산한 한 달 지출은 실제보다 적어요. 계산이 틀린 게 아니라 재료가 이미 한쪽으로 기울어 있는 거예요.
AI에서도 똑같은 일이 벌어져요. 낮에 찍은 사진만 모았다면 밤은 존재하지 않는 세상이 되고, 특정 지역 사람들의 목소리만 모았다면 다른 말씨는 처음부터 배울 기회가 없어요. 모델은 데이터에 없는 것을 스스로 상상해 채우지 않아요. 빠진 자리는 그냥 빈 채로 남고, 그 자리에서 엉뚱한 답이 나와요.
그래서 데이터를 볼 때는 무엇이 들어 있는지만큼 무엇이 빠졌는지를 함께 봐야 해요. 누가 기록되지 않았는지, 어떤 상황이 통째로 없는지를 확인하는 일이 성능 점수보다 먼저 오는 경우가 많아요.
모으는 일보다 다듬는 일이 오래 걸려요
실제 기록은 늘 지저분해요. 날짜 형식이 줄마다 다르고, 같은 가게 이름이 몇 가지로 적혀 있고, 금액 칸이 비어 있는 줄이 섞여 있어요. 한 번 잘못 눌러 두 번 적힌 줄도 있고요.
이런 것들을 고르게 맞추는 일을 데이터 정제라고 해요. 빈 칸을 어떻게 처리할지 정하고, 같은 것을 다르게 적은 표기를 하나로 합치고, 터무니없이 튀는 값을 살펴보는 작업이에요. 실무에서 시간이 가장 많이 드는 단계가 대개 여기예요.
재료가 고르지 않으면 아무리 좋은 모델을 써도 결과가 흔들려요. 모델을 바꾸는 것보다 데이터를 다듬는 쪽이 성능을 더 크게 올리는 일이 자주 벌어지는 것도 그래서예요.
3조금 더 정확하게
데이터는 관측한 사실을 정해진 형식으로 적어 둔 값의 모음이에요. 표처럼 행과 열이 또렷한 것을 정형 데이터, 사진이나 문서처럼 그런 틀이 없는 것을 비정형 데이터라고 불러요. 학습에 쓰려고 목적에 맞게 모아 정리한 묶음은 데이터셋이라고 따로 불러요. 데이터와 데이터셋을 섞어 쓰는 일이 많지만, 앞은 재료 자체이고 뒤는 그 재료를 특정 문제용으로 갈무리한 꾸러미예요.
비유가 어긋나는 지점도 있어요. 가계부는 내가 직접 적으니 무엇이 빠졌는지 대충 알지만, AI가 쓰는 데이터는 대개 남이 오래전에 모아 둔 것이라 어떤 기준으로 걸러졌는지조차 알기 어려워요. 또 가계부 한 줄은 그 자체로 뜻이 통하지만, 모델이 받는 값은 뜻이 지워진 숫자여서 사람이 눈으로 훑어 이상을 발견하기가 훨씬 어려워요. 그래서 실무에서는 데이터를 어디서 어떻게 모았고 무엇을 뺐는지를 문서로 함께 남겨 두는 일을 중요하게 여겨요.
4직접 해보기
5흔한 오해
데이터는 숫자를 말한다고 생각하기 쉽지만, 실제로는 글도 사진도 소리도 클릭 흔적도 모두 데이터이고, 오늘날 AI가 배우는 재료는 오히려 이쪽이 더 많아요.
데이터는 있는 그대로의 사실이라 중립적이다라고 여기기 쉽지만, 실제로는 무엇을 적고 무엇을 안 적을지 정하는 순간부터 사람의 선택이 들어가 있어요.
많이 모으기만 하면 된다고 생각하기 쉽지만, 실제로는 중복되고 틀리고 한쪽으로 기운 기록이 늘면 성능이 오히려 떨어져요.
7한 줄 요약
그러니까데이터는 세상에서 일어난 일을 남긴 기록 한 줄 한 줄이고, 그 줄에 적힌 것까지만 AI가 배울 수 있어요.
잘못된 내용이나 더 좋은 비유가 있나요? 수정 제안 보내기 · 마지막 수정2026-09-02