머신러닝Machine Learning

규칙을 적는 방향을 뒤집었어요

옛날 프로그램은 사람이 규칙을 먼저 적고 기계가 그대로 따랐어요. 입력이 이러면 출력은 저렇게, 하는 식이에요. 이 방식은 규칙이 분명한 일에서는 지금도 가장 좋아요. 계산기에 머신러닝을 쓸 이유는 없어요.

문제는 규칙을 적을 수 없는 일이 훨씬 많다는 점이에요. 손글씨 숫자를 알아보는 규칙을 적어 보려고 하면 첫 줄부터 막혀요. 사람마다 3을 쓰는 모양이 다 다르고, 그 다름을 말로 옮길 방법이 없어요.

머신러닝은 화살표를 뒤집어요. 사람이 주는 것은 규칙이 아니라 예시예요. 3이라고 쓴 손글씨 수만 장과 그것이 3이라는 표시를 주면, 기계가 그 안에서 공통점을 찾아 규칙 쪽을 만들어 내요. 사람은 무엇을 원하는지만 알려 주고, 어떻게 할지는 기계가 채워요.

학습이 지나가고 모델이 남아요

머신러닝은 크게 두 시간대로 나뉘어요. 앞쪽이 학습이에요. 예시를 하나씩 보면서 자기 안의 수많은 조절값을 조금씩 옮겨요. 답이 어긋난 만큼만 손잡이를 돌리는 일을 수백만 번 반복해요. 커피로 치면 매일 조금씩 바꿔 내려 보는 시간이에요.

이 시간이 끝나면 조절값이 어느 상태에서 멈춰요. 그 멈춘 상태를 통째로 저장한 것이 모델이에요. 학습은 오래 걸리고 비싸지만 한 번만 하면 되고, 만들어진 모델을 쓰는 일은 빠르고 여러 번 할 수 있어요. 커피 규칙을 알아내는 데는 스무 잔이 들었지만, 알아낸 뒤에는 매일 아침 그대로 내리면 되는 것과 같아요.

그래서 머신러닝 이야기에는 학습과 모델이 늘 짝으로 나와요. 학습은 과정을 가리키는 말이고, 모델은 그 과정이 남긴 결과물을 가리키는 말이에요.

예시의 품질이 결과를 정해요

머신러닝은 보여 준 예시 안에서만 규칙을 찾아요. 그래서 예시가 한쪽으로 치우쳐 있으면 규칙도 그대로 치우쳐요. 낮에 찍은 사진만 보고 배운 모델은 밤 사진 앞에서 흔들려요. 우리 집 원두로만 맞춰 놓은 커피 규칙이 다른 가게 원두에서는 안 맞는 것과 같아요.

예시에 붙은 정답 표시가 틀려 있어도 마찬가지예요. 기계는 그 표시를 의심하지 않고 그대로 배워요. 그래서 실제 현장에서는 모델을 손보는 시간보다 예시를 모으고 다듬는 시간이 훨씬 길어요.

외운 것과 배운 것은 달라요

예시를 통째로 외워 버리면 시험은 잘 봐요. 봤던 것을 그대로 물어보니까요. 그런데 처음 보는 것이 나오면 무너져요. 머신러닝에서 이런 상태를 과적합이라고 불러요.

그래서 학습에 쓴 예시와 점검에 쓸 예시를 따로 떼어 놓아요. 배울 때 한 번도 보여 주지 않은 예시로 시험을 봐야 정말 규칙을 찾아냈는지 알 수 있어요. 처음 보는 것에도 통하는 이 능력을 일반화라고 부르고, 머신러닝이 진짜로 노리는 것은 언제나 이쪽이에요.

배우는 방식도 여러 갈래예요

정답을 함께 주는 방식이 가장 흔해요. 사진과 그 사진이 무엇인지를 짝지어 주면 기계가 그 관계를 배워요. 지도학습이라고 불러요.

정답 없이 예시만 주는 방식도 있어요. 비슷한 것끼리 저절로 뭉치게 두면 손님 무리나 글 묶음 같은 것이 드러나요. 비지도학습이에요. 그리고 잘하면 점수를 주고 못하면 깎으면서 스스로 방법을 찾게 하는 강화학습도 있어요. 커피 맛을 점수로 매겨 가며 조절해 나가는 쪽에 가까워요.