예측Prediction

예측은 맞히기가 아니라 근거 세우기

예측을 두고 흔히 "잘 맞히느냐"를 먼저 물어요. 그런데 예측하는 쪽에서 보면 순서가 반대예요. 답을 이미 아는 상태에서 답을 말하는 건 예측이 아니라 확인이에요. 답을 모르는 상태에서, 지금 손에 있는 것만으로 가장 그럴듯한 값을 세우는 것이 예측이에요.

그래서 예측에는 늘 두 부분이 있어요. 무엇을 보고 판단했는지, 그리고 그 판단이 얼마나 단단한지예요. 기압과 구름 사진을 보고 세운 예보와, 어제 날씨만 보고 세운 예보는 같은 70%라도 무게가 달라요.

AI가 하는 일도 이 모양이에요. 학습에서 본 수많은 사례에 남은 규칙을 꺼내, 처음 보는 입력에 그 규칙을 얹어 값을 내놓아요. 규칙을 얼마나 잘 뽑아 두었는지가 예측의 질을 정해요.

예측은 확률로 나와요

모델 안에서 예측은 대체로 여러 후보에 나눠 준 점수 형태로 만들어져요. 내일 비가 온다 70, 오지 않는다 30 같은 식이에요. 화면에 "비"라는 한 글자만 보이는 건, 가장 점수가 높은 후보 하나만 골라서 보여 주기 때문이에요.

이 점수를 함께 보면 판단이 달라져요. 70과 30으로 갈린 예측과, 51과 49로 갈린 예측은 둘 다 "비"라고 답하지만 믿을 만한 정도가 전혀 달라요. 뒤쪽은 사실 모델도 헷갈리고 있다는 뜻이에요.

그래서 예측을 쓰는 자리에서는 고른 답만 받지 않고 점수까지 함께 받아 두는 편이 좋아요. 점수가 낮으면 사람이 한 번 더 보게 하거나, 아예 답을 미루게 만들 수 있어요.

미래만 예측하는 게 아니에요

예측이라는 말 때문에 미래를 떠올리기 쉽지만, 시간과는 상관이 없어요. 아직 확인되지 않은 값이면 무엇이든 예측 대상이에요. 사진 속 물체가 무엇인지, 지난달 이 문서가 어느 부서 것이었는지, 빠진 칸에 원래 어떤 값이 있었는지도 모두 예측이에요.

기상 자료로 치면, 관측소가 없던 산속 마을의 어제 기온을 주변 관측값으로 메우는 일도 예측이에요. 어제는 이미 지났지만 그 마을의 기온은 아무도 재 두지 않았으니까요.

AI 서비스가 내놓는 답은 거의 다 이런 뜻의 예측이에요. 번역문 한 줄, 추천 목록, 스팸 표시까지 전부 "확인되지 않은 값을 자료로 채운 결과"예요.

잘하고 있는지는 나중에 재요

예측의 성적은 답이 드러난 뒤에야 매길 수 있어요. 예보와 실제 날씨를 나란히 적어 두고, 하루가 아니라 여러 달을 모아 봐야 이 예보가 쓸 만한지 알 수 있어요. 한 번 맞았다고 좋은 예보가 아니고, 한 번 빗나갔다고 나쁜 예보도 아니에요.

비 올 가능성을 70%라고 말한 날들을 모두 모았을 때 실제로 열 번 중 일곱 번쯤 비가 왔다면, 그 예보는 숫자를 정직하게 쓰고 있는 거예요. 이런 식으로 예측을 실제와 맞대어 재는 과정이 없으면, 예측은 그냥 그럴듯한 말에 머물러요.

겪어 보지 않은 날씨에는 약해요

예측은 지난 기록에 기대요. 그래서 지난 기록에 없던 모양이 나타나면 힘을 잃어요. 관측 이래 없던 폭우가 오는 날, 예보가 유독 헤매는 이유예요. 기댈 사례가 없으니 가장 비슷해 보이는 옛 사례를 억지로 끌어다 쓰게 돼요.

AI 모델도 똑같아요. 학습에서 본 범위 안에서는 놀랄 만큼 잘하다가, 범위를 벗어난 입력이 들어오면 엉뚱한 값을 내놓아요. 더 곤란한 건 그때도 점수는 높게 나올 수 있다는 점이에요. 자신 있는 목소리와 정확함은 따로 놀아요.