- 인공 뉴런(퍼셉트론)과 인공신경망의 구조와 원리를 설명할 수 있다.
- 딥러닝의 특성을 이해하고, 발전하게 된 배경을 설명할 수 있다.
- 딥러닝의 활용 분야(컴퓨터 비전·음성·언어)를 탐색하고 성능 평가를 이해한다.
생각 열기 — 뇌를 흉내 낼 수 있을까
우리 뇌에는 약 860억 개의 뉴런(신경세포)이 있어요. 뉴런 하나는 단순해요 — 여러 신호를 받아, 합이 일정 수준을 넘으면 다음 뉴런으로 신호를 '발사'하죠. 그런데 이 단순한 세포가 수백억 개 연결되니 생각·기억·창의가 생겨났어요. 과학자들은 생각했죠 — "이 구조를 흉내 내면 컴퓨터도 배울 수 있지 않을까?"
그렇게 태어난 것이 인공신경망이에요. 그리고 이 신경망을 깊게 쌓은 딥러닝이 오늘날 자율주행·번역·생성형 AI의 심장이 되었습니다. 뉴런 하나부터 차근차근 만들어 봅시다.
가장 작은 부품 — 인공 뉴런(퍼셉트론)
입력 × 가중치 → 합 → 출력
인공 뉴런(퍼셉트론) 하나가 하는 일은 놀랄 만큼 단순해요. ① 여러 입력을 받아 ② 각 입력에 가중치(중요도)를 곱해 모두 더하고 ③ 그 합이 임계값을 넘으면 1(켜짐), 아니면 0(꺼짐)을 출력합니다. (실제 계산에서는 임계값을 오른쪽으로 옮겨, 가중합에 편향(bias) b를 더한 값이 0을 넘는지로 따지기도 해요. b를 키울수록 더 쉽게 1이 켜지죠 — 아래 실험의 b가 바로 이 편향이에요.)
가중치가 클수록 그 입력을 '중요하게' 여겨요. 학습이란 결국 이 가중치를 조금씩 조정해 정답을 잘 맞히게 만드는 과정이에요! 직접 가중치를 조절해, 뉴런 하나로 점들을 분류해 봅시다.
뉴런 하나는 직선 하나로 두 무리를 가릅니다. 가중치 w₁·w₂와 편향 b(경계를 옮기는 값)를 조절해 🔵 파랑과 🔴 빨강을 완벽히 나누는 직선을 찾아보세요!
뉴런 하나는 직선 하나로 나눌 수 있는 문제만 풀어요. 하지만 세상엔 직선 하나로 못 가르는 문제가 훨씬 많죠(예: 동그라미 안쪽 vs 바깥쪽). 그래서 뉴런을 여러 개, 여러 층으로 연결해야 해요 — 그것이 바로 다음에 볼 인공신경망입니다!
뉴런을 층층이 — 인공신경망
입력층 · 은닉층 · 출력층
인공신경망(ANN)은 뉴런들을 층(layer)으로 쌓은 구조예요. 입력층으로 데이터가 들어와, 중간의 은닉층들을 거치며 점점 복잡한 특징으로 변환되고, 출력층에서 답이 나와요. 한 층의 출력이 다음 층의 입력이 되며 신호가 앞으로 흐르죠. 직접 신호를 흘려보세요!
[신호 전달]을 누르면 입력층의 신호가 은닉층을 거쳐 출력층까지 물결처럼 흘러가요. 선이 밝을수록 강하게 연결된(가중치가 큰) 길이에요. 이렇게 신호가 흐르며 계산되는 것이 신경망의 작동 원리입니다.
깊게 쌓으면 — 딥러닝
스스로 특징을 찾아내는 학습
딥러닝(deep learning)은 이름 그대로 신경망의 은닉층을 깊게(deep) 여러 겹 쌓은 거예요. 깊은 층들은 데이터의 특징을 단계적으로 잡아내요 — 얼굴 인식이라면 앞쪽 층은 '선·점', 중간 층은 '눈·코·입', 깊은 층은 '얼굴 전체'를 포착하는 식이죠.
2차시에서 우리는 사람이 직접 특성을 골랐어요(공부 시간, 키…). 그런데 딥러닝의 마법은 중요한 특징을 데이터로부터 스스로 발견한다는 거예요(이를 '표현 학습'이라 해요). 고양이를 알아보는 규칙(귀 모양, 수염…)을 사람이 적지 않아도, 수많은 고양이 사진에서 스스로 핵심 특징을 학습하죠. 이것이 규칙 기반 AI(1단원)와 전통 기계학습을 뛰어넘은 비결이에요.
그런데 딥러닝의 아이디어는 사실 수십 년 전에 나왔어요. 왜 최근에야 꽃피웠을까요? 세 가지가 모였기 때문이에요.
빅데이터
인터넷·스마트폰으로 학습시킬 데이터가 폭발적으로 늘었어요.
GPU의 발전
병렬 연산에 강한 GPU가 거대한 신경망 학습을 현실로 만들었어요.
알고리즘 발전
깊은 신경망을 잘 학습시키는 새 기법들이 등장했어요.
딥러닝이 정복한 세계 — 활용 분야
컴퓨터 비전 · 음성 · 언어, 그리고 평가
딥러닝은 예전엔 컴퓨터가 쩔쩔매던 어려운 문제들을 차례로 정복했어요. 분야를 눌러 살펴보세요.
아무리 화려한 딥러닝 모델도 4차시에서 배운 평가의 원칙은 똑같이 적용돼요 — 훈련/테스트를 나누고, 과적합을 경계하며, 정확도뿐 아니라 정밀도·재현율을 함께 봅니다. 특히 딥러닝은 '왜 그렇게 판단했는지 설명하기 어렵다'(블랙박스)는 약점이 있어, 의료·법률처럼 책임이 중요한 분야에서는 성능 평가와 검증을 더욱 꼼꼼히 해야 해요. 강력한 도구일수록 신중하게 다뤄야 하니까요.
확인 문제
바로바로 채점!
5차시 확인 문제
4문항 · 즉시 채점
1인공 뉴런(퍼셉트론)에서 '학습'이란 무엇을 조정하는 것일까?
2인공신경망에서 입력층과 출력층 사이에서 데이터를 변환하는 층은?
3전통 기계학습과 비교한 딥러닝의 두드러진 특징은?
4[OX] 인공 뉴런 하나(퍼셉트론)만으로 어떤 복잡한 문제든 다 풀 수 있다.
더 알아보기
교과서 너머의 이야기 — 클릭해서 펼쳐 보세요
역사두 번의 겨울을 넘어 — 신경망의 굴곡진 역사
인공신경망의 역사는 드라마예요. 1958년 퍼셉트론이 등장하며 "곧 생각하는 기계가 나온다"는 기대가 부풀었지만, 1969년 "퍼셉트론은 XOR(배타적 논리합)조차 못 푼다"는 사실이 알려지며 첫 번째 AI 겨울이 왔어요. 1980년대 여러 층을 학습시키는 역전파(backpropagation) 기법으로 부활했지만, 데이터와 컴퓨팅 파워가 부족해 다시 두 번째 겨울을 맞았죠. 그러다 2012년, 한 딥러닝 모델이 이미지 인식 대회에서 압도적 성적을 내며 딥러닝 혁명이 시작됐어요(빅데이터+GPU가 갖춰진 덕분!). 수십 년간 '한물간 기술' 취급받던 신경망이 AI의 주인공이 된 거죠. 묵묵히 연구를 이어 간 과학자들 덕분에, 오늘날 우리가 쓰는 모든 AI가 있는 셈이에요. 포기하지 않은 아이디어가 세상을 바꾼 이야기입니다.
심화분야마다 다른 신경망 — CNN과 트랜스포머
딥러닝은 분야에 맞게 구조를 발전시켜 왔어요. CNN(합성곱 신경망)은 이미지를 잘 다루도록 설계됐어요 — 작은 영역을 훑으며 선·모양 같은 특징을 잡아내, 컴퓨터 비전의 표준이 됐죠. 한편 2017년 등장한 트랜스포머 (Transformer)는 문장에서 '어느 단어가 어느 단어와 관련 깊은지'(어텐션)를 파악하는 데 뛰어나, 번역·챗봇의 혁명을 일으켰어요. ChatGPT의 'T'가 바로 트랜스포머예요! 흥미롭게도 요즘은 트랜스포머가 이미지·음성 분야까지 넘어와 거의 모든 곳에서 활약하고 있어요. 같은 '딥러닝'이라도 풀려는 문제에 맞게 구조를 디자인하는 것이 AI 연구의 큰 부분이랍니다.
생각똑똑하지만 속을 모른다 — 딥러닝의 블랙박스 문제
딥러닝의 강력함에는 그림자가 있어요. 수백만~수조 개의 가중치가 얽혀 작동하다 보니, "왜 그렇게 판단했는지" 사람이 설명하기 어렵다는 점이에요. 이를 블랙박스(black box) 문제라고 해요. 1단원의 규칙 기반 AI는 "이 규칙 때문"이라고 또렷이 설명할 수 있었지만, 딥러닝은 정확도는 높아도 근거를 대기가 힘들죠. 이게 왜 중요할까요? 의료 진단에서 "왜 암이라고 판단했나"를 설명 못 하면 의사가 믿기 어렵고, 대출 심사에서 거절 이유를 설명 못 하면 부당하잖아요. 그래서 설명 가능한 AI(XAI) 연구가 활발해요 — 딥러닝의 판단 근거를 사람이 이해할 수 있게 보여 주려는 노력이죠. 강력함과 투명함, 두 마리 토끼를 잡으려는 도전이 지금도 이어지고 있습니다.