- 기계학습으로 해결할 수 있는 문제와 그렇지 않은 문제를 근거를 들어 구분할 수 있다.
- 회귀·분류·군집 중 문제에 적합한 기계학습 유형을 선택할 수 있다.
- 실생활·사회문제 해결에 기계학습을 적용하는 방안을 설계할 수 있다.
생각 열기 — 의사의 새로운 동료
"X선 사진에서 폐렴 의심 부위 찾기"는 2차시에서 배운 지도학습(분류)의 교과서적인 문제입니다 — 의사들이 수십 년간 판독해 둔 정답 있는 데이터가 산처럼 쌓여 있으니까요. 그런데 "이 환자의 치료를 포기할 것인가"도 AI에게 맡길 수 있을까요? 데이터가 아무리 많아도 맡겨서는 안 되는 문제가 있습니다. 오늘은 그 경계선을 긋는 연습부터 시작합니다.
기계학습이 잘 푸는 문제, 못 푸는 문제
적용의 첫걸음은 '안 되는 것'을 아는 것
① 패턴이 있는가
데이터 속에 반복되는 패턴이 있어야 배울 것이 있어요. 완전한 우연(로또 번호!)에는 패턴이 없으니 학습도 무의미.
② 데이터가 충분한가
배울 재료가 있어야 합니다. 사례가 몇 개뿐이거나 구할 수 없는 문제는 기계학습의 영역 밖.
③ 규칙으로 적기 어려운가
평균 계산처럼 명확한 규칙이 이미 있는 일은 3단원 프로그래밍이 정답 — 더 빠르고, 정확하고, 설명 가능!
조건을 다 갖춰도 가치 판단과 책임이 핵심인 문제는 다릅니다. "누구를 먼저 치료할까", "이 학생을 합격시킬까" — AI는 과거 데이터의 패턴을 반복할 뿐, 공정함을 스스로 알지 못해요(과거가 편향됐다면 미래도 편향!). 이런 문제에서 AI는 참고 자료까지만, 결정과 책임은 사람의 몫입니다. (1차시의 결론이 여기서 다시!)
각 문제에 알맞은 해결사를 골라 보세요. 기준: 패턴·데이터·규칙, 그리고 가치 판단!
🤖 기계학습 (패턴은 있는데 규칙을 못 적음)
💻 일반 프로그래밍 (명확한 규칙 존재)
🧑 사람 (가치 판단·관계·책임)
알맞은 무기 고르기 — 회귀·분류·군집
문제의 '답 모양'이 유형을 결정한다
| 유형 | 답의 모양 | 질문의 형태 | 예시 |
|---|---|---|---|
| 회귀 | 숫자 (연속 수치) | "얼마나?" | 내일 기온, 집값, 예상 점수 |
| 분류 | 범주 (보기 중 하나) | "무엇? 어느 쪽?" | 스팸/정상, 양성/음성, 고양이/강아지 |
| 군집 | 그룹 (정답표 없음) | "비슷한 것끼리 묶으면?" | 고객 유형, 비슷한 동네 묶기 |
이 중 회귀를 직접 체험해 봅시다. 2단원 산점도에서 본 그 데이터 — 공부 시간과 점수! 점들을 가장 잘 통과하는 직선 하나를 찾으면, 그 직선이 곧 예측 모델입니다. 먼저 여러분이 손으로 찾아 보고, AI(최소제곱법)와 대결하세요!
주황 점선은 각 점과 직선의 오차입니다. 두 슬라이더로 직선을 움직여 평균 오차를 최소로 만들어 보세요. 다 했다면 [🤖 AI가 찾기] — 누가 더 잘 맞췄을까요?
슬라이더를 움직이며 오차를 줄여 간 과정 — 기계학습 모델이 하는 일이 정확히 그것이에요. "오차를 조금씩 줄이는 방향으로 수를 조정하기"를 컴퓨터는 초당 수백만 번 반복합니다. 그리고 완성된 직선으로 "9시간 공부하면 몇 점?"을 예측하는 것 — 이것이 회귀 모델의 전부입니다!
유형 선택 연습
시나리오 3개 · 즉시 채점
1"내일 학교 도서관에 몇 명이 방문할지 예측"에 알맞은 유형은?
2"쓰레기 사진을 보고 재활용 가능/불가능 판별"에 알맞은 유형은?
3"공부 패턴 데이터로 우리 학교 학생들을 비슷한 유형끼리 묶기"에 알맞은 유형은?
사회문제 해결에 적용하기
기술이 가장 빛나는 순간
기계학습의 진짜 가치는 점수나 추천을 넘어 사회문제에 적용될 때 드러납니다. 유엔의 지속가능발전목표(SDGs)가 좋은 문제 지도예요 — 건강, 기후, 환경, 교육… 각 분야에서 기계학습이 이미 일하고 있습니다.
산불 조기 감지
감시 영상에서 연기 패턴 분류 — 확산 전 골든타임 확보
질병 진단 보조
의료 영상에서 병변 분류 — 의사의 두 번째 눈
농작물 병해 진단
잎 사진으로 병명 분류 — 스마트폰 하나로 농가를 돕다 (1단원 스마트팜 연계!)
전력 수요 예측
날씨·생활 패턴으로 사용량 회귀 — 정전과 낭비를 동시에 줄이다
수어 번역
손동작 영상을 글로 분류 — 기술이 놓는 소통의 다리
교통 취약 지역 발견
이동 데이터 군집으로 대중교통 사각지대 찾기 (2단원 올빼미버스!)
모둠과 함께 사회문제 하나에 기계학습을 적용하는 계획을 세워 보세요. [설계서 생성]으로 완성!
| 사회문제 | |
| 학습 데이터 | |
| 기계학습 유형 | |
| 윤리 점검 | ✅ 편향 점검 · ✅ 개인정보 보호 · ✅ 오판 대비(사람 확인) |
확인 문제
바로바로 채점! 해설까지 꼭 읽어 보세요.
3차시 확인 문제
4문항 · 즉시 채점
1기계학습보다 일반 프로그래밍이 적합한 문제는?
2"공부 시간으로 예상 점수(숫자)를 예측"하는 기계학습 유형은?
3"과거 합격자 데이터로 배운 채용 AI"에 대한 가장 적절한 분석은?
4기계학습의 사회문제 적용 사례로 가장 적절한 것은?
더 알아보기
교육과정 너머, 궁금한 만큼 깊이!
코딩최소제곱법을 파이썬으로 — AI의 답을 직접 계산하기
회귀선 맞추기의 [🤖 AI가 찾기]가 쓰는 최소제곱법, 사실 3단원 실력이면 직접 계산할 수 있어요!
실무에서는 사이킷런(scikit-learn) 같은 라이브러리로 model.fit(X, y) 한 줄이면 끝 —
하지만 그 한 줄 속에서 이 계산이 돌고 있다는 걸 아는 사람과 모르는 사람은 다릅니다!
사람AI 뒤의 사람들 — 데이터 라벨러를 아시나요
지도학습에는 정답표가 필요하죠. 그 정답표는 누가 만들까요? 사진마다 "고양이", "보행자", "악성 댓글"이라고 이름표를 붙이는 데이터 라벨러라는 직업이 있습니다. 전 세계 수백만 명이 이 일을 하고 있고, 우리나라에도 '데이터 댐' 사업 등으로 많은 일자리가 생겼어요.
화려한 AI의 바탕에 사람의 손길이 한 장 한 장 깔려 있다는 것 — 그래서 라벨러의 작업 환경과 정당한 보상, 그리고 라벨링 기준의 공정성(누가 '악성'을 정의하는가?)이 새로운 사회문제로 떠오르고 있습니다. AI를 쓰는 사람만큼 AI를 만드는 사람들을 기억하기!
심화정확도 99%의 함정 — 숫자를 의심하는 법
"정확도 99%의 질병 진단 AI" — 대단해 보이죠? 함정이 있을 수 있습니다. 1,000명 중 환자가 10명뿐인 병이라면, 무조건 "정상"이라고만 답하는 엉터리 모델도 정확도 99%가 됩니다! (990명을 맞혔으니까요. 정작 환자 10명은 전부 놓치고도!)
10명
990명
그래서 전문가들은 "환자를 얼마나 놓치지 않았나(재현율)", "양성 판정이 얼마나 진짜인가(정밀도)" 같은 여러 지표를 함께 봅니다. 2단원의 '그래프를 의심하는 눈'이 AI 시대에는 '지표를 의심하는 눈'으로 진화해야 해요. 숫자 하나에 속지 않기 — 데이터 시민의 기본기!
예고여기서 멈추지 않는 질문들 — AI 윤리
오늘 윤리 점검표에 체크했던 세 항목(편향·개인정보·오판 대비)은 시작일 뿐이에요. 더 깊은 질문들이 기다립니다 — 자율주행차가 사고를 피할 수 없을 때 누구를 보호해야 할까? AI가 만든 그림의 저작권은 누구에게? 내 얼굴 데이터로 학습하는 것에 나는 동의했나?
실제 사건: 2022년 미국의 한 주(州) 박람회 미술전 디지털 아트 부문에서 AI로 생성한 그림이 1위를 차지해, 똑같은 논쟁이 전 세계에서 벌어졌어요.
이 질문들에는 기술만으로 답할 수 없습니다. 5단원 디지털 문화에서 정보 보호와 디지털 윤리를, 진로 선택 「인공지능 기초」에서 AI 윤리를 본격적으로 다룹니다. 기술을 배운 사람에게는 기술을 질문할 책임도 함께 온다는 것 — 이 단원의 마지막 메시지입니다.
한눈에 정리
- 기계학습이 잘 푸는 문제: 패턴 있음 + 데이터 충분 + 규칙으로 적기 어려움
- 명확한 규칙이 있으면 일반 프로그래밍, 가치 판단·책임의 문제는 사람
- 유형 선택: 답이 숫자면 회귀, 범주면 분류, 정답 없이 묶으면 군집
- 학습 = 오차를 줄이는 방향으로 조금씩 조정하는 일의 반복 (회귀선 맞추기에서 체험!)
- 사회문제 적용의 필수 동반자: 편향 점검 · 개인정보 보호 · 오판 대비 — 기술과 윤리는 한 세트