정답 없이 스스로 패턴을 찾는 비지도 학습
비지도 학습은 입력 데이터만 주어지고, 정답(Label)은 제공되지 않는 방식으로 진행됩니다.
AI는 주어진 데이터를 분석하여 비슷한 것끼리 묶거나, 중요한 특징을 찾아 요약합니다.
예를 들어, AI에게 여러 동물 사진을 제공했을 때, 지도 학습이라면 개와 고양이라는 정답(Label)을 주고 학습시킵니다.
반면, 비지도 학습에서는 정답을 주지 않고 AI가 스스로 비슷한 이미지끼리 그룹을 만들도록 학습합니다.
| 입력 (이미지) | 정답 없음 |
|---|---|
| 🐶 개 사진 1 | ? |
| 🐱 고양이 사진 1 | ? |
| 🐶 개 사진 2 | ? |
| 🐱 고양이 사진 2 | ? |
이처럼 AI는 스스로 패턴을 분석하여 개와 고양이 사진을 그룹화할 수 있지만, 각 그룹이 무엇을 의미하는지는 AI가 직접 정의하지 않습니다.
비지도 학습의 대표적인 유형
비지도 학습은 크게 두 가지 유형으로 나뉩니다.
1. 군집화(Clustering)
입력 데이터를 비슷한 특징을 가진 그룹으로 자동으로 묶는 방식입니다.
군집화를 통해 아래와 같은 AI 활용 사례를 구현할 수 있습니다.
-
고객 세분화: 온라인 쇼핑몰 고객을 구매 패턴에 따라 그룹화
-
음악 추천 시스템: 사용자의 청취 기록을 분석해 비슷한 취향의 음악 추천
-
소셜 네트워크 분석: 비슷한 관심사를 가진 사용자 그룹 찾기
2. 차원 축소(Dimensionality Reduction)
데이터에서 중요한 특징만 남기고 불필요한 정보를 줄이는 방식입니다.
차원 축소를 통해 아래와 같은 AI 활용 사례를 구현할 수 있습니다.
-
이미지 압축: 중요한 특징만 남기고 불필요한 픽셀 제거
-
자연어 처리(NLP): 문장에서 핵심적인 단어만 추출해 요약
-
유전자 분석: 유전자 데이터를 요약해 주요 특성만 남기기
비지도 학습의 한계
비지도 학습은 강력한 기법이지만 몇 가지 단점도 있습니다.
1. 결과 해석이 어렵다
AI가 데이터를 그룹화하거나 요약하지만, 이 결과가 무엇을 의미하는지는 사람이 직접 해석해야 합니다.
2. 정확도가 보장되지 않는다
지도 학습처럼 정답이 있는 것이 아니기 때문에, 모델이 찾아낸 패턴이 의미 있는지 검증하기 어렵습니다.
3. 데이터에 따라 성능이 다르다
패턴이 명확한 데이터에서는 좋은 결과를 내지만, 데이터가 너무 복잡하거나 구조가 없으면 성능이 떨어질 수 있습니다.
이러한 한계를 극복하기 위해, AI가 데이터 속 패턴을 찾는 것을 넘어 직접 행동하고 보상을 받으며 학습하는 방법도 존재합니다.
이를 강화 학습이라고 하며, AI가 시행착오를 거치며 최적의 전략을 찾아가는 방식입니다.
다음 수업에서는 강화 학습이 어떻게 진행되는지에 대해 알아보겠습니다.
다음 내용이 궁금하다면?
코드프렌즈 PLUS 멤버십 가입 or 강의를 등록해 주세요!