AI 학습 지도 — 오리엔테이션: 세부 이론 전에 전체 그림부터
1. 왜 이걸 배우는가
2022년 말 ChatGPT가 등장한 이후, AI는 더 이상 연구실의 이야기가 아니라 매일 쓰는 도구가 되었습니다. 회사에서는 “우리 서비스에 AI를 붙이자”, “사내 문서 Q&A 봇을 만들자” 같은 이야기가 일상적으로 오갑니다.
그런데 이런 대화에서 흔히 이런 일이 벌어집니다.
- “RAG를 쓰면 환각이 없어지나요?” — 반은 맞고 반은 틀린 질문입니다.
- “GPT-5는 파라미터가 더 많으니까 무조건 낫겠죠?” — 파라미터가 뭔지 모르면 판단할 수 없습니다.
- “모델한테 우리 회사 규정을 학습시켜 주세요.” — ‘학습’이라는 단어가 여기서 세 가지 다른 뜻으로 쓰일 수 있습니다.
이 커리큘럼의 목표는 단순합니다. 수학을 중학교 과정까지 잊어버린 사람도, 이 문서 묶음만 읽으면 학부 AI 전공자 수준의 ‘개념 이해’에 도달하는 것입니다. 수식을 유도하는 능력이 아니라, 위와 같은 대화에서 무엇이 맞고 무엇이 틀렸는지 스스로 판단하는 능력을 기릅니다.
이 모듈 00은 여행 전에 지도를 펴는 시간입니다. 세부 지리는 몰라도, 어느 도시가 어디에 있고 어떤 길로 이어지는지를 먼저 봅니다.
한 줄 요약: 이 커리큘럼은 수식 유도가 아니라 “AI 대화에서 스스로 판단할 수 있는 개념 이해”를 목표로 하며, 모듈 00은 그 전체 지도를 보여 줍니다.
2. 비유로 먼저 — 처음 가 보는 대도시 여행
AI 공부는 처음 가 보는 거대한 도시를 여행하는 것과 비슷합니다.
- 나쁜 여행: 공항에 내리자마자 골목(수식)부터 헤맵니다. 지금 내가 도시의 어디에 있는지 모르니 금방 지칩니다.
- 좋은 여행: 먼저 전망대에 올라 도시 전체를 내려다봅니다. “강이 도시를 가르고, 북쪽이 구시가지, 남쪽이 신시가지구나.” 그다음 구역을 하나씩 걷습니다.
이 모듈이 바로 그 전망대입니다. 여기서 보는 것은 세 가지입니다.
- 지형 — AI, 머신러닝, 딥러닝, LLM이라는 용어들이 어떻게 포개져 있는지
- 물류의 흐름 — 요즘 AI 제품이 데이터에서 출발해 어떤 공정을 거쳐 여러분 손에 오는지
- 도시의 역사 — 이 도시가 어떻게 두 번 몰락했다가 지금처럼 번성했는지
전망대에서는 간판 글씨까지 읽을 필요가 없습니다. 이 모듈에서 “대충 이런 거구나” 정도로 넘어간 것들은 이후 모듈 01~36이 하나씩 확대해서 보여 줍니다.
한 줄 요약: 골목(세부 이론)에 들어가기 전에 전망대(전체 그림)부터 — 그것이 이 모듈의 역할입니다.
3. 용어 지형도: AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ LLM
뉴스에서는 AI, 머신러닝, 딥러닝, LLM이 거의 같은 말처럼 쓰이지만, 사실 이들은 러시아 인형(마트료시카)처럼 포개진 관계입니다.
각 층의 의미
| 용어 | 한 줄 정의 | 대표 예시 | 주로 다루는 모듈 |
|---|---|---|---|
| 인공지능(AI) | 사람의 지적 활동을 흉내 내는 모든 기술 | 규칙 기반 체스 프로그램, 내비게이션 경로 탐색 | 이 모듈 |
| 머신러닝(Machine Learning) | 규칙을 사람이 짜지 않고 데이터에서 스스로 찾게 하는 방법 | 스팸 필터, 상품 추천 | 모듈 02 |
| 딥러닝(Deep Learning) | 인공 신경망(neural network)을 깊게 쌓은 머신러닝 | 얼굴 인식, 음성 인식 | 모듈 03 |
| 거대 언어 모델(LLM, Large Language Model) | 방대한 텍스트로 사전학습한 초대형 딥러닝 모델 | ChatGPT, Claude | 모듈 04~10 |
| Diffusion 모델 | 노이즈에서 이미지를 복원하는 방식의 딥러닝 모델 | Stable Diffusion, Midjourney | 모듈 16 |
핵심 포인트는 이것입니다.
- AI라고 다 머신러닝은 아닙니다. 1980년대 전문가 시스템은 사람이 손으로 짠 수천 개의 if-then 규칙 덩어리였습니다. 학습이 없어도 AI입니다.
- 머신러닝이라고 다 딥러닝은 아닙니다. 결정 트리(decision tree), 선형 회귀(linear regression) 같은 고전 기법은 신경망 없이도 데이터에서 배웁니다(→ 모듈 02).
- ChatGPT는 이 인형의 가장 안쪽에 있습니다. ChatGPT를 이해하려면 바깥 인형(머신러닝, 딥러닝)부터 이해해야 하고, 그래서 이 커리큘럼이 모듈 02→03→…의 순서로 짜여 있습니다.
전통 프로그래밍 vs 머신러닝 — 가장 중요한 한 가지 차이
이 커리큘럼 전체를 관통하는 단 하나의 개념 전환이 있다면 이것입니다.
| 전통 프로그래밍 | 머신러닝 | |
|---|---|---|
| 사람이 주는 것 | 규칙 + 입력 | 입력 + 정답 사례(데이터) |
| 컴퓨터가 내놓는 것 | 출력 | 규칙(모델) |
| 예: 스팸 필터 | ”무료라는 단어가 있으면 스팸” 규칙을 개발자가 직접 작성 | 스팸/정상 메일 10만 통을 보여 주면 판별 기준을 스스로 찾음 |
| 규칙이 바뀌면 | 개발자가 코드 수정 | 새 데이터로 다시 학습 |
미니 예시로 감을 잡아 봅시다. 메일 3통이 있습니다.
| 메일 | ”무료” 포함? | 느낌표 개수 | 정답 |
|---|---|---|---|
| A | 예 | 3개 | 스팸 |
| B | 예 | 0개 | 스팸 |
| C | 아니오 | 0개 | 정상 |
전통 방식이라면 개발자가 “무료가 있으면 스팸”이라고 코드를 짭니다. 머신러닝 방식은 이 표(데이터)만 주고 “규칙을 네가 찾아라”라고 합니다. 컴퓨터는 “‘무료’ 포함 여부가 정답과 딱 맞아떨어지는구나”라는 패턴을 스스로 발견합니다. 데이터가 3건이라 우스워 보이지만, 이걸 10만 건, 특징 수천 개로 키운 것이 실제 스팸 필터이고, 수조 단어로 키운 것이 LLM입니다. 정확히 어떻게 “스스로 발견”하는지가 모듈 02의 주제입니다.
한 줄 요약: AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ LLM의 포함 관계이며, 머신러닝의 본질은 “규칙을 사람이 아니라 데이터가 만든다”입니다.
4. 요즘 AI의 큰 그림: 데이터 → 사전학습 → 정렬 → 제품
ChatGPT 같은 제품은 하루아침에 만들어지지 않습니다. 크게 4단계의 공정을 거치며, 이 커리큘럼의 후반부 모듈들이 각 공정을 하나씩 담당합니다.
각 단계를 요리에 비유하면 이렇습니다.
- 데이터 수집 = 장보기. 웹 문서, 책, 코드 등 수조 개 단어 분량의 텍스트를 모읍니다. 재료가 나쁘면 요리도 나쁩니다.
- 사전학습(pretraining) = 기본기 수련. 모은 텍스트로 “다음 단어 맞히기”라는 단순한 문제를 수천억 번 풀게 합니다. 이 단순 반복만으로 문법, 상식, 추론의 재료가 모델 안에 쌓입니다(→ 모듈 07). 이 단계가 끝난 모델은 요리 지식은 많지만 손님 응대는 못 하는 주방 보조와 같습니다.
- 정렬(alignment) = 손님 응대 교육. “질문에는 답변으로 응하라”, “위험한 요청은 거절하라” 같은 태도를 가르칩니다. 사람의 선호를 반영하는 RLHF 같은 기법이 여기 들어갑니다(→ 모듈 08).
- 제품 계층 = 매장 운영. 완성된 모델을 감싸서 실제 서비스를 만듭니다. 회사 문서를 찾아 근거로 답하게 하는 RAG(→ 모듈 13), 계산기나 API를 대신 호출하게 하는 Tool Calling(→ 모듈 14), 여러 단계를 스스로 계획·실행하는 Agent(→ 모듈 15)가 모두 이 층의 이야기입니다.
각 공정이 이 커리큘럼의 어느 모듈과 이어지는지 흐름으로 보면 다음과 같습니다.
flowchart LR
A[데이터 수집] --> B["사전학습 (모듈 07)"]
B --> C["정렬 (모듈 08)"]
C --> D[완성된 모델]
D --> E["효율화·서빙 (모듈 10)"]
E --> F["제품 계층 (모듈 11~15)"]
F --> G[사용자]
한 가지 공정을 더 언급하자면, 완성된 모델과 제품 계층 사이에는 효율화·추론(inference) 공정이 있습니다. 수천억 개 다이얼을 가진 모델을 그대로 돌리면 너무 느리고 비싸기 때문에, 살을 빼고(양자화) 계산을 재활용하는(캐싱) 기술이 들어갑니다(→ 모듈 10). 여러분이 쓰는 API 가격과 응답 속도가 이 공정에서 결정됩니다.
여기서 실무에 바로 도움이 되는 통찰 하나: 여러분 회사가 “사내 문서 Q&A 봇”을 만든다면, 손대는 곳은 거의 항상 4단계(제품 계층)입니다. 13단계는 수백억 원대 비용이 드는 영역이라 OpenAI, Anthropic, Google 같은 회사가 담당하고, 대부분의 기업은 완성된 모델을 빌려 와 제품 계층을 설계합니다. 그래서 이 커리큘럼도 원리(모듈 0110)와 제품(모듈 11~15)을 모두 다룹니다.
한 줄 요약: 요즘 AI는 “데이터 → 사전학습 → 정렬 → 제품”의 4단계 공정으로 만들어지며, 대부분의 실무는 마지막 제품 계층에서 벌어집니다.
5. 질문 하나의 여정: ChatGPT 내부에서 일어나는 일
이제 완성된 제품에 질문 하나를 던져 봅시다. 내부에서는 대략 이런 일이 벌어집니다. (지금은 각 단계의 이름만 눈에 익히면 됩니다. 상세한 원리는 표시된 모듈에서 다룹니다.)
sequenceDiagram
participant U as 사용자
participant T as 토크나이저
participant M as 모델 본체
participant D as 디코딩
U->>T: "고양이는 어디서 자?" 입력
T->>M: 텍스트를 토큰 번호열로 변환 (모듈 04)
M->>M: attention으로 문맥 파악 (모듈 05~06)
M->>D: "다음 토큰" 확률 분포 출력
D->>D: 확률에서 토큰 1개 선택 (모듈 09)
D->>U: 선택된 토큰을 화면에 출력
Note over T,D: 이 과정을 토큰 하나마다 반복
단계별로 풀어 보면 다음과 같습니다.
- 토큰화(tokenization). 모델은 글자를 직접 읽지 못합니다. 문장을 토큰(token)이라는 조각으로 자르고 각 조각을 번호로 바꿉니다. 예컨대 “고양이가 소파에서 잔다”는
[고양이, 가, 소파, 에서, 잔다]처럼 조각날 수 있습니다(→ 모듈 04). - 임베딩(embedding). 각 토큰 번호를 숫자 목록(벡터)으로 바꿉니다. 이 숫자들이 단어의 “의미 좌표” 역할을 합니다(→ 모듈 04).
- Transformer 본체 통과. 수십 개의 층(layer)을 지나며, 각 층에서 attention이라는 장치가 “이 단어를 이해하려면 문장의 어느 단어를 참고해야 하는가”를 계산합니다(→ 모듈 05~06).
- 확률 분포 출력. 모델의 최종 출력은 문장이 아니라 “다음 토큰이 무엇일지에 대한 확률표” 입니다.
- 디코딩(decoding). 그 확률표에서 토큰 하나를 뽑습니다. 가장 확률 높은 것만 뽑을 수도, 약간의 무작위성을 섞을 수도 있습니다(→ 모듈 09).
- 반복. 뽑힌 토큰을 입력 끝에 붙이고 1~5를 다시 합니다. 답변이 한 글자씩 흘러나오듯 표시되는 이유가 바로 이것입니다 — 실제로 토큰 단위로 하나씩 생성되고 있기 때문입니다.
미니 예시: 입력이 “고양이가 소파에서”까지 왔다면, 모델의 출력은 이런 확률표입니다.
| 다음 토큰 후보 | 확률 |
|---|---|
| 잔다 | 0.62 |
| 뒹군다 | 0.15 |
| 운다 | 0.08 |
| 떨어졌다 | 0.05 |
| (그 외 수만 개) | 0.10 |
여기서 “잔다”가 뽑히면 문장은 “고양이가 소파에서 잔다”가 되고, 모델은 다시 그다음 토큰(예: 마침표)의 확률표를 냅니다. ChatGPT의 정체는 결국 “다음 토큰 확률 계산기 + 뽑기 기계”의 반복입니다. 이 단순한 정체에서 어떻게 그토록 그럴듯한 능력이 나오는지가 모듈 04~09에 걸친 미스터리 해결 과정입니다.
한 줄 요약: 질문 하나는 “토큰화 → 임베딩 → attention → 확률표 → 토큰 뽑기”의 반복으로 처리되며, 각 단계를 이후 모듈들이 하나씩 담당합니다.
6. AI 70년사: 두 번의 겨울과 한 번의 폭발
“AI는 갑자기 튀어나온 기술”이 아닙니다. 1950년부터 이어진 70년짜리 드라마이며, 지금이 몇 번째 시즌인지 알면 뉴스가 다르게 읽힙니다.
| 시기 | 사건 | 왜 중요한가 |
|---|---|---|
| 1950 | 튜링, “기계가 생각할 수 있는가” 논문 | 대화로 지능을 판별하자는 튜링 테스트 제안. AI라는 질문의 시작 |
| 1956 | 다트머스 회의 | ”인공지능(Artificial Intelligence)“이라는 이름이 탄생 |
| 1958 | 퍼셉트론(perceptron) | 최초의 인공 뉴런. 오늘날 신경망의 조상(→ 모듈 03) |
| 1970~80년대 | 두 차례의 AI 겨울 | 과장된 기대 → 성과 부진 → 투자 실종. 퍼셉트론의 한계 증명이 방아쇠 |
| 2012 | AlexNet | 딥러닝이 이미지 인식 대회를 압도적 격차로 우승. 딥러닝 부활의 신호탄 |
| 2017 | Transformer 논문 | 현대 LLM 전부의 공통 설계도가 등장(→ 모듈 06) |
| 2020 | GPT-3 | 모델을 키우기만 해도 새로운 능력이 나타난다는 것을 실증(→ 모듈 07) |
| 2022 | ChatGPT | RLHF로 길들인 모델(→ 모듈 08)이 대중의 손에. 출시 2개월 만에 사용자 1억 명 |
| 현재 | 멀티모달·Agent | 텍스트를 넘어 이미지·음성을 다루고(→ 모듈 16), 도구를 쥐고 행동하는 AI(→ 모듈 15) |
두 번의 겨울 이야기
연대표의 “AI 겨울”을 조금만 더 들여다봅시다. 지금의 열기를 냉정하게 보는 데 도움이 됩니다.
첫 번째 겨울(1970년대). 1958년 퍼셉트론이 나오자 언론과 군은 “생각하는 기계가 눈앞”이라며 돈을 쏟아부었습니다. 그러나 1969년, 당대 최고 학자들이 “퍼셉트론 한 층으로는 아주 단순한 문제(두 조건이 서로 다를 때만 참, XOR)조차 못 푼다”는 것을 수학적으로 증명해 버립니다. 층을 여러 개 쌓으면 되지만, 당시엔 여러 층을 훈련시키는 방법도 컴퓨터 성능도 없었습니다. 자금이 끊기고 연구자들이 분야를 떠났습니다.
두 번째 겨울(1980년대 말~1990년대). 이번엔 사람이 규칙을 손으로 넣는 전문가 시스템(expert system)이 유행했습니다. 초기 성과는 좋았지만, 규칙이 수만 개로 불어나자 유지보수가 불가능해지고 예외 상황마다 무너졌습니다. “규칙을 사람이 다 쓸 수는 없다”는 교훈을 남기고 다시 투자가 얼어붙었습니다. 이 교훈이 바로 “규칙을 데이터에서 찾게 하자”는 머신러닝(→ 모듈 02)이 주류가 된 배경입니다.
두 겨울을 녹인 것이 2012년 AlexNet입니다. 이미지넷(ImageNet)이라는 대회에서 “사진 속 물체 맞히기” 오답률을 경쟁자들이 1~2%p 다툴 때 딥러닝 팀이 단숨에 10%p 가까이 낮춰 버렸고, 학계와 산업계 전체가 방향을 틀었습니다.
역사에서 꼭 챙길 교훈은 두 가지입니다.
첫째, AI 겨울은 “기술이 틀려서”가 아니라 “기대가 너무 앞서서” 왔습니다. 1958년 퍼셉트론이 나왔을 때 언론은 “곧 걷고 말하는 기계가 나온다”고 썼습니다. 60년 뒤에야 이뤄질 일이었죠. 아이디어(신경망)는 옳았지만 컴퓨터 성능과 데이터가 턱없이 부족했습니다.
둘째, 2012년 이후의 폭발은 세 가지 재료가 동시에 갖춰진 결과입니다. ① 인터넷이 쌓은 방대한 데이터, ② 게임용 그래픽 카드(GPU)가 제공한 값싼 대량 계산 능력, ③ 수십 년간 다듬어진 알고리즘. 셋 중 하나만 빠져도 지금의 AI는 없습니다.
한 줄 요약: AI는 70년간 기대와 겨울을 오간 끝에, 데이터·GPU·알고리즘 세 박자가 맞은 2012년 이후 폭발했고 2017년 Transformer가 현재의 판을 깔았습니다.
7. 학습 지도: 37개 모듈이 이어지는 길
이 커리큘럼은 두 겹입니다.
- 핵심 트랙(00~18): LLM이 어떻게 만들어지고, 길들여지고, 제품으로 조립되고, 운영되는지를 하나의 이야기로 관통합니다.
- 넓이 보충 트랙(19~36): LLM 중심 시야에서 빠지기 쉬운 고전 AI, 전통 ML, 비전, 음성, 로보틱스, MLOps, 보안, 거버넌스, 도메인 AI를 보강합니다.
먼저 핵심 트랙의 원리 흐름입니다.
flowchart TD
M00[00 오리엔테이션] --> M01[01 최소 수학]
M01 --> M02[02 머신러닝 기초]
M02 --> M03[03 신경망]
M03 --> M04[04 토큰과 임베딩]
M04 --> M05[05 시퀀스 모델과 attention]
M05 --> M06[06 Transformer 완전 해부]
M06 --> M07[07 LLM 만들기]
M07 --> M08["08 모델 길들이기 RLHF"]
M08 --> M09[09 생성의 원리]
M09 --> M10[10 효율화와 추론]
원리 트랙은 벽돌을 쌓듯 진행됩니다. 벡터라는 최소한의 수학(01)이 있어야 머신러닝(02)이 보이고, 머신러닝이 있어야 신경망(03)이 보이고, 그렇게 한 층씩 올라가 모듈 06에서 Transformer라는 정상에 도달한 뒤, 07~10에서 그것을 LLM으로 키우고 길들이고 굴리는 법을 봅니다.
이어서 제품 트랙입니다.
flowchart TD
M10[10 효율화와 추론] --> M11[11 AI 제품 아키텍처]
M11 --> M12[12 벡터 검색]
M12 --> M13[13 RAG]
M13 --> M14[14 Tool calling]
M14 --> M15[15 Agent]
M11 --> M16[16 Diffusion과 멀티모달]
M15 --> M17[17 평가와 운영]
M16 --> M17
M17 --> M18[18 Coding Agent Harness]
제품 트랙은 “완성된 모델로 무엇을 만들 것인가”의 이야기입니다. 제품 전체 구조(11)를 보고, 검색 인프라(12)를 깔고, 그 위에 RAG(13) → Tool calling(14) → Agent(15)로 능력을 확장한 뒤, 이미지 생성과 멀티모달(16)을 곁들이고, “만든 것이 잘 작동하는지 어떻게 아는가”(17)를 배웁니다. 모듈 18은 그 연장선에서 코딩 에이전트 하네스를 직접 설계하는 피날레 실습입니다.
마지막으로 넓이 보충 트랙입니다.
flowchart TD
M19[19 Classical AI Problem Solving] --> M20[20 Knowledge Representation]
M20 --> M21[21 Probabilistic Reasoning and Causality]
M21 --> M22[22 Planning and Reinforcement Learning]
M22 --> M23[23 Classical Machine Learning Zoo]
M23 --> M24[24 Data-Centric AI]
M24 --> M25[25 NLP Beyond LLMs]
M25 --> M26[26 Computer Vision]
M26 --> M27[27 Speech and Audio AI]
M27 --> M28[28 Recommender Search Ranking]
M28 --> M29[29 Robotics and Embodied AI]
M29 --> M30[30 ML Systems and MLOps]
M30 --> M31[31 Scalable AI Infrastructure]
M31 --> M32[32 AI Security Privacy Safety]
M32 --> M33[33 Responsible AI Governance]
M33 --> M34[34 Human-Centered AI]
M34 --> M35[35 AI by Domain]
M35 --> M36[36 Research Literacy]
여기서 중요한 점은 번호 순서가 “유일한 학문적 선수과목 순서”라는 뜻은 아니라는 것입니다. 0018은 LLM 시스템을 빠르게 이해하기 위한 기본 루트이고, 1936은 그 뒤에 AI 분야의 폭을 보강하는 루트입니다. 학문적 넓이를 먼저 잡고 싶다면 0003 이후에 1924를 먼저 읽고, 그다음 0418과 2536으로 가도 됩니다.
예상 학습 시간
| 구간 | 모듈 | 모듈당 예상 시간 | 비고 |
|---|---|---|---|
| 워밍업 | 00 | 2~2.5시간 | 이 모듈 |
| 원리 트랙 | 01~10 | 4~6시간 | 01(최소 수학)은 이후 전부의 토대이므로 서두르지 말 것 |
| 제품 트랙 | 11~18 | 3~6시간 | 실무와 직결. 18은 코딩 에이전트 하네스 피날레 |
| 넓이 보충 | 19~36 | 2~4시간 | 분야 지도를 넓히는 압축 모듈 |
0018만 주 2모듈 페이스로 가면 약 23개월 과정입니다. 1936까지 포함하면 약 45개월을 잡는 편이 현실적입니다. 순서를 건너뛰고 싶은 유혹(예: “RAG만 빨리 보고 싶다”)이 들 수 있지만, 원리 트랙 없이 제품 트랙만 읽으면 “동작은 따라 하는데 왜 그런지는 모르는” 상태가 됩니다. 급하다면 최소한 01~04는 거치고 가기를 권합니다.
상황별 추천 코스
| 코스 | 경로 | 이런 분께 |
|---|---|---|
| 핵심 정석 코스 | 00 → 18 전부 순서대로 | LLM 시스템과 제품 구조를 탄탄하게 잡고 싶은 분 |
| 전체 넓이 코스 | 00 → 36 전부 순서대로 | LLM 이후 AI 분야 전체 지도를 넓히고 싶은 분 |
| 학문적 넓이 우선 코스 | 00 → 01 → 02 → 03 → 19 → 20 → 21 → 23 → 24 → 22 → 04 | 고전 AI와 전통 ML의 위치를 먼저 잡고 싶은 분 |
| 실무 속성 코스 | 00 → 01 → 02 → 04 → 11 → 12 → 13 → 14 → 15 → 17 → 18 | 당장 “사내 문서 Q&A 봇”이나 코딩 에이전트류 제품을 설계해야 하는 분 |
| 원리 집중 코스 | 00 → 01 ~ 10 | ”Transformer가 도대체 뭔지”가 궁금해서 온 분 |
속성 코스를 택하더라도, 여유가 생기면 건너뛴 모듈(특히 03, 05, 06)로 돌아오세요. attention을 모른 채 RAG를 만드는 것과 알고 만드는 것은 컨텍스트 설계의 질이 다릅니다.
한 줄 요약: 0110에서 원리의 벽돌을 쌓고, 1118에서 LLM 제품을 짓고, 19~36에서 AI 전체 분야의 넓이를 보강하는 구조입니다.
8. 공부하는 방법: 각 모듈을 이렇게 도세요
각 모듈은 하나의 완결된 Markdown 본문입니다. 권장 학습 루프는 다음과 같습니다.
flowchart LR
A[README에서 핵심 질문 확인] --> B[본문 정독]
B --> C[핵심 요약만 보고 스스로 설명]
C --> D{막히는 개념이 적은가}
D -->|예| E[다음 모듈로]
D -->|아니오| F[막힌 섹션만 재독]
F --> C
구체적인 팁입니다.
- README의 핵심 질문을 먼저 읽으세요. “이 질문들에 답하게 되는 것”이 모듈의 목표입니다. 본문을 읽다가 길을 잃으면 핵심 질문으로 돌아오세요.
- 핵심 요약을 자기 말로 다시 말하세요. 문제집이 없어도 인출 연습은 가능합니다. 요약 표의 각 줄을 보고 “이게 무슨 뜻이지?”를 소리 내어 설명해 보세요.
- 손계산 미니 예시는 직접 따라 하세요. 본문 곳곳에 숫자 2~3개짜리 작은 예시가 나옵니다. 눈으로만 읽으면 5분 뒤 증발하지만, 종이에 한 번 따라 쓰면 남습니다.
- 비유는 출발점이지 종착점이 아닙니다. 모든 비유는 어딘가에서 부정확해집니다. 본문에서 “이 비유가 깨지는 지점”을 언급하면 그 부분을 특히 주의 깊게 보세요.
- 막히면 일단 전진도 괜찮습니다. 뒤 모듈을 읽다가 앞 개념이 갑자기 이해되는 일이 자주 일어납니다. 한 섹션에서 30분 이상 막히면 표시만 해 두고 넘어가세요.
한 줄 요약: “핵심 질문 확인 → 본문 정독 → 핵심 요약을 자기 말로 설명 → 막힌 섹션 재독”의 루프로 도세요.
9. 용어 오해 바로잡기: “학습한다”, “안다”, “파라미터”
AI 대화에서 가장 많은 혼란을 일으키는 세 가지 표현을 미리 짚습니다. 여기서는 맛보기이고, 정확한 이해는 모듈 02~03에서 완성됩니다.
”AI가 학습한다” — 공부가 아니라 다이얼 조정입니다
사람의 학습을 떠올리면 안 됩니다. 기계의 ‘학습(training)‘은 다음 루프의 반복입니다.
flowchart TD
A[문제를 낸다 - 다음 단어는?] --> B[모델이 답을 찍는다]
B --> C[정답과 비교해 틀린 정도를 잰다]
C --> D[틀림이 줄어드는 방향으로 파라미터를 아주 조금 조정]
D --> A
라디오 주파수 다이얼을 돌리며 잡음이 줄어드는 쪽을 찾는 것과 같습니다. 다른 점은 다이얼이 2~3개가 아니라 수천억 개이고, 조정을 수천억 번 반복한다는 것뿐입니다. “틀린 정도를 잰다”가 손실 함수(loss function), “줄어드는 방향으로 조정한다”가 경사 하강법(gradient descent)이라는 이름으로 모듈 02에서 등장합니다.
또 하나 중요한 사실: 여러분이 ChatGPT와 대화할 때 모델은 학습하지 않습니다. 다이얼은 훈련 공정에서 이미 고정되었고, 대화 중에는 읽기 전용으로 계산만 합니다. 어제 알려 준 내용을 오늘 새 대화에서 기억하지 못하는 이유입니다. (대화 내용을 다음 훈련의 재료로 쓸 수는 있지만, 그것은 별도의 공정입니다.)
”모델이 안다” — 데이터베이스가 아니라 패턴 뭉치입니다
모델 안에는 문장이나 문서가 저장되어 있지 않습니다. 검색해서 꺼내 오는 데이터베이스가 아니라, 훈련 텍스트에서 증류된 통계적 패턴의 뭉치입니다. “프랑스의 수도는 파리”라고 답하는 것은 그 문장이 어딘가 저장되어 있어서가 아니라, “프랑스의 수도는” 다음에 “파리”가 올 확률이 압도적으로 높도록 다이얼들이 맞춰져 있기 때문입니다.
이 사실에서 두 가지 실무적 결론이 나옵니다.
- 패턴이 약한 영역(희귀한 사실, 훈련 이후의 사건)에서는 그럴듯하지만 틀린 문장을 태연히 만들어 냅니다. 이것이 환각(hallucination)이며, 결함이라기보다 “확률적 문장 생성기”라는 본질의 자연스러운 부작용입니다.
- 그래서 최신·사내 정보가 필요하면 모델 밖에서 문서를 찾아 건네주는 RAG(→ 모듈 13) 같은 제품 계층 설계가 필요합니다. “사내 문서 Q&A 봇”이 단순히 모델만으로 안 되는 이유입니다.
”파라미터 1,750억 개” — 다이얼의 개수입니다
파라미터(parameter)는 위에서 말한 조정 가능한 다이얼 하나하나입니다. 실체는 숫자 하나(예: 0.0231)이고, “GPT-3는 파라미터 1,750억 개”라는 말은 이런 숫자가 1,750억 개 있다는 뜻입니다. 뉴런 2개짜리 미니 신경망이라면 파라미터는 대략 “입력에 곱하는 수 2개 + 기본값 2개 = 4개” 수준입니다. 그 구조가 모듈 03에서 손계산으로 등장합니다.
파라미터가 많을수록 담을 수 있는 패턴이 많아 대체로 능력이 오르지만, 비례해서 좋아지는 것은 아닙니다. 데이터의 양과 질, 훈련 방법이 함께 맞아야 하고(→ 모듈 07), 요즘은 작은 모델이 더 좋은 데이터와 기법으로 큰 모델을 이기는 사례도 흔합니다. “파라미터 수 = 성능 등급”으로 읽는 습관은 오늘 버리세요.
덤: “회사 규정을 학습시켜 주세요”의 세 가지 해석
1절에서 예고한 문장을 이제 분해할 수 있습니다. 실무에서 이 요청은 보통 셋 중 하나를 뜻하며, 비용과 난이도가 하늘과 땅 차이입니다.
| 해석 | 실제 작업 | 비유 | 다루는 모듈 |
|---|---|---|---|
| 프롬프트에 넣기 | 대화 입력에 규정 전문을 함께 넣어 줌 | 시험장에 오픈북 반입 | 모듈 11 |
| RAG | 질문과 관련된 규정 조각만 검색해서 넣어 줌 | 필요한 페이지만 찾아 주는 사서 | 모듈 12~13 |
| 파인튜닝(fine-tuning) | 회사 데이터로 다이얼을 실제로 추가 조정 | 직원을 다시 연수원에 보냄 | 모듈 08 |
대부분의 “학습시켜 주세요”는 첫 번째나 두 번째로 충분하며, 진짜 훈련(세 번째)이 필요한 경우는 생각보다 드뭅니다. 이 구분만 명확히 해도 회의 시간이 절반으로 줄어듭니다.
| 흔한 표현 | 연상되는 오해 | 실제 의미 |
|---|---|---|
| ”AI가 학습한다” | 사람처럼 이해하며 공부한다 | 틀림이 줄어드는 방향으로 수천억 개 다이얼을 반복 조정한다 |
| ”모델이 안다” | 사실이 데이터베이스처럼 저장돼 있다 | 다음 토큰 확률 패턴으로 압축돼 있다 (그래서 환각이 생긴다) |
| “파라미터 N개” | 클수록 무조건 똑똑하다 | 조정 가능한 숫자가 N개라는 뜻. 데이터·기법이 함께 중요 |
한 줄 요약: 학습은 다이얼 조정, 지식은 확률 패턴, 파라미터는 다이얼 개수 — 세 표현 모두 사람의 인지와는 다른 기계적 실체를 가리킵니다.
10. 흔한 오해
오해 1: “ChatGPT는 인터넷을 실시간으로 검색해서 답한다.” 기본적으로 아닙니다. 답변은 훈련 시점까지의 데이터에서 형성된 패턴으로 생성됩니다. 웹 검색이 되는 것처럼 보이는 제품은 모델 밖의 검색 도구를 붙인 것(→ 모듈 14 Tool calling)이며, 이는 모델 자체의 능력이 아니라 제품 계층의 설계입니다.
오해 2: “AI가 스스로 발전하고 있다.” 현재의 모델은 배포된 뒤 스스로 변하지 않습니다. 성능이 좋아졌다면 회사가 새 버전을 훈련해 교체한 것입니다. “어제보다 답이 좋아졌다”고 느꼈다면 버전 교체, 프롬프트 차이, 또는 우연(확률적 생성)입니다.
오해 3: “환각은 버그라서 곧 완전히 고쳐질 것이다.” 환각은 코드 오류가 아니라 “확률로 다음 토큰을 뽑는다”는 작동 원리의 그림자입니다. RAG(→ 모듈 13)나 평가 체계(→ 모듈 17)로 크게 줄일 수는 있지만, 원리가 바뀌지 않는 한 0이 되기는 어렵습니다. 그래서 “줄이는 설계”가 실무의 핵심 기술이 됩니다.
오해 4: “AI가 ‘죄송합니다’라고 하니 미안함을 느끼는 것이다.” 그 문장 역시 “이 상황에서 확률 높은 다음 토큰”일 뿐입니다. 감정 어휘의 출력과 감정의 존재는 별개입니다. 모델이 정중한 이유는 정렬 단계(→ 모듈 08)에서 그런 응답이 선호되도록 조정되었기 때문입니다.
오해 5: “딥러닝이 나오면서 옛날 머신러닝은 쓸모없어졌다.” 아닙니다. 표 형태 데이터(대출 심사, 이탈 예측 등)에서는 지금도 결정 트리 계열이 딥러닝을 이기는 일이 흔하며, 빠르고 싸고 설명하기 쉽습니다(→ 모듈 02). 문제에 맞는 도구를 고르는 눈이 이 커리큘럼의 목표 중 하나입니다.
한 줄 요약: 실시간 검색·자가 발전·감정은 없고, 환각은 원리의 그림자이며, 고전 머신러닝은 여전히 현역입니다.
11. 전체 그림에서 이 모듈의 위치
- 이전 모듈: 없습니다. 여기가 출발점입니다.
- 이 모듈: 전망대에서 지형(용어 관계), 공정(파이프라인), 역사(연대표), 여행 계획(학습 지도)을 봤습니다.
- 다음 모듈 (→ 모듈 01 최소 수학): 이제 첫 번째 골목으로 내려갑니다. 벡터, 행렬, 확률, 함수 — 이후 모든 모듈에서 쓸 최소한의 수학 도구를 “계산 훈련 없이 개념만” 장착합니다. 이 모듈에서 맛본 임베딩(숫자 목록), 확률표, 다이얼 조정 같은 개념이 모두 모듈 01의 언어로 다시 등장합니다.
이 모듈에서 이름만 스친 개념들의 본편 예고입니다.
| 이 모듈에서 스친 개념 | 본편 |
|---|---|
| 토큰, 임베딩 | 모듈 04 |
| attention | 모듈 05~06 |
| 다음 단어 맞히기 훈련 | 모듈 07 |
| RLHF, 정렬 | 모듈 08 |
| 확률표에서 토큰 뽑기 | 모듈 09 |
| RAG, Tool calling, Agent | 모듈 13~15 |
한 줄 요약: 모듈 00은 전체 여행의 전망대였고, 다음 정거장은 모든 모듈의 공용어인 최소 수학(모듈 01)입니다.
12. 핵심 요약
- 이 커리큘럼의 목표: 수학을 잊은 사람도 학부 AI 전공 수준의 개념 이해에 도달하기.
- 용어 관계: AI ⊃ 머신러닝 ⊃ 딥러닝 ⊃ (LLM, Diffusion). ChatGPT는 가장 안쪽.
- 머신러닝의 본질: 규칙을 사람이 짜지 않고 데이터에서 컴퓨터가 찾게 한다.
- 요즘 AI의 공정: 데이터 → 사전학습 → 정렬 → 제품(RAG/Tool/Agent). 실무 대부분은 제품 계층.
- ChatGPT의 정체: “다음 토큰 확률 계산 + 뽑기”를 토큰마다 반복하는 기계.
- 역사: 두 번의 AI 겨울 후, 데이터·GPU·알고리즘 삼박자로 2012년 부활, 2017년 Transformer가 현재의 판.
- 학습(training) = 틀림을 줄이는 방향의 다이얼(파라미터) 반복 조정. 대화 중에는 학습하지 않음.
- 모델의 지식 = 저장된 문서가 아니라 확률 패턴. 환각은 이 본질의 부작용.
- 학습법: 핵심 질문 확인 → 본문 정독 → 핵심 요약을 자기 말로 설명 → 막힌 섹션 재독. 모듈당 2~6시간.
- 경로: 원리 트랙(01
10)으로 벽돌을 쌓고, 제품 트랙(1118)으로 건물을 짓고, 보충 트랙(19~36)으로 AI 전체 지도를 넓힌다.
13. 더 깊이 가고 싶다면 (선택 사항)
아래 자료는 읽지 않아도 커리큘럼 진행에 전혀 지장이 없습니다. 본문이 자기완결적이도록 썼습니다.
- Alan Turing, “Computing Machinery and Intelligence” (1950) — 튜링 테스트의 원전. 철학 에세이에 가까워 수식 없이 읽힙니다.
- Vaswani et al., “Attention Is All You Need” (2017) — Transformer 원 논문. 지금 읽기보다는 모듈 06을 마친 뒤 “아는 내용 확인용”으로 권합니다.
- Andrej Karpathy의 “Intro to Large Language Models” 강연 영상 — 이 모듈의 5절(질문 하나의 여정)을 1시간짜리 영상으로 확장한 느낌의 입문 강연입니다.
자주 묻는 질문
AI를 배우려면 수학을 잘해야 하나요?
수식을 유도하는 능력은 필요 없습니다. 개념을 판단할 수준의 직관이면 충분하며, 이 커리큘럼은 그 직관을 목표로 합니다.
AI·머신러닝·딥러닝·LLM은 어떻게 다른가요?
AI가 가장 넓고, 그 안에 머신러닝, 그 안에 딥러닝, 그 일부로 LLM이 포개진 포함 관계입니다.
AI 공부는 어디서부터 시작해야 하나요?
세부 이론보다 전체 지형(용어 관계·제품 공정·역사)을 먼저 잡고 들어가는 것이 효율적입니다.