머신러닝(Machine Learning, ML)의 역사 - 머신러닝이 기존 프로그래밍과 근본적으로 다른 이유 : 『케라스 창시자에게 배우는 딥러닝』

 

 

 

# 시작하기 앞서

https://jjh020729.tistory.com/45

인공지능(Artificial Intelligence, AI)이란 - AI의 구조, 인공지능, 심볼릭 AI의 개념 및 한계 정리

 

 

---

 

# 머신러닝의 철학적 출발점

💡 "컴퓨터는 원래 어떤 존재로 생각되었을까?"

 

이를 이해해야

• 왜 머신러닝이 "전환점"이었는지
• 왜 '학습'이 그렇게 중요해졌는지

를 제대로 이해할 수 있을 것이다.

 

---

 

# 에이다 러브레이스(Ada Lovelace)의 해석 기관의 관계

 

이미지 출처: 아래 참고바람

 

영국의 수학자이자 작가인 에이다 러브레이스(Augusta Ada King, Countess of Lovelace, 1815–1852)는

세계 최초의 컴퓨터 프로그래머로 널리 알려져 있다.

 

러브레이스는 영국의 수학자이자 발명가인 찰스 배비지(Charles Babbage, 1791–1871)가

설계한 해석 기관(Analytical Engine)에 대해 글을 남긴 인물이다.

 

특히 그녀는 이 기계가 수행할 수 있는 계산 과정을 단계적으로 서술하며,

기계가 단순한 계산 도구를 넘어선 가능성을 지닌다는 점을 설명하였다.

 

다만 여기서 짚고 넘어가야 할 중요한 점이 있다.

해석 기관은 오늘날 우리가 사용하는 의미의 ‘컴퓨터’로 만들어진 장치가 아니라는 점이다.

 

1830~1840년대에는 ‘범용 컴퓨터’라는 개념 자체가 아직 정립되지 않았다.

 

당시 해석 기관의 목적은 매우 분명했다.

복잡한 수학 계산을 인간 대신 자동으로 수행하는 기계를 만드는 것이었다.

이러한 목적이 그대로 반영되어,

이름 역시 수학적 분석과 계산을 수행하는 장치라는 의미의 ‘해석 기관(Analytical Engine)’으로 붙여졌다.

 

우리가 흔히 알고 있는 컴퓨터와는 출발점이 다르다.

이러한 점에서 해석 기관은 현대의 컴퓨터와 출발점이 다르다.

 

오늘날의 컴퓨터가 다양한 작업을 수행하는 범용 장치를 지향한다면,

해석 기관은 수학 계산의 자동화라는 한정된 문제를 해결하기 위해 고안된 기계였다.

 

러브레이스의 글은 바로 이 기계적 계산 장치가 지닌 구조와 가능성을 이론적으로 해석하고 설명했다는 점에서 중요한 의미를 가진다.

 

---

 

# 해석기관은 어떤 기계의 연장선이었을까 ?

 

공부한 책에서는 파스칼 계산기(Pascaline)와 라이프니츠 계산기(Leibniz)를 언급하였다.

 

이 기계들의 공통점은

• 모두 기어(톱니바퀴)로 계산을 수행한다.
• 숫자를 물리적인 구조로 표현한다.
• '생각'이 아니라 계산만 한다.

여기에서 19세기에 만들어진  파스칼 계산기(Pascaline)은

• 덧셈, 뺄셈, 곱셈, 나눗셈이 가능했다.
• 그러나 판단·학습·이해는 전혀 없다.

해석 기관도 기본 철학은 같다.

다만, 훨씬 더 복잡한 계산을 하도록 설계되었을 뿐이다.

 

---

 

# 에이다 러브레이스(Ada Lovelace)의 주장  : 러브레이스의 반론(Lady Lovelace's objection)

 

해석 기관은 스스로 새로운 아이디어를 만들어내는 기계는 아니다.

하지만 사람이 어떤 일을 어떤 순서로 해야 하는지 정확히 알고 있다면,
그 절차를 그대로 따라 매우 복잡한 일도 대신 수행할 수 있다.

즉,
이 기계는 인간이 이미 알고 있는 지식과 방법을
더 빠르고 효율적으로 활용하도록 도와주는 도구이다.

 

 

* 위 인용문은 『케라스 창시자에게 배우는 딥러닝』에 제시된 문장을 참고하여,

원문의 의미를 훼손하지 않는 범위에서 비전공자 관점에 맞게 재구성한 문장입니다.

 

---

 

# 튜링은 왜 '러브레이스의 반론'을 다시 꺼냈을까 ?

 

 

AI 선구자인 앨런 튜링은 1950년에 발표한 논문 Computing Machinery and Intelligence 에서

에이다 러브레이스의 말을 '러브레이스의 반론(Lady Lovelace's objection)'이라는 이름으로 인용하였다.

 

그가 던진 질문은 아래와 같다.

"기계는 정말로 인간이 완전히 이해하고 명령한 일만 할 수 있을까?"

 

러브레이스는 '기계는 새로운 것을 고안하지 못한다(독창성 X)'고 보았고

튜링은 여기에 아래와 같이 맞섰다.

 

그렇다면
기계가 인간과 구분되지 않는 방식으로 행동한다면
그것을 지능이 없다고 말할 수 있을까?

 

* 위 인용문은 『케라스 창시자에게 배우는 딥러닝』에 제시된 문장을 참고하여,

원문의 의미를 훼손하지 않는 범위에서 비전공자 관점에 맞게 재구성한 문장입니다.

 

 

이 질문에서 나온 것이 바로 "튜링 테스트(Turing test)"이다.

이미지 출처: 연합뉴스

즉, 튜링은

• 기계가 어떻게 생각하는지 보다
• 기계가 무엇을 할 수 있을지 를 보자고 제안하는 것이다.

 

---

 

# 전통적인 컴퓨터는 어떻게 '일을' 했을까 ?

튜링 이후의 이야기로 넘어가기 전,

먼저 기존 컴퓨터의 방식에 대해 다시 정리해보자.

 

# 전통적인 방식 (프로그래밍)

컴퓨터가 유용한 작업을 하게 만드는 일반적인 방법은
사람이 규칙을 직접 작성하는 것이다.

 

쉽게 설명하면

1. 사람이 문제를 완전히 이해하고,
2. 그 해결 과정을 단계별 규칙으로 만든다.
3. 이후 컴퓨터는 그 규칙을 그대로 실행한다.

이 방식은 에이다 러브레이스가 해석기관에 단계별 명령을 적어준 방식과 같다.

이 구조에서 규칙은 언제나 인간의 몫이다.

 

---

 

# 여기서 머신러닝은 완전히 다른 길을 선택한다.

이제 가장 중요한 부분으로 더 깊이 들어가보자.

 

머신러닝은 전통적인 방식과 반대로
입력 데이터와 이에 상응하는 해답을 보고 규칙을 찾는다.

 

쉽게 말해

• 전통적인 프로그래밍
  • 입력 데이터 + 사람이 만든 규칙 → 결과
• 머신러닝
  • 입력 데이터 + 정답 → 컴퓨터가 규칙을 생성

 

즉, 규칙을 만드는 주체가 바뀐다 (사람 → 컴퓨터) !!

 

그래서 머신러닝 시스템은 

• 프로그램된다 ( ❌ )
• 훈련(training) 된다 ( ⭕ )

 

---

 

# '훈련'이란

훈련이란 표현은 비유가 아니라 정확한 기술적 의미가 있다.

 

✔ 머신러닝에서 훈련이란

• 어떤 작업과 관련된 많은 예시 데이터를 제공하고
• 컴퓨터가 그 안에서 통계적 패턴을 찾게 하는 과정이다.

예를 들어,

• 입력: 사진
• 정답: 사람이 붙인 태그
• 컴퓨터의 역할:
  • "이런 픽셀 조합이면 '바다'라는 태그가 붙을 확률이 높다."를 데이터에서 스스로 찾아낸다.

이미지 출처: 구글 검색('바다')

 

여기서 중요한 점은

• 컴퓨터는 '바다'를 이해하지 않는다.
• 다만 확률적으로 가장 잘 맞는 규칙을 만든다.

 

---

 

# 머신러닝은 왜 1990년대 이후에 급성장했을까?

✔ 세 가지 조건이 동시에 갖춰져야 했다.

 

1️⃣ 데이터

2️⃣ 하드웨어

3️⃣ 환경

 

그래서 머신러닝은 AI 분야에서 가장 실용적이고 성공적인 방법이 되었다.

 

---

 

# 이번 포스팅 정리

초기 컴퓨터는 사람이 이해한 규칙을 그대로 실행하는 기계였지만,

머신러닝은 많은 예시 데이터를 통해 사람이 직접 설명하지 못하는 규칙까지

컴퓨터가 스스로 만들어내도록 하는 방식이다.

 

이 접근법은 이론보다 경험과 기술 환경의 발전에 크게 의존하며,

그 결과 오늘날 AI의 가장 성공적인 방법이 되었다.

 

---

 

# 이번 포스팅 요약

머신러닝은
"사람이 규칙을 가르치는 방식" 에서
"데이터로 규칙을 배우게 하는 방식" 으로의 전환이다.

 

 

---

# 참고자료

이번 포스팅에서는 아래 사이트를 참고하여 정리하였습니다.

저작권이나 기타 문제가 있을 경우 알려주시면, 즉시 검토하고 수정하겠습니다.

 

https://product.kyobobook.co.kr/detail/S000061584677

케라스 창시자에게 배우는 딥러닝 | 프랑소와 숄레 - 교보문고

 

# 이미지 출처

By Antoine Claudet - File:Ada Byron daguerreotype by Antoine Claudet 1843 or 1850.jpg, 자작, 퍼블릭 도메인, https://commons.wikimedia.org/w/index.php?curid=82757509

 

By 미상 - http://images.google.com/hosted/life/l?q=Charles+Babbage&prev=/search%3Fq%3DCharles%2BBabbage%26um%3D1%26hl%3Den%26sa%3DX%26biw%3D1680%26bih%3D916%26tbs%3Disz:l%26tbm%3Disch&imgurl=19fc9fba4ea4a1cb, 퍼블릭 도메인, https://commons.wikimedia.org/w/index.php?curid=15392737

 

By 찰스 배비지 - Upload by Mrjohncummings 2013-08-28 15:10, CC BY-SA 2.0, https://commons.wikimedia.org/w/index.php?curid=28024313

 

By Rama, CC BY-SA 3.0 fr, https://commons.wikimedia.org/w/index.php?curid=53246694

 

By Unknown author - Oeuvres de Blaise Pascal, Chez Detune, La Haye, Public Domain, https://commons.wikimedia.org/w/index.php?curid=11910414

 

By User:Kolossos - recorded by me in de:Technische Sammlungen der Stadt Dresden (with photo permission), CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=925505

 

By Unknown photographer - https://i0.wp.com/universityarchives.princeton.edu/wp-content/uploads/sites/41/2014/11/Turing_Card_1.jpg?ssl=1, 퍼블릭 도메인, https://commons.wikimedia.org/w/index.php?curid=153100442

 

https://www.yna.co.kr/view/AKR20140609029700091

<'인공지능 판별기준' 튜링 테스트란> | 연합뉴스