기계 학습 (Machine Learning)

분야	[[인공지능]], [[컴퓨터 과학]]
최초 제안	1959년 ([[아서 새뮤얼]])
주요 기법	[[지도 학습]], [[비지도 학습]], [[강화 학습]]
핵심 언어	[[파이썬 (프로그래밍 언어)\|Python]], [[R (프로그래밍 언어)\|R]], [[줄리아 (프로그래밍 언어)\|Julia]]
대표 프레임워크	[[텐서플로]], [[파이토치]], [[사이킷런]]
관련 분야	[[데이터 과학]], [[통계학]], [[딥러닝]]
주요 응용	[[자연어 처리]], [[컴퓨터 비전]], [[추천 시스템]]
상위 개념	[[인공지능]]

'''기계 학습'''(機械學習, {{lang|en|Machine Learning}})은 [[인공지능]]의 한 분야로, 컴퓨터가 명시적으로 프로그래밍되지 않아도 데이터로부터 스스로 학습하고 개선하는 능력을 갖추도록 하는 [[알고리즘]]과 [[통계학|통계적]] 모델의 연구 및 개발을 의미한다. 기계 학습은 패턴 인식, 예측 분석, 의사 결정 등 다양한 과제에서 인간 수준 또는 그 이상의 성능을 달성하는 것을 목표로 하며, 오늘날 [[검색 엔진]], [[자율주행차]], [[의료 영상 분석]], [[금융]] 등 거의 모든 산업 분야에 적용되고 있다. == 개요 == 기계 학습은 컴퓨터 시스템이 경험(데이터)으로부터 자동으로 학습하여 특정 과제의 수행 능력을 향상시키는 기술이다. 전통적인 [[소프트웨어 공학]]에서는 개발자가 모든 규칙과 로직을 명시적으로 코드에 작성하지만, 기계 학습에서는 시스템이 대량의 데이터를 분석하여 스스로 규칙과 패턴을 도출한다. [[카네기 멜런 대학교]]의 [[톰 미첼]]은 1997년 기계 학습을 다음과 같이 정의하였다. ''"컴퓨터 프로그램이 특정 과제 T에 대해 경험 E로부터 학습한다고 말할 수 있는 것은, 성능 측정 기준 P로 측정한 T에 대한 성능이 경험 E에 의해 개선될 때이다."'' 기계 학습은 크게 [[지도 학습]], [[비지도 학습]], [[강화 학습]]의 세 가지 주요 패러다임으로 구분되며, 이 외에도 [[준지도 학습]], [[자기지도 학습]], [[전이 학습]] 등 다양한 변형이 존재한다. 2010년대 이후 [[딥러닝]]의 비약적 발전과 함께 기계 학습은 학술 연구를 넘어 산업 전반에 걸쳐 광범위하게 활용되고 있으며, [[빅데이터]]와 [[클라우드 컴퓨팅]]의 발전이 이를 가속화하였다. == 역사 == === 초기 개념과 태동 (1940~1960년대) === 기계 학습의 역사적 기원은 [[인공지능]]의 태동기와 궤를 같이한다. 1943년 [[워런 매컬러]]와 [[월터 피츠]]가 최초의 수학적 [[인공 뉴런]] 모델을 제안하였으며, 이는 이후 [[인공 신경망]]의 이론적 토대가 되었다. 1950년 [[앨런 튜링]]은 논문 ''"Computing Machinery and Intelligence"''에서 기계의 학습 가능성에 대해 논의하며 [[튜링 테스트]]를 제안하였다. 1957년 [[프랭크 로젠블랫]]은 최초의 학습 가능한 [[인공 신경망]]인 '''[[퍼셉트론]]'''을 개발하였다. 퍼셉트론은 입력 데이터를 받아 가중치를 조정함으로써 [[이진 분류]] 문제를 해결할 수 있었으며, 이는 기계가 데이터로부터 학습할 수 있다는 가능성을 실증적으로 보여준 중요한 이정표였다. 1959년 [[아서 새뮤얼]]은 [[IBM]]에서 체커 게임 프로그램을 개발하면서 "기계 학습"이라는 용어를 최초로 사용하였다. 새뮤얼의 프로그램은 수천 번의 자기 대전(self-play)을 통해 점차 실력이 향상되었으며, 이는 기계가 경험으로부터 학습할 수 있음을 보여주는 획기적인 사례였다. === 첫 번째 겨울과 도전 (1970~1980년대) === 1969년 [[마빈 민스키]]와 [[시모어 패퍼트]]는 저서 '''Perceptrons'''에서 단층 퍼셉트론이 [[XOR 문제]]와 같은 비선형적으로 분리 불가능한 문제를 해결할 수 없다는 한계를 수학적으로 증명하였다. 이 연구는 [[인공 신경망]] 연구에 대한 회의론을 확산시켰으며, 이후 약 10년간 신경망 연구의 침체기인 이른바 '''[[AI 겨울]]'''이 도래하였다. 그러나 이 시기에도 다른 접근 방식의 기계 학습 연구는 계속되었다. [[결정 트리]], [[최근접 이웃 알고리즘]], [[베이즈 분류기]] 등의 알고리즘이 발전하였으며, 1980년대에는 [[역전파|오류 역전파 알고리즘]]의 재발견으로 다층 [[인공 신경망]]의 훈련이 가능해졌다. 1986년 [[데이비드 루멜하트]], [[제프리 힌턴]], [[로널드 윌리엄스]]가 역전파 알고리즘을 체계적으로 정리한 논문을 발표하면서 신경망 연구가 다시 활기를 띠기 시작하였다. === 통계적 학습의 부흥 (1990~2000년대) === 1990년대에는 기계 학습이 [[통계학]]과 더욱 밀접하게 결합되었다. [[블라디미르 바프닉]]이 개발한 '''[[서포트 벡터 머신]]'''(SVM)은 견고한 이론적 기반 위에 뛰어난 분류 성능을 보여주며 큰 주목을 받았다. 같은 시기 [[랜덤 포레스트]], [[부스팅 (기계 학습)|부스팅]], [[앙상블 학습]] 등의 기법이 개발되었다. 1997년 [[IBM]]의 '''[[딥 블루 (체스 컴퓨터)|딥 블루]]'''가 세계 체스 챔피언 [[가리 카스파로프]]를 이기면서 인공지능에 대한 대중의 관심이 크게 높아졌다. 비록 딥 블루 자체는 주로 탐색 기반 시스템이었으나, 이 사건은 기계가 복잡한 인지적 과제에서 인간에 필적할 수 있다는 인식을 확산시켰다. 2000년대에는 [[인터넷]]의 폭발적 성장으로 대규모 데이터셋이 확보 가능해졌고, [[커널 방법]], [[그래프 모델]], [[확률적 프로그래밍]] 등 다양한 기법이 발전하였다. [넷플릭스 프라이즈]와 같은 공개 경진대회는 기계 학습 알고리즘의 발전을 촉진하는 데 기여하였다. === 딥러닝 혁명 (2010년대~현재) === 2012년 [[제프리 힌턴]]의 연구팀이 개발한 [[합성곱 신경망]] '''[[알렉스넷]]'''(AlexNet)이 [[ImageNet]] 대규모 시각 인식 챌린지(ILSVRC)에서 기존 방법 대비 압도적인 성능 차이로 우승하면서 '''[[딥러닝]]''' 시대가 본격적으로 개막하였다. 이 사건은 [[GPU]] 기반 병렬 연산의 효과를 입증하였고, 이후 딥러닝 연구의 폭발적 성장을 이끌었다. 2014년 [[이언 굿펠로]]가 '''[[생성적 적대 신경망]]'''(GAN)을 제안하였으며, 이는 이미지 생성, 스타일 변환 등 생성 모델 분야에 혁신을 가져왔다. 2016년 [[구글 딥마인드]]의 '''[[알파고]]'''가 세계 바둑 챔피언 [[이세돌]]을 4대 1로 이기면서 [[강화 학습]]과 [[딥러닝]]의 결합이 얼마나 강력한지를 전 세계에 보여주었다. 2017년 [[구글]] 연구팀이 발표한 논문 ''"Attention Is All You Need"''에서 '''[[트랜스포머 (기계 학습 모델)|트랜스포머]]''' 아키텍처가 소개되었으며, 이는 [[자연어 처리]] 분야를 근본적으로 변화시켰다. 트랜스포머를 기반으로 [[BERT]], [[GPT]] 시리즈 등의 '''[[대규모 언어 모델]]'''(LLM)이 개발되었고, 2022년 [[OpenAI]]의 '''[[ChatGPT]]''' 출시는 기계 학습을 일반 대중에게 널리 알리는 계기가 되었다. == 주요 학습 패러다임 == === 지도 학습 === '''[[지도 학습]]'''(Supervised Learning)은 입력 데이터와 그에 대응하는 정답(레이블)이 쌍으로 주어진 훈련 데이터로부터 입력과 출력 사이의 매핑 함수를 학습하는 방법이다. 대표적인 과제로는 [[분류 (기계 학습)|분류]]와 [[회귀 분석|회귀]]가 있다. '''분류'''(Classification): 입력 데이터를 미리 정의된 범주 중 하나로 할당하는 과제이다. [[이메일]] [[스팸 필터링]], [[이미지 인식]], [[질병 진단]] 등에 활용된다. '''회귀'''(Regression): 연속적인 수치 값을 예측하는 과제이다. [[주가 예측]], [[기온 예측]], [[부동산]] 가격 추정 등에 사용된다. 주요 알고리즘으로는 [[선형 회귀]], [[로지스틱 회귀]], [[서포트 벡터 머신]], [[결정 트리]], [[랜덤 포레스트]], [[k-최근접 이웃 알고리즘]], [[인공 신경망]] 등이 있다. === 비지도 학습 === '''[[비지도 학습]]'''(Unsupervised Learning)은 레이블이 없는 데이터에서 숨겨진 구조, 패턴, 또는 분포를 발견하는 방법이다. 정답이 주어지지 않으므로 알고리즘 스스로 데이터의 내재적 특성을 파악해야 한다. '''군집화'''(Clustering): 유사한 데이터 포인트를 그룹으로 묶는 과제이다. [[고객 세분화]], [[문서 분류]], [[유전자 발현]] 분석 등에 활용된다. 대표 알고리즘으로 [[K-평균 알고리즘]], [[DBSCAN]], [[계층적 군집화]] 등이 있다. '''차원 축소'''(Dimensionality Reduction): 고차원 데이터를 저차원으로 변환하면서 핵심 정보를 보존하는 기법이다. [주성분 분석], [[t-SNE]], [[오토인코더]] 등이 대표적이다. '''밀도 추정'''(Density Estimation): 데이터의 확률 분포를 추정하는 과제이다. [[이상 탐지]], [[생성 모델]] 등에 활용된다. === 강화 학습 === '''[[강화 학습]]'''(Reinforcement Learning)은 에이전트가 환경과의 상호작용을 통해 보상을 최대화하는 행동 전략(정책)을 학습하는 방법이다. 에이전트는 특정 상태에서 행동을 선택하고, 그 결과로 보상 또는 벌점을 받으며, 이를 통해 최적의 의사 결정 전략을 점진적으로 학습한다. 강화 학습은 [[게임 AI]]([[알파고]], [[OpenAI Five]]), [[로봇 제어]], [[자율주행차]], [[추천 시스템]], [[자원 관리]] 등에 활용된다. 대표적인 알고리즘으로 [[Q-러닝]], [[정책 경사법]], [근위 정책 최적화], [[배우-비평가 방법]] 등이 있다. === 기타 학습 패러다임 === '''[[준지도 학습]]'''(Semi-supervised Learning): 소량의 레이블 데이터와 대량의 비레이블 데이터를 함께 활용하는 방법이다. '''[[자기지도 학습]]'''(Self-supervised Learning): 데이터 자체에서 레이블을 자동으로 생성하여 학습하는 방법으로, [[BERT]]와 [[GPT]] 등의 [[대규모 언어 모델]]이 이 방식을 사용한다. '''[[전이 학습]]'''(Transfer Learning): 한 과제에서 학습한 지식을 다른 관련 과제에 적용하는 기법이다. 사전 학습된 모델을 [미세 조정]하여 새로운 과제에 적용하는 것이 일반적이다. '''[[연합 학습]]'''(Federated Learning): 데이터를 중앙 서버에 모으지 않고, 분산된 기기에서 로컬로 학습한 후 모델 업데이트만 공유하는 방법이다. 개인정보 보호에 유리하다. == 핵심 개념 == === 모델의 학습 과정 === 기계 학습 모델의 학습 과정은 일반적으로 다음 단계를 따른다. '''데이터 수집 및 전처리''': 원시 데이터를 수집하고, 결측값 처리, 정규화, 특성 추출 등의 전처리를 수행한다. '''모델 선택''': 과제의 특성에 맞는 알고리즘과 모델 구조를 선택한다. '''훈련''': 훈련 데이터를 사용하여 모델의 매개변수를 최적화한다. 일반적으로 [[손실 함수]]를 최소화하는 방향으로 [[경사 하강법]] 등의 최적화 알고리즘을 적용한다. '''검증 및 평가''': [[교차 검증]], [[혼동 행렬]], [[정밀도와 재현율]], [[ROC 곡선]] 등을 통해 모델의 성능을 평가한다. '''배포 및 모니터링''': 최종 모델을 실제 환경에 배포하고 성능을 지속적으로 모니터링한다. === 과적합과 일반화 === '''[[과적합]]'''(Overfitting)은 모델이 훈련 데이터에 지나치게 최적화되어 새로운 데이터에 대한 일반화 성능이 저하되는 현상이다. 반대로 '''[[과소적합]]'''(Underfitting)은 모델이 데이터의 패턴을 충분히 학습하지 못하는 상태를 말한다. 이 사이에서 적절한 균형을 찾는 것이 기계 학습의 핵심 과제 중 하나이며, 이를 '''[[편향-분산 트레이드오프]]'''라 한다. 과적합을 방지하기 위한 대표적인 기법으로는 [[정규화 (기계 학습)|정규화]](L1, L2), [[드롭아웃]], [[조기 종료]], [[데이터 증강]], [[교차 검증]] 등이 있다. === 특성 공학과 특성 선택 === '''[[특성 공학]]'''(Feature Engineering)은 원시 데이터에서 모델의 성능을 높이는 데 유용한 특성(feature)을 추출하거나 새롭게 생성하는 과정이다. 전통적인 기계 학습에서는 특성 공학이 모델 성능에 결정적인 영향을 미치는 경우가 많았으나, [[딥러닝]]의 발전으로 모델이 원시 데이터에서 직접 유용한 표현(representation)을 자동으로 학습하는 '''[[표현 학습]]'''이 부상하였다. == 주요 알고리즘과 모델 == === 전통적 기계 학습 알고리즘 === '''[[선형 회귀]]''': 입력 변수와 출력 변수 사이의 선형 관계를 모델링하는 가장 기본적인 회귀 알고리즘이다. '''[[로지스틱 회귀]]''': 이름과 달리 분류 알고리즘으로, [[시그모이드 함수]]를 사용하여 이진 분류 문제를 해결한다. '''[[결정 트리]]''': 특성 값에 따라 데이터를 분할하는 트리 구조의 모델로, 해석이 용이하다는 장점이 있다. '''[[랜덤 포레스트]]''': 여러 개의 결정 트리를 앙상블하여 예측 성능과 안정성을 높이는 기법이다. '''[[서포트 벡터 머신]]''': 데이터 포인트 사이의 최대 마진 초평면을 찾는 분류 알고리즘으로, [[커널 트릭]]을 통해 비선형 분류도 가능하다. '''[[나이브 베이즈 분류기]]''': [[베이즈 정리]]에 기반한 확률적 분류기로, 텍스트 분류와 스팸 필터링에 널리 사용된다. '''[[그래디언트 부스팅]]''': [[XGBoost]], [[LightGBM]], [[CatBoost]] 등의 구현이 대표적이며, 정형 데이터에서 뛰어난 성능을 보인다. === 딥러닝 모델 === '''[[합성곱 신경망]]'''(CNN): [[이미지 인식]], [[객체 검출]], [[영상 분할]] 등 시각적 과제에 특화된 신경망 구조이다. '''[[순환 신경망]]'''(RNN): 순차적 데이터(시계열, 텍스트)를 처리하기 위한 신경망으로, [[LSTM]]과 [[GRU]] 등의 변형이 있다. '''[[트랜스포머 (기계 학습 모델)|트랜스포머]]''': [[어텐션 메커니즘]]에 기반한 모델로, [[자연어 처리]] 분야를 혁신하였으며 이후 [[컴퓨터 비전]] 등 다른 분야로도 확장되었다. '''[[생성적 적대 신경망]]'''(GAN): 생성자와 판별자가 경쟁적으로 학습하여 사실적인 데이터를 생성하는 모델이다. '''[[확산 모델]]'''(Diffusion Model): 노이즈로부터 점진적으로 데이터를 복원하는 생성 모델로, [[DALL-E]], [[스테이블 디퓨전]], [[미드저니]] 등에 활용된다. == 응용 분야 == === 자연어 처리 === '''[[자연어 처리]]'''(NLP)는 기계 학습의 가장 활발한 응용 분야 중 하나이다. [[기계 번역]], [[감성 분석]], [[문서 요약]], [[질문 응답 시스템]], [[챗봇]] 등에 활용된다. [[GPT-4]], [[Claude]], [[Gemini]] 등의 [[대규모 언어 모델]]은 인간과 유사한 텍스트를 생성하고 복잡한 언어적 과제를 수행할 수 있다. === 컴퓨터 비전 === '''[[컴퓨터 비전]]'''은 컴퓨터가 디지털 이미지나 비디오에서 의미 있는 정보를 추출하고 이해하는 분야이다. [[얼굴 인식]], [[자율주행차]]의 환경 인식, [[의료 영상 분석]], [[품질 검사]], [[증강 현실]] 등에 기계 학습이 광범위하게 적용된다. === 의료 및 생명과학 === 기계 학습은 [[질병 진단]], [[신약 개발]], [[유전체학]], [[단백질 구조 예측]] 등에서 혁신적 성과를 보이고 있다. [[구글 딥마인드]]의 '''[[알파폴드]]'''(AlphaFold)는 2020년에 [[단백질 접힘]] 문제를 사실상 해결하여 생명과학 분야에 큰 영향을 미쳤다. === 금융 === [[알고리즘 트레이딩]], [[신용 평가]], [[사기 탐지]], [[리스크 관리]] 등에 기계 학습이 활발히 활용되고 있다. 금융 분야에서는 모델의 해석 가능성과 규제 준수가 특히 중요한 요소로 고려된다. === 기타 응용 === '''[[추천 시스템]]''': [[넷플릭스]], [[유튜브]], [[아마존]] 등의 플랫폼에서 사용자 맞춤형 콘텐츠를 추천한다. '''[[자율주행]]''': 센서 데이터를 분석하여 차량의 주행 경로를 결정하고 장애물을 회피한다. '''[[로봇 공학]]''': 로봇의 운동 제어, 물체 조작, 환경 탐색 등에 활용된다. '''[[기후 과학]]''': 기후 변화 모델링, 기상 예측, 에너지 소비 최적화 등에 사용된다. '''[[사이버 보안]]''': [[침입 탐지]], [[악성코드]] 분류, 이상 행위 탐지 등에 적용된다. == 프레임워크와 도구 == 현대 기계 학습 연구 및 개발에는 다양한 오픈소스 프레임워크와 라이브러리가 사용된다. '''[[텐서플로]]'''(TensorFlow): [[구글]]이 개발한 오픈소스 기계 학습 프레임워크로, 2015년에 공개되었다. 대규모 분산 학습과 프로덕션 배포에 강점이 있다. '''[[파이토치]]'''(PyTorch): [[메타 (기업)|메타]]가 개발한 프레임워크로, 동적 계산 그래프와 직관적인 API로 연구 커뮤니티에서 높은 인기를 얻고 있다. '''[[사이킷런]]'''(Scikit-learn): [[파이썬 (프로그래밍 언어)|파이썬]] 기반의 전통적 기계 학습 라이브러리로, 분류, 회귀, 군집화 등 다양한 알고리즘을 제공한다. '''[[케라스]]'''(Keras): 사용자 친화적인 고수준 신경망 API로, 텐서플로의 공식 고수준 API로 통합되었다. '''[[허깅페이스]]'''(Hugging Face): [[자연어 처리]]를 중심으로 사전 학습된 모델과 데이터셋을 공유하는 플랫폼이자 라이브러리이다. '''[[JAX]]''': 구글이 개발한 고성능 수치 계산 라이브러리로, [[자동 미분]]과 [[JIT 컴파일]]을 지원한다. == 영향 및 의의 == 기계 학습은 21세기 기술 혁신의 핵심 동력 중 하나로, 사회 전반에 광범위한 영향을 미치고 있다. === 산업적 영향 === 기계 학습은 제조업의 [[예측 유지보수]], 소매업의 수요 예측, 의료의 진단 보조, 금융의 리스크 분석 등에서 생산성 향상과 비용 절감을 실현하고 있다. [[맥킨지]]는 2018년 보고서에서 인공지능이 2030년까지 전 세계 GDP에 약 13조 달러의 추가 가치를 창출할 수 있다고 전망하였다. === 과학적 기여 === 기계 학습은 과학 연구의 방법론을 변화시키고 있다. [[입자 물리학]]에서의 데이터 분석, [[천문학]]에서의 [[외계 행성]] 탐색, [[재료 과학]]에서의 신소재 발견, [[기후 과학]]에서의 모델링 등 다양한 분야에서 기계 학습이 핵심 도구로 자리 잡고 있다. === 사회적 변화 === 기계 학습은 일상생활에서 [[음성 인식]]([[시리 (소프트웨어)|시리]], [[알렉사]]), [[추천 시스템]], [[자동 번역]], [[내비게이션]] 등을 통해 사람들의 생활 방식을 변화시키고 있다. 또한 [[교육]] 분야에서 적응형 학습 시스템, [[접근성]] 분야에서 시각·청각 장애인을 위한 보조 기술 등에도 기여하고 있다. == 논란 및 비평 == === 편향과 공정성 === 기계 학습 모델은 훈련 데이터에 내재된 편향을 학습하고 증폭할 수 있다. 이는 [[채용]], [[대출]] 심사, [[형사 사법]] 시스템 등에서 인종, 성별, 연령 등에 따른 차별적 결과를 초래할 위험이 있다. 2018년 [[아마존]]이 개발한 AI 채용 도구가 여성 지원자에게 불리하게 작동하는 편향이 발견되어 폐기된 사례는 이러한 문제의 대표적 사례로 꼽힌다. '''[[알고리즘 공정성]]'''과 '''편향 완화'''에 대한 연구가 활발히 진행되고 있다. === 해석 가능성과 투명성 === [[딥러닝]] 모델은 높은 성능을 보이지만, 그 의사 결정 과정을 인간이 이해하기 어려운 '''[[블랙박스]]''' 특성을 가진다. 이는 의료, 법률, 금융 등 의사 결정의 근거가 중요한 분야에서 문제가 된다. '''[[설명 가능한 인공지능]]'''(XAI)은 이러한 문제를 해결하기 위한 연구 분야이다. === 개인정보 보호 === 기계 학습 모델의 학습에는 대량의 데이터가 필요하며, 이 과정에서 [[개인정보]] 침해 우려가 제기된다. [[유럽연합]]의 '''[[일반 데이터 보호 규정]]'''(GDPR)과 같은 규제는 개인 데이터의 수집과 활용에 제한을 두고 있다. [[차분 프라이버시]], [[연합 학습]] 등 개인정보를 보호하면서 학습하는 기술이 발전하고 있다. === 일자리 대체와 경제적 영향 === 기계 학습의 발전으로 인한 자동화는 특정 직군의 일자리를 대체할 수 있다는 우려가 존재한다. [[세계경제포럼]]은 2020년 보고서에서 2025년까지 약 8,500만 개의 일자리가 기계에 의해 대체될 수 있으나, 동시에 약 9,700만 개의 새로운 일자리가 창출될 것으로 전망하였다. 이러한 변화는 [[재교육]]과 [[평생 학습]]의 중요성을 부각시키고 있다. === 환경적 영향 === 대규모 기계 학습 모델의 훈련에는 막대한 [[전력]]이 소모된다. [[GPT-3]]의 훈련에는 약 1,287 MWh의 전력이 소모된 것으로 추정되며, 이는 상당한 탄소 배출을 수반한다. 효율적인 모델 설계, [[모델 압축]], '''[[그린 AI]]''' 등 에너지 효율을 고려한 연구가 주목받고 있다. === 안전성과 윤리 === 기계 학습 시스템의 안전성과 신뢰성에 대한 우려도 제기되고 있다. [[적대적 공격]](Adversarial Attack)을 통해 모델을 속이는 것이 가능하며, [[딥페이크]]와 같은 기술은 허위 정보 확산에 악용될 수 있다. '''[[AI 정렬]]'''(AI Alignment) 문제, 즉 AI 시스템의 목표를 인간의 가치와 의도에 일치시키는 것은 기계 학습 분야의 핵심 연구 과제 중 하나이다. == 현재 동향과 미래 전망 == 2020년대 중반 현재, 기계 학습 분야는 [[대규모 언어 모델]]의 급속한 발전, [[멀티모달 AI]]의 부상, [[에이전트 AI]]의 개발 등 빠른 변화를 겪고 있다. '''[[스케일링 법칙]]'''에 따라 모델의 크기, 데이터, 연산량을 확대하면 성능이 향상된다는 경험적 관찰이 대규모 모델 개발 경쟁을 촉진하고 있으나, 이에 대한 한계와 대안적 접근에 대한 논의도 활발하다. [인공일반지능]의 실현 가능성과 시기에 대해서는 전문가들 사이에서도 다양한 의견이 존재한다. 한편으로 각국 정부와 국제 기구는 AI 규제 프레임워크를 마련하기 위한 노력을 기울이고 있으며, [[유럽연합]]의 '''[[인공지능법]]'''(AI Act)은 위험 기반 규제 접근의 대표적 사례이다. == 관련 문서 == [[인공지능]] [[딥러닝]] [[자연어 처리]] [[컴퓨터 비전]] [[강화 학습]] [[인공 신경망]] [[데이터 과학]] [[빅데이터]] [[통계학]] [[패턴 인식]] [[대규모 언어 모델]] [[설명 가능한 인공지능]] [[AI 정렬]] == 외부 링크 == [https://www.coursera.org/learn/machine-learning Coursera - Machine Learning (앤드루 응)] [https://scikit-learn.org/ Scikit-learn 공식 사이트] [https://pytorch.org/ PyTorch 공식 사이트] [https://www.tensorflow.org/ TensorFlow 공식 사이트] [https://huggingface.co/ Hugging Face] [https://arxiv.org/list/cs.LG/recent arXiv - 기계 학습 최신 논문] [https://paperswithcode.com/ Papers with Code] [[분류:인공지능]] [[분류:기계 학습]] [[분류:컴퓨터 과학]] [[분류:데이터 과학]]