파이토치로 배우는 LLM & AI

36

1

부

모델 구축

1.3

프로그래밍에서 학습으로

전통적인 프로그래밍을 나타낸 그림 (그림

1

-

8

)을 다시 살펴보죠. 이 그림에는 데이터에 대해

작동하며 정답을 제공한다는 규칙이 있습니다. 활동 감지 예제의 경우 데이터는 사람이 움직이

는 속도였습니다. 이를 통해 걷기, 달리기, 자전거 타기와 같은 활동을 감지하는 규칙을 작성했

습니다. 하지만 골프 예제에서는 활동을 판단할 수 있는 규칙을 만들 수 없어 한계에 봉착했습

니다.

규칙

정답

데이터

전통적인 프로그래밍

그림

1-8

전통적인 프로그래밍

하지만 이 그림에서 기준을 뒤집으면 어떻게 될까요? 규칙을 만드는 대신 데이터와 정답을 제

공하고 규칙이 무엇인지 찾아내는 방법이 있다면 어떨까요?

[그림

1

-

9

]에 이런 방식을 나타냈습니다. 이를 머신러닝을 정의하는 고수준의 개념도로 생각

할 수 있습니다.

정답

규칙

데이터

머신러닝

그림

1-9

기준을 뒤집은 머신러닝

이 그림이 의미하는 바는 무엇일까요? 이제 규칙을 직접 찾지 않습니다. 대신 상황에 맞는 많

은 데이터를 준비하고 이 데이터에 레이블

label

을 부여합니다. 그럼 컴퓨터가 어떤 데이터는 이

레이블에 일치하고 다른 데이터는 저 레이블에 일치하도록 하는 규칙을 찾습니다.

그렇다면 활동 감지 예제에는 어떻게 적용될까요? 여러 센서를 사용해 한 사람에 대한 데이터

를 모을 수 있습니다. ...