머신러닝이 할 수 있는 일과, 할 수 없는 일

“강의에서 배운 내용을 정리해 공유합니다. 실전으로 활용하시기 바랍니다.”

---

AI의 현실적인 능력과 한계를 이해하고, 이를 바탕으로 성공 가능성이 높은 AI 프로젝트를 선택하는 방법에 대해 설명합니다.

 

1. AI에 대한 과장된 기대와 현실

• 많은 사람들이 미디어와 학계의 성공 사례만 보고 AI가 모든 것을 할 수 있다고 오해합니다.
• 하지만 AI는 만능이 아니며, 현재 기술로는 불가능한 일들이 분명히 존재합니다.
• 프로젝트 시작 전, 기술적으로 실현 가능한지(A입력 -> B출력) 신중하게 검토하는 것이 중요합니다.

 

 

2. AI 프로젝트 성공을 위한 경험적 법칙

• "사람이 1초 내외의 짧은 생각으로 할 수 있는 일"은 지도 학습(Supervised Learning)을 통해 자동화될 가능성이 매우 높습니다.

→ 예시: 스팸 메일 필터링, 음성 인식, 다른 차량 위치 파악, 스마트폰 흠집 찾기 등.

 

 

3. AI가 하기 어려운 작업의 예: 주식 예측

• 과거 주가 데이터만으로 미래 주가를 정확히 예측하는 것은 AI로도 거의 불가능합니다.

→ 이유: 미래 주가는 본질적으로 무작위성이 너무 커서 과거 데이터만으로는 예측할 수 없기 때문입니다.

• 웹 트래픽과 같은 다른 데이터를 추가하면 예측력이 다소 향상될 수는 있지만, 시장의 근본적인 무작위성을 극복하기는 어렵습니다.

 

4. 성공적인 머신러닝 프로젝트의 조건

1. 단순한 개념 학습: AI가 학습해야 할 개념이 복잡하지 않고 명확해야 합니다. (예: 자동차 이미지 인식)
2. 많은 데이터 확보: 입력(A)과 정답(B)이 모두 포함된 양질의 데이터가 많을수록 성공 확률이 높아집니다. (예: '흠집 있음/없음'으로 라벨링된 수천 장의 휴대폰 사진)

 

 

결론

• AI는 산업을 변화시키는 강력한 기술이지만 마법은 아닙니다. 
• AI가 할 수 있는 것과 없는 것을 명확히 이해하고 
• 인간적 직관력을 키워야만 실현 가능하고 가치 있는 프로젝트를 선택할 수 있습니다.

---

※본 요약은 ‘공정 이용(fair use)’사용 목적으로, 모든 내용은 Stanford University 의 Coursera강의 ‘모두를 위한 AI’를 수강하며 작성한 요약이며, 직접적인 강의 내용 복사, 슬라이드 캡쳐등은 저작권에 의하여 엄격히 보호됩니다. - 앤드류 응(Andrew Ng)의 강의 by Coursera Plus - "Learning Notes and Summaries by Digitalian”