머신러닝

1.개요

머신러닝(기계학습)은 컴퓨터가 주어진 데이터에서 통계적 규칙과 패턴을 스스로 찾아내어, 사람이 일일이 규칙을 작성하지 않아도 새로운 입력에 대해 예측·분류·판단을 수행하도록 하는 알고리즘 및 기법의 총칭이다. 인공지능(AI)의 하위 분야이며, 1959년 아서 새뮤얼이 "명시적으로 프로그래밍하지 않고도 학습할 수 있는 능력을 컴퓨터에 부여하는 연구 분야"라고 정의한 것이 널리 인용된다.

전통적인 프로그래밍이 '규칙 + 데이터 → 결과'의 방식이라면, 머신러닝은 '데이터 + 결과(정답) → 규칙(모델)'을 도출하는 방식이라는 점에서 접근이 반대이다. 이렇게 학습으로 만들어진 산출물을 모델(model)이라 하며, 모델의 성능은 학습에 사용된 데이터의 양과 질에 크게 좌우된다.

2.학습 방식과 동작 원리

머신러닝은 학습 방식에 따라 크게 세 가지로 구분된다.

• 지도학습(Supervised Learning): 입력과 정답(레이블)이 짝지어진 데이터로 학습한다. 스팸 메일 분류, 주택 가격 예측 등이 대표적이다.
• 비지도학습(Unsupervised Learning): 정답 없이 데이터의 숨은 구조나 군집을 찾는다. 고객 세분화, 이상 탐지 등에 쓰인다.
• 강화학습(Reinforcement Learning): 에이전트가 환경과 상호작용하며 보상을 최대화하는 행동을 시행착오로 학습한다. 게임 인공지능이나 로봇 제어에 활용된다.

모델은 학습 데이터에 대한 예측 오차를 줄이는 방향으로 내부 파라미터(가중치)를 반복적으로 조정하며, 이 과정을 훈련(training)이라 한다. 신경망(Neural Network)을 여러 층으로 깊게 쌓아 복잡한 패턴을 학습하는 방식은 특히 딥러닝(Deep Learning)이라 부르며, 대규모 신경망을 훈련하려면 병렬 연산에 유리한 GPU 같은 고성능 연산 자원이 필요하다. 학습 데이터에만 지나치게 맞춰져 새로운 데이터에서 성능이 떨어지는 과적합(overfitting)을 피하는 것이 실무의 핵심 과제 중 하나이다.

3.활용 분야

머신러닝은 오늘날 폭넓게 쓰인다. 검색 엔진의 순위 결정, 이메일 스팸 필터, 상품·콘텐츠 추천, 음성 인식과 기계 번역, 얼굴 인식, 의료 영상 판독, 신용카드 이상거래 탐지, 자율주행차의 인지 등이 대표적이다. 근래에는 방대한 텍스트로 학습한 대규모 언어 모델(LLM)이 대화·요약·코드 작성 등에 활용되며, 이러한 최첨단 모델을 다루는 영역을 프런티어 AI라 부르기도 한다. 많은 머신러닝 기능은 API 형태로 제공되어 다른 소프트웨어에 손쉽게 통합된다.

4.블록체인·크립토와의 관계

머신러닝은 본래 블록체인과 무관한 컴퓨터 과학 분야이지만, 두 기술이 접점을 이루는 사례가 늘고 있다. 암호화폐 시장에서는 가격 예측, 온체인 데이터 분석, 이상거래 및 자금세탁 탐지, 디앱의 자동화된 의사결정 등에 머신러닝이 쓰인다. 한편 AI 모델 학습에 필요한 연산·데이터·저장 자원을 분산 네트워크로 조달하려는 디핀 프로젝트나, 학습 데이터·모델을 온체인에서 거래·검증하려는 시도도 등장하고 있다. 다만 이러한 결합은 아직 초기 단계이며, 머신러닝 자체의 가치는 크립토와 독립적으로 성립한다.