딥러닝
Deep Learning
딥러닝이란?
- 여러 층 신경망으로 특징 스스로 학습
- 머신러닝의 강력한 갈래
- 현대 AI 혁명의 엔진
딥러닝이 실제로 바꾼 것은 정확도 숫자가 아니라 프로젝트가 굴러가는 순서입니다. 예전에는 도메인 전문가가 '어떤 값을 봐야 불량인지'를 규칙으로 뽑아내는 데 기간의 절반 이상을 썼고, 그 규칙이 어긋나면 모델도 같이 어긋났습니다. 딥러닝에서는 그 자리를 데이터 수집과 라벨 품질 관리가 대신 차지합니다. 그래서 예산 항목도 자문료에서 GPU 사용료와 라벨링 인건비 쪽으로 옮겨가고, 현업 담당자에게 요구되는 역량 역시 '규칙을 말로 푸는 능력'에서 '쓸 만한 데이터를 모으고 기준을 정의하는 능력'으로 이동합니다.
모든 문제에 딥러닝이 답은 아닙니다. 이미지·음성·자연어처럼 특징을 말로 정의하기 어려운 비정형 데이터에서는 압도적이지만, 엑셀 형태의 표 데이터, 예컨대 고객 이탈 예측이나 신용 평가에서는 여전히 부스팅 계열 전통 머신러닝이 더 빠르고 정확한 경우가 많습니다. 데이터 규모도 조건입니다. 수백~수천 건을 놓고 층을 깊게 쌓으면 외우기(과적합)로 끝나기 때문에, 이럴 때는 대형 사전학습 모델을 가져와 자사 데이터로 조금만 조정하는 전이학습(파인튜닝)이 현실적인 선택입니다. 학습 비용은 한 번 크게 들지만 추론 비용은 매달 나간다는 점도 나눠서 봐야 합니다.
현장에서 가장 자주 깨지는 지점은 '딥러닝이니까 알아서 배운다'는 기대입니다. 라벨이 엉켜 있으면 모델은 그 엉킴까지 그대로 배우고, 불량률 2%인 데이터에서는 전부 '정상'이라고 찍어도 정확도 98%가 나옵니다. 더 흔한 사고는 PoC 환경과 현장 조건의 차이입니다. 시험실 조명과 카메라로 97%를 내던 검사 모델이 라인 조명 교체 한 번에 30%대로 주저앉는 일은 드물지 않습니다. 게다가 판단 근거를 문장으로 설명하지 못하므로, 여신 심사나 인사 평가처럼 설명 의무가 따르는 영역에서는 재학습 주기와 사람의 최종 확인 절차를 계약서에 미리 못 박아 두어야 뒷감당이 됩니다.
신경망 연구에 뿌리를 두며, 2006년 제프리 힌튼(Geoffrey Hinton) 등의 연구와 2010년대 GPU·빅데이터로 본격 도약했습니다.
가상의 사례로 살펴보겠습니다. 임직원 320명 규모의 자동차 부품 제조사 A사는 외관 검사를 검사원 12명이 3교대로 맡아 왔습니다. 검사원마다 판정 기준이 달라 같은 제품이 A조에서는 합격, B조에서는 불량으로 갈렸고, 고객사 유출 클레임이 월 4건씩 이어졌습니다. 6개월 일정으로 딥러닝 외관 검사 도입에 들어갔습니다.
- 품질팀 김 부장이 "우리가 기준을 못 대는데 AI라고 알겠냐"고 반문하자, 담당 임원이 판정이 엇갈린 제품부터 모으자고 정리해 3개월치 검사 이미지 4만 장을 확보했습니다.
- 숙련 검사원 3명이 2주간 불량 이미지 6,000장을 스크래치·찍힘·이물 3종으로 태깅했고, 세 사람 판정이 갈린 800장은 학습에서 빼고 별도 기준 회의 안건으로 돌렸습니다.
- AI 담당 박 과장은 처음부터 학습시키는 대신 공개 사전학습 모델을 자사 데이터로 파인튜닝해, GPU 2장으로 사흘 만에 PoC 정확도 96.8%를 확인했습니다.
- 현장 투입 첫 주에 미검출이 갑자기 늘었는데 원인은 라인 조명 교체였습니다. 박 과장이 바뀐 조명에서 5,000장을 다시 찍어 재학습했고, 월 1회 재학습을 운영 규칙으로 문서화했습니다.
- 6개월 뒤 유출 클레임은 월 4건에서 0.5건으로, 제품 1개당 검사 시간은 8초에서 2초로 줄었습니다. 검사원 12명 중 7명은 최종 판정과 설비 보전 업무로 재배치됐습니다.