머신러닝 · 딥러닝
Machine Learning / Deep Learning
머신러닝이란?
- 데이터로 규칙을 스스로 학습
- 딥러닝은 그중 강력한 갈래
- 규칙을 짜지 않고 배우게
도입 효과는 코드가 아니라 일의 순서에서 먼저 드러납니다. 규칙 기반 시스템에서는 예외가 생길 때마다 개발자가 조건문을 하나씩 덧붙였지만, 머신러닝에서는 틀린 사례를 모아 다시 학습시키는 쪽이 기본 대응이 됩니다. 그래서 프로젝트 공수의 상당 부분이 모델 자체가 아니라 데이터 수집·라벨링·검증에 들어가고, 현업이 '무엇이 정답인지'를 정의해 주지 못하면 아무리 좋은 알고리즘도 학습할 대상이 없습니다. AI 과제가 IT부서 일이 아니라 현업 일이 되는 이유가 여기 있습니다.
학습 방식은 크게 셋으로 나뉩니다. 정답 라벨을 붙여 가르치는 지도학습(불량 판정, 이탈 예측), 정답 없이 덩어리를 찾는 비지도학습(고객 군집화, 이상 탐지), 시행착오에 보상을 주는 강화학습(재고 배치, 경로 최적화)입니다. 딥러닝과 나머지를 가르는 기준은 특징을 누가 뽑느냐입니다. 전통 머신러닝은 '두께', '요일', '체류시간' 같은 변수를 사람이 설계해 넣지만, 딥러닝은 픽셀이나 문자 같은 원본에서 특징을 스스로 잡아냅니다. 대신 데이터와 연산이 많이 필요해서, 표 형태의 사내 데이터 수천 건 규모라면 딥러닝이 항상 유리하지는 않습니다. 이 구간에서는 결정트리 계열이 더 빠르고 설명하기도 쉽습니다.
현장에서 가장 자주 어긋나는 지점은 정확도 숫자입니다. 불량률 3%인 라인에서 모델이 전부 양품이라고만 답해도 정확도는 97%로 찍힙니다. 이 숫자만 보고 육안 검수를 줄였다가 클레임을 맞는 일이 실제로 벌어집니다. 검출률과 오탐률을 나눠서 보고받는 것이 안전합니다. 또 하나는 '한 번 만들면 끝'이라는 오해입니다. 원료·설비·고객 구성이 바뀌면 학습 당시 패턴과 어긋나 성능이 조용히 떨어지고(데이터 드리프트), 아무도 알아채지 못한 채 몇 달이 지나갑니다. 재학습 주기와 담당자를 운영 규칙에 미리 못 박아 두지 않으면 결국 책임자 없는 모델 하나만 남습니다.
'머신러닝'이라는 용어는 1959년 IBM의 아서 새뮤얼(Arthur Samuel)이 만든 것으로 알려져 있습니다. 딥러닝은 2010년대 초 데이터·연산력 증가와 함께 이미지·음성 인식에서 큰 성과를 내며 부상했습니다.
가상의 사례로 살펴보겠습니다. 임직원 260명, 연매출 약 480억 원의 자동차용 사출부품 제조사 A사입니다. 외관 검사를 검사원 9명이 육안으로 맡다 보니 야간조에서 불량 유출이 월 30건 안팎으로 반복됐고, 고객사 클레임이 분기 4건까지 올라왔습니다. 품질보증팀이 딥러닝 비전 검사 도입을 5개월 과제로 잡았습니다.
- 품질보증팀 박 차장이 가장 먼저 한 일은 규칙을 짜는 게 아니라 사진을 모으는 일이었습니다. 3개월치 양품 1만 2천 장, 불량 1,400장을 라인 카메라로 다시 촬영해 쌓았습니다.
- 라벨링에서 한 번 막혔습니다. 검사원 세 명이 같은 사진을 '스크래치'와 '이물'로 다르게 찍자, 박 차장은 한계 견본 사진 40장을 벽에 붙이고 '이보다 진하면 불량'으로 기준을 통일했습니다.
- 1차 모델 정확도는 96%로 나왔지만 생산팀 반응은 싸늘했습니다. 불량이 전체의 3%뿐이라 전부 양품이라 답해도 97%가 나오는 데이터였고, 실제 불량 검출률은 62%에 그쳤습니다.
- 생산팀장이 '놓치는 것보다 과검이 낫다'고 정리해 주어 판정 임계값을 낮추고, 의심 건은 모두 재검 라인으로 돌렸습니다. 과검은 늘었지만 검사원은 하루 180장만 다시 보면 됐습니다.
- 6주 뒤 원료 공급사가 바뀌며 표면 광택이 달라지자 검출률이 71%로 주저앉았습니다. 이후 월 1회 신규 이미지 500장 재학습을 운영 규칙에 명시하고 담당자를 박 차장으로 못 박았습니다.
- 5개월 뒤 불량 유출은 월 30건에서 4건으로, 고객사 클레임은 분기 4건에서 0건이 됐습니다. 검사원 9명 중 4명은 재검과 설비 점검 업무로 전환 배치됐습니다.