[기획자의 하드웨어 5분 스터디] #042. 머신러닝과 딥러닝의 본질 - If-Then-Else의 종말

💡 하드웨어와 AI 도메인으로 시야를 넓혀가는 서비스 기획자의 5분 스터디 기록입니다.

 

[개념] 

규칙을 짜주는 시대에서, 스스로 규칙을 찾는 시대로

기존 소프트웨어 기획자는 완벽한 '경우의 수'를 설계하는 사람이었다. '만약(If) 사용자가 A버튼을 누르면(Then) B화면을 띄우고, 아니면(Else) C를 띄워라.' 이것이 전통적인 룰 베이스(Rule-Based) 기획이다. 하지만 복잡한 현실 세계에서는 '현상'의 조건(If)을 기획자가 일일이 수식으로 정의하기 어렵다. 그 현상이 일어나는 각도, 모양, 조명의 밝기 등등 수만가지의 경우의 수가 나올 수 있기 때문이다.

전통적 프로그래밍: 데이터 + 규칙(기획자가 짠 조건) = 정답 도출

머신러닝(Machine Learning): 데이터 + 정답(현상 O/X) = 기계가 규칙(패턴)을 찾아냄

즉, AI 시대의 기획자는 If-Then-Else 로직을 한 땀 한 땀 짜는 대신, '양질의 데이터와 정확한 정답지'를 기계에게 던져주고 패턴을 학습하도록 판을 까는 사람으로 역할이 완전히 바뀌게 된다.

 

[머신러닝 vs 딥러닝] - 특징(Feature)을 누가 짚어줄 것인가?

머신러닝과 딥러닝은 모두 AI의 한 종류지만, 기계를 가르치는 방식에 큰 차이가 있다.

머신러닝(인간의 개입 필요)
수면 모니터링 카메라를 예로 들자면, 아이가 깨어있는지 자는지 기계가 맞추게 하려면, 기획자나 데이터 사이언티스트가 '눈이 감겼는지, 뒤척임 횟수가 몇 번인지 봐!'라고 판단 기준(특징, Feature)을 먼저 콕 짚어(추출해) 주어야한다. 정형화된 숫자나 엑셀 데이터를 다룰 때 강력하다.

딥러닝(스스로 특징 추출)
인간의 뇌신경망을 모방한 인공신경망(Neural Network) 구조이다. 기준을 사람이 짚어주지 않아도, 방대한 아이 수면 영상을 통째로 쏟아부으면 AI가 스스로 '아, 눈의 깜빡임 빈도와 팔의 각도가 중요하구나'라며 특징을 스스로 찾아내어 학습한다. 비전 AI(이미지/영상)나 음성 인식분야는100% 이 딥러닝을 기반으로 돌아가게 된다.

 

[머신러닝 vs 딥러닝] - 경제적, 시간적 비용 차이가 있을까?

당연하지만 딥러닝이 머신러닝에 비해 경제적, 시간적 비용이 압도적으로 더 많이 든다. 왜 그런지 ROI 관점에서 세 가지로 나누어 보자.

1. 컴퓨팅 장비 비용(CPU vs GPU)
머신 러닝: 정형화된 숫자나 엑셀 데이터를 주로 다루기 때문에, 우리가 흔히 쓰는 일반 컴퓨터의 두뇌인 CPU만으로도 충분히 학습이 가능하다. 인프라 비용이 매우 저렴하다.

딥러닝: 영상, 이미지, 음성처럼 무겁고 복잡한 데이터를 수천만 번씩 병렬로 연산해야 한다. 이를 위해서는 엔비디아(NVIDIA)의 고성능 GPU가 필수적이다. 이 GPU는 장비 자체도 수천만 원을 호가하고, 클라우드(AWS 등)에서 빌려 쓰는 대여료도 어마어마하게 비싸다. 경제적 출혈이 크다.

2. 데이터 구축 비용과 시간(엑셀 vs 노가다 라벨링)
머신 러닝: 기존에 회사 DB에 쌓여있던 정돈된 고객 데이터(나이, 구매 이력 등)를 조금만 가공해서 넣으면 된다.

딥러닝: AI가 스스로 특징을 찾으려면 엄청난 양의 데이터가 필요하다. 물류 창고에서 물품이 넘어지는 상황을 영상으로 감지하는 시스템을 만든다고 가정해 보자. 인터넷에 널려있는 데이터가 아니기 때문에, 수만 장의 떨어지는 영상을 직접 구하거나 촬영해야 한다. 게다가 영상 속 물품의 위치를 마우스로 일일이 찍어주는 '데이터 라벨링' 작업에 막대한 인건비와 시간이 투입되게 된다.

3. 학습 소요 시간(Hours vs Weeks)
머신 러닝: 모델 구조가 단순하여 빠르면 몇 분, 길어도 몇 시간 안에 학습이 끝난다. 기획자가 결과를 빨리 보고 수정(Iteration)하기에 좋다.

딥러닝: 신경망이 깊고 복잡하여 한 번 학습을 돌려 놓으면 며칠에서 몇 주가 걸리기도 한다. 만약 2주 동안 학습을 시켰는데 결과가 엉망으로 나오면 다시 세팅해서 2주를 또 기다려야 하는 막대한 시간적 기회비용이 발생한다.

 

[오늘의 인사이트] 

1. PRD(요구사항 정의서)의 항목이 바뀐다.

AI PM으로서 기획서(PRD)를 쓸 때, 이제 로직 트리(Logic Tree)나 상세한 조건문은 개발자에게 맡겨도 된다. 대신 다음 두 가지를 가장 치열하게 고민하고 기획해야 한다. AI PM은 '조건문(If-Then-Else)'을 설계하는 사람이 아니라, '모델이 학습할 데이터틔 방향을 설계하고, 비즈니스 목표에 맞는 평가 지표의 선을 긋는 사람'이다.

어떤 데이터를 먹일 것인가(Data Pipeline)
'낙상을 감지해 줘'라고 요구하는 대신, '낙상 상황에 대한 정상 데이터 1만 건, 낙상 데이터 5천 건, 인형이 떨어지는 예외(Edge) 데이터 2천 건을 수집해서 학습 시키자'라고 데이터 종류와 비율을 기획해야 한다.

정답의 기준과 오답의 비용(Metrics & Trade-off)
'알람이 정확하게 울려야 함'이 아니라, '진짜 떨어졌을 때 안 울리는 치명적 위험(미탐지)을 막기 위해, 가짜 알람(오탐지)이 하루 1~2번 울리더라도 재현율(Recall)을 99%로 맞춘다' 라고 비즈니스적 타협점(Trade-off)을 정의해야 한다.

 

2. 비싼 딥러닝, 어떻게 기획해야 할까?

비용이 이렇게 비싼데도 비전 AI(영상 분석) 영역에서는 딥러닝을 쓸 수밖에 없다. 머신러닝으로는 픽셀의 복잡한 패턴을 잡아낼 수 없기 때문이다. 그래서 실무 AI PM들은 바닥부터 새로 딥러닝을 구축하는 미련한 짓은 하지 않는다. 모델마다 라이선스가 다를 수 있지만, 이미 구글이나 메타 같은 빅테크가 수백억을 들여 똑똑하게 만들어 놓은 공개형 시각 지능 모델(Pre-trained Model)을 무료로 가져온다. 그리고 그 위에 우리의 핵심 데이터만 살짝 얹어서 추가 학습을 시키는 '전이 학습(Transfer Learning)'이라는 기법을 개발팀에 요구한다. 이렇게하면 딥러닝의 압도적인 성능은 챙기면서, 학습 시간과 비용은 머신러닝 수준으로 획기적으로 낮출 수 있다.