AI 용어집 · 입문 · 언어 모델
지도 학습 Supervised Learning
지도 학습은 문제와 정답이 짝지어진 데이터를 보여 주며, AI가 '이런 입력에는 이런 답'이라는 규칙을 스스로 익히게 하는 머신러닝 방식이다.
어떻게 작동하나
먼저 사람이 데이터마다 정답을 붙여 둔다. 이 정답을 '레이블(label)'이라고 부르며, 예를 들어 사진마다 '고양이'나 '개'라고 적어 두는 식이다. 모델은 입력을 보고 답을 내놓은 뒤 정답과 비교해 얼마나 틀렸는지 계산하고, 그 차이를 줄이는 쪽으로 내부 값을 조금씩 고친다. 이 과정을 수많은 예제로 반복하면 입력과 정답 사이의 패턴을 익히게 된다. 학습이 끝나면 정답이 없는 새 데이터에도 답을 예측할 수 있다.
왜 중요한가
지도 학습은 오늘날 실제로 쓰이는 AI 기능 상당수의 바탕이다. 스팸 메일 걸러내기, 사진 속 물체 알아보기, 음성을 글자로 바꾸기처럼 '정답이 분명한 문제'에 특히 강하다. 결과를 정답과 바로 비교할 수 있어서 모델이 얼마나 잘하는지 재기도 쉽다. 대형 언어 모델(LLM)을 다듬을 때 쓰는 SFT(Supervised Fine-Tuning)도 이름 그대로 지도 학습의 한 형태다.
알아 둘 점
정답을 붙인 데이터를 많이 모으는 데 시간과 비용이 크게 든다. 정답 자체가 틀렸거나 한쪽으로 치우쳐 있으면 모델도 그 잘못을 그대로 배운다. 또 학습 데이터에만 지나치게 맞춰져 새 데이터에서는 성능이 떨어지는 과적합이 생길 수 있다. 크게 두 가지 문제 유형이 있는데, 정해진 종류 중 하나를 고르는 '분류'와 숫자 값을 맞히는 '회귀'다.
예시
이메일 서비스의 스팸 필터가 대표적인 예다. 사용자가 '스팸으로 신고'한 메일과 일반 메일을 정답이 붙은 데이터로 삼아 모델을 학습시키면, 새로 들어온 메일이 스팸인지 아닌지 자동으로 판단할 수 있다. 사용자의 신고가 쌓일수록 정답 데이터가 늘어 필터도 함께 좋아진다.