학습 목표
- 인공지능 시스템의 구성 요소(데이터·모델·학습)와 동작 흐름을 설명할 수 있다.
- 좋은 학습 데이터의 조건을 알고, 데이터 편향이 일으키는 문제를 설명할 수 있다.
- 간단한 인공지능 도구를 활용해 직접 모델을 학습시키고 문제를 해결할 수 있다.
생각 열기
유튜브는 내가 좋아할 영상을 어떻게 알고 추천할까요? 스마트폰은 내 얼굴을 어떻게 알아볼까요? 이 똑똑한 AI들도 처음엔 아무것도 몰랐어요. 누군가 데이터를 모아 학습시켰기 때문에 똑똑해진 거예요.
1. 인공지능 시스템의 구성 요소
Components of an AI System
인공지능 시스템은 데이터·모델·학습이라는 세 기둥 위에 세워져요. 이 셋이 잘 어우러져야 비로소 똑똑한 AI가 완성된답니다. 하나씩 살펴볼까요?
① 데이터 (Data)
AI가 공부하는 교과서예요. 많고 다양한 데이터가 똑똑한 AI를 만들어요.
② 모델 (Model)
AI의 뇌예요. 데이터에서 규칙·패턴을 찾아내는 알고리즘이에요.
③ 학습 (Learning)
데이터를 모델에 넣어 패턴을 익히는 과정이에요. 공부에 해당하죠.
🍳 요리에 비유하면?
데이터 = 재료 +
모델 = 요리사 +
학습 = 연습
→ 좋은 재료로 많이 연습한 요리사가 맛있는 요리(예측)를 내놓아요!
🚗 세 기둥이 모두 모인 AI 시스템 — 자율주행차
지붕 위 센서(라이다·카메라)로 주변을 끊임없이 살펴 데이터를 모으고, 학습된 모델이 "멈출까 갈까"를 판단해 직접 운전해요. 데이터·모델·학습이 한데 어우러진 대표적인 AI 시스템이죠.
© Dllu · CC BY 4.0 · Wikimedia Commons
인터랙티브 ① · AI 학습 파이프라인 따라가기
버튼을 눌러 데이터가 똑똑한 AI로 변하는 과정을 단계별로 체험해 보세요.
수집
전처리
학습
예측
👇 '시작하기' 버튼을 눌러 AI가 만들어지는 과정을 따라가 보세요!
2. 좋은 데이터가 좋은 AI를 만든다
Garbage In, Garbage Out
AI 분야에 유명한 말이 있어요. "Garbage In, Garbage Out" — 쓰레기를 넣으면 쓰레기가 나온다!
아무리 뛰어난 모델이라도 나쁜 데이터로 학습하면 엉터리 결과를 내놓아요. 그래서 데이터의 '질'이 정말 중요해요.
✨ 좋은 학습 데이터의 네 가지 조건
정확함
라벨(정답)이 틀리지 않아야 해요. 고양이 사진에 '강아지'라 적혀 있으면 안 돼요.
충분히 많음
데이터가 많을수록 더 많은 상황을 배워 똑똑해져요.
다양함
여러 각도·색·상황이 골고루 들어 있어야 해요.
균형 잡힘
한쪽 종류만 너무 많으면 안 돼요. 골고루 비슷한 양으로!
⚠️ 데이터가 한쪽으로 치우치면? — 데이터 편향(Bias)
AI에게 의사 사진 100장을 보여줬는데 전부 남자였다고 해봐요. AI는 "의사 = 남자"라고만 배워요. 그래서 나중에 여자 의사 사진을 보여주면 "의사가 아닌 것 같다"고 잘못 판단할 수 있어요. 😢 실제로 이런 편향 때문에 차별적인 판단을 한 AI 사례가 여러 번 있었답니다.
인터랙티브 ② · 데이터 편향 실험실
'의사를 알아보는 AI'를 두 가지 데이터로 학습시켜 결과를 비교해 보세요.
1️⃣ 어떤 데이터로 AI를 학습시킬까요?
⚖️ 균형 데이터
남녀·다양한 피부색의 의사 사진을 골고루 학습
🚫 편향 데이터
'남자 의사' 사진만 잔뜩 학습 (다른 사람은 없음)
2️⃣ 새로운 사람들을 보여주니 AI는 이렇게 판단했어요:
3. 직접 AI 만들어 보기
Build Your Own AI · Teachable Machine
티처블 머신(Teachable Machine)은 구글이 만든 무료 도구예요. 코딩을 몰라도, 웹브라우저만 있으면 누구나 이미지·소리·자세를 학습하는 AI를 만들 수 있어요! 🎉
💻 실습 순서 · 가위·바위·보 인식 AI
-
1
티처블 머신 접속 → "이미지 프로젝트" 선택
-
2
클래스 3개 만들기 → 이름을 "가위", "바위", "보"로 지정
-
3
각 클래스마다 웹캠으로 여러 장(30장 이상) 촬영 — 손 각도·위치를 다양하게!
-
4
"모델 학습시키기" 버튼 클릭 → 컴퓨터가 패턴을 학습
-
5
카메라 앞에서 가위·바위·보를 해보면 AI가 실시간으로 알아맞혀요!
🎯 관찰 포인트: 어떤 동작은 사진을 적게 찍어 보세요. AI가 그 동작을 자주 틀린다면, '충분하고 균형 잡힌 데이터'가 왜 중요한지 몸으로 느낀 거예요!
웹캠이 없어도 괜찮아요! 아래 시뮬레이터로 똑같은 원리를 체험할 수 있어요 👇
인터랙티브 ③ · 티처블 머신 시뮬레이터
샘플을 모아 → 학습시키고 → 테스트! 데이터 양이 정확도에 어떤 영향을 주는지 확인해 보세요.
1️⃣ 각 클래스에 샘플(사진)을 모아요. (버튼을 누를 때마다 10장씩 촬영)
가위
수집: 0장
바위
수집: 0장
보
수집: 0장
2️⃣ 모든 클래스에 샘플을 모았다면 학습시켜요.
3️⃣ 손동작을 보여주며 AI를 테스트해요!
AI 시스템으로 해결하는 문제들
데이터를 모아 학습시키면, 이렇게 다양한 분야의 문제를 풀 수 있어요.
의료
X-ray·MRI를 분석해 질병을 조기에 발견해요.
환경
기후 변화를 예측하고 멸종 위기 동물을 보호해요.
교육
학생별 맞춤 학습을 추천하고 자동으로 채점해요.
농업
병충해를 자동으로 찾아내고 수확량을 예측해요.
예술
음악을 작곡하고 그림을 그리며 영상을 편집해요.
접근성
시각장애인에게 길을 안내하고 수어를 번역해요.
참고 — 더 똑똑한 AI를 만드는 비결 (성취기준 밖 심화)
⚖️ 데이터 편향
한쪽으로 치우친 데이터로 배우면 AI도 편견을 가져요. 다양하고 공정한 데이터가 중요해요.
📝 시험은 새 문제로
배울 때 본 데이터로만 시험하면 '달달 외운' 것일 수 있어요. 그래서 학습용·시험용 데이터를 나눠요(과적합 방지).
🔁 학습은 반복
데이터를 여러 번 보며 조금씩 더 정확해져요. 사람이 문제를 풀며 느는 것과 같아요.
한눈에 정리
🧩 AI 시스템 3요소
데이터(교과서) · 모델(뇌) · 학습(공부) — 셋이 모여야 똑똑한 AI 완성
🔄 동작 흐름
데이터 수집 → 전처리 → 학습 → 예측·판단
✨ 좋은 데이터
정확함 · 충분히 많음 · 다양함 · 균형 잡힘
⚠️ 데이터 편향
치우친 데이터 → 불공정한 판단. 다양·공정한 데이터가 답!
스스로 점검하기
6문제로 오늘 배운 내용을 확인해 봐요
인공지능 시스템의 핵심 요소가 아닌 것은?
"Garbage In, Garbage Out"이라는 말의 의미는?
인공지능 시스템의 동작 순서를 바르게 나열한 것은?
특정 집단에만 치우친 데이터로 학습할 때 생기는 문제는?
웹브라우저만으로 무료로 AI를 만들 수 있는 구글의 도구는?
좋은 학습 데이터의 조건이 아닌 것은?