AI, 머신러닝, LLM 정리 — 비개발자를 위한 큰 그림

요즘은 어디서나 AI 이야기가 들립니다. 그런데 AI, 머신러닝, LLM, 생성형 AI 같은 말이 뒤섞여 쓰이다 보니, 서로 어떻게 다른지 헷갈리기 쉽습니다. 회의에서 “이건 AI로 하면 되지 않나요"라는 말이 나올 때, 그 AI가 정확히 무엇을 가리키는지 또렷하지 않은 경우도 많습니다.

이번 글에서는 이 단어들의 관계를 큰 그림으로 정리하고, 요즘 도구가 무엇을 잘하고 무엇을 못하는지를 코드 없이 풀어 보겠습니다. 기술의 속을 깊이 파기보다, 비개발자가 대화에 낄 수 있도록 전체 윤곽을 잡는 데 집중하겠습니다.

AI 안에 머신러닝, 그 안에 LLM이 있습니다 #

먼저 세 단어의 관계부터 잡겠습니다. 셋은 나란히 놓인 경쟁어가 아니라, 큰 원 안에 작은 원이 들어 있는 포함 관계입니다.

가장 큰 원이 AI, 즉 인공지능입니다. 사람의 지능이 하던 일을 기계가 해내게 하려는 분야 전체를 가리키는 넓은 말입니다. 그 안의 한 갈래가 머신러닝입니다. 규칙을 사람이 일일이 정해 주는 대신, 많은 데이터를 주고 기계가 스스로 패턴을 익히게 하는 방법입니다. 그리고 머신러닝 안에서도 언어를 다루도록 거대한 규모로 학습한 모델이 LLM, 우리말로 거대 언어 모델입니다. 우리가 쓰는 챗봇이 바로 이 LLM에 해당합니다.

정리하면 AI가 가장 넓은 분야이고, 머신러닝은 그것을 이루는 핵심 방법이며, LLM은 그 방법으로 만든 언어 특화 모델입니다.

LLM은 다음에 올 말을 확률로 고릅니다 #

LLM이 똑똑해 보이는 답을 내놓는 원리는 의외로 단순한 한 문장으로 요약됩니다. 지금까지의 문장을 보고, 다음에 올 가장 그럴듯한 말을 확률로 골라 이어 붙이는 것입니다. 이 과정을 아주 빠르게 반복하면서 긴 문장이 완성됩니다.

방대한 글을 학습하면서 “이런 말 다음에는 보통 이런 말이 온다"는 패턴을 익혔기 때문에, 사람이 쓴 것처럼 자연스러운 문장을 만들어 냅니다. 이 예측이 어떻게 이루어지는지는 LLM은 어떻게 다음 단어를 예측하는가에서 더 깊이 다뤘습니다. 여기서 기억할 점은 LLM이 뜻을 이해해서 답한다기보다, 그럴듯한 말을 잇는 데 매우 능하다는 것입니다.

그래서 잘하는 일과 못하는 일이 갈립니다 #

이 원리를 알면 요즘 도구의 강점과 약점이 자연스럽게 보입니다.

잘하는 일은 말을 다루는 영역입니다. 글을 요약하고, 번역하고, 초안을 잡고, 어색한 문장을 다듬고, 코드의 큰 틀을 짜는 일에 능합니다. 비슷한 패턴이 세상에 많이 쌓여 있는 일일수록 잘합니다.

반대로 약한 부분도 분명합니다. 가장 자주 마주치는 것이 환각입니다. 사실이 아닌 내용을 사실인 양 그럴듯하게 지어내는 현상입니다. 다음에 올 그럴듯한 말을 잇는 것이 본래 하는 일이다 보니, 진위를 따지기보다 매끄러운 문장을 우선하는 데서 생깁니다. 또한 학습한 시점 이후의 최신 정보는 모르고, 정확한 계산이나 엄밀한 논리에서도 종종 틀립니다. 그래서 LLM이 내놓은 결과는 그대로 믿기보다, 사람이 사실을 확인하는 단계를 거쳐야 합니다.

왜 비개발자가 알면 일이 편해지는가 #

• 도구를 제자리에 씁니다. 초안 작성이나 요약처럼 잘하는 일에 맡기고, 사실 확인이나 정확한 수치가 필요한 일은 사람이 검증하면 헛수고를 줄일 수 있습니다.
• 환각에 속지 않습니다. 그럴듯한 답이 늘 맞는 답은 아니라는 것을 알면, 중요한 내용은 한 번 더 확인하는 습관이 생깁니다.
• 현실적인 기대를 가집니다. “이건 AI로 하면 되지 않나요"라는 말에 대해, 무엇이 가능하고 무엇이 아직 어려운지 함께 가늠해 볼 수 있습니다.

마무리 #

오늘은 AI, 머신러닝, LLM의 관계를 큰 그림으로 정리했습니다. AI가 가장 넓은 분야이고 머신러닝은 데이터로 패턴을 익히는 방법이며, LLM은 그 방법으로 만든 언어 모델입니다. LLM은 다음에 올 말을 확률로 잇는 데 능해서 말을 다루는 일은 잘하지만, 환각처럼 분명한 약점도 함께 지닙니다. 이 강점과 약점을 알고 쓰는 것이 도구를 잘 다루는 첫걸음입니다.

LLM이 다음 단어를 고르는 원리가 더 궁금하다면 LLM은 어떻게 다음 단어를 예측하는가를, 이런 모델을 누가 만들고 운영하는지 궁금하다면 개발자는 실제로 어떤 일을 하는가를 함께 읽어 보시길 권합니다.