전통적인 프로그래밍은 개발자가 작성한 명시적 규칙을 사용하는 반면, ML은 데이터로부터 패턴을 학습합니다. 근본적 차이는 ML 시스템이 규칙으로 프로그래밍되는 대신 데이터로 훈련된다는 점 — 문제 해결의 다른 패러다임 — 입니다.
전통적 프로그래밍 → 개발자가 명시적 규칙(로직)을 작성 →
규칙 + 입력 → 출력(프로그램이 코딩된 로직을 따름)
→ 문제를 푸는 방법(HOW)을 정확히 명시(단계별)
머신러닝 → 시스템이 DATA로부터 규칙/패턴을 학습 →
데이터 + 예시(입력 + 출력) → 훈련된 MODEL → MODEL + 입력 → 출력
→ 예시를 제공하면 model이 패턴을 학습(로직을 코딩하지 않음)
→ 프로그래밍: 로직을 코딩; ML: 데이터로부터 로직을 학습
전통적 → 명확하고 표현 가능한 규칙(작성할 수 있는 로직)이 있는 문제:
→ 예: 계산, 비즈니스 규칙, 결정적 로직 → 정밀하고 예측 가능하며 설명 가능
ML → 규칙을 명시하기 어렵지만 데이터에 패턴이 존재하는 문제:
→ 예: 이미지 인식, 언어, 추천, 예측 → 수작업으로 코딩하기엔 너무 복잡한 패턴
→ 규칙을 쉽게 작성할 수 없지만 패턴을 보여주는 데이터가 있을 때 ML 사용
→ ML은 확률적/근사적(예측, 틀릴 수 있음) vs 전통적의 결정적 정확성
→ ML은 DATA가 필요(품질/양이 중요); 전통적은 명확한 요구사항/로직이 필요
→ ML은 '블랙박스'일 수 있음(설명 어려움); 전통적 로직은 명시적/추적 가능
→ 둘은 서로 보완(대부분의 시스템은 둘 다 사용)
AI/ML이 전통적 프로그래밍과 어떻게 다른지 이해하는 것은 가치 있습니다. 이는 ML의 근본적으로 다른 패러다임을 명확히 하고 언제 어떻게 사용할지 이해하는 데 도움이 되므로, 중요한 개념 지식입니다.
근본적 차이 — 전통적 프로그래밍은 개발자가 작성한 명시적 규칙을 사용(문제 푸는 방법을 정확히 명시)하는 반면 ML은 데이터로부터 패턴을 학습(예시를 제공하고 model이 로직을 학습하게 함)한다는 것 — 은 문제 해결 방식의 패러다임 전환(로직을 프로그래밍하는 것 vs 데이터로부터 학습하는 것)을 나타냅니다.
이 구분을 이해하는 것은 ML이 무엇이고 어떻게 다른지 이해하는 데 기초가 됩니다.
각각의 사용 시점을 이해하는 것 — 명확하고 표현 가능한 규칙이 있는 문제(계산, 비즈니스 로직 — 정밀하고 설명 가능)에는 전통적 프로그래밍, 규칙을 명시하기 어렵지만 데이터에 패턴이 존재하는 문제(이미지 인식, 언어, 추천 — 수작업 코딩하기엔 너무 복잡한 패턴)에는 ML — 은 ML이 올바른 접근인 경우(규칙을 쉽게 작성할 수 없지만 패턴을 보여주는 데이터가 있을 때)를 인식하는 핵심 실무 통찰입니다.
핵심 함의 — ML이 확률적이고 근사적(틀릴 수 있는 예측)인 반면 전통적은 결정적으로 정확하고, ML은 데이터가 필요한 반면 전통적은 명확한 로직이 필요하며, ML은 블랙박스일 수 있지만 전통적 로직은 추적 가능하고, 둘이 서로 보완(대부분의 시스템이 둘 다 사용)한다는 것 — 을 이해하면 중요한 실무적 차이와 트레이드오프가 반영됩니다.
이 이해는 ML의 독특한 성격과 언제 적절한지를 명확히 합니다.
ML은 전통적 프로그래밍과 근본적으로 다른 패러다임(규칙 코딩 vs 데이터로부터 학습)을 나타내고 그 차이, 각각의 사용 시점, 함의(확률적, 데이터 의존적, 덜 설명 가능)를 이해하는 것이 ML을 적절히 이해하고 적용하는 데 중요하므로, AI/ML이 전통적 프로그래밍과 어떻게 다른지 이해하는 것은 가치 있고 기초적인 지식입니다. 이는 ML의 근본적으로 다른 패러다임(명시적 규칙 코딩 vs 데이터로부터 패턴 학습)을 명확히 하고 ML이 적합한 경우(명시하기 어려운 규칙과 확보 가능한 데이터)와 그 함의를 이해하는 데 중요하며, AI/ML을 다루거나 추론하는 데 기초가 되는 개념 지식입니다.
주니어부터 시니어까지 상세한 답변이 포함된 IT 면접 질문 라이브러리.
후원하기