핵심 인사이트 (3줄 요약)
- 본질: AI의 역사는 "규칙 기반(Rule-Based) → 통계 학습 → 딥러닝"의 패러다임 변화로 요약되며, 각 단계는 이전 방법의 한계를 극복하는 과정이었다.
- 가치: 튜링 테스트(Turing Test)는 AI의 지능을 행동적으로 정의했고, 전문가 시스템(Expert System)은 규칙 기반 AI의 전성기를 이끌었으며, 퍼지 논리(Fuzzy Logic)는 불확실성과 모호성을 수치화하는 프레임워크를 제공했다.
- 판단 포인트: 약인공지능(Narrow AI)은 특정 과제에서 인간을 초월하지만 강인공지능(AGI, Artificial General Intelligence)은 아직 미실현 개념이며, 각 방법론의 적용 범위와 한계를 이해하는 것이 기술사 수준의 AI 판단력이다.
Ⅰ. 개요 및 필요성
AI 역사와 패러다임 변화
AI 발전 타임라인
─────────────────────────────────────────────────────────────────
1950s │ AI 개념 탄생
│ Turing Test (1950, Alan Turing)
│ "기계가 생각할 수 있는가?"
─────────────────────────────────────────────────────────────────
1960s │ 기호 AI (Symbolic AI) / LISP 언어
~70s │ 논리·규칙 기반 문제 해결
│ 1차 AI 겨울 (자금 삭감)
─────────────────────────────────────────────────────────────────
1980s │ 전문가 시스템 (Expert System) 전성기
│ MYCIN (의료 진단), XCON (컴퓨터 설정)
│ 2차 AI 겨울
─────────────────────────────────────────────────────────────────
1990s │ 통계 기반 머신러닝 부상
~2000s│ SVM, 랜덤 포레스트, 나이브 베이즈
│ 인터넷 데이터 축적 시작
─────────────────────────────────────────────────────────────────
2012+ │ 딥러닝 (Deep Learning) 혁명
│ AlexNet → AlphaGo → GPT → LLM
│ GPU 병렬 연산 + 빅데이터 + 알고리즘 발전
─────────────────────────────────────────────────────────────────
📢 섹션 요약 비유: AI 역사는 암기 달인(규칙 기반)에서 경험 학습자(ML), 그리고 직관적 천재(딥러닝)로 발전한 과정이다. 각 세대는 이전 세대의 "이것만큼은 못 하네"를 극복하며 진화했다.
Ⅱ. 아키텍처 및 핵심 원리
튜링 테스트 (Turing Test)
Alan Turing이 1950년 제안한 테스트로, 인간 심판관이 텍스트 대화만으로 상대가 인간인지 기계인지 구별하지 못하면 그 기계는 "지능이 있다"고 판단한다.
심판관
│
│ 텍스트 질문
├──────────────────→ 인간 (A)
│ 텍스트 응답
│ 텍스트 질문
└──────────────────→ 기계 (B)
텍스트 응답
심판관이 A와 B를 구별 못 하면
→ 기계 B는 인간과 동등한 지능을 보인다고 판정
튜링 테스트의 한계:
- 중국어 방 논증 (Chinese Room Argument, Searle, 1980): 규칙만 따라 중국어를 처리해도 중국어를 이해하는 것이 아님—행동적 테스트가 내적 이해를 보장하지 않음
- 행동 기반 정의의 한계: 수학·과학 능력은 뛰어나지만 감정·창의성은 시뮬레이션에 불과할 수 있음
- 현대 LLM: GPT-4는 사실상 튜링 테스트를 통과하지만 AGI로 보기 어렵다는 논쟁 지속
전문가 시스템 (Expert System) 구조
1980년대 AI 전성기를 이끈 규칙 기반 AI 시스템이다.
┌───────────────────────────────────────────────────────────┐
│ 전문가 시스템 아키텍처 │
│ │
│ 사용자 │
│ │ 입력 │
│ ▼ │
│ ┌─────────────────┐ │
│ │ 사용자 인터페이스 │ │
│ └────────┬────────┘ │
│ │ │
│ ┌────────▼────────┐ ┌──────────────────────────┐ │
│ │ 추론 엔진 │ ←→ │ 지식 베이스 │ │
│ │ (Inference │ │ (Knowledge Base) │ │
│ │ Engine) │ │ │ │
│ │ │ │ 사실 (Facts): │ │
│ │ 순방향 연쇄: │ │ 열=38.5도, 기침=있음 │ │
│ │ 사실→결론 │ │ 규칙 (Rules): │ │
│ │ │ │ IF 열>38 AND 기침 │ │
│ │ 역방향 연쇄: │ │ THEN 독감 가능성 │ │
│ │ 결론←사실 │ └──────────────────────────┘ │
│ └─────────────────┘ │
│ │ │
│ 결론·설명 출력 │
└───────────────────────────────────────────────────────────┘
전문가 시스템 추론 방식
| 추론 방식 | 방향 | 동작 원리 | 적합 상황 |
|---|---|---|---|
| 순방향 연쇄 (Forward Chaining) | 사실 → 결론 | 알려진 사실에서 가능한 결론 도출 | 진단, 계획 |
| 역방향 연쇄 (Backward Chaining) | 결론 → 사실 확인 | 목표 결론을 증명할 사실 탐색 | 검증, 쿼리 응답 |
퍼지 논리 (Fuzzy Logic)
전통 논리는 "참(1) 또는 거짓(0)"이지만, 퍼지 논리(Fuzzy Logic, Lotfi Zadeh, 1965)는 **소속 정도(Membership Degree)**를 [0, 1] 연속 값으로 표현한다.
전통 2값 논리 (Crisp Logic):
온도 37°C → 정상(1) 또는 발열(0) ← 경계 불분명
퍼지 논리 (Fuzzy Logic):
온도 37°C → 정상(0.7), 미열(0.3), 고열(0.0)
소속 함수 (Membership Function) 예시:
μ(x)
1.0 │ 정상 미열 고열
│ ╲ ╱╲ ╱
0.5 │ ╲ ╱ ╲ ╱
│ ╲ ╱ ╲ ╱
0.0 │ ╲ ╱ ╲ ╱
└──────────────────── 온도 (°C)
36 37 38 39 40
언어 변수 (Linguistic Variable): "차갑다", "따뜻하다", "뜨겁다"
퍼지 논리 연산:
AND (교집합): μ_A∩B(x) = min(μ_A(x), μ_B(x))
OR (합집합): μ_A∪B(x) = max(μ_A(x), μ_B(x))
NOT (여집합): μ_NOT_A(x) = 1 - μ_A(x)
📢 섹션 요약 비유: 퍼지 논리는 날씨를 "비다/맑다" 이진법 대신 "조금 흐리다(0.3), 꽤 맑다(0.7)"로 표현하는 것이다. 실세계의 모호함을 숫자로 담는다.
Ⅲ. 비교 및 연결
약인공지능 vs 강인공지능 (AGI)
| 구분 | 약인공지능 (Narrow AI) | 강인공지능 (AGI, Artificial General Intelligence) |
|---|---|---|
| 정의 | 특정 과제에 특화된 AI | 인간 수준의 범용 지능 |
| 현황 | 상용화 (AlphaGo, ChatGPT) | 미실현 (연구 단계) |
| 학습 방식 | 특정 도메인 데이터 | 범용 학습·전이 가능 |
| 의식·감정 | 없음 (시뮬레이션만) | 이론상 있어야 함 |
| 예시 | 이미지 분류, 번역 | 인간 수준 일반 추론 |
AI 방법론 비교
| 방법론 | 지식 표현 | 불확실성 처리 | 학습 필요 | 설명 가능성 |
|---|---|---|---|---|
| 전문가 시스템 | IF-THEN 규칙 | ❌ (이진) | ❌ | ⭐⭐⭐ 높음 |
| 퍼지 논리 | 소속 함수 | ✅ (점진적) | ❌ | ⭐⭐⭐ 높음 |
| 머신러닝 | 통계 모델 | ✅ (확률적) | ✅ | ⭐⭐ 중간 |
| 딥러닝 | 신경망 가중치 | ✅ (고도) | ✅✅ | ⭐ 낮음(블랙박스) |
📢 섹션 요약 비유: 전문가 시스템은 요리책(규칙)만 따라가는 요리사, 퍼지 논리는 "적당히 짜게"라는 요리책을 이해하는 요리사, 딥러닝은 수만 가지 요리를 먹어보고 직관적으로 요리하는 셰프다.
Ⅳ. 실무 적용 및 기술사 판단
전문가 시스템의 현재 위상
전문가 시스템은 딥러닝에 자리를 내줬지만 여전히 유효한 분야가 있다:
| 적합 영역 | 이유 |
|---|---|
| 의료 진단 보조 (규정 중심) | 결정 이유 설명 필요 (규제 요건) |
| 법적 판단 보조 | 추론 근거 추적 가능해야 함 |
| 설비 진단 (산업 현장) | 전문가 지식 명시적 표현 |
| 금융 심사 규칙 | 신용 거절 이유 고객 설명 의무 |
퍼지 논리 적용 사례
| 도메인 | 적용 | 효과 |
|---|---|---|
| 에어컨 온도 제어 | "조금 더 차갑게" 제어 | 에너지 효율 향상 |
| 세탁기 세탁 시간 | 세탁물 양·오염도 기반 | 최적 세탁 시간 |
| 주식 거래 시스템 | 상승 가능성 점수화 | 투자 의사결정 보조 |
| 카메라 자동 초점 | 흔들림 정도 판단 | 정밀 초점 조절 |
📢 섹션 요약 비유: 전문가 시스템은 "명확한 규칙이 있을 때"가 가장 유용하다. 의사가 "발열 38도 이상 + 기침 = 독감 가능"이라는 규칙을 코드로 옮기는 것처럼.
Ⅴ. 기대효과 및 결론
AI 패러다임별 강점·약점 요약
| 패러다임 | 대표 방법 | 강점 | 약점 |
|---|---|---|---|
| 규칙 기반 | 전문가 시스템 | 설명 가능, 빠른 추론 | 지식 획득 병목, 조합 폭발 |
| 모호성 처리 | 퍼지 논리 | 연속값 처리, 해석 용이 | 소속 함수 설계 어려움 |
| 통계 학습 | SVM, 앙상블 | 견고, 범용성 | 피처 엔지니어링 필요 |
| 표현 학습 | 딥러닝 | 고정밀, 피처 자동 추출 | 설명 불가, 데이터·연산 과다 |
| 생성 AI | LLM(Large Language Model) | 범용 언어 이해 | 환각(Hallucination), 통제 어려움 |
결론
AI는 단일 패러다임으로 설명되지 않는다. 튜링 테스트는 행동적 지능 정의의 출발점이고, 전문가 시스템은 설명 가능성의 기준을 제시했으며, 퍼지 논리는 불확실성의 수학화를 보여준다. 기술사는 각 방법론이 언제 적합한지 판단하는 능력—설명 가능성 요건, 데이터 가용성, 실시간 요건, 규제 환경—을 갖춰야 한다.
📢 섹션 요약 비유: AI 역사는 망치만 있던 공구함에 드라이버·스패너·전동공구가 추가된 것이다. 어떤 도구가 최신이라고 항상 최선이 아니다—나사를 조일 때는 드라이버가 최선이다.
📌 관련 개념 맵
| 관계 | 개념 | 설명 |
|---|---|---|
| AI 정의 기준 | 튜링 테스트 (Turing Test) | 행동으로 지능 판단 |
| 반론 | 중국어 방 (Chinese Room) | 행동 ≠ 이해 |
| 규칙 기반 AI | 전문가 시스템 (Expert System) | IF-THEN 규칙 + 추론 엔진 |
| 불확실성 처리 | 퍼지 논리 (Fuzzy Logic) | 소속 정도 [0,1] |
| 현재 AI | 약인공지능 (Narrow AI) | 특정 과제 특화 |
| 미래 목표 | 강인공지능 (AGI) | 범용 인간 수준 지능 (미실현) |
| 설명 가능성 | XAI (Explainable AI) | 딥러닝 블랙박스 해소 시도 |
👶 어린이를 위한 3줄 비유 설명
- 튜링 테스트는 "전화로 말해봐서 로봇인지 사람인지 구분 못 하면 그 로봇은 사람처럼 똑똑하다"고 보는 테스트다.
📈 관련 키워드 및 발전 흐름도
규칙 기반 AI: 전문가 시스템 · 퍼지 논리
│
▼
기계 학습: 통계 기반 패턴 인식
│
▼
딥러닝: 신경망 · CNN · RNN · Transformer
│
▼
AGI 논의: 튜링 테스트 · 중국어 방 · 프레임 문제
- 전문가 시스템은 의사 선생님이 알고 있는 진단 규칙("열이 38도 이상이고 기침이 있으면 독감 의심")을 컴퓨터에 입력해 컴퓨터가 의사처럼 진단하게 만든 것이다.
- 퍼지 논리는 "뜨겁다/차갑다"처럼 딱 나누지 않고 "조금 뜨겁다(0.3), 꽤 뜨겁다(0.7)"처럼 정도로 표현해 세탁기나 에어컨이 더 똑똑하게 작동하게 한다.