728x90
반응형
This is CS50 AI.
요즘 어딜 가나 AI 이야기뿐입니다. 현업에서 ChatGPT나 GitHub Copilot 같은 도구들을 숨 쉬듯 쓰고 있지만, 정작 그 이면에 어떤 원리가 숨어있는지 막연하게 느껴질 때가 많았습니다.
AI의 기초적인 동작 원리를 수학적, 논리적 관점에서 훑어볼 수 있는 하버드의 CS50 AI 과정은 아주 훌륭한 길잡이가 되었습니다. 최신 딥러닝 트렌드만 좇기보다, 인공지능이라는 학문이 어떻게 발전해 왔는지 고전적인 탐색 알고리즘부터 머신러닝의 기초까지 넓고 얕게 경험해 볼 수 있었습니다.
- Search & Games (탐색과 게임 트리) 가장 먼저 만난 것은 틱택토(Tic-Tac-Toe)를 완벽하게 플레이하는 AI를 만드는 과제였습니다. 단순히 경우의 수를 다 나열하는 것이 아니라, Minimax 알고리즘을 통해 나와 상대방의 최선의 수를 계산하는 논리를 배웠습니다. Alpha-Beta Pruning으로 불필요한 계산을 쳐내며 탐색 트리를 최적화하는 과정은, 마치 미로 찾기에서 가장 효율적인 길을 찾아내는 것 같은 재미가 있었습니다.
- Knowledge & Logic (지식과 논리 표현) AI가 인간의 언어나 명제를 어떻게 이해하고 추론하는지 배우는 파트였습니다. "비가 오면 우산을 쓴다" 같은 문장들을 명제 논리로 변환하고, 모델 체킹을 통해 새로운 사실을 도출해 내는 과정은 꽤나 철학적으로 다가오기도 했습니다.
- Uncertainty & Probability (불확실성과 확률) 현실 세계는 명확한 논리보다 불확실성으로 가득 차 있습니다. 이 파트에서는 Bayes' Rule과 Markov Models를 다루었습니다. 주사위 확률처럼 단순한 예시부터 시작해, 오늘의 날씨로 내일의 날씨를 예측하는 숨겨진 마르코프 모델(Hidden Markov Model)까지, AI가 어떻게 확률적으로 세상을 판단하는지 엿볼 수 있었습니다.
- Optimization & Machine Learning (최적화와 머신러닝 기초) Local Maxima의 함정에 빠지지 않고 Global Maximum을 찾아가는 Hill Climbing이나 Simulated Annealing 같은 최적화 알고리즘도 다뤘습니다. 또한, 데이터를 기반으로 선을 그어 분류하는 SVM(Support Vector Machine)의 기본 원리와, 이미지 인식에 쓰이는 CNN(Convolutional Neural Network)의 합성곱, 풀링, 평탄화 과정까지 훑어보며 현대적인 딥러닝의 맛을 살짝 보았습니다.
CS50 AI는 당장 현업에서 최첨단 AI 모델을 직접 바닥부터 짜기 위한 강의는 아닙니다. 하지만, 우리가 매일 쓰는 AI 도구들이 어떤 수학적 배경과 논리적 추론을 거쳐 결과를 내놓는지, 그 '블랙박스' 안의 풍경을 구경하게 해 줍니다. 단순한 API 호출을 넘어, 데이터가 주어졌을 때 AI가 어떤 방식으로 문제를 해결해 나가는지 전반적인 '감'을 잡는 데 이보다 좋은 강의는 없을 것 같습니다.
728x90
반응형