AI 종류, 머신러닝·딥러닝·생성형 AI의 차이와 용도별 선택

머신러닝·딥러닝은 기술이고, 생성형 AI는 콘텐츠를 만드는 AI다

인공지능은 언어 이해·인식·추론·예측처럼 지능이 필요한 일을 컴퓨터로 구현하는 넓은 분야다. 그 안에는 사람이 정한 지식과 규칙을 쓰는 전문가 시스템도 있고, 데이터에서 패턴을 배우는 머신러닝도 있다. 모든 AI가 데이터를 학습하는 것은 아니다.

IBM의 머신러닝 설명은 AI와 ML의 포함 관계를, 딥러닝 설명은 신경망을 이용한 학습을 다룬다. 생성형이라는 말은 같은 계층의 기술 이름으로 놓기보다 어떤 결과를 내는가로 읽는 편이 정확하다. 딥러닝으로 만든 불량품 판별기도 있지만, 그 모델이 새 이미지를 만드는 것은 아니다.

모델과 서비스도 구별해야 한다. 모델은 입력을 처리하는 학습된 시스템이고, 서비스는 그 모델에 채팅창·검색·파일 처리·저장 기능 등을 붙인 제품이다. 같은 서비스가 여러 모델을 쓰기도 한다. ChatGPT·Claude·Gemini 같은 서비스 이름을 머신러닝·딥러닝과 나란히 놓으면 제품과 기술이 섞인다.

자연어 처리(NLP)는 사람이 쓰는 언어를 다루는 분야로, 문장 분류·번역·요약 등을 포함한다. 컴퓨터 비전은 이미지와 영상에서 물체를 인식하거나 위치·움직임을 파악하는 분야다. 로봇은 이런 인식 기능과 행동 계획을 실제 기계의 움직임에 연결한다. 이들은 적용 분야를 나눈 말이므로 딥러닝이나 생성형 기술과 함께 설명할 수 있다.

약인공지능·AGI·초지능은 능력의 범위를 나누는 말이다

약인공지능 또는 좁은 인공지능(ANI)은 정해진 영역의 작업을 수행하는 AI를 말한다. ‘약하다’는 이름과 달리 특정 문제에서는 사람보다 높은 성능을 낼 수 있다. 바둑·이미지 판별·추천처럼 잘하는 영역이 있다는 뜻이다.

IBM의 AI 종류 안내도 능력에 따른 세 분류와 기능에 따른 분류를 구별한다. ‘강인공지능’은 AGI와 비슷한 뜻으로 쓰이기도 하지만, 철학에서는 실제 이해나 의식을 갖는지 묻는 의미도 있어 문맥을 함께 읽어야 한다. 대화를 자연스럽게 이어 간다는 사실만으로 범용 지능이나 의식이 입증되지는 않는다.

기능별 네 분류로는 반응형, 제한된 기억, 마음 이론, 자기 인식이 자주 나온다. 반응형은 현재 입력에 반응하고, 제한된 기억은 과거 정보도 판단에 활용한다. 마음 이론과 자기 인식은 타인의 정신 상태나 자기 자신을 이해하는 능력을 가정한 분류다. 여기서 ‘기억’은 판단에 활용하는 정보에 관한 말이다. 서비스가 대화를 얼마나 보관하는지는 해당 서비스의 저장·개인정보 설정에서 따로 본다.

지도·비지도·강화학습은 AI가 배우는 방법을 나눈다

지도학습은 입력과 정답의 관계를, 비지도학습은 정답표 없이 데이터의 구조를, 강화학습은 행동 뒤에 받는 보상을 이용해 전략을 배운다. 생성형과는 기준이 달라서 하나의 모델을 여러 학습 방법으로 만들 수 있다.

• 지도학습: ‘스팸’이라고 표시한 메일과 정상 메일로 새 메일을 분류한다. 매출처럼 숫자를 예측하는 회귀도 포함한다.
• 비지도학습: 미리 정한 고객 유형 없이 구매 패턴이 비슷한 고객을 묶는다. 분류 이름은 사람이 결과를 보고 붙인다.
• 강화학습: 게임의 승패나 로봇 행동의 보상으로 어떤 행동을 고를지 학습한다.
• 자기지도학습: 데이터의 일부를 가리고 맞히거나 다음 내용을 예측하도록 학습 신호를 만든다. 언어 모델의 사전학습을 설명할 때 중요하다.

Google의 머신러닝 입문은 숫자 예측·분류·군집·강화학습과 생성형 결과를 예제로 설명한다. 자기지도학습의 다음 단어·가린 단어 예측은 Hugging Face의 언어 모델 교육 자료에서 볼 수 있다. 일반 사용자는 결과가 ‘정해진 분류’, ‘예측 숫자’, ‘새 콘텐츠’ 중 무엇인지부터 구별하면 된다.

글·검색·이미지·음성·코딩에는 어떤 AI를 쓰면 되나

초안이 필요하면 생성 도구를, 사실을 찾으려면 검색과 출처 연결이 되는 도구를, 정해진 파일을 읽으려면 소스 기반 도구를 고른다. 아래는 작업별 입력과 필요한 결과의 예시다. 서비스 기능은 2026년 11월 8일 열람한 공식 안내를 기준으로 했다.

표의 범주는 독립된 제품군으로 딱 나뉘지 않는다. 하나의 대화형 서비스가 검색·이미지·파일 생성까지 지원할 수 있다. Perplexity는 웹 검색과 출처 인용을, Firefly는 이미지·영상·음성 생성과 편집을 안내한다. 가입할 서비스 수를 늘리기 전에 지금 쓰는 도구에서 필요한 입력과 결과를 처리하는지 먼저 보면 된다.

특히 음성은 방향을 구별해야 한다. 클로바노트의 음성 인식·화자 분리는 실제로 말한 내용을 기록하는 작업이고, Gemini의 오디오 개요는 자료에서 새 음성 설명을 만드는 작업이다. 후자를 회의 발언의 증거로 쓰면 안 된다. 음성 파일이 목적이면 MP3 같은 파일로 내보낼 수 있는지도 함께 본다.

같은 PDF도 요약·근거 검색·계산 중 무엇이 필요한지에 따라 달라진다

보고서를 올렸다는 이유만으로 모든 작업이 같은 종류가 되지는 않는다. 내용을 짧게 고치는 일, 특정 주장의 근거를 찾는 일, 표의 합계를 계산하는 일은 완료 조건이 다르다.

전체 내용을 짧게 읽고 싶다면 요약과 재작성

대화형 AI에 자료와 함께 ‘결정 사항·근거·다음 행동으로 나눠 요약’처럼 필요한 형식을 준다. 결과에서 원문에 없는 결론이 끼었는지, 예외 조건이 빠졌는지를 읽는다. 긴 파일은 범위가 빠지기 쉬우므로 장별 요약을 받은 뒤 전체 결론을 합치는 방법도 쓸 수 있다.

요청 예시는 첨부한 회의록을 결정 사항·보류 사항·담당자별 다음 행동으로 나눠 요약해 줘. 문서에 없는 담당자와 날짜는 ‘미정’으로 남겨 줘다. 받아야 할 결과는 읽기 쉬운 요약문이며, 보류한 일을 확정한 것처럼 바꾸지 않았는지가 중요하다.

Claude는 문서·스프레드시트·발표 파일을 만드는 기능도 안내한다. 채팅에 표를 표시하는 것과 실제 편집 가능한 파일을 받는 것은 다르다. 파일까지 필요하다면 결과 형식을 처음부터 지정한다. 반복해서 같은 문체와 자료를 써야 할 때는 Claude 프로젝트에 자료를 모으는 방법으로 이어갈 수 있다.

어느 문서의 어느 근거인지 필요하다면 소스와 인용 연결

규정 문서 여러 개에서 예외 조항을 찾는다면 ‘답과 함께 해당 문장·문서명을 보여 달라’고 요청한다. NotebookLM처럼 선택한 자료를 바탕으로 답하는 도구가 이 작업에 맞는다. Google 도움말에서는 자료 선택에 따라 소스가 사용되며, 너무 짧은 자료는 개별 문장 대신 문서 전체를 참조할 수 있다고 설명한다.

같은 회의록에도 출시 날짜를 결정한 발언을 찾아 문서명과 근거 구절을 보여 줘. 날짜 제안과 최종 결정을 구분해 줘라고 물으면 필요한 결과가 달라진다. 문장이 유창한지보다 그 결정을 뒷받침하는 원문으로 돌아갈 수 있는지가 기준이다.

2026년 11월 8일 열람한 한국어 도움말에는 ‘Gemini Notebook’이라는 표기도 나타난다. 기존 NotebookLM 이름으로 찾던 독자는 같은 도움말 연결을 따라가면 된다. 처음 자료를 넣고 인용을 읽는 순서는 노트북LM 사용법에서 이어 설명한다. 원문에 답이 없으면 추정으로 메우게 하기보다 ‘자료에서 찾을 수 없음’으로 남기도록 요청한다.

금액·수량을 맞춰야 한다면 계산 도구와 원본 표

합계를 구할 때는 스프레드시트 수식이나 코드로 계산하고, AI에는 표 정리·수식 작성·계산 과정 설명을 맡긴다. PDF에서 숫자를 잘못 읽었다면 계산 자체가 정확해도 결과는 틀린다. 원본의 행 수·합계·단위를 대조하고, 통화와 세금 포함 여부 같은 조건을 함께 보아야 한다.

고객 문의를 ‘배송·교환·기타’로 수천 건 나누는 일에서는 대량 처리에 맞춘 전용 분류 모델도 선택지다. Hugging Face 커뮤니티의 구현 사례는 LLM으로 분류 후보를 만들고 사람이 고친 자료로 작은 SetFit 모델을 학습한다. 생성형과 분류형을 함께 쓴 예다. 대량 처리에서는 매번 긴 답변을 생성하는 비용과 분류 오류를 고치는 비용까지 비교할 이유가 있다.

멀티모달은 자료 형식, 에이전트는 일을 실행하는 방식이다

멀티모달 AI는 텍스트·이미지·소리·영상 같은 여러 형식의 정보를 다루는 AI다. 사진을 넣고 질문하거나, 문서를 음성 설명으로 바꾸는 식이다. Google의 Gemini 설명도 여러 입력 형식을 다루는 모델과 앱 기능을 소개한다. 이미지 입력을 지원한다고 해서 이미지 생성·영상 생성·파일 편집이 모두 되는 것은 아니므로 필요한 출력 기능을 따로 본다.

AI 에이전트는 목표를 받아 도구를 쓰고 결과를 보면서 다음 행동을 정하는 시스템이다. 이메일 답장 문구를 만드는 데서 끝나면 생성 작업이고, 메일을 찾아 내용을 읽고 답장을 작성해 보내는 단계까지 연결하면 실행 도구와 권한이 필요하다.

Anthropic의 에이전트 설계 글은 정해진 경로를 따르는 워크플로와 모델이 다음 과정을 결정하는 에이전트를 구별한다. 금요일마다 같은 보고서를 같은 주소로 보내는 일처럼 순서가 고정돼 있으면 일반 자동화나 정해진 워크플로가 더 간단하다. 자료마다 다음 단계가 달라질 때 에이전트의 유연함을 검토하면 된다. 실제 전송·수정이 필요한 일에서는 실행할 대상과 승인 시점을 정한다.

로컬 AI와 클라우드 AI는 실행 장소를 나눈다. 로컬은 내 컴퓨터에서, 클라우드는 서비스 제공자의 서버에서 모델을 실행한다. 로컬은 하드웨어·설치·속도 부담을 직접 맡고, 클라우드는 자료 업로드와 서비스 정책을 함께 고려한다. ‘오픈 웨이트’는 모델의 가중치 공개에 관한 말이다. 공개된 모델도 클라우드로 쓸 수 있다. 모델마다 적용된 라이선스가 다르므로 업무에 쓰기 전 이용 범위를 읽는다.

무료로 실제 작업 하나를 끝내 보고, 막힌 조건이 있을 때 유료로 옮긴다

처음에는 문서 한 편, 짧은 녹음, 이미지 시안처럼 결과를 직접 대조할 수 있는 일부터 고르는 편이 좋다. 요약문이 그럴듯한지보다 원문과 맞고 실제로 쓸 수 있는지를 보면 도구의 차이가 드러난다.

1. 입력과 결과를 한 줄로 적는다. ‘회의 녹음 → 발언자별 기록과 결정 사항’, ‘제품 설명 → 배너 이미지 시안’처럼 쓴다.
2. 이미 쓰는 서비스의 기능부터 본다. 필요한 파일 형식·언어·출처 표시·내보내기를 처리하면 우선 그 도구로 끝낸다.
3. 대표 자료 하나로 결과를 대조한다. 이름·숫자·누락·파일 편집 가능 여부를 본다. 원본과 결과를 오가며 고치는 시간도 포함한다.
4. 남은 제약을 골라 해소한다. 횟수나 파일 크기 때문에 작업이 끊기면 상위 한도를, 팀 자료를 함께 써야 하면 조직 관리 기능을 비교한다. 잘못 읽은 자료는 원본을 정리한 뒤 다시 넣는다.

2026년 11월 8일 공식 안내 기준으로 Claude의 파일 생성은 Free에서도 제공되고, Firefly는 제한된 무료 생성, GitHub Copilot은 Free 진입 경로를 안내한다. 각각 파일 생성의 사용량 반영, 생성 크레딧과 지원 기능, 코드 보조의 무료 범위가 다르다. 무료 가입 여부와 필요한 작업을 끝낼 수 있는 한도는 따로 읽어야 한다.

결과의 오류는 요금과 별개로 대조해야 한다. 개발자 Simon Willison은 2023년 강연 준비 중 언어 모델이 논문의 저자·연도·내용을 잘못 답한 사례를 공개했다. 사실 조사에서는 답변에 적힌 원문을 직접 열고 해당 내용을 읽어야 한다.

녹취에서는 실제 발언이 있었는지도 들어야 한다. whisper.cpp 사용자 보고에는 2024년 특정 모델·버전에서 무음 구간에 없는 말을 붙인 사례가 있다. 회의의 결정 사항과 숫자는 녹음의 해당 구간으로 돌아가 대조한다. 가장 자주 하는 작업 하나를 골라 입력 준비부터 결과 수정까지 마치는 데 걸린 시간을 보면, 계속 쓸 도구인지 판단하기 쉽다.