딥러닝
인공신경망을 다층으로 쌓아 패턴을 학습하는 AI 기술
정의와 배경
딥러닝은 머신러닝의 한 분야로, 인간 뇌의 뉴런 연결 구조를 모방한 인공신경망을 '깊게(deep)' 여러 층으로 쌓아 학습하는 방식을 말한다. '딥(deep)'이라는 표현은 입력층과 출력층 사이에 다수의 은닉층(hidden layer)이 존재한다는 의미에서 비롯되었다.
기존 머신러닝은 사람이 직접 중요한 특징(feature)을 추출하여 모델에 제공해야 했지만, 딥러닝은 원시 데이터에서 특징 추출부터 최종 판단까지를 신경망이 스스로 수행한다. 대규모 데이터셋과 GPU 연산 능력의 발전, 알고리즘 개선이 맞물리면서 2010년대 이후 급격히 실용화되었다.
작동 원리와 주요 구조
딥러닝 모델은 수많은 인공 뉴런이 층을 이루며 연결된 구조로, 각 연결에는 '가중치(weight)'가 부여된다. 학습 과정에서 모델은 학습 데이터를 반복적으로 처리하며 오류를 줄이는 방향으로 가중치를 조정하는데, 이를 역전파(backpropagation) 알고리즘이라 한다.
대표적인 딥러닝 구조로는 이미지 처리에 강점을 가진 합성곱신경망(CNN), 순서가 있는 데이터를 처리하는 순환신경망(RNN), 그리고 문맥 전체를 병렬로 처리하는 Transformer가 있다. 특히 Transformer는 Attention 메커니즘을 핵심으로 하며, 현재 대규모 언어모델(LLM)의 표준 구조로 자리 잡았다.
정책·산업적 중요성
딥러닝은 자율주행, 의료 영상 진단, 번역, 음성 비서, 사기 탐지 등 현대 AI 응용 서비스 거의 전반에 걸쳐 핵심 기술로 활용된다. 정부의 디지털·AI 전환 정책에서 언급되는 대부분의 AI 시스템 역시 딥러닝 기반 모델을 전제로 설계된다.
딥러닝 모델의 성능은 학습 데이터의 양과 질, 연산 인프라(GPU·NPU), 알고리즘 설계에 크게 의존하므로, 공공 데이터 개방, AI 컴퓨팅 인프라 구축, 인재 양성은 딥러닝 경쟁력 확보를 위한 핵심 정책 과제로 꼽힌다. 또한 딥러닝 모델은 내부 판단 과정이 불투명한 '블랙박스' 특성을 가져, 설명 가능한 AI(XAI) 연구와 규제 논의가 병행되고 있다.