AI의 유형: 종합 가이드

요즘 인공지능(AI)이 사방에 있는 것처럼 느껴진다면, 실제로 그렇기 때문입니다. 맥킨지의 최근 시장 조사에 따르면, 전 세계 AI 도입률은 2020–2021년 약 50–60%에서 2025년에는 무려 88%로 증가했습니다.

하지만 이러한 폭발적인 성장으로 언어적인 문제가 생겼습니다. "AI"는 매우 다른 기술을 통칭하는 유행어가 되었습니다. 단순한 규칙 기반 챗봇, 이미지 생성기, 미래형 공상과학 로봇을 가리지 않고 혼용됩니다.

데이터 실무자에게 이 모호함은 장애물입니다. 이해관계자가 "AI 솔루션"을 원한다고 할 때, 단순 회귀 모델이 필요한지, 생성형 에이전트가 필요한지, 컴퓨터 비전 시스템이 필요한지 알아야 합니다.

이 종합 가이드에서는 이러한 용어를 살펴보겠습니다. 단순히 정의를 나열하지 않고, 어떻게 구축되는지, 무엇을 할 수 있는지, 어떻게 의사결정을 내리는지, 실제 워크플로에 어떻게 맞물리는지 등 네 가지 관점에서 조망합니다.

이 주제가 처음이라면 Understanding Artificial Intelligence 과정을 추천합니다.

AI란 무엇인가?

인공지능(AI)은 문제 해결, 음성 인식, 의사결정처럼 일반적으로 인간의 지능을 요구하는 작업을 수행할 수 있는 지능형 에이전트를 만드는 데 초점을 둔 컴퓨터 과학의 하위 분야입니다.

AI는 다양한 접근법이 공존하는 학제 간 학문입니다. 사전에 정해진 조건하에서 작동하는 규칙 기반일 수도 있고, 머신 러닝 알고리즘을 사용해 데이터로부터 학습하여 예기치 못한 상황에 적응할 수도 있습니다.

다만 연구자들이 "AI 효과(AI Effect)"라고 부르는 현상 때문에 AI를 정확히 정의하는 일은 놀라울 만큼 어렵습니다. 이는 기술이 성숙하면서 사회의 AI에 대한 인식이 끊임없이 이동하는 현상을 말합니다. 어떤 능력이 흔해지면, 사람들은 그것을 더 이상 "AI"라고 부르지 않고 일반 소프트웨어로 보기 시작합니다. 

이처럼 정의가 유동적이고 범위가 넓기 때문에 단일 분류만으로는 충분하지 않습니다. 전체 그림을 보려면 여러 관점이 필요합니다.

• 기술: 시스템을 구동하는 기반 알고리즘과 아키텍처
• 역량: 좁은 지능부터 초지능까지 지능 수준의 척도
• 기능성: 시스템이 정보를 처리하고 메모리를 유지하는 방식

예를 들어 자율주행차는 동시에 세 가지 방식으로 분류될 수 있습니다.

• 약인공지능(좁은 AI)(특정 역량에 기반)
• 딥러닝(기반 기술에 기반)
• 제한된 메모리(기능성에 기반)

다음 섹션에서 이러한 유형을 자세히 살펴보겠습니다.

기술 비전공자를 위한 기초 입문서는 AI 초보자 가이드를 참고하세요.

기술 기반 AI 유형

AI를 가장 엄밀하게 분류하는 방법은 시스템을 구동하는 기반 기술, 즉 "엔진"에 따라 나누는 것입니다. 이 분류는 데이터 처리와 학습 방식에 따라 시스템을 구분합니다. 각 유형을 살펴보겠습니다.

머신 러닝

머신 러닝(ML)은 데이터로부터 학습해 모든 규칙을 명시적으로 프로그래밍하지 않고도 성능을 개선하는 시스템에 초점을 맞춘 AI의 하위 분야입니다. "이러하면 저러하다"는 코드를 쓰는 대신, 알고리즘에 데이터를 제공해 패턴을 스스로 찾게 합니다.

머신 러닝은 문제 유형에 따라 다음 세 가지 주요 학습 패러다임으로 나뉩니다.

• 지도 학습: 비즈니스에서 가장 흔합니다. 레이블이 있는 데이터(입출력 쌍)로 알고리즘을 학습시킵니다. 예를 들어 "스팸" 또는 "스팸 아님"으로 레이블된 이메일 1,000개를 보여주면, 다음 이메일을 분류하는 법을 학습합니다. 대표 알고리즘으로 선형 회귀, K-최근접 이웃(KNN), 의사결정나무가 있습니다.
• 비지도 학습: 레이블이 없는 데이터를 제공하고 알고리즘이 스스로 숨은 구조나 패턴을 찾게 합니다. 주로 고객 세분화(클러스터링)에 사용합니다. K-평균 클러스터링과 주성분분석(PCA)이 대표적입니다.
• 강화 학습(RL): 전혀 다른 접근으로, 보상과 벌점을 통해 시행착오로 에이전트를 학습시킵니다. RL 에이전트는 환경과의 상호작용에 대한 피드백을 받고, 시간이 지남에 따라 누적 보상을 극대화하는 행동을 학습합니다. 로봇과 AlphaGo 같은 고급 게임 AI를 훈련시키는 데 사용됩니다.

머신 러닝의 기초를 다지려면 Machine Learning Fundamentals with Python 스킬 트랙을 권장합니다.

딥러닝

딥러닝(DL)은 인간 두뇌 구조에서 영감을 받은 ML의 특화된 하위 분야입니다. 많은 층(그래서 "딥")을 가진 인공 신경망을 사용해 방대한 데이터에서 복잡하고 비선형적인 관계를 모델링합니다. 전통적 ML은 데이터가 많아지면 성능이 정체될 수 있지만, DL은 종종 계속 개선됩니다.

주요 아키텍처는 다음과 같습니다.

• 합성곱 신경망(CNN): 이미지 처리의 표준. "필터"로 이미지를 자동으로 스캔해 에지, 형태, 질감 같은 공간적 계층을 감지합니다.
• 순환 신경망(RNN): 시계열이나 음성처럼 순차 데이터에 적합. 이전 입력의 "메모리"를 유지해 현재 출력에 반영합니다.
• 트랜스포머: 대규모 언어 모델(LLM)의 기반 아키텍처로, GPT 5.2, Gemini 3 등이 이에 해당합니다. 어텐션 메커니즘을 활용해 데이터를 한 번에 전체 시퀀스로 처리하며, 단어를 순차적으로 처리하는 대신 서로의 상대적 중요도를 가중합니다.
• 적대적 생성 신경망(GAN): 가짜 데이터를 만드는 "생성기"와 이를 가짜로 판별하려는 "판별기" 두 네트워크가 경쟁하는 프레임워크입니다. 이 경쟁으로 매우 현실적인 합성 출력이 생성됩니다.
• 디퓨전 모델: Midjourney 같은 도구의 엔진으로, 무작위 노이즈를 체계적으로 역추적해 선명하고 구분되는 이미지를 생성합니다.

직접 모델을 구축하려면 Introduction to Deep Learning with PyTorch 과정을 시작해 보세요.

자연어 처리

자연어 처리(NLP)는 컴퓨터가 인간의 언어를 의미 있게 이해하고 해석하며 생성하도록 하는 데 초점을 둡니다. NLP는 자연어에 내재된 모호성, 맥락 의존성, 복잡성을 다루어 인간의 소통과 기계의 이해 사이의 간극을 메웁니다.

주요 기법은 다음과 같습니다. 

• 감성 분석: 문장의 감정을 분석(예: 리뷰가 긍정/부정인지 분류)
• 개체명 인식(NER): 텍스트에서 인물이나 지명 식별
• 토크나이제이션: 텍스트를 단어, 음절, 개별 문자 등 더 작은 단위로 분할

다음은 Python에서 transformers를 사용한 감성 분석 예시입니다.

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")제공

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98제공

컴퓨터 비전

컴퓨터 비전은 디지털 이미지와 비디오에서 의미 있는 정보를 도출하도록 하여, 컴퓨터가 인간과 유사한 방식으로 시각 데이터를 인지하고 이해하게 합니다. 사물 식별, 거리 측정, 심지어 인간이 보지 못하는 패턴 인식까지 다룹니다.

컴퓨터 비전 시스템은 이미지 처리 기술과 머신 러닝, 특히 딥러닝을 결합해 원시 시각 데이터에서 점차 추상화된 표현을 추출합니다. 핵심 과제는 다음과 같습니다.

• 이미지 분류: 이미지에 무엇이 있는지 식별(예: "고양이입니다")
• 객체 탐지: 객체의 위치 파악(예: "좌표 x,y에 보행자")
• 안면 인식: 얼굴 특징을 기반으로 신원 확인

의료 영상은 컴퓨터 비전의 가장 영향력 있는 적용 분야 중 하나입니다. AI 시스템은 X선, CT, MRI에서 종양을 검출하며, 정확도가 인간 영상의학 전문의와 맞먹거나 뛰어납니다. 이러한 시스템은 의료진을 대체하지 않고, 예를 들어 잠재적 이상 소견에 플래그를 달아 전문가가 검토하도록 지원합니다.

오디오 처리

오디오 처리는 인간의 음성 및 환경음을 포함한 청각 신호를 인식, 해석, 합성하는 데 주력합니다. 목표는 기계가 소리를 듣고 이해하며 생성하도록 하여, 음파와 의미 사이의 간극을 메우는 것입니다. 

자동 음성 인식(ASR)은 구어를 문자 텍스트로 변환하여 음성 비서, 전사 서비스, 접근성 도구를 구동합니다. 최신 ASR 시스템은 트랜스포머 아키텍처를 사용해 오디오 파형을 텍스트 시퀀스에 직접 매핑하며, 깨끗한 음성에서는 인간에 근접한 정확도를 달성하고 배경 소음이나 억양 등 어려운 조건에서도 꾸준히 개선되고 있습니다. 

Text-to-Speech(TTS) 엔진인 Amazon Polly는 그 반대로, 텍스트에서 자연스러운 음성을 합성합니다. 뉴럴 보코더를 사용해 현실적인 운율, 억양, 감정 표현을 구현합니다. 최신 TTS 시스템은 몇 분 분량의 샘플 음성만으로도 보이스 클로닝이 가능해, 창의적 가능성과 윤리적 논점을 함께 제기합니다.

응용 분야는 음성 처리를 넘어 창의적·실용적 영역으로 확장됩니다. 보이스 클로닝 기술은 개인화된 가상 비서, 일관된 목소리의 오디오북 내레이션은 물론, 논란이 있는 딥페이크 오디오를 가능하게 합니다.

로보틱스와 체화된 AI

이는 AI와 공학의 접점입니다. 체화된 AI는 고급 "두뇌"(비전-언어 모델 등)를 물리적 로봇 바디에 탑재하는 것을 의미합니다. 많은 AI가 순수 디지털 형태로만 존재하는 반면, 체화된 AI는 중력, 마찰, 물리적 환경의 예측 불가능한 복잡성을 다뤄야 합니다. 

현실에의 접지성은 순수 계산형 AI에는 없는 도전을 야기하지만, 동시에 물리 세계와 직접 상호작용을 가능케 합니다. 전통적 로봇은 각 작업마다 명시적 프로그래밍이 필요해, 엔지니어가 특정 결과를 위해 정밀한 동작과 결정 트리를 일일이 코딩했습니다. 

현대의 체화된 AI 시스템은 "사과를 집어 들어"나 "저 문을 열어"와 같은 자연어 명령을 이해하고, 시각 인지로 물체를 식별해 작업별 프로그래밍 없이도 적절한 행동을 계획합니다. 

이는 모라벡의 역설, 즉 사람에게는 하찮은 빨래 개기, 문 열기, 어수선한 방에서의 길 찾기 같은 작업이 로봇에게는 매우 어렵고, 반대로 체스나 미적분처럼 인간이 어려워하는 작업은 AI에게 비교적 쉽다는 관찰을 다루는 진전입니다. 

체화된 AI는 파운데이션 모델을 활용해 로봇에 사람처럼 당연시하는 지각적 이해와 적응적 계획 능력을 부여하며, 이 격차를 메우고 있습니다. 로봇 청소기 같은 소비자 기기, 산업용 협동 로봇(cobot), Boston Dynamics의 Atlas 같은 고도 인간형 로봇이 그 예입니다.

역량 기반 AI 유형

기술이 AI의 구축 방식을 정의한다면, 역량은 인간 지능에 비해 무엇을 할 수 있는지를 정의합니다. 이 분류는 현재의 한계에서 이론적 미래로 이어지는 AI 진화의 타임라인이기도 합니다.

약인공지능(좁은 AI)

약인공지능(ANI), 일명 약한 AI는 오늘날 존재하는 인공지능을 뜻합니다. 특정 사전 정의된 작업에서 뛰어나도록 설계되었으나, 훈련 범위를 벗어나면 전혀 작동하지 못합니다. 체스 봇은 자동차를 운전할 수 없고, 의료 진단 도구는 시를 쓰지 못합니다.

그러나 "좁은"의 범위는 넓어지고 있습니다. 최신 기술은 고도 멀티모달 대규모 언어 모델(LLM)을 포함합니다. GPT-5.2와 Gemini 3처럼 텍스트, 오디오, 비주얼 입력을 동시에 처리하는 모델이 등장하고 있습니다. 

이들이 추론을 흉내 내더라도, 여전히 세계에 대한 진정한 이해는 부족합니다. 개발자는 이러한 ANI 시스템을 API를 통해 애플리케이션에 통합합니다.

ANI의 다음 단계는 에이전틱 AI입니다. 단순한 대화를 넘어 웹을 탐색해 항공권을 예약하는 등 다단계 작업을 자율적으로 수행하며, 더 폭넓은 지능으로 가는 가교 역할을 합니다.

범용 인공지능

범용 인공지능(AGI)은 AI 연구의 성배라 할 수 있습니다. 서로 무관한 영역 전반에서 기계가 학습, 추론, 문제 해결을 수행해 인간의 인지적 유연성과 어깨를 나란히 하는 이론적 단계를 의미합니다.

핵심 차이는 일반화입니다. 포르투갈어를 말하도록 훈련된 ANI 시스템은 그 지식을 활용해 스페인어를 더 빨리 배우지 못합니다. 반면 AGI 시스템은 한 분야의 논리를 다른 분야에 수작업 재학습 없이 적용할 수 있습니다.

AGI의 도래 시점은 격렬한 논쟁거리입니다. 업계 낙관론자는 2026년부터 2029년 사이를 전망합니다. 반면 회의론자는 정확한 "세계 모델" 같은 근본 아키텍처가 부족하다고 보며, 2040년 이후로 봅니다.

초지능

초지능(ASI)은 과학적 창의성, 일반적 지혜, 사회적 기술, 문제 해결 등 사실상 모든 분야에서 가장 똑똑한 인간을 능가하는 가상의 단계를 말합니다. ASI는 아인슈타인이나 다빈치와 비견되는 수준이 아니라, 그들이 평균적 인간을 능가했던 것만큼이나 그들을 뛰어넘을 것입니다.

ASI를 둘러싼 가장 큰 우려는 재귀적 자기 개선입니다. ASI가 자신의 아키텍처를 재설계해 더 똑똑해지고, 그 향상된 지능으로 다시 한층 개선하는 과정을 반복하면, 지능이 기하급수적으로 가속되는 폭주 루프가 생길 수 있습니다. 

이 지능 폭발은 인간의 이해를 훨씬 넘어서는 시스템을 빠르게 만들어, 그 행동을 예측하기 어렵게 할 수 있습니다. 이는 정렬과 통제에 대한 중대한 안전 문제를 제기합니다. ASI의 목표가 인간의 가치와 조금이라도 어긋난다면, 그 상위를 지능으로 인류에 해로운 방식으로 목표를 추구할 수 있습니다.

ASI를 구축하기 위한 신뢰할 만한 로드맵은 존재하지 않으며, 초지능이 달성 가능하거나 개념적으로 일관된지조차 의문을 제기하는 연구자도 많습니다. 그럼에도 ASI의 이론적 가능성은 점점 더 강력해지는 시스템이 유익하고 통제 가능하도록 보장하기 위한 AI 정렬에 관한 진지한 학술 연구를 자극하고 있습니다. 

기능 기반 AI 유형

역량이 파워를 측정한다면, 기능성은 시스템이 세계와 상호작용하고 데이터를 처리하는 방식을 측정합니다. 이 분류는 1990년대 체스 컴퓨터와 미래의 소셜 로봇을 구분할 수 있게 해 줍니다. 각 유형을 살펴보겠습니다.

반응형 기계

반응형 기계는 가장 기본적이고 오래된 형태의 AI입니다. 과거나 미래 개념 없이, 미리 프로그래밍된 규칙에 따라 즉각적인 입력에만 기반해 작동합니다.

반응형 AI의 정의적 특징은 상태가 없고 결정적이라는 점입니다. 동일한 입력을 10번 주면 10번 모두 동일한 출력을 냅니다. 메모리를 저장하지 않기 때문에 경험에서 학습할 수 없습니다.

이 유형의 좋은 예는 가리 카스파로프를 이긴 체스 컴퓨터 IBM의 딥 블루입니다. 카스파로프의 심리를 학습한 것이 아니라, 현재 보드 상태에 기반해 최선의 수를 계산했을 뿐입니다. 이메일 기록을 분석하지 않고 키워드만으로 스팸을 표시하는 표준 스팸 필터도 이 범주에 속합니다.

제한된 메모리 AI

제한된 메모리 AI는 현대 애플리케이션을 지배합니다. 최근 데이터나 문맥을 일시 저장해 의사결정을 내리므로, 동적인 행동이 가능합니다. 반응형 기계와 달리 제한된 컨텍스트 윈도우 내에서 과거 정보를 참조합니다.

오늘날 사용되는 예측형 AI와 생성형 AI 도구의 거의 전부가 이 범주에 속합니다. Claude Opus 4.5 같은 LLM은 대화 기록을 유지해, 몇 분 전에 한 말을 기억하고 이전 교환에 기반해 일관된 응답을 제공합니다. 컨텍스트 윈도우는 시스템이 참조할 수 있는 과거 정보의 양을 결정합니다. 

자율주행차는 인근 차량의 속도와 궤적을 수초간 추적해, 현재 위치에만 반응하는 대신 미래 위치를 예측합니다.

마음 이론 AI

마음 이론 AI는 연구 프로토타입과 실용적 역량 사이의 논쟁적 영역을 차지합니다. 이 범주의 시스템은 인간의 정신 상태, 신념, 의도, 감정, 욕구를 모델링해 행동을 정확히 예측합니다. 

이 역량은 자연스러운 사회적 상호작용에 필수적이며, AI가 암묵적 신호를 해석하고, 기만을 감지하며, 사용자의 기분에 맞춰 응답을 조정하도록 합니다. 

오픈AI의 GPT-4 같은 초기 프런티어 모델은 이미 잘못된 신념에 기반한 행동을 예측하는 등 거짓 신념 과제에서 인간 수준의 결과를 보였습니다. 이는 스탠퍼드 연구자 Michal Kosinski의 2024년 PNAS 연구에서 확인되었습니다. 

그럼에도, 현대 LLM을 진정한 마음 이론 시스템으로 분류할 수 있는지, 아니면 언어 학습에서의 패턴 매칭을 적용한 것인지에 대해 전문가들 사이에 논쟁이 있습니다. 프로토타입으로는 시뮬레이션 환경에서 다른 에이전트의 신념을 추정하도록 설계된 DeepMind의 ToMnet이 있습니다.

자기 인식 AI

자기 인식 AI는 의식, 감각, 자신이 주변 세계와 구분되는 존재임을 명확히 이해하는 기계를 의미하는 개념입니다. 

이는 단순한 지능을 넘어 주관적 경험을 뜻합니다. 그런 기계는 자신에 관한 정보를 처리할 뿐 아니라, "나는 존재한다"는 감각과 관련된 감정, 필요, 욕구를 가질 것입니다.

이 수준은 계산 능력을 넘어 의식의 본질에 관한 철학적 영역에 들어섭니다. 자기 인식 AI가 고통, 기쁨, 종료에 대한 두려움을 느낄까요? 그렇다면 도덕적 고려나 권리를 가져야 할까요? 이러한 질문은 논의를 공학에서 윤리로 전환시킵니다.

현재 이 수준에 근접한 시스템은 없습니다. 2001 스페이스 오디세이의 HAL 9000이나 스타 트렉의 데이터 같은 허구적 예시는 개념을 보여주지만, 실제로 도달할 수 있을지는 여전히 추정의 영역입니다.

주요 AI 모델 유형

거시적 이론을 넘어, 데이터 실무자는 운영 환경에서 접하게 될 구체적 아키텍처를 이해해야 합니다. 대략 오늘날 업계에서 사용하는 AI 모델 유형은 창작자와 분석자로 분류할 수 있습니다. 이 구분은 생성형 대 판별형 모델 글에서 더 자세히 읽을 수 있습니다.

생성형 AI: 창작자

생성형 AI 모델은 학습 데이터와 유사한 새로운 데이터 인스턴스를 생성하도록 설계되었습니다. 데이터셋의 근본 확률 분포를 학습해 원본 텍스트, 이미지, 코드, 오디오를 생성합니다. 분석에서 창작으로의 전환은 대규모 콘텐츠 생성, 창의적 보강, 시뮬레이션 등 많은 가능성을 엽니다. 

대표 예로 글쓰기와 Claude 같은 LLM과 코딩, 이미지 합성을 위한 Midjourney나 Nano Banana Pro 같은 디퓨전 모델, 복잡한 장면을 시뮬레이션할 수 있는 Sora 같은 비디오 생성 모델이 있습니다. 특히 모든 이미지 생성기가 디퓨전에 의존하는 것은 아니며, GPT Image 1.5처럼 오토리그레시브 아키텍처를 사용하는 모델도 있습니다.

생성형 AI는 모델이 단순 응답을 넘어 자산이나 계획을 적극적으로 만들어내는 에이전틱 AI 워크플로의 중대한 발전을 의미합니다. 에이전트를 뒤에서 더 자세히 살펴보겠습니다.

판별형 AI: 분석가

생성형 AI가 헤드라인을 장식하는 동안, 판별형 AI(예측형 AI라고도 함)는 여전히 엔터프라이즈 운영의 중추입니다. 이 모델은 새로운 데이터를 만들어내지 않고, 데이터셋에서 클래스 간 경계를 학습해 입력을 분류하거나 미래 값을 예측합니다.

판별형 AI의 비즈니스 가치는 의사결정을 지원하고 리스크를 평가하는 능력에 있습니다. 조직은 학습된 기준을 일관되게 적용해야 하는 판단을 자동화하기 위해 이 모델을 사용합니다.

생성형 모델과 달리, 판별형 모델은 창의성보다 정확성과 신뢰성을 우선합니다. 오류의 비용이 큰 고위험 시나리오에서 작동하는 경우가 많습니다.

예시는 다음과 같습니다.

• 대출 연체 위험을 예측하는 신용평가 모델
• 이메일을 정크/일반으로 분류하는 스팸 필터
• X선의 이상 소견을 식별하는 의료 진단 도구
• 사기 거래를 탐지하는 금융 모니터링 시스템 

파운데이션 모델

파운데이션 모델은 텍스트, 이미지, 코드, 구조화 데이터 등 방대한 다양성의 데이터로 학습해, 도메인 전반에 적용 가능한 일반 패턴을 익힙니다. 파운데이션 모델은 단순히 이미지를 분류하거나 텍스트를 생성하는 데 그치지 않고, 언어, 추론, 세계 지식에 대한 폭넓은 이해를 발전시켜 최소한의 추가 학습으로 새로운 작업에 전이합니다.

이 접근은 새로운 애플리케이션에 AI를 배치하는 데 필요한 시간과 데이터를 크게 줄입니다. 각 문제마다 별도 모델을 구축하는 대신, 조직은 하나의 파운데이션 모델을 파인튜닝해 법률 문서 분석부터 코드 생성, 번역에 이르는 다양한 작업에 활용합니다.

최근에는 소형 언어 모델(SLM)이 부상하고 있습니다. 이는 노트북이나 휴대폰 같은 로컬 디바이스에서 실행되도록 설계된 효율적이고 증류된 파운데이션 모델 버전으로, 클라우드 기반 초대형 모델의 막대한 연산 비용 없이 프라이버시와 속도를 제공합니다.

AI 에이전트의 유형

AI는 수동적 도구에서 복잡한 워크플로를 실행하는 자율 에이전트로 진화하고 있습니다. 표준 모델이 입력을 기다렸다가 출력을 내는 동안, AI 에이전트는 환경을 인지하고 목표 달성 방법을 추론하며, 그것을 실행하기 위한 행동을 취할 수 있습니다. 에이전트의 아키텍처와 구축 방법을 이해하려면 Introduction to AI Agents 과정을 시작해 보세요.

AI 에이전트는 일반적으로 복잡성과 자율성 수준에 따라 분류됩니다. 함께 살펴보겠습니다.

단순 반사형 에이전트

반사형 에이전트는 가장 단순한 형태의 에이전트입니다. 과거를 무시하고 현재 지각에만 반응하는 엄격한 "조건-행동" 규칙으로 작동합니다. 스마트 온도조절기는 다음과 같은 규칙의 전형입니다. 온도가 68°F 아래로 내려가면 난방을 켭니다. 72°F를 넘으면 냉방을 가동합니다. 

조립 라인 로봇도 예시입니다. 센서가 부품이 지정 위치에 도달했음을 감지하면 동작을 수행합니다. 반사형 에이전트는 안정적 환경에서 반복 작업에 뛰어나지만, 문맥적 이해가 없어 상황이 예기치 않게 변하면 적응에 어려움을 겪습니다.

모델 기반 반사형 에이전트

모델 기반 반사형 에이전트는 내부 세계 모델을 유지해 시간이 지나며 상태를 추적함으로써 부분 관측 환경을 처리합니다. 단순 반응을 넘어, 올바른 동작에 필요한 핵심 정보를 기억합니다.

자율 비상 제동 시스템은 레이더와 카메라 데이터를 융합해, 즉각적 위협에만 반응하는 것이 아니라 시간에 따른 차량 궤적을 추적하는 전형입니다. 예를 들어 트럭 뒤로 사라진 차량의 추정 위치를 기억해 불완전한 정보 속에서도 정확한 상태 추정을 유지합니다.

목표 기반 에이전트

목표 기반 에이전트는 단순 반응이 아니라 특정 목표 달성을 위해 행동합니다. "이탈리아로 여행을 계획해" 같은 목표를 부여하면, 다수의 행동 시퀀스를 고려해 어떤 경로가 목표 만족에 이르는지 평가합니다. 이는 에이전틱 AI의 최전선입니다.

Roo Code 같은 소프트웨어 공학 도구나 자율 예약 비서는 검색, 비교, 제약 확인, 의사결정 등 다단계 워크플로를 실행해 전체 작업을 완수합니다. n8n 같은 워크플로 플랫폼은 의사결정 지점과 적응 논리를 AI 에이전트가 처리하는 복잡한 프로세스를 구축할 수 있게 합니다.

AI 에이전트의 탄탄한 기초를 다지려면 AI Agent Fundamentals 트랙을 추천합니다.

효용 기반 에이전트 

효용 기반 에이전트는 한 단계 더 나아가, 작동하는 아무 경로가 아니라 목표에 이르는 최적 경로를 찾습니다. 결과에 수치 점수를 부여하는 효용 함수를 사용해 정량적 비교를 수행합니다. 

목표 기반 에이전트가 로마행 아무 비행편이나 예약한다면, 효용 기반 에이전트는 비용, 소요 시간, 경유, 출발 시간 등을 고려해 전반적 효용을 극대화합니다.

예로는 수익과 위험을 균형 잡는 알고리즘 트레이딩 시스템, 최단 시간, 최단 거리, 유료도로 회피 등 사용자 선호에 따라 경로를 최적화하는 Waze 같은 내비게이션 앱이 있습니다.

학습형 에이전트

학습형 에이전트는 미지이거나 변화하는 환경에서 작동하며, 인간 개입 없이 경험을 통해 지속적으로 개선합니다. 구조에는 성과 피드백을 제공하는 비평가(critic)와 에이전트의 정책을 수정하는 학습 요소가 포함됩니다. 

화성 로버는 새로운 지질 형상을 마주치며 어떤 지형 특징이 안전한 경로를 의미하는지 학습합니다. 넷플릭스의 추천 알고리즘도 예시입니다. 시청 이력에 따라 사용자 선호를 지속적으로 정교화해, 시간이 지날수록 추천 품질을 개선합니다.

에이전틱 프레임워크: 에이전트 구축

에이전틱 프레임워크는 복잡한 에이전트를 위한 운영체제로, 추론 코어(보통 LLM)를 메모리, 도구, 다중 에이전트 조정과 연결합니다. 다음을 관리합니다.

• 오케스트레이션: 어떤 하위 작업을 어느 에이전트가 처리할지 결정하고 컴포넌트 간 워크플로 관리
• 계획: 복잡한 목표를 실행 가능한 단계로 분해하고, 상황 변화에 따라 적응
• 도구 사용: 검색 엔진, 데이터베이스, API, 코드 실행에 대한 접근 제공
• 메모리: 즉시 상호작용을 넘어 대화 이력과 장기 문맥 유지

대표 프레임워크는 다음과 같습니다.

• LangChain/LangGraph: 폭넓은 통합을 갖춘, LLM을 데이터 소스에 연결하는 업계 표준
• Google ADK: Vertex AI에서 정교한 에이전트를 구축하는 오픈 소스 프레임워크
• CrewAI: 복잡한 작업에 협업하는 다중 역할 에이전트를 오케스트레이션

이 아키텍처에 대한 빠른 참고 자료로, AI Agents 치트 시트를 살펴보시길 권합니다. 

결론

많은 내용을 다뤘습니다. 이제 마무리하겠습니다. 

AI를 하나의 단일 기술로 보기보다, 특정 문제에 최적화된 다양한 접근의 생태계로 인식해야 합니다. AI를 온전히 이해하려면 기술, 역량, 기능성이라는 세 가지 관점에서 살펴봐야 합니다.

현재 우리는 특정 작업에 초점을 맞춘 좁은 AI에서, 복잡한 워크플로를 자율적으로 실행하는 초기 형태의 에이전틱 AI로 전환하는 시기에 있으며, 이는 산업 전반 도입의 중대한 변곡점입니다.

AI 전문가가 되는 첫걸음으로 AI Fundamentals 스킬 트랙에 등록하세요.