머신러닝과 딥러닝은 무엇이 다를까?

고양이 사진 한 장이 걸린 15년

2012년, 스탠퍼드와 구글의 연구자들이 아주 이상한 실험을 하나 발표했습니다. 인터넷에서 무작위로 긁어모은 유튜브 영상 캡처 화면 1,000만 장을 컴퓨터에게 던져주고, “이 중에서 뭐가 중요한지 네가 알아서 찾아봐”라고 말한 것입니다. 사람이 “이건 고양이야”, “이건 자동차야”라고 알려주는 과정은 단 한 번도 없었습니다.

며칠 뒤, 연구팀은 놀라운 결과를 확인했습니다. 컴퓨터 내부의 특정 뉴런 하나가—누가 가르쳐주지도 않았는데—고양이 얼굴에만 유독 강하게 반응하고 있었던 것입니다. 마치 아기가 태어나서 수천 번 고양이를 보다가, 어느 날 “아, 이게 고양이라는 거구나”라고 스스로 깨달아버린 것과 비슷했습니다.

이 실험이 세상을 놀라게 한 이유는 따로 있었습니다. 그때까지 인공지능 연구자들은 컴퓨터에게 “고양이란 무엇인가”를 하나하나 정의해서 가르치는 방식에 익숙해 있었습니다. 뾰족한 귀, 수염, 둥근 눈동자… 이런 특징들을 사람이 직접 코드로 짜서 입력해야 했습니다. 그런데 이 실험에서는 아무도 그런 규칙을 알려주지 않았는데도 컴퓨터가 스스로 ‘고양이라는 개념’을 만들어낸 것입니다.

바로 이 사건이, 오늘날 우리가 “AI”라고 부르는 거대한 흐름의 진짜 시작점이었습니다. 그리고 이 사건의 주인공이 바로 ‘딥러닝’입니다.

그런데 여기서 많은 사람들이 헷갈려 합니다. 딥러닝 이전에도 ‘머신러닝’이라는 게 있었다고 하던데, 그럼 둘은 다른 건가요? 딥러닝은 머신러닝의 발전된 버전인가요, 아니면 완전히 다른 기술인가요? 챗GPT는 머신러닝인가요, 딥러닝인가요?

이 질문에 명쾌하게 답할 수 있는 사람은 생각보다 많지 않습니다. 오늘은 이 두 단어 사이에 숨어 있는, 하지만 인공지능의 역사 전체를 관통하는 결정적인 차이를 하나씩 풀어보겠습니다.

왜 이 차이를 알아야 할까

“그냥 다 AI 아닌가요?”라고 물을 수도 있습니다. 틀린 말은 아닙니다. 머신러닝도, 딥러닝도 모두 인공지능(AI)이라는 큰 우산 아래에 속한 개념이니까요. 하지만 이 둘의 관계를 정확히 이해하지 못하면, 요즘 쏟아지는 뉴스들을 제대로 읽어낼 수 없습니다.

넷플릭스가 “머신러닝으로 추천 시스템을 만들었다”고 할 때와, 챗GPT가 “딥러닝으로 문장을 생성한다”고 할 때, 이 둘은 사실 전혀 다른 이야기를 하고 있는 것입니다. 하나는 스팸 메일을 걸러내는 데도 쓰이는 비교적 단순하고 오래된 기술이고, 다른 하나는 수천억 개의 계산 단위가 얽혀서 인간의 언어와 그림을 만들어내는 훨씬 복잡한 기술입니다.

이 차이를 알면, 왜 어떤 AI는 스마트폰 안에서도 잘 돌아가는데 어떤 AI는 거대한 데이터센터가 통째로 필요한지 이해하게 됩니다. 왜 은행의 대출 심사 시스템은 아직도 ‘전통적인’ 방식을 쓰는데, 이미지 생성 AI는 최신 기술을 쓰는지도 알 수 있습니다. 단순히 용어 정리를 넘어서, 우리 시대를 이해하는 열쇠 하나를 얻는 셈입니다.

규칙을 가르치던 시대에서, 스스로 배우는 시대로

이야기는 1950년대로 거슬러 올라갑니다. 당시 과학자들이 상상한 인공지능은 지금 우리가 아는 모습과 많이 달랐습니다. 그들은 “컴퓨터에게 세상의 모든 규칙을 입력하면, 컴퓨터도 인간처럼 생각할 수 있을 것”이라고 믿었습니다. 이런 접근을 ‘규칙 기반 AI’ 혹은 ‘전문가 시스템’이라고 부릅니다.

예를 들어 의료 진단 AI를 만든다면, “열이 38도 이상이고 기침이 있으면 감기일 확률이 높다”는 식의 규칙을 의사들에게서 듣고, 그 규칙을 하나하나 컴퓨터 코드로 입력하는 방식이었습니다. 문제는 세상이 그렇게 단순하지 않다는 데 있었습니다. 감기 하나만 해도 증상의 조합이 수천, 수만 가지였고, 사람이 그 모든 경우의 수를 일일이 규칙으로 만드는 건 사실상 불가능했습니다. 이 방식은 1980년대에 크게 유행했다가, 한계에 부딪혀 ‘AI 겨울’이라 불리는 침체기를 맞이합니다.

여기서 등장한 것이 머신러닝이라는 발상의 전환이었습니다. “규칙을 사람이 일일이 알려주는 대신, 컴퓨터에게 데이터를 잔뜩 보여주고 스스로 규칙을 찾아내게 하면 어떨까?”라는 아이디어였습니다.

비유하자면 이렇습니다. 요리를 가르치는 두 가지 방법이 있다고 해보죠. 첫 번째 방법은 “소금은 정확히 3그램, 물은 200밀리리터, 끓이는 시간은 정확히 7분”처럼 모든 것을 숫자로 정해서 가르치는 방식입니다. 두 번째 방법은 요리 잘하는 사람 100명이 만든 요리 1만 개를 보여주면서 “이 중에서 맛있는 요리와 맛없는 요리의 패턴을 스스로 찾아봐”라고 하는 방식입니다. 머신러닝은 후자에 가깝습니다.

1990년대부터 2000년대까지, 머신러닝은 스팸 메일 필터링, 신용카드 사기 탐지, 주가 예측 같은 분야에서 꾸준히 성과를 냈습니다. 하지만 여전히 큰 약점이 있었습니다. 사람이 컴퓨터에게 “무엇을 보고 판단해야 하는지”는 알려줘야 했다는 점입니다. 이걸 전문 용어로 ‘특징 추출(feature extraction)’이라고 부릅니다.

예를 들어 이메일이 스팸인지 아닌지 판단하는 머신러닝 모델을 만들 때, 사람이 먼저 “느낌표 개수”, “특정 단어의 등장 빈도”, “발신자 주소의 패턴” 같은 것들을 미리 정의해서 컴퓨터에게 넘겨줘야 했습니다. 컴퓨터는 이 정보들을 바탕으로 ‘스팸이다/아니다’를 판단하는 규칙만 스스로 학습했을 뿐, “무엇을 봐야 하는지” 자체는 사람이 정해준 것이었습니다.

이 지점에서 딥러닝이라는 다음 단계가 등장합니다.

계층이라는 마법

딥러닝은 머신러닝의 ‘한 종류’다

가장 먼저 분명히 해야 할 것이 있습니다. 딥러닝은 머신러닝과 대립하는 별개의 기술이 아닙니다. 딥러닝은 머신러닝이라는 큰 범주 안에 속한 하나의 방법론입니다. 마치 ‘과일’이라는 큰 범주 안에 ‘사과’가 속해 있는 것과 같습니다. 모든 사과는 과일이지만, 모든 과일이 사과는 아닙니다. 마찬가지로 모든 딥러닝은 머신러닝이지만, 모든 머신러닝이 딥러닝은 아닙니다.

그렇다면 이 관계도를 정리하면 이렇게 됩니다.

인공지능(AI) ⊃ 머신러닝(ML) ⊃ 딥러닝(DL)

가장 바깥의 큰 원이 ‘인공지능’이라는 목표 그 자체입니다. “기계가 인간처럼 지능적으로 행동하게 만든다”는 목표를 가진 모든 시도가 여기에 속합니다. 앞서 이야기한 1980년대의 규칙 기반 시스템도 인공지능의 일종이었습니다.

그 안에 있는 조금 더 작은 원이 ‘머신러닝’입니다. “규칙을 사람이 일일이 입력하지 않고, 데이터로부터 스스로 규칙을 학습하게 만든다”는 특정한 방법론을 가리킵니다.

그리고 가장 안쪽의 원이 ‘딥러닝’입니다. 딥러닝은 머신러닝의 여러 방법론 중에서도 ‘인공신경망(artificial neural network)’이라는 구조를, 그것도 아주 여러 겹으로 깊게 쌓아 올린 방식을 가리킵니다.

신경망이라는 아이디어의 기원

인공신경망이라는 발상 자체는 놀랍게도 딥러닝 붐보다 훨씬 오래되었습니다. 1943년, 신경생리학자 워런 매컬록과 수학자 월터 피츠는 인간 뇌의 뉴런이 신호를 주고받는 방식을 아주 단순한 수학 모델로 표현할 수 있다는 논문을 발표했습니다. 뇌 속의 뉴런 하나는 여러 개의 다른 뉴런으로부터 신호를 받아, 그 신호의 총합이 특정 기준을 넘으면 다음 뉴런으로 신호를 전달합니다. 이 단순한 원리를 수학 공식으로 옮긴 것이 인공신경망의 시작이었습니다.

문제는 이 신경망을 여러 겹으로 깊게 쌓으면 쌓을수록, 계산량이 기하급수적으로 늘어난다는 데 있었습니다. 1980~90년대 컴퓨터의 성능으로는 신경망을 3~4겹 이상 쌓는 것조차 버거웠습니다. 그래서 신경망 연구는 오랫동안 “이론적으로는 흥미롭지만 실용성은 떨어지는” 분야로 취급받았습니다.

이 흐름을 바꾼 것이 두 가지 사건이었습니다. 첫째는 인터넷의 발달로 학습에 쓸 수 있는 데이터의 양이 폭발적으로 늘어난 것이고, 둘째는 원래 게임 그래픽 처리를 위해 만들어진 GPU(그래픽 처리 장치)가 신경망 계산에도 엄청나게 효율적이라는 사실이 밝혀진 것입니다. 앞서 소개한 2012년 구글의 고양이 인식 실험, 그리고 같은 해 이미지 인식 대회에서 압도적인 성적을 거둔 ‘알렉스넷(AlexNet)’이라는 모델이 바로 이 두 조건이 맞아떨어진 결과물이었습니다. 이때부터 ‘딥(deep)’이라는 표현, 즉 신경망을 아주 깊게 쌓는다는 이 방식이 본격적으로 세상의 주목을 받기 시작했습니다.

특징을 사람이 정해주느냐, 기계가 스스로 찾느냐

딥러닝과 전통적인 머신러닝을 가르는 가장 결정적인 차이는 바로 이것입니다. “무엇을 봐야 할지”를 누가 정하느냐.

전통적인 머신러닝으로 고양이 사진을 구별하는 모델을 만든다고 해봅시다. 사람 엔지니어가 먼저 앉아서 “고양이의 특징은 뾰족한 귀, 세로로 긴 눈동자, 특정한 털 무늬”라고 정의합니다. 그리고 이 특징들을 수치화해서 컴퓨터에게 넘겨줍니다. 컴퓨터는 이 수치들을 바탕으로 “이런 조합이면 고양이, 저런 조합이면 개”라는 경계선을 학습할 뿐입니다.

딥러닝은 이 과정 자체를 생략해 버립니다. 사람은 그저 수백만 장의 사진과 “이건 고양이”, “이건 개”라는 정답표만 던져줍니다. 그러면 여러 겹으로 쌓인 신경망의 첫 번째 층은 아주 단순한 패턴(선, 곡선, 명암의 경계)을 스스로 찾아내고, 그 다음 층은 첫 번째 층이 찾아낸 패턴들을 조합해서 조금 더 복잡한 패턴(귀 모양, 눈 모양)을 찾아냅니다. 이런 식으로 층이 깊어질수록 점점 더 복잡하고 추상적인 개념(고양이 얼굴 전체, 나아가 ‘고양이라는 종의 특징’)을 신경망 스스로 구성해 나갑니다.

이 과정을 ‘표현 학습(representation learning)’이라고 부릅니다. 사람이 “무엇을 봐야 할지” 알려주지 않아도, 기계가 데이터 안에서 스스로 중요한 특징을 발견해내는 능력, 이것이 딥러닝을 이전의 모든 머신러닝 기법과 구분 짓는 결정적인 지점입니다.

왜 ‘깊이’가 그토록 중요한가

여기서 자연스러운 질문이 생깁니다. 왜 굳이 층을 깊게 쌓아야 할까요? 얕은 신경망 하나로는 안 되는 걸까요?

비유를 하나 들어보겠습니다. 그림을 인식하는 과정을 생각해봅시다. 만약 누군가에게 “이 그림이 무엇인지 한 번에 알아맞혀 봐”라고 하면 어렵겠지만, “먼저 선과 점을 찾아봐, 그다음 그 선들이 어떤 모양을 이루는지 봐, 그다음 그 모양들이 모여서 어떤 사물을 이루는지 봐”라고 단계별로 안내하면 훨씬 쉬워집니다. 딥러닝의 각 층은 정확히 이런 역할을 합니다. 첫 층은 선과 색의 경계를 찾고, 다음 층은 그 선들을 모아 도형을 만들고, 그다음 층은 도형들을 모아 사물의 부분(눈, 코, 귀)을 만들고, 마지막 층은 그 부분들을 모아 전체(고양이 얼굴)를 인식합니다.

이렇게 층층이 쌓인 구조 덕분에, 딥러닝은 이미지뿐 아니라 소리, 문장, 심지어 냄새 데이터처럼 매우 복잡하고 비정형적인 정보에서도 스스로 의미를 찾아낼 수 있게 되었습니다. 반면 전통적인 머신러닝은 데이터의 구조가 비교적 단순하고, 사람이 미리 어떤 특징이 중요한지 알고 있는 경우(예: 나이, 소득, 신용점수로 대출 여부를 예측하는 것)에는 여전히 매우 효율적이고 강력합니다.

데이터와 컴퓨팅 자원이라는 결정적 변수

딥러닝이 전통적 머신러닝보다 반드시 ‘더 좋은’ 것은 아닙니다. 딥러닝에는 뚜렷한 전제 조건이 있기 때문입니다. 바로 ‘많은 데이터’와 ‘많은 계산 자원’입니다.

신경망의 각 층에는 수많은 ‘가중치(weight)’라는 숫자가 존재하고, 학습이란 이 숫자들을 데이터에 맞춰 조금씩 조정해 나가는 과정입니다. 층이 깊어질수록 조정해야 할 숫자의 개수는 수백만, 수억, 최근의 거대 언어모델은 수천억 개에 이릅니다. 이렇게 많은 숫자를 제대로 조정하려면 그만큼 많은 데이터를 보여줘야 하고, 그 계산을 감당할 만큼 강력한 하드웨어가 필요합니다.

반면 전통적인 머신러닝 기법들, 이를테면 의사결정나무(decision tree)나 랜덤 포레스트(random forest), 서포트 벡터 머신(SVM) 같은 기법들은 상대적으로 적은 데이터로도, 일반 노트북 수준의 컴퓨팅 자원으로도 충분히 좋은 성능을 냅니다. 그래서 데이터가 많지 않거나, “왜 이런 결정을 내렸는지” 설명이 중요한 분야(대출 승인 심사, 의료 진단의 근거 제시 등)에서는 지금도 전통적인 머신러닝이 딥러닝보다 더 선호되는 경우가 많습니다. 딥러닝은 내부에서 어떤 계산이 일어나는지 사람이 직관적으로 설명하기 어렵다는 뜻에서 종종 ‘블랙박스’라고 불리기도 합니다.

실제 사례로 보는 차이

이해를 돕기 위해, 실제 업계에서 두 기술이 어떻게 다르게 쓰이는지 살펴보겠습니다.

넷플릭스나 아마존의 초기 추천 시스템은 ‘협업 필터링’이라는, 전통적인 머신러닝에 가까운 기법을 오래도록 사용했습니다. “당신과 비슷한 취향의 사람들이 좋아한 상품”이라는 비교적 단순한 통계적 패턴을 찾아내는 방식이었고, 이는 방대한 데이터센터 없이도 충분히 효율적으로 작동했습니다.

반면 자율주행 자동차의 ‘카메라로 도로 위 보행자와 신호등을 인식하는 기능’은 딥러닝, 그중에서도 합성곱 신경망(CNN)이라는 구조 없이는 사실상 구현이 불가능했습니다. 도로 위의 상황은 너무나 복잡하고 다양해서, 사람이 “보행자란 이런 모양이다”라고 일일이 규칙으로 정의하는 것 자체가 불가능하기 때문입니다.

의료 분야도 좋은 대조 사례입니다. 환자의 나이, 혈압, 콜레스테롤 수치 같은 정형화된 숫자 데이터를 바탕으로 심장병 위험도를 예측하는 모델은 지금도 전통적인 머신러닝(로지스틱 회귀, 랜덤 포레스트 등)으로 충분히 높은 정확도를 냅니다. 이런 모델은 “어떤 수치가 위험도를 얼마나 높였는지” 의사에게 설명하기도 쉽습니다. 하지만 흉부 엑스레이 사진을 보고 폐암의 초기 징후를 찾아내는 작업은 이미지라는 매우 복잡한 데이터를 다뤄야 하기 때문에 딥러닝이 압도적으로 강력한 성능을 보여줍니다. 실제로 2020년을 전후해 여러 연구팀이 딥러닝 기반 영상 판독 모델이 숙련된 방사선과 전문의와 비슷하거나 특정 조건에서는 더 높은 수준의 진단 정확도를 보였다는 연구 결과를 발표하기도 했습니다.

챗GPT나 미드저니 같은 최근의 생성형 AI는 모두 딥러닝, 그중에서도 ‘트랜스포머(Transformer)’라는 특정한 신경망 구조를 기반으로 합니다. 이 구조는 문장 속 단어들 사이의 관계, 혹은 이미지 속 픽셀들 사이의 관계를 아주 깊은 층을 통해 학습하며, 인터넷 전체 규모에 가까운 방대한 텍스트와 이미지 데이터를 학습에 사용합니다. 이런 규모의 데이터를 다룰 수 있게 된 것 자체가, 앞서 설명한 ‘깊은 신경망 + 방대한 데이터 + 강력한 GPU’라는 조합이 갖춰졌기 때문에 가능해진 일입니다.

한눈에 보는 비교

구분	전통적 머신러닝	딥러닝
정의	데이터로부터 규칙을 스스로 학습하는 AI 방법론 전반	머신러닝 중 인공신경망을 여러 겹 깊게 쌓은 방식
특징 추출	사람이 미리 정의(수작업)	신경망이 스스로 발견
필요 데이터량	상대적으로 적어도 작동	대량의 데이터 필요
필요 컴퓨팅 자원	일반 컴퓨터로도 가능	GPU 등 고성능 하드웨어 필요
결과 해석 가능성	비교적 높음 (설명 가능)	낮음 (블랙박스 성격)
대표 기법	결정나무, 랜덤 포레스트, SVM, 로지스틱 회귀	CNN, RNN, 트랜스포머 등
강점 분야	정형 데이터(수치, 표 형태)	비정형 데이터(이미지, 음성, 텍스트)
대표 사례	신용카드 부정거래 탐지, 대출 심사	이미지 인식, 자율주행, 챗GPT
등장 시기	1980~90년대부터 본격화	2012년 이후 폭발적 성장

오늘날 우리에게 이 구분이 왜 여전히 중요한가

딥러닝이 화려하게 주목받고 있지만, 그렇다고 전통적인 머신러닝이 낡은 기술이 되어 사라진 것은 결코 아닙니다. 오히려 현실의 많은 산업 현장에서는 지금 이 순간에도 전통적인 머신러닝이 조용히, 그러나 확실하게 일하고 있습니다. 은행의 신용평가 시스템, 보험사의 보험료 산정, 제조업 공장의 불량품 예측 시스템 상당수가 여전히 해석 가능성이 높은 전통적 머신러닝을 선택하고 있습니다. 규제 산업에서는 “왜 이 사람의 대출이 거절되었는가”를 설명해야 할 법적 의무가 있는 경우가 많은데, 딥러닝의 블랙박스 특성은 이런 요구와 잘 맞지 않기 때문입니다.

반대로 우리가 일상에서 “와, 이거 정말 신기하다”고 느끼는 AI, 즉 사진 속 얼굴을 인식하고, 목소리를 텍스트로 바꾸고, 자연스러운 문장을 만들어내고, 그림을 그려주는 기술들은 거의 예외 없이 딥러닝의 산물입니다. 이런 능력들의 공통점은 하나같이 사람이 “무엇을 기준으로 판단해야 하는지” 명확한 규칙으로 정리하기 어려운 영역이라는 점입니다. 얼굴이라는 것을, 목소리라는 것을, 언어라는 것을 몇 가지 숫자로 정의하기란 불가능에 가깝습니다. 바로 이 지점, ‘사람도 명확히 설명하기 힘든 복잡한 패턴’을 다뤄야 할 때 딥러닝의 진가가 드러납니다.

결국 두 기술의 구분은 단순한 학술적 분류가 아니라, “이 문제에 어떤 도구가 적합한가”를 판단하는 실용적인 나침반입니다. 기업이 AI 프로젝트를 시작할 때 가장 먼저 던져야 할 질문도 “우리는 딥러닝을 써야 하는가, 아니면 더 가볍고 설명 가능한 전통적 머신러닝으로도 충분한가”입니다. 화려해 보인다고 무조건 딥러닝을 선택하는 것은, 마치 동네 마트에 갈 때 대형 트럭을 몰고 가는 것과 비슷한 일일 수 있습니다.

핵심 정리

• 머신러닝은 “데이터로부터 스스로 규칙을 학습하는 AI 방법론 전체”를 가리키는 큰 범주다.
• 딥러닝은 그 머신러닝 안에 속한 하나의 하위 방법론으로, 인공신경망을 여러 겹 깊게 쌓아 만든 방식이다.
• 가장 결정적인 차이는 “무엇을 기준으로 판단할지”를 사람이 정하느냐(전통적 머신러닝), 기계가 데이터에서 스스로 찾아내느냐(딥러닝)에 있다.
• 딥러닝은 대량의 데이터와 강력한 컴퓨팅 자원(GPU)이 뒷받침되어야 제 성능을 발휘한다.
• 전통적 머신러닝은 결과 해석이 쉽고 자원이 적게 들어, 규제나 설명 책임이 중요한 분야에서 여전히 널리 쓰인다.
• 이미지, 음성, 언어처럼 사람도 명확한 규칙으로 정의하기 힘든 복잡한 데이터를 다룰 때는 딥러닝이 압도적으로 강력하다.

오늘의 한 문장

머신러닝이 “기계가 스스로 배우게 하자”는 큰 발상이었다면, 딥러닝은 그 발상을 “사람이 알려주지 않은 것까지 기계가 스스로 발견하게 하자”는 곳까지 밀어붙인, 머신러닝의 가장 야심찬 한 갈래였습니다.

FAQ

Q1. 머신러닝과 딥러닝 중 어느 것이 더 좋은 기술인가요? 어느 한쪽이 절대적으로 우월한 것은 아닙니다. 데이터가 적고 결과에 대한 설명이 중요한 문제(대출 심사 등)라면 전통적인 머신러닝이 더 적합할 수 있고, 이미지나 음성처럼 복잡하고 방대한 비정형 데이터를 다뤄야 한다면 딥러닝이 훨씬 강력합니다.

Q2. 딥러닝은 왜 ‘딥(deep)’이라는 이름이 붙었나요? 인공신경망을 이루는 층(layer)을 여러 겹, 즉 ‘깊게(deep)’ 쌓았다는 의미에서 붙은 이름입니다. 층이 얕은 신경망은 딥러닝이라 부르지 않고 그냥 신경망이라고 부릅니다.

Q3. 챗GPT는 머신러닝인가요, 딥러닝인가요? 챗GPT는 딥러닝, 그중에서도 트랜스포머라는 구조를 기반으로 만들어졌습니다. 따라서 딥러닝이면서 동시에 머신러닝의 한 종류이기도 합니다.

Q4. 딥러닝을 배우려면 머신러닝을 먼저 알아야 하나요? 그렇습니다. 딥러닝은 머신러닝의 기본 개념(학습, 데이터, 손실 함수, 과적합 등) 위에 신경망이라는 특정 구조를 더한 것이기 때문에, 머신러닝의 기초를 먼저 이해하면 딥러닝을 훨씬 수월하게 익힐 수 있습니다.

Q5. 딥러닝은 왜 결과를 설명하기 어려운가요? 딥러닝 모델 내부에는 수백만에서 수천억 개에 이르는 숫자(가중치)가 복잡하게 얽혀 있어서, 특정 결과가 나온 이유를 사람이 직관적인 언어로 설명하기가 매우 어렵습니다. 이 때문에 딥러닝은 흔히 ‘블랙박스’라고 불립니다.