[보안 101] 더보기 ▶

매달 하나의 주제를 선정해 질문을 던지며, 보안에 한 걸음 더 가까이 다가갑니다.
복잡하고 어렵게 느껴질 수 있는 보안 지식을 초보자도 쉽게 이해할 수 있도록, 기초 개념부터 최신 이슈까지 차근차근 풀어갑니다.

보안이 알고 싶을 땐, 보안 101으로 시작해 보세요.
물음표를 느낌표로 바꾸는 여정을 이글루코퍼레이션이 함께합니다.

인공지능의 세계는 한 도시의 성장 과정과 닮았습니다. 도시의 기초 설계도와 법칙이 세워지고(AI), 그 위에 건물과 도로가 만들어지며 기능이 구체화되죠(머신러닝). 어느 순간, 초고층 빌딩과 스마트 인프라가 들어서면서, 도시의 풍경이 완전히 됩니다(딥러닝). 최근에는 이 도시 안에 스스로 계획을 세우고 실행하는 ‘시장’과 같은 존재까지 등장했습니다 (에이전틱 AI).

이렇게 말하면 솔깃하지만 막상 “인공지능(AI), 머신러닝(ML, Machine Learning), 딥러닝(DL, Deep Learning), 에이전틱 AI(Agentic AI)의 차이가 뭔가요”라는 질문엔 머릿속이 하얘지는 경험, 여러분도 겪어보셨나요? 네 용어는 서로 연결되어 있지만 다른 영역을 나타내기 때문이죠. 이번 보안101에서는 이 ‘AI 도시’의 지도를 펼쳐, 이 기술들이 어디서 어떻게 연결되고 갈라지는지 차근차근 걸어보도록 하겠습니다.

01. AI, 머신러닝, 딥러닝이란

인공지능은 기술 학습, 추론, 지각 등 인간의 지능적 행위를 기계가 수행하도록 만드는 넓은 영역의 기술을 포괄합니다. 그 안에 머신러닝이 있고, 머신러닝 안에 딥러닝이 포함되지요. 즉, 규칙 기반 분류 시스템부터 최신 대규모 언어모델(LLM)까지 포함하는 개념입니다.

머신러닝은 AI의 하위 분야입니다. 데이터에서 패턴을 학습해 예측 또는 분류를 수행하는 데 집중하죠. 알고리즘이 데이터에 대한 학습을 통해 “스스로” 판단 기준을 만들고, 이에 따라 판단을 내립니다.

딥러닝은 머신러닝의 하위 영역입니다. 인간의 뇌 구조를 모방한 ‘인공신경망(Artificial Neural Network)’을 이용해 대규모 데이터에서 복잡한 패턴을 학습하죠. 얼굴 인식, 음성 인식 등 복잡하고 방대한 데이터를 처리하는 데 있어 강력한 성능을 발휘합니다.

머신러닝과 딥러닝은 데이터 특성과 양, 특징(feature) 추출, 필요한 연산 자원 등에서 차이를 보입니다:

구분	머신러닝	딥러닝
데이터 요구량	비교적 적은 데이터로도 학습 가능.	안정적으로 수많은 파라미터(가중치)를 학습하기 위한 방대한 데이터 필요
특징(Feature) 추출 방식	도메인 지식과 경험을 바탕으로 사람이 추출 진행 (전처리 의존도 높음)	신경망이 데이터에서 자동으로 추출 (전처리 의존도 낮음).
필요한 연산 자원	CPU 기반, 비교적 적은 연산 자원 필요.	비정형 데이터의 고차원 연산을 위한 고성능 연산 장치 필요.
주요 활용 조건	학습할 표본 데이터가 적거나, 의사결정 근거가 필요할 때, 빠른 개발/배포가 필요할 시	방대하고 복잡한 원시 데이터를 처리하거나 정확도가 높은 사안을 처리할 때, 충분한 자원이 확보할 때
실제 적용 사례	스팸 메일 선별, 상품 추천, 사기 행위 탐지, 수요 예측 등	얼굴/음성 인식, 의료 영상 진단, 번역/요약 등 대규모 자연어 처리 등

[표 1] 머신러닝과 딥러닝 비교

02. 지도학습, 비지도학습, 강화학습이란

머신러닝과 딥러닝은 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning), 강화학습(Reinforcement Learning) 등의 학습 패러다임(Learning Paradigms)에 따라 학습을 수행합니다.

· 지도학습: 정답이 있는 문제 풀기
· 비지도학습: 정답 없이 패턴 찾기
· 강화학습: 시행착오를 통해 더 강력한 전략 배우기

지도학습은 ‘정답이 있는 문제를 푸는’ 학습 방법입니다. 입력 데이터와 그에 대응하는 정답 (레이블, Label)을 학습한 알고리즘이 새로운 입력이 주어졌을 때, 올바른 출력값을 예측하는 것이지요. 예를 들면, 스팸 메일 패턴 학습을 통해, 새로운 스팸 메일이 들어올 시 이를 걸러낼 수 있습니다.

비지도학습은 ‘정답이 없는 데이터에서 숨겨진 구조나 패턴을 발견하는’ 학습 방법입니다. 데이터 간의 유사성, 군집 형태 등을 통해 숨겨져 있었던 고객 패턴을 세분화하거나(마케팅), 알려지지 않은 이상 행위를 탐지해 내는 (사이버 보안) 것입니다.

강화학습은 ‘환경과의 상호 작용을 통해 보상을 최대화하는 최적의 행동 전략을 찾는’ 학습 방법입니다. AI 알고리즘이 ‘행동 > 결과 > 보상 > 전략 개선’의 시행착오 (Trial & Error) 순환 구조를 통해, 장기적으로 가장 이득이 되는 행동을 찾아내는 것이지요.

자율주행차에 비유하자면, 하기와 같은 형태의 강화학습을 통해 더 나은 선택을 하게 됩니다:

✅(상황) 신호등과 보행자가 있는 도로를 달리는 자율주행차
✅(행동) 가속, 감속, 정지, 방향 전환.
✅(보상) 안전하게 목적지 도착 시 100점, 신호 위반 시 -50점, 사고 발생 시 -200점 부여.
✅(학습) 수많은 주행 데이터를 통해, “언제 멈추고 언제 가야 하는지”를 스스로 익힘

03. 에이전틱 AI란

그렇다면, 요즘 부상하는 에이전틱 AI는 뭐가 다른 걸까요? 앞서, ‘에이전틱’ AI는 AI 도시의 시장과도 같은 존재라고 설명드렸었지요? 기존의 AI가 명령을 받아 업무를 완수하는 유능한 팀원이었다면, 에이전틱 AI는 스스로 목표를 설정하고 상황에 적합한 전략을 수립하며 변수에 따라 세부 계획을 수정하는 ‘자율형 리더’에 가깝습니다.

즉, AI> 머신러닝> 딥러닝의 구조 속에서 에이전틱 AI는 ‘자율성’이라는 새로운 축을 더한 진화형 AI개념이라고 할 수 있습니다. 군집화된 AI 에이전트들이 스스로 목표를 설정하고, 계획을 세우고 실행하며, 결과를 평가·수정하는 것입니다.

레스토랑 주방의 예를 들어보겠습니다:    - 요리사 AI 에이전트: 메뉴 개발과 조리 담당  - 구매 AI 에이전트: 재료 주문과 재고 관리 담당 - 서빙 AI 에이전트: 손님 주문받기 및 음식 전달 담당 - 매니저 AI 에이전트: 전체 일정 및 품질 관리 담당     고객이 “오늘 저녁 7시에 먹을 4인 코스 요리”를 주문할 시, 위 AI 에이전트들이 실시간으로 대화를 하면서 필요한 정보를 주고받아 완벽한 요리를 만들어냅니다.

자율형 보안운영센터(Autonomous SOC)의 예도 들어보겠습니다:   - 분류 AI 에이전트 - 분석 AI 에이전트  - 위협인텔리전스 AI - 에이전트 챗봇 AI 에이전트 등   군집화된 보안 특화 AI 에이전트들이 서로 소통하며, 보안 담당자의 판단과 업무 실행에 영향을 미치는 탐지, 분석, 검색 등의 작업을 수행합니다.

04. 보안 특화 AI에이전트와 함께 AI 도시 안전을 확보하기

자, AI 도시 지도가 이제 어렴풋이 떠오르나요? 도시의 기초가 되는 AI, 스마트 빌딩과 자율주행차량과 같은 머신러닝과 딥러닝, 스스로 목표를 정하고 도시를 발전시키는 에이전틱 AI는 이미 도시 곳곳에 내재화되며 우리의 삶을 변화시키고 있습니다.

AI 기반 보안도 마찬가지입니다. 이 지도를 바탕으로 각 기술의 역할을 이해하고 AI 중심의 보안 전략을 전개한다면, 사이버 공격자들로 가득한 복잡한 미로 속에서도 최적의 경로를 찾아낼 수 있습니다. 특히, 보안에 특화된 AI 에이전트들이 모여 군집지능을 발휘하는 자율형 보안운영센터(Autonomous SOC) 구현 시에는 보안 위협에 더욱 민첩하게 대응하며 도시의 안전성을 확보할 수 있을 것입니다.

우리 함께 보안이 내재화된 안전한 AI 도시로 떠나보실까요?

🚀 AI 전환 시대의 성공적인 보안 전략, 지금 전문가와 함께 설계하세요!💡

💌 후속 콘텐츠, 계속 받아보세요 ▶