이 책의 핵심
- 화면의 87퍼센트를 두고 물어야 할 것은 믿을지 말지가 아니라 어디까지, 어떤 조건에서 믿을지입니다.
- 이 점수가 확률인지 순위인지부터 다릅니다. 정확도 95퍼센트도 무엇과 비교해 높은 것인지 알아야 뜻이 생깁니다.
- 정답 데이터는 누군가 어떤 기준으로 붙인 것입니다. 그 기준을 모르면 모델이 무엇을 배웠는지도 알 수 없습니다.
- 시험에서 맞고 현실에서 틀리는 이유, 사람이 승인했는데도 사고가 나는 이유를 아는 데 수학은 필요 없습니다. 필요한 것은 판단의 구조입니다.
- 모델이 수요를 이해했다는 말은 편리하지만, 학습한 것은 사람들이 왜 그렇게 행동하는지가 아니라 데이터 안에서 입력과 결과가 함께 움직인 관계입니다.
- 같은 0.72 를 받고도 회사마다 다른 행동이 나옵니다. 모델의 숫자와 사람의 결정 사이에는 임계값과 예측 범주와 업무 규칙이라는 단계가 놓여 있습니다.
- 정확도가 같아도 확률의 신뢰도는 다를 수 있습니다. 90퍼센트라고 말한 사례에서 실제로 몇 건이 맞았는지를 따로 확인해야 합니다.
- 예측에 쓰는 정보 가운데 결과를 이미 아는 값이 섞이면 시험 성적은 올라가고 현실에서는 무너집니다. 그 값을 예측 시점에 알 수 있는지를 물어야 합니다.
EPUB으로 소장하기
전체 내용과 부록을 EPUB으로 읽고 소장할 수 있습니다.
9,500원
화면에 87퍼센트라고 떠 있습니다. 대출 심사 화면일 수도, 이상 거래 경보일 수도, 채용 서류 점수일 수도, 생성형 AI가 자신 있게 써 준 보고서 초안 옆의 신뢰도일 수도 있습니다. 이 숫자를 믿어도 될까요. 대부분의 사람은 둘 중 하나로 답합니다. 높으니까 따르거나, AI는 못 믿겠다며 무시하거나. 이 책은 그 둘 다 틀린 답이라고 말합니다. 물어야 할 것은 믿을지 말지가 아니라, 어디까지, 어떤 조건에서 믿을지입니다.
머신러닝을 다루는 책은 보통 두 갈래입니다. 수식과 코드로 모델을 만드는 법을 가르치는 책이거나, AI가 세상을 어떻게 바꿀지 전망하는 책입니다. 그런데 정작 회의실에서 필요한 것은 그 사이에 있습니다. 이 점수는 확률인가 순위인가. 정확도 95퍼센트는 무엇과 비교해 높은 것인가. 정답 데이터는 누가 어떤 기준으로 붙였는가. 시험에서는 맞았는데 현실에서는 왜 틀리는가. 사람이 마지막에 승인했는데도 왜 사고가 나는가. 이 질문에 답하는 데 수학은 필요 없습니다. 필요한 것은 판단의 구조입니다.
이 책은 그 구조를 여덟 단계로 정리합니다. 문제, 데이터, 정답, 모델, 평가, 현실, 결정, 운영. 어떤 문제를 풀었는지, 데이터가 누구를 담았는지, 정답을 누가 만들었는지, 모델이 어떤 오류를 내는지, 무엇과 비교해 평가했는지, 실제 환경에서도 같은지, 사람이 결과를 바꿀 수 있는지, 틀렸을 때 멈출 수 있는지. 32개 장이 이 여덟 단계를 따라가며, 각 장은 실제 업무에서 벌어지는 장면에서 출발합니다. 정확도 99.9퍼센트인데 위험 거래를 전부 놓친 모델, 추천이 취향을 읽는 것이 아니라 만들어 버리는 구조, 검토자가 20초 안에 승인 버튼을 누르게 만드는 화면, 출시 뒤 조용히 낡아 가는 모델까지. 생성형 AI도 별도 장이 아니라 매 장 끝에서 같은 질문으로 다룹니다. 유창한 문장이 왜 사실의 확률이 아닌지, 벤치마크 1위가 왜 우리 업무의 성능을 보장하지 않는지 같은 식으로요.
숫자를 읽는 법도 구체적으로 다룹니다. 정확도와 캘리브레이션이 왜 다른 축인지, 정밀도와 재현율이 각각 무엇을 지키는지, 임계값 하나를 옮기면 경보량과 검토 업무가 어떻게 달라지는지, 평균 성능이 어떤 집단의 실패를 가리는지를 가상의 건수로 따라가며 확인합니다. 50점의 도판이 각 개념을 한 장으로 보여 줍니다.
책을 덮은 뒤에도 쓰이도록 부록을 붙였습니다. 32개 장의 결론을 한 장씩 압축한 판단 카드 32종, 도입 검토 회의에서 한 페이지로 쓰는 체크리스트, 서비스 기획자용과 모델 운영자용 체크리스트, 생성형 AI 결과를 검토할 때 쓰는 체크리스트, 핵심 용어집, 그리고 검토 결과를 적는 기록지입니다. 국내 사례도 함께 담았습니다. 인공지능기본법의 구조, 공정거래위원회의 배차 알고리즘과 검색 순위 사건, 개인정보위원회의 생성형 AI 서비스 점검, 금융분야 인공지능 가이드라인, 한국어 벤치마크 KMMLU 연구를 2026년 8월 기준으로 확인해 실었습니다.
AI 도입을 결정하거나 승인해야 하는 관리자, 모델 결과를 화면으로 받아 업무에 쓰는 실무자, 개발팀과 협업하는 기획자와 운영자, AI 서비스의 영향을 받는 쪽에서 질문을 던져야 하는 사람, 그리고 머신러닝이 무엇인지 한 번은 제대로 알고 싶었던 독자에게 권합니다. 개발자가 아니어도 읽을 수 있도록 썼지만, 개발자가 읽어도 비개발 동료에게 무엇을 어떻게 설명해야 하는지 얻어 갈 수 있습니다.
이 책은 AI를 믿어도 된다고도, 믿지 말라고도 하지 않습니다. 완벽한 모델도, 모든 경우에 통하는 기준도 없기 때문입니다. 다만 같은 87퍼센트 앞에서 던질 질문이 달라집니다. 이 값은 점수인가 확률인가. 무엇과 비교해 높은가. 어떤 사람과 환경에서 틀리는가. 누가 어느 기준에서 행동으로 바꾸며, 잘못되면 멈추고 되돌릴 수 있는가. 숫자는 그대로지만, 그 숫자를 대하는 기준이 달라집니다.
서지정보
| ISBN | 9791143821669 |
|---|---|
| 발행처 | 작가와 |
| 웹 공개 | 보이드로그 |
| 출간일 | 2026-08-27 |
| 형식 | EPUB |
| 언어 | 한국어 |
| 이용등급 | 제한없음 |
| 정가 | 9,500원 |
전체 목차
- 프롤로그. 화면에 표시된 87퍼센트는 무엇을 뜻하는가
- 1부. 기계는 무엇을 배우는가
- 1장. 규칙을 입력하지 않고 답을 찾는 기계
- 2장. 머신러닝은 무엇을 배우는가
- 3장. 예측은 정답이 아니라 가능성이다
- 4장. 모델이 말하는 90퍼센트는 진짜 90퍼센트인가
- 5장. 생성형 AI도 머신러닝인가
- 2부. 데이터는 어떻게 판단의 재료가 되는가
- 6장. 데이터는 현실의 복사본이 아니다
- 7장. 기계가 볼 수 있는 형태로 바꾸기
- 8장. 좋은 데이터보다 먼저 좋은 문제
- 9장. 정답은 누가 만드는가
- 10장. 학습용 데이터와 시험용 데이터를 나누는 이유
- 11장. 데이터 누수라는 조용한 사고
- 3부. 문제 유형마다 틀리는 방식이 다르다
- 12장. 분류는 경계를 만든다
- 13장. 회귀는 평균적으로 맞는다
- 14장. 군집에는 정답이 없다
- 15장. 추천은 현실을 예측하지 않고 바꾼다
- 16장. 드문 것과 나쁜 것은 다르다
- 4부. 숫자를 어떻게 읽어야 하는가
- 17장. 정확도 95퍼센트는 무엇보다 나은가
- 18장. 정확도가 높은데 왜 중요한 사례를 놓치는가
- 19장. 정밀도와 재현율은 무엇을 지키는가
- 20장. 임계값을 바꾸면 결과가 달라진다
- 21장. 평균 성능이 감추는 사람들
- 22장. 정답이 하나가 아닌 결과는 어떻게 평가하는가
- 5부. 시험에서 맞은 모델은 현실에서도 맞는가
- 23장. 너무 단순하거나 너무 많이 외운 모델
- 24장. 시험에서는 맞았는데 현실에서는 틀리는 이유
- 25장. 데이터가 바뀌면 모델의 의미도 바뀐다
- 26장. 벤치마크 점수가 실제 실력을 보장하지 않는 이유
- 27장. 상관관계를 원인으로 착각할 때
- 6부. 예측을 실제 결정으로 바꾸는 법
- 28장. 모델의 목표와 서비스의 목표가 충돌할 때
- 29장. 사람을 어디에 개입시킬 것인가
- 30장. 사람이 확인했는데도 왜 틀리는가
- 31장. 출시 후에도 모델을 시험해야 한다
- 32장. 그 판단을 어디까지 믿어야 하는가
- 에필로그. 믿을지 말지를 정하는 기준
- 부록 A. 판단 카드 32종
- 부록 B. 한 페이지 AI 도입 검토 체크리스트
- 부록 C. AI 서비스 기획자용 체크리스트
- 부록 D. 모델 운영자용 체크리스트
- 부록 E. 생성형 AI 결과 검토 체크리스트
- 부록 F. 핵심 용어집
- 부록 사용 후 기록지
- 참고자료
본문 읽기
저자 소개
허구진은 기술과 인문, 과학과 일상을 오가며 실용서를 쓰는 필명이다. 특정 분야의 전문가 자격으로 쓰지 않는다. 공개된 자료와 공식 문서를 직접 확인해 읽는 순서로 다시 배열하고, 확인한 것과 확인하지 못한 것을 나눠 적는 방식으로 작업한다. 개념을 길게 설명하기보다 독자가 판단을 내려야 하는 지점을 앞에 두고, 그 자리에서 무엇을 대조하면 되는지를 남긴다. AI 도구를 집필과 정리 과정에 사용하며 그 사실을 각 책과 공개 본문에 밝힌다. 최종 구성과 사실 확인, 문장의 책임은 저자에게 있다.
같은 저자의 다른 책
최종 수정일 2026년 9월 3일
이 콘텐츠는 저자가 기획하고 AI 도구를 집필·정리 과정에 활용했습니다. 구성, 사실 확인, 표현, 최종 판단과 출판 책임은 저자와 보이드로그에 있습니다.