지도학습 vs 비지도학습: 라벨 하나가 만드는 완전히 다른 세계

선생님이 있는 교실 vs 혼자 탐험하는 정글

머신러닝을 처음 배울 때 가장 먼저 만나는 분류가 있습니다:

"지도학습(Supervised Learning)이란 라벨이 있는 데이터로 학습하는 것이고, 비지도학습(Unsupervised Learning)이란 라벨이 없는 데이터로 학습하는 것이다."

맞는 말이지만, 이것만으로는 왜 이 구분이 중요한지, 실무에서 어떤 차이를 만드는지 전혀 감이 오지 않습니다. "라벨"이 뭐길래 있고 없고가 그렇게 큰 차이를 만드는 걸까요?

이 글에서는 교실과 정글이라는 비유를 따라가며, 역사와 논문과 실전 사례로 이 두 세계의 차이를 진짜로 이해해 봅시다.

1. "라벨"이란 대체 뭘까?

본격적인 설명에 앞서, **라벨(Label)**이 뭔지 확실히 짚고 갑시다. 라벨은 데이터에 붙은 정답 태그입니다.

라벨을 만드는 건 비싸고 느립니다. 의사가 X-ray 사진 10만 장에 하나하나 "폐렴", "정상"이라고 표시해야 한다고 상상해보세요. 전문가의 시간, 비용, 그리고 "정답이 애매한 경우"의 판단까지 — 라벨링은 ML 프로젝트에서 가장 큰 병목 중 하나입니다.

이것이 바로 비지도학습이 존재하는 이유입니다. 세상의 대부분의 데이터에는 라벨이 없으니까요.

2. 지도학습: 선생님이 답을 알려주는 교실

핵심 개념

지도학습은 입력(X)과 정답(Y)의 쌍으로 학습합니다. 모델은 X를 보고 Y를 맞추는 함수를 배우는 것이죠.

입력(X)              →  모델  →  예측(Ŷ)
고양이 사진                       "고양이"
                                    ↕ 비교
                              정답(Y): "고양이" ✅

오차가 있으면 → 가중치 조정 → 다시 시도 (반복)

요리사 비유를 이어가면: 레시피(입력)와 완성된 요리 사진(정답)을 함께 주고, "이 레시피로 이 결과물을 만들어"라고 가르치는 것입니다. 학생은 자기가 만든 요리를 사진과 비교하며 점점 실력을 키웁니다.

두 가지 핵심 태스크

지도학습은 크게 **분류(Classification)**와 **회귀(Regression)**로 나뉩니다:

역사의 이정표

지도학습의 역사는 통계학과 함께 시작됩니다:

• 1805년 — 르장드르(Legendre)가 최소제곱법을 발표. 데이터에 가장 잘 맞는 직선을 찾는 방법으로, 회귀 분석의 시초입니다.
• 1936년 — 피셔(R.A. Fisher)가 "The Use of Multiple Measurements in Taxonomic Problems"에서 **선형 판별 분석(LDA)**을 소개. 붓꽃(Iris) 데이터셋으로 꽃잎 측정치만으로 품종을 분류했습니다. 이 데이터셋은 오늘날까지 ML 입문 예제로 사용됩니다.
• 1958년 — 로젠블랫의 퍼셉트론. 최초의 신경망 기반 지도학습.
• 1995년 — 코르테스와 바프닉(Cortes & Vapnik)이 **SVM(Support Vector Machine)**을 발표. 데이터를 가장 깔끔하게 나누는 경계면을 찾는 알고리즘으로, 2000년대 ML의 주류가 됩니다.
• 2001년 — 브레이만(Breiman)의 랜덤 포레스트. 여러 결정 트리의 투표로 더 정확한 예측.
• 2012년 — AlexNet이 ImageNet에서 딥러닝 기반 이미지 분류의 시대를 연다.

주요 알고리즘 한눈에

* 바 길이는 절대적 성능이 아니라, 최근 실무에서의 활용 범위를 직관적으로 표현한 것입니다.

실전 사례

사례 1 — 이메일 스팸 필터

가장 고전적인 지도학습 사례입니다. 수만 개의 이메일에 "스팸/정상" 라벨을 붙이고, 나이브 베이즈(Naive Bayes)나 로지스틱 회귀로 학습시킵니다. 1998년 Sahami et al.의 논문 "A Bayesian Approach to Filtering Junk E-Mail"이 이 분야의 시초이며, 지금도 Gmail의 스팸 필터는 지도학습이 핵심입니다.

사례 2 — 의료 영상 진단

X-ray, CT, MRI 이미지에 전문의가 "폐렴", "종양", "정상" 등의 라벨을 붙이고 CNN으로 학습시킵니다. 2017년 CheXNet(Rajpurkar et al.)은 10만 장의 흉부 X-ray로 학습하여 14가지 흉부 질환 진단에서 전문의 수준을 달성했습니다.

사례 3 — 자율주행의 객체 인식

도로 이미지에서 "보행자", "차량", "신호등", "차선" 등을 라벨링한 데이터로 학습합니다. KITTI, nuScenes 같은 대규모 라벨 데이터셋이 이 분야의 발전을 이끌었고, 수십만 시간의 인간 라벨러 작업이 투입된 결과물입니다.

3. 비지도학습: 정답 없이 정글을 탐험하다

핵심 개념

비지도학습은 라벨 없이 데이터의 숨겨진 구조와 패턴을 찾습니다. "정답"을 알려주지 않아도, 데이터 자체에서 의미 있는 정보를 추출하는 것이죠.

입력(X)               →  모델  →  발견
고객 100만 명의 구매 이력              "5개 그룹으로 나뉘네!"
                                       (정답 없이 스스로 발견)

비유하면: 아프리카 정글에 혼자 떨어진 탐험가입니다. 가이드(선생님)도 없고, 지도(라벨)도 없습니다. 하지만 주변을 관찰하며 "이 식물들은 비슷하네", "이 동물들은 항상 같이 다니네", "이 지역은 뭔가 이상하네"라는 패턴을 스스로 발견합니다.

세 가지 핵심 태스크

역사의 이정표

• 1901년 — 칼 피어슨(Karl Pearson)이 **PCA(주성분 분석)**의 기초를 제안. 고차원 데이터를 저차원으로 압축하는 방법으로, 차원 축소의 시초입니다.
• 1967년 — 맥퀸(MacQueen)이 K-means 클러스터링을 발표. "K개의 중심점을 반복적으로 이동시켜 데이터를 그룹화"하는 이 알고리즘은 60년이 지난 지금도 가장 많이 쓰이는 클러스터링 방법입니다.
• 1996년 — 에스터 등(Ester et al.)이 DBSCAN을 발표. K-means와 달리 그룹 수를 미리 정하지 않아도 되고, 불규칙한 형태의 클러스터도 찾을 수 있습니다.
• 2008년 — 반 데르 마텐과 힌턴(van der Maaten & Hinton)이 t-SNE를 발표. 고차원 데이터를 2D/3D로 시각화하는 기법으로, 데이터 탐색의 혁명을 가져옵니다.
• 2018년 — 맥기네스와 힐리(McInnes & Healy)가 UMAP을 발표. t-SNE보다 빠르고 전역 구조를 더 잘 보존합니다.

주요 알고리즘 한눈에

실전 사례

사례 1 — 넷플릭스의 고객 세분화

넷플릭스는 2억 명 이상의 가입자를 **수천 개의 "취향 클러스터"**로 분류합니다. "한국 드라마를 좋아하는 미국 20대", "다큐멘터리 마니아인 일본 40대" 같은 그룹이 자동으로 형성됩니다. 이 클러스터링은 라벨 없이, 순전히 시청 행동 패턴에서 도출됩니다. 그리고 이 그룹이 추천 시스템과 심지어 오리지널 콘텐츠 기획에까지 영향을 미칩니다.

사례 2 — 신용카드 이상 거래 탐지

"정상 거래"는 많지만 "사기 거래" 라벨은 극히 드뭅니다(전체의 0.1% 미만). 이런 극단적 불균형 상황에서는 비지도학습 기반 이상 탐지가 효과적입니다. Isolation Forest나 오토인코더로 "정상 패턴"을 학습한 뒤, 거기서 벗어나는 거래를 자동으로 플래그합니다.

사례 3 — 유전체학의 유전자 발현 분석

수만 개의 유전자 발현 데이터를 PCA와 클러스터링으로 분석하면, 비슷한 발현 패턴을 보이는 유전자 그룹을 발견할 수 있습니다. 2002년 논문 "Molecular Classification of Cancer"(Golub et al.)는 유전자 발현 클러스터링만으로 백혈병의 아형을 구분할 수 있음을 보여줬고, 정밀 의학의 문을 열었습니다.

사례 4 — 자연어 처리의 Word2Vec

2013년 미콜로프(Mikolov et al.)의 Word2Vec은 비지도학습의 아름다운 예시입니다. 라벨 없이 대량의 텍스트만 주었는데, 모델이 스스로 "왕 - 남자 + 여자 = 여왕"이라는 의미적 관계를 학습합니다. 단어의 의미를 벡터 공간에 배치하는 이 발견은 이후 모든 NLP 발전의 토대가 됩니다.

4. 같은 데이터, 다른 질문: 핵심 차이 한눈에 보기

같은 쇼핑몰 데이터가 있다고 합시다. 어떤 질문을 하느냐에 따라 접근법이 완전히 달라집니다:

비교 매트릭스

5. 그 사이 어딘가: 반지도학습과 자기지도학습

현실은 "지도 vs 비지도"의 이분법보다 복잡합니다. 그 사이를 채우는 중요한 학습 방식들이 있습니다.

반지도학습 (Semi-supervised Learning)

라벨이 있는 데이터 소량 + 라벨이 없는 데이터 대량을 함께 사용합니다.

현실에서 가장 흔한 상황입니다. 의료 이미지 100만 장이 있는데, 전문의가 라벨을 붙인 건 1,000장뿐인 경우. 반지도학습은 소량의 라벨 데이터로 대략적인 패턴을 잡고, 대량의 비라벨 데이터로 그 패턴을 보강합니다.

2013년 논문 "Pseudo-Label: The Simple and Efficient Semi-Supervised Learning Method"(Lee)은 모델이 비라벨 데이터에 스스로 "가짜 라벨"을 붙이고 이를 활용하는 간단하면서도 강력한 방법을 제시합니다.

자기지도학습 (Self-supervised Learning): 게임 체인저

자기지도학습은 데이터 자체에서 라벨을 만들어냅니다. 사람이 라벨을 안 붙여도, 데이터의 구조를 활용해 스스로 학습 과제를 만드는 것이죠.

자기지도학습이 2026년 AI의 핵심 패러다임이 된 이유는 간단합니다:

GPT, BERT, Claude, Gemini — 2026년을 정의하는 거의 모든 파운데이션 모델이 자기지도학습으로 사전학습됩니다. 얀 르쿤(Yann LeCun)은 자기지도학습을 **"AI의 다크 매터"**라고 부르며, 이것이 인간 수준 AI를 향한 열쇠라고 주장합니다.

6. 실무 의사결정: 내 문제엔 뭘 써야 할까?

하지만 실무에서는 이 흐름이 순차적이 아니라 순환적입니다:

비지도학습은 종종 지도학습의 전처리 단계입니다. PCA로 차원을 줄인 뒤 분류 모델을 학습시키거나, 클러스터링으로 데이터를 탐색한 뒤 라벨링 전략을 세우는 것이 흔한 패턴입니다.

7. 2026년, 이 개념을 어떻게 이해해야 하는가

자기지도학습이 판을 바꿨다

2026년 현재, 가장 강력한 AI 모델들은 자기지도학습으로 사전학습 → 지도학습으로 미세조정하는 2단계 패턴을 따릅니다.

GPT, Claude, Gemini 모두 이 패턴입니다. 결국 지도학습과 비지도학습은 대립이 아니라, 하나의 파이프라인 안에서 각자의 역할을 수행하고 있는 것이죠.

"라벨이 필요 없는 세상"이 올까?

자기지도학습의 발전으로 "라벨 없이도 엄청난 성능"이 가능해졌지만, 라벨은 여전히 중요합니다. 특히:

• 도메인 특화 태스크에서는 소량이라도 고품질 라벨이 성능을 크게 좌우합니다
• 평가를 위해서는 라벨이 필수입니다 — 모델이 잘 하고 있는지 어떻게 아나요?
• 규제 준수가 필요한 분야(의료, 금융)에서는 검증된 라벨 데이터가 법적 요구사항입니다

AI를 배우는 개발자에게

비지도학습은 "어떤 질문을 해야 할지 모를 때"의 도구이고, 지도학습은 "어떤 답을 원하는지 알 때"의 도구입니다.

실무 프로젝트의 흐름은 대개 이렇습니다:

1. 비지도학습으로 데이터를 먼저 탐색하세요. "데이터에 어떤 구조가 있는지" 감을 잡는 게 첫 번째입니다.
2. 탐색 결과를 바탕으로 라벨링 전략을 세우세요. 모든 데이터에 라벨을 붙일 필요 없습니다.
3. 소량의 고품질 라벨로 지도학습 모델을 학습시키세요.
4. 파운데이션 모델이 쓸 수 있다면, 자기지도학습 사전학습 모델 + 소량 미세조정이 가장 효율적입니다.

마무리: 정답지가 있는 세상과 없는 세상

세상의 데이터 대부분에는 라벨이 없습니다. 사람이 라벨을 붙이는 건 비싸고 느립니다. 이 현실적 제약이 비지도학습과 자기지도학습을 탄생시켰고, 결국 GPT와 Claude 같은 파운데이션 모델의 시대를 열었습니다.

하지만 지도학습이 구식이 된 건 아닙니다. 파운데이션 모델도 결국 특정 태스크에 적용될 때는 라벨 데이터로 미세조정됩니다. 의료 진단, 자율주행, 사기 탐지 — 정확성이 생명인 분야에서 지도학습은 여전히 핵심입니다.

좋은 ML 엔지니어는 이 도구들을 상황에 맞게 조합합니다. 데이터에 라벨이 있으면 지도학습, 없으면 비지도학습, 그리고 가능하다면 자기지도학습으로 사전학습된 모델을 활용하는 것. 결국 **"어떤 데이터가 있고, 어떤 질문에 답하고 싶은가?"**가 모든 선택의 출발점입니다.

참고 논문 및 자료

• Pearson, K. (1901). On Lines and Planes of Closest Fit to Systems of Points in Space. Philosophical Magazine.
• Fisher, R.A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics.
• Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model. Psychological Review.
• MacQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Berkeley Symposium.
• Vapnik, V. & Cortes, C. (1995). Support-Vector Networks. Machine Learning.
• Ester, M. et al. (1996). A Density-Based Algorithm for Discovering Clusters (DBSCAN). KDD.
• Sahami, M. et al. (1998). A Bayesian Approach to Filtering Junk E-Mail. AAAI Workshop.
• Golub, T. et al. (1999). Molecular Classification of Cancer: Class Discovery and Class Prediction. Science.
• Breiman, L. (2001). Random Forests. Machine Learning.
• van der Maaten, L. & Hinton, G. (2008). Visualizing Data using t-SNE. JMLR.
• Mikolov, T. et al. (2013). Efficient Estimation of Word Representations in Vector Space (Word2Vec). ICLR Workshop.
• Lee, D.-H. (2013). Pseudo-Label: The Simple and Efficient Semi-Supervised Learning Method. ICML Workshop.
• Devlin, J. et al. (2018). BERT: Pre-training of Deep Bidirectional Transformers. NAACL.
• McInnes, L. & Healy, J. (2018). UMAP: Uniform Manifold Approximation and Projection. JOSS.
• Chen, T. et al. (2020). A Simple Framework for Contrastive Learning of Visual Representations (SimCLR). ICML.
• He, K. et al. (2022). Masked Autoencoders Are Scalable Vision Learners (MAE). CVPR.
• Rajpurkar, P. et al. (2017). CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays. arXiv.