능동 학습(Active Learning)이란? AI가 먼저 라벨링할 데이터를 고르는 방법

TL;DR

능동 학습(Active Learning)은 모델이 아직 라벨이 없는 데이터 가운데 학습에 도움이 될 사례를 골라 사람에게 정답을 요청하고, 받은 라벨로 다시 학습하는 방식입니다. 모든 데이터를 무작위로 라벨링하기보다 경계가 모호하거나 정보 가치가 큰 사례를 먼저 확인해 같은 예산을 더 효율적으로 쓰려는 접근입니다. 다만 모델의 불확실성이 곧 중요도나 대표성을 보장하지 않으므로 무작위 표본, 독립 검증셋, 사람의 품질 검토가 함께 필요합니다.

핵심 3줄 요약

• 핵심 1
  능동 학습은 AI가 먼저 물어볼 데이터를 고르는 학습 방식입니다. 미라벨 데이터에서 유용한 사례를 선택하고 사람이 라벨을 붙입니다.
• 핵심 2
  목표는 라벨 수를 무조건 줄이는 것이 아니라 같은 비용으로 더 나은 학습 데이터를 얻는 것입니다. 희소하거나 라벨링이 비싼 업무에서 특히 유용합니다.
• 핵심 3
  불확실한 사례만 모으면 데이터가 치우칠 수 있습니다. 대표성, 라벨 품질, 별도 검증셋과 종료 기준을 함께 관리해야 합니다.

이 글에서 다룰 내용

능동 학습을 한 문장으로 정의하면 무엇인가요?

능동 학습은 학습 알고리즘이 미라벨 데이터 중 어떤 사례의 라벨을 먼저 얻을지 선택하고, 새로 확인한 라벨을 반영해 모델을 반복해서 개선하는 학습 방식입니다.

Google 머신러닝 용어집은 능동 학습을 알고리즘이 배울 데이터 일부를 직접 고르는 훈련 접근법으로 정의합니다. 라벨이 부족하거나 정답을 얻는 비용이 클 때 특히 가치가 있으며, 데이터를 폭넓게 모으는 데 그치지 않고 모델에 필요한 사례를 선택적으로 찾는다고 설명합니다.

핵심은 모델이 정답을 스스로 만드는 데 있지 않습니다. 모델은 먼저 확인할 후보를 정하고, 사람이나 신뢰할 수 있는 별도 절차가 정답을 제공합니다. 선택, 라벨링, 재학습, 평가가 한 번으로 끝나지 않고 반복됩니다.

한 줄 정리: 능동 학습은 모든 문제를 풀어 달라고 맡기는 방식이 아니라, AI가 지금 가장 궁금한 문제를 먼저 골라 사람에게 묻는 방식입니다.

쉬운 예시로 이해해 볼까요?

감자나라ai님이 고객 문의를 배송, 환불, 상품 문의로 분류하는 AI를 만든다고 가정해 보겠습니다. 아직 라벨이 없는 문의가 10만 건 있지만 한 건씩 사람이 읽고 정답을 붙이기에는 시간과 비용이 많이 듭니다.

초기에는 각 유형이 섞인 작은 표본에 사람이 라벨을 붙여 첫 모델을 만듭니다. 모델은 남은 문의를 읽고 “배송이 늦어서 환불하고 싶어요”처럼 배송과 환불 사이에서 판단이 흔들리는 문장을 찾습니다. 담당자가 이 문장에 정답을 붙이면 모델은 어려운 경계를 더 잘 배울 수 있습니다.

다음 차례에는 비슷한 모호한 문의만 고르지 않도록 새로운 상품, 짧은 문장, 드문 불만 유형도 섞습니다. 새 라벨로 모델을 다시 학습하고 별도 검증셋에서 성능을 확인합니다. 추가 라벨을 붙여도 개선 폭이 작아지거나 예산에 도달하면 반복을 멈춥니다.

쉬운 예시: 시험을 준비하는 학생이 이미 잘 아는 문제를 계속 푸는 대신, 자주 틀리거나 새로운 유형의 문제를 골라 선생님에게 풀이를 묻는 과정과 비슷합니다.

AI를 사용할 때 왜 중요한가요?

첫째, 라벨링 비용을 학습 가치가 큰 곳에 집중합니다. 의료 영상, 법률 문서, 제조 불량처럼 전문가 판단이 필요한 데이터는 정답 한 건을 얻는 데도 비용이 큽니다. 모든 사례를 같은 우선순위로 처리하기보다 모델이 어려워하는 사례부터 확인할 수 있습니다.

둘째, 드문 사례와 결정 경계를 빨리 찾을 수 있습니다. 무작위 표본에는 흔한 정상 사례가 많이 들어가기 쉽습니다. 능동 학습은 분류 경계에 가까운 사례나 모델들이 서로 다르게 판단한 사례를 앞쪽으로 가져올 수 있습니다.

셋째, 사람과 모델이 역할을 나눕니다. 모델은 많은 미라벨 데이터를 빠르게 점수화하고, 사람은 중요한 후보의 의미와 정답을 판단합니다. 사람이 모든 데이터를 처음부터 읽는 것보다 검토 범위를 좁힐 수 있습니다.

넷째, 학습 데이터 수보다 정보 가치를 보게 합니다. 라벨 1만 개가 있어도 비슷한 쉬운 사례만 반복되면 새로 배우는 내용이 적습니다. Google Research는 능동 학습을 데이터 라벨링과 모델 학습을 결합해 성능 개선에 가치가 큰 데이터를 우선 선택하는 접근으로 설명합니다.

다섯째, 운영 중 새 유형을 반영하는 통로가 됩니다. 상품, 표현, 정책이 바뀌면 모델이 어려워하는 입력도 달라집니다. 새로 쌓인 데이터에서 검토할 후보를 골라 학습 데이터에 추가하면 변화에 대응하기 쉬워집니다.

핵심 인사이트: 능동 학습의 성과는 “라벨을 몇 개 줄였는가”보다 “같은 라벨 예산으로 실제 목표 지표를 얼마나 개선했는가”로 판단해야 합니다.

능동 학습은 어떤 순서로 진행되나요?

1. 작은 초기 라벨셋을 만듭니다

모델이 선택을 시작하려면 최소한의 학습 자료가 필요합니다. 업무 범위와 주요 유형을 담은 작은 표본에 사람이 라벨을 붙이고, 라벨 기준과 예외 처리 규칙도 함께 정합니다.

2. 첫 모델을 학습합니다

초기 라벨셋으로 모델을 학습합니다. 이 모델이 완벽할 필요는 없지만 후보를 점수화할 정도의 기본 신호는 있어야 합니다. 너무 이른 단계의 불안정한 모델만 믿으면 엉뚱한 사례를 계속 고를 수 있습니다.

3. 미라벨 데이터에서 후보를 고릅니다

가장 흔한 방법은 불확실성 샘플링입니다. 예측 확률이 비슷하거나 결정 경계에 가까운 사례를 우선합니다. 여러 모델의 판단이 갈리는 사례, 기존 라벨셋과 다른 사례, 데이터 전체를 잘 대표하는 사례를 함께 고르기도 합니다.

4. 사람이 라벨을 확인합니다

도메인 담당자나 검수자가 선택된 사례에 정답을 붙입니다. 서로 의견이 갈리는 사례는 기준을 보완하고 재검토합니다. 모호함 자체가 데이터 오류나 업무 규칙의 빈틈을 드러낼 수도 있습니다.

5. 새 라벨로 다시 학습하고 평가합니다

확인한 사례를 학습셋에 넣고 모델을 다시 학습합니다. 성능 평가는 능동 학습이 고른 데이터가 아니라 처음부터 분리해 둔 대표 검증셋에서 해야 합니다. 그래야 선택된 어려운 사례 때문에 지표가 왜곡되는 일을 줄일 수 있습니다.

6. 개선 폭과 비용을 보고 멈춥니다

라벨을 추가할 때마다 목표 지표, 오류 유형, 검토 시간과 비용을 기록합니다. 개선 폭이 충분히 작아졌거나 정한 품질·예산 기준에 도달하면 반복을 종료합니다.

실전 팁: 한 차례마다 선택 이유, 라벨 결과, 모델 버전, 검증 지표, 누적 비용을 남기면 어떤 표본 선택 전략이 실제로 도움이 됐는지 비교할 수 있습니다.

데이터 라벨링·지도학습·반지도학습과 무엇이 다른가요?

데이터 라벨링과의 차이

데이터 라벨링은 문장, 이미지, 음성 같은 데이터에 정답이나 속성을 붙이는 작업입니다. 능동 학습은 그 많은 데이터 가운데 어떤 사례를 먼저 라벨링할지 정하는 선택 전략입니다. 라벨링은 작업이고, 능동 학습은 작업 순서를 학습 목표에 맞게 정하는 방식입니다.

지도학습과의 차이

지도학습은 라벨이 있는 데이터로 입력과 정답의 관계를 배우는 넓은 학습 방식입니다. 능동 학습도 보통 지도학습 모델을 쓰지만, 라벨셋이 처음부터 고정되지 않습니다. 모델이 필요한 사례를 고르고 새 라벨을 받아 학습셋을 늘립니다.

반지도학습과의 차이

반지도학습은 적은 라벨 데이터와 많은 미라벨 데이터를 학습에 함께 활용합니다. 능동 학습은 미라벨 데이터 중 사람에게 정답을 물을 대상을 고릅니다. 둘은 경쟁 개념이 아니며, Google Research의 연구처럼 표본 선택과 반지도학습을 결합할 수도 있습니다.

불확실성 샘플링과의 차이

불확실성 샘플링은 능동 학습에서 후보를 고르는 한 가지 전략입니다. 모델의 확신이 낮은 사례를 우선하지만, 능동 학습 전체가 불확실성만 보는 것은 아닙니다. 대표성, 다양성, 예상 학습 효과와 라벨 비용을 함께 고려할 수 있습니다.

휴먼 인 더 루프와의 차이

휴먼 인 더 루프는 AI 과정에 사람의 검토, 승인, 수정이나 개입을 넣는 넓은 운영 방식입니다. 능동 학습은 이 가운데 사람이 라벨을 제공하고 모델이 다음 질문을 고르는 학습 구조에 가깝습니다.

비교 정리: 데이터 라벨링은 정답을 붙이는 일, 지도학습은 라벨로 배우는 방식, 반지도학습은 미라벨 데이터도 함께 쓰는 방식, 능동 학습은 다음에 정답을 물을 데이터를 고르는 방식입니다.

실전에서는 어디에 쓰이나요?

전문 검토가 비싼 업무

의료 영상, 계약서 조항, 산업 설비 결함처럼 전문가만 정확히 판단할 수 있는 사례에서 검토 우선순위를 정할 수 있습니다. 다만 위험이 큰 업무에서는 능동 학습이 고른 사례뿐 아니라 무작위 표본과 별도 안전 검토도 유지해야 합니다.

고객 문의와 콘텐츠 분류

새로운 표현, 복합 의도, 드문 불만처럼 기존 모델이 어려워하는 문장을 찾아 상담 담당자에게 라벨을 요청할 수 있습니다. 단순히 확신이 낮은 문장만 모으지 말고 주요 고객군과 업무 유형이 빠지지 않았는지도 봅니다.

이미지·문서 데이터 구축

상품 이미지, 영수증, 부품 사진처럼 비슷한 데이터가 많은 환경에서는 중복을 줄이고 정보가 다른 사례를 우선 검토할 수 있습니다. Google Research의 실제 실험은 태국어 분절 모델용 문서를 고를 때 모델 기반 선택과 무작위 선택을 비교했고, 오프라인 가정이 운영 환경에서 그대로 맞지 않을 수 있음을 보고했습니다.

자동 라벨링과 사람 검토의 결합

AWS 문서는 SageMaker Ground Truth의 자동 데이터 라벨링 과정에서 낮은 확신의 사례를 사람에게 보내고, 새 라벨로 모델을 갱신하는 반복 구조를 설명합니다. 다만 현재 이 서비스는 신규 고객에게 열려 있지 않습니다. 개념을 이해하는 실제 사례로 참고하되 새 도입 가능성은 최신 제품 문서를 따로 확인해야 합니다.

활용 기준: 미라벨 데이터가 충분하고 라벨 비용이 높으며, 사람이 답할 수 있는 명확한 라벨 기준과 독립된 평가셋이 있을 때 능동 학습을 검토할 가치가 큽니다.

사용할 때 무엇을 주의해야 하나요?

첫째, 불확실성이 곧 중요도는 아닙니다. 모델이 자신 없어 하는 이유가 새 유형 때문일 수도 있지만 입력 오류, 잡음, 라벨 기준의 모호함 때문일 수도 있습니다. 불확실성 점수만으로 자동 채택하지 말고 표본을 읽어야 합니다.

둘째, 선택 편향을 관리해야 합니다. 어려운 사례만 모으면 실제 데이터 분포와 다른 학습셋이 생길 수 있습니다. 무작위 표본과 다양성 기준을 섞고 사용자 집단, 지역, 언어와 업무 유형별 포함 비율을 확인합니다.

셋째, 검증셋을 선택 과정과 분리합니다. 능동 학습이 고른 사례로만 성능을 재면 모델이 전체 운영 데이터에서 좋아졌는지 알기 어렵습니다. 처음부터 고정한 대표 검증셋과 주요 집단별 지표를 함께 봅니다.

넷째, 사람의 라벨도 틀릴 수 있습니다. 질문이 모호하면 검수자 사이의 의견도 갈립니다. 라벨 지침, 예시, 다중 검토, 합의 절차와 품질 표본 검사를 마련해야 합니다.

다섯째, 초기 모델의 약점을 그대로 증폭하지 않습니다. 첫 모델이 특정 집단이나 드문 유형을 전혀 알아보지 못하면 그 사례를 유용한 후보로 올리지 못할 수 있습니다. 초기 표본을 넓게 잡고 무작위 탐색 비율을 남겨 둡니다.

여섯째, 오프라인 절감 효과를 운영 성과로 단정하지 않습니다. Google Research의 운영 사례는 시뮬레이션에서 둔 가정이 실제 라벨링 환경에서 어긋날 수 있음을 보여 줍니다. 검토 시간, 라벨 일치도, 실제 목표 지표와 유지 비용까지 측정해야 합니다.

주의: 능동 학습은 사람이 필요 없는 자동 라벨링이 아닙니다. 어떤 데이터를 물을지 모델이 골라도 정답 기준, 검수 품질, 대표성 판단과 최종 책임은 별도로 관리해야 합니다.

자주 묻는 질문

Q1. 능동 학습은 생성형 AI에도 쓸 수 있나요?

가능합니다. 챗봇 답변, 요약, 검색 결과와 도구 실행 기록 중 사람이 평가할 사례를 고르는 데 활용할 수 있습니다. 다만 정답이 하나가 아닌 생성형 결과는 선호, 사실성, 안전성처럼 평가 기준을 먼저 나누고 평가자 지침을 명확히 해야 합니다.

Q2. 모델이 가장 확신 없는 데이터만 고르면 되나요?

그것만으로는 부족합니다. 불확실한 사례가 중복되거나 잡음에 몰릴 수 있습니다. 대표성, 다양성, 업무 중요도, 라벨 비용과 무작위 탐색을 함께 고려해야 합니다.

Q3. 초기 라벨은 얼마나 필요하나요?

모든 업무에 통하는 고정 수치는 없습니다. 주요 유형과 예외를 담고 첫 모델이 후보를 구분할 수 있을 정도여야 합니다. 데이터 복잡도, 클래스 수, 모델, 라벨 품질에 따라 필요한 양이 달라집니다.

Q4. 능동 학습과 자동 라벨링은 같은 말인가요?

아닙니다. 능동 학습은 어떤 사례의 정답을 사람에게 물을지 선택하는 방식입니다. 자동 라벨링은 모델이 일부 데이터에 라벨을 직접 붙이는 절차입니다. 실제 시스템에서는 높은 확신의 사례를 자동 처리하고 낮은 확신의 사례를 사람에게 보내며 두 방식을 결합하기도 합니다.

Q5. 능동 학습이 효과가 있었는지 어떻게 확인하나요?

같은 라벨 예산에서 무작위 선택과 비교하세요. 독립 검증셋의 목표 지표, 집단별 성능, 라벨 한 건당 개선 폭, 검토 시간, 라벨 일치도와 운영 비용을 함께 기록하면 판단하기 쉽습니다.

출처

마무리

능동 학습은 모델이 미라벨 데이터에서 먼저 확인할 사례를 고르고, 사람이 제공한 라벨로 다시 배우는 반복 학습 방식입니다. 라벨을 많이 모으는 일보다 어떤 사례가 실제 성능 개선에 도움이 되는지 묻는 접근에 가깝습니다.

감자나라ai님이 데이터 라벨링 계획을 세울 때는 “몇 건을 처리할까?”와 함께 “어떤 사례를 먼저 확인하면 모델의 빈틈을 가장 잘 찾을까?”를 적어 보세요. 무작위 표본과 독립 검증셋을 유지하면서 이 질문을 반복하면 라벨 예산을 더 분명한 학습 성과로 연결할 수 있습니다.