고려대에서 배워온 인공지능 수업
Quick Summary
고려대에서 배운 인공지능 수업의 중간고사 범위를 모은 영상으로, 에이전트의 탐색·게임 의사결정부터 확률과 조건부 독립을 활용한 모델링까지 연결해 설명한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
고려대에서 배운 인공지능 수업의 중간고사 범위를 모은 영상으로, 에이전트의 탐색·게임 의사결정부터 확률과 조건부 독립을 활용한 모델링까지 연결해 설명한다.
📌 핵심 요점
- 인공지능은 데이터 학습에만 한정되지 않는다. 영상은 주어진 규칙과 지식으로 행동 후보를 비교하고 목표 달성 계획을 찾는 에이전트도 AI의 범위로 설명한다.
- 탐색 알고리즘의 차이는 어떤 후보를 먼저 확인하느냐에 있다. 깊이, 단계, 누적 비용, 남은 예상 비용을 구분하고, A*는 누적 비용과 예상 비용을 함께 고려한다.
- 게임에서는 상대의 대응까지 계산해야 한다. 미니맥스는 상대가 자신의 효용을 최소화한다고 가정하며, 알파베타 가지치기와 깊이 제한은 계산 부담을 줄이는 방법으로 소개된다.
- 우연이 개입하면 기대 효용을 계산하고, 탐색 예산이 부족하면 시뮬레이션을 활용한다. 익스펙티맥스는 확률을 반영하고, 몬테카를로 트리 탐색은 성과와 불확실성을 고려해 탐색 기회를 배분한다.
- 관측한 증거와 변수 사이의 관계가 확률 판단을 바꾼다. 베이즈 규칙은 증거에 따라 확률을 갱신하고, 조건부 독립과 베이즈 네트워크는 복잡한 확률 모형을 간결하게 표현하는 데 쓰인다.
🧩 배경과 문제 정의
발표자는 고려대에서 배운 인공지능과 데이터 과학을 짧은 영상으로 연재해 왔으며, 이번 영상은 인공지능 중간고사 범위까지의 내용을 정상 속도로 모은 통합본이라고 소개한다. 내용은 최신 학습 모델의 구현보다 에이전트가 계획하고 판단하는 기초 원리에 초점을 맞춘다.
출발점은 길찾기다. 여기서 상대가 있는 게임, 우연이 개입하는 선택, 제한된 계산 예산, 오작동 가능한 센서로 문제를 확장한다. 마지막에는 조건부 독립과 베이즈 네트워크로 복잡한 세계를 필요한 관계만 남겨 표현하는 이유를 설명하고, 이를 강화학습의 준비 과정으로 연결한다.
🕒 시간순 섹션별 상세정리
1. 중간고사 범위를 모은 통합본의 취지
- 발표자는 인공지능 쇼츠 시리즈의 진도가 중간고사 범위를 넘어, 해당 범위까지 통합본을 만든다고 보여준다. [00:12]
- 기존 쇼츠의 빠른 재생을 정상 속도로 되돌려 대학에서 배우는 내용을 살펴볼 수 있도록 구성했다고 보여준다. [00:41]
2. 반응 에이전트와 계획 에이전트
- 반응 에이전트는 현재 상황에 맞춰 행동하고, 계획 에이전트는 여러 행동 후보의 미래 결과를 비교해 목표에 도달할 방법을 고른다. [01:40]
- 길찾기 예시에서는 막다른 길을 제외하고 도달 가능한 경로를 미리 정한 다음 행동하는 과정을 보여준다. [02:11]
3. 학습 없이도 계획하는 AI
- 영상은 데이터 학습을 하지 않더라도 주어진 지식으로 계획을 세우는 능력을 AI로 보여준다. [02:58]
- 정해진 이동 명령을 실행하는 것과, 답을 찾는 절차에 따라 후보를 찾고 걸러 경로를 선택하는 것을 구분한다. [03:18]
4. DFS와 BFS로 보는 탐색 순서
- DFS는 한 방향을 정해 깊게 살펴보고 막히면 다른 길을 찾는 방식으로 소개되며, 발견한 길이 가장 짧다는 보장은 없다고 보여준다. [04:02]
- 이어 BFS의 탐색과 비용 부담을 설명하지만, 제공 전사는 04:18 뒤 05:35로 건너뛰어 중간 설명이 비어 있다. [04:18]
5. 그리디·UCS·A*의 비용 비교
- 그리디는 목표까지 남은 비용의 예상에 따라 선택하므로, 초반에 좋아 보였던 길이 나중에 큰 비용을 요구할 수 있다. [06:03]
- UCS는 누적 비용, 그리디는 앞으로의 예상 비용을 보고, A*는 두 값을 합쳐 비교하는 방식으로 구분한다. [06:41]
- 탐색 방법의 핵심을 어느 후보부터 확인할 것인가로 정리하고, 행동 전에 계획한다는 공통점을 강조한다. [06:56]
6. 게임의 상태·효용·정책
- 게임은 상대의 선택도 결과에 영향을 미친다. 영상은 두 사람이 번갈아 행동하고 모든 정보가 보이며 우연이 없는 제로섬 게임을 예제로 삼는다. [07:29]
- 상태는 현재 판과 차례, 효용은 결과에 대한 점수, 정책은 효용을 높이기 위한 행동 규칙으로 보여준다. [08:11]
- 가능한 다음 상태를 트리로 펼치며 살펴볼 후보를 프런티어, 다음 상태를 만드는 과정을 확장이라고 보여준다. [08:37]
7. 미니맥스와 상대의 최선 대응
- 자신의 차례에는 효용을 높이고 상대의 차례에는 자신의 효용이 낮아진다고 보고, 상대의 대응까지 반영해 선택한다. [09:23]
- 미니맥스는 항상 승리한다는 약속이 아니라 상대가 최선의 수를 둔다고 가정한 판단 방식이다. 일반합·다인·팀 게임에서는 목표와 정책을 달리해야 한다. [10:00]
8. 알파베타 가지치기와 방문 순서
- 이미 확보한 선택보다 나아질 수 없는 가지는 끝까지 살펴보지 않아도 된다는 예시로 계산 절약을 보여준다. [11:11]
- 같은 트리라도 방문 순서에 따라 생략할 수 있는 노드 수가 달라지므로 순서가 중요하다고 강조한다. [11:42]
- 알파와 베타의 경계를 비교해 확인이 필요한 가지와 생략 가능한 가지를 나누는 방법을 알파베타 가지치기라고 정리한다. [11:57]
9. 깊이 제한·평가 함수·반복 심화
- 가지치기로도 시간이 부족하면 탐색 깊이를 제한하고, 그 지점의 추정값으로 미니맥스를 계산한다. [12:25]
- A*의 휴리스틱은 남은 비용을, 게임의 평가 함수는 현재 판의 유리함을 추정한다는 차이를 보여준다. [13:00]
- 깊이를 점차 늘리다가 시간이 끝나면 마지막으로 계산을 마친 깊이의 답을 사용한다. 이어 완전성은 답의 발견 가능성, 최적성은 가장 좋은 답의 발견 가능성으로 구분한다. [13:51]
10. 확률적 결과와 익스펙티맥스
- 확정적으로 4점을 얻는 선택과 절반의 확률로 0점 또는 10점을 얻는 선택을 비교하며, 후자의 기대 효용을 5점으로 계산한다. [14:47]
- 상대가 불리한 결과를 고르는 미니맥스와 확률에 따라 결과가 정해지는 경우는 선택이 달라질 수 있다. 기대 효용이 가장 큰 선택을 고르는 방식을 익스펙티맥스로 보여준다. [15:19]
- 확률이 바뀌면 기대 효용과 선택도 달라진다는 점을 보여준다. [15:32]
11. 확률 모형의 품질과 기대값의 의미
- 상대가 최선의 수를 두지 않는다면 행동 확률 모형을 사용할 수 있고, 상대의 선택과 우연이 함께 있으면 익스펙티미니맥스로 결합할 수 있다고 보여준다. [16:03]
- 기대값 5점은 한 번에 5점을 받는다는 뜻이 아니다. 예시의 실제 결과는 0점 또는 10점이며, 반복했을 때의 평균과 구분해야 한다. [16:20]
- 기대값 계산에는 여러 결과를 함께 살펴봐야 하므로 익스펙티맥스에서는 가지치기가 쉽지 않다고 보여준다. [16:43]
12. 몬테카를로 트리 탐색의 반복 과정
- 모든 가지를 끝까지 계산하기 어렵다면 가상 플레이 결과를 기록하며 트리를 키우는 몬테카를로 트리 탐색을 사용할 수 있다고 보여준다. [17:03]
- 적게 살펴본 후보에는 불확실성 보너스를 주고, 선택한 후보를 확장한 뒤 정해진 규칙으로 시뮬레이션한다. [17:44]
- 승패와 방문 횟수를 기록하고 결과를 상위 경로에도 반영하면서 반복한다. 한 번 이긴 결과만으로 승리를 확정하지 않는다. [18:02]
13. UCT와 탐색 예산 배분
- 결과가 쌓이면 성과가 좋은 후보에 탐색 예산을 더 쓰되, 다른 후보의 가능성도 놓치지 않도록 계속 살펴본다. [18:33]
- 성과와 불확실성의 균형을 잡는 기준을 UCT라고 설명하고, 예산이 끝난 예시에서는 방문 수가 높은 후보를 실제 행동으로 선택한다. [18:58]
- 모든 후보를 같은 횟수로 시험하는 대신 누적 결과에 따라 다음 탐색 대상을 정하는 것이 핵심이라고 정리한다. [19:19]
14. 누수 경보와 조건부 확률
- 센서 경보가 울려도 오작동 가능성이 있으므로 누수를 곧바로 확정할 수 없다. 누수 여부와 경보 여부를 확률 변수로 표현한다. [19:45]
- 예시의 결합 확률에서 누수 확률은 10%, 경보 확률은 17%이며, 경보가 울렸을 때 누수일 확률은 8/17로 약 47%가 된다. [20:39]
- 누수일 때 경보 확률 80%와 경보가 울렸을 때 누수 확률 약 47%는 조건의 방향이 다른 값이다. [21:02]
15. 베이즈 규칙으로 증거 반영하기
- 누수의 사전 확률 10%, 누수 시 경보 확률 80%, 누수가 없을 때 경보 확률 10%를 이용해 전체 경보 확률 17%를 계산한다. [21:35]
- 사전 확률에 가능성을 곱하고 전체 증거 확률로 나누는 베이즈 규칙을 보여준다. [21:54]
- 경보라는 증거를 얻으면 누수 확률이 10%에서 약 47%로 바뀌며, 조건부 확률은 관측한 조건에 맞는 경우 안에서 다시 계산하는 것으로 보여준다. [22:31]
16. 독립성과 세 가지 연결 구조
- 센서 두 개가 울렸다고 누수 확률이 단순히 두 배가 되는 것은 아니다. 정보가 없을 때의 독립과 특정 사실을 안 뒤의 독립을 구분해야 한다. [23:11]
- 화재·연기·경보의 연쇄와 비·교통 체증·우산의 공통 원인 예시에서는 중간 변수나 공통 원인을 알았을 때의 관계를 보여준다. [24:15]
- 날씨와 강아지의 지루함이 산책 여부로 모이는 공통 결과 예시에서는, 산책했다는 사실을 알면 두 원인이 더 이상 독립적이지 않을 수 있음을 보여준다. [25:01]
17. 조건부 독립에서 베이즈 네트워크로
- 영상의 모형에서 조건부 독립이 성립하면 조건부 확률들을 곱할 수 있다. 센서 수보다 무엇을 알고 있으며 변수들이 어떻게 연결되는지가 중요하다. [26:03]
- 비·교통 체증·늦잠·지각·연락의 다섯 이진 변수는 32가지 조합을 만들지만, 부모 변수에 따른 확률표를 이용해 관계를 나누어 표현한다. [27:29]
- 각 변수의 해당 확률을 찾아 곱하는 베이즈 네트워크를 소개하고, 연락은 부모인 지각을 알면 다른 선행 변수들과 조건부 독립인 모형으로 보여준다. [27:58]
18. 마르코프 블랭킷과 필요한 관계만 남기는 모델링
- 마르코프 블랭킷은 해당 변수의 부모·자식·자식의 다른 부모로 구성되며, 관련 조건을 바탕으로 확률식을 간소화하는 데 활용된다고 보여준다. [28:30]
- 확률표와 화살표만으로 인과관계가 증명되는 것은 아니며, 인과관계를 주장하려면 별도의 근거가 필요하다고 강조한다. [28:50]
- 마지막에는 조건부 독립과 부모·자식 관계로 표현을 단순화하는 것이 핵심이라고 정리한다. AI 모형이 세계의 모든 복잡함을 담을 수 없으므로 필요한 부분을 골라 표현해야 하며, 이를 강화학습의 준비 과정으로 연결한다. [29:32]
🧾 결론
- 강의의 공통 질문은 목표에 맞는 선택을 제한된 계산 자원 안에서 어떻게 찾아낼 것인가이다.
- 상대가 선택하는 상황, 확률로 결과가 정해지는 상황, 관측 정보가 불완전한 상황을 구분해야 계산 방식도 적절하게 고를 수 있다.
- 탐색을 줄이거나 중간 상태를 추정하면 효율을 높일 수 있지만, 판단은 평가 함수·확률 모형·독립성 가정에 영향을 받는다.
- 마지막 부분은 조건부 독립으로 필요한 관계만 남기는 모델링이 이후 강화학습을 이해하기 위한 준비라고 설명한다.
📈 투자·시사 포인트
- 영상은 기업 실적이나 자산 가격을 다루지 않는다. 투자와 연결할 수 있는 내용은 기대값, 불확실성, 계산 예산에 관한 개념적 시사점이다.
- 기대값은 개별 결과를 보장하지 않는다. 영상의 0점 또는 10점 사례처럼 평균적인 평가와 한 번의 실제 결과를 구분필요가 있다.
- 탐색 예산 배분은 이미 성과가 좋은 선택과 아직 충분히 살펴보지 않은 선택 사이의 균형이라는 관점으로 읽을 수 있다.
- 여러 신호가 같은 원인에서 나왔다면 각각을 독립적인 증거로 볼 수 있는지 확인해야 한다. 영상은 센서 수가 늘었다고 누수 확률이 단순히 배가되는 것은 아니라고 설명한다.
- 확률적 관계를 나타낸 표와 화살표만으로 인과관계를 확정할 수 없다는 경고는 데이터와 예측 결과를 해석할 때도 적용되는 시사점이다.
⚠️ 불확실하거나 확인이 필요한 부분
- 제공된 전사에는 04:18에서 05:35로 넘어가는 공백과 일부 용어 누락이 있다. 발표자는 여섯 가지 탐색 방법을 언급하지만, 전사만으로 여섯 방법의 설명을 모두 복원할 수는 없다.
- BFS를 최적의 목표를 찾는 방법으로 설명하는 대목에는 적용 조건이 충분히 제시되지 않는다. DFS의 목표 발견 가능성과 각 알고리즘의 완전성·최적성도 조건을 확인해야 한다.
- 센서의 조건부 독립과 비·교통·우산 등의 관계는 영상에서 설정한 모형의 가정이다. 실제 현상의 독립성이 검증되었다는 의미로 확대해서는 안 된다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 반응 에이전트와 계획 에이전트를 현재 상황에 대한 대응, 미래 결과의 비교라는 기준으로 구분해 정리한다.
- DFS·BFS·UCS·그리디·A*를 후보 선택 기준별로 비교하고, 전사에서 빠진 구간과 최적성의 적용 조건은 별도로 확인한다.
- 같은 결과 점수에 대해 상대가 선택하는 경우와 확률로 결정되는 경우를 나누어 미니맥스와 기대 효용을 계산해 본다.
- 누수 사례에서 경보 확률 17%, 경보 후 누수 확률 8/17을 직접 계산하고 조건의 방향이 바뀌는 지점을 표시한다.
❓ 열린 질문
- 전사에서 누락된 탐색 구간에는 어떤 방법과 적용 조건이 설명되어 있었는가?
- 깊이 제한에서 사용하는 평가 함수와 시뮬레이션 규칙을 바꾸면 최종 선택은 얼마나 달라지는가?
- 센서나 특징 사이의 조건부 독립 가정이 맞지 않으면 확률 추론에 어떤 문제가 생기는가?