AI 방법론 지도 — 한 장으로

이 플랫폼에서 만나는 모든 AI는 같은 질문에 다르게 답합니다: 규칙이 어디서 오는가?

접근	규칙의 출처	내가 주는 것	무너지는 순간
규칙기반	내가 직접 작성	논리와 임계값	세상이 예상을 벗어날 때
지도학습	내가 라벨링한 예시	라벨 데이터	데이터가 못 덮은 상황
강화학습	시행착오	보상 함수	보상 설계가 틀렸을 때
LLM 에이전트	사전학습 지식 + 툴	지침과 툴	과제가 툴 범위를 넘을 때

규칙기반

투명하고 즉각적입니다 — 로봇이 왜 꺾었는지 그대로 읽을 수 있습니다. 하지만 예외 하나가 규칙 하나가 되고, 규칙끼리 싸울 때까지 불어납니다. Line Tracing에서 느낀 그것입니다.

기계학습 (나머지 셋)

규칙을 쓰는 대신 경험을 주면 기계가 규칙을 스스로 뽑아냅니다 — 읽을 수 있는 문장이 아니라 수백만 개의 숫자(가중치)로. 어떤 경험을 주느냐가 갈래를 나눕니다:

• 라벨 붙은 예시 → 지도학습
• 보상 신호 → 강화학습
• 인류가 쓴 거의 모든 글 + 내 텍스트로 조종 → LLM과 에이전트

왜 한 로봇으로 전부 배우나

방법론은 업그레이드가 아니라 트레이드오프입니다. 규칙이 적고 명확하면 규칙기반이, 데이터가 좋으면 지도학습이, 시뮬레이션이 되면 강화학습이, 열린 과제엔 에이전트가 이깁니다. 같은 트랙을 각 방법으로 달려보는 것이 그 트레이드오프를 체감하는 가장 빠른 길입니다.