이 책은 저자가 기획하고, 집필과 편집 과정에서 AI 도구의 도움을 받아 만들었습니다. 구성과 사실 확인, 최종 문장은 저자가 직접 검토했으니 구매 전에 참고해 주세요.
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.
