기계학습 레이블링 전략 — 액티브 러닝부터 준지도학습까지 방법론 선택법
기계학습에서 레이블링 비용과 데이터 가용성에 따라 액티브 러닝·자기지도학습·약지도학습·준지도학습 중 무엇을 선택할지 실무 기준과 의사결정 프레임워크로 정리한다.
2026-08-13 · 최초 발행 2025-05-23
전체 데이터를 다 레이블링할 여력이 없을 때, 기계학습 프로젝트는 갈림길에 선다. 전통적인 지도학습(supervised learning)을 그대로 밀어붙이거나, 최소한의 레이블 데이터로 버티는 방법론으로 갈아타거나다. 핵심은 가용 데이터의 특성을 이해하고 목표 성능에 맞는 학습 전략을 고르는 것이다.
모델이 헷갈려하는 데이터만 사람에게 묻는다 — 액티브 러닝
액티브 러닝(Active Learning)은 레이블링 비용을 최소화하면서 모델 성능을 최적화하는 전략이다. 소량의 레이블된 데이터로 모델을 먼저 학습시킨 뒤, 그 모델이 가장 불확실하게 예측하는 레이블되지 않은 데이터를 선별한다. 선별된 데이터에는 사람이 직접 레이블링을 수행하고, 새로 레이블된 데이터를 포함해 모델을 재학습한다. 이 과정을 목표 성능에 도달할 때까지 반복한다.
핵심은 모델이 "어떤 데이터가 가장 많은 정보를 제공할 수 있는지"를 판단해 선별적으로 레이블링함으로써 자원을 효율적으로 쓰는 것이다. 의료 영상 분석, 자연어 처리처럼 전문가의 레이블링 비용이 높은 분야에서 특히 효과적이다.
실제 사례: 의료 이미지 분류에서 액티브 러닝을 적용할 경우, 초기에 100개의 레이블된 X-ray 이미지로 모델을 학습한 후, 모델이 분류에 가장 어려움을 겪는 이미지 50개를 방사선 전문의에게 레이블링 요청한다. 이 과정을 통해 전체 10,000개 이미지를 모두 레이블링하는 대신 약 800개만 레이블링하여 유사한 성능 달성이 가능하다.
데이터 자체가 정답을 만든다 — 자기지도학습과 약지도학습
자기지도학습(Self-supervised Learning)은 레이블되지 않은 대량의 데이터에서 자동으로 학습 신호를 생성하는 접근법이다. 먼저 데이터 자체에서 학습 신호를 생성하는 사전 과제(pre-text task)를 설계하고, 원본 데이터에서 자동으로 레이블을 생성한다. 이 학습 신호를 바탕으로 의미 있는 데이터 표현(representation)을 학습한 뒤, 학습된 표현을 실제 목표 작업에 전이학습(transfer learning)으로 적용하고 미세 조정(fine-tuning)한다.
NLP 영역에서는 BERT(Bidirectional Encoder Representations from Transformers)가 문장에서 일부 단어를 마스킹하고 이를 예측하는 사전 과제를 통해 학습한 뒤, 감성 분석·질의응답 등 다양한 자연어 처리 작업에 전이학습을 적용한다.
원문: "인공지능이 미래를 [MASK] 것이다."
사전 과제: 마스킹된 단어 "바꿀" 예측
컴퓨터 비전에서는 이미지의 일부를 가리고 복원하는 작업, 이미지를 회전시키고 원래 방향을 예측하는 작업 등으로 시각적 특징을 학습한 뒤 객체 탐지·이미지 분류 등에 활용한다.
약지도학습(Weak-supervised Learning)은 완전한 레이블 데이터 없이도 레이블 생성 규칙이나 간접적인 감독 신호를 활용하는 접근법이다. 도메인 지식을 활용한 규칙으로 대략적인 레이블을 자동 생성하는 규칙 기반 레이블링, 정확한 레이블이 아닌 대략적인 감독 신호를 쓰는 부분적 감독, 데이터 그룹에 대한 레이블만 주어지고 개별 인스턴스의 레이블은 알려지지 않은 상황에서 학습하는 다중 인스턴스 학습이 대표적이다.
실제 응용 사례: 텍스트 분류 문제에서 "좋아요", "훌륭함" 등 긍정적 단어가 포함된 문장은 긍정, "싫어요", "형편없음" 등 부정적 단어가 포함된 문장은 부정으로 자동 레이블링하는 규칙을 적용한다. 이런 약한 감독으로 초기 모델을 학습한 후, 패턴 발견과 성능 향상을 위한 반복 학습을 진행한다.
소량의 정답이 나머지를 이끈다 — 준지도학습
준지도학습(Semi-supervised Learning)은 소량의 레이블된 데이터와 대량의 레이블되지 않은 데이터를 함께 활용하는 방법론으로, 완전한 지도학습과 비지도학습의 중간 지점에 있다. 소량의 고품질 레이블 데이터로 초기 모델을 학습한 뒤, 학습된 모델로 레이블되지 않은 데이터에 예측 레이블을 할당하는 가성 레이블링(pseudo-labeling)을 수행한다. 이 중 높은 신뢰도를 가진 예측만 선택적으로 활용하고, 여러 모델의 예측을 종합하는 앙상블 기법으로 레이블링 품질을 높인다. 새로운 가성 레이블 데이터로 모델을 재학습하는 과정을 반복한다.
구현 사례: 이미지 분류에서 1,000개의 레이블된 이미지와 50,000개의 레이블되지 않은 이미지가 있을 경우, 초기 모델을 1,000개로 학습한 후 50,000개에 대한 예측을 수행한다. 이 중 신뢰도 90% 이상인 15,000개 이미지에 대해 가성 레이블을 부여하고 학습 데이터에 추가하여 모델을 재학습한다. 이 과정을 통해 레이블된 데이터만 사용했을 때보다 10-15% 향상된 성능 달성이 가능하다.
방법론을 고르는 기준
기계학습 프로젝트의 특성에 따라 적합한 학습 방법론을 선택하려면 다음을 살펴야 한다.
데이터 레이블링 비용이 높으면 액티브 러닝이나 자기지도학습을, 중간이면 준지도학습을, 낮으면 전통적 지도학습을 고려한다. 레이블되지 않은 데이터의 가용성이 대량이면 자기지도학습이나 준지도학습이, 소량이면 액티브 러닝이나 약지도학습이 유리하다. 도메인 지식 활용 가능성은 강한 도메인 규칙이 있으면 약지도학습이 적합하고, 데이터 구조에 대한 이해가 있으면 자기지도학습 설계에 활용할 수 있다. 필요한 모델 정확도가 매우 높으면 지도학습이나 준지도학습을, 중간 수준이면 자기지도학습과 미세조정을 택한다.
앞으로의 방향과 남은 문제
레이블링 효율성을 높이는 방향으로는 텍스트·이미지·오디오 등 다양한 형태의 데이터를 함께 활용해 더 풍부한 표현을 학습하는 멀티모달 자기지도학습, 인간 전문가와 AI 시스템이 반복적으로 협업해 레이블 품질과 효율성을 함께 높이는 인간-AI 협업 레이블링, 여러 작업에서 "학습하는 방법"을 학습해 새로운 작업에 적은 데이터로도 빠르게 적응하는 메타러닝(Meta-learning), 액티브 러닝과 자기지도학습을 결합하는 등 여러 접근법의 장점을 통합하는 하이브리드 접근법이 연구되고 있다.
남아있는 도전 과제로는 가성 레이블의 오류 전파 문제 해결, 다양한 도메인에 적합한 사전 과제 자동 설계, 불균형 데이터에서의 효과적인 레이블링 전략, 학습 과정의 설명 가능성과 해석 가능성 확보가 꼽힌다. 데이터 특성과 프로젝트 요구사항을 면밀히 분석해 적합한 접근법을 고르고, 필요하면 여러 방법론을 결합하는 것이 자원 효율성을 지키는 길이다.