머신러닝과 딥러닝이 AI 분야를 지배하고 있지만 규칙 기반 시스템, 유전 알고리즘(genetic algorithm), 전문가 시스템(expert system), 퍼지 논리(fuzzy logic), 기호 추론(symbolic reasoning)과 같은 다른 접근 방법도 있습니다.

스팸 분류 예제로 돌아가서, 전통적인 머신러닝에서는 전문가가 이메일 텍스트에서 특정 단어(예를 들면, ‘경품(prize)’, ‘당첨(win)’, ‘무료(free)’)의 빈도, 느낌표 개수, 모두 대문자로 이루어진 단어, 의심스러운 링크 유무와 같은 특성을 수동으로 추출합니다. 전문가가 정의한 특성을 기반으로 만든 데이터셋을 사용해 모델을 훈련합니다. 전통적인 머신러닝과 달리 딥러닝에서는 수동 특성 추출이 필요하지 않습니다. 이는 전문가가 딥러닝 모델에 가장 관련이 높은 특성을 식별하고 선택할 필요가 없다는 의미입니다(하지만 스팸 분류의 경우 전통적인 머신러닝과 딥러닝 모두 여전히 ‘스팸’/‘스팸 아님’ 레이블을 수집해야 합니다. 이런 레이블은 전문가나 사용자가 수집해야 합니다).

오늘날 LLM이 해결할 수 있는 여러 가지 문제와 도전 과제, 나중에 구현하게 될 일반적인 LLM 구조에 대해 살펴보겠습니다.