큰 그림: 이 테스트는 '이미지 분류기'입니다
동물상 테스트의 정체는 이미지 분류(image classification) 모델입니다. 이미지 분류란 사진을 입력하면 미리 정해둔 카테고리 중 어디에 속하는지 확률로 답하는 기술로, 스팸 사진 필터링, 의료 영상 판독 보조, 사진 앱의 자동 태깅 등 곳곳에서 쓰입니다.
이 테스트의 카테고리는 두 가지, '강아지상'과 '고양이상'입니다. AI는 업로드된 얼굴 사진을 보고 두 카테고리에 대한 확률을 계산해 "강아지상 87%, 고양이상 13%" 같은 형태로 답합니다. 점술이나 관상 해석이 아니라, 훈련 데이터에서 학습한 시각적 패턴과의 유사도를 계산하는 수학적 과정입니다.
핵심 기술 1: CNN(합성곱 신경망)
이미지 분류의 표준 기술은 CNN(Convolutional Neural Network, 합성곱 신경망)입니다. CNN이 사진을 이해하는 방식은 사람의 시각과 비슷하게 단계적입니다.
- 낮은 층 — 사진에서 선, 모서리, 색 대비 같은 아주 단순한 특징을 감지합니다.
- 중간 층 — 단순한 특징을 조합해 눈매의 곡선, 턱선의 각도, 얼굴 윤곽 같은 부품 수준의 패턴을 인식합니다.
- 높은 층 — 부품들의 조합을 보고 "이 조합은 훈련 때 봤던 강아지상 사진들과 비슷하다"는 판단을 내립니다.
중요한 점은 CNN이 '눈꼬리'나 '턱선' 같은 개념을 사람처럼 명시적으로 아는 것이 아니라는 것입니다. 수많은 예시 사진을 보며 카테고리를 구분하는 데 유용한 패턴을 스스로 찾아낸 것에 가깝습니다.
핵심 기술 2: Teachable Machine과 전이학습
이 테스트의 모델은 Google이 만든 무료 도구 Teachable Machine으로 훈련되었습니다. Teachable Machine의 핵심은 전이학습(transfer learning) 입니다.
처음부터 CNN을 훈련하려면 수백만 장의 사진과 고성능 컴퓨터가 필요합니다. 전이학습은 이 비용을 획기적으로 줄이는 방법입니다. 이미 방대한 이미지로 훈련을 마친 기존 모델 (MobileNet 등)을 가져와서, 마지막 판단 부분만 새 데이터(강아지상/고양이상 예시 사진)로 다시 훈련하는 방식입니다. 비유하자면 시각 전체를 새로 가르치는 게 아니라, 이미 눈이 좋은 전문가에게 새로운 분류 기준만 알려주는 것입니다.
덕분에 수백 장 수준의 예시만으로도 쓸 만한 분류기를 만들 수 있고, 이것이 동물상 테스트 같은 웹 기반 AI 콘텐츠가 폭발적으로 늘어난 기술적 배경입니다.
핵심 기술 3: 브라우저 안에서 도는 AI — TensorFlow.js
이 테스트의 또 다른 특징은 모든 분석이 이용자의 브라우저 안에서 끝난다는 점입니다. 이를 가능하게 하는 것이 TensorFlow.js라는 자바스크립트 머신러닝 라이브러리입니다.
테스트 페이지를 열면 브라우저가 훈련된 모델 파일을 내려받고, 사진 분석은 이용자 기기의 연산 능력으로 수행됩니다. 그 결과:
- 사진이 서버로 전송되지 않습니다 — 분석에 서버가 필요 없으므로 업로드 자체가 일어나지 않습니다. 개인정보 보호 측면에서 가장 큰 장점입니다.
- 결과가 빠릅니다 — 네트워크 왕복 없이 기기 안에서 계산이 끝나므로 몇 초 안에 결과가 나옵니다.
- 비용이 들지 않습니다 — 서버 유지비가 없어 무료 서비스가 가능합니다.
사진 한 장이 결과가 되기까지: 단계별 여정
| 단계 | 일어나는 일 |
|---|---|
| 1. 입력 | 업로드하거나 촬영한 사진이 브라우저 메모리에 로드됩니다. |
| 2. 전처리 | 사진이 모델 입력 규격(예: 224×224픽셀)에 맞게 축소·정규화됩니다. |
| 3. 특징 추출 | CNN이 층을 거치며 선→부품→얼굴 패턴 순으로 특징을 뽑아냅니다. |
| 4. 확률 계산 | 추출된 패턴을 근거로 각 카테고리의 확률이 계산됩니다. |
| 5. 출력 | "강아지상 87%" 형태로 화면에 표시되고, 메모리의 사진은 페이지를 벗어나면 사라집니다. |
AI 분석의 한계도 알아두세요
기술을 즐겁게 쓰려면 한계도 알아야 합니다. 이 테스트를 포함한 모든 이미지 분류 AI에는 다음과 같은 한계가 있습니다.
훈련 데이터가 곧 세계관
모델은 훈련 때 본 사진들이 세상의 전부입니다. 훈련 데이터에 특정 연령대나 스타일의 얼굴이 많았다면, 그 범위를 벗어난 얼굴에서는 판단이 흔들릴 수 있습니다. 이를 데이터 편향(bias)이라고 합니다.
조명·각도·표정에 민감
사람 눈에는 같은 얼굴이지만, 픽셀 단위로 보는 AI에게 조명이 바뀐 사진은 상당히 다른 입력입니다. 같은 사람의 결과가 사진마다 달라지는 것은 오류라기보다 이미지 분류 기술의 자연스러운 특성입니다. 일관된 결과를 얻는 요령은 사진 촬영 팁에서 다룹니다.
'인상'을 분류할 뿐, 사람을 판단하지 않습니다
모델이 계산하는 것은 시각적 패턴의 유사도일 뿐입니다. 성격, 능력, 가치에 대한 판단이 아니며 그렇게 해석되어서도 안 됩니다. 결과는 언제나 오락용 참고 정보로 즐겨주세요.
요약: 동물상 테스트 = 전이학습으로 훈련한 CNN 이미지 분류기를 TensorFlow.js로 브라우저에서 실행하는 것. 사진은 기기 밖으로 나가지 않고, 결과는 패턴 유사도의 확률 표현입니다.