컴퓨터에게 사진은 숫자 덩어리
사람은 사진을 보면 즉시 얼굴을 알아보지만, 컴퓨터에게 사진은 수십만 개의 숫자(픽셀 값)일 뿐입니다. 이미지 분류 AI의 임무는 이 숫자 덩어리에서 의미 있는 패턴을 찾아내는 것입니다. 초기 층에서는 밝기 변화나 윤곽선 같은 단순한 패턴을, 깊은 층으로 갈수록 눈의 모양, 얼굴형, 전체적인 분위기 같은 복잡한 특징을 인식하도록 층층이 쌓인 신경망이 학습됩니다.
학습 과정은 반복 훈련입니다. "이 사진들은 토끼상, 저 사진들은 호랑이상"이라고 라벨이 붙은 수많은 예시를 보여주면, 모델은 정답을 맞힐 때까지 내부 값을 조금씩 조정합니다. 훈련이 끝난 모델에게 새로운 얼굴 사진을 주면, 학습한 패턴과 비교해 열두 동물상 각각에 대한 확률을 계산해냅니다. 이 사이트의 결과 화면에서 보이는 "토끼상 87%" 같은 수치가 바로 그것입니다.
전이학습, 거인의 어깨에 올라타기
그런데 신경망을 처음부터 학습시키려면 수백만 장의 이미지와 엄청난 컴퓨팅 자원이 필요합니다. 그래서 등장한 것이 전이학습(transfer learning)입니다. 이미 방대한 이미지로 훈련된 범용 모델(예: MobileNet)을 가져와서, 마지막 판단 부분만 내 데이터로 다시 학습시키는 방식이죠. 눈코입과 윤곽을 알아보는 기초 능력은 그대로 물려받고, "이 특징 조합이면 어떤 동물상인가"라는 마지막 단계만 새로 가르치는 셈입니다.
이 사이트의 모델을 만든 Google Teachable Machine이 바로 이 전이학습을 누구나 쓸 수 있게 만든 도구입니다. 코딩 없이 브라우저에서 클래스별로 이미지를 넣고 학습 버튼만 누르면, 몇 분 만에 나만의 이미지 분류 모델이 완성됩니다. 교육 현장에서 AI 원리를 가르칠 때 널리 쓰이는 도구이기도 합니다.
서버 없이 브라우저에서 돌아가는 비밀
이 테스트의 또 다른 특징은 분석이 전부 여러분의 기기 안에서 일어난다는 점입니다. 비밀은 TensorFlow.js라는 기술에 있습니다. 학습된 모델을 자바스크립트로 브라우저에 불러와서, 여러분 기기의 연산 능력으로 직접 추론을 실행하는 것이죠. 사진을 서버로 보낼 필요가 없으니 개인정보 걱정이 없고, 서버 비용 없이도 서비스를 운영할 수 있으며, 네트워크 왕복이 없어 결과도 빠릅니다.
AI의 한계, 그리고 재미로 즐겨야 하는 이유
다만 이런 모델에는 분명한 한계가 있습니다. 첫째, 모델은 학습 데이터가 보여준 경향을 반영할 뿐입니다. 학습에 쓰인 사진들의 구성에 따라 판단 기준이 달라지고, 편향도 그대로 물려받습니다. 둘째, 조명·각도·표정·필터 같은 사소한 차이에도 결과가 흔들릴 수 있습니다. 셋째, 애초에 "동물상"이라는 정답 자체가 존재하지 않는, 주관적인 개념입니다.
그러니 결과가 마음에 들지 않아도 걱정하지 마세요. AI의 판정은 과학적 진단이 아니라 잘 훈련된 패턴 매칭 게임입니다. 이 원리를 이해하고 나면, 동물상 테스트를 한층 더 유쾌하게 즐길 수 있을 거예요. 직접 Teachable Machine으로 나만의 분류기를 만들어보는 것도 AI를 배우는 훌륭한 첫걸음입니다.
To a computer, a photo is a pile of numbers
Humans recognize a face instantly; to a computer, a photo is just hundreds of thousands of numbers (pixel values). An image-classification AI's job is to find meaningful patterns in that pile. Early layers of a neural network learn simple patterns like edges and brightness changes; deeper layers learn complex features — eye shapes, face contours, overall vibes.
Training is repetition: show the model thousands of labeled examples ("these are rabbit faces, those are tiger faces") and it gradually adjusts its internal values until it gets them right. Give the trained model a new face and it compares what it sees against learned patterns, producing a probability for each of the twelve animals — that's the "Rabbit 87%" you see on the result screen.
Transfer learning: standing on giants' shoulders
Training a neural network from scratch takes millions of images and serious computing power. Enter transfer learning: take a general-purpose model already trained on vast image datasets (like MobileNet) and retrain only its final decision layer on your own data. The basic ability to see eyes, noses, and contours is inherited; only the last step — "which animal face does this combination suggest?" — is taught anew.
Google Teachable Machine, which built this site's model, makes transfer learning accessible to everyone. Drop images into classes in your browser, press train, and minutes later you have your own image classifier — no code required. It's widely used to teach AI concepts in classrooms.
The secret to running without a server
Another distinctive feature: the analysis happens entirely on your device, thanks to TensorFlow.js. The trained model is loaded into your browser as JavaScript and inference runs on your device's own processing power. No photo ever travels to a server — which means no privacy worries, no server costs, and fast results with zero network round-trips.
The limits of AI — and why it's just for fun
These models have clear limitations. First, a model only reflects the patterns in its training data — including any biases. Second, small changes in lighting, angle, expression, or filters can shift the result. Third, there is no objective "correct answer" for an animal face in the first place — it's inherently subjective.
So don't take a disappointing result to heart: the AI's verdict is a well-trained pattern-matching game, not a scientific diagnosis. Understanding how it works makes the animal face test even more fun — and building your own classifier with Teachable Machine is a great first step into AI.