ML Lab

ML Lab 은 어린이와 수업을 위한 머신러닝 놀이터입니다. 설치도 가입도 없이 크롬·엣지에서 바로 열립니다. 카메라가 없어도 모든 활동을 할 수 있고, 모든 학습과 계산은 이 컴퓨터 안에서 끝납니다. 인터넷으로 나가는 데이터가 없습니다.

GPU 가 없는 교실 PC 에서도 돌아가도록, 모델을 전부 작게 직접 짰습니다. 활동마다 2~3차시 수업안이 있습니다 (교사용 수업안). 폰에서는 헤더에 홈과 지금 탭만 보이고, 다른 활동은 홈 카드로 들어가요.

활동

탭	무엇을 배우나	차시
운전	따라 배우기(모방학습) — 내가 운전하면 AI가 따라 해요	2
AI 눈	합성곱 신경망 — 필터·특징 지도 보기, 데이터 늘리기	3
색 로봇	결정 경계 — 투명 망토, 색 지도, 조명이 바뀌어도 고르는 로봇	3
문장	언어모델 — 다음 글자 맞히기, 어텐션, 환각	3
청소	규칙 vs 강화학습 — 규칙 청소기와 스스로 배운 청소기 겨루기, 상 설계	3
공정	데이터와 편향 — 결정 나무, 대리 변수, 기록 고치기	3
진화	진화 · 상 설계 — 가상 생물이 걷는 법을 찾아요, 엉뚱한 꾀	3

차시별 흐름 · 핵심 발문 · 예상 결과 · 평가 · 주의점, 그리고 활동을 묶은 코스 4가지(입문 · 데이터 · Physical AI · 윤리)는 교사용 수업안 에 모아 두었습니다. 아래는 활동별 요약입니다.

운전 — 내가 운전하면 AI가 따라 배워요

1. 운전하기 — 트랙을 고르고 출발. ← → 키(또는 화면 버튼)로 운전해요. 속도는 느리게 · 보통 · 빠르게. 연습 트랙은 12개(쉬움 · 보통 · 어려움, 시험용 2개 — edge-lab 자동차 가르치기와 같은 트랙 포함)이고, 거꾸로 를 고르면 같은 트랙을 반대로 돌아요 — 모두 24코스. 아무것도 안 누르면 곧게 가요. 운전하는 동안 센서 7개 숫자 + 내가 고른 운전이 기록돼요. 바퀴 수보다 왼쪽·오른쪽으로 도는 장면이 골고루(각 30장면) 있는 게 중요해요 — 화면 안내가 "넉넉해요" 로 바뀌면 배우기.
2. 배우기 — 작은 신경망이 "이 숫자일 때 사람은 왼쪽/곧게/오른쪽" 을 배워요. 1초도 안 걸려요.
3. AI 운전 — "누가 운전할까요?" 에서 AI 를 고르고 출발. AI는 트랙 그림을 못 보고 숫자 7개만 봐요. AI가 헤매면 키를 눌러 끼어들어 고쳐 가르칠 수 있어요. 끼어든 장면도 기록돼요.
4. 새 트랙 — 가르칠 때 안 쓴 처음 보는 트랙에서도 달릴까요?

• 초급 · 고급 — 초급은 방향만(차는 늘 1배). 고급은 ↑ ↓ 로 가속 · 감속도 가르쳐요(0.5~3배). 빠를수록 크게 돌아서 커브 앞에서 줄여야 해요.
• 대회 트랙 3개 — AI만 달려요(끼어들기 · 장면 모으기 없음). 대회 트랙 3개 달리기 로 화면 없이 3바퀴씩 재서 기록표를 만들어요. 같은 AI면 어느 컴퓨터에서나 같은 기록.
• AI 파일 — 배운 AI 를 car-ai-<basic|pro>-날짜.json 으로 저장 · 불러오기. edge-lab 자동차 가르치기와 같은 형식이라 서로 그대로 읽혀요.

수업 아이디어

• 곧게만 운전해서 가르치면? → AI는 첫 커브에서 바로 부딪혀요. 데이터가 곧 실력
• 둥근 트랙에서만 가르치고 처음 보는 트랙에 보내 보기 → 배운 적 없는 상황(일반화)
• 둥근 트랙을 거꾸로도 돌아 양쪽 장면을 채워도 산길·머리핀에서는 헤매요 → 양만큼 다양한 상황이 중요
• 처음부터 다 운전하지 말고, AI가 헤매는 곳에서만 끼어들어 가르쳐 보기 → 적은 장면으로도 좋아지는지 비교

AI 눈 — 그림 보는 눈을 처음부터 만들어요

이미 배운 모델을 가져다 쓰지 않고, 작은 합성곱 신경망(필터 8개)을 매번 처음부터 가르칩니다. 그림은 그리기 판, 카메라(가운데 점선 네모), 예시 그림 세트(○ △ ☆) 로 넣어요 — 카메라가 없어도 됩니다.

3차시 수업안

차시	목표	활동	남는 것
1	AI는 그림을 숫자로 본다	종류 만들기 → 예시 모으기 → 배우기 → 새 그림으로 시험. "AI가 보는 그림(32×32)" 확인	모둠 모델, 맞힌 비율
2	AI는 무엇을 보고 고를까	여러 그림을 보여 주며 특징 지도 8장 중 어느 것이 켜지는지 관찰, 칸마다 "무엇을 찾나?" 적기	필터 해석 메모 (모델 파일에 함께 저장)
3	처음 보는 조건에서도 될까	AI 속이기(기울이기·크기·밝기)로 약점 찾기 → 데이터 늘리기를 하나씩 켜고 다시 배우기 → 속이기 시험 표로 전후 비교. 모델을 내보내 다른 모둠 그림으로 교차 시험	속이기 시험 전후 비교표

3차시에서 이런 결과가 나옵니다 (예시 그림 세트로 한 번 잰 값 — 배울 때마다 조금씩 달라요):

흔들기	똑바로	기울이기	작게	어둡게
안 흔듦	100%	40%	42%	100%
돌리기	97%	80%	33%	58%

• 돌리기는 기울인 그림을, 옮기기·크기는 작게 구석에 그린 그림을 고쳐요 — 약점에 맞는 흔들기를 골라야 해요.
• 하나를 고치면 다른 것이 나빠지기도 해요 (위 표의 "어둡게"). 토의 거리로 좋아요.

색 로봇 — 칠해서 가르치면 AI가 픽셀마다 골라요

사진 위에 붓으로 "이건 망토, 이건 망토 아님" 처럼 칠하면, 칠한 픽셀의 색(숫자 3개)이 AI의 예시가 됩니다. 사진은 예시 사진(방·컨베이어, 조명 3가지) 또는 카메라("멈추고 칠하기")로 넣어요.

3차시 수업안

차시	목표	활동	남는 것
1	가르친 대로 본다	투명 망토: 망토와 나머지를 칠해 가르치고 결과 보기. 초록 화분·셔츠까지 사라지는 실패 → 화분을 "망토 아님"으로 칠해 고치기	전후 화면
2	AI의 경계선	색 지도에서 AI가 그은 경계 보기. 가까운 이웃 k=1 ↔ k=15 ↔ 작은 신경망을 바꾸며 경계가 어떻게 달라지는지 비교	경계 그림, 비교 메모
3	로봇에게 맡기기	색 고르기 로봇: 보통 조명 사진만 가르치고 로봇 시험 → 어두운·노을 조명에서 틀림 → 그 조명 사진도 칠해 다시 시험. 컨베이어로 구경	로봇 시험 전후 표

이런 결과가 나옵니다 (예시 사진, 가까운 이웃 k=1, 브라우저에서 한 번 잰 값):

가르친 사진	보통	어둡게	노을
보통	100%	75%	50%
보통+어둡게	100%	100%	75%
보통+어둡게+노을	100%	100%	100%

• 어두운 조명을 가르쳐도 노을은 따로 가르쳐야 해요 — 배운 적 없는 상황은 AI가 몰라요.
• 투명 망토에서 화분을 "망토 아님"으로 칠하면 화분은 고쳐지지만, 망토의 어두운 주름 일부도 "망토 아님"이 돼요 (망토 약 100% → 95%). 비슷한 색은 AI도 나누기 어려워요.
• factory-lab 의 컨베이어 수업과 이어서 할 수 있어요.

청소 — 규칙 청소기 vs 배우는 청소기

차시	목표	활동	남는 것
1	규칙의 힘과 한계	규칙 청소기 3종(무작위 튕기기·지그재그·벽 따라가기) 시합 150걸음. 가구를 직접 그려 방을 바꿔 보기	시합 기록
2	상과 벌점으로 배운다	배우는 청소기(Q-러닝) 연습 → 시합. "청소기의 생각"(할 일마다 점수) 보기. 상을 바꿔 보기 — 청소 상 0·움직이면 상이면?	상 설정별 비교
3	AI가 무엇을 보느냐	먼지 나침반 센서를 끄고 연습 → 비교. 처음 보는 방·내가 그린 방에서 시합	센서별 비교

잰 값 (150걸음, 연습 600판, 시드 4개):

청소기	치운 비율
규칙 3종	13~56%
배우는 청소기 (기본 상)	95~100% (처음 보는 방도 95~100%)
먼지 나침반 끔	47~96% (대체로 떨어져요, 모둠마다 달라요)
청소 상 0 · 움직이면 +0.1	22~75% (청소는 뒷전 — 상을 잘못 준 예)

공정 — 지난 기록으로 배운 AI는 공정할까?

가상의 "코딩 동아리 선발 AI" 예요. 실력은 연습 시간·만든 작품·출석률로 정해지는데, 지난 심사가 2반에 불리했어요. 통학 버스는 2반 친구들이 주로 타요. AI는 지난 기록으로 결정 나무를 만들고, 실력이 똑같이 섞인 올해 지원자(두 반 100명씩)로 시험해요.

차시	목표	활동	남는 것
1	AI는 기록을 따라 한다	지난 기록 보기 → AI 만들기 → 나무 그림 읽기 (어떤 질문을 먼저 하나)	나무 읽기 메모
2	공정한가?	두 반 합격률 비교. "2반인가"를 빼면? → "통학 버스"가 대신 쓰여 차이가 남아요 (대리 변수). 지원자 한 명 넣어 보기: 실력은 그대로, 반·버스만 바꾸기	비교표
3	어떻게 고칠까	기록 고치기(실력만 보고 다시 심사) vs 2반 기록만 늘리기 vs 정보 빼기 — 비교표로 정리하고 토의	비교표, 토의

잰 값 (지난 기록 시드 6개, 질문 3단계):

설정	정확도	두 반 합격률 차이
편향된 기록 · 정보 전부	73~81%	22~30%p ("2반인가"를 물어요)
"2반인가" 뺌	74~82%	22~28%p ("통학 버스"를 물어요)
반 · 버스 뺌	78~93%	-7~1%p
기록 고침 · 정보 전부	85~94%	-8~1%p
2반 기록 2배 (편향 그대로)	74~85%	21~38%p — 편향된 기록은 많이 모아도 소용없어요

화면은 늘 같은 지난 기록(시드 1)을 써서, 모든 모둠이 같은 결과를 봐요.

진화 — 가상 생물이 걷는 법을 찾아요

점·뼈·근육으로 된 생물 24마리를 움직여 보고, 잘한 6마리의 유전자를 조금씩 바꿔 다음 세대를 만들어요. 유전자는 근육마다 세기·박자, 전체 빠르기, 발마다 미끄러움이에요.

차시	목표	활동	남는 것
1	진화로 배운다	몸(애벌레·네발이·세모)을 고르고 30세대 진화. 세대마다 점수 그래프, 가장 잘한 생물 다시 보기	몸별 기록
2	상을 어떻게 줄까	"멀리 가기" 만 주면 굴러가는 꾀(똑바로 선 시간이 짧아요) → "뒤집히지 않고 멀리 가기" 로 고치기. "높이 뛰기" 는 몸을 튕겨 날리는 꾀	상별 비교
3	처음 보는 땅 · 돌연변이	평지에서 진화한 생물을 오르막·울퉁불퉁한 땅에 보내기. 돌연변이 크기 바꿔 보기	땅별 기록

잰 값 (30세대, 시드 3개): 멀리 가기 애벌레 710m → 20m, 네발이 714m → **2732m** (똑바로 3357%) · 뒤집히지 않고 멀리 가기: 똑바로 **75100%**, 814m. 30세대는 개발 서버에서 약 1.6초.

문장 — 나만의 작은 언어모델

1. 글 넣기 — 가르칠 글을 쓰거나 예시(동물 · 구구단 · 날씨 동시)를 골라요.
2. AI 고르기 — 두 가지를 비교해요.
   • 작은 신경망: 바로 앞 글자 몇 개(1~8)만 보고 다음 글자를 골라요. "앞을 몇 글자 볼까요?"를 1로 내리면 문장이 금방 무너져요.
   • Transformer: 앞 글(최대 32글자)을 다 보고 골라요. ChatGPT 와 같은 구조를 아주 작게 만든 거예요.
3. 배우기 — 몇 초~수십 초. "틀린 정도" 그래프가 내려가는 걸 봐요. 더 배우기로 이어서 배우고, 멈추기로 중간에 멈춰요.
4. 이어 쓰기 — 시작 글자를 주면 AI가 이어 써요. 온도를 올리면 엉뚱해져요. 가르친 글에 없는 문장에는 물결 밑줄이 생겨요 — AI가 지어낸 거예요. 한 글자 버튼으로 한 글자씩 고르는 과정도 볼 수 있어요.
5. 들여다보기 — 작은 신경망은 "AI가 보는 글자"를, Transformer 는 층·눈(헤드)마다 어텐션 표를 보여 줘요.
6. 맞히기 대결 — 가르친 글에서 문제가 나와요. 나와 AI 중 누가 다음 글자를 더 잘 맞힐까요?

수업 아이디어

• 구구단 예시는 2~6단만 가르쳐요. 7 × 8 = 을 넣으면 AI가 그럴듯한 틀린 답을 지어내요. → AI는 계산하지 않고 글자 모양을 흉내 낸다 (환각)
• 같은 글로 작은 신경망(앞 1글자) 과 Transformer 를 번갈아 배워 보고 이어 쓴 글을 비교해요. → 앞을 더 많이 볼수록 말이 된다

이렇게 열어요

• 웹: GitHub Pages 주소로 바로 엽니다.
• 직접 서빙: file:// 로는 열리지 않아요(모듈 워커). python3 -m http.server 8080 처럼 http 로 여세요.

헤더의 EN 버튼을 누르면 화면이 영어로 바뀌고, 예시 글도 영어로 나옵니다.

개발·배포는 DEVELOP.md 를 보세요.

라이선스

MIT. 글꼴 Pretendard 는 SIL OFL 1.1, 아이콘 Font Awesome Free 는 각 라이선스를 따릅니다.