표지 준비 중

LLM으로 다시 풀어 보는 오래된 문제들

장중호

북베이크 · 2026-10-28 출간 예정

ISBN 9791199672130 · 총류

138쪽 · 정가 19,000원 · 종이책

출간 예정종이책국립중앙도서관 ISBN 서지정보 등록

출간되면 알려드릴게요

『LLM으로 다시 풀어 보는 오래된 문제들』는 2026-10-28 출간 예정입니다. 출간되면 서점 판매 링크와 함께 이메일로 한 번 알려드립니다.

책 소개

오래전에 풀었던 문제를 지금의 인공지능으로 다시 풀어 보면 무엇이 달라질까? 『LLM으로 다시 풀어 보는 오래된 문제들』은 인베이더, 문 랜딩, 테트리스, 오목, 바둑 등 익숙한 게임을 통해 인공지능의 원리와 프로그램을 연결하는 방법을 살펴보는 책이다. 규칙에 따라 움직이던 프로그램이 학습 환경이 되고, 게임 화면이 모델의 입력이 되며, 기보와 시장 데이터가 행동 정책을 학습하는 재료가 되는 과정을 따라간다.

출발점은 사람이 직접 설계하는 휴리스틱이다. 게임의 상태와 행동을 정의하고, 프로그램과 모델이 데이터를 주고받을 수 있도록 브리지를 구축한다. 이어 OpenAI Gym과 Gymnasium 환경, 문 랜딩과 테트리스 사례를 통해 관찰·행동·보상·정책의 관계를 살펴보며, 시행착오를 거쳐 행동을 개선하는 강화학습의 구조를 이해한다.

테트리스 화면을 읽는 시각언어모델(VLM), 자기대국과 모방 학습을 활용하는 오목 에이전트, SGF 기보로 학습하는 바둑 LLM은 익숙한 게임도 다양한 접근법으로 풀 수 있음을 보여 준다. 후반부에서는 LoRA 기반 가상 피팅, 한국투자증권 API와 LLM을 연결한 주식 응용 프로그램, 차트 이미지를 활용하는 암호화폐 자동매매로 주제를 넓힌다. 특히 암호화폐 사례에서는 교사 데이터로 학습하는 CNN 시각 정책망과 규칙에 따라 행동을 걸러 내는 VLM의 역할을 구분해 살펴본다. 게임에서 익힌 상태 표현과 데이터 설계는 현실의 이미지, API, 시계열 데이터를 다루는 과정으로 이어진다.

각 장은 프로젝트 구성과 데이터 흐름, 학습 및 실행 절차, 평가 관점을 함께 다룬다. 독자는 작은 프로그램을 조립하고 입력과 행동을 바꾸어 보면서 모델을 어디에 연결하고, 그 결과를 어떻게 검증할지 생각하게 된다. Python과 C++ 등 프로그래밍의 기초를 갖춘 독자라면 책에서 다루는 개념을 실제 시스템의 구조와 연결해 이해할 수 있다.

이 책은 환경, 모델, 데이터, 정책, 휴리스틱, API를 담은 작은 실험 도구 상자를 건넨다. 독자가 문제의 특성에 맞게 각 요소를 조합하고, 자신만의 인공지능 프로젝트로 확장하도록 돕는다. 도해와 실제 학습 기록을 함께 수록했으며, 총 10개 장, 138 페이지로 구성했다.

출처: 국립중앙도서관 출판예정도서 등록 정보(출판사 제출)

요약

서문

LLM으로 다시 풀어 보는 오래된 문제들

오래전 풀었던 문제를 지금의 LLM으로 다시 풀어 보면 어떨까. 이 책은 그 질문에서 시작되었다. 강화학습으로 풀어 보던 게임, 휴리스틱으로 움직이던 작은 프로그램, API를 연결해 만든 자동화 도구를 새로운 인공지능과 다시 마주 세워 보고 싶었다. 같은 문제라도 도구가 달라지면 해결 과정과 결과에서 새로운 가능성을 발견할 수 있으리라 생각했다.

LLM은 빠르게 발전하며 코드를 읽고 고치고, 이미지를 해석하고, 외부 도구를 호출하는 단계에 이르렀다. 그러나 모든 문제를 같은 수준으로 해결하지는 못한다. 작고 명확한 작업에서는 뛰어난 능력을 보이지만, 복잡한 맥락과 설계 판단이 필요한 문제에서는 여전히 한계를 드러낸다. 인공지능을 제대로 활용하려면 무엇을 잘하고 무엇을 어려워하는지 직접 확인해야 한다.

그래서 이 책을 단순한 코딩 참고서로 만들고 싶지 않았다. 문법과 라이브러리 사용법을 익히는 데서 나아가, 독자가 작은 프로그램을 조립하고 바꾸어 보며 인공지능의 작동 방식을 이해하도록 구성했다. 프로그래머에게 건네는 레고 블록처럼, 예제를 부수고 다시 연결하는 과정 자체가 배움이 되기를 바랐다.

책에서는 인베이더, 문랜딩, 테트리스, 오목, 바둑 같은 익숙한 문제부터 가상 피팅, 주식 API, 암호화폐 자동매매처럼 이미지와 현실의 데이터를 다루는 문제까지 살펴본다. 어떤 예제에서는 LLM이 화면을 보고 행동을 고르고, 어떤 예제에서는 강화학습이 정책을 만들며, 또 다른 예제에서는 휴리스틱이 첫 번째 길잡이가 된다. 중요한 것은 하나의 정답을 제시하는 데 있지 않다. 문제의 성격에 따라 도구를 선택하고, 서로 연결하며, 그 결과를 검증하는 과정을 보여 주는 데 있다.

LLM은 인공지능 시스템을 이루는 중요한 기반이지만, 그 자체로 모든 작업을 완성하지는 않는다. 실제 문제를 해결하려면 시각 모델, 정책 모델, 강화학습, 검색, 데이터베이스, API, 시뮬레이터 등이 함께 움직여야 한다. 이들을 연결하는 브리지와 사람이 설계한 규칙도 필요하다. 상태를 관찰하고 행동을 선택한 뒤 결과를 평가하는 과정은 오래된 강화학습과 오늘날의 AI 에이전트를 이해하는 데에도 유용한 관점이 된다.

앞으로 LLM은 지금과 다른 형태로 발전하거나 더 큰 시스템의 일부가 될 것이다. 그렇기에 지금의 LLM을 배우고 실험하는 일은 더욱 의미가 있다. 현재의 가능성과 한계를 알아야 다음 인공지능의 모습을 구체적으로 상상할 수 있기 때문이다.

이 책이 독자에게 완성된 하나의 답보다 자신만의 도구 상자를 건네기를 바란다. 그 안의 환경, 모델, 데이터, 규칙과 API를 꺼내 서로 다르게 연결하고, 성공과 실패를 함께 살펴보기를 바란다. 오래된 문제를 새로운 도구로 다시 풀어 보는 경험이, 자신만의 인공지능을 이해하고 만들어 가는 출발점이 되었으면 한다.

2026년 봄

저자

출처: 국립중앙도서관 ISBN 서지정보(출판사 제출)