인공지능(AI)은 인간의 지능 수준을 한 단계 끌어올리는 혁신적인 기술로 자리매김했습니다. 이는 기계에 통합된 정밀한 지능을 통해 다양한 가능성을 제시합니다.
인간은 고차원적인 사고, 추론, 해석, 그리고 지식 이해 능력을 갖추고 있습니다. 우리가 축적한 지식은 현실 세계에서 다양한 활동을 수행하는 데 중요한 역할을 합니다.
최근에는 기술 발전에 힘입어 기계 또한 인간이 하던 많은 일들을 수행할 수 있게 되었습니다.
특히, 복잡한 작업을 효율적이고 정확하게 처리하는 AI 기반 시스템과 기기의 활용이 증가하고 있는 추세입니다.
여기서 중요한 점은 인간은 삶을 통해 다양한 수준과 유형의 지식을 습득하지만, 기계는 이러한 지식을 이해하고 해석하는 데 어려움을 겪는다는 것입니다.
이러한 문제를 해결하기 위해 지식 표현이라는 개념이 등장했습니다. 지식 표현은 인간에게 어렵고 시간이 많이 소요되는 복잡한 문제들을 해결하는 데 도움을 줍니다.
이 글에서는 AI에서의 지식 표현이 무엇인지, 어떻게 작동하는지, 어떤 유형과 기술이 사용되는지 자세히 알아보겠습니다.
자, 이제 시작해볼까요!
지식 표현 및 추론이란 무엇인가?
지식 표현 및 추론(KR&R)은 인공지능의 한 분야로, 컴퓨터가 실제 세계의 정보를 이해하고 이에 따라 행동할 수 있도록 정보를 표현하는 데 초점을 맞춥니다. 이는 복잡한 계산, 자연어 처리, 중요한 의학적 진단 등 다양한 문제 해결에 활용됩니다.
지식 표현은 인간이 어떻게 문제를 해결하고 지식을 표현하는지에 대한 심리학적 연구에서 아이디어를 얻었습니다. 이를 통해 AI는 인간이 복잡한 시스템을 설계하고 구축하는 과정을 단순화하는 방법을 이해할 수 있습니다.
초기 연구는 1959년 허버트 사이먼(Herbert A. Simon)과 앨런 뉴웰(Allen Newell)이 개발한 일반 문제 해결사에 집중되었습니다. 이 시스템들은 분해 및 계획을 위해 데이터 구조를 사용했습니다. 목표에서 시작하여 하위 목표로 분해하고, 각 하위 목표에 적합한 전략을 선택하는 방식으로 작동했습니다.
이러한 노력은 인간 심리학의 인지 혁명과 함께 지식 표현에 초점을 맞춘 AI 분야 발전을 이끌었습니다. 그 결과 1970년대와 1980년대에 전문가 시스템, 프레임 언어, 프로덕션 시스템 등이 등장했습니다. 이후 AI는 의료 진단과 같이 인간의 능력에 필적하는 전문가 시스템 개발에 집중하게 되었습니다.
지식 표현은 컴퓨터 시스템이 실제 문제를 해결하기 위해 지식을 이해하고 활용할 수 있도록 합니다. 또한, AI에서 지식과 추론을 표현하는 방법을 정의합니다.
단순히 데이터베이스에 데이터를 저장하는 것을 넘어, 지능형 기계가 인간의 지식에서 배우고 경험을 통해 인간과 유사하게 행동하고 반응할 수 있도록 하는 것이 지식 표현의 목표입니다.
인간은 감정, 의도, 신념, 상식, 판단, 편견, 직관 등 기계와는 다른 다양한 형태의 지식을 가지고 있습니다. 또한, 특정 사실, 사건, 사람, 사물, 언어, 학문 분야 등에 대한 일반적인 지식을 알고 있습니다.
KR&R을 사용하면 인간의 개념을 기계가 이해할 수 있는 형식으로 표현하여 AI 기반 시스템을 더욱 지능적으로 만들 수 있습니다. 여기서 지식은 시스템에 대한 정보를 제공하고 저장하는 것을 의미하며, 추론은 저장된 정보를 기반으로 의사 결정을 하고 행동을 취하는 것을 의미합니다.
AI 시스템에서 표현해야 할 지식
인공지능 시스템에 제공해야 할 지식은 다음과 같은 것들을 포함할 수 있습니다.
- 객체: 객체는 인간 주변에 항상 존재하며, 이 객체에 대한 정보는 필수적인 지식 유형입니다. 예를 들어, 피아노에는 흰색과 검은색 건반이 있고, 자동차에는 바퀴가 있으며, 버스에는 운전사가 필요하고, 비행기에는 조종사가 필요하다는 지식입니다.
- 이벤트: 현실 세계에서는 수많은 사건이 끊임없이 발생하며, 인간의 인식은 이러한 사건을 기반으로 이루어집니다. AI는 행동을 취하기 위해 사건에 대한 지식을 필요로 합니다. 예를 들어 기근, 사회 발전, 전쟁, 재난, 업적 등이 있습니다.
- 성능: 이 지식은 다양한 상황에서 나타나는 인간의 특정 행동과 관련됩니다. AI가 이해해야 할 중요한 지식의 행동 측면을 나타냅니다.
- 메타 지식: 전 세계를 조망하고 모든 지식을 요약하면, 대부분 세 가지 범주로 나눌 수 있습니다.
- 우리가 이미 알고 있는 것
- 우리가 모르는 것 (우리가 완전히 알지 못하는 것)
- 우리가 아직 모르는 것
- 메타 지식은 첫 번째 범주, 즉 우리가 알고 있는 것을 다루고, AI가 이를 인식하도록 합니다.
- 사실: 이 지식은 우리 세계에 대한 사실적 설명을 기반으로 합니다. 예를 들어, 지구는 평평하지 않고 둥글며, 태양은 엄청난 에너지를 가지고 있다는 지식입니다.
- 지식 기반: 지식 기반은 인간 지능의 중요한 구성 요소입니다. 특정 분야에 대한 관련 데이터나 정보 그룹을 의미합니다. 예를 들어, 자동차 모델 설계에 대한 지식 기반을 들 수 있습니다.
지식 표현은 어떻게 작동하는가?
일반적으로, 수행해야 할 작업, 해결해야 할 문제, 그리고 솔루션을 찾는 과정은 택배 배달이나 집의 전기 문제 해결처럼 비공식적으로 제시됩니다.
실제 문제를 해결하기 위해 시스템 설계자는 다음과 같은 단계를 거쳐야 합니다.
- 더 나은 해결책을 결정하기 위해 작업을 분석합니다.
- 컴퓨터가 추론할 수 있도록 문제를 언어로 표현합니다.
- 시스템을 사용하여 사용자에게 필요한 해결책 또는 일련의 활동으로 최종 결과를 계산합니다.
- 최종 결과를 주요 문제에 대한 해결책으로 해석합니다.
지식은 인간이 이미 가지고 있지만, 기계가 학습해야 하는 정보입니다. 다양한 문제 해결을 위해 기계에는 지식이 필요하며, 시스템 설계 단계에서 어떤 지식을 표현할지 정의할 수 있습니다.
지식 표현과 AI의 연관성
지식은 지능의 핵심 요소이며, 인공지능을 생성하는 데 중요한 역할을 합니다. AI 에이전트에서 지능적인 행동을 표현하기 위해 필요한 시점에 활용됩니다. 에이전트는 특정 입력에 대한 경험이나 지식이 부족하면 제대로 기능할 수 없습니다.
예를 들어, 사람과 대화하고 싶지만 언어를 이해하지 못한다면 제대로 반응하거나 행동할 수 없는 것은 당연합니다. 이는 에이전트의 지능적인 행동에도 마찬가지입니다. AI는 환경을 인식하고 필요한 지식을 활용하여 의사 결정을 내리고 기능을 수행할 수 있어야 합니다.
AI는 지식 구성 요소 없이 지능적인 행동을 나타낼 수 없습니다.
AI에서 표현되는 지식 유형
이제 AI에서 지식 표현이 왜 필요한지 명확해졌으니, AI 시스템에서 표현되는 지식의 유형에 대해 알아보겠습니다.
- 선언적 지식: 주변의 세계를 설명하는 데 도움이 되는 객체, 개념 및 사실을 나타냅니다. 어떤 것에 대한 설명을 제공하고 선언문을 표현하는 것입니다.
- 절차적 지식: 선언적 지식에 비해 적은 양을 차지하며, 모바일 로봇이 사용하는 명령형 지식이라고도 합니다. 어떤 일의 수행을 선언하는 것으로, 예를 들어 건물 지도만 있다면 모바일 로봇이 스스로 계획을 세울 수 있습니다. 모바일 로봇은 공격을 계획하거나 탐색을 수행할 수 있습니다.
절차적 지식은 규칙, 절차, 의제, 전략 등을 포함하는 작업에 직접적으로 적용됩니다.
- 메타 지식: 인공지능 분야에서 미리 정의된 지식을 메타 지식이라고 합니다. 예를 들어, 태깅, 학습, 계획 등의 연구는 이러한 유형의 지식에 속합니다.
이 모델은 시간 경과에 따라 동작을 변경하고 다양한 사양을 활용합니다. 시스템 엔지니어 또는 지식 엔지니어는 정확성, 평가, 목적, 출처, 수명, 신뢰성, 정당성, 완전성, 일관성, 적용 가능성 및 명확성과 같은 다양한 형태의 메타 지식을 활용합니다.
- 휴리스틱 지식: 얕은 지식이라고도 하며, 경험 법칙 원칙을 따릅니다. 과거 경험을 바탕으로 문제를 해결하거나 전문가가 정리한 문제를 풀 수 있어 추론 과정에서 효율적입니다. 그러나 과거 문제 경험을 수집하고, 문제를 정의하고, 조치를 취하는 데 더 나은 지식 기반 접근 방식을 제공합니다.
- 구조적 지식: 복잡한 문제 해결에 사용되는 가장 단순하고 기본적인 지식입니다. 객체와 개념 간의 관계를 찾아 효과적인 해결책을 찾으려고 하며, 부분, 종류 또는 그룹화와 같은 개념 간의 관계를 설명합니다.
선언적 지식은 설명하는 지식으로 표현될 수 있으며, 절차적 지식은 수행하는 지식으로 표현될 수 있습니다. 또한, 선언적 지식은 명시적 지식으로, 절차적 지식은 암묵적 또는 함축적 지식으로 정의됩니다. 지식을 표현할 수 있다면 선언적 지식이고, 그렇지 않다면 절차적 지식입니다.
AI 지식 표현 기법
AI에서 지식을 표현하는 주요 기술은 다음과 같습니다.
- 논리적 표현
- 시맨틱 네트워크
- 생산 규칙
- 프레임 표현
논리적 표현
논리적 표현은 기본 규칙을 가진 정의된 구문을 사용하여 기계에 대한 지식을 표현하는 기본 형식입니다. 이 구문은 의미의 모호함이 없고 전치사를 처리합니다. 논리적 형식은 커뮤니케이션 규칙으로 사용되어 기계에 사실을 표현하는 데 활용됩니다.
논리적 표현에는 두 가지 유형이 있습니다.
- 명제 논리: True 또는 False 값을 사용하는 Boolean 논리에 기반한 문 논리 또는 명제 미적분이라고도 합니다.
- 1차 논리: FOPL(First Order Predicate Calculus Logic)이라고도 하며, 양화사와 술어를 사용하여 논리적 지식을 표현하는 고급 형식입니다. 명제 논리의 확장된 모델입니다.
이러한 지식 표현 방식은 의미론을 사용하여 정보를 전달하는 대부분의 프로그래밍 언어와 유사하며, 문제를 해결하는 데 매우 논리적인 접근법을 제공합니다. 하지만 표현이 엄격하여 실행하기 어려울 수 있으며, 때로는 효율성이 떨어질 수 있다는 단점이 있습니다.
시맨틱 네트워크
시맨틱 네트워크는 데이터 네트워크와 함께 연결된 객체를 그래픽으로 표현하는 지식 표현 방식입니다. 노드(객체)와 호(연결)로 구성되어 있으며, 호는 객체 간의 관계를 설명합니다.
이는 FOPL 형식에 대한 대안으로, 시맨틱 네트워크의 관계는 두 가지 유형으로 나뉩니다.
시맨틱 네트워크는 이해하기 쉽고 논리적인 것보다 자연스러운 표현 형태를 제공하지만, 계산 비용이 많이 들고 논리적 표현에서 찾을 수 있는 등가 수량자를 포함하지 않는다는 단점이 있습니다.
생산 규칙
생산 규칙은 AI 시스템에서 가장 일반적으로 사용되는 지식 표현 방식입니다. if-else 규칙 기반 시스템을 나타내는 가장 간단한 형태로, 이해하기 쉽습니다. FOPL과 명제 논리를 결합하는 방법을 제공합니다.
생산 규칙을 이해하려면 먼저 시스템 구성 요소를 알아야 합니다. 이 시스템은 일련의 규칙, 작업 메모리, 규칙 적용자 및 인식-행동 주기로 구성됩니다.
AI는 모든 입력에 대해 생산 규칙의 조건을 확인하고, 적합한 규칙을 찾은 후 필요한 조치를 취합니다. 조건에 따라 규칙을 선택하고 문제를 해결하기 위해 행동하는 주기를 인식-행동 주기라고 합니다.
그러나 이 방법은 활성 규칙으로 인해 효율성이 떨어지고, 과거 결과를 저장하지 않아 경험치 획득이 어렵다는 문제가 있습니다. 규칙이 자연어로 표현되기 때문에 이러한 단점을 상쇄할 수 있으며, 필요한 경우 규칙을 쉽게 변경하고 삭제할 수 있습니다.
프레임 표현
프레임 표현을 이해하기 위해 열 이름과 행 값으로 구성된 테이블을 상상해 보세요. 필요한 정보는 이 구조를 통해 전달됩니다. 프레임 표현은 값과 속성의 모음으로 구성되어 있습니다.
이는 슬롯 값(필러)과 슬롯을 사용하는 AI 관련 데이터 구조입니다. 이 프로세스는 일반적인 데이터베이스 관리 시스템(DBMS)과 유사하며, 슬롯과 필러는 프레임이라는 구조를 형성합니다.
이러한 형태의 지식 표현에서 슬롯은 이름 또는 속성을 가지며, 속성과 관련된 지식은 필러에 저장됩니다. 이 표현 방식의 주요 이점은 유사한 데이터를 그룹으로 묶어 지식을 구조적으로 나누고 하위 구조로 세분화할 수 있다는 점입니다.
일반적인 데이터 구조와 유사하여 이해, 조작 및 시각화가 용이하며, 슬롯 제거, 삭제 및 추가와 같은 일반적인 작업을 쉽게 수행할 수 있습니다.
AI 시스템에서 지식 표현을 위한 요구 사항
좋은 지식 표현은 다음과 같은 속성을 가져야 합니다.
- 표현 정확성: 필요한 지식을 정확하게 표현할 수 있어야 합니다.
- 추론 효율성: 효율적인 추론을 통해 새로운 지식을 쉽게 생성할 수 있어야 합니다.
- 추론적 타당성: 기존 구조를 기반으로 새로운 지식을 표현하기 위해 표현 구조를 조작할 수 있어야 합니다.
- 습득 효율성: 자동화된 방법을 사용하여 새로운 지식을 습득할 수 있어야 합니다.
AI 지식 주기
AI 시스템은 지식 표현을 가능하게 하는 몇 가지 중요한 구성 요소로 구성됩니다.
- 인식: AI 시스템이 센서를 사용하여 환경 정보를 수집하고 문제와 상호작용할 수 있도록 돕습니다.
- 학습: AI 시스템이 인지 구성 요소에서 학습 구성 요소로 필요한 정보를 제공하여 딥러닝 알고리즘을 실행하고 학습 및 이해 능력을 향상시킵니다.
- 지식 표현 및 추론: 인간이 지식을 사용하여 의사 결정을 내리는 것처럼, AI 시스템에서 지식 데이터를 활용하여 서비스를 제공하고 필요할 때 지식을 활용합니다.
- 계획 및 실행: 이 구성 요소는 지식 및 추론 블록에서 데이터를 가져와 관련 작업을 독립적으로 수행하는 데 사용됩니다.
결론
인간은 다양한 방식으로 지식을 습득하며, AI 기반 기계도 마찬가지입니다. AI가 발전함에 따라 기계에 대한 지식을 효율적으로 표현하면 오류를 최소화하면서 복잡한 문제를 해결할 수 있습니다. 따라서 지식 표현은 AI 기계가 지능적이고 스마트하게 작동하는 데 필수적인 요소입니다.
인공 지능, 기계 학습 및 딥 러닝의 차이점에 대해서도 살펴보시기 바랍니다.