AI와 그래프 기술: 그래프가 컨텍스트를 더하는 4가지 방법

• Machine Learning

인공지능(AI)에 대한 아이디어는 꽤 오래되었죠. 느슨하게 정의하자면, 는 인간의 지능을 흉내 내서 문제를 해결하는 솔루션이나 도구 모음이라고 할 수 있어요. 보통 가장 현실적인 목표는 무언가를 분류하거나 (예: 레이블을 붙이거나), 값을 예측하는 것 (예: 다음에 나올 숫자 예측)과 같은 예측을 하는 거죠.

좀 더 넓은 의미에서 AI는 좁은 범위와 일반적인 범위로 나눌 수 있는데요. Narrow AI는 이미지 인식처럼 특정 작업을 아주 잘 수행하는 데 집중해요. 반면에 좀 더 General AI는 계획, 언어 이해, 객체 인식, 학습, 문제 해결 등 다양한 능력을 포함하죠.

오늘날 AI 솔루션은 대부분 Narrow AI 범주에 속하지만, 새로운 상황에 더 잘 적응하고 시간이 지날수록 점점 더 강력해지고 있어요.

이번 블로그 시리즈에서는 그래프가 AI에 컨텍스트를 더하는 네 가지 방법을 살펴볼 거예요. 결정을 내릴 때 필요한 컨텍스트를 제공하는 Knowledge Graph, 그래프 가속 ML을 통한 효율성, 연결된 특징 추출을 통한 정확성, 그리고 AI 설명 가능성을 통한 신뢰성을 제공하는 방법을 알아볼 거랍니다.

이번 주에는 Graph Database 같은 같은 플랫폼이 어떻게 AI를 상황에 맞게 향상시키는지 간략하게 살펴볼게요.

AI에 컨텍스트가 왜 필요할까요?

AI 애플리케이션을 더 널리 활용하려면, 해결해야 할 문제와 관련된 정보를 주변에 제공해서 컨텍스트를 제공하는 것이 중요해요.

자율 주행차를 예로 들어볼까요? 비 오는 날씨는 정말 다양한 조건 (맑은 날의 비, 흐린 날의 비, 햇빛이 왼쪽이나 오른쪽에서 비치는 경우, 바람이 많이 부는 비, 겨울철 눈비 혼합 등)이 있기 때문에, 비 오는 날씨에서 자율 주행차가 운전하도록 가르치는 건 정말 어려운 일이에요.

자율주행차의 AI가 빛과 기상 조건의 가능한 모든 조합을 확인해야 한다면, 가능한 모든 상황에 대해 AI를 훈련시키는 건 불가능해요. 하지만 AI에 연결된 상황별 정보(비, 밤, 온도 등)가 주어진다면 여러 상황의 정보를 결합해서 다음 조치(예: 속도를 줄이거나 헤드라이트를 켜는 것 등)를 추론하는 게 가능해지죠.

그래프 기술은 데이터를 연결하고 관계를 정의해요. 관련 맥락으로 AI를 향상함으로써 그래프 기술은 정교한 AI 애플리케이션 개발을 지원하는 효과적인 수단을 제공한답니다.

인공 지능이란 무엇일까요?

AI 기술에는 각각 다른 방식으로 문제를 해결하는 세 가지 주요 범주가 있어요. 인공지능은 Machine Learning(ML)과 Deep Learning(DL)의 하위 집합을 포함하는 포괄적인 용어랍니다.

AI는 인간의 결정을 모방하는 방식으로 작업을 수행하는 방법을 학습한 컴퓨터 프로세스예요. 여기에는 실제 지능이 필요하지 않지만, 인간 지능의 특징인 작업을 수행할 수 있는 다양한 방법의 가능성은 열려 있죠.

AI가 솔루션 목표라면, Machine Learning은 본질적으로 그걸 달성하기 위한 방법이라고 할 수 있어요.

Machine Learning은 알고리즘을 사용해서 명시적인 프로그래밍 없이 구체적인 예와 점진적인 개선을 통해 학습해요. AI를 "훈련"하려면 알고리즘에 많은 데이터를 제공해서 처리 방법을 학습할 수 있도록 해야 해요. Machine Learning의 "학습" 부분은 알고리즘이 오류나 손실 감소와 같은 목적 함수를 최적화하기 위해 반복된다는 의미죠. Machine Learning은 더 많은 데이터가 제공될 때 스스로 수정하는 기능을 갖춘 동적인 기술이에요.

Deep Learning은 여러 계층을 사용해서 계단식 학습을 수행하고 계층적 추상화를 사용하는 Machine Learning의 하위 집합이에요. Deep Learning의 "심층" 부분은 추상화의 여러 숨겨진 계층을 나타내죠. 이 레이어는 과일 카테고리에 모양, 크기, 냄새를 추가하는 것과 같은 기능 계층을 제공한답니다.

AI는 사람들이 하는 것과 동일한 방식으로 선택하는 것을 목표로 하기 때문에, 사람들이 결정을 내리는 데 사용하는 가장 중요한 정보 종류인 상황을 조사해야 해요. AI가 인간의 지능을 모방하려면 상황이 필요한 거죠.

AI에 대한 맥락의 중요성

인공지능뿐만 아니라 인간에게도 상황은 의사결정에 매우 중요해요. 성인은 매일 수만 가지 결정을 내리는데(일부에서는 약 35,000번이라고도 하죠), 대부분은 주변 상황이나 관점에 따라 결정된답니다.

여행을 계획하는 경우, 여행이 업무용인지, 즐거움을 위한 것인지, 다른 사람을 위한 것인지에 따라 결정이 크게 달라져요. 언어에서 의미는 상황뿐 아니라 구문과 억양을 사용하는 사람에 따라 크게 달라지죠. 예를 들어, "나가!"라고 말하는 사람이 놀라움의 친근한 메시지를 표현하거나 누군가가 방에서 나가도록 요구할 수도 있어요.

인간은 상황별 학습을 통해 상황에서 중요한 것이 무엇인지 파악하고 이를 새로운 상황에 적용하는 방법을 알아내요. 인공지능이 인간이 하는 방식에 더 가까운 결정을 내리려면 많은 맥락을 통합해야 해요. 주변 및 관련 정보가 없으면 AI에는 더 철저한 교육, 더 규범적인 규칙 및 더 구체적인 애플리케이션이 필요하답니다.

그래프가 맥락을 제공하는 4가지 방법

최소한 4가지 주요 영역이 있어요. 그래프는 AI에 대한 맥락을 제공하는데요, 이 블로그 시리즈의 나머지 부분에서 다음 섹션에서 자세히 설명할 거예요.

첫 번째는 의사 결정 지원(예: 콜센터 직원 또는 지원 엔지니어)에 대한 컨텍스트를 제공하고 답변이 상황에 적합한지 확인하는 데 도움이 되는 Knowledge Graph(예: 비가 오는 운전 조건의 자율 차량)예요.

둘째, 그래프는 더 큰 처리 효율성을 제공하므로 그래프 가속 Machine Learning은 그래프를 사용해서 모델을 최적화하고 프로세스 속도를 높인답니다.

셋째, 연결된 특징 추출은 데이터를 분석해서 데이터 내에서 가장 예측 가능한 요소를 식별해요. 데이터에서 발견된 강력한 특성을 기반으로 예측 모델을 기반으로 하면 정확도가 향상되죠.

넷째이자 마지막으로, 그래프는 AI가 결정을 내리는 방식에 투명성을 제공하는 방법을 제공해요. 이 영역을 AI 설명 가능성이라고 한답니다.

결론

AI와 Machine Learning은 기업, 정부, 개인에게 큰 잠재력을 갖고 있어요. AI 솔루션을 구축하는 경우 그래프 기술은 상황에 맞는 기능을 제공할 수 있죠. 5부로 구성된 이 시리즈의 다음 블로그에서는 그래프가 AI에 대한 맥락을 제공하는 특정 영역을 계속해서 보여줄 거예요.

다음 주에는 의사 결정 지원(예: 콜센터 직원 또는 지원 엔지니어)에 대한 컨텍스트를 제공하고 답변이 상황에 적합한지 확인하는 데 도움이 되는 Knowledge Graph(예: 우천 시 자율 주행 차량)에 대해 다룰 거예요.

그래프 기술이 AI 프로젝트를 어떻게 향상하는지 알아볼 준비가 되셨나요?
백서를 읽고,인공 지능 및 그래프 기술: 컨텍스트 및 연결을 통해 AI 향상

• AI Explainability
• Deep Learning
• Graph Algorithms
• Machine Learning

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지