이전 글에서는 언어 이론을 기반으로 논리적 갈등을 처리하는 방법을 설명하는 예시를 살펴봤어요. 그리고 Behavior Tree(BT)를 사용해서 AI에 의도성을 불어넣는 방법도 간단하게 알아봤죠. 이번에는 그래프가 *일관성이 없다*고 가정하고, 시스템이 특정 목표에 도달하려고 시도하는 동안 나타나는 동작, 즉 *의도적인* 이동에 대해 이야기해볼게요. 여기서 목표는 *바람직한* 그래프 구성을 만드는 거예요. 이는 단순히 Machine Learning만을 기반으로 해서 입력에 *반응*만 하는 대화 시스템과는 중요한 차이점이죠. Machine Learning 기반 시스템은 실제 목표가 없으니까요.
그래프가 일관성이 없다면 시스템은 *의도적인* 대화 이동을 통해 그래프 구성을 원하는 방향으로 이끌어갈 수 있어요.
우선, 시스템은 새로운 결정을 내릴 수 있도록 신념 그래프에 변경 사항을 적용해요. 그런 다음 답변되지 않은 질문과 같이 해결되지 않은 문제가 있는지 확인하죠. 이 경우 그래프는 *불안정한* 상태로 정의되고, 따라서 이러한 문제를 해결하는 것이 우선순위가 돼요. 그래프가 불안정하지는 않지만 목표 패턴을 나타내지 않는다면 *탐탁지 않은* 상태라고 할 수 있어요. 바람직하지 않은 문제를 해결하기 위해 ANGMAR에서는 Bayesian Network(BN)를 사용해서 의사 결정 프로세스를 관리하고, 그래프를 원하는 구성에 더 가깝게 만들 가능성이 가장 높은 전략을 선택한답니다.
FANTASIA는 Unreal이 제공하는 기능을 Unreal과 통합하고, Agrume 라이브러리와 Neo4j를 함께 사용해서 그래프에서 수집된 정보를 기반으로 BN을 동적으로 조립할 수 있게 해줘요. 간단히 말해서, BN은 무작위 변수 사이의 인과 관계를 모델링해서 하나의 변수에 대해 수집된 증거가 네트워크의 나머지 부분에 전파되도록 하고, 네트워크의 각 Node의 실제 값 추정치를 향상시키는 역할을 해요. 영화 도메인의 경우 배우, 영화, 장르를 고려한 네트워크 구축을 간단한 예로 들 수 있겠죠. 배우들의 연기는 그들이 출연하는 영화의 평점에 영향을 미치고, 영화의 평점은 그들이 속한 장르의 평점에 영향을 미치는 것처럼요. 영화와 장르의 평점은 상위 등급의 중앙값으로 추정된다고 가정해볼게요.
처음에는 우리가 아무것도 모르기 때문에 네트워크의 변수는 무작위 분포를 가져요. 배우에 대한 추정 평가는 평점에 대한 균일한 분포로 표현되어서 모든 것이 사실일 수 있음을 나타내죠. 그에 따라 분포가 계산될 거예요. 다음으로, 커널 밀도 추정을 사용해서 Movielens 등급에 맞춰진 가능한 등급에 대한 Gaussian 분포로 영화 등급을 추정해요. 이는 *연성 증거*이고, 영화에 대한 정보와 배포판은 다음 그림과 같이 결과적으로 업데이트될 수 있어요.
이 프레임워크에서 질문하는 것은 *확실한 증거*를 수집하는 것과 같아요. 네트워크의 변수에 대해 Node에 포함된 정보의 불확실성을 나타내는 Node의 엔트로피를 계산하고 시스템의 일반적인 목표를 고려함으로써 대화 관리 전략은 다음 동작을 평가할 수 있는 거죠.
하지만 전체 데이터베이스만큼 큰 BN을 생성하는 것은 불가능해요. 이렇게 하면 애플리케이션이 멈춰버릴 수도 있겠죠. 하지만 BN은 그래프이기도 하잖아요! 이는 Cypher Query를 사용해서 *흥미로운* 하위 그래프를 추출할 수 있다는 의미이기도 해요. 일반 도메인에서 사용자에 대해 수집된 신념과 일관되고 Neo4j 데이터 구조를 기반으로 Unreal 내부에서 BN을 동적으로 조립하는 하위 그래프 말이에요.
그래프에서는 온톨로지를 사용해서 프로세스의 이 부분을 안내하는 *일부* Relationship을 정의해요. BN으로 추론할 하위 그래프를 추출하는 것은 그래프 패턴이나 Node Embedding을 사용해서 수행할 수 있고, 이는 Semantic Search와 비슷한 것을 시뮬레이션할 수 있게 해줘요. 또한 링크 예측과 같은 그래프 데이터 과학 기술은 추론을 지원해서 사용 가능한 대화 동작을 고려하여 바람직한 연결이 형성될 가능성을 확립할 수 있도록 도와주죠. 다음 그림은 BT를 사용해서 이 메커니즘을 구현하는 방법을 보여주고 있어요.
대화 동작을 생성할 때 *추론적 진술*을 제시해야 할 수도 있어요. 이는 시스템이 표현하는 위치를 지원하기 위해 그래프의 Node에 대한 Path를 추출해서 얻을 수 있죠. 진술의 *발화력*과 그 표현의 동기는 다음과 같아요. *논증*은 대화 상대가 해결되지 않은 주장을 받아들이도록 설득하려는 의도이거나, *설명*은 대화 상대가 요점을 이해할 수 있도록 의도된 경우를 대표할 수 있죠.
BT 측면에서 진술의 발화력은 진술을 생성하는 작업의 위치(BT에서)로 표현돼요. ANGMAR의 현재 버전에서는 주요 주장을 뒷받침하는 추론 진술이 질문에 대한 답변을 뒷받침하기 위해 생성된 경우 설명으로 간주돼요. 도중에 생성된 경우 *착취*, 실제 추천 단계 또는 *탐구*, 사용자에 대한 추가 정보가 수집되는 단계에서는 다음 그림과 같이 인수로 간주되죠.
어떤 경우에는 논증이 설명을 뒷받침하기도 하고, 반대로 설명이 논증을 뒷받침하기도 해서, 이런 구별은 아직 연구 중인 분야예요. 저희는 LORIEN을 통해 언어학 이론 관점에서 대화를 분석하며 논증을 더 깊이 이해하려고 노력하고 있죠. 이 글에서는 ANGMAR에서 BT의 구조와 대화 이동에 대한 결정이 언어 이론의 컴퓨터 해석을 보여준다는 점만 알아두시면 될 것 같아요. ANGMAR는 영화 추천처럼 특정 도메인에 이론을 적용해서 테스트하는 데 사용할 수 있답니다.
반대로 ANGMAR에서 발견되는 문제점들은 이론적 배경의 잠재적인 약점에 대한 정보를 제공하고, 이런 문제점을 수정하면 대화 관리를 뒷받침하는 언어적, 인지적 메커니즘을 더 잘 이해할 수 있게 될 거예요. 이는 기존의 AI 접근 방식에도 있었던 장점이죠. 일반적인 프레임워크와 일관성을 유지하면서, 논쟁 이동과 그 관계는 대화 관리에 새로운 차원을 더하기 위해 그래프 형태로 모델링됩니다.
추천 시스템의 경우, 뒷받침하는 주장을 선택하고 적절하게 제시해서 대담자(영화를 수락하는 것)로부터 을 얻어낼 수 있는 강력한 능력을 제공할 수 있어요. 이 문제는 시스템의 을 더욱 상세하게 설명하고, 올바른 형식을 사용해서 자연어로 표현하는 능력과 관련이 깊죠. "이걸 산 사람이 저것도 샀어요" 같은 뻔한 추천 이유를 넘어서서 개인화와 투명성을 모두 지원하여 서비스 품질과 상호 작용을 향상시킬 수 있다는 점이 정말 흥미롭죠? 논쟁 기반 대화에 관한 연구는 저희 연구실 박사 과정 학생인 Martina Di Bratto가 진행하고 있답니다.
그래프 구조를 사용해서 수행한 언어학 연구는 설명 가능한 설계 기술 시스템 개발에 많은 도움을 줄 수 있을 거예요.
LORIEN과 ANGMAR를 동시에 개발하는 것은 언어학과 컴퓨터 과학 연구자 간의 양방향 다리를 놓으려는 노력의 일환이에요. 목표는 이론적으로 동기가 부여된 계산 모델을 사용해서 대화 관리에 대한 가설을 반복적으로 개발하고 테스트하는 것이죠. 이런 방식으로 언어 이론은 실제 사용자와의 시뮬레이션 및 상호 작용을 통해 최신 도구로 테스트할 수 있고, 동시에 설명 가능하고 계산적으로 관리 가능한 AI를 개발할 수 있게 된답니다.
저희 연구는 최종 애플리케이션을 만드는 데 집중하기보다는, 해결된다면 자연어를 인터페이스로 사용하는 시스템 개발 비용을 낮출 수 있는 이론적 메커니즘을 탐구하는 데 집중하고 있어요.
- 대화형 AI
에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.
'Agent AI' 카테고리의 다른 글
| Aura Agent로 디버깅 완전 정복! (0) | 2026.04.07 |
|---|---|
| Graph Commons를 활용한 네트워크 과학의 창의적인 활용 (0) | 2026.04.07 |
| Neo4j와 Unreal Engine으로 만드는 대화형 인공지능, 그 두 번째 이야기 (1) | 2026.04.06 |
| AI 팀은 왜 프롬프트 엔지니어링에서 컨텍스트 엔지니어링으로 이동하고 있을까 (0) | 2026.04.06 |
| 에이전트 기반 AI 시스템을 위한 최적의 Context Engineering 도구 (0) | 2026.04.06 |