규칙 기반 AI 또는 GOFAI(Good Old-Fashioned AI)라고도 하는 심볼릭 AI는 기호와 규칙을 사용하여 지식을 명시적으로 표현하는 데 중점을 둔 인공 지능의 접근 방식입니다. 데이터에서 패턴을 학습하는 머신 러닝과 달리 기호 AI는 사람이 이해할 수 있는 지식을 시스템에 인코딩하여 인간의 인지를 모방하는 방식으로 문제를 추론하고 해결할 수 있도록 하는 것을 목표로 합니다. 이 방법은 통계 모델이나 신경망보다는 논리, 규칙, 기호적 표현에 의존합니다.
심볼릭 AI의 핵심은 지식을 구조화된 상징적 형태로 표현한다는 아이디어입니다. 이는 종종 규칙 기반 시스템, 논리 프로그래밍, 시맨틱 네트워크와 같은 기술을 사용하여 달성됩니다. 이러한 표현을 통해 AI 시스템은 기호를 조작하고, 추론하고, 논리적 추론을 수행할 수 있습니다. 예를 들어, 시스템은 '만약-그렇다면' 규칙을 사용하여 결정을 내리거나 의미 네트워크를 사용하여 개념 간의 관계를 이해할 수 있습니다. 심볼릭 AI의 대표적인 예인 전문가 시스템은 규칙과 사실에 대한 지식 기반을 활용하여 특정 영역에서 인간 전문가의 의사 결정 과정을 에뮬레이션합니다.
머신러닝의 부상에도 불구하고 심볼릭 AI는 명시적 지식 표현과 추론이 중요한 여러 영역에서 여전히 관련성이 높습니다.
전문가 시스템: 심볼릭 AI는 복잡한 문제를 해결하기 위해 도메인별 지식을 캡슐화하는 전문가 시스템을 만드는 데 탁월합니다. 예를 들어 의료 이미지 분석에서 심볼릭 시스템은 의료 전문 지식에서 파생된 일련의 논리적 규칙을 기반으로 질병을 진단하도록 설계할 수 있습니다. 이러한 시스템은 인간 의사의 추론 과정과 유사하게 증상과 의료 데이터를 해석하여 진단 제안을 제공할 수 있습니다.
로봇 공학 및 계획: 심볼릭 AI는 로봇 공학에서 높은 수준의 계획과 의사 결정에 유용합니다. 물류창고에서 작업을 자동화하도록 설계된 로봇 프로세스 자동화(RPA) 시스템을 생각해 보세요. 심볼릭 AI는 환경과 작업에 대한 사전 정의된 규칙과 지식을 기반으로 로봇이 창고를 탐색하고, 물품을 픽업하여 지정된 위치로 배송하는 계획을 수립하는 데 사용할 수 있습니다. 이는 데이터에서 직접 로봇의 움직임을 학습하는 접근 방식과는 대조적입니다.
자연어 처리(NLP): 최신 NLP는 통계 및 딥러닝 방식이 주를 이루지만, 심볼릭 AI는 언어 이해의 특정 측면에서 역할을 합니다. 심층적인 의미 분석이나 규칙 기반 텍스트 생성이 필요한 작업의 경우 기호적 접근 방식이 효과적일 수 있습니다. 예를 들어, 초기 챗봇 개발에서는 시스템이 기호적 규칙을 사용하여 사용자 쿼리를 이해하고 응답했지만, 현재는 대부분 방대한 데이터 세트에서 학습된 모델로 대체되었습니다.
심볼릭 AI와 머신러닝의 주요 차이점은 문제 해결에 대한 접근 방식에 있습니다. 심볼릭 AI는 명시적으로 프로그래밍된 지식과 추론 규칙에 의존하기 때문에 해석이 가능하고 투명합니다. 반면 머신러닝, 특히 딥러닝은 대규모 데이터 세트에서 암묵적으로 학습하기 때문에 해석하기 어려운 '블랙박스' 모델을 생성하는 경우가 많습니다.
심볼릭 AI는 논리적 추론과 명시적 지식이 필요한 작업에는 효과적이지만, 인식, 패턴 인식 또는 노이즈가 많은 비정형 데이터에서 학습하는 작업(머신러닝이 뛰어난 분야)에는 어려움을 겪을 수 있습니다. 최신 AI는 종종 두 가지 접근 방식을 통합하여 각각의 강점을 활용하여 더욱 강력하고 다재다능한 시스템을 구축합니다. 예를 들어, 하이브리드 시스템에서는 Ultralytics YOLOv8 을 사용하여 객체 감지에 머신 러닝을 사용하고, 감지된 객체에 대한 높은 수준의 추론에는 기호 AI를 사용할 수 있습니다.
심볼릭 AI는 복잡한 실제 시나리오에 맞게 확장하고 수동 재프로그래밍 없이 새로운 정보에 적응하는 데 어려움을 겪습니다. 방대한 양의 지식을 수동으로 인코딩하는 데 따르는 어려움인 '지식 습득 병목 현상'은 중요한 한계입니다.
이러한 어려움에도 불구하고 기호적 AI 원칙은 AI 연구에 계속 영향을 미치고 있습니다. 설명 가능한 AI(XAI) 및 신경 기호 AI와 같은 분야에서 기호적 추론과 머신러닝을 결합하는 것은 활발한 연구 분야입니다. 이러한 하이브리드 접근 방식은 지능적이고 이해하기 쉬운 AI 시스템을 만들어 규칙 기반 AI와 데이터 기반 AI 사이의 간극을 메우는 것을 목표로 합니다. AI가 발전함에 따라 심볼릭 AI의 강점을 최신 머신 러닝 기술과 통합하면 더욱 강력하고 인간과 유사한 인공지능을 위한 길을 열 수 있습니다.
