자동추론
자동추론(Automated Reasoning)은 컴퓨터 프로그램에 의한 수학적 이론의 증명 문제를 다루는 자동화된 추론과 수학 논리(logic)의 하위 분야이다. 수학적 증거에 대한 자동화된 추론은 컴퓨터 과학의 발전에 주요한 자극제였다. 인공지능(AI) 연구에 있어 핵심이기도 하다.[1]
개요[편집]
자동추론은 컴퓨터 과학의 영역으로서 컴퓨터 시스템에 논리적인 형태의 추리를 적용하는 것과 관련이 있다. 일련의 가정과 목표가 주어진 경우, 자동화된 추론 시스템은 자동으로 그 목표에 대한 논리적 추론을 할 수 있어야 한다.[2] 그리고 추론의 다양한 측면을 이해함으로써 컴퓨터에 의한 완전한 자동추론을 가능하게 하는 소프트웨어 개발을 목표로 한다. 자동 추론은 인공지능 모델을 학습할 때 사용하는 학습 데이터의 분포 및 운영시의 입력 데이터의 분포를 기반으로 학습에서 운용까지의 데이터의 변화 추이를 파악하고 원래 인공지능 모델의 추론 결과와 비교해 인공지능 모델의 정확도를 실시간 측정해 자동으로 추론이 가능해 인공지능 연구에 있어 핵심적인 역할을 한다.[3] 자동추론을 통해 복잡하고 변화하는 제약 조건을 충족시키면서 불완전하거나 불확실한 정보를 가지고 문제에 대한 해결책을 찾을 수 있다.[4] '문제 도메인'이라는 용어는 자동화된 추론 프로그램에 제시된 문제의 클래스를 설명하는 데 사용된다. 문제 영역에는 자동화된 추론 시스템에 관련 정보를 제공하는 문제 가정, 시스템에 대한 질문인 문제 결론이 포함된다. 추론 프로그램은 문제 영역을 입력으로 받고 증명의 정확성과 같은 솔루션을 출력으로 제공한다. 솔루션을 찾거나 자원이 고갈되면 자동 추론 프로그램이 종료된다. 자동 추론 프로그램의 이론을 증명하기 위해 사용되는 가장 일반적인 방법은 사용되는 미적분에 알고리즘 설명을 제공하는 것이다. 또한 사용자는 자동화된 추론 프로그램이 해결해야 할 문제의 클래스, 프로그램이 주어진 정보를 나타내는 데 사용할 언어 및 연역적 추론을 구현하는 데 사용할 언어를 정의해야 한다.[2]
역사[편집]
19세기 말부터 20세기 초에는 현대 논리와 정형화된 수학의 발달이 대두되었다. 1879년, 고틀로프 프레게(Gottlob Frege)는 자신의 저서 '베그리프시크리프트(Begriffsschrift)'에서 '완전한 명제로 이뤄진 미적분'과 '근본적인 현대 논리'를 소개했다. 그리고 1884년, 수학을 형식 논리로 표현한 '산술 기초(Foundations of Arithmetic)'를 출간했다. 이러한 접근은 1910년에 버트런드 러셀(Bertrand Russell)과 알프레드 노스 화이트헤드 (Alfred North Whitehead)가 출간한 수학 원리(Principia Mathematica)에 큰 영향을 주었다. 그 뒤로도 1927년에 개정된 수학 원리로 접근을 시도했다. 러셀과 화이트헤드는 사회에서 두루 통하는 진리나 도리인 '공리'와 형식 논리의 '추론 규칙'을 사용해서 수학적인 진리를 도출할 수 있다고 생각했고, 이로 인해 '자동화'란 것에 접근할 수 있게 되었다. 1929년, 모히제스 프레스버거(Mojżesz Presburger)는 덧셈과 등호가 있는 자연수 이론 프레스버거 산술(Presburger arithmetic)을 해독할 수 있다는 것을 보여 주었고, 그 언어에서 주어진 문장이 참인지 거짓인지를 판단할 수 있는 알고리즘을 개발했다. 그러나 이러한 성과가 나온 직후인 1931년에 커트 괴델(Kurt Gödel)은 '프린키니아 매스매티카 및 관련 시스템의 확인되지 않은 문제들에 대하여'(On Formally Undecidable Propositions of Principia Mathematica and Related Systems)를 발표하여 충분히 자명론 시스템에는 증명할 수 없는 참된 진술들이 있음을 보여 주었다. 이 주장은 1930년대에 알론조 처치(Alonzo Church)와 앨런 튜링에 의해 더욱 발전하게 된다.[1] 자동추론이 처음으로 구현된 시기는 제2차 세계대전 직후이다. 당시 최초의 범용 컴퓨터(general purpose computer)가 보급되었다. 1954년, 마틴 데이비스(Martin Davis)는 프린스턴 고등연구소(Princeton Institute)에서 조니카(JOHNICA) 진공관 컴퓨터를 위한 프레스버거의 알고리즘을 프로그래밍했다.[1]
특징[편집]
- 용도
자동추론은 대부분 연역적 추론과 함께 컴퓨팅 시스템을 사용하여 수학적 증거를 찾고 확인하고 검증한다. 자동추론 시스템을 사용하여 증거를 확인하면 사용자가 계산에서 실수하지 않았는지 확인할 수 있다. 자동추론은 수학, 공학, 컴퓨터 과학 또는 정확한 철학에 관한 질문과 같은 비수학적 목적의 응용 분야에도 사용될 수 있다.[2]
- 관련 문제
더 단순하지만 관련 있는 문제는 정리에 대한 기존 증거가 유효한 증명 검증이다. 이를 위해, 일반적으로 원시적인 재귀 기능이나 프로그램에 의해 각각의 증명 단계를 검증할 수 있어야 하며, 따라서 문제는 항상 해독이 가능하다. 자동화된 정리 증명자에 의해 생성되는 증명들은 전형적으로 매우 크기 때문에, 증명 압축의 문제는 매우 중요하며, 결과적으로 더 쉽게 이해할 수 있고 체크할 수 있게 하는 것을 목표로 하는 다양한 기술들이 개발되었다. 교정 보조원은 시스템에 힌트를 줄 수 있는 인간 사용자를 요구한다. 자동화의 정도에 따라 프로베러는 본질적으로 증명 체커로 축소될 수 있으며, 사용자는 형식적인 방법으로 증명을 제공하거나 중요한 증명 작업을 자동으로 수행할 수 있다. 대화형 프로버들은 다양한 작업에 사용되지만, 심지어 완전히 자동화된 시스템조차도 오랫동안 인간의 수학자들을 따돌린 것, 즉 로빈스 추측을 포함한 많은 흥미롭고 어려운 이론들을 증명했다. 그러나 이러한 성공은 산발적으로 이루어지며, 어려운 문제를 해결하기 위해서는 대개 숙련된 사용자가 필요하다.
적용 사례[편집]
- 아마존웹서비스(AWS) : 자동추론을 통해 차세대 보안 기술로 아마존웹서비스 아키텍처의 핵심 구성 요소에 대한 높은 수준의 신뢰성을 제공했다고 밝혔다. 아마존웹서비스 자동추론 그룹의 이사는 자동 추론이 서비스 및 코드 내에 내장된 방법과 고객이 오늘날 활용할 수 있는 툴을 통해 검증 가능한 보안을 달성하는 방법에 대해 설명했다. 아마존웹서비스 클라우드가 계속 성장하면서 아마존웹서비스는 클라우드의 보안이 성장 속도와 요구를 충족하도록 노력하고 있다. 진화하는 위협 환경에 대처하기 위해 보안 태세를 강화하는 다양한 서비스 및 기능을 통해 클라우드에서 워크로드를 보다 안전하면서 쉽게 운영할 수 있도록 지원한다. 특히 인공지능의 한 분야인 자동추론을 이용해 차세대 보안 기술을 구현해 플랫폼 보안을 강화했다. 아마존웹서비스의 자동추론을 통해 고객은 클라우드 내 주요 구성 요소의 지속적인 보안을 확인하고 클라우드 보안을 보장받을 수 있다. 자동추론은 수학적 논리에 의해 추진되며, 클라우드 내 핵심 구성 요소가 고객의 의도된 보안 조치와 일치하도록 작동하고 있다는 기계화된 수학적 증거를 설계 및 구현하여 구성된다. 아마존웹서비스는 자동추론을 통해 고객이 전체 등급의 잘못된 구성을 감지하여 잠재적으로 취약한 데이터를 노출시킬 수 있도록 한다. 따라서 복잡한 조직을 위해 더욱 세분화된 구성을 수동으로 확인해야 하는 고객의 부담을 덜어주어 보안 검증이 엔터프라이즈 성장에 따라 확장된다는 새로운 수준의 확신을 제공한다.[5]
- 후지쯔 연구소 : 인공지능의 정확성을 유지하고 안정 운용을 실현할 수 있는 세계 최초로 '고내구성 학습'(High Durability Learning) 기술을 개발했다. '고내구성 학습'은 인공지능의 정확성을 수시로 추정할 수 있고 정밀도 저하 시에는 인공지능 모델의 성능을 자동으로 복구하는 기술이다. 이 기술은 인공지능 모델 운영 중에 정밀도 저하를 '자동추론'하고 재학습 없이 인공지능의 정밀도 저하를 '자동 복구'하는 두 가지 특징이 있다. 먼저 ‘자동추론’은 인공지능 모델을 학습할 때 사용하는 학습 데이터의 분포 및 운영시의 입력 데이터의 분포를 기반으로 학습에서 운용까지의 데이터의 변화 추이를 파악하고 원래 인공지능 모델의 추론 결과와 비교해 인공지능 모델의 정확도를 실시간 측정해 자동으로 추론이 가능하다. 또 재학습 없이 인공지능의 정밀도 저하를 자동 복구하는 방법은 인공지능 모델이 추론한 결과와 입력 데이터의 변동에 따라 자동으로 조정되며 이는 인공지능 모델에 새로운 입력 데이터에 자동으로 적응시킬 수 있다. 특히 이 기술은 입력 데이터와 인공지능 모델의 종류에 구분하지 않고 적용할 수 있는 유연성을 제공하므로 신규 적용하는 인공지능 모델뿐만 아니라 이미 도입된 인공지능 모델과도 결합이 가능하며, 다양한 분야에서의 활용이 기대된다. 이 솔루션은 금융 분야의 신용 위험 평가에서 3,800개 기업의 재무 데이터를 사용하여 검증되었으며, 인공지능의 정확도는 3%의 오차로 추론되었다. 기존 인공지능은 운용에서 정확도가 69%까지 떨어졌으나 이 솔루션은 89% 라는 높은 정밀도를 유지할 수 있었다고 한다.[3]
- 마인드AI(Mind AI) : 블록체인 기반의 인공지능 프로젝트이다. 마인드AI는 사람처럼 스스로 생각할 수 있고, 읽고 쓰는 자연 언어 처리 기술을 바탕으로 논리적으로 생각할 수 있는, 이전에는 보지 못한 새로운 인공지능이다. 중요한 점은 마인드AI는 대용량 자료가 필요한 기존 인공지능 시스템과 달리, 완전히 새로운 데이터 구조에 기반한 핵심 추론(reasoning) 엔진이라는 것이다. 즉, 대용랑 데이터가 필요하지 않은 완전히 새로운 구조의 인공지능 시스템이다. 한편 마인드AI는온톨로지를 입력한 이용자에게 보상을 주고, 인공지능 추론 엔진이 이 온톨로지를 활용할때마다 추가적인 보상을 지급한다. 아울러 인공지능 추론 엔진을 통해 여러 기업들이 창의적이고 혁신적인 서비스를 출시할 수 있다고 강조했다. 예를 들면 질문자가 입력한 단어를 활용해 정해진 답을 내놓는 현재 챗봇의 방식에 인공지능 추론엔진을 적용하면 사람 상담사가 상담을 해주는 것처럼 대화하며 문제를 해결해 줄 수 있다는 것이다. 마인드에이아이는 자동차 업체와 함께 차량사고 발생 시 대처법을 안내해주는 인공지능 추론 엔진 기반의 챗봇 개발에 착수했다. 올해 말 실제 서비스로 인공지능 추론 엔진의 활용 가능성을 입증한다는 계획이다.[6]
각주[편집]
- ↑ 1.0 1.1 1.2 Automated theorem proving Wikipedia - https://en.wikipedia.org/wiki/Automated_theorem_proving
- ↑ 2.0 2.1 2.2 Margaret Rouse, 〈automated reasoning〉, 《TechTarget》
- ↑ 3.0 3.1 최강민 기자, 〈(이슈) 인공지능 추론 정밀도 시간 지나면 저하된다? "이제는 아니다"〉, 《인공지능신문》, 2019-12-16
- ↑ DAVID SHATSKY·CRAIG MURASKIN·RAGU GURUMURPHY, 〈인지기술 사업을 위한 진정한 기회〉, 《Deloitte Review》
- ↑ blog_admin, 〈Podcast: AI 기술이 자동 추론을 통해 차세대 클라우드 보안 제공〉, 《메가존클라우드》, 2018-10-15
- ↑ 황병서 기자, 〈블록체인 - 인공지능 기술의 만남… 성큼 다가온 `융합형 서비스 시대`〉, 《디지털타임스》, 2019-02-20
참고자료[편집]
- Margaret Rouse, 〈automated reasoning〉, 《TechTarget》
- 최강민 기자, 〈(이슈) AI 추론 정밀도 시간 지나면 저하된다? "이제는 아니다"〉, 《인공지능신문》, 2019-12-16
- Automated theorem proving Wikipedia - https://en.wikipedia.org/wiki/Automated_theorem_proving
- DAVID SHATSKY·CRAIG MURASKIN·RAGU GURUMURPHY, 〈인지기술 사업을 위한 진정한 기회〉, 《Deloitte Review》
- blog_admin, 〈Podcast: AI 기술이 자동 추론을 통해 차세대 클라우드 보안 제공〉, 《메가존클라우드》, 2018-10-15
- 황병서 기자, 〈블록체인 - 인공지능 기술의 만남… 성큼 다가온 `융합형 서비스 시대`〉, 《디지털타임스》, 2019-02-20
같이 보기[편집]
