ㅁ 뉴로시mbolic AI

ㅇ 정의:
– 신경망(Neural Network)의 패턴 인식 능력과 기호 기반(Symbolic) 추론의 논리적 엄밀성을 결합한 AI 접근 방식.

ㅇ 특징:
– 데이터 기반 학습과 규칙 기반 추론을 동시에 활용.
– 설명 가능성(XAI) 향상.
– 소량 데이터에서도 추론 가능.

ㅇ 적합한 경우:
– 복잡한 규칙과 패턴이 동시에 필요한 문제.
– 법률, 의료, 과학 연구 등 설명 가능한 결과가 중요한 분야.

ㅇ 시험 함정:
– 단순히 하이브리드 AI와 혼동하기 쉬움.
– Symbolic Reasoning과 Logic Programming의 차이를 구분해야 함.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “뉴로시mbolic AI는 규칙 기반 추론과 신경망 학습을 결합한다.”
X: “뉴로시mbolic AI는 통계적 추론만 활용한다.”

================================

1. Symbolic Reasoning

ㅇ 정의:
– 명시적 규칙과 기호를 사용하여 논리적으로 추론하는 방식.

ㅇ 특징:
– 사람이 이해하기 쉬운 규칙 표현.
– 완전성, 일관성 검증 가능.
– 대규모 데이터보다는 지식 표현이 중요.

ㅇ 적합한 경우:
– 규칙이 명확하고 변경이 적은 도메인.
– 법률 규정 해석, 수학 증명 등.

ㅇ 시험 함정:
– 기계학습과 달리 데이터에서 직접 학습하지 않는다는 점.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Symbolic Reasoning은 명시적 규칙을 기반으로 한다.”
X: “Symbolic Reasoning은 대규모 데이터로 패턴을 학습한다.”

================================

2. Logic Programming

ㅇ 정의:
– 논리식을 프로그램 코드로 작성하여 추론을 수행하는 프로그래밍 패러다임.

ㅇ 특징:
– 선언적 프로그래밍의 한 형태.
– Prolog와 같은 언어 사용.
– 규칙과 사실을 기반으로 질의(Query)에 대한 답을 도출.

ㅇ 적합한 경우:
– 검색, 규칙 기반 문제 해결, 전문가 시스템.

ㅇ 시험 함정:
– 절차적 프로그래밍과 혼동하기 쉬움.
– 논리식이 곧 실행 코드라는 점을 간과.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Logic Programming은 규칙과 사실을 기반으로 추론한다.”
X: “Logic Programming은 반복문과 조건문으로만 구성된다.”

================================

3. Knowledge Graph + Neural Net

ㅇ 정의:
– 지식 그래프의 구조적 관계 정보와 신경망의 패턴 학습 능력을 결합한 접근.

ㅇ 특징:
– 관계 데이터의 의미적 추론 가능.
– 노드 임베딩, 그래프 신경망(GNN) 활용.
– 구조적 지식과 비정형 데이터 통합.

ㅇ 적합한 경우:
– 추천 시스템, 질의응답, 지식 검색.

ㅇ 시험 함정:
– 단순한 그래프 데이터 처리와 혼동.
– 지식 그래프는 단순 관계망이 아니라 의미론적 관계를 포함한다는 점.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Knowledge Graph + Neural Net은 구조적 지식과 패턴 학습을 결합한다.”
X: “Knowledge Graph + Neural Net은 비정형 데이터만 처리한다.”

ㅁ 추가 학습 내용

[학습 정리]
뉴로심볼릭 AI는 심볼릭 추론과 신경망의 장점을 결합한 접근 방식이다.
심볼릭 추론은 명시적 규칙과 논리 구조를 기반으로 하며, 설명 가능성이 높지만 불완전한 지식 처리와 불확실성 대응에 한계가 있다.
신경망은 패턴 인식과 일반화 능력이 뛰어나며 불완전하거나 잡음이 있는 데이터에도 강하지만, 설명 가능성이 낮다.
시험에서는 설명 가능성과 일반화 능력을 동시에 요구하는 사례를 제시하고, 어떤 접근(심볼릭, 신경망, 혹은 결합형)이 적합한지 판단하는 문제가 출제될 수 있다.

Logic Programming에서는 역추론(Backward Chaining)과 순방향 추론(Forward Chaining)의 차이를 이해해야 한다.
– 역추론: 목표에서 시작하여 필요한 조건을 거슬러 올라가며 추론
– 순방향 추론: 주어진 사실에서 시작하여 규칙을 적용해 새로운 사실을 도출

Knowledge Graph 관련 개념:
– RDF(Resource Description Framework): 주어-술어-목적어 형태의 트리플 구조로 지식 표현
– SPARQL: RDF 데이터 질의 언어
– Ontology: 개념과 관계를 정의한 지식 구조

Symbolic Reasoning과 Rule-based System 차이:
– Symbolic Reasoning: 논리와 수학적 구조를 이용한 추론 전반
– Rule-based System: 명시적 규칙 집합에 따라 동작하는 시스템(심볼릭 추론의 하위 범주)

Graph Neural Network(GNN): 그래프 구조 데이터를 입력으로 받아 노드, 엣지, 그래프 단위의 임베딩을 학습하고, 이웃 노드 정보를 집계(Aggregation)하여 특징을 갱신하는 방식으로 동작

[시험 대비 체크리스트]
1. 심볼릭 추론의 장점과 한계, 신경망의 장점과 한계를 각각 설명할 수 있는가
2. 설명 가능성과 일반화 능력을 동시에 요구하는 문제 상황에서 적합한 접근 방식을 제시할 수 있는가
3. 역추론과 순방향 추론의 개념과 차이를 예시와 함께 설명할 수 있는가
4. RDF 구조와 SPARQL 질의 방법, Ontology의 역할을 이해하고 있는가
5. Symbolic Reasoning과 Rule-based System의 차이를 구분할 수 있는가
6. GNN의 기본 동작 원리(노드 정보 집계와 갱신 과정)를 설명할 수 있는가