ㅁ 융합/응용

ㅇ 정의:
기호 기반(Symbolic) 접근과 신경망(Neural Network) 기반 접근을 결합하여 복잡한 문제 해결에 활용하는 방식.

ㅇ 특징:
– 규칙 기반 추론과 패턴 인식의 장점을 동시에 활용
– 데이터 기반 학습과 지식 기반 추론의 상호 보완
– 설명 가능성과 일반화 능력 향상

ㅇ 적합한 경우:
– 복잡한 규칙과 불확실성이 혼재된 문제
– 데이터가 제한적이지만 도메인 지식이 풍부한 경우

ㅇ 시험 함정:
– 단순히 두 기술을 병렬로 사용하는 것과의 차이 혼동
– 상호작용 구조를 묻는 문제에서 순서나 역할을 바꿔 출제

ㅇ 시험 대비 “패턴 보기” 예시:
O: “규칙 기반 추론과 패턴 인식의 장점을 결합하여 설명 가능성을 높인다.”
X: “뉴로심볼릭 AI는 데이터 없이도 모든 문제를 해결한다.”

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

1. Symbolic Reasoning

ㅇ 정의:
명시적 규칙과 논리 표현을 사용하여 추론을 수행하는 방식.

ㅇ 특징:
– 명확한 지식 표현과 해석 가능성
– 논리적 일관성 검증 가능
– 대규모 지식베이스와 결합 용이

ㅇ 적합한 경우:
– 법률, 의료 등 규칙이 명확한 영역
– 설명 가능성이 중요한 시스템

ㅇ 시험 함정:
– 확률적 접근과의 차이점 혼동
– 학습이 아닌 추론 중심임을 간과

ㅇ 시험 대비 “패턴 보기” 예시:
O: “명시적 규칙을 기반으로 결론을 도출한다.”
X: “Symbolic Reasoning은 데이터 패턴 학습에 최적화되어 있다.”

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

2. Logic Programming

ㅇ 정의:
논리식(주로 Prolog 등)을 기반으로 프로그램을 작성하고 추론을 수행하는 방식.

ㅇ 특징:
– 선언적 프로그래밍 패러다임
– 목표 지향적 추론
– 백트래킹을 통한 해 탐색

ㅇ 적합한 경우:
– 퍼즐, 제약 충족 문제(CSP)
– 규칙 기반 전문가 시스템

ㅇ 시험 함정:
– 절차적 언어와의 차이 혼동
– 순서 제어가 아닌 논리적 관계 중심임을 간과

ㅇ 시험 대비 “패턴 보기” 예시:
O: “Prolog는 논리식을 기반으로 목표를 만족하는 해를 탐색한다.”
X: “Logic Programming은 항상 순차적으로 명령을 실행한다.”

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

3. Knowledge Graph+NN

ㅇ 정의:
지식 그래프의 구조적 정보와 신경망의 학습 능력을 결합하여 의미 추론 및 예측을 수행하는 방식.

ㅇ 특징:
– 관계형 데이터와 비정형 데이터 통합 처리
– 임베딩을 통한 지식 표현 학습
– 링크 예측, 관계 추론 강화

ㅇ 적합한 경우:
– 추천 시스템, 의미 검색, 질의응답 시스템
– 데이터 간 관계가 중요한 문제

ㅇ 시험 함정:
– 단순 그래프 신경망(GNN)과의 차이 혼동
– 지식 그래프 없이도 동일 성능 가능하다고 오해

ㅇ 시험 대비 “패턴 보기” 예시:
O: “지식 그래프의 관계 정보를 임베딩하여 신경망 학습에 활용한다.”
X: “Knowledge Graph+NN은 관계 정보 없이도 동일한 성능을 보장한다.”

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

4. Neuro-symbolic Hybrid

ㅇ 정의:
신경망과 기호 추론을 통합하여 입력 데이터로부터 지식을 학습하고 이를 기반으로 논리 추론을 수행하는 방식.

ㅇ 특징:
– 데이터 기반 학습과 지식 기반 추론의 순환 구조
– 불완전 데이터에서도 추론 가능
– 설명 가능성과 적응성 동시 확보

ㅇ 적합한 경우:
– 자율주행, 로보틱스, 복합 의사결정 시스템
– 학습과 추론이 모두 필요한 환경

ㅇ 시험 함정:
– 단순한 파이프라인 연결로 오해
– 학습과 추론의 상호작용 구조를 간과

ㅇ 시험 대비 “패턴 보기” 예시:
O: “신경망이 학습한 결과를 기호 추론 모듈이 해석하고 활용한다.”
X: “Neuro-symbolic Hybrid는 신경망만으로 모든 추론을 수행한다.”

ㅁ 추가 학습 내용

뉴로심볼릭 AI 학습 정리

1. 역사적 배경
– 1980년대: 기호주의(Symbolic AI)가 주류였으며, 명시적 규칙과 논리 기반의 추론 시스템이 중심.
– 2010년대 이후: 딥러닝의 발전과 함께 기호주의와 신경망을 결합하려는 시도가 활발해짐. 데이터 기반 학습과 논리적 추론을 융합하여 한계 보완.

2. 실제 적용 사례
– IBM Project Debater: 자연어 이해와 논리적 토론 생성에 뉴로심볼릭 접근을 적용.
– DeepMind AlphaGo: 정책망(신경망)과 트리 탐색(기호적 탐색)을 결합해 바둑에서 인간 최고수를 능가.

3. 주요 구현 프레임워크
– DeepProbLog: Prolog 논리 프로그래밍과 신경망을 결합, 확률적 논리 추론 지원.
– Logic Tensor Networks(LTN): 논리식을 텐서 연산으로 표현하여 신경망 학습과 통합.
– Neural Theorem Provers(NTP): 신경망을 이용해 정리 증명 과정을 학습.

4. 한계점
– 대규모 데이터 요구: 신경망 학습에 많은 데이터 필요.
– 지식 표현의 복잡성: 논리와 규칙을 기계가 해석 가능하게 표현하는 과정이 복잡.
– 계산 비용: 논리 추론과 신경망 학습 결합 시 높은 연산 자원 소모.

5. 시험 대비 포인트
– 설명 가능성(XAI)과의 관계: 뉴로심볼릭 AI는 명시적 규칙과 추론 과정을 통해 설명 가능성을 높일 수 있음.
– 지식 그래프 임베딩 기법 비교: TransE(벡터 간 번역 기반), RotatE(복소수 공간 회전 기반) 등 특징과 차이 이해.
– 규칙 기반 추론 vs 확률적 추론: 규칙 기반은 명확한 논리 규칙에 따라 결론 도출, 확률적 추론은 불확실성을 모델링하여 확률적으로 결론 도출.