Symbolic AI

기호 AI는 복잡한 작업을 해결하기 위해 고수준의 사람이 읽을 수 있는 문제 표현, 논리 및 검색 기능에 의존하는 인공지능의 한 분야입니다. 흔히 "좋았던 옛날 방식의 AI" (GOFAI)라고 불리는 이 접근 방식은 실제 세계의 개념을 나타내는 문자 문자열인 기호를 명시적 규칙에 따라 처리하여 인간의 추론 능력을 모방하려고 합니다. 방대한 데이터에서 패턴을 학습하는 최신 딥 러닝 (DL)과 달리, 기호 AI는 특정 지식과 논리적 제약 조건을 수동으로 프로그래밍하므로 규칙을 엄격히 준수하고 의사 결정 과정을 투명하게 해야 하는 문제에 매우 효과적입니다.

기호 추론의 작동 원리#

기호 AI의 핵심은 논리를 사용하여 기호를 조작하는 것입니다. 이러한 시스템은 통계 AI에 사용되는 신경망에 의존하지 않고, 추론 엔진을 활용하여 기존 지식 베이스에서 새로운 사실을 도출합니다. 예를 들어, 기호 시스템은 "소크라테스는 사람이다"라는 사실과 "모든 사람은 죽는다"라는 규칙을 저장할 수 있습니다. 논리적 연역을 적용하면 시스템은 독립적으로 "소크라테스는 죽는다"라는 결론을 도출할 수 있습니다.

이러한 명시적 구조는 높은 수준의 설명 가능한 AI (XAI)를 가능하게 합니다. 시스템은 명확한 "IF-THEN" 논리 체계를 따르므로 엔지니어는 특정 결정이 내려진 정확한 이유를 추적할 수 있습니다. 이는 내부 추론 과정이 불투명한 경우가 많은 생성형 AI 모델의 "블랙박스" 특성과 뚜렷한 대조를 이룹니다.

기호 AI와 통계 AI 비교#

오늘날 지배적인 패러다임인 통계 AI와 기호 AI를 구분하는 것은 매우 중요합니다.

• 기호 AI는 하향식이며 규칙 기반입니다. 추상적 추론, 계획 수립, 대수 방정식이나 지식 그래프와 같이 정의된 구조를 조작하는 작업에 뛰어납니다. 규칙이 변하지 않는 정적 환경에서는 완벽하게 작동하지만, 노이즈가 많은 데이터(비정형 이미지 등)나 모호한 상황을 처리하는 데는 어려움을 겪습니다.
• 통계 AI(머신 러닝 포함)는 상향식이며 데이터 중심적입니다. YOLO26과 같은 모델은 수천 개의 이미지를 처리하여 패턴을 인식하는 방법을 학습합니다. 이러한 모델은 노이즈에 강하고 지각 작업에 뛰어나지만, 일반적으로 추가 구성 요소 없이는 논리적 추론을 수행하는 능력이 부족합니다.

실제 적용 사례#

딥 러닝이 지각 작업을 주도하고 있지만, 정밀성과 감사 가능성이 필요한 산업에서는 기호 AI가 여전히 중요합니다.

• 헬스케어의 전문가 시스템: 의학 분야의 초기 AI 형태는 기호 기반 전문가 시스템이었습니다. 이러한 시스템은 의료 지식 데이터베이스와 일련의 진단 규칙을 활용하여 치료법을 제안합니다. 오늘날 이러한 논리 계층은 헬스케어 AI 비전 모델과 함께 작동하는 경우가 많으며, 진단이 확립된 의료 프로토콜을 준수하도록 보장합니다.
• 규제 및 금융 컴플라이언스: 금융 AI 분야에서는 확률에 기반한 추정이 허용되지 않는 경우가 많습니다. 세금 소프트웨어와 자동화된 컴플라이언스 검사기는 기호 논리를 사용하여 모든 계산이 정부 세법을 엄격히 준수하도록 합니다. 세금 신고에서 "99% 확률"은 충분하지 않습니다. 논리는 정확해야 하며, 이것이 기호 프로그래밍의 강점입니다.

뉴로-기호 AI의 부상#

강력하게 부상하고 있는 트렌드는 뉴로-기호 AI로, 신경망의 지각 능력과 기호 논리의 추론 능력을 결합합니다. 이러한 하이브리드 시스템에서는 컴퓨터 비전 모델이 감각 입력(세상을 보는 작업)을 처리하고, 기호 계층이 추론(규칙을 이해하는 작업)을 담당합니다.

예를 들어 Ultralytics YOLO26을 사용하여 공장에서 객체를 감지한 다음, 간단한 기호 스크립트를 사용하여 해당 감지 결과를 기반으로 안전 규칙을 적용할 수 있습니다.

다음 예제는 기본적인 뉴로-기호 워크플로를 보여줍니다. 신경 구성 요소(Ultralytics YOLO26)가 객체를 인식하고, 기호 구성 요소(Python 로직)가 규칙을 적용합니다.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

향후 전망#

연구자들이 인공 일반 지능 (AGI)을 향해 나아가면서 순수 통계 모델의 한계가 분명해지고 있습니다. GPT-4와 같은 대규모 언어 모델(LLMs)은 논리적으로 추론하기보다 다음 단어를 확률적으로 예측하기 때문에 "환각"을 일으키는 경우가 많습니다.

기호 추론을 통합하면 이러한 모델이 출력을 사실에 기반하여 "정박"할 수 있습니다. 자연어 이해와 구조화된 데이터베이스 쿼리 또는 수학적 솔버를 결합하는 도구에서 이러한 진화를 확인할 수 있습니다. 복잡한 시스템을 구축하는 개발자에게 Ultralytics Platform은 이러한 고급 논리 기반 애플리케이션의 감각적 기반 역할을 하는 비전 모델을 학습시키고 데이터 세트를 관리하는 데 필요한 인프라를 제공합니다.