Symbolic AI

기호주의 인공지능(Symbolic AI)은 복잡한 작업을 해결하기 위해 고수준의 인간이 읽을 수 있는 문제 표현, 논리 및 검색 기능에 의존하는 인공지능의 한 분야입니다. 종종 "구식 인공지능"(GOFAI)으로 불리는 이 접근 방식은 실제 세계의 개념을 나타내는 문자열인 심볼을 명시적 규칙에 따라 처리함으로써 인간의 추론 능력을 모방하려고 시도합니다. 방대한 데이터에서 패턴을 학습하는 현대의 Deep Learning (DL)과 달리, 기호주의 인공지능은 특정 지식과 논리적 제약 조건으로 수동으로 프로그래밍되어 엄격한 규칙 준수와 투명한 의사결정이 요구되는 문제에 매우 효과적입니다.

Symbolic AI의 추론 메커니즘#

기호주의 인공지능의 핵심에는 논리를 사용한 심볼 조작이 있습니다. 이러한 시스템은 Statistical AI에서 볼 수 있는 neural networks에 의존하지 않으며, 대신 inference engine을 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 적용하여 시스템은 "소크라테스는 죽는다"라는 결론을 독자적으로 도출할 수 있습니다.

이러한 명시적 구조는 높은 수준의 Explainable AI (XAI)를 가능하게 합니다. 시스템이 명확한 "IF-THEN" 논리 체인을 따르기 때문에 엔지니어는 특정 결정이 내려진 이유를 정확히 추적할 수 있습니다. 이는 내부 추론 과정이 불투명한 경우가 많은 많은 generative AI 모델의 "블랙박스" 특성과 극명한 대조를 이룹니다.

Symbolic AI 대 Statistical AI#

기호주의 인공지능을 오늘날의 지배적인 패러다임인 Statistical AI와 구별하는 것은 매우 중요합니다.

• **기호주의 인공지능(Symbolic AI)**은 하향식(top-down)이며 규칙 기반입니다. 이는 대수 방정식이나 knowledge graphs와 같은 정의된 구조를 조작하고, 추상적 추론과 계획을 수립하는 데 탁월합니다. 규칙이 변경되지 않는 정적 환경에서는 완벽하게 작동하지만, 노이즈가 있는 데이터(예: 비정형 이미지)나 모호성에는 취약합니다.
• 통계적 인공지능(Statistical AI)(Machine Learning 포함)은 상향식(bottom-up)이며 데이터 중심적입니다. YOLO26과 같은 모델은 수천 개의 이미지를 처리하여 패턴을 인식하는 법을 학습합니다. 이들은 노이즈에 강하고 인지 작업에 탁월하지만, 일반적으로 추가 구성 요소 없이는 논리적 추론을 수행하는 능력이 부족합니다.

실제 애플리케이션 사례#

딥러닝이 인식 작업을 지배하고 있지만, Symbolic AI는 정밀함과 감사 가능성이 요구되는 산업에서 여전히 중요한 위치를 차지하고 있습니다.

• 의료 분야의 전문가 시스템: 의학 분야의 초기 형태의 인공지능은 기호주의 expert systems였습니다. 이러한 시스템은 의료 지식 데이터베이스와 일련의 진단 규칙을 활용하여 치료법을 제안합니다. 오늘날 이러한 논리 계층은 AI in healthcare 비전 모델과 함께 작동하여 진단이 확립된 의료 프로토콜을 준수하도록 보장합니다.
• 규제 및 재무 준수: AI in finance의 세계에서는 확률적 추정이 허용되지 않는 경우가 많습니다. 세무 소프트웨어와 자동화된 준수 검사기는 모든 계산이 정부 세법을 엄격하게 준수하도록 기호 논리를 사용합니다. 세금 신고에는 "99%의 확률"로 부족하며, 논리가 정확해야 합니다. 이것이 바로 기호 프로그래밍의 강점입니다.

Neuro-Symbolic AI의 부상#

강력하게 떠오르는 트렌드는 신경망의 인식 능력과 symbolic logic의 추론 능력을 결합한 Neuro-Symbolic AI입니다. 이러한 하이브리드 시스템에서는 컴퓨터 비전 모델이 감각 입력(세상을 보는 것)을 처리하고, symbolic 계층은 추론(규칙을 이해하는 것)을 담당합니다.

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

다음 예시는 기본 신경-기호(Neuro-Symbolic) 워크플로를 보여줍니다. 신경망(neural) 컴포넌트(Ultralytics YOLO26)가 객체를 인식하고, 기호(symbolic) 컴포넌트(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.")

미래 전망#

연구원들이 Artificial General Intelligence (AGI)를 향해 나아감에 따라 순수하게 통계적인 모델의 한계가 명백해지고 있습니다. GPT-4와 같은 대규모 언어 모델(LLM)은 논리적으로 추론하기보다는 다음 단어를 확률적으로 예측하기 때문에 종종 "환각(hallucination)" 현상을 겪습니다.

기호주의 추론을 통합함으로써 이러한 모델은 출력을 사실에 "기반(ground)"하게 만들 수 있습니다. 우리는 natural language understanding과 구조화된 데이터베이스 쿼리 또는 수학적 솔버를 결합한 도구에서 이러한 진화를 목격하고 있습니다. 복잡한 시스템을 구축하는 개발자를 위해 Ultralytics Platform은 이러한 고급 논리 기반 응용 프로그램의 감각적 기초 역할을 하는 비전 모델을 학습하고 데이터셋을 관리하는 데 필요한 인프라를 제공합니다.