DEVOCEAN

드디어 오픈랩이 시작되었고, 지식그래프 모임은 4월 22일 킥오프를 진행하였습니다.

• 오픈랩 후기 글: https://skdevocean.page.link/9hBx2hUU2785WbW59

위 후기 글에서 밝혔듯, 지식그래프라는 분야는 꽤 오래된 주제로 여겼으나,

다양한 분야의 전문가와 이제 막 사회 생활을 시작한 초년생인 분들까지 관심을 주시는 것으로 보아 그렇지 않다는 것을 다시한번 확인하게 된 계기였습니다.

시맨틱 웹과 온톨로지가 정의되던 시기에 머물러 있던 것은 정작 저 자신이었던 같아 한번 반성하고,

오픈랩을 통해서 이 분야에 대해 좀더 같이 공부하는 계기가 될 수 있도록 각 과정을 데보션 블로그에 연재해 나갈 예정입니다.

본 글은 그 첫번째 순서로 지식그래프가 무엇인가를 설명하도록 하겠습니다.

인공지능과 추론

인공지능은 기계가 인간과 유사한 지능을 발휘할 수 있게 만드는 기술 분야 입니다.

특히 머신 러닝을 기반으로 한 인공지능은 학문과 산업의 구분을 지어서 말할 필요가 없을 정도로 급격한 발전을 하여 문제 해결에 있어서 탁월한 성과를 내고 있습니다.

그러나 여전히 인정할 수 밖에 없는 부분은, 학습 데이터 내에서 정의되지 않은 경우에 대해서 정확한 결과를 내지 못할 가능성이 있다는 것입니다.

학습하지 못한 상황에 대해서 문제를 해결하고자 할때, 인간은 이성적인 상황에서 추리(Reasoning)와 추론(Inferencing)을 하여 합리적으로 결정하려고 노력합니다.

이러한 기준을 가지고 인공지능 기술에 대해서 다음과 같이 분류 하기도 합니다.

재미있는 부분은 AI를 규칙을 통해 지능을 갖추는 비생물학적 시스템 이라고 정의한 것입니다. 좀더 간단한 단어로 말하자면, 자동화 시스템이라고 이야기할 수 있을 듯 합니다.

Fig. 1 인공지능 기술의 분류[1]

자동화 시스템(Automation System)은 인간의 개입을 최소화하면서 작업을 자동으로 수행하는 시스템입니다. 간단하게는 타이머를 이용한 스위치부터, 로보틱스, 인공지능 소프트웨어를 말할수 있습니다.

자동화 시스템에서 인간의 개입을 최소화하기 위해서는, 입력된 데이터로부터 논리적 결론을 도출하고, 문제를 해결하며, 불확실한 상황에서 예측을 하는 능력을 갖추어야 합니다.

이러한 능력은 추리와 추론에 의해서 달성할 수 있으며, 추리와 추론 능력이 강화될수록 자동화시스템은 더 지능적이고 독립적이라고 말할 수 있습니다.

기계가 하는 추론이란

사실 inferencing과 reasoning의 해석이 간혹 동일한 “추론”이라고 나오는데,

엄밀히 말하면 inferencing은 기존 사실과 일련의 규칙을 기반으로 새로운 사실을 도출하는 작업으로 정의할 수 있으며,

reasoning은 대상을 이해하고 문제 해결 및 의사 결정을 포함하는 더 넓은 범위의 인지 작업이라고 말할 수 있어, 인공지능에서 이야기할 때는 각각을 추론과 추리를 엄밀히 구분해야합니다.

다시 자동화 시스템을 정의하자면, 지능적인 자동화 시스템은 보다 높은 수준의 추리를 통한 문제 해결 능력을 보유한 시스템이며,

이러한 추리를 수행하기 위해서는 사실과 규칙을 잘 정의하여 추론할 수 있는 기능을 포함할 수 있어야 합니다.

추론기능은 논리로부터 시작하기 때문에, 삼단논법을 예로 들어보겠습니다.

• 사람은 죽는다.

• 카이사르는 사람이다.

• 고로, 카이사르는 죽는다.

첫번째 문장 “사람은 죽는다”는 다음과 같은 명제 논리 (Propositional Logic)으로 정의할 수 있습니다. 명제논리는 참과 거짓으로 말할 수 있는 명제로 구성된 것을 의미합니다.

H→D H \rightarrow D H→D

latex

그러나 위 명제 논리에 따르면, H와 D는 독립적으로 참이어도 성립합니다. 예를 들어, 사람이면, (사슴이) 죽는다도 성립하게 됩니다.

그렇기 때문에 개체 단위로 한정할 필요가 있습니다. 이는 술어 논리(Predicate Logic)으로 보다 정확하게 설명할 수 있습니다.

∀x(H(x)→D(x)) \forall x (H(x) \rightarrow D(x)) ∀x(H(x)→D(x))

latex

이제 모든 x에 대해서, x가 사람이면, 그 x는 죽는다 가 되어 첫번째 문장을 완벽하게 서술하는 것을 볼 수 있습니다.

두번째 문장인 카이사르는 사람이다 는 위 식에서 x를 Caesar로 한정하는 것을 의미하기 때문에 H(Caesar) 로 표현할 수 있게 됩니다.

그래서 우리는 당연히 Caesar가 D(Caesar) 로 되는 것을 추론할 수 있습니다.

기계가하는 추론을 구현하는 방법은 많지면, 여기서는 로직 솔버(logic solver)중에 하나인 clingo[2]를 통해 다음과 같이 작성해 보았습니다.

clingo는 ASP(Answer Set Programming) 도구로 심볼을 기반으로 한 규칙 기반의 비모노토닉(non-monotonic) 추론을 지원하고 있습니다.

비모노토닉 추론이란, 참이란 증거가 없는 경우 (여기서는 참이라는 규칙이 명확하게 제공되지 않는 경우) False로 간주하는 원리입니다.

% 사람이면 죽는다.
death(X) :- human(X).

% 카이사르는 사람이다.
human(caesar).

% 쿼리: 카이사르는 죽는가?
#show death/1.

쿼리인 #show death/1 은 clingo의 기능으로 인자를 1개 받는 death 심볼에 대한 해 집합(Answer Set)을 가져오는 구문입니다.

이 스크립트를 clingo를 통해 실행하면 다음과 같이 Caesar는 death라는 결과를 1개 얻을 수 있습니다.

% clingo caesar.clingo 
clingo version 5.7.1
Reading from caesar.clingo
Solving...
Answer: 1
death(caesar)
SATISFIABLE

Models       : 1
Calls        : 1
Time         : 0.001s (Solving: 0.00s 1st Model: 0.00s Unsat: 0.00s)
CPU Time     : 0.001s

이렇듯, 사실로는 “사람은 죽는다”와 “카이사르는 사람이다”라는 두가지 정보를 주었지만, 로직 프로그래밍을 통해서 “카이사르는 죽는다”를 얻어낼 수 있으며, 이러한 과정을 추론이라고 부릅니다.

수와 기호를 사용하여 방정식을 만들고 해결하는 방안을 이야기하는 대수학(Algebra)에서는 계산하여 해를 얻는다고 표현하지만,

로직 프로그래밍에서 해를 얻는 과정을 추론이라고 이야기하는 이유는, 얻은 해를 새로운 사실로 사용할 수 있기 때문입니다.

심볼(Symbol)과 RDF(Resource Description Framework)

대수학이나, 일반적인 프로그래밍 언어에 익숙하다면 위의 예제가 시작부터 조금 의아할 수도 있을 것입니다. clingo 예제에서 나온 키워드는 death, human, caesar 입니다.

하지만 그 어디에도 이러한 키워드를 설명하지 않고 있습니다. 이는 기계가 하는 추론에서 매우 중요한 부분으로,

사실 기계는 이러한 키워드의 맥락(context)를 이해하지 않기 때문에, 예제에서 사용한 세가지 키워드를 아무런 의미가 없는, a, b, c로 바꾸어도 clingo는 해를 구하는 추론을 수행할 수 있습니다.

이것이 가능한 이유는 각 키워드 간의 관계를 기반으로 추론을 수행하기 때문입니다.

기계의 입장에서는 death, human, caesar는 단지 이 코드를 작성한 사람이 읽기 편하게 하기 위하여 부여한 특수한 기호일 뿐입니다.

맥락을 추가하기 위해서는 수식을 조금 수정해서 표현할 수 있습니다.

H(x)→diesD(x) H(x) \xrightarrow {dies} D(x) H(x)dies​D(x)

latex

Predicate Logic 기준으로는, 변화한게 없이 부가 정보만 기술한 것이지만, 이로써 H 가 D로 변화하는 기전은 dies로 명확하게 정의된 것입니다.

이는 “사람은 죽는다”라는 문장을 다음과 같은 구성요소로 나누어 정보의 누락 없이, 각 정보를 심볼로 기록하는 것에 벗어나서 메타데이터를 기술 할 수 있는 구조로 모델링 했다는 큰 의의를 가집니다.

• Subject: 사람(H)

• Predicate: 죽다(dies)

• Object: 죽음(D)

이러한 모델링은 RDF(Resource Description Framework)의 기본 아이디어가 됩니다.

RDF는 본래 웹에 있는 문서(자원)들에 대해서 메타데이터를 기술하기 위한 데이터 모델로, 주어(Subject), 술어(Predicate), 목적어(Object)의 트리플(Triple) 형태로 정보를 표현합니다.

그렇기 때문에 RDF를 기반으로 하는 데이터는 Triples라고 이야기하고, 이를 저장하는 공간을 Triple Store로 표현을 하고 있습니다.

Triples를 통해서 Predicate Logic에서 수행하듯, 추론을 수행할 수 있습니다. 이는 다음과 같은 파이썬 코드로 작성 가능합니다.

from rdflib import Graph, Literal, RDF, URIRef
from rdflib.namespace import FOAF, XSD

# RDF 그래프 초기화
g = Graph()

# 네임스페이스 정의
namespace = URIRef("http://example.org/")

# 리소스와 리터럴 정의
human = URIRef(namespace + "Human")
dies = URIRef(namespace + "dies")
death = URIRef(namespace + "Death")
caesar = URIRef(namespace + "Caesar")

# 트리플 추가
g.add((human, dies, death))
g.add((caesar, RDF.type, human))

# 추론: Caesar가 죽음에 이르는지 확인
if (caesar, dies, death) in g:
    print("Caesar dies.")
else:
    # RDF 추론 로직
    if (caesar, RDF.type, human) in g and (human, dies, death) in g:
        print("Caesar dies due to inference.")
    else:
        print("Caesar does not die.")

결론

정보를 심볼로 정의하고 술어 논리에 따라 해를 찾는 과정을 추론이라고 하며 이를 다루는 인공지능 분야는 전통적인 인공지능으로, 명확하게는 Symbolic AI라고 말할 수 있습니다.

심볼에는 사람이 인지할 수 있는 정보가 없기 때문에 심볼에 메타데이터를 추가하는 방법으로 나온 기술이 RDF이며,

RDF를 활용하여 Triples를 구성한 것은 결국 각 s, p, o를 통해 연결이 이루어지기 때문에 이를 지식그래프라고 부릅니다.

다만 지식그래프를 표현하는 방법은 RDF만 있는 것이 아니며, 심볼과 이를 설명할 수 있는 메타로 구성된 객체들이 서로 링크를 가지고 있는 경우로 포괄적인 의미로 통용되고 있습니다.

이러한 복잡한 개념의 지식그래프가 필요한 이유는 여러가지가 있을 수 있지만, 기계가 수행할 수 있는 추론을 가능하게 하는 가장 기본이 되는 단위라고 설명할 수 있습니다.

[1] https://github.com/rasbt/stat453-deep-learning-ss20/blob/master/L01-intro/L01-intro_slides.pdf

[2] https://potassco.org/clingo/