Towards a unified user modeling language for engineering human centered AI systems

기술 요약: 인간 중심 AI 시스템 설계를 위한 통합 사용자 모델링 언어 구축

문제 정의
현대 디지털 사회와 인공지능(AI)의 급격한 성장 맥락에서, 개인화는 사용자 경험을 최적화하고 디지털 불평등을 방지하기 위해 필수적입니다. AI는 스마트워치 데이터를 통한 피로도 추론이나 대규모 언어 모델(LLM)을 통한 태도 예측과 같이 정교한 프로파일링을 가능하게 하지만, 현재의 엔지니어링 관행은 사용자 프로필을 표현할 표준화된 메커니즘이 부족합니다. 기존의 사용자 모델링 솔루션들은 파편화되어 있으며, 종종 고립된 측면에 초점을 맞추거나 거시적인 수준에 머물러 있어 통합적이고 기계가 읽을 수 있는 형식을 제공하지 못합니다. 이러한 파편화는 불완전한 프로필, 상호운용성 문제, 그리고 모델 기반 공학(MDE) 및 AI 시스템에서의 세밀한 적응 기회 상실을 초래합니다. 현재 모델링 커뮤니티의 통찰과 사회학 및 심리학의 관점을 통합하는 데크파크토(de facto) 표준 사용자 모델링 언어는 존재하지 않습니다.

방법론
저자들은 기존의 제안들을 통합하고 확장하기 위해 설계된 통합 사용자 모델링 언어를 제안합니다. 개발 과정은 다음과 같습니다:

1. 체계적 문헌 고찰 (SLR): 기존의 추상적 정형화(메타모델 또는 문법)를 식별하기 위해 MDE 내 사용자 모델링에 관한 30편의 논문을 검토했습니다. 이 분석을 통해 표준화된 통합 모델의 부재와 정적 측면(예: 기분, 피로도)보다 동적 측면을 경시하는 경향을 발견했습니다.
2. 메타모델 설계: SLR 및 타 분야의 통찰을 바탕으로, 저자들은 UML 클래스 다이어그램으로 정형화된 추상 구문을 정의했습니다. 이 메타모델은 관계(Relationship), 개인 정보(Personal Information), 역량(Competence), 접근성(Accessibility), 성격(Personality), 선호도(Preference), 문화(Culture), 목표(Goals), 감정(Emotions), 기분(Moods)의 10가지 주요 그룹으로 분류된 포괄적인 사용자 차원을 도입합니다.
   • 이 모델은 점수, 척도(예: "bad_to_good"), 이진 선택을 표현하기 위해 커스텀 Range 데이터 타입(0–100)을 활용하여 다양한 차원 유형에 대한 유연성을 제공합니다.
   • 언어 능력에 대한 유럽 공통 참조 기준(CEFR) 및 문화에 대한 홉스테드(Hofstede)의 문화 차원과 같은 특정 표준이 통합되었습니다.
3. 구체적 구문 구현: AI 도구와의 기계 가독성 및 호환성을 보장하기 위해, 추상 구문을 JSON 기반의 구체적 구문으로 변환했습니다. 데이터 일관성과 유효성을 강제하기 위해 메타모델로부터 JSON 스키마를 도출했습니다.
4. 개념 증명 (PoC): 이 언어는 오픈 소스 로우코드 플랫폼인 BESSER에서 구현되었습니다. 대화형 에이전트의 자동 개인화를 시연하기 위해 PoC가 개발되었습니다. 시스템은 두 가지 접근 방식을 지원합니다:
   • 직접 개인화 (Direct Personalization): 사용자 모델(JSON 객체 형태)을 LLM의 컨텍스트 프롬프트에 직접 삽입합니다.
   • 간접 개인화 (Indirect Personalization): 사용자 모델을 기반으로 사전 정의된 메시지를 후처리하기 위해 보조 LLM을 사용합니다.

주요 기여

• 통합 메타모델: 본 논문은 이전 연구들이 최대 5개 카테고리와 14개 차원을 다루었던 것에 비해, 10개 카테고리와 수많은 세부 차원을 포함하는 포괄적인 메타모델을 제시합니다. 이는 기분 및 피로도와 같은 동적 측면뿐만 아니라, 기존 모델에서 흔히 누락되었던 문화적 및 관계적 차원을 명시적으로 포함합니다.
• 표준화된 JSON 구문: 메타모델에서 유도된 JSON 스키마를 정의함으로써, 저자들은 복잡한 변환 단계 없이도 LLM이 자연스럽게 이해할 수 있고 인간이 읽기 쉬운 형식을 제공하여 사용자 모델을 AI 기반 파이프라인에 통합하는 것을 용이하게 합니다.
• 도구 및 PoC: 저자들은 사용자 모델 생성을 위한 웹 기반 양식과 개인화된 대화형 에이전트 인터페이스를 포함하여, BESSER 플랫폼 상에서 작동하는 구현체를 제공합니다. PoC는 연령, 장애, 언어 숙련도와 같은 특정 사용자 제약 조건에 따라 LLM 응답을 조정하는 시스템의 능력을 입증합니다.

결과
개념 증명은 제안된 접근 방식의 타당성을 성공적으로 입증했습니다. LLM에게 근육 증량을 위한 운동 추천을 요청하는 특정 시나리오에서:

• 하반신 마비가 있는 30세 남성의 경우, 시스템은 자동으로 하체 운동을 제외하고 상체 루틴에 집중했습니다.
• 80세 남성의 경우, 시스템은 가벼운 운동을 우선시하고, 무게가 실린 운동 권고를 피하며, 의사와 상담하라는 안전 지침을 포함했습니다.
  이러한 결과는 LLM이 구조화된 JSON 사용자 모델을 효과적으로 해석하고, 출력을 사용자 프로필에 맞게 조정하여 상호작용의 관련성을 높일 수 있음을 나타냅니다.

의의 및 주장
본 논문은 이 통합 언어가 완전하고 세밀하며 상호운용 가능한 사용자 표현을 제공함으로써 MDE 커뮤니티의 핵심적인 격차를 해소한다고 주장합니다. 파편화되고 정적인 모델을 넘어, 제안된 언어는 사용자를 표현하기 위한 더 광범위한 팔레트를 제공하며, 이는 효과적인 인간 중심 AI 엔지니어링의 전제 조건입니다. 저자들은 입증된 적응 기능이 응답 품질과 사용자 경험을 개선한다고 주장하지만, 이를 경험적으로 확인하기 위해서는 공식적인 사용자 연구가 필요하다는 점을 겸허히 언급합니다.

이 연구는 개발자가 사용자 중심의 AI 시스템을 모델링, 테스트 및 생성할 수 있는 파이프라인의 토대를 마련합니다. 저자들이 제시한 향ما 작업에는 결정론적 적응을 명시하기 위해 이 언어를 애플리케이션 모델링 언어(예: IFML)와 결합하는 것, 모델 기반 테스트를 통한 품질 평가 구현, 암묵적 데이터를 통한 자동 프로파일링 탐색, 그리고 GDPR과 같은 엄격한 윤리 및 개인정보 보호 규정 준수 등이 포함됩니다.