당신이 미래를 예측하려고 노력하고 있다고 상상해 보세요. 하지만 수정구슬 대신, 지금까지 일어난 모든 일을 기록한 거대하고 살아있는 일기장을 가지고 있습니다. 컴퓨터 과학의 세계에서 이 일기장은 **시계열 지식 그래프(Temporal Knowledge Graph)**라고 불립니다. 이것은 "앨리스가 2020년에 Bob을 만났다"라거나 "3월에 주식 시장이 폭락했다"와 같은 사실들의 거대한 웹과 같습니다. '시계열(temporal)'이라는 부분은 모든 사실에 타임스탬프가 찍혀 있어서, 컴퓨터가 그 일이 '언제' 일어났는지 알 수 있다는 것을 의미합니다. 과학자들은 이 그래프에 집착하는데, 그 이유는 다음에 무슨 일이 일어날지—예를 들어 앨리스가 Bob을 다시 만날지, 아니면 새로운 트렌드가 시작될지—를 추측하고 싶어 하기 때문입니다. 보통 이러한 추측을 하기 위해 컴퓨터는 거대하고 복잡한 "신경망"을 사용합니다. 이것들은 숫자를 계산하여 패턴을 찾아내는 매우 똑똑하지만 신비로운 '블랙박스'와 같습니다. 강력하긴 하지만, 무겁고 느리며 종종 이해하는 것이 불가능합니다. 당신은 예측값을 얻지만, 컴퓨터가 왜 그런 선택을 했는지 전혀 알 수 없습니다.

여기, 다른 방식을 시도하기로 한 맨하임 대학교 연구진의 새로운 논문이 있습니다. 그들은 이렇게 물었습니다. "거대한 블랙박스가 필요 없다면 어떨까? 우리가 일상생활에서 사용하는 것처럼 단순하고 명확한 규칙을 사용할 수 있다면 어떨까?" 그들은 CountTRuCoLa라는 시스템을 구축했습니다. 이 시스템은 복잡한 뇌 대신, 역사를 들여다보며 "헤이, 최근에 이 특정한 일이 일어날 때마다 저 다른 일이 보통 뒤따라왔어"라고 말하는 탐정처럼 작동합니다. 연구진은 이 단순한 탐정을 9개의 서로 다른 데이터셋을 대상으로 거대한 블랙박스들과 대결시켰습니다. 그 결과, 그들의 단순한 규칙 기반 시스템이 더 빠르고 가벼울 뿐만 아니라(다른 모델들처럼 거대한 데이터에서 충돌하지도 않았습니다), 예측력에 있어서도 대등하거나 때로는 더 뛰어나다는 것을 발견했습니다. 가장 좋은 점은 무엇일까요? 당신은 그들의 답변을 보고, 그 결론을 이끌어낸 정확한 규칙과 구체적인 과거 사건을 볼 수 있다는 것입니다. 이는 이해할 수 없는 마법 지팡이를 대신하여, 누구나 읽을 수 있는 명확하고 단계적인 지도를 얻는 것과 같습니다.

탐정의 도구 상자: CountTRuCoLa의 작동 원리

CountTRuCoLa의 핵심 아이디어는 미래는 종종 과거를 반복하지만, 여기에 **최신성(recency)**과 **빈도(frequency)**라는 변주가 더해진다는 것입니다. 당신이 친구가 답장을 보낼지 추측하려고 한다고 상상해 보세요. 만약 친구가 5분 전에 메시지를 보냈다면, 당신은 곧 답장이 올 것이라고 추측할 수 있습니다. 만약 친구가 일주일 내내 매일 메시지를 보냈다면, 당신은 훨씬 더 확신할 수 있을 것입니다. CountTRuCoLa는 이 논리를 사용하여 지식 그래프에서 미래의 연결(links)을 예측합니다.

이 시스템은 이러한 예측을 하기 위해 네 가지 유형의 단순한 "규칙"을 학습합니다:

1. "같은 일이 다시 발생" 규칙 (Recurrent Rules): 이것은 가장 단순한 규칙입니다. 만약 "앨리스가 Bob을 만났다"는 일이 어제 일어났다면, 이 규칙은 "앨리스가 내일 다시 Bob을 만날 것"이라고 제안합니다. 마치 커피 머신이 항상 화요일마다 고장 난다는 것을 알아차리는 것과 같습니다.
2. "다른 변화" 규칙 (Non-Recurrent Rules): 때때로 하나의 사건은 다른 사건으로 이어집니다. 만약 "앨리스가 Bob을 만났다"면, 다음 단계는 "앨리스와 Bob이 점심을 먹으러 갔다"가 될 수 있습니다. 시스템은 만남이 종종 함께 식사하는 것으로 이어진다는 것을 학습합니다.
3. "특정 캐릭터" 규칙 (Constant Rules): 이 규칙은 특정 인물이나 사물에 집중합니다. 예를 들어, "어떤 사람이 암스테르담에서 태어났다면, 그들은 종종 암스테르담 대학교에서 공부한다"와 같습니다. 그 사람이 누구인지와 상관없이, 암스테르담 출신이라면 이 규칙이 발동됩니다.
4. "일반적인 추세" 규칙 (Frequency Rules): 이 규칙들은 큰 그림을 봅니다. "피자는 자주 먹힌다" 또는 "킴은 특히 피자를 좋아한다"와 같은 것입니다. 이 규칙들은 특정한 트리거 이벤트가 필요하지 않습니다. 그저 세상에서 특정 사항들이 빈번하게 일어난다는 것을 알고 있을 뿐입니다.

비법: 신뢰 함수 (The Confidence Function)

진정한 마법은 단순히 규칙에 있는 것이 아니라, 시스템이 그 규칙들을 얼마나 신뢰할지 결정하는 방식에 있습니다. 연구진은 '스코어카드' 역할을 하는 특별한 "신뢰 함수"를 만들었습니다. 시스템이 미래를 예측할 수 있는 규칙을 발견하면, 두 가지 질문을 던집니다:

• 마지막으로 이 일이 일어난 지 얼마나 되었는가? (최신성)
• 최근에 이 일이 얼마나 많이 일어났는가? (빈도)

시스템은 사건이 매우 최근에 일어났거나 짧은 기간 동안 여러 번 발생했을 때 높은 점수를 부여합니다. 만약 아주 오래전에 일어났거나 일 년에 한 번꼴로 일어난 일이라면 점수는 떨어집니다. 이는 당신이 이번 주 내내 비가 왔을 때의 기상 예보를, 지난달에 딱 한 번 비가 왔을 때보다 더 신뢰하는 것과 비슷합니다. 시스템은 각 규칙에 대해 완벽한 균형을 학습하며, 시간이 지남에 따라 "신뢰"가 얼마나 빨리 사라져야 하는지 정확히 파악합니다.

대결: 단순함 vs 복잡함

그들의 단순한 탐정이 거대한 블랙박스를 이길 수 있는지 확인하기 위해, 연구진은 소규모 사실 모음부터 글로벌 뉴스 이벤트를 추적하는 GDELT와 같은 거대한 데이터셋에 이르기까지 9개의 데이터셋에 대해 CountTRuCoLa를 테스트했습니다. 그들은 이를 11개의 최첨단 모델들과 비교했는데, 이 모델들 중 다수는 딥러닝을 사용하며 실행을 위해 강력한 그래픽 카드(GPU)를 필요로 합니다.

결과는 놀라웠습니다. 표준 컴퓨터 프로세서(CPU)에서 실행되며 GPU가 필요 없는 CountTRuCoLa는 놀라운 성능을 보여주었습니다.

• 4개의 데이터셋에서 승리했으며, 나머지 데이터셋에서도 2위 또는 3위를 차지했습니다.
• "재귀 베이스라인(Recurrency Baseline)"(단순히 사물이 반복될 것이라고 추측하는 방법)을 9개 중 7개의 데이터셋에서 이겼습니다. 이는 추가된 규칙들과 스마트한 신뢰 점수가 실제로 도움이 된다는 것을 증명합니다.
• 충돌(Crash)이 발생하지 않았습니다. 이것은 매우 중요한 점입니다. 연구진이 가장 큰 데이터셋에서 복잡한 신경망 모델들을 실행하려고 했을 때, 많은 모델이 메모리 부족이나 시간 초과 오류(out-of-time errors)를 일으켰습니다. CountTRuCoLa는 단 한 번의 충돌 없이 모든 데이터셋을 처리했습니다.

이 논문은 이러한 많은 예측 작업에 있어 거대한 신경 네트워크의 "복잡성"이 실제로 꼭 필요한 것은 아닐 수도 있다고 시사합니다. 데이터의 패턴은 종-종 명확한 규칙 세트만으로도 충분히 찾아낼 수 있을 만큼 단순하기 때문입니다.

이것이 중요한 이유: "왜"의 힘

Count-TRuCoLa의 가장 큰 장점은 단순히 작동한다는 것이 아니라, 그것이 왜 그러한지를 설명해 준다는 것입니다. 복잡한 신경 네트워크의 경우, 컴퓨터가 "앨리스가 Bob을 만날 것이다"라고 예측하더라도 당신은 "왜?"라고 물을 수 없습니다. 그 답은 수백만 개의 숫자 속에 파묻혀 있기 때문입니다. 하지만 CountTRuCoLa를 사용하면 전체 보고서를 받을 수 있습니다.

시스템이 "Alexis_T.가 Evangelos_V.와 상담할 것이다"라고 예측한다고 가정해 봅시다. 시스템은 다음과 같이 보여줄 수 있습니다:

• 규칙: "만날 의사를 표현한 사람들은 보통 나중에 상담한다."
• 트리거: "Alexis_T.는 4단계 전(time steps ago)에 만날 의사를 표현했다."
• 점수: "이 규칙은 이 패턴이 얼마나 최근이고 빈번한지에 근거하여 0.17의 신뢰도를 가진다."

이러한 투명성은 단순히 사건을 해결하는 것뿐만 아니라, 증거 파일, 타임라인, 그리고 모든 결론 뒤에 숨겨진 논리를 보여주는 탐정을 둔 것과 같습니다. 연구진은 사용자가 예측을 클릭하면 그 예측을 이끌어낸 정확한 그래프와 숫자를 볼 수 있는 도구를 만들었습니다. 이는 과학자들이 단순히 무엇이 일어날 것인가를 넘어, 데이터의 어떤 패턴이 이러한 예측을 주도하고 있는가를 이해하도록 돕습니다.

결론

이 논문의 저자들은 자신들이 시간 여행의 미스터리를 풀었다거나 복잡한 AI가 쓸모없다고 주장하는 것이 아닙니다. 그들은 지식 그래프의 미래 연결을 예측하는 특정한 작업에 있어서, 우리가 너무 복잡하게 생각하고 있었을지도 모른다고 제안하는 것입니다. 그들의 단순한 규칙 기반 접근 방식인 CountTRu-CoLa는 딥러닝의 무거운 장치 없이도 최상위 수준의 성능을 달-성할 수 있음을 보여줍니다. 그것은 더 빠르고, 거대 데이터에서도 충돌하지 않으며, 무엇보다도 '블랙박스'를 열어두어 마법이 어떻게 일어나는지 우리가 직접 볼 수 있게 해줍니다. AI가 점점 더 복잡해지고 이해하기 어려워지는 세상에서, CountTRuCoLa는 때때로 가장 단순한 규칙이 가장 강력할 수 있다는 신선한 깨달음을 줍니다.