Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

다음은 논문 "Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs"에 대한 상세한 기술 요약입니다.

1. 문제 제기

이 논문은 고위험 법률 분야에서 검색 증강 생성 (RAG) 을 적용할 때 발생하는 중대한 한계를 다룹니다. 표준 RAG 시스템은 평면적인 텍스트 조각에 대한 의미적 유사성에 의존하여 법률 지식의 복잡한 본질을 포착하지 못합니다. 저자들은 현재 법률 RAG 에서 발생하는 세 가지 특정 실패 모드를 식별했습니다.

• 부분 - 전체 관계 무지 (Mereological Blindness): 부분과 전체의 관계를 인식하지 못함 (예: 조항 $\subset$ 조 $\subset$ 법률).
• 시간적 무지 (Diachronic Naivety): 폐기된 규범과 현재 유효한 규범을 구분하지 못하여 역사적 법과 현재 법을 혼동함.
• 인과적 불투명성 (Causal Opacity): 규범을 제정, 개정 또는 폐기한 특정 입법 행위 (입법 기원) 에 대한 추적 가능성 부족.

이전 연구 (SAT-Graph) 는 법률 규범을 구조 인식형 시간 지식 그래프로 모델링함으로써 표현 문제를 해결했지만, 새로운 상호작용 문제가 대두되었습니다: 확률적 LLM 에이전트가 이 결정론적 그래프를 질의할 때, 그래프가 피하려 했던 불확실성을 다시 도입하지 않고는 어떻게 질의할 수 있는가? 에이전트가 임의의 데이터베이스 질의 (SQL/SPARQL) 를 생성하거나 의미 검색에만 의존하도록 허용하는 것은 침묵하는 오류, 환각, 그리고 시간/구조적 제약 우회를 초래할 위험이 있습니다.

2. 방법론: SAT-Graph API

이 논문은 확률적 LLM 에이전트와 결정론적 심볼릭 기저 (시간 지식 그래프) 사이를 중재하도록 설계된 정준 원시 인터페이스인 SAT-Graph API를 제안합니다.

핵심 설계 원칙: 확률 격리

아키텍처는 확률적 불확실성을 세 가지 제한된 단계로 엄격히 국한하여, 참조가 해결된 후에는 모든 후속 작업이 결정론적이도록 보장합니다.

1. 의도 번역: LLM 이 자연어 질의를 실행 계획으로 변환합니다.
2. 초기 의미적 앵커링: 시스템은 모호한 참조를 순위가 매겨진 후보 그래프 앵커 (Item, Theme, TextUnit) 로 매핑하기 위해 확률적 검색 (의미/어휘) 을 사용합니다.
3. 내러티브 종합: LLM 이 검증된 증거를 기반으로 최종 서술형 답변을 생성합니다.

결정론적 핵심: 정준 식별자와 시간 매개변수가 확립되면, 모든 그래프 탐색 (구조적, 시간적, 인과적) 은 타입이 지정된 원시적 (atomic) 원시 연산을 통해 실행됩니다. 이는 검색 과정 자체가 재현 가능하고 감사 가능하도록 보장합니다.

아키텍처 구성 요소

• 기저 (SAT-Graph): 계층적 포함 관계와 입법적 인과성을 명시적으로 모델링한 버전 가능 엔티티로서 법률 도구를 표현하는 시간 지식 그래프.
• 상호작용 프로토콜 (API): 절차적 외피 (facade) 역할을 하는 타입이 지정된 구성 가능한 원시 연산 라이브러리. 에이전트는 물리적 데이터베이스 스키마를 보지 않고 고정된 어휘를 통해 상호작용합니다.
• 에이전트: 질문을 원시 연산 호출 시퀀스로 분해하고, 중간 결과를 관찰하며, 답변을 종합하는 확률적 플래너.

주요 데이터 모델

API 는 다섯 가지 정준적이고 도메인 이식 가능한 데이터 모델을 기반으로 작동합니다.

• Item: 안정적인 정체성을 가진 정준 그래프 엔티티 (예: 특정 조항).
• Version: 유효성 및 적용 구간을 포착하는 Item 의 시간 제한 스냅샷.
• TextUnit: 그래프 엔티티에 연결된 텍스트 구현체로, 의미 검색과 결정론적 검색을 연결합니다.
• Action: 버전을 생성하거나 종료하는 상태 전환 이벤트 (예: 공포, 개정) 를 구체화한 것.
• Relation: 엔티티 간의 타입 지정 의미적 엣지 (인용, 의존성).

원시 연산 범주

API 는 다음과 같은 기능적 그룹의 원시 연산을 노출합니다.

• 발견 및 검색: resolveItemReference, searchTextUnits (신뢰도 점수가 있는 순위가 매겨진 후보 반환).
• 시간적 해결: getValidVersions, getItemVersions (특정 시점에 유효한 버전의 결정론적 검색).
• 구조적 탐색: getItemHierarchy, getItemAncestors (텍스트 인접성에 의존하지 않고 맥락 재구성).
• 인과성 및 영향: getItemHistory, getActionsBySource (기원과 전방 영향 추적).
• 자기 성찰: getRootItemTypes, getSupportedActionTypes (에이전트가 스키마 경계를 발견할 수 있도록 허용).
• 수분 공급 (Hydration): getVersionTextUnits (경량 ID 를 전체 텍스트 증거로 변환).

3. 주요 기여

1. 정준 원시 API 명세: 구조 인식형 시간 지식 그래프를 질의하기 위한 공식 인터페이스로, 법률 규범에 구체화되었으나 도메인 이식 가능하도록 설계됨.
2. 확률 격리 원칙: 확률적 계획/앵커링과 결정론적 그래프 실행을 분리하는 신경 - 심볼릭 설계 패턴으로, 시스템 오류를 국소화하고 검사 가능하게 만듦.
3. 추론 - 행동 - 관찰 패러다임: 수동적인 "검색 후 생성" 파이프라인에서 에이전트가 질문을 명시적이고 감사 가능한 실행 계획으로 분해하는 능동적 과정으로 법률 RAG 를 전환.
4. 공식적 관심사 분리: 타입이 지정된 상호작용 프로토콜을 통해 법률 지식 표현 (그래프) 과 에이전트 추론 (LLM) 을 분리하여 스키마 결합 및 질의 착시를 방지.
5. 사용 사례 시연: 시점별 검색, 버전 비교, 전방 인과성, 주제별 영향 분석과 같은 복잡한 법률 질의가 검증 가능한 원시 연산 시퀀스로 어떻게 분해되는지 시연.

4. 결과 및 평가

이 논문은 기준 대비 정확도 점수와 같은 경험적 벤치마크 결과를 제시하지는 않지만, 공식 아키텍처 명세와 사용 사례를 통한 정성적 검증을 제공합니다.

• 결정론적 시점별 검색: 표준 RAG 의 "시간적 무지"를 피하고 특정 과거 날짜에 유효한 법률의 정확한 텍스트를 에이전트가 검색할 수 있음을 시연.
• 인과적 pinpointing: 특정 권리 (예: "주거") 를 도입한 정확한 입법 행위를 에이전트가 추적하고 개정 전후 텍스트를 비교할 수 있음을 시연.
• 전방 인과성: 어휘적 중복 부족으로 인해 의미 검색이 어려운 특정 개정에 의해 영향을 받는 모든 조항을 식별하는 방법을 시연.
• 주제별 영향 분석: 주제적 해결과 시간적 이벤트 질의를 결합하여 (예: "디지털 보안") 주제적 계층을 가로질러 역사적 변화를 집계하는 능력을 시연.

"결과"는 이러한 프로세스를 통해 생성된 감사 가능한 실행 로그이며, 이를 통해 인간 검토자는 정확히 어떤 엔티티가 해결되었는지, 어떤 버전이 선택되었는지, 그리고 어떤 행동이 증거를 생성했는지 추적할 수 있습니다.

5. 중요성 및 함의

• 신뢰할 수 있는 법률 AI: 답변의 증거 기반이 정준 그래프 객체로 완전히 검사 가능하고 재현 가능하며 추적 가능한 법률 시스템의 기반을 제공.
• 검색 속성으로서의 감사 가능성: 전통적인 RAG 에서 감사 가능성이 사후 기능인 것과 달리, 이 시스템은 감사 가능성을 검색 과정 자체에 내재화함. 모든 단계는 정준 객체에 대한 타입 지정 연산임.
• 도메인 이식성: 법률에서 시연되었지만, Items, Versions, Actions 와 같은 추상화는 역사적 정확성과 기원이 필요한 권위 주도 도메인 (예: 기술 표준, 규제 준수, 엔지니어링 사양) 에 적용 가능.
• 엔지니어링 부담의 전환: 시간 논리와 구조적 검증의 복잡성을 LLM 프롬프트 (오류 발생 가능성 높음) 에서 API 계층 (엄격하게 테스트 및 강제 가능) 으로 이동.

6. 한계 및 향후 작업

• 그래프 품질 의존성: 시스템의 결정론성은 기저 지식 그래프 수집의 정확성과 완전성에 조건부임.
• 의미적 앵커링 오류: 불확실성이 노출되지만, 자연어를 그래프 앵커로 매핑하는 초기 단계는 여전히 확률적이며 모호한 질의에서 실패할 수 있음.
• 계획 오류: 아키텍처는 에이전트가 논리적으로 부적절한 계획 (예: 잘못된 도구 질의) 을 생성하는 것을 방지하지는 않지만, 이러한 오류를 감사 가능하게 만듦.
• 향후 방향: 저자들은 표준 RAG 에 대한 경험적 벤치마킹, "Text-to-Plan" 학습 모델 개발, 그리고 시간적 법률 추론을 위한 골드 스탠다드 데이터셋 구축을 요구함.

결론적으로, 이 논문은 고위험 도메인에서는 검색이 블랙박스 검색이 아닌 감사 가능한 실행 과정이어야 한다고 주장합니다. SAT-Graph API 는 확률적 불확실성을 결정론적 추론으로부터 엄격히 격리함으로써 이를 달성하기 위한 필요한 인터페이스를 제공합니다.