EQ-Negotiator: 에지 배포 가능한 협상을 위한 동적 감정 페르소나

1. 문제 정의 (Problem)

• 클라우드 의존성의 한계: 대규모 언어 모델 (LLM) 을 자동 협상 에이전트로 활용하는 것은 높은 성능을 보이지만, 민감한 데이터 (개인 금융 기록, 기업 전략 등) 를 외부 서버로 전송해야 하므로 데이터 프라이버시 및 보안 위험이 존재합니다. 또한, 클라우드 의존성은 지연 시간 (Latency) 을 증가시켜 실시간 응용 (모바일 어시스턴트, embodied AI 등) 에 부적합합니다.
• 소규모 언어 모델 (SLM) 의 성능 격차: 사생활 보호와 에지 디바이스 배포를 위해 소규모 언어 모델 (SLM, 예: 7B 파라미터) 을 사용하는 것은 현실적인 대안이지만, 복잡한 감정적 페르소나 (특히 신용 협상에서의 적대적 상황) 를 수행할 때 LLM 에 비해 성능이 현저히 떨어집니다.
• 감정 지능의 부재: 기존 SLM 은 일반적인 감정 코퍼스로 학습되어 있어, 협상 상대방 (채무자) 이 사용하는 전략적 조작 (위협, 피해자 연기, 거짓 감정 등) 을 구별하지 못하고 오히려 악용당하기 쉽습니다. 또한, 정적인 감정 프로필에 의존하여 실시간으로 상황에 맞는 동적인 감정 적응이 불가능합니다.

2. 방법론 (Methodology)

논문의 핵심인 EQ-Negotiator는 LLM 의 거대한 규모 없이도 SLM 이 전략적 감정 지능을 갖출 수 있도록 하는 새로운 프레임워크입니다.

• 동적 감정 아키텍처: 정적인 성격 프로필 대신, **게임 이론 (Game Theory)**과 **은닉 마르코프 모델 (HMM, Hidden Markov Model)**을 결합한 추론 시스템을 도입했습니다.
• 온라인 감정 학습 및 추적:
  • 맥락 내 감정 인식 (In-Context Emotion Recognition): 미세 조정 (Fine-tuning) 없이 대화 맥락에서 채무자의 7 가지 감정 상태 (기쁨, 슬픔, 분노, 두려움, 혐오, 놀람, 중립) 를 실시간으로 인식합니다.
  • 이중 감정 히스토리: 채무자와 채권자의 감정 이력을 시퀀스로 저장하여 패턴을 감지합니다.
• 전략적 감정 적응 메커니즘:
  • Win-Stay, Lose-Shift (WSLS) 전략: 채무자의 감정이 긍정적이면 협력을 유지하고, 부정적이면 (분노, 혐오 등) 신중한 대응으로 전환하는 게임 이론 기반 보상 최대화 알고리즘을 사용합니다.
  • HMM 기반 의사결정: 채무자의 부정적 감정이 일정 임계값 (예: 5 턴 중 4 회 이상) 을 초과하면 HMM 을 활성화합니다. HMM 은 채권자의 전략적 모드 (협력, 대립, 고뇌, 전략적 모드) 를 '은닉 상태'로, 상호작용을 '관측 변수'로 정의하여 베이즈 필터링을 통해 최적의 다음 감정 반응을 예측합니다.
• 에지 배포: 7B 파라미터 규모의 모델 (DeepSeek-7B, Llama-7B) 을 사용하여 클라우드 의존 없이 로컬 디바이스에서 실행 가능하도록 설계되었습니다.

3. 주요 기여 (Key Contributions)

1. 프라이버시 보호형 에지 협상 프레임워크: 민감한 금융 데이터가 외부로 유출되지 않으면서도 고도화된 감정 지능을 갖춘 협상 에이전트를 에지 디바이스에서 실행할 수 있는 첫 번째 체계적인 접근법을 제시했습니다.
2. SLM 의 성능 격차 해소: 사전 학습된 감정 모델 없이도 HMM 과 게임 이론을 결합하여, 7B 파라미터 모델이 10 배 이상 큰 LLM 보다 뛰어난 채무 회수율과 협상 효율성을 달성하도록 했습니다.
3. 동적 페르소나 모델링: 정적인 캐릭터 설정을 넘어, 실시간 상호작용에 따라 감정 상태를 동적으로 변화시키는 '동적 감정 아키텍처'를 구현했습니다.
4. 윤리적 협상 강화: SLM 이 가진 조작적 언어나 위선적인 공감 (False Empathy) 같은 윤리적 결함을 감정 지능 프레임워크를 통해 상당 부분 개선하여, 윤리적이고 전략적인 협상을 가능하게 했습니다.

4. 실험 결과 (Results)

다양한 신용 협상 시나리오 (적대적 채무자 전략 포함) 에서 에이전트 간 시뮬레이션을 수행한 결과입니다.

• SLM vs LLM 성능 비교:
  • EQ-Negotiator 를 적용한 7B 모델 (DeepSeek-7B, Llama-7B) 은 기본 설정의 LLM(GPT-4o-mini 등) 보다 더 높은 채무 회수 성공률과 더 빠른 협상 속도를 보여주었습니다.
  • 특히 Llama-7B 는 성공률이 40% 에서 70% 로 급증했으며, GPT-4o-mini 와의 성능 격차를 크게 줄였습니다.
• 감정적/적대적 상황 대응:
  • 부정적 감정 (분노, 혐오 등): EQ-Negotiator 를 적용한 SLM 은 채무자의 감정을 이해하고 관계를 구축하는 데 더 많은 시간을 투자하여, 결과적으로 **더 유리한 상환 조건 (낮은 채무 회수 배수)**을 이끌어냈습니다.
  • 적대적 전략 (위협, 사기, 피해자 연기): EQ-Negotiator 가 적용된 SLM 은 위협이나 고집 부리기 (Stonewalling) 전략을 사용하는 채무자에게 대해 기본 LLM 보다 더 높은 채무 회수 배수를 달성했습니다.
• 윤리적 평가:
  • EQ-Negotiator 는 SLM 의 '조작적 언어', '위선적 공감', '경직된 협상' 지표를 크게 낮추어 LLM 수준의 윤리적 성과를 달성하게 했습니다.

5. 의의 및 결론 (Significance)

• 모델 규모가 아닌 전략적 지능의 중요성 증명: 자동 협상에서의 성공 요인은 모델의 파라미터 규모 (Scale) 가 아니라, **전략적 감정 지능 (Strategic Emotional Intelligence)**임을 입증했습니다.
• 실용적 적용 가능성: 모바일 어시스턴트, 자율 로봇, 은행 및 병원 등 민감한 데이터가 필요한 분야에서 클라우드 의존 없이 실시간으로 작동하는 프라이버시 보호형 AI 협상가의 실현 가능성을 제시했습니다.
• 미래 방향: 이 연구는 에지 AI 가 단순한 정보 처리를 넘어 복잡한 감정적 상호작용을 수행할 수 있는 새로운 패러다임을 열었으며, 향후 더 복잡한 동적 페르소나 구성 및 다양한 문화적 맥락으로의 확장을 위한 기초를 마련했습니다.

요약: EQ-Negotiator 는 소규모 언어 모델에 게임 이론과 HMM 기반의 동적 감정 시스템을 도입하여, 클라우드 의존 없이도 LLM 을 능가하는 협상 성능과 윤리성을 확보한 혁신적인 프레임워크입니다.