기술 요약: KRROOD – 객체 지향 설계를 활용한 지식 표현 및 추론

1. 문제 정의

본 논문은 현대 소프트웨어 공학 관행과 지식 표현 및 추론(KR&R) 시스템 사이의 결정적인 "임피던스 불일치(impedance mismatch)"를 식별한다. 객체 지향 프로그래밍(OOP)은 복잡한 애플리케이션(특히 로보틱스 및 AI 분야)을 구축하는 표준이지만, 기존의 KR&R 프레임워크는 일반적으로 외부 온톨로지, 특화된 논리 언어 및 외부 추론기에 의존한다.

이러한 분리는 개발자가 두 가지 별개의 표현 시스템을 유지하도록 강요한다: 하나는 애플리케이션 로직(명령형 코드)을 위한 것이고, 다른 하나는 도메인 지식(논리 프로그래밍 또는 기술 논리)을 위한 것이다. 이는 다음과 같은 문제를 야기한다:

• 통합 마찰(Integration Friction): 개발자는 패러다임 간에 끊임없이 컨텍스트를 전환하며 시스템 경계 전반에서 상태를 동기화해야 한다.
• 네이티브 통합의 부재: Python 기반 AI 시스템 내에서 지식 표현과 고급 추론을 모두 네이티브하게 통합하는 객체 지향적 기능을 제공하는 활발히 유지 관리되는 프레임워크가 없다.
• 확장성 및 유지보수 문제: 도메인 상태를 내보내고, 외부 추론기를 호출하고, 결과를 파싱하는 과정은 "배치 프로세스(batch process)" 워크플로우를 만들어 자율 시스템의 실시간 성찰(introspection)과 설명 가능성을 저해한다.

2. 방법론: KRROOD 프레임워크

저자들은 KRROOD(Knowledge Representation and Reasoning with Object Oriented Design)를 제안하며, 이 프레임워크는 지식을 Python 내의 일급 프로그래밍 추상화로 취급한다. 지식을 코드와 분리하는 대신, KRROOD는 네이티브 Python 클래스 구조를 사용하여 이들을 통합한다. 프레임워크는 다섯 가지 핵심 구성 요소로 이루어져 있다:

A. 네이티브 객체 지향 표현

도메인 엔티티는 Python 클래스(dataclasses 사용)로 모델링된다. 개념은 클래스이며, 관계는 속성이고, 분류 관계는 상속이다. 이를 통해 애플리케이션 코드는 외부 온톨로지 구조로 매핑할 필요 없이 도메인 엔티티에 직접 접근할 수 있다.

B. 엔티티 쿼리 언어 (EQL)

이러한 객체 구조를 쿼리하기 위해, 저자들은 결합 쿼리 패턴을 확장한 선언적 언어인 EQL을 도입한다.

• 구문: Select-Where-From 패턴을 따르지만 Python 객체 상에서 동작한다.
• 의미론: 존재 양화(existential) 및 결합 전용 단편(conjunction-only fragment)을 기반으로 하는 1차 논리(FOL)를 바탕으로 하며, 다음을 확장한다:
  • 결합 쿼리의 합집합(disjunctive matching).
  • 부정으로서의 실패(negation as failure, 증거의 운영적 부재).
  • 활성 도메인에 대한 제한된 전칭 양화.
• 기능: EQL은 변수가 값의 집합을 나타낼 수 있게 하며, 쿼리 제약 조건 내에서 도메인 특정 계산(예: 객체 메서드 호출)을 직접 지원한다.

C. 추론을 위한 리플 다운 룰 (RDRs)

KRROOD는 규칙 기반 추론과 점진적 지식 업데이트를 처리하기 위해 Python 네이티브 버전의 리플 다운 룰(Ripple Down Rules)을 구현한다.

• 메커니즘: 규칙은 반복적으로 추가된다. 새로운 사례가 기존 규칙과 충돌할 때, 시스템은 전문가에게 구별되는 조건을 제공하도록 요청한다. 이 조건은 규칙 트리 내에 정교화 규칙(refinement rule)으로 자동 추가된다.
• 확장성: 전통적인 RDR과 달리, KRROOD의 구현은 다음을 허용한다:
  • 유연한 사례(Flexible Cases): 임의의 Python 객체를 입력으로 사용.
  • 표현력 있는 조건(Expressive Conditions): 규칙 조건은 실행 가능한 Python 코드이므로, 도메인 API(예: 물리 시뮬레이션, 기하학)를 직접 사용할 수 있다.
  • 유지보수성: 규칙 베이스는 직접 수정 가능한 자동 생성된 실행형 Python 모듈로 구체화된다.

D. 온토매틱 (Ontomatic, OWL 변환)

레거시 온톨로지를 연결하기 위해, Ontomatic은 OWL 파일을 Python 데이터 구조로 자동 변형한다.

• T-Box 변환: 클래스와 속성을 생성하며, 하위 개념(subsumption) 및 도메인/범위를 추론한다.
• 불일치 처리:
  • 비분리 형제 클래스(Non-disjoint Siblings): 개인이 여러 형제 클래스에 속할 수 있도록 "역할 패턴(Role pattern, 합성)"을 사용하여 OWL 의미론과 OOP 상속 간의 충돌을 해결한다.
  • 공리(Axioms): 복잡한 OWL 공리(예: 카디널리티 제한)는 EQL 술어를 사용하는 클래스 수준의 메서드로 인코딩된다.
• A-Box 로딩: 개별 인스턴스는 인스턴스로 로드된다. 성능 최적화를 위해 시스템은 엡스론(on-time) 전방 체이닝(forward chaining)을 적용하여, 지수적 시간 증가를 피하기 위해 전이적/대칭적 속성을 즉각적인 추론에서 제외하고 후처리 단계에서 약하게 연결된 컴포넌트를 계산한다.

E. ORMatic (지속성)

ORMatic은 Python 도메인 객체를 SQLAlchemy를 사용하여 관계형 데이터베이스(예: PostgreSQL)에 매핑하는 지속성 계층을 제공한다.

• 설계 원칙: 단일 책임 원칙(SRP)을 준수하기 위해 데이터 액세스 객체(DAO)를 도메인 로직과 엄격히 분리한다.
• 통합: 기존의 Python dataclasses 내에서 완전히 작동하며, 필요한 인터페이스를 자동으로 생성한다. 이는 Pydantic이나 표준 SQLAlchemy 사용과 달리 별도의 스키마 정의를 필요로 하지 않으며, 데이터 모델이 도메인 모델과 동일하게 유지되도록 보장한다.

3. 실험 결과

저자들은 OWL2Bench 벤치마크와 인간-로봇 작업 학습 시나리오라는 두 가지 측면에서 KRROOD를 평가했다.

OWL2Bench 성능

• 설정: Protégé (Pellet 포함), owlready2 (Pellet 포함), GraphDB, 그리고 RDFlib를 대상으로 OWL 2 RL 프로파일에 대해 비교하였다.
• 추론: KRROOD는 경쟁력 있는 추론 시간(Raw 8.3초, 추론 후 127.9초)을 달성하였으며, 이는 Protégé (Raw 5.5초, 추론 후 22초)와 대등한 수준이었다. 또한, 데이터가 구체화되었을 때 메모리 부족 문제를 겪은 owlready2 및 종료에 실패한 RDFlib보다 성능이 뛰어났다. Protégé가 더 빨랐으나, 방대한 메모리(내보내기 시 25GB)를 요구하며 네이티브 통합 기능이 없었다.
• 쿼리: 쿼리 성능 측면에서는 KRROOD 내부에서 사용된 SQLAlchemy가 가장 빨랐다. EQL을 사용한 KRROOD가 항상 가장 빠른 것은 아니었지만, 다른 프레임워크에는 없는 기능인 '완전한 역량을 갖춘 도메인 객체'를 제공했다. 쿼리 속도만이 유일한 우선순위일 때는 GraphDB가 가장 실행 가능한 대안이었다.

인간-로봇 작업 학습

• 시나리오: 로봇이 인간의 시연과 피드백을 통해 몬테소리 상자를 사용하여 집기 및 삽입 작업을 수행하는 법을 학습했다.
• 구현: 시스템은 KRROOD를 기반으로 구축된 Segmind 프레임워크를 사용했다.
• 과정: 로봇은 행동을 관찰하고, 객체-구멍 매칭 제약 조건을 추론하며, RDR 트리를 사용하여 이벤트(예: 가속도에 근거하여 PickUpEvent와 FallingEvent를 구분)를 분류했다.
• 결과: 시스템은 상호작용을 통해 규칙을 성공적으로 일반화했다. RDR 트리는 이질적인 추론(기하학적, 공간적, 물리 기반 추론)을 지원했으며, 특정 결론에 어떤 규칙이 기여했는지 추적함으로써 설명 가능한 의사결정을 제공했다.

4. 의의 및 주장

본 논문은 KRROOD가 지식을 네이티브 프로그래밍 구성 요소로 취급함으로써 애플리케이션 프로그래밍과 KR&R 사이의 패러다임 격차를 성공적으로 메웠다고 주장한다.

• 통합: 엔지니어가 지식을 사용하여 원활하게 프로그래밍할 수 있게 함으로써 "객체-온톨로지 임피던스 불일치"를 방지한다.
• 표현력 대 계산 가능성: Python 네이티브 구조와 제한된 양화를 사용함으로써, 실세계 자율 시스템에 필요한 표현력을 지원하면서도 결정 가능성과 계산 가능성을 유지한다.
• 설명 가능성: 프레임워크는 규칙의 기여도를 추적하고 도메인 지식 구조에 직접 접근함으로써, 시스템이 왜 특정 결론에 도달했는지 끝까지 설명할 수 있는 엔드 투 엔드 성찰을 지원한다.
• 하이브리드 AI: 인지, 계획, 추론이 애플리케이션 로직과 밀접하게 결합되어야 하는 물리적 AI를 위한 기초적인 역량을 제공한다.

5. 한계 및 향 향후 과제

저자들은 몇 가지 한계를 인정한다:

• 의미론적 절충: EQL은 표준 기술 논리(Description Logic)의 오픈 월드 의미론과는 다른 폐쇄 세계 가정(부정으로서의 실패)에 의존한다.
• 정적 보장: 규칙에 임의의 Python 코드를 허용하는 것은 표현력을 높이지만, 최악의 경우 실행 시간 및 종료에 대한 정적 보장을 약화시킨다.
• OWL 변환: (비분리 클래스와 같은) 모델링 불일치로 인해 OWL에서 OOD로의 변환이 완전히 무손실은 아니다.
• 리소스 비용: 풍부한 객체 그래프를 구체화하는 것은 높은 메모리와 지연 시간을 초래할 수 있으나, 저자들은 KRROOD가 추론을 위한 OWL 기반 대안들보다 메모리 효율적이라고 언급했다.

향 향후 과제에는 명시적인 복잡도 경계가 있는 더 엄격한 EQL 단편 정의와, 요청 시 작업 관련 서브그래프만을 인스턴스화하는 하이브리드 구체화 전략 개발이 포함된다. 이 프레임워크는 대규모, 장기적 로봇 계획 및 설명 가능한 머신러닝 시나리오에서의 추가 평가를 목표로 한다.