기술 요약: 추천 시스템으로서의 소셜 로봇 재구상

문제 정의

소셜 로봇의 개인화를 위한 현재의 접근 방식은 사용자 메타데이터와 과거 상호작용을 기반으로 문맥 인식형 응답을 생성하기 위해 대규모 언어 모델(LLM)에 크게 의존하거나, 실시간으로 사용자의 즉각적인 반응에 적응하기 위해 강화 학습(RL)에 의존합니다. 이러한 방법들은 특정 작업에는 효과적이지만, 다음과 같은 중대한 한계를 가집니다:

1. 불완전한 선호도 포착: 다양한 시간적 및 세밀한 척도(장기, 단기, 미세 규모)에 걸친 사용자 선호도를 포괄적으로 모델링하는 데 실패합니다.
2. 차선책의 행동 선택: 사용자의 니즈에 대한 총체적인 이해를 바탕으로 행동을 선제적으로 순위 매기고 선택하는 견고한 메커즘이 부족합니다.
3. 윤리적 공백: 실시간 적응 과정에서 편향 완화, 공정성 보장, 프라이버시 보호와 같은 윤리적으로 책임 있는 적응을 보장하는 데 어려움을 겪는 경우가 많습니다.

본 논문은 인간-로봇 상호작용(HRI)과 소셜 로봇 공학이 사용자 선호도를 모델링하고 개별 사용자를 위한 후보군을 필터링하는 데 특화된 성숙한 방법론인 추천 시스템(RS)으로부터 큰 도움을 받을 수 있다고 주장합니다. 그러나 이 두 분야의 교차점은 아직 충분히 탐구되지 않았으며, RS 기술을 소셜 로봇 파이프라인에 통합하기 위한 확립된 프레임워크도 존재하지 않습니다.

방법론

저자들은 소셜 로봇을 추천 시스템으로 재구상하는 개념적 및 기술적 프레임워크를 제안합니다. 방법론은 세 가지 주요 단계로 구성됩니다:

1. 패러다임 정렬

논문은 먼저 개념적 토대를 구축하기 위해 소셜 로봇의 설계 패러다임을 RS의 패러다임과 정렬합니다. 이는 네 가지 핵심 주제를 매핑합니다:

• 사용자 모델링: 소셜 로봇의 인지 아키텍처 및 역할 설계를 RS의 표현 및 방법론적 패러다임과 정렬합니다.
• 상호작용: 로봇의 언어 모델 및 커뮤니케이션 흐름을 RS의 상호작용 패러다임(단일 턴 vs. 다중 턴/대화형)과 연결합니다.
• 시스템 설계: 로봇의 활동 시스템 모델 및 통합 설계를 응답 순위 지정을 가이드하는 RS의 방법론적 패로다임과 연결합니다.
• 평가: 로봇의 평가 패러다임(정량적/정성적)을 RS의 성능 평가 및 윤리적 고려사항과 병합합니다.

2. 모듈형 통합 프레임워크

저자들은 RS 기술이 표준 소셜 로봇 파이프라인(인지 $\to$ 인지 $\to$ 행동)에 모듈형 구성 요소로 통합되는 "플러그 앤 플레이(plug-and-play)" 프레임워크를 설계합니다. 이 통합은 모듈성, 인간 중심(Human-in-the-loop), 투명성의 세 가지 원칙을 따릅니다. 프레임워크는 세 가지 핵심 RS 기술을 포함합니다:

• 사용자 프로파일링 (U): 세 가지 세밀도에 따라 사용자 선호도를 모델링합니다:
  • 장기(Long-term): 역사적 상호작용 행렬($H$)을 사용하는 협업 필터링(CF)을 통해 안정적인 관심사를 추론합니다.
  • 단기(Short-term): 동적인 문맥을 포착하기 위해 시간 순서로 배열된 상호작용 시퀀스($S_u$)에 대한 순차적 RS(예: RNN, Transformer)를 통해 모델링합니다.
  • 미세 규모(Fine-grained): 미묘한 속성을 포착하기 위해 상호작용 시퀀스를 구조화된 지식 표현(예: 의미론적 범주, 환경적 문맥)과 정렬하는 지식 강화형 RS를 통해 모델링합니다.
• 순위 결정 (R): 최적의 행동 순서를 결정합니다.
  • 순위 함수: 단순한 점수 기반 예측(pointwise prediction)을 넘어 사용자 선호도 모델링을 최적화하기 위해 쌍별(pairwise, 예: Bayesian Personalized Ranking) 및 리스트별(listwise, 예: ListNet, DCG 최적화) 접근 방식을 활용합니다.
  • 검색 및 재순위화(Retrieval-and-Reranking): 관련 후보 행동들을 넓은 공간에서 검색(표현 학습 및 인덱싱 사용)한 후, 개인화된 점수에 따라 다시 순위를 매기는 2단계 프로세스를 채택합니다.
• 책임 있는 컴퓨팅 (RC): 윤리적 운영을 보장합니다.
  • 프라이버시: 원시 데이터 전송 없이 로컬 장치에서 학습하는 연합 학습(Federated Learning)과 모델에서 특정 데이터 흔적을 제거하는 추천 언러닝(Recommendation Unlearning)을 구현합니다.
  • 편향 및 공정성: 사용자 프로파일링의 편향을 제거하기 위해 역확률 가중치(Inverse Propensity Scoring, IPS)를 적용하고, 체계적인 불이익을 방지하기 위해 공정성 인식 순위 제약 조건을 채택합니다.

3. 적용 시나리오

프레임워크는 세 가지 도메인의 유스케이스를 통해 입증됩니다:

• 사회적 인지 서비스 로봇: 그룹의 우선순위(예: 안전 vs 효율)를 모델링하기 위해 CF를 사용하고, 모호한 명령(예: "내가 제일 좋아하는 머그컵")을 해결하기 위해 검색 및 재순위화 기법을 사용합니다.
• 협업 로봇: 협업 패턴(속도, 능력)을 예측하기 위해 프로파일링을 사용하고, 작업 할당 전략을 선택하기 위해 순위 결정 기법을 사용합니다.
• 동반자 로봇: 적절한 정서적 표현 및 피드백 스타일을 선택하기 위해 개인화된 순위 결정을 사용하며, 민감한 감정 데이터에 대한 프라이버시 보호책을 강제합니다.

주요 기여

1. 개념적 정렬: 본 논문은 소셜 로봇의 패러다임(인지, 언어, 활동 시스템)을 RS의 패러다임(표현, 방법론, 상호작용, 윤리)과 체계적으로 정렬하여 두 분야 사이의 간극을 메우는 최초의 연구를 제공합니다.
2. 기술적 프레임워크: RS 기술(사용자 프로파일링, 순위 결정, 책임 있는 컴퓨팅)을 로봇의 인지-인지-행동 루프에 직접 통합하는 모듈형 플러그 앤 플레이 아키텍처를 제안합니다.
3. 수학적 정식화: 소셜 로봇 문맥에 맞게 조정된 CF, 순차적 모델링, 지식 강화 모델링 및 순위 손실(쌍별/리스트별)의 통합을 위한 공식적인 수학적 정의를 제공합니다.
4. 윤리적 통합: 책임 있는 컴퓨팅 메커니즘(연합 학습, 언러닝, 디바이아싱)을 사후 고려 사항이 아닌 로봇의 의사 결정 프로세스의 핵심 구성 요소로 명시적으로 포함합니다.

결과 및 주장

본 논문은 기초적이고 프레임워크 중심적인 연구이므로 경험적인 실험 결과(예: 사용자 연구 또는 벤치마크 비교)를 제시하지 않습니다. 대신, 제안된 프레임워크를 바탕으로 다음을 주장합니다:

• 실현 가능성: 수학적 정식화와 유스케이스는 RS 기술이 소셜 로봇 파이프라인에 이론적 및 실무적으로 통합될 수 있음을 입증합니다.
• 강화된 개인화: RS 기술을 채택함으로써, 로봇은 정적인 규칙이나 짧은 호흡의 적응을 넘어 포괄적이고 다각적인 사용자 모델을 바탕으로 선제적으로 상호작용을 개인화할 수 있습니다.
• 커뮤니티 시너지: 이 프레임워크는 RS와 HRI 커뮤니티 간의 깊은 협력을 위한 경로를 열어주며, 성숙한 RS 방법론을 복잡한 체화된 상호작용(embodied interaction) 영역으로 이전함으로써 두 분야 모두의 혁신을 가속화할 수 있습니다.

의의

본 논문은 소셜 로봇의 새로운 패러다임을 향한 기초적인 단계로서 자리매김합니다. 그 의의는 다음과 같습니다:

• 지속적인 HRI 과제 해결: 경직된 규칙 기반 설계 대신 적응형 선호도 학습을 활용함으로써, 턴 테이킹 문제, 반복적인 응답, 피상적인 대화와 같은 HRI의 고질적인 문제를 해결하기 위한 체계적인 솔루션을 제공합니다.
• 학문 간 가교 역할: ACM RS와 HRI 컨퍼런스 시리즈 간의 공통점 부족 문제를 명시적으로 다루며, 향후 공동 연구를 위한 공유된 어휘와 기술적 로드맵을 제공합니다.
• 윤리적 발전: 책임 있는 컴퓨팅(프라이버시, 공정성, 투명성)을 소셜 로봇의 핵심 아키텍처에 내장함으로써, 특히 의료 및 교육과 같은 민감한 영역에서의 실제 배포에 필수적인 안전 및 신뢰 문제를 해결합니다.

저자들은 이 프레임워크가 소셜 로봇을 단순한 반응형 에이전트에서 선제적이고 윤리적으로 정렬된 사회적 행동의 추천자로 변화시켜, "실제 배포 환경에서 다양한 사용자에 대한 개인화 및 적응"을 위한 토대를 마련한다고 결론짓습니다.