The EpisTwin: A Knowledge Graph-Grounded Neuro-Symbolic Architecture for Personal AI

이 논문은 단편화된 개인 데이터를 통합하고 신뢰할 수 있는 추론을 가능하게 하기 위해 멀티모달 언어 모델, 개인 지식 그래프, 그리고 온라인 심층 시각 정제를 결합한 신경-상징적 아키텍처인 'EpisTwin'을 제안합니다.

핵심

이 논문은 **'에피스트윈 (EpisTwin)'**이라는 새로운 인공지능 시스템을 소개합니다. 이 시스템을 이해하기 위해 복잡한 기술 용어 대신, 일상적인 비유와 이야기를 통해 설명해 드리겠습니다.

🏠 비유: "산재된 메모장 vs. 똑똑한 비서"

지금까지의 개인용 AI 는 어떨까요?
사용자의 데이터는 **여러 개의 닫힌 방 (실리콘)**에 흩어져 있습니다.

• 캘린더는 한 방, 사진첩은 다른 방, 메모장은 또 다른 방에 있죠.
• 기존 AI 는 이 방들을 방문할 때, "키워드"만 보고 문서를 찾아옵니다. (예: "Sarah"라는 단어가 있는 문서 찾기)
• 하지만 "오늘 출근하기 전에 사라가 전화했을까?" 같은 질문에는 답하기 어렵습니다. 출근 시간 (캘린더), 전화 기록 (통화 로그), 그리고 실제 도착 시간 (사진이나 메모) 을 모두 연결해 추론해야 하기 때문입니다. 기존 AI 는 이 방들을 오가며 조각난 정보만 보여줄 뿐, 전체 그림을 그리지 못합니다.

🚀 에피스트윈 (EpisTwin) 의 등장: "나만의 디지털 뇌"

에피스트윈은 이 문제를 해결하기 위해 **개인 지식 그래프 (PKG)**라는 **'나만의 디지털 뇌'**를 만듭니다.

1. 정보의 정리: "산더미 같은 메모를 연결하는 비서"

에피스트윈은 당신의 캘린더, 사진, 메시지, 문서 등 모든 데이터를 가져와서 **하나의 거대한 연결망 (그래프)**으로 엮어줍니다.

• 비유: 마치 당신의 모든 메모와 사진을 가져와서, "이 사진은 출근길에 찍은 거야", "이 알람은 축구 경기 전날 설정한 거야"라고 상호 연결된 관계로 정리해 주는 똑똑한 비서입니다.
• 장점: 이제 AI 는 단순히 단어를 찾는 게 아니라, "출근 시간"과 "전화 기록" 사이의 인과관계를 이해할 수 있게 됩니다.

2. 두 가지 뇌의 협력: "논리적 사고 + 직관적 눈"

에피스트윈은 **상징적 (Symbolic)**인 논리와 **신경망 (Neural)**적인 직관을 함께 사용합니다.

• 논리적 뇌 (그래프): "출근 시간은 9 시야. 전화는 8 시 30 분이었어. 그러니까 출근 전이야."라고 사실과 논리로 정확하게 계산합니다.
• 직관적 눈 (이미지 분석): 만약 논리적 뇌가 "이 사진이 출근 시간인지 확신이 안 서네?"라고 생각하면, **비상용 카메라 (Fallback Agent)**를 켭니다.
  • 비유: "아, 이 사진이 출근길인지 모르겠네? 그럼 원본 사진을 다시 꺼내서 AI 가 직접 사진을 보고 '아, 이거 지하철 역 앞에서 찍은 거네, 출근 시간 맞아!'라고 다시 확인하는 거죠."
  • 이렇게 하면 실제 이미지를 다시 분석해서 오해를 바로잡을 수 있습니다.

3. 데이터의 주인은 '나' (데이터 주권)

가장 중요한 점은 삭제입니다.

• 기존 AI 는 데이터를 지우려고 해도, AI 의 머릿속 (모델) 에 흔적이 남아있을 수 있습니다.
• 하지만 에피스트윈은 **데이터를 명확한 블록 (그래프 노드)**으로 저장합니다.
• 비유: "이 정보를 지워달라"고 하면, 레고 블록 하나를 딱 떼어내는 것처럼 완벽하게, 영구적으로 사라집니다. 사용자가 데이터의 진정한 주인이 될 수 있습니다.

📊 실험 결과: "실제 생활을 얼마나 잘 이해할까?"

연구진은 개인 QA-71-100이라는 새로운 시험지를 만들었습니다.

• 시험 내용: "오늘 출근하기 전에 사라가 전화했을까?", "내일 축구 경기 알람은 몇 시에 울렸을까?"처럼 캘린더, 사진, 통화 기록을 모두 섞어서 추론해야 하는 100 가지 질문입니다.
• 결과: 에피스트윈은 다른 AI 들보다 훨씬 높은 점수를 받았습니다. 특히 여러 앱의 정보를 연결해야 하는 복잡한 질문에서도 잘못된 추측 (할루시네이션) 을 줄이고 정확한 답을 내놓았습니다.

💡 요약: 왜 이것이 중요한가요?

에피스트윈은 단순히 정보를 찾아주는 검색 엔진이 아니라, 당신의 과거, 현재, 미래를 연결하여 의미 있는 통찰을 주는 동반자입니다.

1. 단절된 정보를 연결합니다: 캘린더와 사진을 따로 보지 않고, 하나의 이야기로 엮어줍니다.
2. 실수를 바로잡습니다: 논리로 답할 수 없으면, 다시 원본 (이미지 등) 을 보고 확인합니다.
3. 내 데이터를 통제합니다: 원하면 언제든 완벽하게 지울 수 있어 프라이버시가 안전합니다.

결국 에피스트윈은 "AI 가 내 기억을 대신하고, 내가 그 기억을 완벽하게 통제하는" 새로운 시대를 여는 기술입니다.

기술 요약

1. 문제 정의 (Problem Definition)

개인 AI 의 데이터 단편화 및 의미론적 연결 부재
현재 개인 인공지능 (Personal AI) 은 사용자의 데이터가 캘린더, 갤러리, 문서 저장소 등 고립된 애플리케이션 (실리, Silos) 사이에 분산되어 있어, 사용자의 인지적 확장체로 기능하는 데 한계를 겪고 있습니다.

• 기존 RAG 의 한계: 기존 검색 증강 생성 (RAG) 은 벡터 유사성에 기반하여 비구조화된 데이터를 검색하지만, 개인적 추론에 필수적인 **잠재적 의미론적 위상 (latent semantic topology)**과 **시간적 의존성 (temporal dependencies)**을 포착하지 못합니다.
• 데이터 주권 문제: 불투명한 벡터 저장소에 의존하는 경우, 특정 사실을 결정론적으로 삭제하는 것 (예: '잊힐 권리' 준수) 이 계산적으로 매우 어렵습니다.
• 예시: "오늘 출근하기 전 사라 그린 씨가 전화를 했을까?"와 같은 단순한 질문조차도 캘린더, 통화 기록, 사진, 메모 등 여러 소스의 데이터를 시간적, 의미론적으로 연결해야만 답할 수 있습니다.

2. 방법론 (Methodology)

이 논문은 **EpisTwin (Epistemic Twin)**이라는 새로운 신경 - 기호 (Neuro-Symbolic) 아키텍처를 제안합니다. 이는 Kautz 의 분류법에서 Type 3 (신경 | 기호) 아키텍처에 해당하며, 신경망과 기호 시스템이 협력하는 관계를 가집니다.

A. 핵심 아키텍처: EpisTwin

EpisTwin 은 생성형 AI 를 확률적 지식 저장소로 사용하는 대신, **검증 가능한 개인 지식 그래프 (PKG, Personal Knowledge Graph)**를 구축하고 이를 기반으로 추론하는 구조를 가집니다.

1. PKG 구성 (Construction Phase - 신경 $\to$ 기호 전이):

   • 정보 객체 (Information Object): 구조화된 메타데이터와 비구조화된 페이로드 (텍스트, 이미지 등) 를 포함하는 데이터 단위를 정의합니다.
   • 전환 (Transduction):
     • 메타데이터 ($\Phi_M$): 구조화된 데이터를 결정론적으로 삼중항 (Triple) 으로 변환합니다.
     • 비구조화 콘텐츠 ($\Phi_C$): 멀티모달 LLM 을 사용하여 이미지 등을 텍스트 캡션으로 변환한 후, 기호적 삼중항으로 추출하여 PKG 에 주입합니다.
   • 커뮤니티 탐지 (Community Detection): Leiden 알고리즘을 사용하여 그래프 내의 주제적 군집 (Community) 을 식별하고, 이를 새로운 엔티티로 재현 (Reify) 하여 전역적 의미 파악 (Global Sensemaking) 을 용이하게 합니다.

2. 추론 엔진 (Reasoning Engine - 신경 & 기호 협력):

   • 에이전트 오케스트레이션: 핵심 에이전트 (Core Agent) 가 PKG 위를 탐색하며 추론합니다.
   • 온라인 딥 비주얼 리파인먼트 (Online Deep Visual Refinement, tVIS):
     • PKG 의 상징적 표현이 부족하거나 모호할 때, Fallback 에이전트가 활성화됩니다.
     • 이 에이전트는 PKG 에서 참조된 원본 이미지 (Raw Visual Context) 를 다시 가져와 멀티모달 LLM 으로 정밀 분석합니다.
     • 중요: 이 분석 결과는 세션 동안만 임시 컨텍스트로 사용되며, PKG 에 영구적으로 저장되지 않아 그래프의 결정론적 무결성을 유지합니다.

3. 검증 가능성 (Verifiability):

   • PKG 는 사용자가 소유하고 관리하는 구조이므로, 노드 (정보) 를 삭제하면 해당 정보는 영구적으로 제거됩니다. 이는 신경망 기반의 '학습 제거 (Unlearning)'가 가진 불확실성을 해결합니다.

3. 주요 기여 (Key Contributions)

1. Type 3 신경 - 기호 에이전트 프레임워크: 이질적인 개인 데이터에 대한 멀티홉 (Multi-hop) 질문 응답을 가능하게 하기 위해 PKG 구축과 에이전트 추론을 통합했습니다.
2. 능동적 비주얼 - 기호 추론: 전이 (Transduction) 단계에서 손실될 수 있는 세부 정보를 복구하기 위해, 상징적 지식을 기반으로 한 온라인 딥 비주얼 리파인먼트 도구를 도입했습니다.
3. 새로운 멀티모달 벤치마크 (PersonalQA-71-100):
   • 71 개의 이질적인 개인 데이터 소스 (캘린더, 사진, 메모 등) 와 100 개의 정답이 있는 질문으로 구성된 합성 데이터셋입니다.
   • 시간적 추론, 크로스-소스 추론, 사실 검색 능력을 평가하도록 설계되었습니다.
4. 검증 가능한 성능 분석: 'LLM-as-a-Judge' 프로토콜을 사용하여 추론 능력을 정량화하고, EpisTwin 이 복잡한 크로스-도메인 쿼리를 처리함을 입증했습니다.

4. 실험 결과 (Results)

• 벤치마크 성능: PersonalQA-71-100 에서 4 개의 최신 LLM 심사관 (DeepSeek, Qwen, GPT-OSS, Kimi) 을 통해 평가되었습니다.
  • 평균 점수: 4.27 ~ 4.63 (5 점 만점 기준) 으로 높은 성능을 보였습니다.
  • 긍정적 평가: 모든 심사관을 합산했을 때, 테스트 사례의 **87%**에서 정답 (Positive, 4~5 점) 을 받았습니다.
• 교차 검증 신뢰도: 심사관 간의 일관성 (Inter-rater reliability) 이 매우 높았으며 (Gwet's AC1 > 0.84), EpisTwin 이 단편화된 데이터를 효과적으로 연결하여 복잡한 추론을 수행함을 통계적으로 입증했습니다.
• 비교 우위: 기존 벡터 기반 RAG 시스템이 다중 홉 (Multi-hop) 질문에서 성능이 저하되는 것과 달리, EpisTwin 은 PKG 의 위상적 의존성을 유지하며 일관된 성능을 보였습니다.

5. 의의 및 결론 (Significance)

• 신뢰할 수 있는 개인 AI 의 새로운 패러다임: EpisTwin 은 생성형 AI 를 단순한 텍스트 생성기가 아닌, 사용자의 디지털 발자국을 관리하고 추론하는 인지적 확장체로 재정의합니다.
• 데이터 주권 및 '잊힐 권리' 실현: 기호적 그래프 구조를 통해 정보 삭제를 결정론적으로 보장함으로써, 규제 준수 (GDPR 등) 와 사용자 프라이버시를 기술적으로 보장합니다.
• 유연성과 정확성의 균형: 기호적 그래프의 엄격함과 신경망의 유연성 (특히 비주얼 리파인먼트) 을 결합하여, 인간의 인지 과정 (필요시 원본 데이터를 다시 확인하는 과정) 을 모방합니다.
• 미래 전망: 이 연구는 개인 비서가 수동적인 검색을 넘어 능동적인 의미 파악 (Sensemaking) 을 수행하고, 사용자가 자신의 데이터 지도의 유일한 소유자가 되는 미래 AI 아키텍처의 방향성을 제시합니다.

요약하자면, EpisTwin 은 개인 데이터의 단편화를 **개인 지식 그래프 (PKG)**로 해결하고, 신경 - 기호 협력을 통해 검증 가능하고 신뢰할 수 있는 개인 AI 를 구현한 획기적인 연구입니다.