Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design

기술적 요약: 에이전트 AI 번역

문제 제기
본 논문은 대규모 언어 모델 (LLM) 이 주도하는 번역 환경의 근본적인 변화를 지적합니다. 통계적 및 신경망 시스템이 번역의 '무엇 (what)' (어휘적 및 문법적 충실도) 을 대부분 해결한 반면, 높은 유창성과 관용적 표현은 이제 기본 필수 품질이 되었습니다. 가치의 최전선은 '어떻게 (how)'로 이동했습니다: 어조, 대상 독자 설계, 화자, 입장, 그리고 문화적 프레임입니다. 현재의 기계 번역 패러다임은 이러한 의사소통 차원을 암묵적으로 처리하거나 사후 편집을 통해 적용하는 경향이 있습니다. 본 논문은 번역학 (TS) 의 어휘—목적론 (skopos), 어조, 등가성 등의 개념—이 생성형 AI 를 위한 지시 코드가 되었지만, 기존 시스템은 이러한 이론적 프레임워크를 비구조화된 텍스트 변환이 아닌 명시적이고 구조화된 입력으로 작동시키는 아키텍처가 부재하다고 주장합니다.

방법론
저자들은 번역을 텍스트 변환이 아닌 '의사소통 설계'라는 논제를 작동시키는 연구 프로토타입인 **에이전트 AI 번역 (Agentic AI Translate)**을 제시합니다. 이 시스템은 표준적인 텍스트 입력/출력 패러다임을 대체하여, 상호작용적 명세 단계에 이어지는 구조화된 4 단계 에이전트 사이클을 도입합니다.

1. 상호작용적 명세 단계: 생성 전에 사용자는 모델 지원 대화를 통해 구조화된 번역 명세서를 작성합니다. 이 명세서는 번역학 개념 (목적론, 대상 독자, 어조, 장르) 에 기반하며 10 개의 표준 섹션 (예: "보존할 사항", "현지화할 사항") 을 다룹니다. 시스템은 명시적이고 사용자가 승인한 명세서 없이는 번역이 이루어지지 않도록 하는 '잠금' 메커니즘을 강제합니다.
2. 4 단계 에이전트 사이클:
   • 식별 (Identification): LLM 호출이 소스 텍스트에서 상황 분석 (목적론, 대상 독자, 어조 등) 을 추출하여 구조화된 JSON 형식으로 변환합니다.
   • 프롬프팅 (Prompting): 결정론적 Python 스크립트가 최종 프롬프트를 구성하며, 여기에는 잠긴 사용자 명세서, 식별 JSON, 참조 자료, 문서 수준의 기억이 통합됩니다.
   • 생성 (Generation): 단일 LLM 호출 (온도 0.3) 이 초안 번역을 생성합니다.
   • 검증 (Verification): LLM-심판자가 동일한 잠긴 명세서를 기준으로 GEMBA-MQM 프로토콜을 사용하여 출력을 평가합니다. 오류 구간을 식별하고, MQM 범주 (정확성, 유창성, 용어 등) 와 심각도를 할당하며, 결정론적 점수를 계산합니다. 점수가 임계값 미만일 경우, 오류 목록은 2 회로 제한된 개선 루프를 위한 실행 가능한 지시사항으로 피드백됩니다.
3. 문서 수준의 일관성: 긴 입력을 처리하기 위해 시스템은 'DelTA-lite' 기억 시스템을 사용합니다. 이는 고유명사 장부, 문서 진행에 대한 이중 요약, 이전 청크의 즉각적인 컨텍스트를 유지하며, 이를 후속 생성 프롬프트에 주입하여 용어 및 어조 일관성을 보장합니다.
4. 참조 자료: 시스템은 4 가지 범주의 참조 입력 (용어집, 쌍을 이룬 예시, 병렬 텍스트, 스타일 가이드) 을 수용하며, 이는 명세서 제안, 생성 프롬프트, 검증 단계에 주입됩니다.

주요 기여
본 논문의 주요 기여는 경험적이기보다 아키텍처 및 개념적입니다.

• 이론의 실행 가능한 구현: 이 시스템은 번역학의 메타언어 (특히 Reiss, Nord, House, Vermeer 의 프레임워크) 를 기계 판독 가능 지시사항으로 변환하는 작동 가능한 코드베이스를 제공합니다. 이는 이론적 개념이 LLM 을 위한 직접적인 작동 제약으로 기능할 수 있음을 보여줍니다.
• "명세 주도 (Spec-Driven)" 아키텍처: 프로토타입은 번역가가 수동 초안 작성자가 아닌 '설계자 (조건 정의)'이자 '검증자 (기능적 적합성 판단)'로 작용하는 워크플로우를 강제합니다. 상황 분석 (1 단계) 과 생성의 분리는 검사 가능하고 가독성 있는 산출물을 가능하게 하여 번역 과정을 투명하게 만듭니다.
• 오픈소스 구현: 이 시스템은 Anthropic SDK 와 Streamlit 을 사용한 오픈소스 Python 프로토타입 (약 1,200 줄) 으로 공개되었으며, 미세 조정, 벡터 데이터베이스, 또는 GPU 리소스가 필요하지 않습니다. 이는 프롬프트 엔지니어링과 흐름 제어에 전적으로 의존합니다.

결과
본 논문은 어떠한 경험적 검증도 수행되지 않았음을 명시적으로 밝힙니다.

• 저자들은 이 아키텍처가 비구조화된 프롬프팅이나 표준 기계 번역보다 더 나은 번역을 생성한다는 것을 입증하는 비교 MQM 점수, 사용자 연구, 또는 정량적 데이터를 제시하지 않습니다.
• "결과"는 다중 단락 테스트 입력에 대한 비공식적 관찰로 제한되며, 여기서 DelTA-lite 기억 시스템은 청크 간에 고유명사 (예: Natsume Soseki 대 Kushami-sensei) 에 대한 일관성을 성공적으로 유지했습니다.
• 논문은 생성과 심판에 동일한 모델 계열을 사용하는 현재 검증 단계가 잠재적 자기 선호 편향으로 인해 한계가 있음을 인정합니다.

의의 및 주장
본 논문은 **개념적 증명 (proof-of-concept)**으로서의 의의를 주장합니다. 이는 텍스트 생성은 쉽지만 특정 목적을 충족하도록 보장하는 것은 어려운 '자동화 역설'을 번역학의 어휘를 AI 를 위한 지시 집합으로 취급함으로써 해결할 수 있다고 주장합니다.

• 철학적 전환: 이 시스템은 GenAI 시대에 번역가의 역할이 문장별 초안 작성이 아닌 조건 (화자, 어조, 대상 독자) 의 설계와 의사소통 목적의 검증임을 작동화합니다.
• 투명성: 프로세스를 식별, 프롬프팅, 생성, 검증과 같은 별도의 로깅 단계로 분해함으로써 시스템은 LLM 번역의 '블랙박스'를 가독성 있고 검사 가능하게 만들어, 이를 교육적 및 연구적 필요성으로 제시합니다.
• 향후 방향: 저자들은 이 프로토타입을 향후 연구의 기반으로 위치시키며, 특히 명시적 명세가 '매력적 품질 (스타일, 어조, 문화적 적합성)'의 측정 가능한 향상으로 이어지는지 검증하기 위한 통제된 비교 연구의 필요성과 자유 형식 마크다운 명세서를 대체할 구조화된 JSON 스키마 개발을 강조합니다.