From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration

기술 요약: 프롬프트에서 컨텍스트로: 인간-생성형 AI 협업에 대한 온톨로지 기반 프레임워크

문제 제기
현재 인간과 생성형 AI(GenAI) 간의 협업은 종종 컨텍스트의 명시성 부재로 고통받고 있습니다. 상호작용은 일반적으로 짧은 즉흥적 프롬프트로 시작하여 불투명한 출력으로 종료되며, 관련 에이전트, 추구된 구체적 작업, 활용된 자원, 그리고 과정을 지배하는 제약 조건에 관한 중요한 정보가 암묵적으로 남습니다. 이러한 "컨텍스트 드리프트 (context drift)"는 신뢰성, 추적 가능성, 그리고 책임성을 저해하며, 특히 소프트웨어 개발, 검색, 프로필 관리와 같은 정보 집약적 워크플로우에서 두드러집니다. 이러한 불투명성은 근본적인 신경 모델뿐만 아니라 프롬프트, 검색된 컨텍스트, 중간 단계, 그리고 인간의 개입이 공식적으로 연결되지 않는 광범위한 시스템 수준의 상호작용에서 비롯됩니다. 기존 협업 온톨로지들은 주로 인간 간 상호작용에 초점을 맞추거나 동적인 GenAI 역할을 모델링하는 데 필요한 구체적인 세분성을 갖추지 못해, 인간 -GenAI 협업의 '누가, 무엇을, 어떻게, 그리고 왜'를 포착하기 위한 표준화된 방법론의 공백이 존재합니다.

방법론
본 논문은 **맥락적 협업 AI 온톨로지 (CCAI)**를 중심으로 한 "프롬프트에서 컨텍스트로 (From Prompts to Context)"라는 프레임워크를 제안합니다. 방법론은 세 가지 주요 구성 요소를 포함합니다:

1. CCAI 온톨로지: SAMOD 방법론과 모듈식 '모델릿 (modelet)' 설계를 통해 개발된 CCAI 는 공유되고 기계가 해석 가능한 어휘를 제공합니다. 이는 PROV-O 및 FOAF 와 같은 기초 온톨로지를 기반으로 하여 도메인별 클래스를 확장하여 구축되었습니다. 주요 개체는 다음과 같습니다:

   • 에이전트: ccai:HumanCollaborator(인간 협업자), ccai:GenerativeAIAgent(생성형 AI 에이전트), ccai:AgentGroup(에이전트 그룹) 을 구분합니다.
   • 역할 및 역량: ccai:ToolRole(도구 역할), ccai:AIPartnerRole(AI 파트너 역할) 과 같은 구체적인 책임과 역량을 정의합니다.
   • 작업 및 프로세스: 의존성을 가진 작업 단위 (ccai:Task) 와 워크플로우 (ccai:CollaborationProcess) 를 모델링합니다.
   • 컨텍스트 및 자원: 시간적, 공간적, 도메인 설정 (ccai:CollaborationContext) 과 도구/데이터셋 (ccai:CollaborationResource) 을 포착합니다.
   • 제약 조건: 윤리 가이드라인 (ccai:EthicalConstraint) 을 명시적으로 모델링합니다.

2. SPARQL 기반 프롬프트 구성: 본 프레임워크는 지식베이스에서 작업 관련 의미 정보 (컨텍스트, 자원, 역할, 제약 조건) 를 검색하기 위해 SPARQL 쿼리를 사용하여 온톨로지를 실행합니다. 검색된 데이터는 구조화된 프롬프트 템플릿에 주입되어 인간의 의도와 명시적인 온톨로지 바인딩을 결합합니다. 이는 프롬프트 엔지니어링을 자유 형식의 elaboration(세부 설명) 에서 구조화되고 컨텍스트가 완비된 요청으로 전환시킵니다.

3. 추적성 연결 산출물 생성: AI 가 생성한 출력물은 prov:wasGeneratedBy(생성됨), prov:wasAttributedTo(귀속됨) 와 같은 추적성 관계를 사용하여 원래 작업, 에이전트, 컨텍스트와 연결됩니다. 이는 일회성 상호작용을 감사 가능한 기록으로 변환하여 검색 가능한 협업 흔적을 생성합니다.

주요 기여
본 논문은 세 가지 구체적인 기여를 합니다:

1. 맥락적 온톨로지: CCAI 온톨로지는 인간 -GenAI 작업에서 협업 의미와 컨텍스트를 '1 급 시민 (first-class)'으로 만들어 역할, 작업, 자원, 제약 조건을 공식적으로 정의합니다.
2. 계측 접근법: SPARQL 에서 파생된 컨텍스트를 프롬프트 작성 및 검토 프로세스에 통합하는 워크플로우로, 암묵적 기억이나 비구조화된 로그에 의존하는 대신 구조화되고 감사 가능한 협업 흔적을 생성합니다.
3. 대표적 사례 연구: 역량 기반 교육 시스템을 위한 "보기 및 역량 프로필 업데이트" 기능을 구축하는 소프트웨어 개발 팀 내에서 프레임워크를 심층적으로 적용한 사례입니다. 이 연구는 요구사항 분석, 설계, 구현, 테스트 단계를 아우르는 프레임워크의 유용성을 입증합니다.

결과
사례 연구는 "프롬프트만 사용 (PO)" 조건과 "CCAI 지원 (CB)" 조건을 비교한 제한된 경험적 증거를 제공합니다:

• 컨텍스트 명시성: CB 조건에서는 모든 컨텍스트 범주 (컨텍스트, 자원, 책임, 제약 조건) 가 프롬프트에 명시적으로 표현되었습니다 (4/4 개 범주). 반면 PO 조건에서는 이들이 암묵적으로 남았습니다 (0/4 개).
• 추적 가능성: CB 조건은 인스턴스화된 12 개 작업에 대한 구조화된 추적성 경로를 보존하여 산출물을 작업 및 에이전트에 직접 연결했습니다. PO 조건은 작업 연결 컨텍스트 항목을 자주 생략했습니다 (95 개 항목 중 86 개 생략).
• 운영적 영향: 프레임워크는 컨텍스트 모호성을 성공적으로 줄이고 의사결정 경로의 재구성을 가능하게 했습니다. 예를 들어, SPARQL 쿼리를 통해 작업과 관련된 특정 자원 (예: ccai:CompetencyDB), 역할, 에이전트를 즉시 검색할 수 있었고, 이를 사용하여 정밀한 프롬프트를 구성했습니다.
• 관찰된 한계: 연구는 프레임워크의 효과성이 온톨로지 지식베이스의 시의성에 달려 있음을 지적했습니다. 온톨로지의 자원 설명이 낡아지면 (예: API 변경이 즉시 반영되지 않는 경우), 생성된 프롬프트 컨텍스트가 부분적으로 부정확해져 인간의 개입이 필요합니다. 따라서 온톨로지 관리 (큐레이션) 는 명시적인 운영 작업이 됩니다.

의의 및 주장
저자들은 이 작업을 더 투명하고 책임 있는 인간 -GenAI 관행으로 나아가는 한 걸음으로 위치시킵니다. 그들은 효율성이나 생산성 향상을 주장하지 않으며, 오히려 그 의의는 다음과 같습니다:

• 향상된 투명성: 협업 컨텍스트를 명시적으로 만들어 이해관계자들이 AI 출력물背后的 인과관계를 이해할 수 있게 합니다.
• 개선된 추적 가능성: 사용자 스토리에서 생성된 코드 및 커밋까지 감사 가능한 연결고리를 제공하여 더 나은 감독을 용이하게 합니다.
• 공유된 이해: 역할, 제약 조건, 목표에 대해 인간과 AI 에이전트를 정렬시키는 "경계 객체 (boundary object)"로 작용하여 컨텍스트 드리프트 위험을 줄입니다.

본 논문은 미래 시스템을 위한 설계 원칙을 요약하며 결론을 맺습니다: 컨텍스트는 명시적이고 검사 가능해야 하며, 추적성은 기본적으로 통합되어야 하며, 온톨로지는 백엔드 스키마가 아닌 공유된 통신 인터페이스로 기능해야 합니다. 저자들은 프레임워크가 추적성을 향상시키지만 GenAI 의 확률적 성질이나 도메인에 부적절한 제안의 위험을 제거하지는 않으므로 지속적인 인간의 검토와 검증이 필요함을 인정합니다.