당신이 거대한 은하계의 미스터리를 풀려고 노력 중이라고 상상해 보세요. 그런데 당신의 단서 노트에는 몇 페이지가 빠져 있습니다. 당신은 "모든 고양이는 포유류다" 또는 "모든 포유류는 젖을 생산한다"와 같이 서로 다른 캐릭터들이 어떻게 관계를 맺는지에 대한 규칙 목록을 가지고 있지만, 책에는 명시적으로 "모든 페르시안 고양이는 동물이다"라고 적혀 있지는 않습니다. 컴퓨터 과학의 세계에서 이것을 **온톨로지(Ontology)**라고 부릅니다. 온톨로지를 세상이 어떻게 돌아가는지 컴퓨터에게 가르쳐 주는 매우 체계적이고 디지털화된 백과사전이라고 생각하세요. 이것은 기계가 사물들이 어떻게 연결되는지 추론(reasoning)할 수 있도록 규칙을 정의하는 OWL(Web Ontology Language)이라는 엄격한 언어를 사용합니다.

하지만 현실 세계의 백과사전은 결코 완벽하지 않습니다. 세상은 모든 규칙을 다 적어 넣기에는 너무 방대하거나, 전문가들이 작업을 끝낼 시간이 부족하기 때문에 종종 불완전합니다. 컴퓨터가 이러한 "고장 난" 백과사전을 사용하려고 할 때, 컴퓨터는 막혀버립니다. 특정 규칙이 누락되었기 때문에 페르시안 고양이가 동물이라는 것을 증명할 수 없는 것입니다. 이는 의료나 생물학 분야에서 매우 큰 문제인데, 연결 고리를 놓치는 것이 곧 치료법이나 진단을 놓치는 것을 의미할 수 있기 때문입니다. 과학자들은 컴퓨터에게 누락된 규칙을 추측하도록 요청함으로써 이 문제를 해결하려 노력해 왔지만, 대개는 미리 작성된 가능한 추측 목록이 필요했습니다. 이는 마치 아주 작은, 미리 정의된 상자 안에서만 찾아야 하는 상황에서 바늘을 찾는 것과 같습니다.

여기에 NeurOWL이라는, 초능력을 가진 탐정처럼 행동하는 새로운 프레임워크가 등장했습니다. NeurOWL은 정해진 상자 안의 추측에 갇히는 대신, 컴퓨터의 엄격한 논리와 대규모 언어 모델(인간의 텍스트를 읽고 이해하는 AI)의 창의적인 직관을 결합합니다. 이 모델은 단순히 규칙이 참인지 확인하는 데 그치지 않고, 규칙집의 페이지가 누락되었음에도 불구하고 왜 그것이 참일 수 있는지 그 이유를 파악하며, 나아가 당신을 위해 누락된 페이지를 직접 써 내려갑니다. 이는 마치 범죄 현장을 보고 목격자가 없다는 것을 깨달은 뒤, 동네 지리에 대한 지식을 활용하여 그 목격자가 정확히 누구인지, 그러면서도 그 추측이 논리적으로 타당하도록 만들어내는 탐정과 같습니다.

탐정의 도구 상자: NeurOWL의 작동 방식

이 논문은 NeurOWL을 "뉴로-심볼릭(neuro-symbolic)" 프레임워크로 소개합니다. 이는 두 가지 유형의 사고방식을 혼합한다는 뜻의 멋진 표현입니다. 즉, 심볼릭(컴퓨터의 엄격하고 수학적인 논리)과 뉴럴(AI의 모호하고 패턴을 매칭하는 직관)을 섞는 것입니다. 목표는 간단합니다. 고장 난 규칙집과 "페르시안 고양이는 동물인가?"라는 질문이 주어졌을 때, NeurOWL은 답이 "예"일 가능성이 높은지 "아니오"일 가능성이 높은지를 결정하고, 만약 "예"라면 왜 그런지에 대한 퍼즐의 누락된 조각들을 찾아냅니다.

탐정이 사건을 해결하는 단계는 다음과 같습니다.

1단계: 논리 체크 (The "Obvan" Test - 명백한 테스트)
먼저, NeurOWL은 엄격한 컴퓨터 논리에게 묻습니다: "현재 우리가 가진 규칙들만으로 이것을 증명할 수 있는가?" 만약 답이 "예"라면, 아주 좋습니다! 증명을 제공합니다. 하지만 만약 답이 "아니오"(규칙집이 불완전하기 때문)라면, 시스템은 포기하지 않습니다. 일부 규칙이 누락되었다고 가정하고 다음 단계로 넘어갑니다.

2단계: 논리적 가교 (The "Connect the Dots" Phase - 점 연결 단계)
여기서 탐정은 영리해집니다. 만약 "페르시안 고양이"에서 "동물"로 가는 경로가 끊겼다면, NeurOWL은 이 둘을 연결할 수 있는 "가교(bridge)" 개념을 찾습니다.

• 하향 탐색 (Downward Search): 대상의 "자식"들을 살펴봅니다. 만약 "동물"에 "포유류"나 "고양이" 같은 자식들이 있다면, 누락된 규칙은 "페르시아 고양이는 고양이다"일 수도 있습니다.
• 상향 탐색 (Upward Search): 시작점의 "부모"들을 살펴봅니다. 만약 "페르시안 고양이"가 "반려 고양이"의 일종이라면, 누락된 규칙은 "반려 고양이는 고양이다"일 수 있습니다.
  시스템은 이러한 잠재적 가교를 찾기 위해 컴퓨터의 논리를 사용하지만, 그 후 LLM(AI 탐정)을 불러 이를 검증합니다. AI는 이름과 설명을 읽고 이렇게 말합니다. "네, 말이 됩니다! 반려 고양이는 확실히 고양이입니다."

3단계: 의미론적 가교 (The "Gut Feeling" Phase - 직관 단계)
논리적 탐색이 실패하면, NeurOWL은 순수한 직관으로 전환합니다. 이 모델은 단어의 디지털 지문과 같은 **임베딩(embeddings)**을 사용합니다. AI에게 묻는 것입니다: "전체 백과사전 중에서 '페르시안 고양이'와 '동물' 사이에 위치할 것 같은 느낌을 주는 개념이 있는가?" AI는 방대한 언어 지식을 스캔하여 후보를 제안합니다. 만약 하나를 찾으면, 그 연결이 성립하는지 확인합니다. 만약 그렇지 않다면, "페르시안 고양이는 동물이다"라는 규칙 자체가 통째로 누락되어 직접 추가되어야 한다고 추측할 수도 있습니다.

발견한 것: 탐정의 성공 사례

연구진은 NeurOWL을 두 개의 거대한 백과사전인 FoodOn(식품 및 농업 관련)과 Snomed CT(거대한 의료 데이터베이스)의 실제 데이터로 테스트했습니다. 그들은 무작위로 규칙의 5%를 삭제하여 "고장 난" 버전의 백과사전을 만들었고, NeurOWL이 이를 고칠 수 있는지 확인했습니다.

결과는 인상적이었습니다. 누락된 규칙이 타당한지 추측하는 질문에 대해, NeurOWL은 FoodOn 데이터셋에서 약 97%, Snomed CT 데이터셋에서 **96.8%**의 확률로 정답을 맞혔습니다. 하지만 진짜 마법은 설명에 있었습니다. 단순히 "예" 또는 "아니오"라고 말하는 다른 방법들과 달리, NeurOWL은 실제로 누락된 규칙을 직접 작성했습니다.

• FoodOn 데이터셋에서, NeurOWL은 누락된 규칙을 정확히 식별하고 이를 89.3(X-F1이라 불림)의 점수로 설명해 냈습니다.
• 의료 데이터셋에서는 84.7의 점수를 달성했습니다.

또한 논문은 NeurOWL의 유연성을 보여주었습니다. 이 모델은 추가 학습 없이(사전 훈련된 AI 사용) 작동할 수도 있고, 더 복잡한 의학 용어에 더 능숙해지도록 "파인 튜닝(fine-tuned, 집중 훈련)"될 수도 있습니다. 실제로 복잡한 관계를 포함하는 까다로운 의료 사례의 경우, 파인 튜닝된 버전이 훨씬 더 나은 성능을 보였으며, 이는 탐정에게 특화된 훈련 매뉴얼을 주는 것이 도움이 된다는 것을 입증했습니다.

NeurOWL이 아닌 것 (그리고 배제하는 것)

NeurOWL이 무엇을 하지 않는지 아는 것도 중요합니다. 이 논문은 문제를 해결하기 위해 반드시 미리 정의된 "가능한 규칙 목록"이 필요하다는 생각을 명시적으로 부정합니다. 기존의 방법들은 과학자들에게 "여기서 추측할 수 있는 규칙 100개가 있다"라고 말해야 했습니다. 하지만 NeurOWL은 그 규칙책을 던져버리고 이렇게 말합니다. "나는 세상 전체를 보고 무엇이든 적절한 것을 추측하겠다."

저자들은 또한 자신들이 온톨로지 추론을 영원히 "해결했다"고 주장하는 것이 아님을 분명히 합니다. 컴퓨터가 이제 인간 전문가보다 똑똑해졌다고 말하는 것이 아닙니다. 대신, 이 방법이 전문가를 보조하는 강력한 도구임을 시사합니다. 이 시스템은 대상 규칙 자체가 틀렸을 경우를 처리하도록 설계되었습니다. 만약 AI가 "페르시안 고양이는 바위이다"라고 생각한다면, 억지로 잘못된 설명을 만들어내는 대신 "아니오"라고 말하며 멈출 것입니다.

이 결과에 대한 확신은 수천 개의 사례에 대한 엄격한 테스트를 통해 얻은 것입니다. 이 수치들은 단순한 추측이 아니라, 실제 데이터에서 시스템을 실행하여 측정한 결과입니다. 그러나 논문은 매우 복잡한 시나리오(매우 구체적인 의료적 제한 사항이 포함된 규칙을 추측하는 경우 등)에서는 성능이 약간 떨어진다는 점을 언급하며, 여전히 개선의 여지가 있음을 나타냈습니다.

핵심 요약

NeurOWL은 단순히 미스터리를 푸는 데 그치지 않고, 이야기의 누락된 장을 직접 써 내려가는 탐정과 같습니다. 컴퓨터의 엄격한 논리와 AI의 창의적인 직관을 결합함으로써, 이 모델은 고장 난 백과사전을 보고 무엇이 빠졌는지 파악하고, 왜 그것이 빠졌는지 설명할 수 있습니다. 이 모델은 정답 후보가 담긴 치트 시트를 필요로 하지 않습니다. 그저 세상에 대한 지식을 사용하여 빈틈을 메울 뿐입니다. 의사부터 식품 과학자에 이르기까지 복잡한 데이터를 다루는 모든 이들에게, 이는 우리가 질문을 던지기 위해 사용하는 그 책 자체를 고칠 수 있게 도와주는 AI 비서가 곧 등장할 수 있음을 의미합니다.