대학 연구진이 인공지능(AI)이 문제를 해결하기 위해 내장된 지식에 의존할지 아니면 도구를 사용할지를 이해하도록 돕는 방법을 개발했다.
벤처비트는 4일(현지시간) UC 샌디에이고와 칭화대학교 연구진이 인간 전문가가 복잡한 문제를 해결하는 방식을 모방, AI가 내장 지식보다는 도구를 사용해야 할 때를 파악하는 방법에 관한 논문을 아카이브에 게재했다고 보도했다.
‘학습 중 적응(Adapting While Learning)’이라고 불리는 이 새로운 방법은 AI 시스템을 훈련시키기 위해 두 단계의 프로세스를 사용한다.
먼저 모델이 ‘세계 지식 증류(World Knowledge Distillation)’라고 부르는 과정을 통해 외부 도구를 사용해 생성된 솔루션에서 직접 학습, 내부 전문 지식을 쌓을 수 있도록 돕는다.
그 다음 ‘도구 사용 적응(Tool Usage Adaptation)’ 과정에서는 시스템이 문제를 ‘쉬움’ 또는 ‘어려움’으로 분류하는 법을 학습해 도구 사용 여부를 결정한다. 간단한 문제는 내부 지식만을 활용해 문제를 해결하고, 어려운 문제에 대해서는 외부 도구를 사용하는 방식으로 전환하도록 학습한다.
이를 통해 8억개의 매개변수만을 가진 언어 모델에서도 답변 정확도가 28.18% 개선됐고, 도구 사용 정확도는 13.89% 증가했다는 결과를 얻었다. 특히 전문적인 과학 과제에서 두드러진 성능을 보이며, 특정 분야에서 더 큰 모델들을 능가했다.
이 성과는 더 큰 모델이 반드시 더 나은 결과를 가져온다는 AI 개발의 기본 가정을 뒤흔든다는 평이다. 단순한 연산 능력보다 내재된 지식을 신뢰할 때와 도구를 사용할 때를 가르치는 것이 문제 해결에 더 중요할 수 있다는 설명이다. 이는 마치 초보 과학자에게 언제 자신의 계산을 신뢰하고 언제 전문 장비를 사용할지를 훈련하는 것과 유사하다.
연구진은 현재 AI 시스템은 두가지 문제를 보인다고 전했다. 하나는 외부 도구를 지속적으로 사용해 계산 비용을 증가시키고 간단한 작업을 느리게 만드는 경우이고, 다른 하나는 모든 문제를 내부적으로 해결하려 시도해 전문 도구가 필요한 복잡한 문제에서 오류를 초래하는 경우다.
이번 연구는 AI 시스템이 내부 지식과 외부 도구의 균형을 맞추는 방법을 제공한다는 설명이다. AI가 도구를 사용할 시점을 인간처럼 결정하도록 학습시킴으로써, 정확성을 유지하거나 향상시키면서도 계산 비용을 줄일 수 있다는 말이다.
"이는 과학 연구, 금융 모델링, 의료 진단과 같이 효율성과 정밀성이 모두 중요한 분야에서 특히 가치가 있다"라고 강조했다.
박찬 기자 cpark@aitimes.com
