전문가 시스템, MYCIN부터 XCON까지 규칙 기반 AI의 궤적

규칙 몇백 개로 전문가의 판단을 흉내낼 수 있을까 — 1970년대부터 이어진 전문가 시스템(Expert System)의 답은 그렇다였다. 특정 분야의 전문가적 지식과 추론 과정을 모방해 의사결정을 지원하는 이 인공지능 시스템은, 데이터만으로는 파악하기 어려운 전문적 영역의 문제 해결에 효과적이라는 이유로 의료 진단·금융 자문·제조 공정 진단 같은 산업 분야에서 자리를 잡았다.

지식 베이스, 추론 엔진, 그리고 그 사이의 인터페이스

전문가 시스템은 크게 네 가지 구성요소로 이루어진다. 지식 베이스(Knowledge Base)는 전문가의 도메인 지식을 저장하며, 사실(Facts)과 규칙(Rules)의 형태로 구조화되고 주로 "IF-THEN" 형태의 규칙으로 표현된다. 추론 엔진(Inference Engine)은 지식 베이스의 규칙을 기반으로 결론을 도출하며, 순방향 추론(Forward Chaining)과 역방향 추론(Backward Chaining) 방식을 활용하고 불확실성 처리를 위한 확률적 추론 메커니즘도 포함한다. 사용자 인터페이스(User Interface)는 사용자와 시스템 간 상호작용을 지원해 문제 입력과 결과 출력, 추론 과정 설명 기능을 제공한다. 지식 획득 모듈(Knowledge Acquisition Module)은 지식 엔지니어가 전문가로부터 지식을 추출·저장하고 지식 베이스를 지속적으로 업데이트·유지보수하도록 돕는다.

⤢✕

데이터에서 결론으로, 결론에서 데이터로

순방향 추론(Forward Chaining)은 데이터 주도(Data-driven) 방식으로, 주어진 사실로부터 출발해 결론에 도달한다.

예시: 의료 진단 시스템
IF 환자가 38도 이상의 발열이 있고
AND 인후통이 있고
AND 기침이 있다
THEN 독감 가능성 75%

순방향 추론은 특히 진단 분야에서 효과적으로 쓰인다. 증상이라는 초기 데이터를 바탕으로 가능한 질병을 추론해내는 방식이다.

역방향 추론(Backward Chaining)은 목표 주도(Goal-driven) 방식으로, 결론에서 출발해 그 결론을 뒷받침할 수 있는 사실들을 찾아나간다.

목표: 독감인가?
RULE1: IF 38도 이상 발열 AND 인후통 AND 기침 THEN 독감
확인 필요 사항: 발열? 인후통? 기침?

역방향 추론은 제품 구성이나 계획 수립에 적합하다. 특정 사양의 컴퓨터를 구성하는 데 필요한 부품을 역으로 추적하는 경우가 그 예다.

실제 시스템에서는 순방향과 역방향 추론을 상황에 따라 혼합하는 혼합 추론(Mixed Chaining)을 쓰는 경우가 많으며, 이런 접근은 추론의 효율성을 높인다.

문제 정의부터 유지보수까지, 개발이 거치는 단계

전문가 시스템 개발은 여섯 단계로 진행된다. 문제 정의 및 적합성 평가 단계에서는 해결하고자 하는 문제를 명확히 정의하고 전문가 시스템 접근법의 적합성과 비용 대비 효과를 검토한다. 지식 획득 단계에서는 도메인 전문가와의 인터뷰, 관련 문헌 연구, 사례 분석과 데이터 수집을 진행한다. 지식 표현 단계에서는 획득한 지식을 규칙화하고 지식 베이스 구조를 설계하며 메타규칙·불확실성 처리 방안을 마련한다. 시스템 개발 단계에서는 추론 엔진과 사용자 인터페이스를 구현하고 지식 베이스 관리 시스템을 구축한다. 검증 및 평가 단계에서는 전문가 평가, 사용자 테스트, 성능 측정과 개선을 거친다. 유지보수 및 업데이트 단계에서는 새로운 지식을 추가하고 기존 규칙을 수정하며 시스템 성능을 모니터링한다.

MYCIN·LENDING ADVISOR·XCON, 산업별 사례

의료 분야에서는 스탠포드 대학이 개발한 MYCIN이 감염성 질환의 진단과 항생제 처방을 지원했다. 약 450개의 규칙으로 환자의 증상과 검사 결과를 분석해 적절한 항생제를 추천했다.

IF 감염 부위가 혈액이고
AND 그람 염색이 음성이고
AND 환자가 면역 억제제를 복용 중이다
THEN 대장균(E. coli) 감염 가능성 85%

MYCIN은 실제 사용 테스트에서 전문가의 정확도에 근접한 65% 이상의 정확도를 보여 주목받았다.

금융 분야에서는 은행 대출 심사를 지원하는 LENDING ADVISOR가 신용 평가, 상환 능력, 담보 가치를 종합적으로 분석해 대출 승인 여부와 조건을 추천했다.

IF 신용점수 > 700
AND 부채상환비율 < 40%
AND 직장 근속년수 > 2년
THEN 대출 승인 가능성 높음

이 시스템은 일관된 대출 심사 기준을 적용해 인적 편향을 줄이고 대출 심사 시간을 단축하는 효과를 보였다.

제조 분야에서는 DEC(Digital Equipment Corporation)가 개발한 XCON이 컴퓨터 시스템 구성을 자동화했다. 고객의 요구사항에 따라 필요한 부품을 선택하고 호환성을 검증했다.

IF 메모리 요구사항 > 16GB
AND 사용 목적이 데이터베이스 서버
THEN ECC 메모리 모듈 추천
AND RAID 스토리지 구성 검토

XCON은 연간 2,500만 달러의 비용 절감 효과를 가져왔으며 구성 오류를 크게 감소시켰다.

지식 획득의 병목과 불확실성 처리라는 벽

지식 획득의 병목 현상(Knowledge Acquisition Bottleneck)은 전문가의 암묵적 지식을 형식화하는 과정의 어려움에서 비롯된다. 전문가와 지식 엔지니어 간 의사소통의 한계가 시간과 비용 증가로 이어진다.

유지보수의 어려움은 규칙 기반 시스템의 복잡성이 늘면서 관리가 어려워지는 문제다. 새로운 규칙을 추가할 때 기존 규칙과의 상호작용을 예측하기 어렵고, 지식 베이스의 일관성을 유지하는 것도 과제다.

불확실성 처리는 실세계 문제의 복잡성과 애매모호함에서 나온다. 확률적 추론과 퍼지 로직을 통합하는 문제, 부분적이고 불완전한 정보로 의사결정을 내려야 하는 한계가 있다.

설명 기능의 품질도 중요한 과제다. 시스템의 결론에 대해 명확하고 논리적인 설명을 제공해야 사용자의 이해도와 수용성을 높일 수 있고, 법적·윤리적 책임과도 관련된 문제다.

머신러닝, 지식 그래프, 클라우드 협업으로 진화하는 방향

전통적인 규칙 기반 접근법에 머신러닝을 결합해 시스템의 적응성과 성능을 향상시키는 방향으로 발전하고 있다.

⤢✕

복잡한 관계와 지식을 표현하기 위해 지식 그래프(Knowledge Graph)를 활용하는 전문가 시스템도 늘고 있다.

예: 의료 분야 지식 그래프
(당뇨병) -[증상]-> (다뇨)
(당뇨병) -[위험요인]-> (비만)
(메트포민) -[치료]-> (당뇨병)
(메트포민) -[부작용]-> (위장장애)

이런 그래프 구조는 복잡한 관계를 효과적으로 표현하고 추론의 폭을 넓히는 데 기여한다.

여러 전문가와 사용자가 공동으로 지식을 구축하고 활용하는 클라우드 기반 협업 전문가 시스템도 등장하고 있다.

⤢✕

이 접근법은 집단 지성을 활용해 지식 베이스를 지속적으로 개선하고 확장할 수 있다는 장점이 있다. 초기의 제한된 규칙 기반 시스템에서 현대의 하이브리드 접근법까지, 전문가 시스템은 의료 진단·금융 자문·제조 공정 최적화처럼 전문성이 요구되는 분야에서 여전히 역할을 수행하고 있으며, 설명 가능한 AI(XAI)의 중요성이 부각되면서 그 가치가 재조명되고 있다. 자연어 처리와 딥러닝 기술과의 융합을 통해 더욱 강력하고 유연한 형태로 발전할 것으로 전망된다.