연결주의 전문가 시스템(connectionist expert system)은 전통적으로 규칙 기반 시스템이 처리하던 추론 및 의사 결정 작업을 수행하기 위해 인공 신경망(ANN)을 사용하는 전문가 시스템의 한 유형이다. 명시적으로 코딩된 규칙에 의존하는 기존 전문가 시스템과 달리, 연결주의 전문가 시스템은 네트워크의 학습된 가중치와 구조에서 추론 규칙을 도출하므로 잡음이 있거나 불완전하거나 부정확한 데이터를 처리할 수 있다. 이러한 시스템은 인공 지능의 하위 집합이며, 적응성과 성능을 개선하기 위해 기계 학습 및 심층 학습의 기법을 자주 통합한다.
이 개념은 1980년대 후반에 연구자들이 학습 및 일반화와 같은 신경망의 강점과 기호 추론의 투명성 및 설명 가능성을 결합하려고 시도하면서 등장했다. 1988년 2월 Communications of the ACM에 게재된 Stephen I. Gallant의 획기적인 논문은 이 용어를 소개하고 신경망이 연결 가중치를 통해 규칙을 생성하면서 전문가 시스템으로 작동하도록 훈련될 수 있음을 보여주었다. 이 연구는 신경 및 기호 방법을 통합하는 하이브리드 지능형 시스템의 이후 발전을 위한 기반을 마련했다.
구조 및 메커니즘
연결주의 전문가 시스템은 일반적으로 다층 퍼셉트론(MLP) 또는 유사한 피드포워드 네트워크를 사용하며, 입력 노드는 특징이나 속성을 나타내고, 은닉층은 비선형 관계를 포착하며, 출력 노드는 결론이나 분류를 생성한다. 네트워크는 예제 데이터 세트로 훈련되며, 결과 가중치는 지식 기반을 인코딩한다. 일부 설계에서는 언어적 또는 자연 형태의 입력을 처리하기 위해 퍼지 논리가 통합되어, 시스템이 이진 참/거짓 값 대신 소속 정도로 추론할 수 있게 한다. 예를 들어, 퍼지 다층 퍼셉트론은 "고온" 또는 "저위험"과 같은 용어를 직접 처리할 수 있어 주관적이거나 부정확한 기준이 있는 분야에 적합하다.
러프 집합 이론은 지식 인코딩을 개선하는 또 다른 기법이다. 데이터를 분석하여 종속성과 중복성을 식별함으로써, 러프 집합은 어떤 속성이 가장 관련이 있는지 결정하는 데 도움을 주어 네트워크 구조를 단순화하고 해석 가능성을 향상시킬 수 있다. 유전 알고리즘은 또한 네트워크의 가중치를 최적화하거나, 특히 경사 기반 방법이 어려움을 겪는 복잡한 문제 공간에서 훈련 중 더 나은 솔루션을 검색하는 데 사용될 수 있다.
하이브리드 접근 방식
많은 연결주의 전문가 시스템은 신경망과 기호 추론 방법을 결합한 하이브리드 방식이다. 종종 하이브리드 지능형 시스템이라고 불리는 이러한 통합은 기호 시스템의 논리적 엄격성을 유지하면서 신경망의 학습 능력을 활용하는 것을 목표로 한다. 예를 들어, 시스템은 신경망을 사용하여 원시 데이터를 전처리하고 후보 규칙을 생성한 다음, 기호 추론 엔진이 이를 정제하고 검증할 수 있다. 이러한 하이브리드는 의료 진단과 같은 분야에 적용되어 환자 데이터와 전문 지식을 통합하여 임상 의사 결정을 지원할 수 있다.
주목할 만한 예로는 1990년대 초 의료 응용을 위해 개발된 하이브리드 연결주의 전문가 시스템인 HYCONES와 Barton과 Lees가 1995년에 설명한 발바닥 압력 패턴을 기반으로 발 문제를 식별하도록 설계된 시스템이 있다. 이러한 시스템은 신경 학습과 도메인별 규칙을 결합하는 실용적 유용성을 입증했다.
응용 분야
연결주의 전문가 시스템은 의학, 공학, 우주 비행과 같은 분야에서 응용 사례를 찾았다. 의료 분야에서는 임상의가 복잡한 진단 데이터를 해석하는 데 도움을 주는 의사 결정 지원에 사용된다. 예를 들어, 2001년 Brasil과 동료들의 연구는 복잡성과 인지 컴퓨팅을 통합한 의료 의사 결정 지원을 위한 하이브리드 전문가 시스템을 설명했다. 항공 우주 분야에서는 2003년 중국어 논문에서 언급된 바와 같이, 미래 유인 우주 임무에서 인간-인공 지능 시스템에 대한 사용이 탐구되었다.
데이터로부터 학습하는 능력은 규칙을 명확히 표현하기 어렵지만 예제가 풍부한 분야에서 이러한 시스템을 특히 가치 있게 만든다. 또한 진단 및 치료 계획을 지원하기 위해 임상 의사 결정 지원 시스템에도 사용된다.
장점 및 한계
연결주의 전문가 시스템의 주요 장점 중 하나는 규칙 기반 시스템의 성능을 저하시키는 경우가 많은 잡음이 있거나 불완전한 입력을 처리하는 견고성이다. 또한 재훈련을 통해 새로운 데이터에 적응할 수 있어 정적 규칙 집합보다 더 유연하다. 그러나 학습된 가중치가 인간이 쉽게 해석할 수 없기 때문에 설명 가능성 측면에서 어려움에 직면한다. 이로 인해 훈련된 네트워크에서 규칙을 추출하는 방법에 대한 지속적인 연구가 이루어졌으며, 이는 1990년대 Ron Sun과 같은 연구자들이 탐구한 주제이다.
또 다른 한계는 충분한 훈련 데이터와 계산 리소스의 필요성이다. 신경망을 훈련하는 것은 시간이 많이 걸릴 수 있으며, 시스템의 품질은 훈련 집합의 대표성에 크게 의존한다. 이러한 문제에도 불구하고, 연결주의 전문가 시스템은 기호 접근 방식과 하위 기호 접근 방식 사이의 간극을 메우는 인공 지능 내에서 여전히 관련 연구 분야로 남아 있다.
같이 보기
참고 문헌
- Gallant, Stephen I. (1988). "Connectionist expert systems". Communications of the ACM, 31(2), 152–169.
- Sun, Ron (1994). Integrating Rules and Connectionism for Robust Commonsense Reasoning. Wiley & Sons.
- Leão Bde F, Reátegui EB (1993). "HYCONES: a hybrid connectionist expert system". Proc Annu Symp Comput Appl Med Care, 461–465.
- Barton JG, Lees A (1995). "Development of a connectionist expert system to identify foot problems based on under-foot pressure patterns". Clinical Biomechanics, 10(7), 385–391.
- Brasil LM, de Azevedo FM, Barreto JM (2001). "Hybrid expert system for decision supporting in the medical area". International Journal of Medical Informatics, 63(1–2), 19–30.