제어된 자연 언어(CNL)은 자연 언어에 기반을 두지만 문법과 어휘가 제한된 구성 언어이다. CNL의 주요 목표는 자연 언어의 표현력과 가독성을 형식적 지식 표현 및 기계 처리를 위해 요구되는 정밀성과 모호성 없음과 결합하는 것이다. 구문과 어휘를 제한함으로써, CNL은 텍스트를 인간과 컴퓨터 모두에게 더 이해하기 쉽게 만들고 오해의 위험을 줄이는 것을 목표로 한다.
CNL은 모체 자연 언어의 부분 집합으로 설계된다. 일반적으로 문장 구조, 단어 사용, 때로는 문장 길이에 대해 엄격한 규칙을 적용한다. 이러한 통제된 특성 덕분에 CNL 문장을 형식 논리나 다른 기계 판독 가능 형식으로 자동 번역할 수 있으면서도, 특별한 훈련을 받지 않은 사람도 읽을 수 있다. CNL의 개발은 항공, 의학, 소프트웨어 공학과 같은 기술 분야에서 명확한 의사소통의 필요성에 의해 추진되었으며, 이러한 분야에서는 모호성이 심각한 결과를 초래할 수 있다.
역사적 발전
통제된 언어의 개념은 1930년대 국제적 의사소통을 위해 영어를 단순화하려는 노력에서 등장했다. 가장 초기의 예 중 하나는 1930년 Charles Kay Ogden이 개발한 Basic English로, 단 850개의 단어로 구성된 어휘를 사용했다. 그러나 기계 처리를 위한 현대적 CNL에 대한 관심은 1970년대 조종사-관제사 통신에 사용되는 Aviation English와 같은 시스템의 개발과 함께 시작되었으며, 이는 오해를 줄이기 위해 표준화되었다.
1990년대에는 지식 표현을 위한 형식적 CNL의 창설과 함께 이 분야가 추진력을 얻었다. 주목할 만한 예로는 1995년 취리히 대학의 Norbert E. Fuchs가 개발한 Attempto Controlled English(ACE)와 Macquarie 대학의 Rolf Schwitter가 만든 Processable English(PENG)가 있다. 이러한 언어들은 자동 추론 시스템에 의해 처리되도록 설계되어, 사용자가 읽을 수 있는 형태로 사양이나 지식 기반을 작성하고 이를 자동으로 1차 논리로 번역할 수 있게 했다.
설계 원칙
CNL은 자연 언어와 구별되는 일련의 설계 원칙 위에 구축된다. 가장 기본적인 원칙은 어휘의 제한으로, 허용된 단어 집합을 사전 정의된 어휘로 제한하는 경우가 많다. 이는 단일 단어가 여러 의미를 갖는 어휘적 모호성을 줄인다. 예를 들어, CNL에서 "bank"라는 단어는 금융 기관만을 의미하도록 제한될 수 있으며, 강가를 의미하지는 않는다.
또 다른 핵심 원칙은 문법의 제한이다. CNL은 일반적으로 모체 언어의 문법 구조 중 일부만 허용하며, 예를 들어 단순 서술문과 제한된 접속사 집합을 허용한다. 이는 문장이 여러 방식으로 분석될 수 있는 구문적 모호성을 제거한다. 예를 들어, CNL은 문장의 주어나 목적어 중 하나에 연결될 수 있는 관계절의 사용을 금지할 수 있다.
또한, CNL은 종종 표면 형태와 논리 형태 사이의 일대일 대응을 강제한다. CNL의 각 문장은 목표 형식 언어에서 정확히 하나의 해석에 매핑되도록 설계된다. 이는 양화, 부정 및 기타 논리 연산자에 대한 명시적 표시를 사용하고, 생략이나 대용어와 같은 본질적으로 모호한 구성을 피함으로써 달성된다.
응용 분야
CNL은 정밀성이 중요한 여러 분야에서 실용적인 응용을 찾았다. 항공 우주 산업에서는 1980년대 유럽 항공 우주 산업 협회(AECMA)가 개발한 Simplified Technical English(STE) 표준이 유지 보수 매뉴얼 작성에 사용된다. STE는 어휘를 약 900개의 승인된 단어로 제한하고 엄격한 문법 규칙을 적용하여, 비원어민이 문서를 더 쉽게 번역하고 이해할 수 있게 한다.
의학 분야에서는 CNL이 임상 지침과 환자 정보를 공식화하는 데 사용된다. 예를 들어, Medical English as a Controlled Language(MECL) 프로젝트는 모호하지 않은 환자 동의서를 만드는 것을 목표로 했다. 마찬가지로 법률 분야에서는 LegalRuleML과 같은 CNL이 법률을 기계 판독 가능한 형태로 표현하여 자동 규정 준수 검사를 가능하게 하도록 제안되었다.
소프트웨어 공학에서는 CNL이 요구 사항 공학에 사용된다. Requirements Specification Language(RSL)와 같은 도구를 통해 엔지니어는 일관성과 완전성을 자동으로 검사할 수 있는 통제된 형태로 시스템 요구 사항을 작성할 수 있다. 이는 항공이나 원자력 발전소와 같은 중요 시스템에서 오류의 위험을 줄인다.
최근에는 CNL이 Artificial intelligence 및 Large language model의 맥락에서 탐구되고 있다. 현대 AI 시스템은 높은 유창성으로 자연 언어를 처리할 수 있지만, 여전히 모호성과 논리적 일관성에 어려움을 겪는다. CNL은 이러한 시스템에 구조화된 입력을 제공하는 방법을 제시하여, 형식 검증이나 지식 그래프 구축과 같은 정밀한 추론이 필요한 작업에서 신뢰성을 잠재적으로 향상시킬 수 있다.
자연 언어 처리와의 관계
CNL은 자연 언어 처리(NLP) 분야와 밀접한 관련이 있지만, 다른 접근 방식을 취한다. NLP가 일반적으로 제한되지 않은 자연 언어를 이해하고 생성하는 것을 목표로 하는 반면, CNL은 처리를 더 쉽게 만들기 위해 언어 자체를 단순화한다. 이는 "이해"보다는 "제한"의 형태로 볼 수 있다. 실제로 CNL은 종종 NLP 기술과 함께 사용된다. CNL 파서는 표준 NLP 도구를 사용하여 구축할 수 있으며, CNL의 출력은 추론 엔진에 공급될 수 있다.
CNL이 논리 프로그래밍과 같은 완전히 형식적인 언어보다 갖는 주요 장점 중 하나는 가독성이다. 형식 논리에 훈련되지 않은 사용자도 CNL 문장을 읽고 쓸 수 있어 지식 표현에 대한 진입 장벽을 낮춘다. 그러나 이러한 가독성은 표현력의 비용을 수반한다. CNL은 표현할 수 있는 개념의 범위가 제한적이며, 사용자가 복잡한 아이디어를 더 단순한 구조로 바꿔 표현해야 하는 경우가 많다.
현대 AI의 맥락에서 CNL은 때때로 인간이 읽을 수 있는 사양과 기계 실행 가능한 코드 사이의 다리로 간주된다. 예를 들어, OpenAI 연구 커뮤니티는 Generative AI 모델의 신뢰성을 향상시키기 위해 통제된 프롬프트 사용을 탐구했다. 입력 언어를 제한함으로써 출력에서 환각이나 논리적 오류의 가능성을 줄일 수 있다.
도전 과제와 한계
이점에도 불구하고 CNL은 여러 도전에 직면한다. 주요 문제 중 하나는 표현력과 학습 용이성 사이의 균형이다. 문법이 매우 제한된 CNL은 배우기 쉬울 수 있지만 복잡한 아이디어를 표현하지 못할 수 있다. 반대로, 더 표현적인 CNL은 통제하려는 자연 언어만큼 복잡해져 목적을 무너뜨릴 수 있다.
또 다른 도전은 CNL 개발 및 유지 관리 비용이다. 통제된 어휘와 문법을 만드는 데는 상당한 언어학적 전문성이 필요하며, 새로운 용어나 개념을 수용하기 위해 업데이트하는 것은 노동 집약적일 수 있다. 이는 새로운 용어가 지속적으로 도입되는 기술과 같은 빠르게 변화하는 분야에서 특히 문제가 된다.
또한 CNL은 읽기에 부자연스럽다는 비판을 받는 경우가 많다. 엄격한 규칙은 문장을 어색하거나 반복적으로 들리게 만들어 사용자 수용도를 낮출 수 있다. 실제로 많은 CNL은 기술 문서와 같은 특정하고 잘 정의된 맥락에서만 사용되며, 정밀성의 이점이 문체적 단점보다 크다.
마지막으로, Machine learning 및 Neural network 기반 NLP의 부상으로 일부는 CNL의 필요성에 의문을 제기했다. 현대 Large language model은 높은 정확도로 다양한 자연 언어 입력을 처리할 수 있으며, 특정 작업에 맞게 미세 조정될 수 있다. 그러나 이러한 모델은 오류가 없지 않으며, 그럴듯하지만 부정확한 출력을 생성할 수 있다. CNL은 순수한 통계적 방법으로 달성하기 어려운 해석 가능성에 대한 형식적 보장을 제공하는 보완적 접근 방식을 제공한다.
미래 방향
CNL의 미래는 AI의 발전에 의해 형성될 가능성이 높다. 유망한 방향 중 하나는 CNL과 Transformer (architecture) 기반 모델의 통합이다. 예를 들어, CNL을 사용하여 Large language model의 훈련 데이터를 생성함으로써 데이터가 모호하지 않고 논리적으로 일관되도록 보장할 수 있다. 이는 모델이 형식적 영역에 대해 추론하는 능력을 향상시킬 수 있다.
또 다른 방향은 사용자의 전문성과 작업에 따라 제한을 동적으로 조정할 수 있는 적응형 CNL의 개발이다. 이를 통해 CNL이 전문가 사용자에게는 더 표현적이면서 초보자에게는 단순하게 유지될 수 있다. 이 분야의 연구는 아직 초기 단계이지만, CNL을 더 널리 적용 가능하게 만들 잠재력을 지니고 있다.
또한 CNL은 인간-AI 협업의 맥락에서 탐구되고 있다. 통제된 인터페이스를 제공함으로써 사용자는 AI 시스템의 응답이 형식적 의미론에 기반을 두도록 보장하는 방식으로 상호작용할 수 있다. 이는 오류가 심각한 결과를 초래할 수 있는 자율 주행이나 의료 진단과 같은 안전 중요 응용 분야에서 특히 유용할 수 있다.
전반적으로, 제어된 자연 언어는 인간 의사소통과 기계 이해 사이의 격차를 메우는 귀중한 도구로 남아 있다. 완전한 자연 언어만큼 유연하지는 않을 수 있지만, 정밀성과 신뢰성 덕분에 많은 기술 분야에서 필수적이다.