지식 통합은 여러 지식 모델이나 표현을 공통 모델(표현)로 종합하는 과정이다. 서로 다른 스키마를 가진 데이터를 병합하는 정보 통합과 달리, 지식 통합은 특정 주제에 대한 다양한 관점의 이해를 결합하는 데 중점을 둔다. 예를 들어, 학생 성적 집합은 여러 방식으로 해석될 수 있으며, 통합된 관점은 학생 성과 지수와 같은 공통 모델을 사용하여 이러한 해석을 통합할 수 있다.
이 개념은 교육, 인지 과학, 인공 지능과 같은 분야에서 연구되어 왔다. 교육에서는 캘리포니아 대학교 버클리 캠퍼스에서 개발된 웹 기반 탐구 과학 환경(WISE)이 지식 통합 이론을 적용하여 학생들이 과학적 아이디어를 연결하도록 돕는다. 인공 지능에서는 지식 통합이 새로운 정보를 학습하고 기존 지식 기반을 업데이트하는 시스템을 구축하는 데 중요하다.
이론적 기초
지식 통합은 학제적 접근을 통해 새로운 정보를 기존 지식에 통합하는 것을 포함한다. 이 과정은 새로운 지식과 기존 지식이 어떻게 상호 작용하는지, 기존 지식이 새로운 정보를 수용하기 위해 어떻게 수정되어야 하는지, 그리고 새로운 정보가 기존 이해에 비추어 어떻게 적응되어야 하는지를 결정해야 한다. 새로운 정보의 결과를 적극적으로 조사하는 학습 에이전트는 지식 충돌 해결이나 공백 채우기와 같은 학습 기회를 감지하고 활용할 수 있으며, 이를 통해 새로운 정보의 명시적 내용을 넘어 학습할 수 있다.
인공 지능에서의 응용
Artificial intelligence에서 지식 통합은 여러 모델이나 소스의 출력을 결합하는 데 사용된다. 예를 들어, Large language model은 다양한 훈련 코퍼스나 사용자 상호 작용에서 지식을 통합할 수 있다. 의미적 매칭과 같은 기술은 표현을 정렬하는 데 도움이 되며, 최소 매핑은 검증 및 시각화 노력을 줄인다. 텍사스 대학교 오스틴 캠퍼스의 Murray와 Porter가 개발한 기계 학습 프로그램 KI는 지식 엔지니어가 대규모 지식 기반을 구축하는 데 도움을 주기 위해 자동 및 반자동 지식 통합을 연구하기 위해 만들어졌다.
교육적 관점
학습에서의 지식 통합 관점은 학생들이 맥락을 넘어 아이디어를 연결하여 일관된 이해를 구축하도록 돕는 것을 강조한다. WISE는 학생들이 자신의 아이디어를 표현하고 다듬도록 유도하는 탐구 기반 활동을 제공하여 이를 지원한다. Linn과 다른 연구자들의 연구는 이 접근 방식이 복잡한 과학 현상에 대한 학생들의 추론 능력을 향상시킨다는 것을 보여주었다. 워털루 대학교는 2008년에 시작된 지식 통합 학사 프로그램을 제공하며, 학생들이 학문 간 지식을 종합하는 방법을 가르친다.
기술 및 과제
주요 과제는 서로 다른 지식 표현 간의 매핑이다. 의미적 매칭은 개념 간의 대응 관계를 식별하며, 최소 매핑은 다른 모든 매핑이 선형 시간 내에 파생될 수 있는 고품질 매핑을 제공한다. 이러한 기술은 통합 과정을 자동화하는 데 도움이 되지만, 정확성을 보장하기 위해 인간의 감독이 종종 필요하다. Machine learning에서 지식 통합은 앙상블 방법과 같은 여러 모델의 예측을 결합하거나, 파괴적 망각 없이 새 데이터로 모델을 업데이트하는 것을 포함할 수 있다.
미래 방향
AI 시스템이 더 복잡해짐에 따라 지식 통합은 지속적인 학습과 도메인 간 추론을 가능하게 하는 데 중요한 역할을 할 것이다. Deep learning 및 Neural network 연구는 다양한 양식이나 작업에서 지식을 통합하는 방법을 탐구한다. Transformer (architecture) 기반 모델의 개발은 성능과 신뢰성을 향상시키기 위해 다양한 소스의 지식을 통합해야 할 필요성을 강조했다.