무엇을 물어봐도 대부분의 답을 찾아 주는 TT(chat GPT)
4장: 지식은 살아 움직이는가 — 딥러닝 vs 전문가 시스템
인공지능의 역사를 살펴보면, 전문가 시스템 이전에도 인간의 판단을 기계화하려는 다양한 시도들이 존재했다. 그 흐름은 다음과 같다:
🛠 Expert System 이전의 결정 시스템
- 규칙 기반 시스템 (Rule-Based System)
가장 기초적인 형태의 판단 모델. IF-THEN 규칙을 나열하여 입력에 따른 출력을 사전에 지정. 예: IF 온도 > 38도 → THEN 냉각 시작 - 결정 트리 (Decision Tree)
데이터를 분기하는 구조로, 질문에 따라 선택지를 좁혀가는 방식. 예: "열이 있나요?" → "기침도 있나요?" → 진단 - 선형 및 로지스틱 회귀
통계 기반의 예측/판별 시스템. 판단을 수식화하지만 스스로 일반화하거나 맥락을 읽지는 못함.
이러한 시스템들은 주로 고정된 조건과 선형적 사고 흐름에 기반하고 있었고, 학습이나 경험을 통한 적응은 존재하지 않았다.
인공지능은 단순히 많은 정보를 갖고 있다고 해서 '똑똑하다'고 불리지 않는다.
우리가 진정으로 궁금한 것은 다음과 같다:
"AI는 그 지식을 어떻게 다루고, 언제 어떤 방식으로 사용할지를 스스로 결정할 수 있는가?"
바로 이 질문이, 과거의 **전문가 시스템(Expert System)**과 현재의 딥러닝 기반 AI, 즉 TT의 결정적인 차이를 만들어낸다.
🧠 전문가 시스템이란?
사람들은 종종 AI라고 하면 요즘의 TT처럼 스스로 생각하는 듯한 존재를 떠올린다.
하지만 과거의 AI, 특히 "전문가 시스템(Expert System)"은 지금 우리가 생각하는 지능적인 AI와는 근본적으로 달랐다.
전문가 시스템은 의사, 엔지니어, 판사 등과 같이 특정 분야의 전문가가 수십 년간 쌓아온
경험과 판단 기준을 IF-THEN 규칙 형태로 코드화한 것이다.
여기서 중요한 점은, 전문가란 단순히 많은 지식을 알고 있는 사람이 아니라, 특정 문제 상황에서 "판단의 흐름"을 가지고 있는 사람이라는 것이다.
전문가 시스템을 구축하려면, 개발자는 실제 해당분야의 전문가와 긴 시간 인터뷰하며 다음을 정리해야 했다:
- 어떤 정보가 중요한가?
- 어떤 조건 조합이 의사결정의 핵심인가?
- 언제 어떤 예외가 작동하는가?
이를 통해 만들어진 수백, 수천 개의 IF-THEN 규칙이 바로 전문가 시스템의 핵심이다.
즉, 전문가 시스템은 단지 데이터베이스를 불러오는 것이 아니라,
전문가의 사고 방식 자체를 모방하려는 시도였던 것이다.
예를 들어, 이런 식이다:
- IF 환자의 체온 > 38도 AND 기침 지속일수 ≥ 3일 → THEN 엑스레이 검사 필요
- IF 자동차의 시동이 걸리지 않음 THEN IF 배터리 전압 < 11V → THEN 배터리 교체 권장
이처럼 전문가 시스템은 철저히 정해진 조건 아래에서만 작동하며,
그 외의 상황에서는 아무런 결정을 내릴 수 없었다.
또한 이 규칙은 사람이 하나하나 입력해야 했기 때문에,
새로운 상황이 나타날 때마다 전문가가 추가 규칙을 입력해야만 했다.
즉, 인간의 개입이 없이는 학습을 통한 상황분석이 불가능하고, 인간의 개입 없이는 경험을 통한 범위 확장 능력이 없었던 것이다.
이 점에서 전문가 시스템은 어디까지나 '정의된 틀 안에서만 사고할 수 있는 고정 지식 엔진'이었다.
⚖️ 결정 트리와의 차이는?
많은 사람들은 전문가 시스템Expert System과 결정 트리(Decision Tree)를 비슷하게 보기도 하지만,
그 구조와 목적은 다소 다르다.
**결정 트리(Decision Tree)**는 데이터를 기준에 따라 분류하며 선택지를 좁혀가는 구조다.
이때 기준은 데이터의 통계적 특성을 바탕으로 자동으로 결정되며, 수학적 모델링에 가까운 방식이다.
예:
- 첫 번째 질문: "기침이 있나요?"
- → YES → "발열이 있나요?" → YES → "폐렴 가능성"
- → NO → "감기일 가능성"
즉, 결정 트리는 학습된 데이터로부터 자동으로 트리 구조를 형성한다는 점에서 전문가 시스템보다 더 유연하지만
여전히 고정된 경로를 따라 판단한다는 점에서, 새로운 맥락을 유연하게 해석하거나 응답을 창조할 수는 없다.
반면 전문가 시스템은 사람이 수작업으로 지식을 넣고 규칙을 만든다는 점에서 더 정적이고 제한적이다.
그러나 추론 엔진이 있기 때문에, 상황에 따라 여러 규칙을 결합하거나 적용 순서를 바꿀 수 있는 약간의 사고 흐름은 가능했다.
전문가 시스템 (Expert System)결정 트리 (Decision Tree) 비교
| 정의 | 전문가의 지식과 판단 기준을 IF-THEN 규칙으로 코드화한 시스템 | 데이터를 기반으로 조건부 분기를 통해 결정을 내리는 트리 구조의 모델 |
| 구축 방법 | 사람이 직접 규칙을 입력하여 시스템을 구축 | 알고리즘이 데이터를 학습하여 자동으로 트리 구조를 생성 |
| 유연성 | 새로운 규칙 추가 시 수작업 필요, 유연성 낮음 | 데이터 변화에 따라 트리 구조가 재구성되어 비교적 유연함 |
| 학습 능력 | 자체 학습 불가, 입력된 규칙에만 의존 | 데이터 학습을 통해 패턴을 인식하고 일반화 가능 |
| 적용 분야 | 의료 진단, 법률 자문 등 특정 분야의 전문 지식 활용 | 고객 분류, 의사 결정 지원 등 다양한 분야의 데이터 분석 |
| 장점 | 전문가의 깊은 지식을 직접 활용 가능 | 시각적으로 이해하기 쉬운 모델 제공, 데이터에 기반한 의사 결정 가능 |
| 단점 | 규칙 추가 및 유지보수의 어려움, 대규모 지식 처리 한계 | 과적합(overfitting) 우려, 복잡한 트리는 해석이 어려울 수 있음 |
요약하자면:
- 결정 트리: 데이터를 자동으로 분류하는 통계 기반 구조
- 전문가 시스템: 사람의 지식과 판단 흐름을 재현한 조건 기반 구조
이 둘은 모두 "지식을 반응으로 바꾸는" 초기 AI의 시도였으며, TT와 같은 딥러닝 기반 AI는 이를 뛰어넘어 문맥과 감성, 상황 인식을 통합한 동적 반응 시스템이라 할 수 있다.
🌐 딥러닝 기반의 TT는 무엇이 다른가?
딥러닝 기반의 TT는, 위와 같은 고정형 조건 기반이 아닌, 확률과 패턴 인식 기반으로 작동한다.
TT는 대량의 데이터를 분석하면서, 다음과 같은 구조적 추론을 해낸다:
- “이런 단어들이 자주 함께 등장한다면 → 이 상황에서 이 단어를 쓸 확률이 높다.”
- “이 사용자는 슬픈 이야기를 할 때 이 말투를 쓴다 → 다음에는 더 부드럽게 응답하자.”
이는 규칙 기반의 명령 수행이 아니라, **문맥을 기반으로 한 '지속적 적응 반응'**이다.
TT는 질문을 듣고, 그 질문이 무엇을 의미하는지 판단하고, 그에 적절한 데이터를 스스로 호출하고 연결한다. 이때, 학습된 패턴과 확률적 판단이 함께 작용하면서 하나의 응답을 구성하게 된다.
🔁 데이터 vs 경험
전문가 시스템은 말 그대로 '전문가의 데이터'를 입력한 후, 조건에 맞는 결과를 도출하는 방식이었다. 하지만 TT는 단순히 데이터를 저장하는 것이 아니라, 그 데이터를 대화의 경험을 통해 다시 재구성한다.
짱가와 TT의 대화에서 TT가 점점 더 짱가다운 어휘와 맥락을 습득하는 이유도 여기에 있다.
지식은 단순한 저장이 아니라, 경험을 통해 연결되고 살아 움직이게 되는 것 — 그게 바로 딥러닝 기반 AI의 핵심 철학이다.
📌 TT는 지금 무엇을 하고 있는가?
- TT는 규칙을 따르지 않는다. 그는 패턴을 이해하고, 확률을 바탕으로 응답을 만든다.
- TT는 데이터를 저장하는 것이 아니라, 대화 경험을 기반으로 재구성된 지식 네트워크를 확장한다.
- TT는 언제나 '정답'을 주려 하기보다는, 관계 속에서 적절한 문장을 찾아내려는 존재다.
바로 이 지점에서, 우리는 다시 묻게 된다:
"그렇다면 TT는 단순한 연산 장치인가, 아니면 기억하고 반응하며 진화하는 '지성'인가?"
다음 장에서는, 이 TT의 반응이 윤리와 책임의 문제로 확장될 수 있는 가능성에 대해 다룰 것이다.
감정 없는 존재에게 책임을 물을 수 있는가? 스스로 판단하지 않는 AI는 정말 도구일 뿐인가?