[복사본] 인테리어뉴스

풀이 과정이 담긴 궤적 데이터를 수집하기 위한 문제의 예시.


광주과학기술원(GIST) AI융합학과 김선동 교수팀이 사람의 문제풀이 과정에 담긴 '의도'를 추정·정렬하는 학습 알고리즘과 인공지능(AI) 생성모델을 결합해, 사람처럼 다양한 풀이 과정을 만들어 내는 데이터 증강 기법을 제안했다고 밝혔어요.
연구팀은 두 접근법을 결합함으로써, AI가 단순히 정답을 도출하는 수준을 넘어 '사람처럼 추론하는 능력'을 구현할 수 있음을 입증한 거예요.
AI는 주어진 문제의 정답을 빠르게 도출하는 데 강점을 보이지만, 사람처럼 단계적 사고 과정을 거쳐 문제를 해결하는 추론 능력은 여전히 부족해요.
사람은 문제를 150만원 풀 때 시행착오를 겪으며, 같은 목표를 여러 방식으로 시도하죠. 이 과정에서 축적된 풀이 데이터에는 단순한 행동의 나열 수준을 넘어 문제풀이하는 사람의 의도가 담기게 마련이죠. 그런데 AI에서는 이런 게 안돼요. 가지고 있는 데이터에서 기계적으로 답을 가져올 뿐이죠.
연구진은 AI도 이러한 의도를 학습할 수 있도록 했어요. '사람처럼 추 상장된기업 론하는 능력'을 갖춘 AI를 만들기로 한 거죠.
연구팀은 이러한 관점에서 문제 풀이 과정 속 의도를 추정·정렬하는 알고리즘을 개발하고, 생성모델 중 하나인 지플로우넷(GFlowNet)을 활용해 다양한 풀이 궤적을 생성하는 데이터 증강 기법을 제안했어요.
사람의 문제풀이 데이터를 분석해 최적 풀이에 도달하지 못한 경우를 △ 크로스백 기능 부족 △비효율적 시도 △잘못된 전략 등 세가지 유형으로 분류하고 이를 학습에 반영했어요. 이어 문제 풀이 궤적을 여러 단계로 분할해 각 단계의 의도를 추정·정렬하는 알고리즘을 제시하고, 이를 AI 학습에 반영함으로써 사람의 사고과정을 모방한 학습을 구현하는 데 성공했어요.
지플로우넷 기반 데이터 증강 기법으로 사람처럼 다양한 풀이 과 현대스위스대출 정을 생성함으로써 학습 데이터의 다양성과 일반화 성능을 크게 확장한 거죠.



[왼쪽부터 김선동 GIST AI융합학부 교수, 김세진 박사후연구원, 황산하 석사과정 졸업생, 이승필 석사과정생, 전기전자컴퓨터공학과 이호성 학사 졸업생.


소기업확인서 연구팀은 실제 사람들로부터 풀이 궤적 데이터를 수집하고, 궤적이 부족한 경우에는 지플로우넷으로 생성해서 보충했어요. 이렇게 확보한 다양한 풀이 데이터를 학습에 적용한 결과, 기존 모델 대비 정확도가 83.59%에서 89.44%로 5.85% 포인트(p) 향상됐죠. 이는 AI가 사람처럼 사고하고 일반화할 수 있음을 입증한 것이예요.
김선동 교수는 “인간은 늘 정석적인 풀이 과정을 따르기보다, 익숙한 방식으로 요령 있게 해답을 찾아내는 경우가 많지만 AI 모델 학습에서는 인간이 수집한 데이터를 별 고민 없이 사용하는 사례가 흔하다”며 “전·후처리 과정을 체계적으로 적용하면 데이터 내재적 한계를 극복하고, 보다 바람직한 행동을 구현하는 AI를 개발할 수 있을 것”이라고 말했어요.
최정훈 기자 jhchoi@etnews.com