"사람처럼 추론"…GIST, 문제풀이 과정 '의도' 추정 AI 구현

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

광주과학기술원(GIST)은 AI융합학과 김선동 교수 연구팀이 사람의 문제 풀이 과정에 담긴 '의도'를 추정·정렬하는 학습 알고리즘과 AI 생성모델을 결합해, 사람처럼 다양한 풀이 과정을 만들어 내는 데이터 증강 기법을 제안했다고 25일 밝혔다.

연구팀은 두 접근법을 결합함으로써, 인공지능이 단순히 정답을 도출하는 수준을 넘어 '사람처럼 추론하는 능력'을 구현할 수 있음을 입증했다.

인공지능은 주어진 문제의 정답을 빠르게 도출하는 데 강점을 보이지만, 사람처럼 단계적 사고 과정을 거쳐 문제를 해결하는 추론 능력은 여전히 부족하다. 인간은 문제를 풀 때 시행착오를 겪으며, 같은 목표를 여러 방식으로 시도한다. 이 과정에서 축적된 풀이 데이터에는 단순한 행동의 나열이 아니라 의도가 담겨 있다. 이러한 의도를 학습하는 것이 '사람처럼 추론하는 능력'을 갖춘 AI의 핵심이다.

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 제안했다.

전자는 사람의 사고 과정을 반영하는 방식이고, 후자는 풀이 과정을 확장해 일반화 성능을 강화하는 방식으로, 두 접근은 상호 보완적으로 작용한다. 이를 통해 단순 정답 도출을 넘어 인간과 유사한 사고·일반화 능력을 갖춘 AI 모델 개발을 목표로 했다.

다양한 문제 풀이 궤적과 의도 사례.

연구팀은 사람의 문제 풀이 데이터를 분석해, 최적 풀이에 도달하지 못한 경우를 세 가지 유형(기능 부족, 비효율적 시도, 잘못된 전략)으로 분류하고 이를 학습에 반영했다. 이어 문제 풀이 궤적을 여러 단계로 분할해 각 단계의 의도를 추정·정렬하는 알고리즘을 제시하고, 이를 AI 학습에 반영함으로써 사람의 사고 과정을 모방한 학습을 구현했다. 또한 지플로우넷 기반 데이터 증강 기법을 통해 사람처럼 다양한 풀이 과정을 생성함으로써 학습 데이터의 다양성과 일반화 성능을 크게 확장했다.

지플로우넷은 확률적 탐색으로 여러 중간 상태를 거치며 다수의 풀이 경로를 생성한다. 동일한 입력에 대해 회전·대칭 등 다양한 연산 조합으로 다수의 궤적을 만들어 학습에 활용하기 때문에, 특정 풀이 방식에 치우치지 않고 다양한 전략 분포를 학습할 수 있다.

지플로우넷 기반 문제 풀이 궤적 생성 과정.

연구팀은 실제 사람들로부터 풀이 궤적 데이터를 수집하고, 궤적이 부족한 경우에는 지플로우넷으로 생성해 보충했다. 이렇게 확보한 다양한 풀이 데이터를 학습에 적용한 결과, 기존 모델 대비 정확도가 약 5.85%p 향상됐다(83.59% → 89.44%). 이는 AI가 사람처럼 사고하고 일반화할 수 있음을 입증한 것이다.

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 "이번 논문에서 제시한 전·후처리 과정을 체계적으로 적용하면 데이터 내재적 한계를 극복하고, 보다 바람직한 행동을 구현하는 AI를 개발할 수 있을 것이다"고 말했다.

김세진 박사는 "이번 연구는 단순히 정답을 맞히는 AI를 넘어, 사람의 문제 풀이 의도를 이해하고 다양한 풀이 과정을 스스로 학습할 수 있는 AI를 구현하기 위한 첫걸음이다"며 "향후 창의적 문제 해결형 AI, 교육 협력형 AI, 새로운 환경 적응형 AI 등으로 확장될 수 있을 것이다"고 전망했다.

호남취재본부 민찬기 기자 coldair@asiae.co.kr