녹색 AI를 위한 신경기호 접근 방식: 효율적인 저수준 프로세스 이벤트 스트림 분석

본 연구는 추상적 논증 프레임워크(AAF)와 기계 학습을 결합하여 저수준 프로세스 이벤트 스트림 분석의 효율성을 높이는 신경기호 접근 방식을 제시합니다. 데이터 부족 문제를 해결하고 녹색 AI 원칙에 부합하는 방식으로, 환경 및 사회적 지속 가능성에 기여하는 중요한 연구입니다.

현대 기업과 조직에서 프로세스 추적 모니터링 및 분석은 매우 중요한 작업입니다. 하지만 추적 이벤트와 참조 비즈니스 활동 간의 차이가 존재하는 경우, 각 이벤트를 해당 활동 인스턴스의 단계로 변환하는 해석 문제가 발생합니다. Bettina Fazzinga 등 연구진은 최근 논문에서 이 해석 문제를 추상적 논증 프레임워크(AAF) 내의 수용 문제로 규정하는 접근 방식을 기반으로, 타당한 이벤트 해석을 분석하고 기존 프로세스 지식과 상충되는 해석에 대한 설명을 제공하는 방법을 제시했습니다.

하지만 문제는 있습니다. 이벤트-활동 매핑이 매우 불확실하거나 부족하게 지정된 환경에서는 이 추론 기반 접근 방식이 정보가 부족하거나 계산량이 많아질 수 있습니다. 이러한 문제를 해결하기 위해, 연구진은 문맥 인식 방식으로 가능성이 높은 이벤트 해석 후보를 제안하는 시퀀스 태깅 모델을 학습하는 방법을 고안했습니다.

하지만 또 다른 문제가 있습니다. 이러한 모델을 최적으로 학습하려면 많은 양의 수동 주석이 달린 예시 추적 데이터가 필요합니다. 연구진은 이러한 어려움을 극복하기 위해 '환경 및 사회적 지속 가능성을 위한 녹색 AI 솔루션 개발' 이라는 중요한 목표 아래, 데이터 및 계산 효율적인 신경기호 접근 방식을 제안했습니다.

이 신경기호 접근 방식은 예시 기반 시퀀스 태거가 반환하는 후보 해석을 AAF 기반 추론기로 정제하는 방식입니다. 이는 기존 지식을 활용하여 예시 데이터 부족 문제를 보완하는 데 도움이 되며, 실험 결과를 통해 이러한 효과가 입증되었습니다. 특히 데이터 주석 및 모델 최적화 비용에 대한 제약이 엄격한 환경에서 매우 유용한 특징입니다.

결론적으로, 본 연구는 추상적 논증과 기계 학습을 결합하여 저수준 프로세스 이벤트 스트림을 효율적으로 분석하는 새로운 방법을 제시하고, 녹색 AI 개발에 기여하는 중요한 발걸음을 내딛었습니다. 데이터 효율성과 계산 효율성을 동시에 확보함으로써, 환경 친화적이고 사회적으로 지속 가능한 AI 시스템 구축에 대한 중요한 시사점을 제공합니다.