SymAgent: 지식 그래프 기반의 복잡한 추론을 위한 신경-기호 자기 학습 에이전트 프레임워크

SymAgent는 대규모 언어 모델(LLM)의 한계를 극복하고 지식 그래프(KG)의 장점을 활용하여 복잡한 추론 문제를 해결하는 혁신적인 신경-기호 자기 학습 에이전트 프레임워크입니다. KG의 불완전성과 암묵적 논리 구조를 고려하여 설계되었으며, 자기 학습 기능을 통해 지속적인 성능 향상을 이룹니다. 실험 결과, 약한 LLM 백본을 사용하더라도 기존의 강력한 모델들과 비교하여 우수한 성능을 보였습니다.

복잡한 추론의 난제와 SymAgent의 등장

최근 대규모 언어 모델(LLM)의 발전에도 불구하고, 복잡한 추론 문제 해결 시 '환각' 현상으로 인한 오류 발생이 빈번합니다. 이 문제를 해결하기 위해 지식 그래프(KG)를 활용하는 연구가 활발하지만, 기존 방법들은 KG의 불완전성과 암묵적인 논리 구조를 충분히 고려하지 못하는 한계를 가지고 있었습니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 SymAgent입니다.

SymAgent: KG와 LLM의 시너지 효과

SymAgent는 혁신적인 신경-기호 에이전트 프레임워크로, KG와 LLM의 협업적 증강을 통해 복잡한 추론 문제를 해결합니다. KG를 동적인 환경으로 간주하고, 다단계 상호 작용 과정을 통해 KG가 추론 과정에 깊이 관여하도록 설계되었습니다. 핵심은 두 가지 모듈, Agent-Planner와 Agent-Executor입니다.

• Agent-Planner: LLM의 귀납적 추론 능력을 활용하여 KG에서 기호적 규칙을 추출하고, 효율적인 질문 분해를 유도합니다. 마치 숙련된 형사가 사건을 해결하기 위해 단서들을 체계적으로 정리하는 것과 같습니다.
• Agent-Executor: 미리 정의된 액션 도구를 자율적으로 호출하여 KG와 외부 문서에서 정보를 통합합니다. KG의 불완전성 문제를 해결하는 핵심 역할을 수행합니다. 마치 형사가 추가적인 증거를 확보하고 분석하는 과정과 유사합니다.

자기 학습을 통한 지속적인 성능 향상

SymAgent는 온라인 탐색과 오프라인 반복 정책 업데이트를 포함하는 자기 학습 프레임워크를 갖추고 있습니다. 이를 통해 에이전트는 추론 과정을 자동으로 개선하고 성능을 향상시킬 수 있습니다. 이는 마치 인간이 경험을 통해 학습하고 성장하는 것과 같은 원리입니다.

놀라운 실험 결과

실험 결과, SymAgent는 7B 시리즈와 같은 약한 LLM 백본을 사용하더라도 기존의 강력한 기준 모델들과 비교하여 동등하거나 더 나은 성능을 보였습니다. 특히, 누락된 정보를 식별하여 KG를 자동으로 업데이트하는 능력은 SymAgent의 큰 장점입니다.

결론: 새로운 추론 시대의 서막

SymAgent는 LLM의 한계를 극복하고 KG의 잠재력을 극대화하는 혁신적인 시도입니다. KG의 불완전성 문제를 해결하고, 자기 학습을 통해 지속적으로 발전하는 SymAgent는 앞으로 복잡한 추론 문제 해결에 새로운 가능성을 제시할 것으로 기대됩니다. 이는 단순한 기술의 발전을 넘어, 인공지능이 더욱 스마트하고 유연하게 세상을 이해하는 새로운 시대의 서막을 알리는 중요한 이정표가 될 것입니다.