R2-KG: 신뢰할 수 있는 지식 그래프 추론을 위한 혁신적인 이중 에이전트 프레임워크

조수민, 최준성, 김지호, 최에드워드 연구원 팀이 개발한 R2-KG는 이중 에이전트 시스템과 기권 메커니즘을 통해 LLM과 KG 기반 추론의 정확성과 신뢰성을 향상시킨 혁신적인 프레임워크입니다. 비용 효율성과 유연성을 갖춘 R2-KG는 향후 AI 기술 발전에 크게 기여할 것으로 예상됩니다.

지식 그래프 추론의 새로운 지평을 열다: R2-KG

최근 인공지능 분야에서 대규모 언어 모델(LLM)과 지식 그래프(KG)를 결합하여 추론 능력을 향상시키는 연구가 활발히 진행되고 있습니다. 추가적인 훈련 없이도 추론 정확도를 높이고, 환각(hallucination) 현상을 완화하는 데 효과적이라는 점이 주목받고 있죠. 하지만 기존 프레임워크들은 KG나 과제 변화에 유연하게 적응하지 못하고, 강력한 LLM에 지나치게 의존하는 경향이 있었습니다.

이러한 문제를 해결하고자 조수민, 최준성, 김지호, 최에드워드 연구원 팀은 새로운 프레임워크 R2-KG를 개발했습니다. R2-KG는 추론 과정을 두 가지 역할로 나누는 혁신적인 이중 에이전트 시스템을 도입했습니다. 작업자(Operator) 는 용량이 작은 LLM으로 증거를 수집하고, 감독자(Supervisor) 는 용량이 큰 LLM로 최종 판단을 내리는 역할을 수행합니다. 이를 통해 LLM 추론 비용을 절감하면서도 강력한 추론 정확도를 유지할 수 있습니다.

R2-KG의 또 다른 핵심은 기권(Abstention) 메커니즘입니다. KG에서 충분한 증거가 수집되지 않으면 답변을 생성하지 않고 유보함으로써, 추론의 신뢰성을 크게 높입니다. 다양한 KG 기반 추론 과제에 대한 실험 결과, R2-KG는 정확도와 신뢰성 측면에서 기존 방식을 꾸준히 능가하는 것으로 나타났습니다. 특히 작업자(Operator)로 사용되는 LLM의 성능에 관계없이 일관된 성능을 보여주는 점이 주목할 만합니다.

추가 실험에서는 엄격한 자기 일관성 전략을 갖춘 R2-KG의 단일 에이전트 버전이 기존 방식보다 신뢰성이 현저히 높으면서 추론 비용도 감소시키는 결과를 보였습니다. 하지만 복잡한 KG에서는 기권율이 높아지는 단점도 발견되었습니다.

R2-KG는 고용량 LLM에 대한 의존도를 줄이면서 신뢰할 수 있는 추론을 보장하는 유연하고 비용 효율적인 KG 기반 추론 솔루션으로 자리매김할 것으로 기대됩니다. 이 연구는 지식 그래프 추론 분야의 새로운 가능성을 제시하며, 향후 AI 기반 응용 프로그램 개발에 중요한 영향을 미칠 것으로 예상됩니다.