SymAgent: 지식 그래프 기반 복잡 추론을 위한 신경-상징적 자기 학습 에이전트 프레임워크

SymAgent는 LLM의 환각 문제와 KG의 불완전성을 해결하는 신경-상징적 자기 학습 에이전트 프레임워크로, 에이전트-플래너와 에이전트-실행자 모듈을 통해 KG와 LLM의 협업적 추론을 가능하게 합니다. 자기 학습 기능을 통해 성능을 향상시키며, 약한 LLM 백본으로도 우수한 성능을 보입니다.

복잡한 추론의 난제, SymAgent가 풀어낸다!

최근 대규모 언어 모델(LLM)이 복잡한 추론 문제 해결 시 '환각' 현상으로 잘못된 결과를 내놓는 문제가 심각하게 대두되고 있습니다. 이를 해결하기 위해 지식 그래프(KG)를 활용하는 연구가 활발하지만, 기존 방법론은 KG의 불완전성과 암묵적인 논리 구조를 충분히 고려하지 못하는 한계를 가지고 있었습니다.

Ben Liu 등 연구진이 개발한 SymAgent는 이러한 문제를 혁신적으로 해결하는 신경-상징적 자기 학습 에이전트 프레임워크입니다. SymAgent는 KG를 동적인 환경으로 간주하고, 복잡한 추론 과제를 다단계 상호 작용 과정으로 변환하여 KG가 추론 과정에 깊이 관여하도록 설계되었습니다.

SymAgent의 핵심: 에이전트-플래너와 에이전트-실행자

SymAgent는 크게 두 가지 모듈로 구성됩니다.

• 에이전트-플래너(Agent-Planner): LLM의 귀납적 추론 능력을 활용하여 KG에서 상징적 규칙을 추출하고 질문을 효율적으로 분해합니다. 마치 숙련된 탐정이 사건을 분석하는 것처럼, 복잡한 문제를 작은 조각으로 나누어 해결의 실마리를 찾아내는 역할을 수행합니다.
• 에이전트-실행자(Agent-Executor): 미리 정의된 액션 도구를 자율적으로 호출하여 KG와 외부 문서에서 정보를 통합합니다. KG의 불완전성 문제를 해결하는 핵심 기능으로, 부족한 정보를 적절히 보완하여 완벽한 추론을 가능하게 합니다.

자기 학습으로 더욱 강력해지는 SymAgent

SymAgent는 온라인 탐색과 오프라인 반복 정책 업데이트 단계로 구성된 자기 학습 프레임워크를 통해 추론 과정을 자동으로 개선하고 성능을 향상시킵니다. 이는 마치 스스로 학습하고 성장하는 인공지능 에이전트와 같습니다. 실험 결과, SymAgent는 7B 시리즈와 같은 약한 LLM 백본을 사용하더라도 기존의 강력한 기준 모델들과 비교 가능하거나 더 나은 성능을 보였습니다. 더 나아가, SymAgent는 누락된 정보를 식별하여 KG의 자동 업데이트까지 가능하게 합니다.

결론: 새로운 지평을 여는 SymAgent

SymAgent는 LLM의 한계를 극복하고 KG의 잠재력을 극대화하는 획기적인 기술입니다. 복잡한 추론 문제 해결에 새로운 지평을 열고, 인공지능 기술의 발전에 크게 기여할 것으로 기대됩니다. 앞으로 SymAgent가 다양한 분야에서 어떻게 활용될지, 그리고 더욱 발전된 형태로 우리 삶에 어떤 영향을 미칠지 주목할 필요가 있습니다.