글로벌 칼럼 | 생성형 AI의 신뢰성을 높이는 3가지 기술

생성형 AI와 LLM은 분명 가장 흥미로운 기술이다. 하지만 과연 기업은 이 기술을 본격적으로 활용할 준비가 되어 있을까?

챗GPT는 잘 알려진 문제가 있는데, 바로 응답의 정확도가 엉망인 경우가 있다는 것이다. GPT-4와 같은 인간 지식에 대한 정교한 컴퓨터 모델을 기반으로 함에도 챗GPT는 드물게 AI 환각이라고 불리는 무지를 드러내며, 논리적 추론에 어려움을 겪는 경우가 많다. 이는 챗GPT가 추론이 아닌 고급 텍스트 자동 완성 시스템처럼 작동하기 때문이다. 
 

어쨌든 GPT-4는 놀라운 시스템이다. 모의 변호사 시험에 응시하여 상위 10%의 점수로 합격할 수 있을 정도이다. 기업의 지식 기반을 조사하는 데 이런 지능형 시스템을 사용할 수 있다면, 분명 기업에 매력적인 기술이다. 하지만 과신과 어리석음 모두를 경계해야 한다.

이런 문제를 해결하고 LLM의 신뢰성을 높이기 위해 3가지 강력한 접근법이 새로 등장했다. 각 접근법이 강조하는 부분은 차이가 있지만, LLM을 "닫힌 상자"로 취급한다는 근본적인 개념은 공유한다. 다시 말해, LLM 자체를 완벽하게 만드는 것이 아니라 이를 뒷받침할 사실 확인 계층을 개발하는 데 초점을 맞추는 것이다. 이 계층은 부정확한 응답을 걸러내고 시스템에 "상식"을 불어넣는 것을 목표로 한다.

각각을 차례로 살펴보고 어떻게 작동하는지 알아보자.
 

더 폭넓은 검색 기능

새 접근법 중 하나는 벡터 검색을 광범위하게 적용하는 것이다. 특화된 데이터베이스도 일부 있지만, 벡터 검색은 현재 많은 데이터베이스의 공통 기능이다.

벡터 데이터베이스는 텍스트나 이미지와 같은 비정형 데이터를 색인화해 검색, 조사 및 근접성을 위해 고차원 공간에 배치한다. 예를 들어, '사과'라는 용어를 검색하면 과일에 대한 정보를 찾을 수 있지만, '벡터 공간'에서는 IT 업체나 음반회사에 대한 결과가 나올 수 있다.

벡터는 머신러닝 모델 학습을 위한 데이터베이스의 키로만 사용할 수 있는 것이 아니라 데이터베이스와 LLM과 같은 구성 요소 간에 데이터 포인트를 상호 연관시키는 데 사용할 수 있기 때문에 AI에 유용한 연결 고리 역할을 한다.

“누더기에서 부자로” RAG에서 누더기에서 부자가 되기까지
검색 증강 생성(Retrieval-augmented generation, RAG)은 LLM과의 상호 작용에 컨텍스트를 추가하는 일반적인 방법이다. 간단히 설명하자면, RAG는 데이터베이스 시스템에서 보충 콘텐츠를 검색해 LLM의 응답을 컨텍스트화한다. 컨텍스트 데이터에는 타임스탬프, 지리적 위치, 참조 및 제품 ID와 같은 메타데이터가 포함될 수 있지만, 이론적으로는 임의로 정교한 데이터베이스 쿼리의 결과를 사용할 수도 있다.

이런 컨텍스트 정보는 전체 시스템이 관련성 있고 정확한 응답을 생성하는 데 도움이 된다. 이 접근법의 핵심은 데이터베이스에서 특정 주제에 대해 사용 가능한 가장 정확한 최신 정보를 확보해 모델의 응답을 개선하는 데 있다. 특히 GPT-4의 불투명한 내부 작동과 달리, RAG가 비즈니스 LLM의 기반을 형성하면 비즈니스 사용자가 시스템이 제시된 답변에 도달한 방법에 대해 보다 투명한 인사이트를 얻을 수 있다.

기본 데이터베이스에 벡터 기능이 있는 경우, 임베디드 벡터가 포함된 LLM의 응답을 사용해 데이터베이스에서 관련 데이터를 찾아 응답의 정확성을 높일 수 있다.
 

지식 그래프의 힘

그러나 가장 진보된 벡터 기반의 RAG 기반 검색 기능조차도 비즈니스에 필수적인 챗GPT의 신뢰성을 보장하기에는 충분하지 않다. 벡터만으로는 데이터를 분류하는 한 가지 방법일 뿐, 가장 풍부한 데이터 모델이 될 수는 없다.

이 때문에 지식 그래프(Knowledge Graph)가 RAG를 위한 데이터베이스로 주목받고 있다. 지식 그래프는 여러 차원의 정보를 단일 데이터 구조로 통합해 의미론적으로 풍부한, 상호연결 정보의 웹이다. 또한 투명하고 잘 정돈된 콘텐츠를 보유하므로 품질을 보장할 수 있다.

벡터를 사용해 LLM과 지식 그래프를 함께 묶을 수도 있다. 하지만 이 경우 벡터가 지식 그래프의 노드로 확인되면 그래프의 토폴로지를 사용해 사실 확인, 근접성 검색, 일반 패턴 매칭을 수행해 사용자에게 반환되는 내용이 정확한지 확인할 수 있다.

지식 그래프가 사용되는 방식은 이뿐만이 아니다. 최근 빌 게이츠가 인터뷰하기도 한 워싱턴대 최예진 교수는 좋은 지식과 나쁜 지식을 구분하는 흥미로운 개념을 연구하고 있다. 최예진 교수의 연구팀은 기계가 작성한 지식 베이스를 구축해 LLM이 질문을 한 다음 일관되게 확인되는 답변만 규칙으로 추가함으로써 좋은 지식과 나쁜 지식을 분류할 수 있도록 돕는다.

연구팀은 “크리틱(Critic)”이란 AI를 사용해 LLM의 논리적 추론을 조사해 좋은 추론과 좋은 사실로만 구성된 지식 그래프를 구축한다. 셔츠 한 장을 말리는 데 1시간이 걸리는 경우, 햇볕에 셔츠 다섯 장을 말리는 데 얼마나 걸리는지 챗GPT 3.5에 물어보면 추론이 부족하다는 것을 알 수 있다. 상식적으로 셔츠 한 장을 말리는 데 1시간이 걸리면 수량에 관계없이 1시간이 걸린다는 것을 알 수 있지만, AI는 문제를 해결하기 위해 복잡한 계산을 시도하고 잘못된 작동 방식을 보여줌으로써 자신의 접근 방식을 정당화한다.

AI 엔지니어는 이런 문제를 해결하기 위해 열심히 노력하고 있으며, 챗GPT 4는 이 문제를 해결했다. 하지만 지식 그래프를 추출하는 접근법은 훨씬 범용적인 해법을 제시한다. 특히 지식 그래프는 더 작지만 훨씬 더 높은 정확도를 가진 LLM을 훈련하는 데 매우 효과적이다.
 

컨텍스트 다시 가져오기

지식 그래프는 RAG를 통해 더 많은 컨텍스트와 구조를 제공함으로써 GPT 시스템을 향상시켰다. 또한 벡터 기반과 그래프 기반 시맨틱 검색(지식 그래프의 동의어)을 함께 사용하면 조직이 일관되게 높은 정확도의 결과를 얻을 수 있다는 증거도 늘어나고 있다.

LLM을 지원하기 위해 벡터, RAG, 지식 그래프의 조합을 활용하는 아키텍처를 통합함으로써 LLM을 구축, 학습, 미세 조정하는 복잡한 프로세스에 대한 전문 지식 없이도 매우 가치 있는 비즈니스 애플리케이션을 구축할 수 있다.

이를 종합하면, LLM이 구현할 수 있는 것보다 더 기초적인 '이해'로 개념에 대한 풍부하고 맥락적인 이해를 더할 수 있다는 것을 의미한다. 분명한 것은 기업이 이런 접근법을 통해 이점을 얻을 수 있다는 것이다. 그래프는 특히 큰 질문에 답할 때 효과를 발휘한다. 데이터에서 무엇이 중요한가? 무엇이 특이한가? 가장 중요한 것은 데이터의 패턴을 고려할 때 그래프를 통해 다음에 일어날 일을 예측할 수 있다는 점이다.

이런 사실적 능력과 LLM의 생성적 요소가 결합된 그래프는 매우 매력적이며 폭넓은 적용 가능성을 가지고 있다. 2024년에는 LLM을 미션 크리티컬한 비즈니스 도구로 만드는 데 널리 활용될 것으로 예상한다.

*Jim Webber는 그래프 데이터베이스 및 분석 전문업체 Neo4j의 최고 과학자이다. 
editor@itworld.co.kr