이해하기 쉬운 머신러닝 모델을 위한 분류 체계 개발 : MIT 연구팀

MIT 연구팀이 머신러닝 모델을 사용자와 의사결정권자에게 더 잘 설명할 수 있는 방법으로 개발자가 특성(Feature)을 설계하기 쉽게 해주는 분류 체계를 개발했다. 연구팀은 주로 머신러닝 모델의 특성에 대한 해석 가능성(Interpretability)에 중점을 두었다. 
 

이번 분류체계 개발 보고서의 대표 저자인 전기공학 및 컴퓨터 과학 박사 과정의 알렉산드라 지텍은 “최상의 방법으로 머신러닝 모델을 설명한다고 해도 상당한 혼란이 있다는 것을 알게 됐다”라고 개발 동기를 밝혔다. 이런 혼란은 보통 머신러닝 모델 자체보다는 특성에 있다.

머신러닝 모델을 좀 더 이해할 수 있도록 해주는 설명 방법론은 흔히 얼마나 많은 특성이 해당 모델 내에서 사용되어 예측에 기여하는지를 설명한다. 예를 들어, 환자의 심장병 위험성을 예측하는 모델의 경우, 의사는 환자의 심박 데이터가 예측에 얼마나 영향을 미치는지를 알고 싶어 한다. 하지만 이런 특성은 보통 모델 내에 너무 복잡하거나 혼란스럽게 코딩되어 있어서 사용자는 자신이 이해할 수 없는 블랙박스를 사용하게 된다.

분류 체계를 개발하기 위해 MIT 연구팀은 머신러닝 모델의 영향을 받는 사용자를 AI 전문가부터 일반 사용자까지 5가지 유형으로 나누고, 이들이 특성을 이해할 수 있도록 속성을 정의했다. 또한 모델 개발자가 각 특성을 비전문가도 이해하기 쉬운 형식으로 전환할 수 있는 지침도 제공한다. 연구팀은 나중에 설명 가능성에 대해 걱정하는 것보다 개발 과정의 시작 단계부터 해석 가능한 기능을 사용하는 것이 더 낫다고 조언한다.

머신러닝 모델에서 특성이란 입력 변수를 말하며, 보통은 기록 데이터에서 가져온다. 데이터 과학자는 주로 머신러닝 모델에 맞는 특성을 선택하고, 수작업으로 추가 처리를 진행한다. 이 과정에서 데이터 과학자가 중점을 두는 것은 모델의 정확성을 개선하는 방식으로 특성을 개발하는 것이지 사용자나 의사결정권자가 그런 특성을 이해할 수 있도록 만드는 것은 아니다. 

연구팀은 머신러닝의 사용 편의성 과제를 파악하기 위해 일반 사용자와 공동 작업을 진행했다. 머신러닝에 대한 지식이 거의 또는 전혀 없는 이들 사용자는 예측에 영향을 미치는 특성을 이해할 수 없다는 점에서 머신러닝 모델을 신뢰하지 않는 경우가 많다.

예를 들어, 한 중환자실의 프로젝트는 머신러닝을 이용해 환자가 심장 수술 후 일어날 수 있는 합병증의 위험성을 예측하고자 했다. 각 머신러닝 모델을 위한 일부 특성은 환자의 심박 추이 같은 집산된 값으로 표시된다. 이런 식으로 코딩된 특성은 모델화할 수 있는, 즉 데이터를 처리할 수 있는 모델로 만들 수 있었지만, 의료진은 이런 값이 어떻게 나온 것인지 이해하지 못했다. 의료진은 이들 집산된 특성이 어떻게 원본의 값과 관련되는지 확인해 환자의 심박에서 이상 징후를 발견해 낼 수 있는 쪽을 선호했다. 반대로 데이터 과학자는 이런 집산된 특성을 잘 다룰 수 있다.

해석에 있어서 사용자에 따라 요구사항이 달라지는 것이다. 다양한 요구사항이 있으며 해석 가능성 자체도 여러 수준이 있다. 모두를 만족하는 한 가지는 없다는 것이 이번 분류체계의 핵심이다. 연구팀은 서로 다른 의사결정자를 위해 특성을 더 쉽게 또는 더 어렵게 해석할 수 있도록 만드는 속성을 정의했는데, 어떤 속성이 특정 사용자에게 가장 중요한지도 주요 고려대상이다.

머신러닝 개발자와 데이터 과학자는 모델과 호환되며 예측 가능한 특성을 선호한다. 그래야 모델의 성능을 개선할 수 있기 때문이다. 반면에 머신러닝 경험이 없는 의사결정권자는 사람이 직접 정형화한 특성을 선호한다. 이런 특성은 사용자가 이해할 수 있도록 자연스러운 방식으로 설명되어야 한다. 연구팀의 접근법은 해석 가능한 특성을 생성하면, 분류 체계가 어느 수준까지 해석할 수 있는지를 반문하는 방식이다. 지텍은 “함께 작업하는 전문가의 유형에 따라 모든 수준이 필요하지 않을 수도 있다”고 덧붙였다. 연구팀은 또한 특정 사용자층이 좀 더 이해하기 쉽게 만들기 위해 적용할 수 있는 특성 개발 기법도 개략적으로 설명했다. 

특성 엔지니어링은 데이터 과학자가 머신러닝 모델이 처리할 수 있는 형식으로 데이터를 변환하는 과정이다. 데이터 집산이나 값의 정규화 같은 기법이 사용된다. 대부분 모델은 숫자 코드로 변환되지 않은 데이터를 처리하지 못한다. 문제는 이런 변환 과정을 일반 사용자가 해독하지 못한다는 것이다. 지텍은 “해석 가능한 특성을 생성하기 위해 이런 코딩의 일부를 역으로 처리해야 할 수도 있다”고 설명했다.

이 과정에서 머신러닝 모델의 정확도를 반드시 희생해야 하는 것은 아니다. 연구팀은 “많은 영역에서 해석 가능한 특성과 모델의 정확도 간 상쇄 효과는 실제로 매우 적다”고 밝혔다. 이 작업을 기반으로 연구팀은 복잡한 특성의 변환을 효율적으로 처리해 인간 중심의 설명을 생성할 수 있는 시스템을 개발했다. 또한 새로운 시스템은 모델 준비 데이터 세트를 설명하기 위한 알고리즘을 머신러닝 지식 없이도 사용자가 이해할 수 있는 형식으로 변환한다.
editor@itworld.co.kr