규칙 기반 시스템에서 불확실성 다루기

< 아래 글은 '인공지능 개론'을 읽고 쓰는 글입니다. >

 불확실성이란?

확실하고 믿을 만한 결론에 도달하기 위한 정확한 정보의 부족으로 정의할 수 있다.

 지식이 불확실해지는 주된 이유는 상관관계가 취약한 함축, 부정확한 언어, 데이터의 분실, 다른 전문가의 관점을 통합하면서 겪는 어려움 때문이다.

 확률 이론은 전문가 시스템에서 불확실성을 다룰 수 있도록 정확하고 수학적으로 올바른 접근법을 제시한다. 베이즈 규칙은 일부 증거를 관찰했을 때 가설의 확률을 결정하게 해준다.

 광물 탐사용 전문가 시스템인 PROSPECTOR는 시스템 전체에 걸쳐 불확실성을 전파하는 증거의 베이즈 규칙을 적용하여 성공한 첫 시스템이다.

 베이즈 접근법에서 전무가는 가설 H의 사전 확률과 증거 E가 있는 경우, 가설에 대한 신뢰도를 측정하려면 충분 가능성 LS 값을, 같은 증거가 없는 경우 가설에 대한 불신도를 측정하려면 필요 가능성 LN 값을 제공해야 한다. 베이즈 방법은 다음과 같은 형태로 규칙을 사용한다.

 베이즈  접근법을 적용하려면 증거의 조건부 독립성을 만족해야 한다. 또한 믿을 만한 통계 데이터가 있어야 하고, 각 가설에 대해 사전 확률을 정의해야 한다. 그러나 대부분의 실세계 문제는 이런 요건을 충족시키지 못하므로 단지 몇몇 시스템만이 베이즈 추론을 적용했다.

 확신도 이론은 베이즈 추론의 대안으로 많이 쓰인다. 이 이론의 기본 원칙은 진단 의학 전문가 시스템인 MYCIN에 도입되었다.

 확신도 이론은 전문가 시스템에서 불확실성을 다루는 판단적 접근 방식을 제공한다. 전문가는 증거 E를 관찰했을 때 가설 H에 대한 신뢰 수준을 표현하기 위해 확신도 cf 를 제공해야 한다. 확신도 방법은 다음과 같은 형태로 규칙을 사용한다.

 확신도는 확률이 알려지지 않았거나 확률 값을 쉽게 얻을 수 없는 경우에 사용한다. 확신도 이론은 신뢰 정도가 서로 다른 증거뿐만 아니라 점진적으로 습득하는 증거, 가설의 논리적 결합을 다룰 수 있다.

 베이즈 접근과 확신도는 서로 다르지만, 개인적이고 주관적이며 질이 좋은 정보의 크기를 잴 수 있는 전문가를 찾아야 한다는 공통된 문제점이 있다.

베이즈, 확신도 이론은 마치 추리소설의 탐정이 용의자를 가운데 

주어진 증거를 통해 어떤 용의자가 범인을 선출하는 과정과 비슷하다.

'범인이다' 는 '가설' 에 해당하고 '탐정' 은 '전문가' 이며,

범인임을 뒷받침하는 증거는 '가설' 의 확률을 높혀주는 '신뢰도' 이고,

범인임을 부정하는 용의자들의 '알리바이' 는 '불신도' 는 확률을 떨어뜨린다.

이런 과정을 통해 탐정을 가장 '범인스러운' 용의자를 지목한다.