[논문 리뷰] Current and Future Challenges in Knowledge Representation and Reasoning

James P. Delgrande, Birte Glimm외 3명|arXiv (Cornell University)|2023. 08. 08.

Explainable Artificial Intelligence (XAI)인용 수 6

한 줄 요약

2022 다스트울 퍼스펙티브 워크숍에서 탄생한 이 선언문은 지식 표현 및 추론(KR) 분야의 현재 및 미래 과제를 규명하며, 기계 학습 및 인공지능과의 재활성화되고 상호보완적인 통합을 주장한다. 이 선언문은 현대 인공지능의 한계—특히 설명 가능성과 일반 지식 추론 측면에서—를 극복하기 위해 상징적이고 선언적 추론이 필수적임을 주장하며, 하이브리드 시스템, 지식 획득, 다학제적 협업을 중심으로 한 연구 의제를 제안하여 일반 지능의 발전을 이끌고자 한다.

ABSTRACT

Knowledge Representation and Reasoning is a central, longstanding, and active area of Artificial Intelligence. Over the years it has evolved significantly; more recently it has been challenged and complemented by research in areas such as machine learning and reasoning under uncertainty. In July 2022 a Dagstuhl Perspectives workshop was held on Knowledge Representation and Reasoning. The goal of the workshop was to describe the state of the art in the field, including its relation with other areas, its shortcomings and strengths, together with recommendations for future progress. We developed this manifesto based on the presentations, panels, working groups, and discussions that took place at the Dagstuhl Workshop. It is a declaration of our views on Knowledge Representation: its origins, goals, milestones, and current foci; its relation to other disciplines, especially to Artificial Intelligence; and on its challenges, along with key priorities for the next decade.

연구 동기 및 목표

• 최근 기계 학습 및 인공지능의 발전을 배경으로 지식 표현 및 추론(KR)의 현황을 재평가하기 위해.
• 공동 지식 추론, 지식 획득, 하이브리드 시스템 설계와 같은 KR의 핵심 과제를 규명하기 위해.
• 기계 학습, 로봇공학, 정보 시스템과의 융합을 통해 KR가 인공지능에서 더 강력하고 두드러진 역할을 할 수 있도록 촉진하기 위해.
• 선언적 추론, 설명 가능성, 통계적 방법과의 통합을 강조하는 10년간의 연구 의제를 수립하기 위해.

제안 방법

• KR에 관한 22282번 다스트울 퍼스펙티브 워크숍에서의 발표, 토론 세션 및 워킹 그룹의 통합적 분석.
• 비단조화 추론, 답변 집합 프로그래밍, 서술 논리, 논증 등 KR의 주요 하위 분야 및 관련 분야를 분류하고 분석하기 위해.
• 형식적 논리, 베이지안 네트워크, 확률적 추론이 불확실성을 다루는 데서 KR 내에서 수행하는 역할 평가하기 위해.
• 특히 신경망과 상징적 방법을 융합하는 하이브리드 아키텍처를 통해 KR과 기계 학습 간의 통합 경로 제안하기 위해.
• 설명 가능한 인공지능 및 인지 모델링을 위해 선언적 표현 방식과 추론 메커니즘의 중요성 강조하기 위해.
• KR의 기초적 및 적용적 역할를 강화하기 위해 인공지능, 논리학, 철학, 컴퓨터 과학 분야 간의 협력 연구 프레임워크 제안하기 위해.

실험 결과

연구 질문

• RQ1 현대 통계 기반 인공지능과 기계 학습의 한계를 해결하기 위해 지식 표현 및 추론(KR)을 어떻게 재활성화할 수 있는가?
• RQ2 기호적 KR 프레임워크 내에서 일반 지식 추론을 가능하게 하기 위한 핵심 과제는 무엇인가?
• RQ3 확장 가능한 실생활 KR 응용을 지원하기 위해 지식 획득 및 유지 방식을 어떻게 개선할 수 있는가?
• RQ4 KR과 기계 학습을 어떻게 의미 있게 통합하여 더 뛰어난 추론 능력과 설명 가능성을 지닌 하이브리드 인공지능 시스템을 만들 수 있는가?
• RQ5 일般 인공지능 개발 과정에서 선언적이고 기호적인 추론이 차지할 바는 무엇인가?

주요 결과

• 현대 인공지능에서 기계 학습의 지배적 지위에도 불구하고, 설명 가능성, 강건성, 일반 지능을 달성하기 위해 상징적 KR이 여전히 필수적이다.
• 현재 인공지능의 한계—설명 불가능성과 일반 지식 추론 부족—은 KR과 기호적 추론의 발전을 통해만 극복할 수 있다.
• 신경망의 강점과 기호적 추론의 장점을 융합한 하이브리드 시스템이 신뢰할 수 있고 해석 가능한 인공지능을 실현하기 위해 점점 더 필수적인 요구사항이 되고 있다.
• 지식 획득 및 유지 과정은 여전히 주요 제약 요소이며, 실무에서 KR을 확장하기 위해 새로운 방법이 필요하다.
• 논증, 신념 재편, 행동 및 계획에 대한 추론 등의 분야는 성숙해졌지만 여전히 표현력과 통합 측면에서 열린 과제를 안고 있다.
• KR과 기계 학습의 통합은 더 이상 선택 사항이 아니라 미래 인공지능의 핵심이 되었으며, 특히 투명성과 불확실성 하에서의 추론이 요구되는 분야에서는 더욱 그러하다.