[논문 리뷰] Computational Narrative Intelligence: A Human-Centered Goal for Artificial Intelligence

Mark Riedl|arXiv (Cornell University)|2016. 02. 21.

Topic Modeling참고 문헌 36인용 수 47

한 줄 요약

이 논문은 인간 중심의 인공지능 목표로 계산적 내러티브 지능(CNI)을 제안하며, 기계가 정서적 및 문화적 인식을 바탕으로 이야기를 창작하고 이해하며 응답할 수 있도록 한다. 문학, 뉴스, 문화적 이야기를 포함한 내러티브 코퍼스에서 학습함으로써 CNI는 기계의 문화적 내재화를 촉진하고, 인간-AI 간 소통을 향상시키며, 교육, 엔터테인먼트, 설명 가능한 인공지능 등 다양한 분야의 응용을 지원한다.

ABSTRACT

Narrative intelligence is the ability to craft, tell, understand, and respond affectively to stories. We argue that instilling artificial intelligences with computational narrative intelligence affords a number of applications beneficial to humans. We lay out some of the machine learning challenges necessary to solve to achieve computational narrative intelligence. Finally, we argue that computational narrative is a practical step towards machine enculturation, the teaching of sociocultural values to machines.

연구 동기 및 목표

• 인간 중심의 상호작용과 공감을 향상시키기 위해 인공지능이 감정적으로 반응할 수 있는 내러티브를 창작하고 이해하고 응답할 수 있도록 하는 것.
• 내용에서 암묵적으로 드러나는 인과적 및 시간적 관계를 포함한 복잡한 내러티브 구조를 이해할 수 있도록 AI가 학습할 수 있도록 하는 도전 과제를 해결하는 것.
• 수동적인 규칙 기반 인코딩의 어려움을 피하기 위해, 이야기를 통해 사회문화적 가치를 교육하는 방식으로 기계의 문화적 내재화를 위한 길로 내러티브 지능을 탐색하는 것.
• 훈련, 저널리즘, 개인화된 엔터테인먼트와 같은 분야에서 사용 가능한 현실적이거나 환상적인 내러티브를 생성할 수 있도록 AI 시스템을 가능하게 하는 것.
• AI의 결정과 행동을 내러티브로 프레임링하여 설명 가능성과 인간이 느끼는 신뢰도를 향상시키는 것.

제안 방법

• 대규모 내러티브 코퍼스—소설, 뉴스 기사, 우화, 영화 및 만화와 같은 미디어—를 활용하여 지도 및 자기지도 기반 기계 학습을 수행하는 것.
• 텍스트, 음성, 시각적 미디어를 모두 분석할 수 있도록 다중모달 처리(NLP 및 컴퓨터 비전 통합)를 적용하여 그림이나 영화 형식의 내러티브를 분석하는 것.
• 암묵적인 인과적 및 시간적 사건 구조에 대한 추론이 요구되는 이해도 평가를 위해 내러티브 질의 응답을 벤치마크로 사용하는 것.
• 사용자 선호도와 맥락에 맞게 새로운, 일관성 있고 개인화된 내러티브를 생성할 수 있는 내러티브 생성 모델을 개발하는 것.
• 대규모로 수집된 또는 문화적으로 대표적인 내러티브에서 사회문화적으로 적절한 행동과 가치를 추출하기 위해 '내러티브에서 학습하기'(LfS) 기법을 적용하는 것.
• 사건, 주체, 목표, 정서 상태를 인코딩하는 구조적 의미 모델을 사용하여 추론 및 계획을 지원하는 내러티브 지식을 표현하는 것.

실험 결과

연구 질문

• RQ1 암묵적으로 드러나는 인과적 및 시간적 관계를 포함한 자연어 내러티브에서 이러한 관계를 이해할 수 있도록 인공지능 시스템을 어떻게 훈련시킬 수 있는가?
• RQ2 일관성 있고 새로운, 개인화된 환상적 또는 현실 내러티브를 생성하기 위해 필요한 기계 학습 아키텍처와 훈련 프레임워크는 무엇인가?
• RQ3 인공지능에게 사회문화적 가치와 규범을 가르치기 위해 내러티브를 사용할 수 있는 방법은 무엇이며, 수동적 규칙 기반 인코딩의 어려움을 피할 수 있는가?
• RQ4 내러티브 지능은 인간 중심의 응용에서 AI 시스템의 설명 가능성과 신뢰도를 어떻게 향상시킬 수 있는가?
• RQ5 영화, 그래픽 노블 등 다중모달 내러티브는 텍스트 외적 맥락을 넘어서 내러티브 맥락을 이해하도록 AI를 훈련시키는 데 어떤 역할을 하는가?

주요 결과

• 계산적 내러티브 지능은 AI가 정서적 및 문화적 뉘앙스를 지닌 이야기를 생성하고 이해함으로써 인간-AI 유대감과 소통을 향상시킨다.
• 내러티브 기반 학습은 수동적 가치 인코딩의 대안으로서 확장 가능한 방법을 제공하며, 다양한 문화적으로 대표적인 내러티브 코퍼스에서 사회문화적 규범을 학습할 수 있도록 한다.
• 훈련용 시뮬레이션을 위한 내러티브 생성은 무한한, 맥락에 맞는 시나리오를 생성할 수 있으며, 헬스케어 및 방위 분야의 기술 습득을 지원한다.
• 내러티브 질의 응답 작업을 통해 현재 시스템이 암묵적인 인과성과 시간적 추론에 여전히 어려움을 겪고 있음을 확인하였으며, 이는 핵심 연구 과제임을 시사한다.
• 내러티브에서 학습하기(LfS)는 기계의 문화적 내재화에 대한 실현 가능성을 입증한 개념적 실증 사례로서, AI가 내러티브 데이터로부터 인간과 유사한 행동을 모방할 수 있음을 보여준다.
• AI 결정을 내러티브로 프레임링하면 투명도가 향상되고 사용자 신뢰도가 증가하여, 인간 사용자가 더 이해하고 더 인간다운 행동으로 느끼게 한다.