🚀 인공지능의 추론 기법: 규칙 기반 추론과 확률 기반 추론

📌 1. 추론(Inference)이란?

✅ 추론이란?

추론(Inference)은 주어진 데이터(전제)에서 논리적으로 새로운 결론을 도출하는 과정입니다.
즉, 기존의 지식을 바탕으로 새로운 사실을 유추하여 AI가 스스로 학습하고 결정을 내릴 수 있도록 합니다.

📌 추론이 필요한 이유
✔ AI가 단순한 데이터 분석을 넘어 논리적인 결론을 도출하기 위해
✔ 새로운 정보를 학습하고, 기존 데이터에서 의미를 추출하기 위해
✔ 불확실한 상황에서도 최적의 의사 결정을 내리기 위해

📌 추론이 사용되는 분야

• 의료 AI → 환자의 증상에서 질병을 추론

• 자동 추천 시스템 → 사용자 취향을 기반으로 콘텐츠 추천

• 자율주행 AI → 주변 환경을 분석하여 차량의 경로 결정

• 챗봇 및 자연어 처리(NLP) → 대화 흐름을 분석하여 적절한 응답 생성

추론 기법은 크게 규칙 기반 추론(Rule-Based Inference)과 확률 기반 추론(Probabilistic Inference)으로 나뉩니다.
이제 각각의 기법을 자세히 살펴보겠습니다.

📌 2. 규칙 기반 추론(Rule-Based Inference)

✅ 규칙 기반 추론이란?

규칙 기반 추론은 "If-Then" 형태의 논리를 사용하여 추론을 수행하는 방식입니다.
즉, 명확한 규칙이 정의된 경우, 해당 규칙을 적용하여 결론을 도출하는 방식입니다.

📌 규칙 기반 추론의 예제

🏥 시나리오
환자 A가 병원에 방문하여 열이 나고 기침을 하는 증상을 호소함.
의료 AI 시스템은 규칙 기반 추론을 사용하여 진단을 진행함.

🔍 적용 규칙

규칙1) IF 환자가 열이 나면, Then 감기일 가능성이 높다
규칙2) IF 환자가 기침을 하면, Then 감기일 가능성이 높다.
규칙3) IF 환자가 열이 나고, 목이 아프다면, Then 독감일 가능성이 높다. 

🔄 추론 과정

✅ **규칙 1 적용** → 환자에게 열이 있으므로, **감기일 가능성이 높음** ✅ **규칙 2 적용** → 환자가 기침을 하므로, **감기일 가능성이 높음** ❌ **규칙 3 적용 불가** → 환자는 목이 아프지 않으므로, **독감 가능성 배제**

📌 결론: AI 시스템은 규칙 1과 규칙 2를 바탕으로 "환자 A는 감기일 가능성이 높다."라는 진단을 내림.

🔍 규칙 기반 추론의 유형

📌 규칙 기반 추론의 특징

✔ 명확한 규칙이 있을 때 강력한 성능 발휘
✔ 전문가 시스템(Expert System)에서 널리 사용됨
✔ 새로운 상황을 처리하기 어렵고, 유지보수가 복잡할 수 있음

📌 사용 사례

• 의료 진단 시스템 → 증상과 질병의 관계를 규칙으로 정의하여 추론

• 자동화된 업무 처리 시스템 → 특정 조건을 만족할 때 자동 실행

• 법률 AI → 법 조항을 기반으로 논리적 판단 수행

📌 3. 확률 기반 추론(Probabilistic Inference)

✅ 확률 기반 추론이란?

확률 기반 추론은 불확실한 정보 속에서 가장 가능성이 높은 결론을 추론하는 방식입니다.
즉, 이전 데이터와 확률을 바탕으로 최적의 답을 예측하는 방법입니다.

📌 확률 기반 추론이 필요한 이유
✔ 완벽한 정보를 얻기 어려운 상황에서 결론을 내려야 할 때
✔ 불확실한 데이터 속에서도 최적의 결정을 내리기 위해
✔ AI가 확률적 사고를 통해 인간과 유사한 의사 결정을 수행하도록 하기 위해

📌 확률 기반 추론이 사용되는 분야

• 스팸 필터링 → 이메일이 스팸일 확률을 계산하여 필터링

• 의료 AI → 증상 데이터를 기반으로 특정 질병일 확률 계산

• 자율주행 AI → 도로 상황과 날씨 데이터를 기반으로 위험 요소 예측

• 챗봇 및 자연어 처리(NLP) → 문맥을 분석하여 적절한 응답 확률 계산

📌 4. 베이즈 정리(Bayes' Theorem)

✅ 베이즈 정리란?

베이즈 정리(Bayes' Theorem)는 새로운 정보가 주어졌을 때, 기존 확률을 업데이트하는 수학적 방법입니다.
즉, 과거 데이터를 기반으로 새로운 사건이 발생할 확률을 계산하는 방식입니다.

📌 베이즈 정리 공식

P(A | B) = P(B | A) * P(A) / P(B)

• P(A | B): B가 주어졌을 때 A가 발생할 확률 (사후 확률, Posterior Probability)

• P(B | A): A가 주어졌을 때 B가 발생할 확률 (우도, Likelihood)

• P(A): A가 발생할 확률 (사전 확률, Prior Probability)

• P(B): B가 발생할 확률 (증거, Evidence)

📌 5. 확률 기반 추론의 예제

🏥 의료 진단 AI 예제

환자가 특정 질병(예: 독감)에 걸렸을 확률을 계산해 보겠습니다.

• P(독감) = 10% (사전 확률, 독감에 걸릴 일반적인 확률)

• P(기침 | 독감) = 80% (독감일 때 기침을 할 확률)

• P(기침) = 30% (전체 환자 중 기침을 하는 비율)

베이즈 정리를 적용하면,

P(독감 | 기침) = P(기침 | 독감) * P(독감) / P(기침) = (0.8 * 0.1) / 0.3 = 0.2667 (26.67%)

즉, 기침을 하는 환자가 실제로 독감일 확률은 약 26.67%입니다.

📌 6. 베이지안 네트워크(Bayesian Network)

✅ 베이지안 네트워크란?

베이지안 네트워크(Bayesian Network, BN)는 확률 변수들 간의 관계를 그래프로 표현하여 추론하는 모델입니다.
즉, 다양한 요인들이 어떻게 연결되어 있는지 확률적으로 모델링하는 방식입니다.

📌 베이지안 네트워크 구조

• 노드(Node) → 확률 변수 (예: 독감, 기침, 발열)

• 엣지(Edge) → 변수 간의 관계 (독감 → 기침, 발열)

• 확률표(Conditional Probability Table, CPT) → 변수 간의 확률값 저장

📌 베이지안 네트워크 예제

🏥 의료 AI 예제

(독감) → (기침)
  ↓
(발열)

• P(독감) = 10%

• P(기침 | 독감) = 80%

• P(발열 | 독감) = 90%

• P(기침 | 발열, 독감) = 85%

베이지안 네트워크를 활용하면 각 변수 간의 확률 관계를 바탕으로 가장 가능성이 높은 진단을 추론할 수 있습니다.

📌 베이지안 네트워크의 특징
✔ 확률적 의사 결정이 가능하며, 불확실한 데이터 처리 가능
✔ 변수 간의 관계를 그래프로 직관적으로 표현 가능
✔ 확률 표(CPT)가 커질수록 계산량이 증가할 수 있음

🎯 마무리: 규칙 기반 추론 vs 확률 기반 추론 비교

📌 AI 시스템의 목적과 환경에 따라 적절한 추론 방식을 선택!

• 규칙 기반 추론 → 명확한 논리가 필요한 경우 (예: 법률 AI, 전문가 시스템)

• 확률 기반 추론 → 불확실한 데이터를 다루는 경우 (예: 의료 AI, 스팸 필터, 자율주행)