#6 인공지능과 법- 전문가 시스템(2)
Artificial Intelligence and Law Story
지난 글(#5 인공지능과 법-전문가 시스템)을 통해 규칙기반 전문가 시스템이 무엇인지, 본질적 한계점과 그에 따른 대책으로 사례 기반 추론 시스템(Case Based Reasoning)이 제안되었다는 것을 소개하였다.
출처: TeBIT 2017 Executive Report: Double Down on AI and Robotics LOG IN이번 글(#6 인공지능과 법-전문가 시스템(2)에서는 사례 기반 추론 시스템의 특징과 한계점이 무엇인지 간단하게 살펴보고, 법률 전문가 시스템으로 활용되어진 사례는 어떠한 것이 있는지 살펴볼 것이다.
사례 기반 추론 시스템?
사례 기반 추론이란, 새로운 문제를 해석하고 해결하는데 과거의 경험 사례를 이용하는 프로세스를 말한다.
지난 글에서 언급했던 것처럼, 인간은 오래전부터 인간을 닮은 기계를 만들고자 했다.
출처: 구글 이미지그리고 사람이 어떤 규칙에 의해 판단을 하는 것을 모델링하여 규칙 기반의 전문가 시스템(Rule Based Expert System)을 설계했지만 한계점이 존재하였고, 이에 대한 해결 방안으로 인간의 지적 추론 능력인 사례 기반 추론을 모델링 하여 전문가 시스템을 만들었다.
출처: 구글 이미지위 그림은 복잡해보이지만, 핵심 개념은 사례들을 모아놓은 곳(Case Library)에 저장된 과거사례(Previous cases)를 검색하여 유사한 사례를 재사용(Reuse)함으로써 제시된 문제를 해결하는 것이다.
영미법 체계에 있는 변호사들에게는 위와 같은 구조가 아주 익숙하다. 그 이유는, 판사가 새로운 사건에 대해 판결을 내려야하는데 과거에 비슷한 상황의 판례가 있다면, 그 판례로부터 추론하여 결정을 하기 때문이다.
출처: 구글 이미지물론, 오늘날 미국법은 과거와 달리 불문법주의라는 말이 무색할정도로 거의 모든 법 영역에서 성문의 법이 존재한다. 여담이지만, 그럼에도 불구하고 미국 변호사 시험에는 성문법주의를 취하고 있는 국내 변호사 시험과 다르게 변호사 시험장에 제공되는 법전이 따로 없으며, 암기에 의존하여 주어진 문제를 해결해야한다. 물론, 한국 변호사 시험도 시험을 치룰 때에 법전에 의존하여 시험을 보지는 않고, 공부하면서 필요한 법들이 이미 공부하면서 암기가 되어있기 때문에 확인하는 정도로만 사용한다고 한다.
미국 변호사 시험 모습 / 출처: 구글 이미지본론으로 돌아와서, 사례기반 추론 시스템의 아이디어는 직관적이고 쉬워보이지만, 문제점 또한 존재한다.
사례기반추론 시스템의 문제점?
사례기반 추론 시스템을 통해 문제를 해결하기 위한 답을 얻기위해서는 얼마나 많은 양의 사례가 필요로한지 결정해야되는 이슈가 있으며, 만약 케이스 양이 방대해진다면 이로 인해 검색되는 시간이 오래 걸리게 된다는 점 등이 있다. (따라서 가장 유사한 사례를 신속히 도출하는 것이 사례기반 추론 시스템의 주요 성능지표가 된다.) 또한 검색에 있어서 어떤것에 중요점(Weight)을 주어야 하는지, 어떤 Feature를 검색으로 사용해야하는지 등의 이슈 또한 존재한다.
그렇다면, 법률 전문가 시스템은 언제, 어떻게 시작되었고 활용되었을까?
지난글에서 살펴보았던 것처럼, 1960,70년대에 전문가 시스템에 대한 연구가 활발해지면서 의료분야의 전문가 시스템이 성공을 거두자 또 다른 전문 영역인 법률 영역에서의 연구 또한 굉장히 활발하게 진행되었다.
1970년대
최초의 법률 전문가 시스템 연구는 1972년 톤 메카시(Thorne McCarty)의 TAXMAN 프로젝트이다. 이 프로젝트는 미국 연방세법의 규칙과 개념을 표현하는 알고리즘을 구현하는 것이었는데 그가 세법을 선택한 이유는 세법이 사람에게는 복잡해보이는 법이지만, 기계는 규칙만 보기 때문에 오히려 기계가 사람보다 훨씬 효과적으로 작동할 것이라고 생각했기 때문이다.
출처: 구글이미지1990년대
출처: 구글이미지1980년대에는 위에서 소개한 사례기반 추론 시스템의 개념이 등장하였고, 캐빈 애슐리(Kevin Ashley)의 사례기반 추론 시스템을 활용한 HYPO는 많은 파장을 불러일으켰다. 왜냐하면 HYPO는 한 케이스의 사실관계를 가지고 양쪽의 주장(Arguments)을 만들어낼 수 있었기 때문이었다. 또한, 그 주장에 대한 반박주장(Counter Arguments)을 만들수 있었다.(System is able to accept the facts of the case and then generate arguments for the two sides to the case and counterarguments to them)
법률 인공지능 분야에 있어서 많은 영향을 끼치신 이 캐빈 애슐리 교수님을 작년 여름 캐나다 몬트리올에서 열린 17번째 Artificial Intelligence and Law 컨퍼런스 에 참가하여 직접 만나서 인사도 드리고 Artificial Intelligence and Law 튜토리얼 수업도 들었던 것이 아직도 생생하다.
그 이후로, 수 많은 법률 전문가 시스템이 만들어졌는데 1993년에 호주의 제임스 포플교수(James Popple)가 개발한 샤이스터(SHYSTER)는 지식재산권 분야를 대상으로 하는 사례 기반 추론 시스템으로서 사례기반추론시스템 중에 가장 성공한 모델로 평가받고 있다. 그리고 2003년에는 James Popple 교수는 사례기반의 법률 시스템인 샤이스터(SHYSTER)와 지난 글에서 소개했던 규칙기반 전문가 시스템의 의료분야 시스템인 마이신(MYCIN)을 결합하여 더욱 발전된 샤이스터(SHYSTER-MYCIN) 을 개발한다. 이렇게 전문가 시스템은 사람들로 하여금 인공지능에 많은 관심을 갖게 만들고 수 많은 연구와 투자가 이루어졌지만, 이전에 언급했던 전문가 시스템의 문제점들과 한계점 때문에 시스템의 유지와 보수 그리고 확장의 난관에 봉착하였고 사람들의 관심또한 줄어들었다. (이전 글 #1 인공지능의 역사 참고)
그리고 2000년대 초반에 딥러닝의 등장으로 인공지능은 다시 한번 부활하게 되고 여러분이 지금 이 글을 읽고 있는 것과 같이 많은 관심속에서 활발한 연구와 투자는 현재 진행형으로 이루어지고 있다.
<참고>
- 프레디쿠스, 임영익
-Knowledge-Based Systems and Legal Applications, T.J.M. Bench-Capon
- Artificial Intelligence: A Modern Approach(Third Edition)], Stuart Russell and Peter Norvig, Pearson, 2010
- 전문가 시스템의 발전 과정과 미래, 손종수
- Introduction to Machine Learning & Case-Based Reasoning, Maja Pantic
- A Pragmatic Legal Expert System(1996), James Popple
- Information Technology and Lawyers: Advanced Technology in the Legal Domain, Arno R. Lodder, Anja Oskamp
