- 지식을 사실과 규칙(IF–THEN)으로 표현할 수 있다.
- 추론을 통해 아는 사실에서 새로운 지식을 끌어낼 수 있다.
- 규칙 기반 인공지능과 학습 기반 인공지능의 차이를 설명할 수 있다.
생각 열기 — 의사 선생님의 머릿속
의사는 어떻게 진단할까요? "열이 나고(사실), 기침을 한다(사실). 그런데 '열 + 기침 + 인후통이면 감기 의심'(규칙)이지. 인후통도 있으니(사실)… 감기로 의심된다(새로운 결론)." 이렇게 우리는 아는 사실들에 규칙을 적용해 새로운 결론을 끌어내요. 이것이 바로 추론입니다.
인공지능의 한 갈래는 이 과정을 그대로 흉내 내요. 전문가의 지식을 사실과 규칙으로 컴퓨터에 적어 두고, 컴퓨터가 그 규칙을 적용해 스스로 결론을 내리게 하는 거죠. 2·3차시의 '탐색'이 길을 찾는 능력이었다면, 오늘의 '추론'은 생각을 이어 결론에 이르는 능력입니다.
스무고개 게임을 떠올려 보세요. "동물인가요? → 네", "날 수 있나요? → 아니요"처럼 질문과 답(사실)을 모아 정답을 좁혀 가죠. 이때 여러분의 머릿속에서는 어떤 '규칙'들이 작동하고 있을까요?
지식을 적는 법 — 사실과 규칙
컴퓨터가 알아듣는 지식의 모양
사람의 지식을 컴퓨터에 넣으려면 분명한 형태로 바꿔야 해요. 가장 기본적인 두 가지가 사실과 규칙입니다.
사실(fact)
참인 것으로 알려진 정보. "참새는 새다", "지금 비가 온다"처럼 그냥 주어진 정보예요.
규칙(rule)
"만약 ~라면, ~이다(IF–THEN)" 형태의 지식. "비가 오면, 우산을 챙겨라"처럼 사실들을 잇는 다리예요.
이렇게 지식을 컴퓨터가 다룰 수 있는 형태로 나타내는 것을 지식 표현(knowledge representation)이라고 해요. 규칙은 정보 과목 3단원에서 배운 조건문(if 문)과 똑 닮았죠? 맞아요 — 규칙 기반 AI는 결국 잘 정리된 거대한 조건문 묶음이라고 볼 수 있어요.
🎮 분류 게임 — 사실일까, 규칙일까?
다음 지식이 사실인지 규칙(IF–THEN)인지 분류해 보세요!
📌 사실
🔗 규칙 (IF–THEN)
추론 — 아는 것에서 새것을 끌어내기
규칙을 적용해 결론으로
추론(inference)의 가장 기본 형태는 이래요. "A이면 B이다"라는 규칙이 있고 "A이다"라는 사실이 있으면, "B이다"라는 새 사실을 끌어낼 수 있어요. 이 단순한 한 걸음을 차곡차곡 쌓으면 복잡한 결론에도 이릅니다.
🧩 추론의 한 걸음 — 단계별로 보기
[다음 단계] 버튼을 눌러 추론이 어떻게 결론에 이르는지 따라가 보세요.
💡 이렇게 '규칙 + 사실 → 새 사실'로 결론을 끌어내는 가장 기본적인 추론 방식을 전건 긍정(modus ponens)이라고 해요. 컴퓨터 추론의 출발점입니다.
이제 규칙이 여러 개일 때를 봅시다. 한 규칙이 만든 새 사실이 또 다른 규칙의 조건이 되어 연쇄적으로 추론이 일어나요. 이것을 전향 추론(전방향 추론)이라고 합니다. 직접 추론 엔진을 돌려 볼까요?
관찰한 사실을 체크하고 [추론 시작]을 누르면, 엔진이 규칙을 하나씩 발동시켜 새로운 사실을 끌어내고 마침내 동물의 정체를 밝혀냅니다. 어떤 규칙이 언제 발동하는지 지켜보세요!
📖 지식 베이스 (규칙 6개)
🧠 알고 있는 사실 (추론하며 쌓여요)
📜 추론 과정
두 갈래의 인공지능 — 규칙 vs 학습
사람이 적느냐, 데이터가 가르치느냐
오늘 만든 추론 엔진처럼 사람이 직접 지식(규칙)을 적어 넣는 인공지능을 전문가 시스템(규칙 기반 AI)이라고 해요. 반대로 정보 4단원에서 본 데이터로 스스로 규칙을 찾는 방식이 기계학습(이 과목 2단원!)이죠. 둘은 인공지능의 두 기둥이에요.
| 비교 | 규칙 기반 AI (오늘) | 학습 기반 AI (2단원) |
|---|---|---|
| 지식의 출처 | 사람(전문가)이 규칙을 적음 | 데이터에서 스스로 패턴을 찾음 |
| 설명 가능성 | 높음 — 왜 그 결론인지 규칙으로 설명 | 낮을 수 있음 — 이유 설명이 어려움 |
| 잘 맞는 문제 | 규칙이 분명한 분야(법률·진단 절차) | 규칙이 복잡·애매한 문제(이미지·음성) |
| 약점 | 규칙을 일일이 적기 어렵고 예외에 약함 | 많은 데이터 필요, 편향 위험 |
규칙 기반 AI의 가장 큰 약점은 모든 규칙을 사람이 직접 적어야 한다는 점이에요. 전문가도 자신의 '감'을 규칙으로 다 풀어내긴 어렵고("어떻게 아는지 나도 잘…"), 세상의 예외는 끝이 없죠. 규칙이 수천 개가 되면 서로 충돌하기도 해요. 이 '지식 획득의 병목' 때문에, 규칙으로 적기 힘든 문제(고양이 사진 알아보기 등)는 데이터로 배우는 기계학습이 주류가 되었어요. 하지만 설명이 중요한 분야(왜 그 결론인지 따져야 하는 의료·법률·금융)에서는 규칙 기반의 투명함이 여전히 큰 장점이고, 요즘은 두 방식을 결합하기도 한답니다.
확인 문제
바로바로 채점!
4차시 확인 문제
4문항 · 즉시 채점
1다음 중 '규칙(rule)'에 해당하는 것은?
2인공지능에서 '추론(inference)'이란?
3추론 엔진에서 '깃털이 있다 + 헤엄친다'로 '펭귄'을 알아내려면, 먼저 어떤 사실이 추론되어야 할까?
4규칙 기반 인공지능(전문가 시스템)의 장점으로 가장 적절한 것은?
더 알아보기
교과서 너머의 이야기 — 클릭해서 펼쳐 보세요
역사규칙으로 의사를 만들다 — 전문가 시스템의 전성기
1970~80년대는 규칙 기반 AI, 곧 전문가 시스템의 전성기였어요. 대표작 마이신(MYCIN)은 스탠퍼드대가 만든 감염병 진단 시스템으로, 약 600개의 규칙(IF 이런 증상·검사 결과 THEN 이런 균 의심)을 담아 전문의에 버금가는 진단을 내놨습니다. 기업의 의사결정, 컴퓨터 부품 구성, 광물 탐사 등에도 널리 쓰였죠. 하지만 한계가 분명했어요 — 규칙을 사람이 다 적어야 했고(지식 획득의 병목), 규칙에 없는 상황엔 무력했으며, 상식이 부족했죠. 결국 데이터로 배우는 기계학습에 주류 자리를 내주었지만, '사람의 지식을 컴퓨터에 담는다'는 도전은 오늘날 지식 그래프로 이어지고 있어요. AI의 역사는 '규칙'과 '학습' 사이를 오가며 발전해 온 셈입니다.
심화거꾸로 생각하기 — 전향 추론 vs 후향 추론
추론에는 방향이 있어요. 오늘 엔진이 쓴 전향 추론은 가진 사실에서 출발해 발동 가능한 규칙을 계속 적용하며 결론까지 나아가요(데이터 → 결론). 반대로 후향 추론은 증명하고 싶은 결론에서 거꾸로 출발해, "이게 참이려면 무엇이 필요하지?"를 따져 내려가요(결론 → 필요한 사실). 스무고개를 예로 들면, "혹시 펭귄일까?(가설) → 그러려면 새이고 헤엄쳐야 해 → 그걸 물어보자"가 후향 추론이에요. 진단처럼 가설을 세우고 확인하는 문제엔 후향 추론이, 센서 데이터에서 상황을 파악하는 문제엔 전향 추론이 잘 맞아요. 똑같은 지식 베이스라도 어느 방향으로 추론하느냐에 따라 효율이 크게 달라진답니다.
최신지식을 그래프로 — 검색 엔진 속 지식 그래프
"앨런 튜링"을 검색하면 오른쪽에 생몰년·직업·관련 인물이 깔끔하게 뜨는 것, 본 적 있죠? 이것은 지식 그래프(knowledge graph) 덕분이에요. 세상의 지식을 '개체–관계–개체'의 그물망으로 표현한 거대한 사실 데이터베이스죠(예: 튜링 —[직업]→ 수학자, 튜링 —[국적]→ 영국). 오늘 배운 '사실로 지식을 표현하기'를 인터넷 규모로 키운 셈이에요. 검색 엔진, 음성 비서가 "튜링의 국적은?" 같은 질문에 즉답할 수 있는 건 이 지식 그래프 위에서 추론하기 때문입니다. 최근에는 거대 언어 모델(2단원)과 지식 그래프를 결합해, '그럴듯한 말'에 '정확한 사실'을 더하려는 연구가 활발해요 — 규칙·지식과 학습이 다시 손잡는 거죠!
생각'참 아니면 거짓'을 넘어 — 퍼지 논리
지금까지의 규칙은 '참(1) 아니면 거짓(0)'으로 딱 떨어졌어요. 그런데 현실은 애매하죠 — "키가 크다"는 몇 cm부터일까요? 180cm는 크고 179cm는 안 크다고 하긴 이상하잖아요. 퍼지 논리(fuzzy logic)는 이 애매함을 다뤄요. '크다'를 0과 1 사이의 정도(예: 0.7만큼 크다)로 표현하는 거죠. 덕분에 "조금 덥고 약간 습하면 에어컨을 중간 세기로"처럼 사람의 '대충' 감각에 가까운 규칙을 만들 수 있어요. 에어컨, 세탁기, 밥솥, 지하철 자동 운전 같은 가전·제어 분야에서 지금도 널리 쓰입니다. 다음에 에어컨이 알아서 온도를 부드럽게 조절하는 걸 보면, 그 속에 퍼지 논리가 일하고 있을지도 몰라요!