울산과학기술원UNIST 인공지능대학원 김태환 교수팀은 AI 학습 데이터를 인간이 이해할 수 있는 자연어로 변환함으로써 AI 블랙박스를 설명하는 학습 방법론을 제안했다. 이 연구는 자연어처리NLP 분야 대표 국제학회 EMNLP의 정식 논문으로 채택됐다.
연구팀은 챗GPT와 같은 대형언어모델LLM을 활용해 사진 속 사물의 특징을 여러 문장으로 설명하게 했다. 환각 현상 없는 고품질 설명문을 만들기 위해 인터넷 백과사전과 같은 외부 지식도 참고했다.
LLM이 생성한 수십 개의 설명 문장이 모두 모델 학습에 유효한 것은 아니며, 연구팀은 AI 모델이 정답을 맞추는 데 실제로 참고한 설명문을 식별하기 위해 텍스트 영향력 점수IFT: Influence scores For Texts라는 정량적 분석 지표를 고안했다.
IFT는 두 가지 요소를 합산해 계산한다. 첫째, 특정 설명 문장을 학습 데이터에서 제외했을 때 모델의 예측 오차가 얼마나 변화하는지를 측정하는 영향력 점수, 둘째, 텍스트 설명이 실제 이미지의 시각적 정보와 의미상으로 얼마나 일치하는지를 나타내는 CLIP 점수CLIP Score다.
예를 들어 조류 분류 모델에서 배경 색상에 대한 설명보다 ‘부리의 형태’나 ‘깃털의 무늬’를 묘사한 설명문이 높은 IFT 점수를 기록했다면, 해당 모델은 부리와 깃털의 특징을 학습해 대상을 식별했다고 해석할 수 있다.
연구팀은 영향력이 큰 설명문들이 실제 모델이 정답을 맞추는 성능에도 도움이 되는지를 확인하기 위해 별도의 벤치마크 실험을 설계했다. 영향력이 높은 설명문을 모델 학습에 함께 제공하고 새로운 데이터셋에서 분류 작업을 수행한 결과, 기존 방식보다 안정적으로 높은 성능을 보였다.
김태환 교수는 “연구에서 제시한 AI가 스스로 자신이 학습하는 데이터를 설명하는 방식은 딥러닝의 복잡한 의사결정 과정을 본질적으로 드러내는 방법이 될 수 있다”며 “향후 블랙박스 AI 시스템을 투명하게 이해하는 기반이 될 것이다”라고 말했다.
이 연구는 2023년 11월 5일부터 9일까지 중국 쑤저우에서 열린 EMNLP에서 정식 논문으로 채택됐다.
@Meerae AI 빅데이터 연구소 meerae.info@gmail.com