[이산구조 개념-11] 추론 엔진과 패러다임 변화 — 전문가 시스템에서 딥러닝까지

1. 추론 엔진(Inference Engine)이란

추론 엔진은 인공지능 및 전문가 시스템 내 핵심 소프트웨어 구성 요소로, 주어진 데이터와 지식을 바탕으로 새로운 결론을 도출하고 문제 해결을 수행하는 시스템의 '두뇌' 역할을 담당한다.

사람의 두뇌와의 비교

사람의 두뇌추론 엔진

감각기관으로 정보 수집	데이터 입력
기억과 경험으로 판단	지식 베이스 활용
새로운 결론 도출	추론 결과 출력

의료 진단 비유

의사는 환자의 증상(데이터) 과 의학 지식(지식) 을 조합하여 병명을 진단(결론) 한다. → 추론 엔진도 동일한 구조로 작동한다.

💡 추론 엔진은 단순히 데이터를 저장하는 도구가 아니라, 데이터로부터 새로운 지식을 만들어내는 능동적 시스템이다.

---

2. 추론 엔진의 두 가지 접근법

추론 엔진은 시대에 따라 두 가지 큰 패러다임으로 나뉜다.

시대패러다임핵심

1970~1990년대	전문가 시스템	사람이 규칙을 직접 입력
2010년대 이후	딥러닝	컴퓨터가 데이터에서 규칙 학습

이 두 패러다임의 본질적 차이가 이번 강의 핵심 주제다.

---

3. 전문가 시스템(Expert System) — 전통적 추론 엔진

정의

전문가 시스템은 인간 전문가의 지식을 컴퓨터에 입력하여 연역적 결론을 도출하는 전통적 추론 시스템이다.

베테랑 직원 비유

30년 경력의 베테랑 직원이 자신의 모든 노하우를 컴퓨터에 알려주고, 컴퓨터가 그 노하우로 일을 처리하는 방식.

핵심: 사람이 명시적으로 모든 규칙을 입력한다.

구조

 

 

[지식 베이스]
   ├─ 사실 (Fact)
   └─ 규칙 (Rule, IF-THEN)
        ↓
   [추론 엔진]
        ↓
   [결론]

머신러닝과의 결정적 차이

항목전문가 시스템머신러닝/딥러닝

규칙 생성 주체	사람	컴퓨터
규칙 형태	명시적 IF-THEN	암묵적 가중치
학습 능력	없음 (정적)	있음 (동적)
설명 가능성	높음	낮음 (블랙박스)

💡 전문가 시스템은 6강의 추론 규칙(Modus Ponens 등)을 소프트웨어 알고리즘으로 구현한 형태다. 즉, 이산구조의 형식적 증명이 실제로 작동하는 시스템이다.

---

4. 지식 베이스(Knowledge Base) — 전문가 시스템의 두뇌

정의

지식 베이스는 전문가 시스템의 핵심 구성 요소로, 특정 분야의 '사실(Fact)'과 '규칙(Rule, IF-THEN)' 을 조합하여 저장해 놓은 데이터 저장소다.

비유

백과사전 + 전문 서적 = 시스템의 모든 지식 원천

구성 요소

구성 요소예시

사실(Fact)	"철수는 이산구조를 이수했다"
사실(Fact)	"철수는 DB기초를 이수했다"
규칙(Rule)	"IF 이산구조 ∧ DB기초 THEN DB응용 수강 가능"
규칙(Rule)	"IF DB응용 수강 가능 THEN 심화 전공 가능"

추론 흐름

 

 

[사실들] + [규칙들]
        ↓
   추론 엔진이 매칭
        ↓
   새로운 사실 도출
        ↓
   최종 결론

💡 연결: 6~7강에서 배운 형식적 증명에서 "전제 + 추론 규칙 → 결론" 구조가 그대로 지식 베이스의 구조와 일치한다. 즉, 지식 베이스는 이산구조 증명 구조의 데이터베이스화다.

---

5. 순방향 추론(Forward Chaining) — 데이터 주도 ⭐

정의

순방향 추론은 주어진 데이터/사실에서 출발하여 규칙을 적용하고, 목표 결론에 도달할 때까지 새로운 사실을 지속적으로 생성해 나가는 데이터 주도(Data-Driven) 추론 방식이다.

도미노 비유

첫 번째 도미노(사실)가 쓰러지면 → 다음 도미노(규칙) → 또 다음 도미노 → ... → 마지막 도미노(결론)

'사실 → 규칙 적용 → 새 사실 → 규칙 적용 → ... → 결론' 의 흐름이다.

Modus Ponens와의 관계

순방향 추론은 6강에서 배운 긍정법칙(Modus Ponens) 의 반복 적용이다.

 

 

P, P→Q  ⊢  Q          (1차 적용)
Q, Q→R  ⊢  R          (2차 적용)
R, R→S  ⊢  S          (3차 적용)
   ⋮

실전 예제

주어진 사실:

• 철수는 '이산구조' 이수 ✅
• 철수는 'DB기초' 이수 ✅

규칙:

• 규칙 1: (이산구조 ∧ DB기초) → DB응용 수강 가능
• 규칙 2: (DB응용 수강 가능) → 심화 전공 가능

순방향 추론 진행

단계도출 사실적용 규칙

1	이산구조 ∧ DB기초 (둘 다 참)	주어진 사실
2	DB응용 수강 가능	규칙 1 + Modus Ponens
3	심화 전공 가능 ✅	규칙 2 + Modus Ponens

💡 순방향 추론의 강점: 모든 가능한 결론을 자동으로 도출 → "이 학생이 무엇을 할 수 있는지 모두 알려줘"같은 질문에 적합.

---

6. 역방향 추론(Backward Chaining) — 목표 주도 ⭐

정의

역방향 추론은 목표 결론 또는 가설을 우선 설정한 후, 이를 뒷받침하는 사실이 지식 베이스에 존재하는지 역추적하여 확인하는 목표 주도(Goal-Driven) 추론 방식이다.

탐정 수사 비유

셜록 홈즈가 "이 사람이 범인이다(목표)"라고 가정하고, 그 사람이 범행을 저지를 수 있었는지 증거를 역추적하는 방식.

'목표 → 필요한 규칙 찾기 → 필요한 사실 확인 → ... → 사실 검증 완료' 의 흐름이다.

Modus Tollens와의 유사성

역방향 추론은 Modus Tollens 와 유사한 사고방식이다. "결론이 참이려면 무엇이 참이어야 하는가?"를 거꾸로 추적한다.

실전 예제

목표: "심화 전공이 가능한가?"

역방향 추론 진행

단계질문확인

1	심화 전공 가능 ← ?	규칙 2: DB응용 수강 가능이 필요
2	DB응용 수강 가능 ← ?	규칙 1: 이산구조 ∧ DB기초가 필요
3	이산구조 이수?	✅ (사실 확인)
4	DB기초 이수?	✅ (사실 확인)
5	모든 조건 충족 → 심화 전공 가능 ✅	결론

💡 역방향 추론의 강점: 특정 목표만 검증하므로 효율적 → "심화 전공이 가능한가?"같은 Yes/No 질문에 적합.

---

7. 순방향 vs 역방향 추론 비교

구분순방향 추론역방향 추론

시작점	주어진 사실	목표 결론
진행 방향	사실 → 결론	결론 → 사실
주도 방식	데이터 주도(Data-Driven)	목표 주도(Goal-Driven)
비유	도미노 게임	탐정 수사
추론 규칙	Modus Ponens 반복	Modus Tollens 유사
적합한 질문	"무엇을 할 수 있는가?"	"X가 가능한가?"
응용	자동 진단, 모니터링	의료 진단, 디버깅

💡 시험 빈출 패턴: 같은 지식 베이스를 주고 "순방향과 역방향으로 각각 추론하시오"가 자주 출제된다. 두 방식의 흐름을 명확히 구분하자.

---

8. 패러다임 변화(Paradigm Shift) — 규칙에서 데이터로 ⭐⭐⭐

정의

추론 엔진의 작동 방식이 전통적인 '명시적 논리 규칙 기반'에서 '데이터와 확률 기반'으로 근본적으로 변화한 것을 의미한다.

핵심 변화

'규칙 생성'의 주체가 사람에서 컴퓨터로 넘어갔다.

시대규칙 생성 주체방법

과거 (전문가 시스템)	사람	사람이 IF-THEN 직접 입력
현재 (딥러닝)	컴퓨터	컴퓨터가 데이터에서 패턴 학습

패러다임 변화 비교표

항목전통적 방식 (전문가 시스템)현대적 방식 (딥러닝)

추론 방식	연역적(Deductive)	귀납적(Inductive)
규칙 형태	명시적 IF-THEN	암묵적 패턴 (가중치 행렬 W)
규칙 생성	사람의 직접 입력	컴퓨터의 데이터 학습
비유	논리 퍼즐 푸는 수학자	초고속 행렬 계산기
설명 가능성	높음 (왜 그런 결론인지 추적 가능)	낮음 (블랙박스)
정확도 한계	입력된 규칙 한도 내	데이터 양에 따라 향상

💡 자동차 조립 비유: 과거에는 사람이 자동차의 모든 부품 조립법을 일일이 가르쳤다면, 이제는 수많은 자동차 조립 과정을 보여주기만 해도 컴퓨터가 스스로 조립 원리를 터득한다.

---

9. 연역적 추론 vs 귀납적 추론

패러다임 변화의 본질은 추론 방식 자체의 변화다.

연역적 추론(Deductive Reasoning)

일반적인 규칙 → 특정 사례에 대한 결론

삼단논법 예시:

단계명제

일반 규칙	"모든 고양이는 포유류이다"
특정 사실	"우리 집 나비는 고양이이다"
결론	"따라서 나비는 포유류이다"

특징: 전제가 참이면 결론도 반드시 참 (100% 확실)

귀납적 추론(Inductive Reasoning)

여러 특정 사례 → 일반적 규칙 발견

관찰 예시:

단계명제

관찰 1	"내가 본 비둘기 1번은 회색이다"
관찰 2	"내가 본 비둘기 2번도 회색이다"
...	...
관찰 1000	"내가 본 비둘기 1000번도 회색이다"
결론 (귀납)	"모든 비둘기는 회색일 것이다" (확률적)

특징: 결론이 개연성은 있지만 100% 보장 안 됨 (예외 가능)

두 추론 방식 비교

구분연역적 추론귀납적 추론

방향	일반 → 특정	특정 → 일반
결론의 확실성	100% (전제가 참이면)	확률적
기반	논리, 명시적 규칙	통계, 확률, 데이터
활용	전문가 시스템	딥러닝/머신러닝
강점	정확성	새로운 패턴 발견
약점	새로운 사실 발견 못함	예외 발생 가능

💡 현대 AI의 역설: 100% 확실한 연역적 추론보다, 확률적이지만 데이터로 학습하는 귀납적 추론이 더 강력한 시대가 됐다. 이유는 현실 세계의 복잡성을 명시적 규칙으로 모두 표현하는 것이 불가능하기 때문이다.

---

10. 딥러닝(Deep Learning) — 현대적 추론 방식

정의

딥러닝은 명시적인 IF-THEN 규칙 없이, 방대한 데이터를 통해 암묵적인 패턴을 학습하고 통계와 확률을 기반으로 추론하는 방식이다.

어린아이 비유

어린아이가 수많은 그림책을 보면서 '고양이'와 '강아지'의 차이를 스스로 터득. 누가 "고양이는 수염이 있고 귀가 뾰족하다"고 가르치지 않아도 학습한다.

핵심 메커니즘

 

 

[학습 단계]
수십만 장의 데이터 → 신경망 학습 → 가중치(W) 조정 완료

[추론 단계]
새로운 데이터 → 학습된 W로 행렬 계산 → 확률값 도출

고양이 vs 강아지 판별 예제

단계작업

학습 단계	수십만 장의 고양이/강아지 사진 입력 → 모델이 스스로 특징 학습 → 가중치 W 저장
추론 단계	새 사진 입력 → 학습된 W와 행렬 곱셈 → "고양이 98%, 강아지 2%" 출력
최종 결정	가장 높은 확률값 → "고양이"로 판정

💡 결정적 차이: 전문가 시스템은 사람이 "수염 있으면 고양이"라는 규칙을 입력했지만, 딥러닝은 모델이 '수염'이 중요한 특징임을 스스로 발견한다.

---

11. 가중치(Weight, W) — 규칙을 대체한 숫자

정의

가중치는 딥러닝 모델에서 데이터의 각 특징이 결과에 미치는 중요도를 나타내는 수치로, 전통적인 추론 엔진의 '규칙' 역할을 대체한다.

직관적 이해

사진에서 고양이를 판별할 때, 귀의 모양이나 수염의 유무가 눈동자 색보다 더 중요하다면 → 귀와 수염에 해당하는 가중치가 더 높은 값을 가진다.

규칙 vs 가중치 비교

항목전통적 규칙딥러닝 가중치

형태	"IF 귀가 뾰족하면 고양이"	W = 0.87 (귀 특징의 중요도)
생성	사람이 직접 정의	데이터로부터 자동 학습
표현	자연어 + 논리 기호	숫자 행렬
변경	수동 수정	학습으로 자동 업데이트

💡 핵심 통찰: 딥러닝의 '규칙'은 더 이상 우리가 읽을 수 있는 문장이 아니라, 수십억 개의 숫자 덩어리(가중치 행렬) 다. 그래서 "왜 이 결정을 내렸는가?"를 설명하기 어려워진다.

---

12. 행렬 곱셈 연산 (y = Wx + b) — 딥러닝의 핵심 수식 ⭐

정의

딥러닝 모델에서 입력 데이터 x와 가중치 W를 결합하고 편향 b를 더하여 다음 층의 활성화 값 y를 계산하는 핵심 수학 연산이다.

공식

 

 

y = W·x + b

기호의미

x	입력 데이터 (특징 벡터/행렬)
W	가중치 행렬 (특징의 중요도)
b	편향 벡터 (출력 조절값)
y	다음 층으로 전달될 결과

작동 원리

 

 

[입력 픽셀들 (x)]
       ↓
[중요도 가중치 곱셈 (W·x)]
       ↓
[편향 더하기 (+b)]
       ↓
[결과 y → 다음 층으로 전달]
       ↓
[수십~수백 층 반복]
       ↓
[최종 출력: 고양이 98%, 강아지 2%]

왜 행렬 곱셈인가?

이유설명

효율성	GPU로 병렬 계산 → 초고속 처리
표현력	복잡한 패턴을 수치로 표현 가능
확장성	데이터·모델 크기에 비례해 성능 향상

💡 충격적인 사실: ChatGPT, 자율주행차, 이미지 생성 AI — 이 모든 것의 본질은 결국 y = Wx + b라는 단순한 행렬 곱셈의 무수한 반복이다. 단지 W의 크기가 수십억~수조 개일 뿐이다.

---

13. 패러다임 변화의 의미 — 두 방식의 공존

어느 쪽이 더 좋은가?

상황에 따라 다르다.

사용 분야적합한 방식이유

의료 진단 (설명 필요)	전문가 시스템 + 딥러닝 결합	진단 근거 설명 필수
이미지 인식	딥러닝	명시적 규칙 정의 불가능
법률 자문 시스템	전문가 시스템	법 조항이 명시적
자연어 번역	딥러닝	언어의 복잡성
세금 계산	전문가 시스템	명확한 규칙 존재
자율주행	딥러닝 + 정형 검증	패턴 학습 + 안전성 보장

Neuro-Symbolic AI — 두 방식의 결합

특별편에서 다뤘던 Neuro-Symbolic AI가 바로 이 두 패러다임을 결합한 차세대 접근법이다. 딥러닝의 패턴 인식 + 전문가 시스템의 논리 규칙 = 설명 가능하고 정확한 AI.

💡 이산구조의 가치: 딥러닝 시대에도 이산구조는 사라지지 않는다. 오히려 AI가 내린 결정의 타당성을 검증하고, 설명 가능성을 부여하는 핵심 도구로 활용된다. 1~10강에서 배운 모든 논리 도구가 현대 AI의 검증과 안전성에 직접 적용된다.

---

📌 한눈에 보는 핵심정리

개념핵심

추론 엔진	AI 시스템의 두뇌 — 데이터+지식 → 결론
전문가 시스템	사람이 IF-THEN 규칙 입력, 연역적 추론
지식 베이스	사실(Fact) + 규칙(Rule)의 저장소
순방향 추론	사실 → 결론 (Data-Driven, Modus Ponens 반복)
역방향 추론	결론 → 사실 역추적 (Goal-Driven)
패러다임 변화	사람이 만든 규칙 → 컴퓨터가 학습한 가중치
딥러닝	데이터로부터 암묵적 패턴 학습, 귀납적
가중치(W)	규칙을 대체한 숫자, 특징의 중요도
연역 vs 귀납	일반→특정 vs 특정→일반
핵심 수식	y = Wx + b (행렬 곱셈)
두 방식 공존	Neuro-Symbolic AI에서 결합

---

🧠 예상문제 2제

문제 1. 순방향·역방향 추론 구분

다음 시나리오에서 사용된 추론 방식으로 옳은 것은?

시나리오: 의사가 환자에게 "심근경색이 의심됩니다. 이를 확인하기 위해 다음 검사들이 필요합니다: ① ECG 검사, ② 혈액 효소 검사, ③ 심장 초음파. 이 검사 결과들이 양성으로 나오면 진단이 확정됩니다."

① 순방향 추론 (Forward Chaining) ② 역방향 추론 (Backward Chaining) ③ 귀납적 추론 (Inductive Reasoning) ④ 딥러닝 추론

👉 정답: ②

이 시나리오는 목표("심근경색")를 먼저 설정한 뒤, 그 결론을 뒷받침할 사실들(ECG, 혈액 검사, 초음파 결과)을 역추적하는 방식이다. 이는 역방향 추론(Backward Chaining) 의 정확한 적용이다.

시나리오 단계추론 방식

"심근경색 의심" (목표 설정)	결론에서 출발
"이를 확인하려면 검사가 필요"	필요 사실을 역추적
"검사 결과 양성 → 진단 확정"	사실 검증으로 결론 입증

💡 순방향 vs 역방향 구분 팁: 사실에서 시작하면 순방향, 결론에서 시작하면 역방향. 시나리오의 첫 문장이 단서다.

---

문제 2. 패러다임 변화 이해

다음 중 전통적 전문가 시스템과 현대 딥러닝의 본질적 차이를 가장 정확히 설명한 것은?

① 전문가 시스템은 정확하고, 딥러닝은 부정확하다 ② 전문가 시스템은 사람이 규칙을 만들고, 딥러닝은 컴퓨터가 데이터에서 규칙을 학습한다 ③ 전문가 시스템은 IF-THEN을 쓰고, 딥러닝은 OR-AND를 쓴다 ④ 전문가 시스템은 과거 기술이고, 딥러닝이 모든 분야를 대체했다

👉 정답: ②

각 선택지 분석:

번호분석

①	정확성은 분야와 데이터에 따라 다름. 의료 영상 진단 등에서는 딥러닝이 더 정확함 ❌
②	패러다임 변화의 본질: 규칙 생성 주체가 사람 → 컴퓨터로 이동 ✅
③	딥러닝도 논리 연산자를 쓸 수 있고, 전문가 시스템이 IF-THEN만 쓰는 것도 아님 ❌
④	두 방식은 공존하며, 명시적 규칙이 필요한 분야(법률, 회계 등)는 여전히 전문가 시스템이 우세 ❌

💡 추가 학습: 패러다임 변화의 핵심은 "누가 규칙을 만드는가"의 문제다. 이것이 설명 가능성, 학습 능력, 적용 분야 등 모든 차이의 근원이 된다. 시험에서는 이 본질적 구분이 자주 출제되니 한 줄로 외워두자: "전문가 시스템 = 사람이 만든 규칙(연역) / 딥러닝 = 컴퓨터가 학습한 가중치(귀납)".