전문가 시스템 (Expert System)
전문가시스템 (Expert System) 은 특정 전문 분야의 인간 전문가가 보유한 고도의 지식과 경험적 휴리스틱(Heuristics)을 인위적으로 컴퓨터에 체계화하여, 비전문가라 할지라도 대화형 인터페이스를 통해 전문가 수준의 문제 해결과 자문을 얻을 수 있도록 설계된 지식 기반 인공지능(Knowledge-Based AI) 시스템입니다. 1980년대 1차 상업화 붐을 이끌었으며, 현대 기호 인공지능(Symbolic AI)과 최신 거대언어모델(LLM)의 신뢰성 검증 가드레일 및 뉴로-심볼릭(Neuro-Symbolic) AI의 핵심 모태입니다.
1. 전문가 시스템의 개념과 5대 핵심 작동 원리
전통적 소프트웨어가 알고리즘(데이터 구조 + 로직) 중심이었다면, 전문가 시스템은 지식(Knowledge)과 추론(Inference)을 엄격히 분리하여 유연성과 설명 가능성을 극대화한 패러다임 전환이었습니다.
전문가 시스템의 5대 핵심 아키텍처 및 순환 상호작용
사용자 인터페이스 & 작업 메모리
대화형 질의응답을 통해 사용자의 관측 사실(Facts)을 수집하고 임시 추론 상태(Working Memory)를 실시간 갱신
추론 엔진 (Inference Engine)
전방향 추론(데이터 주도) 및 역방향 추론(가설 주도) 알고리즘을 구동하여 지식 베이스의 규칙을 발화(Firing)
지식 베이스 (Knowledge Base)
도메인의 규칙(IF-THEN Rules), 사실(Facts), 확신도(Certainty Factors, CF)를 선언적 형태로 영구 저장
설명 서브시스템 (Explanation)
사용자에게 "왜(Why) 이 질문을 하는가?", "어떻게(How) 이 결론에 도달했는가?" 추론 경로를 역추적 설명
지식 획득 모듈 (Acquisition)
지식공학자(Knowledge Engineer)가 인간 전문가의 암묵지를 구조화된 규칙으로 검증·등록·수정하는 엔진
추론 엔진의 두 축: 전방향 추론(Forward) vs 역방향 추론(Backward)
전문가 시스템의 두뇌인 추론 엔진은 문제 해결의 방향에 따라 두 가지 상반된 메커니즘을 사용합니다.
사용자가 제공한 기초 데이터로부터 시작하여 조건부 규칙(IF 부분)을 만족하는 규칙을 찾아 결론(THEN 부분)을 작업 메모리에 새로운 사실로 계속 추가합니다. 새로운 결론이 나오지 않을 때까지 규칙을 연쇄 발화합니다.
"환자가 박테리아 A 감염증인가?"라는 목표 가설을 세운 후, 이 결론을 도출하는 규칙의 전제 조건(IF 조건)들을 하위 목표로 분할하여 사용자에게 필요한 최소한의 질문만 역으로 되물으며 사실을 확인합니다.
2. 1980년대 전문가 시스템이 상업적으로 대성공할 수 있었던 원인
초기 AI(1950~1960년대)가 일반적 문제 해결기(General Problem Solver)라는 과도한 이상주의로 1차 AI 겨울을 맞이한 반면, 1980년대 전문가 시스템은 좁고 깊은 도메인 지식에 집중하여 인공지능 역사상 최초의 상업적 성공을 거두었습니다.
지식 중심 패러다임 (Knowledge-is-Power)
에드워드 파이겐바움 교수는 "인공지능의 지능은 정교한 추론 알고리즘이 아니라, 방대한 전문 지식 그 자체에서 나온다"는 원리를 입증하여 추상적 수학 퍼즐 대신 실세계의 좁고 구체적인 전문 영역을 타깃팅했습니다.
입증된 막대한 상업적 ROI (비용 절감)
DEC(디지털 이큅먼트)사의 R1/XCON은 VAX 컴퓨터 주문 구성 자동화를 통해 연간 4,000만 달러(현재 가치 수천억 원) 이상의 비용을 절감시켰고, 지질 탐사 시스템 PROSPECTOR는 거대 몰리브덴 광맥을 찾아내며 기업 임원진을 열광시켰습니다.
전문가 시스템 쉘(Shell)의 표준화 보급
MYCIN에서 의료 지식을 걷어낸 범용 추론 엔진인 EMYCIN을 필두로 KEE, ART, CLIPS 등 상용 쉘이 보급되었습니다. 프로그래머가 복잡한 추론 코드를 짤 필요 없이 규칙(Rule)만 기술하면 시스템이 완성되어 생산성이 급증했습니다.
정부와 기업의 전략적 자본 집중
일본의 '5세대 컴퓨터 프로젝트(1982)', 미국 DARPA의 전략적 컴퓨팅 이니셔티브(SCI) 등 국가적 대규모 R&D 지원과 포춘 500대 기업의 약 3분의 2가 자체 전문가 시스템 부서를 신설하며 황금기를 구가했습니다.
3. 1990년대 이후 전문가 시스템이 쇠퇴한 치명적 이유 4가지
화려했던 전성기에도 불구하고 전문가 시스템은 구조적 취약성을 극복하지 못하고 붕괴하여 제2차 AI 겨울(Second AI Winter)을 촉발했습니다.
1) 지식 획득의 병목 현상 (Knowledge Acquisition Bottleneck)
인간 전문가의 지식은 언어나 공식으로 명시화하기 어려운 암묵지(Tacit Knowledge)와 무의식적 직관이 지배적입니다. 의사나 엔지니어가 수십 년간 축적한 직관을 인터뷰하여 하나하나의 정밀한 IF-THEN 규칙으로 코딩하는 작업은 천문학적인 비용과 시간, 극심한 피로를 수반했습니다.
2) 취약성(Brittleness)과 상식(Common Sense)의 완전한 부재
전문가 시스템은 지식 베이스에 명시적으로 코딩된 좁은 경계선(Boundary)을 단 1%만 벗어나도 시스템 전체가 허물어지는 극단적인 취약성(Brittleness)을 보였습니다. "피부 질환 진단 시스템에 녹슨 자동차 표면 사진을 보여주면 '심각한 홍역'으로 진단"하는 등, 인간 초등학생도 갖춘 기초적인 상식(Common Sense)이 전혀 없어 황당한 오류를 남발했습니다.
3) 규칙 폭발(Rule Explosion)과 유지보수의 악몽
초기 500개 안팎의 규칙일 때는 완벽하게 작동하던 시스템도 현실 환경의 변화에 맞춰 규칙 수가 수천~수만 개로 늘어나면 규칙들 간의 상충(Conflict), 순환 논리 오류, 예외 처리의 지수적 폭발이 발생했습니다. 하나의 새로운 규칙을 추가하면 기존의 수십 개 규칙이 오작동하여 결국 엔지니어들이 유지보수를 포기하게 되었습니다.
4) 값비싼 전용 LISP 머신의 몰락과 범용 PC 워크스테이션의 부상
전문가 시스템을 구동하기 위해 수억 원을 호가하던 전용 하드웨어(Symbolics, LMI 등의 LISP 머신) 시장은 1980년대 후반 인텔 x86 PC와 Sun 워크스테이션의 급속한 성능 혁신, 그리고 C 언어 기반 범용 소프트웨어 생태계의 대두로 한순간에 붕괴했습니다.
4. 최신 LLM(거대언어모델)과의 심층 비교 및 한계 분석
과거의 1980년대 규칙 기반 전문가 시스템과 2020년대 트랜스포머 기반 LLM(GPT-4, Claude, Gemini 등)은 지식의 획득, 추론 양식, 설명성, 한계에 있어 정반대의 대척점에 서 있습니다.
전문가 시스템 (Expert System) vs 현대 LLM (대형언어모델) 비교 매트릭스
| 비교 차원 | 1980년대 전문가 시스템 (Symbolic AI) | 현대 최신 LLM (Connectionist / Deep AI) |
|---|---|---|
| 지식 획득 방식 | 인간 전문가 인터뷰를 통한 규칙 수동 작성 (극심한 병목) | 수조 개 웹/논문/코드 토큰의 자기지도 비지도 대규모 사전학습 |
| 추론 메커니즘 | 결정론적 기호 논리 (연역적 전방향/역방향 규칙 Chaining) | 수천억 파라미터 가중치를 통한 통계적 다음 토큰 확률 분포 생성 |
| 상식 및 유연성 | 극도로 취약(Brittleness), 영역 외 상식 전무 | 방대한 상식 구비, 문맥 이해 및 유연한 일반화(Generalization) |
| 설명 가능성 (XAI) | 완벽한 추론 트리 및 발화 규칙 경로 100% 역추적 가능 | 블랙박스 신경망, CoT(사고의 사슬)는 그럴듯한 사후 정당화일 위험 |
| 환각 (Hallucination) | 환각 없음 (지식 베이스에 없는 거짓 사실을 지어내지 않음) | 치명적인 환각 문제 상존 (확률적 생성의 본질적 한계) |
| 유지보수 및 업데이트 | 규칙 충돌 및 규칙 폭발로 수정 시 시스템 붕괴 위험 | RAG(검색증강생성), LoRA 파인튜닝, 프롬프트 엔지니어링으로 확장 |
| 현대적 융합 방향 | 뉴로-심볼릭 AI (Neuro-Symbolic AI): LLM의 유연한 자연어 해석력(시스템 1)에 전문가 시스템의 규칙 기반 엄밀한 검증 및 가드레일 엔진(시스템 2)을 결합하여 환각 제로의 신뢰성 확보 | |
전문가 시스템 & 기호 인공지능 명강의
원문에 등장하는 MIT 패트릭 윈스턴 교수의 전설적인 AI 정규 강의와 Crash Course AI의 기호 인공지능 강의를 통해 작동 원리를 시각적으로 마스터할 수 있습니다.
MIT 6.034 AI: Goal Trees & Rule-Based Expert Systems
Prof. Patrick Henry Winston • MIT OpenCourseWare
원문 인용의 주인공인 패트릭 윈스턴 교수가 규칙 기반 전문가 시스템의 전방향/역방향 추론 원리와 목표 트리(Goal Tree) 구축 과정을 직접 강의합니다.
Symbolic AI & Expert Systems: Crash Course AI #10
PBS Crash Course • Jabril • Rule-Based Systems & Knowledge Base
전문가 시스템의 태동, 사실과 규칙을 결합하는 지식 베이스 설계, 그리고 초기 인공지능이 직면했던 한계와 진화 과정을 친절하고 직관적인 애니메이션으로 해설합니다.
전문가 시스템의 개척자들과 역사적 시스템
전문가가 갖고 있는 전문지식을 이용하고자 하는 시도로 맨 처음 성공한 것은 스탠퍼드의 Edward A. Feigenbaum 교수에 의해서였습니다. 그가 DENDRAL이라는 시스템에 화학 분자식과 질량 스펙트럼을 입력시키면, 그 물질의 가장 가능성이 높은 화학구조식을 추정하여 출력하는 컴퓨터 프로그램을 만든 것은 1971년이었습니다. 그는 지식공학 (knowledge engineering)이라는 새로운 학문을 태어나게 한 것입니다.
이에 자극되어 1976년경부터 의료진단 시스템을 중심으로 여러 가지 전문가 시스템이 개발되었습니다. 의료진단은 의사라는 전문가의 과거 경험, 직감, 지식 등이 필요하다는 의미에서 전문가 시스템을 적용하기에 최적이었습니다.
이 분야 최초의 정수는 파이겐바움 교수팀의 Edward H. Shortliffe 와 Bruce Buchanan 이 개발한 MYCIN 입니다. 이 MYCIN을 원천으로 하여 EMYCIN, TEIRESIAS, KAS, ROSIE 라고 하는 전문가 시스템 구축용 툴 (Tool or Shell) 을 낳았습니다.
전문가의 직관과 휴리스틱 추리
우리가 걷고 말하고 자전거를 타고 자동차 운전을 할 때 보통 의식적으로 심사숙고해서 의사결정을 하는 것이 아닙니다. 전문가의 기술은 그 자신의 일부이므로 그 기술을 매번 분리하여 인지할 필요가 없습니다.
불확실성(Uncertainty)의 필연성과 처리
실생활에 있어서 어떠한 사실이나 지식에 대한 확실성이 100%라고 하는 경우는 극히 드뭅니다. 오히려 거의 필연적으로 불확실성을 내포하고 있어 이를 표현하고 처리할 수 있는 기능이 전문가 시스템에 반드시 포함되어 있어야 합니다. 그렇지 않으면 전문가 시스템의 실용적 가치는 떨어질 수밖에 없습니다.
Uncertainty란 "판단이나 의사결정에 필요한 적절한 정보의 부족"이라 할 수 있습니다. 즉 불완전한 정보, 애매한 정보, 잡음이 섞인 정보 등은 의사결정에 있어서 불확실성 (Uncertainty) 을 증대시킵니다. 원하는 결론에 도달하기 위해 필요한 모든 가능한 사실들을 사전에 완벽히 안다는 것은 불가능하므로, 정보가 부족한 시점에서 연역(Deduction), 귀납(Induction), 가설 추론(Abduction) 등의 추론 메커니즘을 사용해야 합니다.
패트릭 윈스턴 교수의 건포도빵 시스템 (Raisin Bread System) 예언
"우리는 AI 의 응용과 관련하여 1980년대와는 아주 다른 새로운 세대로 가고 있다고 생각한다. 1980년대가 전문가 시스템이 인간을 대신하는 세대였다면, 1990년대는 인간을 더 스마트하게 만드는 건포도빵 시스템 (raisin bread system) 으로 불리는 세대일 것이다.
즉, AI가 빵 속에 박힌 건포도처럼 시스템 전반에 자연스럽게 삽입된다. 그것은 많은 공간을 차지하지 않으면서도 시스템 전체에 풍부한 영양을 제공할 수 있다. 건포도 없는 건포도빵은 있을 수 없으며, 여러 가지 다른 종류의 건포도가 있을 수 있다. 그것이 바로 사람들을 더 스마트하게 만드는 건포도빵 시스템이다."