지식공학의 기법

  지식공학 입문 : 미조구치 후미오. 기타자와 가츠아키 지음, 김현숙 옮김, 전파과학사, 1991, page 23 ~ 57.

GUS 프로그램

SCHOLAR 선생의 추론시스템

지식공학에서 사용하는 소프트웨어

'배우기보다 스스로 익히는 것'이 실력향상의 지름길

언어를 이해하는 시스템 MILISYJ (밀리시제이)

LISP 가 마이크로컴퓨터에서도 사용된다

전용 LISP 머신의 개발

스탠퍼드대학 SUMEX-AIM

GUS 프로그램

지식공학이 무엇을 다루고 어떠한 시스템을 만들어내는지는 지금까지 기술한 대로이다.
그러면 어떻게 하면 이러한 전문가시스템 (expert system) 을 작성할 수 있는지를 생각해보고 또한 전문가시스템 작성을 위해 필요한 기술에 관해서 설명해 보자.

이것도 처음에 다루었던 전문가시스템을 예로 들고, 거기서 사용되고 있는 기술은 무엇인가 하는 식으로 설명해 보기로 하자.

그림 1  단말기를 만지고 놀고 있는 필자의 아이들 (그림생략)

우선 GUS 에 관해서 생각해 보면 GUS 는 회화를 할 수 있다 (다만 음성이 아닌 컴퓨터 터미널을 통해서 회화를 한다)라고 하는 것은 GUS 에게는 언어를 이해하는 능력이 있다는 것이다.
이 능력을 인공시스템에 간단히 내장하는 것으로, 이것이 매우 어려운 것은 우리 자신들의 경험으로 보아도 잘 알 수 있다.

어느 정도 영문법이나 단어의 의미를 기억하고 있고, 그리고 영어를 중학교 때부터 고등학교까지 6년간을 배워도 영어회화에 있어서는 도대체 한마디도 하지 못하는 것을 생각해보면 문제의 어려움을 잘 알 수 있을 것이다.
회화라고 하는 것은 앞에 것의 생략형을 알 수 있어야만 하고 문장을 표현할 때도 간단한 형태로 표현해야 하며 상대가 응답할 때에도 그 문장의 내용을 이해하고 있을 필요가 있다. 다시 말해서 자연언어를 컴퓨터가 이해하는 것은 현재도 연구단계에 있고 인공지능연구의 최대목표의 하나가 되고 있다.
따라서 GUS 가 가진 자연언어 이해능력은 완전히 회화를 이해하는 것은 아니다. 그러나 그 능력이 상당한 것이라는 것은 회화의 예에서도 알 수 있다. 즉 GUS 내부프로그램의 짜임새는 상당히 복잡한 것이라는 것도 예상할 수 있을 것이다.

그림 2  자연언어 이해

이 구조의 전체적인 상태를 그린 것이 그림 2 이다.

우선 구문처리부는 상대문의 주어, 동사, 목적어가 무엇인가를 알 수 있다. 당연한 일이지만 문장 중의 각 단어의 형태가 무엇인가를 조사할 필요가 있다. '아버지가방에들어가신다'라고 쓰면 무엇을 말하는지 잘 알 수 없다. 역시 '아버지가 방에 들어 가신다'라고 띄어쓰기를 함으로써 그 의미가 분명해진다. 따라서 상대문의 각 단어의 형태를 조사하는 것은 중요하다.
이 조사가 끝나면 사전 중에 문 중의 단어가 있는가 없는가를 비교·조회한다.
그리고 단어사전 중에서 그 품사를 알게 되면 그 정보를 근거로 해서 구문을 알 수 있다. 물론 시스템 중에 있는 문법을 적용해서 가장 적당한 문법을 적용시키는 과정을 거쳐 구문처리는 진행된다.
이 단계에서도 상대문을 꽤 이해했다고 할 수 있다.

그러나 좀 더 정확하게 상대문을 이해하기 위해서는 역시 문의 의미를 바르게 파악할 필요가 있다. 예를 들면 '영희는 글씨를 썼다'라는 문장과 '영희는 모자를 썼다'라는 문장에서는 구문은 같지만 내용은 다르다.
이 두 문장을 바르게 이해하기 위해서는 '영희가 … 을 ― 했다'라는 의미를 바르게 처리할 필요가 있다. 여기서는 영희가 모자를 썼다는 것과 글씨를 썼다는 것을 구별하면 되는 것이다.
따라서 의미를 어떻게 데이터 (data : 자료)로서 GUS 에 저장해 두는가 하는 것이 중요하다.

이 단계에까지 오면 회화의 상대가 무엇을 필요로 하고 있는지를 알게 된다. 예를 들면 GUS 의 첫번째 부분에서 손님이 샌디에고행 비행기를 찾는다는 것을 GUS 는 이해한 것이 된다.
그러나 이것만으로는 아무런 구실도 되지 못하고, 상대의 의도에 따라서 비행기 시간을 결정하기 위한 질문을 손님에게 되묻고 있다. 그리고 '오후 10시까지 도착하는 데에 적합한 비행기'를 찾아내고 있는 것이다. 즉 문제해결부를 거쳐서 출력되고 있다.
이 문제해결이라고 하는 것은 컴퓨터에서는 「A 및 B, B 및 C」하는 식으로 「A 는 C」라는 형식을 이용하고 있다.
이상과 같이 회화를 처리하기 위해서 GUS 내부에서는 각종 처리부가 서로 복잡한 정보의 교환을 하고 있는 거이다.

이제 알 수 있듯이 사전, 문법 및 문제해결을 위한 자료를 GUS 는 갖고 있어야만 한다. 즉 이러한 정보는 GUS 의 지식이 되는 것이다. 역시 무에서 유를 만들어내는 일은 GUS 로서는 불가능하다.
최소의 지식을 이용해서 여러 종류의 상대와 회화를 할 수 있는 능력이 필요한 것이다. 따라서 지식을 컴퓨터에 어떻게 저장해 두면 지적인 정보처리가 가능할까 하는 것이다.

이러한 문제를 지식공학에서는 '지식표현'이라고 부른다. GUS 의 일은 여행예약시스템이므로 필요한 지식이라는 것은 연월에 관한 지식이다. 지식이라고 하면 약간 추상적인 개념이고 사실 또는 자료라고 해도 상관없을 것 같다.
연월에 관한 지식은 그림 3 과 같이 종합된 단위로서 GUS 의 데이터베이스(database) 에 저장되어 있다. 그림 3 에서는 연월이라는 단위의 이름을 붙이고 있다. 이 이름이 연, 월, 일, 요일을 대표하고 있는 것이다.

그림 3  연월 단위의 데이터

따라서 데이터의 단위명이 꼭대기에 있고 상세한 연, 월, 일이라는 데이터는 다음 레벨에 있다.

그 연, 월, 일의 다음 레벨이 구체적인 연월이 들어가는 부분이다. 맨 아래에 있다는 뜻으로 바텀 (bottom) 이라고 하고 있다. 이 단위데이터 전체는 톱 (top : 맨꼭대기)에서 바텀까지의 피라미드 구조를 하고 있다. 이 구조를 계층구조라고 하는데, 계층구조로 하면 각 레벨에서의 역할만을 염두에 두면 된다는 이점을 갖게 된다.

예를 들면, 1941년 7월 14일이라는 데이터를 고려할 경우에 그림 3 의 단위를 이용하면 그림 4 와 같이 나타낼 수 있다. 즉 1941을 년에, 7을 월에, 14를 일에 채워넣음으로써 자료는 효율적으로 정리되어 저장되는 것이다.

물론 컴퓨터에 달력을 기억시켜 두는 일은 용이하기 때문에 이러한 1941년 7월 14일이 무슨 요일인가 하는 것은 곧 비교·조합해서 결정할 수 있다.

그림 4  연월 데이터의 적용

다시 말해서 달력이라는 테이블 형태의 지식을 이용해서 새로운 자료로서의 특징을 갖게 한다. 따라서 GUS 에서 "며칠날 돌아오십니까"라고 하는 물음에 대해서 '금요일'하고 대답했다고 하면 최초의 날부터 금요일을 결정할 수 있고, 5월 30일이라는 날짜를 출력할 수 있는 것이다.

이와같이 컴퓨터에 지식을 저장해 두는 방법은 프레임 (frame) 이라고 부른다. 프레임이라는 것은 그림의 틀과 같고 안경의 테와 같은 의미를 갖는다. 다만 그림 5 (다)와 같이 약간 추상적인 의미로 사용되는 데이터의 구조를 의미하고 있다.

그림 5  여러 가지 프레임 (frame)

이 프레임을 이용해서 대상 데이터를 처리하는 이론이 프레임이론이라 하고, MIT 의 민스키 교수가 1975년 초에 제안한 것이다. GUS 는 그 프레임이론의 구체화의 하나라고 할 수 있다.

어떻든 컴퓨터 내부의 데이터는 프레임과 같이 유기적으로 연결되어 있고 또한 위에서 아래로, 추상적인 것에서 구체적인 데이터로 배열되어 있는 것이 특징이라는 것을 알 수 있다.
그러므로 GUS 에서 사용된 지식공학의 기술을 정리해 보면 표 6 과 같이 된다.
언어처리부는 이것으로 대충 설명을 끝낸다. 문제해결부의 프레임 형식이라는 것은 민스키 교수의 이론으로 추론에 관해서는 별로 구체적인 설명이 없다.

표 6  GUS 에 있어서의 이용 기술

이 추론문제를 구체적으로 기술해 가기 위해 다시 하나의 구체적인 시스템인 SCHOLAR 에서의 추론시스템을 살펴보기로 하자.

SCHOLAR 선생의 추론시스템

우선 추론의 기초가 되는 SCHOLAR 의 경우에는 남미의 지리에 관한 Q & A 시스템이고 데이터는 그림 7 과 같다.
GUS 의 경우보다도 복잡하며 한 개의 프레임이 다른 프레임과 상호관계를 맺고 있다.
이와같이 다른 프레임과 네트워크 (망) 로 연결되어 있고, 그 그물의 중개역할로서 의미를 이용하고 있는 이러한 데이터를 의미네트워크라고 한다.

그림 7 의 예에서는 아르헨티나를 중심으로 다루고 있다. 특히 주의할 점은 아르헨티나의 상위개념으로서 나라 (국가)가 있다고 하는 부분이다.
그리고 국가에 관해서는 다른 나라 (국가)라고 하는 프레임속에 상세하게 쓰여 있다. 즉, 아르헨티나의 상위개념으로서 국가가 있고, 그 국가에 관한 정보는 생략하고 있다. 필요하면 국가 프레임을 참조하면 되는 것이다.
따라서 직접적으로는 아르헨티나의 프레임 속에 국가에 관해서는 쓰여져 있지 않지만, 간접적으로는 국가에 관한 것도 의미네트워크에서는 표현되어 있는 것이다.

이와같은 의미네트워크를 이용하면 직접적인 데이터에서 얻어지는 정보만이 아니라 간접적인 정보도 네트워크를 추적함으로써 구할 수 있다. 예를 들면, 다음과 같은 Q & A 에서도 알 수 있다.

학        생 : 아슨시온은 덥습니까?

SCHOLAR : 아슨시온은 파라과이의 일부이므로 아마 덥다고 할 수 있습니다.

이 대답은 다음과 같은 추론에서 비롯된다.
'덥다'라는 것은 상위성질이 기후라고 SCHOLAR 는 판단한다. 그러나 아슨시온의 기후는 SCHOLAR 의 데이터베이스에는 없지만, SCHOLAR 는 아슨시온의 상위부인 파라과이에서 기후정보를 찾아낸다.
그 결과 파라과이의 기후가 아열대라고 판단한다. '덥다'는 아열대기후를 대신 사용한 것으로서 '네' 라고 SCHOLAR 는 대답하고 있다.

그림 7  SCHOLAR 의 지리 데이터

그림 8  SCHOLAR

이 추론을 그림으로 표시한 것이 그림 [2-8]이다.
이 추론과정은 결과적으로는 의미네트워크를 추적해감으로써 수행된다. 다만, 의미네트워크를 추적할 때에 상위국가의 성질은 하위의 지역에도 적용할 수 있다는 것을 이용하고 있다.
상위의 성질을 사용해서 하위의 성질을 추론하는 것을 연역 (inference) 에 의한 추론이라고 부른다.
이에 반해서 귀납에 의한 추론이란 것도 있다. 즉 부분적인 데이터에서 전체적인 추론을 해가는 것이므로 컴퓨터에서 실현하기에는 조금 어려운 기법이다.

그밖에 다음과 같은 Q & A 도 가능하다.

학        생 : 아마존의 수도에 관해서 가르쳐 주십시오.

SCHOLAR : 아마존은 강입니다. 따라서 강이 수도 (首都)를 갖는지 어떤지는 나로서는 알 수 없습니다.

이 경우에 SCHOLAR 는 수도 (首都)에 주목한다. 수도 중의 데이터로 봐서, 의미상에서 적용할 수 있는 것은 국, 주, 성의 세가지가 있다고 SCHOLAR 는 판단한다.
그리고 아마존강의 상위개념인 강은 이 세가지 중에 포함되어 있지 않다. 따라서 SCHOLAR 는 '나로서는 알 수 없습니다'라고 대답한다.

이와같이 데이터베이스의 내용과 다를 때의 추론을 부정에 의한 추론이라고 한다. 이 추론을 이용하면 예를 들어 앞의 아슨시온의 경우에 추운가 하고 물으면 다음과 같이 대답하게 된다.

학        생 : 아슨시온은 춥습니까?

SCHOLAR : 아니오 아열대입니다.

그밖에 흥미있는 추론으로서 기능에 의한 추론이 있다. 예를 들면 다음과 같은 Q & A 가 있다.

학        생 : 아슨시온은 항구입니까?

SCHOLAR : 아슨시온이 항구인지 어떤지 알 수 없습니다. 그러나 아슨시온은 도시입니다. 그러므로 어쩌면 강 옆에 있을지도 모릅니다.

SCHOLAR 가 이용하는 데이터는 약간 가정적인 것도 포함되어 있다. 예를 들면 '남미에서는 도시가 강 또는 하천 근처에 있다' 라는 것이다.
그리고 아슨시온이 항구인지의 여부에 관한 정보는 없지만, 아슨시온이 강 옆에 있다는 정보를 의미네트워크에서 얻어낸다.
그 결과 SCHOLAR 는 아슨시온에는 항구가 있을지도 모른다고 판단한 것이다. 이것은 도시가 갖는 기능적인 사항에 주안을 두고 추론했다고 할 수 있다.
이외에 SCHOLAR 에는 유사에 의한 추론이라는 것도 있다. 처음에 소개한 Q & A 의 장면 3에서의 추론이다.
이와같이 의미네트워크를 효과적으로 조직하고 또한 각종 추론을 도입하면 매우 유연한 정보처리, 말하자면 지적처리가 가능해진다.

지금까지 기술한 SCHOLAR 의 Q & A 는 1970년대 초에 작성한 것이다. 다만, 이 SCHOLAR 의 시스템 개발자인 카야보넬 박사는 애석하게도 젊어서 세상을 떠나버렸다. 그러나 이 SCHOLAR 에서 사용된 기술은 그 후의 지식공학기술에 커다란 영향을 준 것이다.
이상, 지식공학 입장에서 볼 때 직관적으로 알기 쉬운 시스템의 사례를 들어 사용된 기술을 설명하였다. 중심은 지식 표현방법과 추론형식이다.
즉 어떻게 효과적으로 쓸모있는 지식으로서 컴퓨터에 저장해 두는가 하는 방법이 지식표현이다. 그리고 그것을 상황에 따라서 훌륭하게 구사해가는 것이 추론의 역할인 것이다.
단, 이 그림 9 의 컴퓨터 하드웨어 및 소프트웨어에 관해서는 아직 설명하지 않았다.

이것에 관해서는 다음 절에서 살펴보기로 하자.

그림 9  지식공학의 핵심 기술

지식공학에서 사용하는 소프트웨어

앞에서도 기술했듯이 지식공학에 있어서의 시스템과 기술은 종래의 컴퓨터 이용법과 약간 다르다는 느낌을 갖고 있는 독자들도 많을 것으로 생각한다.
보통, 컴퓨터라고 하면 대개의 이용자는 과학기술 계산이라든가 사무처리에 사용하고 있다. 또한 이용하는 프로그램 언어도 FORTRAN 이나 COBOL 이 많이 사용되고 있다.
따라서 어떤 의미로 컴퓨터와 관계를 갖는 사람에게 있어서는 어느날 돌연히 지식공학이라는 말을 듣게 되고, 그것은 대단한 첨단기술로서 앞으로의 정보처리의 방향이 될 것이라고 하면 매우 놀랄 것으로 생각한다.
그래서 여기서는 지식공학의 각종 시스템이 어떠한 컴퓨터를 사용해서 실현되고 있는가 하는 점을 기술하려고 한다. 그 배경이론의 극히 개략적인 것은 기술했으므로 우선 어떠한 프로그램언어를 사용해서 지식공학 프로그램이 작성되고 있는가 하는 점을 설명하려고 한다.

지식공학에서 개발된 많은 프로그램은 기호처리언어를 이용해서 작성되고 있다. 원래 지식이라는 것은 사실이라든가 의미네트워크와 같이 기호로 표현되고 있다.
우리들이 사용하고 있는 언어도 기호이다. 그러므로 그러한 기호로 표현된 지식을 데이터로서 취급하기 위해서는 기호처리언어가 필요한 것이다.
기호처리라는 것은 두가지 기호를 연결하기도 하고 분리하기도 하며, 또한 꺼내기도 하는 조작을 말한다. 여기서 두가지 기호라고 하는 것을 바꾸어 말하면, 두개의 단어라고 생각해도 상관없다. 즉 단어의 배열에 대해서 각종 연산을 할 수 있다.

구체적인 예를들면 그림 10 과 같이 되고, 두개의 기호 (철수 ISA 인간), (영희 ISA 인간) 에 대해서 공통항목을 찾아내는 처리를 보인 것이다. 단지 ISA 라는 것은 영어의 '~ is a ~' 라는 것을 줄였을 뿐이고 '~이다' 라는 것의 약기(略記)이다. 그러므로 두가지 기호의 의미는 각각 '철수는 인간이다', '영희는 인간이다' 라는 것이 된다. 따라서 (ISA 인간)이라는 것이 두 기호의 공통항목이다.
이러한 공통항목을 찾아내는 조작을 기호처리라고 할 수 있는데, 다시 말해서 그림 10 과 같이 두가지 기호의 배열에 대해서 첫 배열의 요소를 하나 꺼내서 그것을 다시 한개의 배열의 각 요소와 순서대로 비교해가는 것이다.

그림 10  공통항처리 프로그램

그 비교에서 동일한 것이 있으면 그것을 쓰고 그것을 공통항이라고 한다. 따라서 철수라는 항을 생각했다고 하면 이 철수와 (영희 ISA 인간) 을 비교해가는 것이다. 물론 공통항이 없기 때문에 다음으로 진행한다.

다음 항은 ISA 인데, 이것을 (영희 ISA 인간)을 비교해가면 ISA = ISA 로 일치한다. 이와같이 해서 비교해가면 (ISA 인간)이 얻어진다.
이와같이 기호처리는 비교와 조합이라는 조작을 중심으로 되어있다. 이 조작을 패턴조합이라고도 하며 이러한 중요한 역할을 하는 것이 기호처리라고 생각해도 된다.

지금까지 설명한 프로그램의 실제 출력을 보여주는 것이 그림 [2-11] 이고, 이 출력은 기호처리언어 중에서 가장 많은 사람들이 사용하고 있는 리스프 (LISP) 이다.

그림 11  공통항처리의 LISP 프로그램

FORTRAN, COBOL 혹은 BASIC 등의 프로그램과는 달라서 잠깐 보는 것만으로는 그 내용을 읽을 수 없다.
다시 말해서 FORTRAN 프로그램에서는 그림 12 와 같이 계산내용과 프로그램이 거의 일체가 되기 때문에 다른 사람이 프로그램을 봐도 처리내용을 대충 알 수 있도록 쓰여있다.
예를 들면 덧셈, 뺄셈 등도 플러스, 마이너스와 같은 대수기호이기 때문에 원래의 계산내용이 무엇인지를 프로그램에서 알 수 있다.
그에 비해 LISP 에서는 프로그램을 구성하는 갖가지 요소의 의미를 알지 못하면 그 처리내용을 알 수 없게 된다. 예를 들면 그림 10 의 내용을 LISP 프로그램에서 사용한 그림 11 에서 「INTERSECTION → 공통항처리, SET → 집합, CAR → 집합의 제 1요소로 취하고, CDR → 집합의 제 2요소를 취한다」와 같은 것이다. 분명히 그림 12 의 FORTRAN 프로그램과 다르다.

그림 12  FORTRAN 프로그램의 예

LISP 에서는 DE 라는 말 ─ 실은 Define 의 약어이다 ─ 에 의해서 분명히 알 수 있듯이 함수를 정의하고 있는 것이다. 여기서의 함수는 공통항처리를 하는 함수이다.

이와같이 LISP 는 FORTRAN 이나 BASIC 에 비해서 내용을 읽기 어렵다는 인상을 피할 수 없다.

'배우기보다 스스로 익히는 것'이 실력향상의 지름길

그러나 프로그램언어라는 것은 익히는 일이 중요하다. 우리도 외국어 중에서 영어에는 익숙한 사람이 많지만 러시아어는 그다지 많다고 할 수 없을 것이다.
대체로 문자에서부터 시작해서 러시아어쪽이 영어보다 어려운 느낌이다. 뭐라해도 영어는 중학교 때부터 시작하여 익숙해 있기 때문에, 사전과 시간이 있으면 그럭저럭 영어소설 따위를 읽을 수가 있다.
아마 프로그램언어에 대해서도 이와같은 원리가 적용될 수 있을 것이다. FORTRAN 이라든가 BASIC 같은 것을 처음 배운 사람은 역시 그러한 언어에 친숙함을 느낄 것이다.
역시 우리가 갖는 적응능력 (즉 익숙해짐)의 플러스와 마이너스면이 프로그램언어의 습득에도 나타나는 것을 예상할 수 있다. 혹은 그러한 면이 새로운 언어에의 알레르기가 되기도 하는 것 같다.

그러나 새로운 컴퓨터의 출현에 따라 각종 새로운 언어가 점차 개발될 가능성이 있다. 미숙한 언어를 새 컴퓨터에 옮기는 일은 가능하지만, 역시 그 언어에 적합한 컴퓨터에서 사용하는 것이 가장 효율적인 것이다. 그러한 의미에서 우리는 항상 새로운 프로그램언어를 사용하지 않으면 안되는 입장에 놓여 있는 것이다.

예를 들면 필자의 연구실에서도 이와 같은 일이 실제로 있었다. 필자가 몸담고 있는 대학의 이공계열의 경우 교양학부의 교육은 FORTRAN 이 주체가 된다. 그런데 3학년쯤 되면 LISP 를 사용하기 때문에 학생들은 약간 당혹스러움을 느끼는 것 같다.
이 학생들 중에서, 신속하게 LISP 를 습득하는 팀이 반드시 저학년에서 컴퓨터실습 성적이 좋았던 학생들이었다고 만은 말할 수 없고, 물론 FORTRAN 에서 서툰 학생들인 것 같다. 그리고 그러한 학생들이 급속히 지식공학 프로그램에 익숙해지는 것 같다.

그리고 LSIP 는 단말기에서 프로그램을 작성하므로 완성이 빠르고 숙달하는 데 도움이 되는 것 같다. 어쨌든 LISP 를 습득하는 과정은 좋은 예제를 배운다는 것을 필자는 3학년 학생들에게서 배우고 있다.
LISP 라는 언어는 지식공학분야에서는 FORTRAN 못지 않게 많이 사용되고 있다. 다만 우리나라에서는 LISP 라는 언어가 FORTRAN 에 비해서 별로 보급되어 있지 못하다.
소프트웨어 전문가들 조차도 LISP 의 실체를 모르는 사람이 있을 정도이다. 그 주된 이유는 컴퓨터라 하면 수치계산이 대상이므로 기호처리는 소수의 사람들에게 한정되어 있기 때문이다.

그러나 각종 분야에서 기호처리가 주목을 받기에 이르렀고 발전을 거듭하고 있는 것이 LISP 이다.

그림 13  LISP 의 작성자 매카시 교수 (스탠퍼드 대학) (그림생략)

언어를 이해하는 시스템 MILISYJ (밀리시제이)

LISP 의 발달은 동시에 시분할 (TSS) 방식의 개발에도 연결되고 있다. 필자도 처음으로 LISP 에 접했을 때의 충격은 지금도 잊혀지지 않는다.
그것은 1975년경에 공개된 것으로 당시 추론기구연구실의 田中穗積 (다나카)씨에게서 연구내용과 LISP 에 관한 설명을 들었을 때 새로운 감각과 가능성에 놀랐다고 하는 것이 솔직한 심정이다.
그 당시의 LISP 그로그램은 '작은 일본어이해시스템 (MILISYJ)' 라고 불리는 것으로 카네기멜론 대학의 톰몰란이 작성한 것을 변환한 것이다.

MILISYJ 와 인간이 주고받는 대화를 예로 든 것이 그림 14 이다.
위너그라드의 자연언어 이해시스템에 비하면 그 회화능력이 우수하고 매우 재미있는 시스템이다. 특히 MILISYJ 의 회화가 여성언어로 되어 있는 것 등이 회화의 내용을 재미있게 해 준다.
물론 필자는 LISP 공부를 위하여 여러 가지 문장을 MILISYJ 에 입력해서 그 처리능력을 시험하고 여러가지 회화를 계속하였다.
그러나 MILISYJ 와 회화하고 있으면 단말기 저쪽에 작은 여자아이가 있는 것 같아서 기분이 이상해질 정도로 회화는 부드럽게 진행된다.

이와같이 하나의 흥미있는 시스템을 통해서 프로그램언어를 배운다는 것은 재미있는 일이라는 것을 MILISYJ 에서 알았다.
프로그램언어의 매뉴얼만으로 언어를 공부하기보다는 어떻든 움직이는 좋은 프로그램을 통해서 LISP 를 배우는 것이 가장 좋은 방법인 것 같다.
그런 점에서 현재 LISP 에 관련된 저서가 그러한 내용을 담고 있지 못한 것이 유감이다.
MILISYJ 의 LISP 프로그램은 내용면에서 참으로 그러한 목적에 부합된다.
필자들의 연구실에서 그 프로그램의 상세한 면을 해부했다. 그러한 경험을 가지고 언어이해시스템이 어떻게 작성되고 있는지를 실제 프로그램에 의해서 습득할 수 있었다.
그리고 그러한 LISP 프로그램 중에 유효한 부분은 다시 한번 이용할 수 있다는 점도 동시에 알 수 있었다.
이 프로그램 해부는 의사의 인체해부와 비슷할지도 모른다. 인체의 경우에는 신경의 연결로서, 인체 각 부위의 움직임을 주의깊게 살펴나간다.
프로그램의 경우는 어떤 부분의 프로그램이 다른 부분과 어떻게 관련을 맺고 있는지를 자세히 살펴볼 수도 있고 그 프로그램의 기능을 생각할 수도 있다.
이렇게 해서 필자는 연구실에서 LISP 를 배우고 있다. 그렇지만 인체의 해부만큼 참혹하지 않은 것은 확실하다.

LISP 가 마이크로컴퓨터에서도 사용된다

현재는 이 LISP 라는 언어는 대형컴퓨터뿐만 아니라 마이크로컴퓨터에서도 사용할 수 있게 되었다.
지금까지의 LISP 에 대한 평가에 의하면 다중기억용량을 필요로 하고 또한 실행속도가 느린 단점도 있었으나, 반드시 그렇지만도 않게 된 것이다.

예를 들면, 하와이의 어느 벤처회사가 개발한 mu - LISP 같은 것은 64Kbyte 이면 상당히 복잡한 프로그램을 작성할 수 있고, 그리고 그 프로그램을 고속으로 실행시킬 수 있다.
여기서 고속이라는 의미는 입력을 하면 약 3초 이내에 출력을 얻을 수 있다는 뜻이다. 즉 우리들의 기다리는 시간이 3초 이내라고 하면 빠른 응답이라고 느끼기 때문에 그것을 고속이라고 하는 것 같다.
고속이라고 하면 연산사이클 (cycle) 시간을 말하는 경우가 많지만, 대화시스템에서는 응답시간을 말하고 그것은 3초 이내인지의 여부가 하나의 목표인 것 같다.
또 한가지 이점은 이러한 LISP 가 매우 값싸다는 것이다. 예를 들면 mu - LISP 의 경우에 그 사용 라이센스(허가)를 얻는데 약 200달러이므로, 이용자는 그러한 LISP 를 사용해서 자신의 목적에 맞는 응용방법을 생각하면 되는 것이다.
다만 이러한 LISP 를 다시 사용하기 쉽게 하기 위해서는 물론 몇 가지의 추가가 필요하다.

필자들의 연구실에서는 프로그램을 편집하기 쉽게 해주는 에디터 (Editor : 편집프로그램) 같은 것을 작성해서 오리지널 LISP 보다도 사용하기 쉽게 개조하고 있는데, 물론 이 개조는 LISP 로 프로그램을 작성하고 있다. 즉 LISP 는 리스트 처리용이기 때문에 이러한 편집프로그램을 작성하는 것이 용이하기 때문이다.

이와같이 해서 마이크로컴퓨터의 LISP 는 급속히 보급되기 시작하고 LISP 의 교육에도 도움이 되는 것 같다.
앞에서도 기술했듯이 LISP 의 참고서를 읽는 대신에 이러한 마이크로컴퓨터의 LISP 를 단말기에서 사용하기 시작하는 편이 언어를 습득하기 쉬운 것 같다.
역시 '배우기보다는 익히는 것'이다.

참고로 「BYTE 지 (1981년 9월)」에 리스트된 마이크로컴퓨터용의 LISP 를 표 15 에 정리해 둔다.

표 15  입수할 수 있는 마이크로컴퓨터용 LISP

모두가 48 ~ 64 Kbyte 정도의 플로피 (보조기억장치)부의 마이크로컴퓨터가 있으면 어느 것이라도 낮은 가격으로 입수할 수 있다. 인공지능연구에 착수한 5년 전에 비하면 놀라운 진보이다.
이러한 마이크로컴퓨터에서도 조금 전에 소개한 MILISYJ 같은 것도 실행할 수 있도록 되어 있다.
또한 필자들의 연구실에서 개발한 대형 컴퓨터프로그램도 이 mu - LISP 를 이용해서 마이크로컴퓨터상에서 동작할 수 있게 되었다.

이 프로그램은 MILISYJ-1 이라고 부른다. 언어의 그 모양을 표시한 것이 그림 16 이다. 즉 언어를 바른 구문인지를 검사해서 만약 바르지 못하면 그 의미적 내용을 분석하는 것이다.

그림 16  MLJG-1 의 출력결과

그 분석방법은 어떻게 처리되는가 하면 그림 17 에 표시한 것과 같이 된다. 즉 누군가가 어떤 일을 처리했는가 하는 행위자를 찾아내고, 무엇에 대해서라는 목적물을 결정하는 것이다. 만약 어떤 도구를 사용하고 있을 때는 그 도구를 찾아내 주는 것이다.

그림 17  입력문의 의미처리

이것은 우리가 어떤 정경을 보고 누가 행위자이고 무엇을 하고 있는가 하는 관계를 보는 것과 비슷하다.
그 결과 MLJG-1 은 그림 18 과 같은 의미의 데이터를 작성한다. 이 데이터를 앞에서 설명한 것처럼 의미네트워크라고 부르고 있다.
즉 어떤 데이터가 그림 18 과 같은 관계를 갖고 기억되어가는 것을 나타낸 것이다.

그림 18  MLJG-1 의 데이터베이스 형성(점선아래는 위의 내용)

이와같이 변환된 데이터에 예를 들면 누가 했는가라는 질문을 MLJG-1 에게 하면 MLJG-1은 대답을 한다는 것이다.
단말기에 문자로 출력되는 대답이다. 만약 음성합성시스템에 연결하면 실제 자연언어로 대답할 것이다.
이와같이 대형컴퓨터에서 개발된 시스템도 마이크로컴퓨터에 옮길 수 있는 시대가 온 것이다. 지식공학 프로그램도 연구를 하기에 따라서는 마이크로컴퓨터에 이식할 수 있다.

전용 LISP 머신의 개발

지식공학 프로그램은 대체로 거대해서 그렇게 간단하게는 마이크로컴퓨터에 옮길 수 없다. 그러나 생각여하에 따라서는 지금까지의 소프트웨어 축적을 살린다는 방향으로 진행되고 있는 것 같다.
그 한가지 현상이 전용 LISP 머신의 개발자로서, 즉 LISP 는 다른 언어에 비해서 언어설계에 대한 방법이 다르다. 따라서 한 대의 대형컴퓨터에 몇 가지 종류의 언어를 혼재시키는 것은 아니고, 전용 컴퓨터 (전용 머신)를 조작하는 편이 효율적이라는 생각도 있기 때문이다.
이것은 예를 들어, 한 사람이 중국어, 러시아어 그리고 영어와 같이 각종 언어를 동시에 구사하는 것을 생각해 보면 분명해질 것이다.

역시 컴퓨터 처리능력이 좋다고 해도 서로 다른 몇 가지 언어를 동시에 처리하는 것은 효과적일 수는 없다. 다만 초대형 컴퓨터를 시분할로 사용하는 것은 매우 편리하다.
그리고 현시점에서는 많은 지식공학 프로그램이 대형 컴퓨터상에서 작성되고 있다. 그중 일부 소규모의 프로그램은 예를 들면 MILISYJ 나 MLJG-1 과 같이 마이크로컴퓨터에 옮길 수 있다.
이러한 것 이외에는 역시 전용 LISP 머신에 옮기는 방향으로 진행되고 있는 것 같다.
이것에 관해서는 '지식공학의 장래를 향해서'의 장에서 다시 검토하기로 하자.

스탠퍼드대학 SUMEX-AIM

앞절에서 지식공학 프로그램이 대형컴퓨터 상에서 개발되고 있는 것을 기술했는데, 그것이 어떠한 환경에 있는지에 관해서 다루어 보자.
그리고 스탠퍼드대학에 설치되어 있는 SUMEX-AIM 계산기의 환경에 관해서 기술할 필요가 있을 것 같다.

SUMEX-AIM 은 스탠퍼드대학의 의학연구용 계산자원의 약어로서, 의학분야 인공지능용 공동컴퓨터이다.
설치장소는 아메리카 서부해안의 캘리포니아에 있는 스탠퍼드대학이다. 그러나 전미국 각지에 분산한 프로젝트 참가대학의 연구원들은 통신회선으로 SUMEX-AIM 을 이용할 수 있다.
물론 통신회선은 전용이기 때문에 비용도 낮고 접속시간에 신경쓰지 않고 사용할 수 있다.

그림 19 필자(가마구치) 의 자택에서 스탠퍼드대학을 호출해서 전자우편을 검사하고 있는 화이겐바움 교수 (그림생략)

그림 20 에 표시했듯이 미국에는 TYMNET 라는 상업용 통신회선 외에 ARPANET 라는 연구자용 전용회선이 있다. 따라서 각 지의 연구자들은 이들 회선에 의해서 서로간에 편지 (전자우편이라 함)를 교환하기도 하고 또는 SUMEX 를 사용할 수 있다.

그림 20  ARPANET 의 네트워크 배치

그리고 일본에서도 동경대학 개원(開原) 그룹이 국제통신회로를 이용해서 이 SUMEX 를 사용하고 있다. 화이겐바움 교수가 필자의 자택을 방문했을 때에 전자우편을 점검하고 있는 것이 인상적이었다. 장소가 바뀌어도 어디서라도 일을 할 수 있는 현실이다.

SUMEX-AIM 본체는 DEC 사의 KI-10이라 불리는 컴퓨터로서 2중구조의 형으로 배치되어 있다. 2중구조 (dual) 란 그림 21 에 표시했듯이 2대의 KI-10이 있어서 상호간에 사용할 수 있다는 의미이다.
DEC사의 KI-10 이라는 컴퓨터는 물론 PDP 계통의 미니컴퓨터가 아니라 대형컴퓨터로서 중앙연산장치 256K 이고, 인공지능연구의 대부분이 이 계통의 컴퓨터를 이용하고 있다.
DEC사라고 하면 미니컴퓨터라는 인상이 강하지만 우수한 TSS기능 및 풍부한 소프트웨어를 갖고 있는 것이 KI-10이라고 할 수 있다.
SUMEX-AIM 의 시작은 1973년인데, 현재까지 갖가지로 증설되어 TSS시스템으로서는 좀더 사용하기 쉬운 형태로 유지되고 있다.

그림 21  SUMEX-AIM 의 본체

집중적으로 예산을 컴퓨터에 기울이는 데 있어서 연구보조금의 배분과 달리 흥미있는 일이라 할 수 있다. 그리고 스탠퍼드대학의 역할과 책임이 큰 것도 확실하다.

이 SUMEX-AIM 에의 원조는 미국 NIH (National Institute of Health) 의 바이오테크널리지 프로그램에 의해서 시작되었다.
이와같이 해서 최신 컴퓨터(1974년 당시)를 이용해서 각 분야의 연구자들이 공동으로 컴퓨터를 사용하고, 그 프로젝트의 과정에서 개발된 인공지능 프로그램은 공개되어 SUMEX-AIM 프로젝트 참가자에게 제공되는 방식이 채택되고 있다.
그러므로 개발된 프로그램은 실용에 적합한 것이면 다른 연구자도 사용할 수 있는 것이어서 개발의 중복을 피할 수 있다. 또한 그 프로그램이 도구로서 소용이 된다는 것도 암시하고 있어서 미국이 연구에 대한 경쟁을 과시한 느낌이 든다.

그림 22  SUMEX-AIM 에서 개발된 주된 프로그램

만약 프로그램이 강력한 방법이 될 때에는 그 밖의 사람들에게도 도움이 되고, 또한 그 프로젝트 자체의 유효성을 증명하는 것도 된다.
따라서 그 개발자의 명성은 높아지고 다른 연구재단으로부터의 연구보조금도 얻기 쉬워진다는 것이다.

이와같이 SUMEX-AIM 은 응용인공지능연구를 위한 컴퓨터로서 현재까지 약 7년간에 걸쳐서 공동으로 이용되어 각종 지식공학 프로그램이 개발되었다.
이 주된 것을 정리한 것이 그림 22 이다. 분야별로는 생물화학, 의학, 심리학(인간의 고차원적인 정신활동 및 이상 시뮬레이션 (異常 simmulation)) 등이 있다.
물론 이 중에서 가장 유명한 것이 MYCIN 이다. 또한 이 MYCIN 의 성공이 SUMEX-AIM 의 활동을 보다 넓혀서 현재의 지식공학으로 발전하게 되었다.