사례 기반 추론(Case-Based Reasoning, CBR)은 귀납법 (Induction) 및 유추 (Analogy)와 매우 긴밀한 관계를 맺고 있는 인공지능의 문제 해결 방법론입니다. 광범위하게 해석하면, CBR은 "유사한 과거 문제의 해결책에 기초해서 새로운 문제를 해결하는 과정"으로 정의됩니다.
1970~1980년대 초기를 지배했던 전통적 규칙 기반 전문가 시스템(Rule-based Expert Systems)은 심각한 한계에 부딪혔습니다. 인간 전문가의 머릿속에 있는 방대하고 직관적인 '암묵지(Tacit Knowledge)'를 논리적으로 모순 없는 수만 개의 IF [조건] THEN [행동] 규칙으로 분해·추출하는 작업이 극도로 어려웠기 때문입니다(이를 지식 획득의 병목이라 부름).
인지과학 (Cognitive Science)의 원형 이론(Prototype Theory)에 따르면, 인간의 실제 추론 (Reasoning)은 보편적 규칙의 계산이 아니라 경험과 훈련을 통해 뇌 속에 누적된 생생한 에피소드와 사례들의 연상을 통해 이루어집니다. CBR은 이러한 인간 지능의 본질을 정밀하게 모형화하여 규칙 정형화의 번거로움 없이 문제를 해결하도록 만들어진 혁신적 접근법입니다. (관련 학술 논문 살펴보기)
컴퓨터 과학과 인공지능 연구에서 사례 기반 추론 시스템이 지능적 문제 해결을 수행할 때는 아모트와 플라자(Aamodt & Plaza, 1994)가 정립한 고전적인 '4R 순환 주기 (Retrieve → Reuse → Revise → Retain)'를 거칩니다. 이 4단계는 단방향 처리가 아니라 지속적으로 학습하고 스스로 진화하는 피드백 루프를 형성합니다.
• 알고리즘: 가중치 기반 최근접 이웃(Weighted k-NN), 코사인 유사도, 시맨틱 온톨로지 매칭.
• 적응 메커니즘: 구조적 변형(Structural adaptation), 매개변수 조정, 제약조건 기반 보정, 유추적 사상.
• 피드백: 기대 결과와 실제 결과 간의 인과적 차이 분석 및 부작용 제거.
• 점진적 학습: 시스템이 경험을 치를 때마다 스스로 똑똑해지는 무감독/반감독 지속 학습 실현.
표면적으로 CBR은 기계학습 (Machine Learning)의 사례에 의한 학습 (Learning from Examples)이나 의사결정 트리 (Decision Tree)의 규칙 귀납(Rule-induction Algorithm)과 유사하게 보입니다. 둘 다 일련의 훈련 사례(Training examples)를 기반으로 지식을 형성하기 때문입니다. 그러나 "일반화(Generalization)가 도대체 언제 일어나는가?"라는 근본적인 질문에서 완전히 갈라집니다.
| 비교 항목 | 규칙 귀납 (조급한 학습 / Eager Learning) | 사례 기반 추론 (게으른 학습 / Lazy Learning) |
|---|---|---|
| 일반화 시점 | 훈련 시간 (Training Time): 대상 문제를 보기도 전에 미리 전체 데이터를 요약하여 일반 규칙을 생성함. | 테스트 시간 (Testing / Query Time): 구체적인 당면 문제(Target problem)가 주어질 때까지 일반화를 지연시킴. |
| 일반화 전략 | 조급한 일반화 (Eager Generalization): 데이터 전체를 관통하는 단일한 전역적(Global) 규칙 집합 도출. | 게으른 일반화 (Lazy Generalization / Implicit): 당면한 문제의 국소적(Local) 맥락에 맞추어 암묵적으로 유연하게 일반화. |
| 새로운 지식 수용 | 새 데이터가 추가되면 기존 결정 트리나 규칙 모델 전체를 다시 재학습(Re-training)해야 함. | 새로운 사례를 데이터베이스에 INSERT하는 것만으로 즉각적인 시스템 지식 업데이트 완료. |
| 설명 가능성 (XAI) | 복잡한 다중 계층 규칙이나 수식으로 인해 도출 근거를 인간에게 직관적으로 설명하기 어려움. | "지난 2021년 동일 고장 사례 #402호와 상황이 92% 일치하여 본 해법을 권고함"과 같이 명쾌한 근거 제시 가능. |
| 최적 도메인 | 데이터가 균일하고 규칙이 명확하며 예외가 적은 정형화된 영역. | 규칙으로 정형화하기 어려운 복잡계, 예외가 난무하는 법률·의료·비정형 엔지니어링 설계. |
만약 요리 인공지능이 사과 케이크와 바나나 케이크 레시피만 보고 "모든 케이크는 과일을 갈아서 반죽에 넣어야 한다"는 조급한 전역 규칙을 만들어버렸다면, 딸기처럼 수분이 많은 과일이나 치즈 케이크를 다룰 때 참담하게 실패하고 맙니다.
반면 CBR은 대상 문제(딸기 케이크 만들기)가 실제로 주어질 때까지 판단을 유보합니다. 문제가 주어지는 순간, 딸기의 산도, 수분 함량, 고객의 알레르기 유무 등 그 구체적인 상황에서만 필요한 정보에 정확히 초점을 맞추어 국소적 일반화를 단행합니다. 따라서 한 가지 사례를 일반화하는 경로가 수만 가지에 달하는 복잡하고 역동적인 현실 세계에서 CBR은 압도적인 유연성과 견고성(Robustness)을 발휘합니다.
전통적 형식 논리학 (Logic)은 보편 명제로부터 개별 사실을 이끌어내는 연역법(Deduction)을 최고의 이상으로 삼았습니다. 그러나 현실 세계의 인간 지식은 완전무결한 공리계로 환원되지 않습니다. 논리학에서 CBR은 "특수에서 특수로(Particular to Particular)" 이행하는 비단조 논리(Non-monotonic Logic)이자 실천적 유비 추론의 정수로 다루어집니다.
인식론과 윤리학 등 철학사에서 CBR의 원리는 추상적 보편주의(Universalism)에 대항하여 구체적 상황의 맥락(Context)을 중시하는 핵심 철학적 통찰로 거듭 탐구되어 왔습니다.
사례 기반 추론(CBR)은 기초 학술 연구를 넘어 세계 유수의 산업체, 사법부, 의료 현장 및 최첨단 생성형 AI에 이르기까지 광범위하게 응용되고 있습니다.
• 현대 로펌 AI: 수백만 건의 대법원 판례 데이터베이스에서 승소 가능성을 예측하고 최적의 변론 전략 수립.
• 희귀 질환 협진 AI: 전 세계 의료 네트워크에 저장된 유사 증례 환자의 유전자 변이 및 약물 반응 데이터를 검색하여 맞춤형 표적 치료제 추천.
• Compaq SMART & IT 고객지원: eGain, Kaidara 등의 상용 헬프데스크 엔진을 통해 복잡한 서버 장애 시 동일 증상 해결 이력을 상담원에게 실시간 추천.
• 하단의 아쉬윈 람(Ashwin Ram) 교수의 Google TechTalk 강연 참조.
1. 검색(Retrieve): 사용자의 질문 벡터를 임베딩 공간에서 코사인 유사도로 검색하여 기업 내부 지식이나 과거 처리 문서(사례)를 찾아냄.
2. 재사용(Reuse) & 수정(Revise): 검색된 과거 사례를 LLM 프롬프트의 컨텍스트로 제공하고, LLM의 추론 능력으로 현재 질문에 꼭 맞게 수정·생성.
3. 유지(Retain): 생성된 훌륭한 응답과 사용자의 피드백을 다시 벡터 데이터베이스(Vector DB)에 새로운 사례로 저장.
즉, 1980년대 섕크와 콜로드너가 주창했던 CBR의 지혜가 현대 신경망 파운데이션 모델의 할루시네이션(환각)을 제어하고 최신 지식을 주입하는 핵심 솔루션으로 부활한 것입니다.
로저 섕크 (Roger Schank)의 동적 기억 (Dynamic Memory) 이론 (Yale 대학교, 1982):
"인간의 지능은 정적인 지식 규칙의 집합이 아니다. 새로운 경험을 겪을 때마다 기존 기억 구조를 재편성(Remind)하고, 실패(Failure)를 통해 학습하며, 과거의 에피소드를 끊임없이 재구성하는 '동적 기억(Dynamic Memory)'이야말로 진정한 지능의 본질이다."
섕크의 지도를 받은 자넷 콜로드너 (Janet Kolodner)는 사이러스(CYRUS) 시스템을 구현하여 사이러스 밴스(Cyrus Vance) 전 미 국무장관의 외교 행적을 사례 메모리로 구축하고 질문에 답하는 최초의 CBR 시스템을 성공시켰습니다.
이재규 교수 (KAIST 경영정보학, 1996)의 CBR 정의:
"법관이 지난 사건에 대한 판례(Case)를 통해 당면한 사건에 대해 판단을 내리듯이, 인간은 과거의 사례나 경험에 비추어 현재의 문제를 인식하고 유형화하여 해결책을 내놓을 수 있다. 이를 위해서는 현재의 당면문제가 과거에 나타났던 사례나 경험과 일치하는지 여부를 살피고 일치하면 과거의 해결책에 비추어 답을 낸다. 만약 정확히 일치하지 않더라도 과거의 사례나 경험은 현재의 문제에 부분적인 해결책을 제시할 수 있다.
사례기반 추론은 이러한 인간의 지적 활동을 모델화한 것으로, 과거 문제로부터 얻은 상황 경험이나 지식을 사례 데이터베이스로 구축하여 어떠한 상황이나 문제가 발생하면 기존의 사례 데이터베이스에서 가장 똑같거나 또는 가장 유사한 사례를 선택하여 그 사례가 제시하는 해결책으로 현 문제에 대한 답을 제시한다 ....."
사례 기반 추론(CBR)이 실시간 전략 시뮬레이션 및 복잡한 게임 환경에서 어떻게 적응형 인공지능으로 구현되는지 보여주는 조지아 공과대학교 아쉬윈 람(Ashwin Ram) 교수의 대표적인 구글 테크 토크(Google TechTalks) 강연입니다.
주최 및 연사: Google TechTalks / Ashwin Ram (아쉬윈 람 교수) (2008년 4월 3일 발표)
주요 내용: 실시간 게임 환경에서 규칙 기반 AI의 한계를 극복하기 위해 게이머의 플레이 사례를 축적하고, 상황에 맞추어 유닛 전술과 전략적 자원 분배를 유비적으로 적응시키는 CBR 에이전트 아키텍처 해설.