P1-2.2 탐색, 지식 표현, 확률 추론¶

Section ID: P1-2.2 Version: v2026.07.20

2.1에서는 기호 기반 AI와 규칙 기반 접근을 봤습니다. 이번 절에서는 그 다음 질문을 다룹니다. 규칙을 적는 것만으로는 충분하지 않을 때, AI는 가능한 후보를 탐색(search)하고, 필요한 지식을 표현(knowledge representation)하며, 불확실한 정보에서 그럴듯한 결론을 추론(probabilistic reasoning)하려 했습니다.

여기서 필요한 일은 알고리즘을 자세히 배우는 것이 아니라, 탐색, 지식 표현, 확률 추론이 왜 AI 개론에서 반복해서 등장하는지와 이 흐름이 나중의 머신러닝, 딥러닝 설명에 어떤 배경이 되는지를 먼저 잡는 것입니다.

Part 1에서 탐색(search)과 확률 추론(probabilistic reasoning)의 기본 구분은 이 절에서 잡습니다. 지식 표현(knowledge representation)은 2.1에서 기본 뜻을 먼저 소개했고, 여기서는 탐색과 확률 추론 사이에서 어떤 역할을 하는지 비교하는 데 필요한 만큼만 다시 연결합니다. 뒤 절에서 용어 구분이 다시 헷갈리면 이 절과 개념사전으로 돌아오면 됩니다.

이 절에서는 다음 질문을 정리합니다.

• 탐색(search)은 왜 초기 AI의 핵심 문제 해결 방식이었는가?
• 지식 표현은 규칙 기반 접근과 어떻게 연결되는가?
• 확률 추론은 불완전한 정보와 불확실성을 어떻게 다루려 했는가?

여기서는 세 흐름의 역할 차이를 정리하는 데 집중합니다. 데이터에서 패턴을 학습하는 방향으로 설명 중심이 이동하는 이유는 다음 2.3에서 다시 회수합니다.

탐색, 지식 표현, 확률 추론의 역할 차이¶

• 탐색이 왜 초기 AI의 핵심 문제 해결 방식이었는지 이해합니다.
• 지식 표현이 규칙 기반 접근과 어떻게 연결되는지 봅니다.
• 확률 추론이 불완전한 정보와 불확실성을 다루는 방법임을 이해합니다.
• 탐색, 지식 표현, 확률 추론을 머신러닝 이전 AI의 중요한 축으로 구분합니다.

먼저 연결할 개념¶

이 절은 Chapter 2 안에서 탐색, 지식 표현, 확률 추론의 역할 차이를 처음 본격적으로 나누는 대표 설명 위치입니다. 아래 개념은 지금 역할을 먼저 잡아 두고, 더 자세한 정의가 필요할 때는 각 표제어 항목으로 바로 이동해 다시 확인합니다.

주요 학습내용¶

이 장면에서는 용어가 세 갈래로 나뉘어 보여 초반에 흐름이 흩어지기 쉽습니다. 아래 세 가지가 큰 지도입니다.

상태, 행동, 목표, 표현, 확률은 한꺼번에 나오면 낯설 수 있습니다. 이 절에서는 아래처럼 역할을 나누어 둡니다.

이 절에서 먼저 남겨야 할 구분은 탐색은 상태와 행동과 목표를 다루고, 지식 표현은 무엇을 적어 둘지 정하며, 확률 추론은 애매한 정보의 그럴듯함을 다룬다는 점입니다.

세부 학습내용¶

규칙 다음에 나타나는 세 질문¶

규칙 기반 접근은 “어떤 조건에서 어떤 결론이나 행동을 낼 것인가”를 명시적으로 표현합니다. 하지만 실제 문제는 곧바로 하나의 규칙으로 끝나지 않는 경우가 많습니다.

예를 들어 배송 경로를 정한다고 생각해 봅니다. 목적지는 정해져 있지만 가능한 길이 많고, 도로 상황은 바뀔 수 있으며, 어떤 정보는 불완전합니다. 이때 AI 시스템은 다음 질문을 함께 다뤄야 합니다.

이 세 질문은 서로 분리되어 있지만, 실제 AI 시스템에서는 자주 함께 나타납니다. 탐색은 후보를 찾고, 지식 표현은 후보를 판단할 기준을 제공하며, 확률 추론은 불확실한 정보에서 어느 후보가 더 그럴듯한지 다룹니다.

같은 문제를 세 관점으로 나누어 보면 더 분명합니다.

Poole과 Mackworth의 공개 교재도 경로 찾기, 배송 로봇, 격자 게임을 탐색과 상태 공간의 예로 사용합니다. 여기서는 원문 예시를 그대로 옮기기보다, 그 구조를 학습용으로 일반화해 사용합니다.

탐색: 가능한 상태 속에서 목표 찾기¶

탐색은 가능한 상태(state)와 행동(action)을 따라가며 목표(goal)에 도달하는 방법을 찾는 접근입니다. 경로 찾기, 퍼즐, 게임, 계획 수립, 일정 조정처럼 가능한 선택지가 많을 때 탐색 문제가 됩니다.

탐색 문제를 단순화하면 다음 구성으로 볼 수 있습니다.

이 구성은 실제 예시에 그대로 대응됩니다.

가능한 모든 후보를 끝까지 살펴볼 수 있다면 탐색은 단순해 보입니다. 하지만 현실의 문제는 후보 수가 빠르게 커집니다. 게임에서 몇 수 앞을 보는 일, 여러 도시를 거치는 경로를 고르는 일, 많은 제약을 가진 일정을 짜는 일은 가능한 조합이 폭발적으로 늘어날 수 있습니다.

그래서 탐색에서는 휴리스틱(heuristic)이 중요해집니다. 휴리스틱은 정답을 보장하는 공식이 아니라, 더 유망해 보이는 후보를 먼저 살펴보게 하는 경험적 기준입니다. 예를 들어 목적지까지의 직선거리, 현재 점수, 남은 제약 수 같은 값이 탐색 순서를 정하는 데 쓰일 수 있습니다.

여기서 초심자가 자주 헷갈리는 부분은 휴리스틱과 확률이 둘 다 숫자처럼 보인다는 점입니다. 하지만 두 값은 답하는 질문이 다릅니다.

즉 휴리스틱은 찾는 순서에 더 가깝고, 확률은 믿는 정도에 더 가깝습니다. 실제 시스템에서는 둘이 함께 들어갈 수 있지만, 같은 뜻의 숫자는 아닙니다.

예를 들어 배달 경로를 고를 때 시스템은 목적지까지의 직선거리를 휴리스틱으로 써서 먼저 볼 후보를 좁힐 수 있고, 동시에 비 때문에 특정 구간이 지연될 확률을 계산해 어느 경로가 더 불안정한지 판단할 수 있습니다. 앞의 값은 탐색 순서를 돕고, 뒤의 값은 불확실성을 반영합니다. 둘 다 숫자처럼 보이지만 시스템 안에서 맡는 일은 다릅니다.

flowchart TD
  Start[시작 상태]
  Candidates[가능한 후보]
  Heuristic[휴리스틱 또는 평가 기준]
  Search[탐색]
  Goal[목표 상태]

  Start --> Candidates
  Candidates --> Heuristic
  Heuristic --> Search
  Search --> Goal

이 도식은 탐색을 시작 상태 -> 후보 -> 평가 기준 -> 목표 흐름으로 읽게 해 줍니다. 여기서 읽어야 할 핵심은 문제를 풀려면 후보를 만들고, 그중 어디를 먼저 볼지 기준이 필요하다는 구조입니다.

이 절에서는 먼저 탐색을 가능한 후보가 너무 많을 때 목표에 도달하는 경로를 찾는 방식으로 붙잡습니다. 너비 우선 탐색, 깊이 우선 탐색, A* 탐색, 게임 탐색, 휴리스틱 함수처럼 실제 후보를 줄이는 방법은 Part 1 Chapter 7에서 다시 이어집니다.

지식 표현: 무엇을 알고 있다고 볼 것인가¶

탐색이 가능한 후보를 찾는 과정이라면, 지식 표현은 그 후보를 판단하기 위해 무엇을 알고 있어야 하는지 정리하는 과정입니다.

2.1에서 본 규칙 기반 접근은 지식 표현의 한 형태입니다. 하지만 지식 표현은 단순한 규칙 목록보다 넓습니다. 사실(fact), 관계(relation), 개념(concept), 제약(constraint), 시간 변화, 행동의 결과, 예외 조건까지 표현 대상이 될 수 있습니다.

예를 들어 배송 계획을 세우는 시스템은 다음 지식을 다뤄야 할 수 있습니다.

지식 표현의 핵심은 “무엇을 어떤 단위로 표현할 것인가”입니다. 같은 사실도 표현 방식에 따라 다르게 다룰 수 있습니다.

Poole과 Mackworth는 지식 그래프(knowledge graph)를 설명하면서 subject, verb, object로 이루어진 triple representation을 다룹니다. 여기서는 그 구조만 빌려, 물건 A는 창고 B에 있다 같은 사실을 주어-관계-목적어 형태의 연결로 표현할 수 있다고 읽으면 충분합니다. 중요한 점은 표현이 단순한 저장 형식이 아니라, 어떤 질문을 쉽게 할 수 있게 만드는 구조라는 점입니다.

Stanford Encyclopedia of Philosophy의 논리 기반 AI 항목은 초기 전문가 시스템이 큰 절차적 규칙 집합에 기반했지만, 이후에는 배경 지식을 따로 표현하는 지식 표현 구성요소의 필요성이 커졌다고 설명합니다. 즉 AI는 규칙을 실행하는 것만이 아니라, 규칙과 사실, 관계, 배경 지식을 어떻게 구조화할지도 고민해 왔습니다.

이 관점은 현대 AI에서도 남아 있습니다. 머신러닝 모델이 데이터에서 패턴을 학습하더라도, 서비스 정책, 도메인 지식, 권한 구조, 데이터 스키마, 지식 그래프(knowledge graph), 검색 인덱스 같은 명시적 표현은 여전히 필요합니다.

확률 추론: 불완전한 정보에서 그럴듯함 계산하기¶

규칙과 논리는 “조건이 참이면 결론이 따라온다”는 방식에 강합니다. 하지만 현실의 정보는 자주 불완전하고, 관측에는 잡음이 있으며, 같은 증거에서도 여러 결론이 가능할 수 있습니다.

예를 들어 다음 질문은 단순한 참·거짓 규칙만으로 다루기 어렵습니다.

확률 추론에서는 불확실한 대상을 확률 변수(random variable)로 표현할 수 있습니다. 예를 들어 Has_cough처럼 참·거짓 값을 가질 수 있는 변수와 Sensor_distance처럼 연속적인 값을 가질 수 있는 변수를 둘 수 있습니다. 이런 예시는 AI가 불확실한 세계를 숫자 하나로 단순화하는 것이 아니라, 관측 가능한 변수와 가능한 값의 범위를 정해 다룬다는 점을 보여줍니다.

확률 추론은 이런 상황에서 가능한 결론의 그럴듯함을 확률로 다룹니다. Stanford Encyclopedia of Philosophy의 AI 항목은 확률 추론을 관측된 증거에서 가설의 확률을 계산하는 과정으로 설명하고, 1990년대 이후 확률적 기법과 베이지안 네트워크(Bayesian network)가 AI에서 중요해졌다고 설명합니다.

여기서 중요한 점은 확률 추론이 “아무렇게나 무작위로 답한다”는 뜻이 아니라는 것입니다. 확률은 불확실한 정보를 정리하는 언어입니다. 관측된 증거가 바뀌면 결론의 그럴듯함도 바뀔 수 있습니다.

이 절에서는 베이즈 규칙이나 베이지안 네트워크를 계산하지 않습니다. 확률, 불확실성, stochastic의 차이는 Part 1 Chapter 6에서 다시 다룹니다. 여기서는 확률 추론을 “불완전한 정보에서 가능한 결론의 그럴듯함을 계산하는 방식”으로 기억하면 됩니다.

세 흐름은 어떻게 연결되는가¶

탐색, 지식 표현, 확률 추론은 서로 다른 질문에서 출발하지만 함께 쓰일 수 있습니다.

flowchart TD
  Problem[문제]
  Representation[지식 표현]
  Search[탐색]
  Probability[확률 추론]
  Decision[결론 또는 행동]

  Problem --> Representation
  Representation --> Search
  Representation --> Probability
  Search --> Decision
  Probability --> Decision

이 그림은 세 흐름이 서로 경쟁하는 것이 아니라, 같은 문제를 풀 때 서로 다른 역할로 연결된다는 점을 보여 줍니다. 여기서 읽어야 할 핵심은 지식 표현은 바탕을 적고, 탐색은 후보를 찾고, 확률 추론은 애매한 정보를 계산해 결론을 돕는다는 분업 구조입니다.

예를 들어 로봇이 창고에서 물건을 옮긴다고 생각해 봅니다.

• 지식 표현은 창고의 위치, 통로, 물건, 로봇 상태, 제약 조건을 나타냅니다.
• 탐색은 가능한 이동 경로와 작업 순서를 찾습니다.
• 확률 추론은 센서가 불확실하거나 통로 상태가 바뀔 때 어느 판단이 더 그럴듯한지 계산합니다.

이 흐름을 보면 AI가 단순히 “규칙을 실행하는 프로그램”에서 멈추지 않았다는 점이 보입니다. AI는 가능한 후보를 다루는 탐색, 세계에 대한 지식을 구조화하는 표현, 불확실한 정보를 수학적으로 다루는 확률 추론을 함께 발전시켜 왔습니다.

같은 문제를 세 관점으로 나눠 읽는 연습¶

한 문제를 보면 세 용어가 자꾸 섞여 보일 수 있습니다. 그럴 때는 무엇을 찾는가, 무엇을 적어 두어야 하는가, 무엇이 불확실한가를 따로 적어 보면 정리가 빨라집니다.

예를 들어 배달 앱이 비가 오는 저녁 시간에 주문을 배차한다고 가정해 보겠습니다.

이 표를 읽을 때 중요한 점은 세 질문이 서로 경쟁하지 않는다는 것입니다. 같은 배달 시스템 안에서도 후보를 고르는 일은 탐색에 가깝고, 세계를 구조화해 적는 일은 지식 표현에 가깝고, 예상 시간이 흔들리는 상황을 다루는 일은 확률 추론에 가깝습니다.

간단한 구분 연습¶

아래 사례를 보고 중심 질문이 탐색, 지식 표현, 확률 추론 가운데 어디에 더 가까운지 먼저 분류해 보겠습니다.

이 연습의 핵심은 세 용어를 따로 외우는 것이 아니라, 문제를 보았을 때 후보를 찾는 문제인지, 세계를 적는 문제인지, 애매한 정보를 판단하는 문제인지를 먼저 가르는 데 있습니다. 실제 시스템에서는 셋이 함께 붙는 경우가 많지만, 중심 질문을 나눠 보면 역할이 훨씬 선명해집니다.

사례 및 예시¶

사례 1. 창고 로봇은 왜 규칙만으로 끝나지 않는가¶

창고에서 로봇이 물건을 집어 배송 구역으로 옮긴다고 해 보겠습니다. 사람이 절차를 설명할 때는 선반 A에서 집고, 통로를 따라 이동하고, 배송 구역에 내려놓는다처럼 말할 수 있습니다.

하지만 실제 현장에서는 가능한 이동 경로가 여러 개이고, 통로 하나가 막히면 다른 길을 골라야 하며, 센서가 물체를 잘못 읽을 수도 있습니다. 여기서 단순 규칙만으로는 어느 후보를 먼저 볼지, 창고 구조를 어떻게 표현할지, 센서 값이 애매할 때 어느 판단이 더 그럴듯한지를 모두 설명하기 어렵습니다.

탐색은 여러 경로 후보 가운데 목표까지 가는 순서를 찾게 하고, 지식 표현은 선반, 통로, 물건, 적재 상태, 금지 구역을 구조화하게 하며, 확률 추론은 센서 오차나 통로 점유 상태처럼 불확실한 정보를 다루게 합니다. 같은 로봇 문제 안에서도 세 흐름이 함께 필요하다는 뜻입니다.

이 사례를 통해 읽어야 할 핵심은 후보를 찾는 일, 세계를 적는 일, 애매한 정보를 판단하는 일이 실제 시스템 안에서 동시에 등장한다는 점입니다.

체크리스트¶

• 탐색이 가능한 상태와 행동을 따라 목표를 찾는 방식이라는 점을 설명할 수 있다.
• 휴리스틱이 탐색 후보를 줄이거나 순서를 정하는 경험적 기준이라는 점을 설명할 수 있다.
• 지식 표현이 규칙뿐 아니라 사실, 관계, 제약, 행동의 결과를 포함할 수 있음을 설명할 수 있다.
• 확률 추론이 불완전한 정보에서 결론의 그럴듯함을 계산하는 방식이라는 점을 설명할 수 있다.
• 탐색, 지식 표현, 확률 추론이 서로 다른 질문에서 출발하지만 실제 시스템에서는 함께 쓰일 수 있음을 설명할 수 있다.
• 탐색은 가능한 후보 중에서 목표에 도달하는 길을 찾는 방식이고, 지식 표현은 필요한 사실과 관계를 컴퓨터가 다룰 수 있게 정리하는 방식이며, 확률 추론은 불완전한 정보에서 결론의 그럴듯함을 계산하는 방식이라는 점을 설명할 수 있다.
• 이 세 흐름이 머신러닝 이전 AI의 배경일 뿐 아니라 현대 AI 서비스 안에서도 여전히 다양한 형태로 남아 있다는 점을 설명할 수 있다.

출처와 참고 자료¶

• Stuart Russell, Peter Norvig, Artificial Intelligence: A Modern Approach, 4th US ed., Full Table of Contents, 확인 날짜: 2026-06-22.
• David L. Poole, Alan K. Mackworth, Artificial Intelligence: Foundations of Computational Agents, 3rd ed., 확인 날짜: 2026-06-22.
• Stanford Encyclopedia of Philosophy, Selmer Bringsjord and Naveen Sundar Govindarajulu, Artificial Intelligence, 2018-07-12, 확인 날짜: 2026-06-22.
• Stanford Encyclopedia of Philosophy, Richmond H. Thomason, Logic-Based Artificial Intelligence, substantive revision 2024-02-27, 확인 날짜: 2026-06-22.