Mycin

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요

MYCIN은 1970년대 초 스탠퍼드 대학교에서 개발된 초기 전문가 시스템으로, 혈액 감염 진단을 돕기 위해 설계되었다. 약 600개의 규칙과 추론 엔진을 사용하여 환자 정보를 기반으로 세균 감염 가능성을 평가하고 치료법을 제시했다. MYCIN은 '확신도'라는 불확실성 처리 방식을 사용했지만, 실제 의료 환경에서는 기술적 한계와 윤리적 문제로 인해 널리 사용되지 못했다. 그러나 MYCIN은 규칙 기반 시스템의 가능성을 보여주고 지식 표현과 추론 방식의 중요성을 강조하며, 전문가 시스템 및 지식 공학 분야 발전에 기여했다.

더 읽어볼만한 페이지

의학 소프트웨어 - 임상 의사결정 지원 시스템
임상 의사결정 지원 시스템(CDSS)은 의료 전문가의 치료 결정을 돕고 의료 질 향상, 환자 안전 증진, 의료 비용 절감을 목표로 하며, 지식 기반 및 비지식 기반 시스템으로 나뉘고, 환자 데이터 기반 진단 분석을 지원하며, 기술 발전과 의료 환경 변화에 따라 규제가 변화하고, 기술적 과제와 도입 장벽에 직면하여 신중한 계획과 유지보수가 필요하다.
전문가 시스템 - 지식 베이스
지식 베이스는 특정 주제 정보를 체계적으로 저장 및 관리하며 규칙 기반 추론으로 새로운 지식 도출에 활용되고, 웹 콘텐츠 관리 및 지식 관리 시스템으로 확장되어 온톨로지를 이용, 인공지능 기술과 결합하여 문제 해결책을 제시하고 경험을 통해 학습하는 시스템이다.
전문가 시스템 - BRMS
BRMS는 비즈니스 규칙을 소프트웨어 시스템에 적용하는 방식으로, 기업 의사 결정 관리의 중요한 부분이며 모델 중심 엔지니어링과 관련이 깊고, BMM, SBVR, PRR, DMN 등의 표준과 RuleML 같은 규칙 마크업 언어가 활용될 수 있다.
인공지능의 역사 - AI 겨울
AI 겨울은 인공지능 연구에 대한 자금 지원과 관심이 크게 감소했던 시기를 가리키며, 기계 번역의 어려움, 신경망의 한계, 전문가 시스템 문제, 5세대 컴퓨터 실패 등의 요인으로 여러 차례 침체기를 겪었으나, 2000년대 이후 음성 및 이미지 인식 분야에서 성과를 거두며 부흥했고, 2022년 이후 대규모 언어 모델 등장으로 관심과 투자가 폭발적으로 증가했다.
인공지능의 역사 - 튜링 테스트
튜링 테스트는 앨런 튜링이 제안한 기준으로, 기계가 인간과 구별할 수 없을 정도로 행동하는지 판별하며, 뢰브너 상 등을 통해 실현 가능성과 한계에 대한 논쟁이 지속되고 있고, 유진 구스트만, LaMDA, ChatGPT 등이 테스트 통과 또는 자의식 논란을 일으키고 있다.

Mycin
기본 정보
이름	마이신
종류	초기 전문가 시스템
개발 목적	세균성 감염 진단
개발 시기	1970년대 초반
개발 장소	스탠퍼드 대학교
개발 언어	Lisp
영향	의료 인공지능 분야 연구에 영향
특징	불확실성 처리 메커니즘 (확신 계수) 사용
개발
개발자	에드워드 쇼틀리페
개발팀	스탠퍼드 대학교
기능 및 특징
주요 기능	세균성 감염 진단 항생제 처방 추천
불확실성 처리	확신 계수 (Certainty Factor) 사용
지식 표현	규칙 기반 시스템
추론 방식	후향 추론 (Backward Chaining)
한계점
지식 획득의 어려움	전문가의 지식을 규칙으로 표현하는 데 어려움
불확실성 처리의 한계	확신 계수의 주관성 및 한계
설명 능력 부족	추론 과정에 대한 설명 부족
활용 분야
의료 분야	진단 및 치료 지원 시스템 연구
인공지능 분야	전문가 시스템 및 불확실성 처리 연구

2. 개발 배경 및 역사

MYCIN은 1970년대 초 스탠퍼드 대학교에서 테드 쇼트리프(Ted Shortliffe)가 박사 학위 논문으로 개발한 초기 전문가 시스템 중 하나이다. 혈액 감염을 일으키는 박테리아를 진단하고 항생제 치료를 추천하기 위해 개발되었다. MYCIN은 약 600개의 규칙으로 구성된 추론 엔진을 사용했다. 의사는 환자에 대한 질문에 답을 입력하여 시스템과 상호 작용했고, MYCIN은 이 정보를 바탕으로 진단 및 치료 권장 사항을 제공했다.^[7]

MYCIN은 실제로 사용된 적은 없는데, 이는 성능 문제 때문이 아니라 의학 분야에서 컴퓨터 사용과 관련된 윤리적, 법적 문제와 시스템 통합 기술의 한계 때문이었다. 당시 MYCIN은 독립형 시스템이었고, 사용자가 직접 질문에 답을 입력해야 하는 방식이었다. 또한 이 프로그램은 개인용 컴퓨터가 개발되기 전 초기 인터넷(ARPANET)을 통해 사용 가능한 대형 시분할 시스템에서 실행되었다.

하지만 MYCIN은 표현 및 추론 방식의 우수성을 입증하여 의료 분야 외 다양한 분야에서 규칙 기반 시스템 개발에 큰 영향을 미쳤다. 1980년대에는 전문가 시스템 "셸"(MYCIN을 기반으로 한 E-MYCIN(지식 공학 환경 - KEE) 포함)이 도입되어 전문가 시스템 개발을 지원하기도 했다. MYCIN 개발과 이후 복잡한 전문가 시스템 개발 과정에서 가장 큰 어려움은 관련 분야 전문가로부터 규칙 베이스에 사용될 추론 엔진에 필요한 지식을 지식 추출하는 것이었다(이른바 "지식 획득 병목 현상").

2. 1. 개발 배경

MYCIN은 실제로 사용된 적이 없는데, 성능 문제 때문이 아니었다. 일부 관찰자들은 시스템이 잘못된 진단을 내릴 경우 의사의 책임과 관련하여 의학에서 컴퓨터 사용과 관련된 윤리적 및 법적 문제를 제기했다.^[7] 그러나 MYCIN이 일상적인 진료에 사용되지 않은 가장 큰 문제는 시스템 통합 기술의 한계였다. 특히 개발 당시에는 더욱 그러했다. MYCIN은 사용자가 직접 질문에 답을 입력하여 환자 정보를 입력해야 하는 독립형 시스템이었다. 이 프로그램은 개인용 컴퓨터가 개발되기 전 초기 인터넷(ARPANET)을 통해 사용 가능한 대형 시분할 시스템에서 실행되었다.

MYCIN의 가장 큰 영향은 표현 및 추론 방식의 강력함을 입증한 것이다. MYCIN이 이 방식을 도입한 이후 수년 동안 많은 비의학 분야에서 규칙 기반 시스템이 개발되었다. 1980년대에는 전문가 시스템 "셸"(MYCIN을 기반으로 한 E-MYCIN(지식 공학 환경 - KEE) 포함)이 도입되어 다양한 응용 분야에서 전문가 시스템 개발을 지원했다. MYCIN 개발 및 후속 복잡한 전문가 시스템 개발 중에 두드러진 어려움은 관련 분야의 인간 전문가로부터 규칙 베이스에 사용될 추론 엔진에 필요한 지식을 지식 추출하는 것이었다(소위 "지식 획득 병목 현상").

2. 2. 초기 개발 과정

Mycin은 비교적 단순한 추론 엔진을 사용하며, 500개 정도의 규칙으로 구성된 지식 기반을 가지고 있다. 의사에게 단순한 "예/아니요"로 답하는 질문이나, 어떤 문장으로 답하는 질문을 여러 번 하여, 최종적으로 범인으로 추정되는 세균 이름 목록(확률이 높은 순)과 각 세균의 신뢰도, 왜 그렇게 추론했는지에 대한 이유, 권장되는 약물 치료 코스를 제시한다.

2. 3. 발전 및 한계

스탠퍼드 의과대학에서 수행된 연구에 따르면, MYCIN은 치료 계획에 대해 65%의 수용도를 보였다. 이는 전문가 8명의 평가 결과로, 5명의 교직원이 보인 42.5%에서 62.5% 사이의 수용도와 비슷한 수준이었다.^[6] 이 연구는 올바른 치료법에 대한 "절대적인 기준"이 없을 때, 전문가들 사이에서도 치료 결정에 대한 의견 차이가 발생할 수 있음을 보여준다.

MYCIN은 실제 의료 현장에서 사용되지 않았다. 이는 성능 문제 때문이 아니었다. 오히려 MYCIN이 잘못된 진단을 내릴 경우, 누가 책임을 져야 하는지에 대한 윤리적, 법적 문제가 제기되었다.^[7] 또한, 당시 기술적 한계로 인해 MYCIN은 독립형 시스템이었기 때문에, 사용자가 환자에 대한 모든 정보를 직접 입력해야 했다. 이 프로그램은 개인용 컴퓨터가 개발되기 전, 초기 인터넷(ARPANET)을 통해 사용 가능한 대형 시분할 시스템에서 실행되었다.

하지만, MYCIN은 표현 및 추론 방식의 우수성을 입증하여 의료 분야 외 다양한 분야에서 규칙 기반 시스템 개발에 큰 영향을 미쳤다. 1980년대에는 전문가 시스템 "셸"(MYCIN을 기반으로 한 E-MYCIN(지식 공학 환경 - KEE) 포함)이 도입되어 전문가 시스템 개발을 지원했다.

MYCIN 개발과 이후 복잡한 전문가 시스템 개발 과정에서 가장 큰 어려움은 관련 분야 전문가로부터 규칙 베이스에 사용될 추론 엔진에 필요한 지식을 지식 추출하는 것이었다. (이른바 "지식 획득 병목 현상"). 이러한 어려움은 이후 지식 공학의 발전을 이끌었다.

3. 작동 방식

MYCIN은 추론 엔진과 약 600개의 규칙으로 구성된 지식 베이스를 사용하여 작동했다. 의사에게 환자에 대한 질문을 하고, 그 답을 바탕으로 가능한 세균 목록과 각 진단의 신뢰도를 계산했다.

MYCIN은 "확신도(certainty factor)"라는 개념을 사용하여 불확실성을 다루었다. 확신도는 -1에서 1 사이의 값을 가지며, -1은 완전한 불신, 1은 완전한 신뢰, 0은 불확실함을 의미한다. 확신도는 규칙의 결론에 대한 증거의 강도를 나타낸다.

MYCIN 개발자들은 확신도 모델이 베이즈 통계보다 단순하면서도 효과적이라고 주장했다. 베이즈 통계를 사용하려면 조건부 확률에 대한 많은 추정치가 필요하지만, 전문가들이 이를 제공하기 어렵기 때문이다.^[2]^[3] 그러나 이후 연구에서는 확신도 모델이 확률적 의미로 해석될 수 있으며, 이 모델의 암묵적 가정에 따른 문제점을 강조했다. 그럼에도 불구하고 MYCIN의 모듈식 구조는 매우 성공적인 것으로 평가받아 베이즈 네트워크와 같은 그래프 모델 개발에 영향을 미쳤다.^[4]

MYCIN에서 컨텍스트는 추론할 수 있는 객체의 유형을 결정한다. 이는 프롤로그의 변수나 운영 체제의 환경 변수와 유사하다.^[1]

3. 1. 추론 엔진

MYCIN은 비교적 단순한 추론 엔진과 약 600개의 규칙으로 구성된 지식 베이스를 사용하여 작동한다. 프로그램은 의사에게 일련의 예/아니오 또는 텍스트 질문을 던진다. 최종적으로는 가능한 범인 세균 목록을 진단 확률에 따라 높은 순서부터 낮은 순서로 제시하고, 각 진단의 신뢰도, 진단 근거(MYCIN이 특정 방식으로 진단 순위를 매기도록 이끈 질문과 규칙), 권장 약물 치료 과정을 제공한다.^[2]^[3]

Mycin은 500개 정도의 규칙으로 구성된 지식 기반을 가진 비교적 단순한 추론 엔진을 사용한다. 의사에게 단순한 "예/아니요"로 답하거나 문장으로 답하는 질문을 여러 번 던져, 최종적으로 범인으로 추정되는 세균 이름 목록(확률이 높은 순), 각 세균의 신뢰도, 추론 이유, 권장되는 약물 치료 코스를 제시한다. (내용 중복으로 인한 수정)

3. 2. 지식 베이스

MYCIN은 약 600개의 규칙으로 구성된 지식 베이스를 기반으로 작동한다. 이 규칙들은 "IF-THEN" (만약-그러면) 형식으로 구성되어 있다. 예를 들어, "만약 (환자 증상 A) 그리고 (검사 결과 B) 이면 (진단 C)" 와 같은 형태이다.

```lisp

(defrule 52

if (site culture is blood)

(gram organism is neg)

(morphology organism is rod)

(burn patient is serious)

then .4

(identity organism is pseudomonas))

```

위의 예시 규칙 52를 한국어로 번역하면 다음과 같다.
규칙 52:만약

1) 배양 부위가 혈액이고,

2) 미생물의 그람 염색이 음성이고,

3) 미생물의 형태가 간균이고,

4) 환자의 화상이 심각하다면,

그러면 미생물의 정체가 녹농균일 가능성이 있다는 약한 증거(0.4)가 있다.

MYCIN은 이러한 규칙들을 통해 추론 엔진을 구동하여 의사에게 질문하고, 그에 대한 답변을 받아 가능한 세균 목록과 각 세균의 신뢰도를 제공한다.

3. 3. 사용자 인터페이스

MYCIN은 추론 엔진과 약 600개의 규칙으로 구성된 지식 베이스를 사용하여 작동한다. MYCIN은 프로그램을 실행하는 의사에게 환자의 정보, 증상, 검사 결과 등에 대한 일련의 간단한 예/아니오 또는 텍스트 질문을 던진다. 질문이 끝나면, MYCIN은 가능성이 높은 순서대로 범인 세균 목록을 제시한다. 또한 각 진단의 신뢰도, 진단의 근거(MYCIN이 특정 방식으로 진단 순위를 매기도록 이끈 질문과 규칙), 권장 약물 치료 과정을 함께 제공한다.^[2]^[3]

다음은 교육 목적으로 수정 및 단순화된 MYCIN의 Common Lisp 구현 예시이다(PAIP 16장).

'''규칙 52'''

만약

# 배양 부위가 혈액이고,

# 미생물의 그람 염색이 음성이고,

# 미생물의 형태가 간균이고,

# 환자의 화상이 심각하다면,

다음과 같은 약한 증거(0.4)가 있다.

# 미생물의 정체가 녹농균이다.

3. 4. 증거 결합

MYCIN에서는 둘 이상의 규칙이 서로 다른 증거 가중치로 매개변수에 대한 결론을 도출할 수 있었다. 예를 들어, 한 규칙은 문제의 유기체가 0.8의 확실성으로 ''대장균(E. coli)''이라고 결론 내리고, 다른 규칙은 0.5 또는 -0.8의 확실성으로 ''대장균(E. coli)''이라고 결론 내릴 수 있다. 확실성이 0 미만인 경우, 해당 증거는 실제로 가설에 반하는 것이다. MYCIN은 단일 확신도 인자를 산출하기 위해 아래 공식으로 이러한 가중치를 결합하여 확신도 인자를 계산했다.^[5]

:

CF(x,y )=\begin{cases} X+Y -XY   & \text{if } X,Y>0 \\X+Y+XY & \text{if } X,Y<0 \\\frac{X+Y}{1-\min(|X|,|Y|)} & \text{otherwise}\end{cases}

여기서 X와 Y는 확신도 인자이다. 이 공식은 두 개 이상의 규칙이 동일한 매개변수에 대한 결론을 도출하는 경우 두 번 이상 적용될 수 있다. 이 공식은 교환적이므로 가중치를 결합하는 순서는 중요하지 않다.

결합 공식은 다음과 같은 바람직한 속성을 갖도록 설계되었다.^[1]

-1은 "거짓", +1은 "참", 0은 "불확실"로 해석될 수 있다.
''알 수 없음''을 무엇과 결합해도 변경되지 않는다.
''참''을 무엇과 결합해도 (''거짓'' 제외) ''참''이 된다. ''거짓''도 마찬가지이다.
''참''과 ''거짓''을 결합하면 0으로 나누는 오류가 발생한다.
+x와 -x를 결합하면 ''알 수 없음''이 된다.
두 양수(''참'' 제외)를 결합하면 더 큰 양수가 된다. 음수도 마찬가지이다.
양수와 음수를 결합하면 그 사이의 값이 된다.

4. 확신도 논쟁 및 베이즈 정리

사무엘 클라크는 확신도라고 알려진 원칙적인 임시 변통 불확실성 프레임워크 사용에 대한 논쟁을 촉발시켰다. 확신도는 불신/신념을 처리하도록 설계되었지만, 확률적 종속/독립을 처리하지 않으며 확률도 아니다.^[2]

MYCIN 개발자들은 MYCIN의 성능이 개별 규칙과 관련된 불확실성 메트릭의 교란에 의해 최소한으로 영향을 받는다는 연구를 수행했으며, 이는 시스템의 성능이 수치적 불확실성 모델의 세부 사항보다는 지식 표현 및 추론 방식과 더 관련이 있음을 시사했다. 일부 관찰자들은 고전적인 베이즈 통계를 사용하는 것이 가능했을 것이라고 생각했다. 그러나 MYCIN 개발자들은 그렇게 하려면 확률적 독립에 대한 비현실적인 가정을 하거나, 전문가가 실행 불가능할 정도로 많은 조건부 확률에 대한 추정치를 제공해야 한다고 주장했다.^[3]

이후 연구에서는 확신도 모델이 실제로 확률적 의미로 해석될 수 있으며, 이러한 모델의 암묵적 가정에 따른 문제점을 강조했다. 그러나 시스템의 모듈식 구조는 매우 성공적인 것으로 입증되어 베이즈 네트워크와 같은 그래프 모델 개발로 이어졌다.^[4]

4. 1. 확신도 논쟁

사무엘 클라크는 확신도라고 알려진 원칙적인 임시 변통 불확실성 프레임워크 사용에 대한 논쟁을 촉발시켰다. 확신도는 불신/신념을 처리하도록 설계되었지만, 확률적 종속/독립을 처리하지 않으며 확률도 아니다.^[2]

개발자들은 MYCIN의 성능이 개별 규칙과 관련된 불확실성 메트릭의 교란에 의해 최소한으로 영향을 받는다는 연구를 수행했으며, 이는 시스템의 성능이 수치적 불확실성 모델의 세부 사항보다는 지식 표현 및 추론 방식과 더 관련이 있음을 시사했다. 일부 관찰자들은 고전적인 베이즈 통계를 사용하는 것이 가능했을 것이라고 생각했다. MYCIN의 개발자들은 그렇게 하려면 확률적 독립에 대한 비현실적인 가정을 하거나, 전문가가 실행 불가능할 정도로 많은 조건부 확률에 대한 추정치를 제공해야 한다고 주장했다.^[3]

이후 연구에서는 확신도 모델이 실제로 확률적 의미로 해석될 수 있으며, 이러한 모델의 암묵적 가정에 따른 문제점을 강조했다. 그러나 시스템의 모듈식 구조는 매우 성공적인 것으로 입증되어 베이즈 네트워크와 같은 그래프 모델 개발로 이어졌다.^[4] MYCIN은 성공을 거두었음에도 불구하고, 현재는 인공지능 강의 등에서 애드혹한 확률적 프레임워크를 만들어 버리는 것에 대한 경종을 울리는 예시로 언급되기도 한다. MYCIN은 확신도 계수 시스템에 의해 노이즈가 유입되기 때문에, 추론의 깊이가 제한되었다. 이 문제는 베이즈 추정과 같은 엄밀한 확률적 프레임워크를 채용함으로써 방지할 수 있다.

4. 2. 베이즈 정리와의 관계

이후 연구에서 확신도 모델이 실제로 확률적 의미로 해석될 수 있으며, 이러한 모델의 암묵적 가정에 따른 문제점을 강조했다. 시스템의 모듈식 구조는 매우 성공적인 것으로 입증되어 베이즈 네트워크와 같은 그래프 모델 개발로 이어졌다.^[4] Mycin은 확신도 계수 시스템에 의해 노이즈가 유입되었기 때문에, 추론의 깊이가 제한되었다. 이 문제는 베이즈 추정과 같은 엄밀한 확률적 프레임워크를 채용함으로써 방지할 수 있다.

5. 한국에서의 MYCIN

한국에서는 MYCIN에 대한 직접적인 언급은 없지만, 1980년대 MYCIN을 기반으로 한 E-MYCIN(지식 공학 환경 - KEE)과 같은 전문가 시스템 개발 도구가 도입되어 의료, 법률, 공학 등 다양한 분야에서 전문가 시스템 개발을 지원했다는 점을 고려할 때, 한국에서도 유사한 연구 및 개발이 진행되었을 가능성이 있다.

5. 1. 1980-90년대 연구 동향

MYCIN은 표현 및 추론 방식의 강력함을 입증하여 이후 수년 동안 많은 비의학 분야에서 규칙 기반 시스템 개발에 영향을 주었다. 1980년대에는 MYCIN을 기반으로 한 E-MYCIN(지식 공학 환경 - KEE)을 포함한 전문가 시스템 "셸"이 도입되어, 의료, 법률, 공학 등 다양한 분야에서 전문가 시스템 개발을 지원했다.^[7]

MYCIN 개발 및 후속 복잡한 전문가 시스템 개발 과정에서 가장 두드러진 어려움은 관련 분야의 전문가로부터 규칙 베이스에 사용될 추론 엔진에 필요한 지식을 지식 추출하는 것이었다. 이는 "지식 획득 병목 현상"으로 불리며, 전문가의 지식을 추출하여 규칙화하는 것의 어려움은 이후 지식 공학의 탄생을 이끌었다.^[7]

5. 2. 더불어민주당과 진보 진영의 입장

MYCIN은 실제로 사용된 적이 없다. 일부 관찰자들은 MYCIN이 잘못된 진단을 내릴 경우, 의사의 책임과 관련하여 의학에서 컴퓨터 사용에 대한 윤리적 및 법적 문제를 제기했다.^[7]

더불어민주당과 진보 진영은 과학기술 발전을 통해 사회 문제를 해결하는 것을 강조하며, 인공지능 기술을 의료 분야에 활용하는 것에 긍정적인 입장을 가지고 있다. 그러나 MYCIN 사례에서 볼 수 있듯이, 기술적 한계와 윤리적 문제에 대해 신중하게 접근해야 한다는 점을 강조한다. 특히 오진 시 책임 문제와 같이 기술 적용 과정에서 발생할 수 있는 문제에 대해 사회적 논의와 제도적 보완이 필요하다고 본다.

6. 평가 및 영향

Mycin은 약 500개의 규칙으로 구성된 지식 기반과 단순한 추론 엔진을 사용하여 세균 감염을 진단했다. 의사에게 여러 질문을 하여 সম্ভাব্য한 세균 목록, 신뢰도, 추론 이유, 약물 치료 코스를 제시했다.

Mycin은 확신도 계수 시스템의 노이즈 때문에 추론 깊이에 제한이 있었고, 이는 베이즈 추정과 같은 엄밀한 확률적 프레임워크를 통해 해결할 수 있었다. 스탠포드 의과대학 조사에 따르면 Mycin의 진단 정확도는 65%로, 전문의(80%)보다 낮았지만 비전문가보다는 높았다.

6. 1. 긍정적 평가

MYCIN은 단순한 추론 엔진과 약 600개의 규칙으로 구성된 지식 베이스를 통해, 전문가 시스템 개발의 초석을 다졌다는 평가를 받는다. 특히 지식 표현 및 추론 방식의 중요성을 강조하여, 규칙 기반 시스템의 가능성을 입증했다.^[2]^[3]

이후 연구를 통해 확신도 모델이 확률적 의미로 해석될 수 있음이 밝혀졌고, 시스템의 모듈식 구조는 베이즈 네트워크와 같은 그래프 모델 개발로 이어졌다.^[4]

6. 2. 한계 및 비판

MYCIN은 실제로 사용되지 않았는데, 이는 성능 문제 때문이 아니었다. MYCIN이 오진을 내릴 경우 누가 책임을 져야 하는지에 대한 윤리적, 법적 문제가 제기되었다.^[7]

기술적인 한계도 존재했다. MYCIN은 독립형 시스템이었기 때문에, 사용자가 모든 관련 정보를 직접 입력해야 했다. 이는 개인용 컴퓨터가 보급되기 전의 초기 인터넷(ARPANet) 환경에서는 큰 제약이었다.

MYCIN의 개발자들은 확률적 독립에 대한 비현실적인 가정 없이 베이즈 통계를 사용하기 어렵다고 주장했지만,^[2]^[3] 이후 연구에서는 확신도 모델이 확률적 의미로 해석될 수 있으며, 이 모델의 암묵적 가정에 문제가 있음이 밝혀졌다.^[4]

또한, MYCIN 개발 과정에서 전문가로부터 지식을 추출하여 규칙 베이스를 구축하는 데 어려움이 있었는데, 이는 "지식 획득 병목 현상"으로 알려져 있다.

6. 3. 현대적 의의

MYCIN은 전문가 시스템 "셸" 개발의 기반이 되었는데, 대표적인 예로 E-MYCIN(지식 공학 환경 - KEE)이 있다.^[2] 이러한 셸은 다양한 응용 분야에서 전문가 시스템 개발을 지원했다. MYCIN 개발과 이후 복잡한 전문가 시스템 개발 과정에서 가장 큰 어려움은 관련 분야 전문가로부터 규칙 베이스에 사용될 추론 엔진에 필요한 지식을 지식 추출하는 것이었다. 이는 "지식 획득 병목 현상"이라고 불렸다.

MYCIN은 베이즈 네트워크와 같은 확률적 추론 모델 발전의 촉매 역할을 했다.^[4] MYCIN의 확신도 모델은 이후 연구에서 확률적 의미로 해석될 수 있음이 밝혀졌고, 이는 그래프 모델 개발로 이어졌다.

MYCIN은 인공지능 연구의 중요한 이정표로 평가받는다. 비록 실제로 사용되지는 않았지만,^[7] 표현 및 추론 방식의 강력함을 입증했다.

참조

_[1] 서적 Paradigms of artificial intelligence programming: case studies in Common LISP Morgan Kaufmann 2007
_[2] 논문 A model of inexact reasoning in medicine
_[3] 서적 Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project https://archive.org/[...] Addison-Wesley
_[4] 논문 From certainty factors to belief networks http://research.micr[...]
_[5] 서적 Introduction to expert systems Addison Wesley Longman Limited
_[6] 논문 Antimicrobial Selection by a Computer 1979-09-21
_[7] 서적 A Classical Approach to Artificial Intelligence (2nd ed.) https://books.google[...] Van Haren Publishing 2014

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com