Sakana AI, 진화형 가설 생성 및 다각적 의사결정 추천 프레임워크 'QD-Rec' 공개

이미지 출처: Sakana AI

인공지능 연구기관 Sakana AI가 복잡한 전략적 의사결정에서 단일 점수 순위화를 넘어 다각적인 추천과 근거 가설을 함께 탐색하는 프레임워크 'QD-Rec'을 공식 공개했습니다. 단순한 선호도 정렬이 아니라 선택의 이유와 잠재력을 다양한 각도에서 비교해야 하는 고차원 문제에 진화 연산의 품질-다양성(Quality-Diversity, QD) 기법을 접목한 시도입니다.

단일 최적화를 넘어선 오픈엔드 추천의 필요성

기업 인수합병(M&A) 후보 발굴, 가상 고객을 향한 신제품 제안, 방대한 학술 논문 선별 등 실제 비즈니스와 연구 현장의 의사결정은 단순한 1차원 점수 나열만으로 해결되지 않습니다. 하나의 후보를 두고도 고려할 수 있는 유망한 이유는 복수일 수 있으며, 의사결정자는 각 후보를 '왜 선택해야 하는지'와 '선택했을 때 어떤 가능성이 열리는지'를 서로 다른 관점에서 입체적으로 비교 검토할 수 있어야 합니다.

하지만 수천 건에서 1만 건을 넘는 대규모 후보군 각각에 대해 모든 가능한 가설을 일일이 생성하고 엄밀하게 평가하는 작업은 현실적으로 막대한 연산 비용을 소모합니다. Sakana AI는 이러한 제약에 주목하여, 한정된 평가 예산 안에서 '후보'와 '가설'의 순서쌍을 효율적으로 탐색하고 높은 품질과 다양성을 동시에 충족하는 제안을 도출하는 문제를 '오픈엔드 추천(Open-ended Recommendation)'으로 정의했습니다.

품질-다양성(QD) 진화 연산과 LLM의 유기적 결합

QD-Rec의 핵심 구조는 오픈엔드 탐색 연구에서 발전해 온 진화 알고리즘인 품질-다양성(Quality-Diversity) 패러다임을 추천 영역으로 확장한 데 있습니다. 기존의 단순 순차 탐색과 달리, 과거의 평가 피드백과 축적된 가설 풀을 바탕으로 다음에 조사할 유망 후보를 능동적으로 선별합니다.

이 과정에서 대규모 언어 모델(LLM)은 이미 검증된 가설의 핵심 착안점을 다른 후보에 유추 적용하거나, 복수의 가설을 창의적으로 결합하여 새로운 제안을 진화시키는 생성 엔진 역할을 수행합니다. 새로운 시각의 제안은 다양성 보존 원칙에 따라 추천 풀에 안정적으로 잔류하며, 서로 유사한 제안들 사이에서는 평가 결과가 더 우수한 상위 제안으로 갱신됩니다. 이러한 메커니즘을 통해 축적된 가설들은 사장되지 않고 다음 발견을 견인하는 '디딤돌'로 지속 활용되며 추천 풀을 진화시킵니다.

실제 실험 검증과 현장 도입 시 고려해야 할 현실적 경계

Sakana AI 연구진은 기업 인수 후보 탐색, 가상 고객 프로파일 대상의 타깃팅, 연구자를 위한 학술 논문 추천 등 세 가지 대표 시나리오를 통해 QD-Rec의 성능을 종합 검증했습니다. 그 결과, 동일한 평가 횟수(Evaluation Budget) 조건에서 기존 비교 대조군보다 유의미하게 높은 질적 평가를 기록했을 뿐만 아니라, 훨씬 풍부하고 다채로운 추천 가설 풀을 안정적으로 축적함을 입증했습니다.

다만 본 프레임워크의 도입을 검토할 때 유념해야 할 명확한 경계도 존재합니다. Sakana AI가 강조하듯 QD-Rec은 인간 의사결정자의 고유한 판단을 완전히 자동화하여 대행하는 인공지능이 아닙니다. 이 도구의 본질은 인간이 다각도로 숙고할 수 있도록 설득력 있는 선택지와 비교 검토의 명확한 근거를 제공하는 지원 체계입니다. 또한 대규모 후보군을 다루는 과정에서 LLM을 지속적으로 호출하여 가설을 생성하고 점검하는 구조인 만큼, 실제 프로덕션 환경에 배포할 때는 토큰 비용과 평가 예산 할당을 면밀히 제어하고 모니터링하는 관리가 요구됩니다.

출처

• Sakana AI 공식 발표 원문