공간 지식추론 엔진 개발

공간 지식추론 엔진 개발

Spatial Knowledge Information Reference Engine Development

장한메 ⋅ 양종현 ⋅ 유기윤

Jang, Hanme⋅Yang, Jonghyeon⋅Yu, Kiyun

최근 웹 데이터의 크기가 폭발적으로 증가하고 인공지능기술이 발달하면서 기계가 사람의 질문을 이해하고 대응할 수 있는 질의응답(QA:Question Answering) 시스템에 관한 관심이 증가하였다. 질의응답은 자연어처리, 정보탐색, 컴퓨터 언어학 등이 합쳐진 융합학문으로, 크게 비구조화된 텍스트로부터 정답을 찾는 TextQA와 지식 그래프(Knowledge Base or Knowledge Graph)로부터 정답을 찾는 KBQA(Question Answering from Knowledge Base)로 구분된다. KBQA 시스템을 구축하기 위해서는 먼저 대규모 데이터베이스가 필요한데 최근에는 서로 연관된 지식을 그래프 형태로 구축하는 방식이 널리 사용되며 인터넷에 존재하는 방대한 정보를 체계적으로 조회하기 위해 시맨틱웹과 LOD (Linked Open Data)가 개발되기도 하였다.

공간정보 분야에서도 KBQA 방법론을 도입하여 공간정보 관련 질문을 처리하려는 세부 연구주제가 주목받고 있으며 OSM (Open Street Map) 등 공간데이터와 Wikipedia와 같은 일반적인 지식을 혼합한 공간 지식그래프를 구축하고 지리공간질문(Geospatial Question)을 기계가 이해할 수 있는 데이터베이스 쿼리로 변환하여 질문을 처리하는 시맨틱 파싱 방법이 가장 널리 활용되고 있다. 위 질의응답 시스템은 일반적인 상용서비스에서 처리하지 못하는 질문인 “부산항과 가장 가까운 소방서는?”이나 “춘천시와 인접한 도시는?”과 같은 지리공간질문에 대답할 수 있어 위치 기반 검색 시스템, 스마트 도시 관리 시스템의 등 공간정보를 활용하는 다양한 시스템의 핵심 요소로 볼 수 있으며 본 연구에서는 이를 도시공간 모델 환경에서 다양한 공간 관련 질의응답을 지원하는 공간 인공지능 추론 엔진이라 정의하였다.

공간 인공지능 추론 엔진을 구현하려면 각 요소를 정의, 기술 수준을 분석한 뒤 고도화하는 작업이 필요하다. 현재 사용되는 데이터베이스는 대부분 웹 데이터를 그래프 형태로 나타낸 RDF(Resource Description Framework)로 구성되어 있으며 쿼리 언어로는 SPARQL 및 GeoSPARQL가 사용된다. 질의응답 시스템에서 자연어 질문을 데이터베이스에서 동작하는 쿼리로 변환하는 과정에서는 Seq2Seq 중심의 딥러닝 방법론이 이용되며 지리공간질문은 지리정보의 이름, 공간적인 관계, 수량 등의 정보를 포함하고 있어 일반적인 질문 데이터셋과 다른 특성을 보인다. 그동안 지리공간질문은 연구자의 주관이나 해석에 따라 소규모로만 구축되어 종류와 규모에 한계를 가지므로 본 연구에서는 지리공간질문을 데이터베이스 기반 질문, 간단한 공간 연산 질문, 복잡한 공간분석 질문으로 분류하고 딥러닝 방법을 적용하기에 충분한 수의 질문을 생성한 뒤 각 유형에 적합한 질문-쿼리 변환 방법을 개발하였다. 또한, KBQA 시스템에서는 전통적인 관계형 데이터베이스가 아닌 Apache Jena, ArangoDB, Neo4j 등의 그래프 데이터베이스를 활용하고 있으므로 각 데이터베이스에 적합한 언어를 선택하고 각 질문의 대답에 필요한 데이터의 추상화 정도에 따라 포인트(point), 폴리곤(polygon) 등의 공간 객체나 touch, intersect 등의 공간 토폴로지도 데이터베이스에 함께 저장하는 방법을 제시하였다.

수준 높은 공간 인공지능 추론 엔진이 구현되면 다양한 지리공간정보 현상에 관한 질문을 이해하고 데이터베이스에 저장된 정보를 조회, 분석하여 사용자에게 적절한 답을 반환할 수 있다. 추가적으로 도시 공간 내에서 생산되는 빅데이터의 수집 및 다차원 분석 기술 및 3차원 모델 표현 기술이 공간 인공지능 추론 엔진과 결합된다면 시공간 추론 및 심층적 지식을 제공할 것으로 기대된다.