에이전트 리드: LLM으로 인과 피드백 퍼지 인지 지도 추출
📝 원문 정보
- Title: The Agentic Leash: Extracting Causal Feedback Fuzzy Cognitive Maps with LLMs
- ArXiv ID: 2601.00097
- 발행일: 2025-12-31
- 저자: Akash Kumar Panda, Olaoluwa Adigun, Bart Kosko
📝 초록 (Abstract)
우리는 대형 언어 모델(LLM) 에이전트를 설계하여 원시 텍스트로부터 인과 피드백 퍼지 인지 지도(FCM)를 추출한다. 인과 학습·추출 과정은 LLM의 반자율성 때문에 에이전트적이며, 궁극적으로는 FCM 동역학 시스템의 평형 상태가 LLM 에이전트를 텍스트를 검색·처리하도록 유도하기 때문에 에이전트적이다. 검색된 텍스트는 적응형 FCM 인과 구조를 수정할 수 있으며, 이는 그 자체의 준자율성—평형 제한 주기와 고정점 어트랙터—의 근원을 바꾼다. 이러한 양방향 과정은 진화하는 FCM 동역학 시스템에 일정 수준의 자율성을 부여하면서도 ‘에이전트 리드’ 아래에 머물게 한다. 우리는 특히 세 개의 정밀한 시스템 지시문이 LLM 에이전트를 순차적으로 (1) 텍스트에서 핵심 명사와 명사구를 추출하고, (2) 그 명사·명사구 중에서 FCM 개념 노드를 선정하며, (3) 그 노드들 사이의 부분적·퍼지 인과 엣지를 추출·추론하도록 안내한다는 것을 보였다. 이 FCM 생성 과정을 최근 외교관이자 정치 이론가인 헨리 키신저와 공동 저자들의 AI 전망 에세이에 적용하였다. 세 단계 과정은 인간이 만든 FCM과 동일한 평형 제한 주기에 수렴하는 FCM 동역학 시스템을 생성했으며, 인간 생성 FCM은 노드·엣지 수에서 차이를 보였다. 최종적으로 Gemini와 ChatGPT 두 LLM 에이전트가 만든 별도 FCM을 혼합한 혼합 FCM을 구성하였다. 혼합 FCM은 지배적인 구성 요소의 평형을 흡수하면서도 자체 새로운 평형을 창출해 근본 인과 동역학 시스템을 보다 잘 근사한다.💡 논문 핵심 해설 (Deep Analysis)
실험에서는 헨리 키신저와 공동 저자들의 AI에 관한 에세이를 대상으로, Gemini와 ChatGPT 두 서로 다른 모델을 사용해 독립적인 FCM을 생성하고, 이를 혼합해 새로운 복합 FCM을 만들었다. 흥미로운 결과는 인간이 만든 FCM과 LLM이 만든 FCM이 서로 다른 노드·엣지 수를 가짐에도 불구하고, 동역학 시뮬레이션(예: 비선형 업데이트 규칙)에서는 동일한 제한 주기와 고정점에 수렴했다는 점이다. 이는 LLM이 텍스트에서 핵심 인과 구조를 충분히 포착했으며, 퍼지 가중치 추정이 실제 인과 메커니즘을 근사하는 데 유효함을 시사한다. 또한 혼합 FCM이 지배적 구성 요소의 평형을 흡수하면서도 새로운 평형을 창출한다는 발견은, 서로 다른 LLM이 제공하는 인과 시각을 통합함으로써 보다 풍부하고 견고한 인과 모델을 만들 수 있음을 보여준다.
이 접근법은 몇 가지 한계를 가진다. 첫째, 프롬프트 설계가 모델에 따라 크게 달라질 수 있어 재현성이 낮을 위험이 있다. 둘째, 퍼지 가중치의 정량적 추정이 인간 전문가의 평가와 얼마나 일치하는지는 추가 검증이 필요하다. 셋째, 텍스트의 도메인(정치·경제·과학 등)에 따라 인과 관계의 복잡성이 달라지므로, 일반화 가능한 프레임워크로 확장하려면 도메인‑특화 프롬프트와 후처리 기법이 요구된다. 그럼에도 불구하고, LLM을 에이전트화하여 동적 인과 모델을 자동 생성한다는 시도는 인공지능·복잡계 연구에 새로운 가능성을 열어준다. 향후 연구에서는 (1) 자동 가중치 학습을 위한 강화학습·베이지안 최적화와의 결합, (2) 다중 모델 앙상블을 통한 불확실성 정량화, (3) 실시간 텍스트 스트림(예: 뉴스 피드)에서 지속적으로 FCM을 업데이트하는 온라인 프레임워크 구축 등을 탐색할 수 있다.
📄 논문 본문 발췌 (Translation)
📸 추가 이미지 갤러리
