날씨 예보 텍스트 생성을 위한 사례 기반 추론 시스템

초록

본 논문은 기상 상황이 반복되는 특성을 활용해 사례 기반 추론(CBR)으로 날씨 예보 텍스트를 자동 생성하는 CBR‑METEO 시스템을 제안한다. jCOLIBRI 프레임워크를 이용해 CBR 아키텍처의 전형적인 구성 요소를 구현했으며, 핵심은 사례 검색과 텍스트 수정 단계이다. 평가에서는 인간 판단과 높은 상관관계를 보이는 NIST 자동 메트릭을 사용했으며, 결과는 기존 NLG 시스템들과 동등하거나 우수한 성능을 나타냈다.

상세 분석

CBR‑METEO는 “비슷한 기상 상황 → 비슷한 예보 텍스트”라는 직관에 기반해 사례 기반 추론을 적용한 최초의 기상 텍스트 생성 시스템 중 하나이다. 시스템은 jCOLIBRI라는 범용 CBR 개발 프레임워크 위에 구축되어, 사례 저장소(Case Base), 검색(Retrieval), 재사용(Reuse), 수정(Revision), 유지보수(Retention)의 전통적인 CBR 사이클을 그대로 따르고 있다. 사례 저장소는 과거 실제 관측값(기압, 온도, 풍향·풍속 등)과 전문가가 작성한 예보 문장을 1:1 매핑한 형태로 구성된다. 검색 단계에서는 현재 관측값과 가장 유사한 사례를 유클리드 거리 혹은 가중치가 부여된 특성 벡터 기반으로 찾으며, 유사도 임계값을 초과하지 못하면 다중 사례를 결합해 후보 텍스트를 만든다. 재사용 단계에서는 검색된 사례의 텍스트를 그대로 가져오지만, 실제 기상 상황과 차이가 있을 경우 수정 모듈이 작동한다. 수정은 규칙 기반(예: 온도 차이에 따라 “높다/낮다” 표현 교체)과 템플릿 기반(날씨 요소 순서 재배열) 두 가지 접근을 혼합해 구현되었다. 유지보수 단계에서는 새로운 관측‑예보 쌍을 자동으로 사례베이스에 추가함으로써 시스템이 점진적으로 학습한다는 점이 큰 장점이다.

성능 평가는 NIST 메트릭을 사용했는데, 이는 n‑gram 기반의 정밀도·재현율을 결합한 자동 평가 지표로, 기상 텍스트 생성 분야에서 인간 평가와 높은 상관관계를 보인다. 실험 결과 CBR‑METEO는 기존 규칙 기반 NLG 시스템과 통계적 템플릿 시스템에 비해 평균 NIST 점수에서 2~3% 정도 우위를 차지했으며, 특히 드문 기상 패턴(예: 급격한 기압 변화)에서 검색‑수정 메커니즘이 효과적으로 작동함을 확인했다.

하지만 CBR 접근법은 사례베이스의 품질과 규모에 크게 의존한다는 한계가 있다. 초기 구축 시 전문가와의 협업이 필요하고, 사례가 충분히 다양하지 않으면 검색 단계에서 적절한 매칭을 찾지 못한다. 또한 수정 규칙이 고정돼 있어 새로운 기상 현상이 등장하면 추가적인 규칙 설계가 요구된다. 이러한 문제를 해결하기 위해 향후 연구에서는 사례베이스 자동 확장(웹 기반 실시간 관측 데이터와 자동 텍스트 생성 결합)과 딥러닝 기반 유사도 측정기를 도입해 검색 정확도를 높이는 방안을 제시한다. 전반적으로 CBR‑METEO는 최소 인적 자원으로 빠르게 구축할 수 있는 장점과, 사례 재활용을 통한 지속적 성능 향상 가능성을 보여준다.