목표 지향 요구사항 모델링에서 상황 기반 선호도 지정 및 추론

초록

본 논문은 목표 지향 요구사항 모델링에 상황(context)에 따라 변하는 이해관계자 선호도를 정량적으로 기술하고, 이를 답변 집합 프로그래밍(ASP) 기반 자동 추론 엔진에 매핑하여 다양한 설계 대안을 평가·선택하는 방법을 제시한다.

상세 분석

이 연구는 목표 지향 요구사항 변이성(modelling variability) 분석에 상황적 선호(contextual preference)를 도입함으로써 기존의 목표 모델링이 갖는 정적·단일 시점 한계를 극복한다는 점에서 학술적·실무적 의의가 크다. 먼저 저자들은 목표 모델에 포함되는 ‘의도(intention)’와 ‘선호(preference)’를 각각 목표와 이해관계자 의견으로 구분하고, 이 두 요소가 상황에 따라 달라질 수 있음을 전제로 한다. 이를 위해 상황을 정의하는 컨텍스트 변수와 그 변수들의 조합을 통해 구체적인 상황 시나리오를 형성한다. 각 상황에 대해 이해관계자는 목표 달성 정도에 대한 가중치 혹은 효용값을 부여할 수 있도록 정량적 선호 표현식을 설계했으며, 이는 전통적인 논리식이 아닌 실수값(예: 0~1)으로 나타난다. 이러한 정량적 선호는 다중 목표 최적화 문제로 변환되어, 목표 달성 여부와 선호 점수의 총합을 동시에 고려하는 평가 기준이 된다.

핵심 기술은 이 정량적 선호 모델을 ASP 프로그램으로 자동 변환하는 과정이다. ASP는 복잡한 제약 조건과 비단조적 선택을 효율적으로 탐색할 수 있는 선언적 논리 프로그래밍 패러다임으로, 저자들은 목표 간의 의존 관계, 충돌 관계, 그리고 상황별 선호 제약을 모두 ASP 규칙과 비용 함수(cost) 형태로 인코딩한다. 특히, 비용 함수는 선호 점수의 부정값을 최소화하도록 설계되어, 최적 해는 선호도가 가장 높은 설계 대안을 자동으로 산출한다. 이 과정에서 기존 ASP 솔버인 clingo를 활용했으며, 솔버의 ‘optimize’ 옵션을 통해 다중 목표 최적화를 수행한다.

실험에서는 간단한 스마트 홈 시나리오와 복합적인 의료 정보 시스템 사례를 통해 접근법의 적용 가능성을 검증하였다. 결과는 상황별로 서로 다른 설계 대안이 도출되며, 각 대안이 선호 점수와 목표 충족 정도에서 어떻게 차별화되는지를 명확히 보여준다. 또한, 기존의 목표 모델링 도구와 비교했을 때, 선호 기반 자동 추론 단계에서의 시간 복잡도는 상황 수와 목표 수가 급격히 증가해도 실용적인 수준을 유지한다는 점을 확인했다.

이 논문의 주요 기여는 다음과 같다. 첫째, 상황에 따라 변하는 이해관계자 선호를 정량적으로 모델링하는 새로운 언어 체계를 제시하였다. 둘째, 이러한 모델을 ASP 기반 자동 추론 엔진에 매핑함으로써 설계 대안의 자동 생성·평가 메커니즘을 구현했다. 셋째, 실제 사례 연구를 통해 접근법의 실효성과 확장성을 입증하였다. 한편, 제한점으로는 상황 변수의 조합 폭이 급증할 경우 모델링 복잡도가 상승하고, 선호 점수의 주관적 설정에 따라 결과가 크게 달라질 수 있다는 점을 들 수 있다. 향후 연구에서는 상황 추론을 위한 머신러닝 기반 자동화와, 선호 점수의 동적 학습 메커니즘을 도입하여 모델링 부담을 경감하고 신뢰성을 높이는 방향을 제시한다.