감정 가치 예측을 위한 인지·기억 통합 인공지능 에이전트 SensAI와 Expanse

초록

본 논문은 스마트폰 기반 에이전트 SensAI와 클라우드 확장 모듈 Expanse를 결합해, 사용자의 위치·시간·텍스트 데이터를 활용해 감정 가치(긍정·중립·부정)를 실시간 예측한다. XGBoost와 HDBSCAN을 자동 튜닝하는 AutoML 파이프라인을 적용하고, 감정 동조 점수를 통해 인간‑에이전트 간 공감 수준을 시각화한다. 57명(유효 49명) 참가자를 대상으로 수행한 실험에서 31명에게 F1 점수 0.9 이상을 달성했으며, 연령·성별에 따른 감정 표현 차이를 Mann‑Whitney U 검정으로 확인하였다.

상세 분석

SensAI+Expanse 시스템은 모바일 센서(GPS, 타임스탬프)와 사용자가 작성한 텍스트(다이어리, 트위터)를 다중 모달 입력으로 받아, 규칙 기반 어휘 처리와 언어 감지·번역 파이프라인을 통해 즉시 감정 가치 라벨을 추출한다. 라벨링은 사용자가 세 개의 버튼(긍정, 중립, 부정)으로 직접 제공하며, 버튼 클릭 빈도와 시간에 따라 감소하는 ‘공감 점수’를 실시간으로 업데이트한다. 이 점수는 인간‑에이전트 관계를 정량화하려는 시도로, 인터페이스 설계와 사용자 몰입도 측면에서 흥미로운 요소이지만, 정량적 검증이 부족하다.

학습 단계에서는 로컬에서 수집된 데이터를 클라우드(Expanse)로 전송하고, 자동화된 머신러닝(AutoML) 파이프라인을 적용한다. 비지도 학습으로 HDBSCAN을 이용해 위치 데이터를 클러스터링하고 이상치를 제거한다. 이후 XGBoost 기반 다중 클래스 분류기를 사용하며, K‑폴드 교차 검증과 베이지안 최적화를 통해 하이퍼파라미터를 자동 튜닝한다. 클래스 불균형에 대한 보정은 ‘Imbalance‑Check’와 맞춤형 클래스 검증 히어스틱을 통해 수행한다. 이러한 자동화는 개인별 모델을 빠르게 구축할 수 있게 해 주지만, 모델 선택이 XGBoost와 F1 점수에만 국한된 점은 다른 알고리즘과 평가 지표(예: ROC‑AUC, PR‑AUC)를 배제함으로써 일반화 가능성을 제한한다.

에너지 효율성 주장에서는 센서 샘플링 주기(활성 2 초, 비활성 8 초, 0.2 Hz)와 데이터 전송 최소화 전략을 제시하지만, 실제 배터리 소모량에 대한 정량적 결과가 누락돼 있다. 또한, 개인정보 보호를 위해 텍스트 데이터를 로컬에서 파기하고 익명화된 형태로 클라우드에 저장한다는 점은 긍정적이나, 텍스트 내용 자체가 감정 라벨링에 핵심이므로, 파기 전 처리 과정에서 발생할 수 있는 정보 손실 위험이 논의되지 않았다.

실험 설계는 10개 국가·4대륙에서 57명(유효 49명)을 모집했으며, 연령을 중위값(34세) 기준으로 두 구간으로 나누고 성별을 균등하게 배분하려 했다. 그러나 표본 규모가 작고, 연령·성별 외의 문화·언어 차이를 통제하지 않아 ‘연령·성별 중립성’ 주장에 한계가 있다. Mann‑Whitney U 검정 결과, 연령·성별에 따라 부정·중립 감정 비율에 차이가 있음을 확인했지만, 효과 크기와 다중 비교 보정에 대한 언급이 없어 통계적 해석이 불완전하다.

요약하면, SensAI+Expanse는 모바일·클라우드 협업 기반 감정 예측 프레임워크를 제시하고, 자동화된 모델링과 공감 점수 시각화를 통해 인간‑에이전트 인터랙션을 강화하려는 시도가 돋보인다. 그러나 모델 다양성, 평가 지표 확장, 에너지·프라이버시 정량화, 표본 규모 및 통계적 엄밀성 측면에서 보완이 필요하다.