7QCI 정보 제공 환경상의 허위정보 오인 개선을 위한 진실 확률 추정 기반 인공지능 의사결정 최적화 알고리즘에 관한 연구

Ⅰ. 서 론

최근 인공지능(Artificial Intelligence, AI)은 다양한 지능형 시스템에서 핵심 의사결정 엔진으로 활용되고 있다. 딥러닝 기반 모델은 대규모 데이터로부터 복잡한 패턴을 학습하여 예측 및 추론을 수행하며, 이러한 결과는 자동화된 정책 결정과 제어 과정에 직접 반영된다[1]. 그러나, AI 기반 의사결정은 입력 데이터의 품질과 신뢰성에 구조적으로 의존하며, 데이터의 진위 여부가 충분히 검증되지 않은 상태에서 수행되는 추론은 시스템 수준의 오류로 확장될 수 있다.

AI 모델은 확률적 출력(probabilistic output)을 생성하지만, 실제 운용 환경에서는 이를 단일 결정값으로 해석하여 정책 판단에 활용하는 경우가 많다. 이 과정에서 입력 정보가 허위정보임에도 불구하고 진실정보로 오인될 경우, 모델은 통계적으로는 일관된 추론을 수행하더라도 결과적으로 왜곡된 판단을 초래하게 된다. 이러한 문제는 단순한 분류 오류(misclassification)를 넘어, 의사결정 단계에서의 오판(misjudgment)으로 이어질 수 있다.

특히, AI 추론 모델은 학습 데이터의 통계적 특성을 기반으로 설계되며, 입력 정보의 진위 자체를 별도로 검증하는 메커니즘은 일반적으로 포함되지 않는다. 따라서, 허위정보가 모델 입력으로 유입될 경우, AI 추론 모델은 이를 사실로 가정한 채 확률 계산을 수행하게 되어 후속 정책 결정에 직접 영향을 미치는 문제점이 있다[2].

또한, 딥러닝 모델은 높은 예측 성능을 제공하지만 내부 의사결정 과정이 불투명한 블랙박스 특성을 가진다[3]. 이로 인해 특정 판단 결과가 도출된 근거를 명확히 설명하기 어렵고, 입력 정보의 신뢰도가 낮은 경우에도 동일한 가중 구조로 추론이 수행된다. 결과적으로 예측 정확도 향상만으로는 허위정보 오인 문제를 근본적으로 해결하기 어렵다.

기존 연구들은 주로 모델 구조 개선이나 학습 알고리즘 최적화를 통해 예측 정확도를 향상시키는 데 초점을 두어 왔다. 그러나, 이러한 접근은 입력 정보의 진실성 검증 문제를 전혀 다루지 않았다. 즉, 모델의 출력 확률은 존재하지만, 입력 정보 자체의 진실 확률(truth probability)을 추정하고 이를 의사결정 과정에 반영하는 접근 방식은 전혀 논의된 바 없다 하겠다[4].

이에 본 연구논문은 허위정보로 인한 AI 오인을 개선시키기 위하여 진실 확률 추정(Truth Probability Estimation, TPE) 기반의 AI 의사결정 최적화 알고리즘을 제안한다.

즉, 7QCI 정보 제공 환경상의 허위정보 오인 개선을 위한 진실 확률 추정 기반 인공지능 의사결정 최적화 알고리즘은 예측 신뢰 확률 𝑃𝑝,𝑖(𝑡)와 사실 신뢰 확률 𝑃_𝑓,𝑖(𝑡)을 분리하여 산출하고, 두 확률을 동적 가중 결합함으로써 최종 진실 확률 𝑃_𝑡,𝑖(𝑡)을 재정의하는 구조를 제안한다. 이때 동적 가중치 𝛽_𝑖(𝑡)는 예측 정보의 신뢰도를 반영하며, 예측 결과와 사실 정보 간 일관성에 따라 적응적으로 조정된다.

즉, 본 연구논문의 핵심은 예측 확률 자체를 사용하는 것이 아니라, 사실 검증과 예측 불확실성을 반영하여 보정된 진실 확률을 의사결정 입력으로 사용하는 데 있다[4],[5]. 이를 통해 허위정보로 인한 확률 왜곡을 방지하고자 하는 것이라 하겠다.

본 연구논문은 7QCI 유형별 오류 비용의 비대칭성을 고려하여, 진실 추정 임계값을 차등적으로 설정함으로써 허위 정보의 허용(False Positive)과 정상 정보의 차단(False Negative) 간 균형을 최적화하는 인공지능 의사결정 알고리즘을 제안한다. 특히, 현실 환경에서 빈번하게 생성·유통되는 허위정보로 인해 발생할 수 있는 오학습과 왜곡된 추론 문제를 완화하고, 단순한 예측 오차를 넘어 서비스 차단 오류, 자원 배분 왜곡, 정보보안 오판, 금융, IoT, 미디어 서비스의 판단 오류 등 다양한 형태의 잠재적 피해를 최소화하고자 한다. 이를 통해, 불확실성이 높은 정보 환경에서도 보다 신뢰성 있는 인공지능 추론과 안정적인 의사결정 수행이 가능하도록 하는 데 연구의 목적이 있다.

Ⅱ. 기존 AI 의사결정 알고리즘

인공지능 시스템상의 의사결정 알고리즘은 입력 데이터로부터 특정 행동을 선택하는 핵심 기능을 수행한다. 의사결정알고리즘은 입력 벡터 𝑥가 주어졌을 때 최종 결정 𝐷(𝑥)을 출력하는 함수로 정의할 수 있다.

이러한 의사결정 알고리즘은 입력 정보의 처리 방식과 학습 원리에 따라 여러 유형으로 구분될 수 있으며, 대표적으로는 분류 기반, 확률(베이즈) 기반, 및 강화학습 기반의 의사결정 알고리즘으로 구분할 수 있다.

Ⅲ. 진실 확률 추정 기반 인공지능 의사결정 최적화 알고리즘

본 장에서는 7QCI 정보 제공 환경에서 발생할 수 있는 허위정보 오인 문제를 최대한 개선하고, 이에 따른 인공지능 의사결정 오류를 최소화하기 위한 진실 확률 추정 기반 의사결정 최적화 알고리즘을 제안한다.

7QCI 기반 정보 환경에서는 다양한 품질 등급(QoS Class Identifier)에 따라 상이한 트래픽 특성과 서비스 요구 조건이 공존하며, 이 과정에서 외부 이벤트, 비정상적 데이터 변동, 또는 의도적 허위정보 유입으로 인해 입력 데이터의 신뢰성이 저하될 가능성이 존재한다. 기존의 단일 예측 모델 기반 의사결정 방식은 7QCI 기반 서비스 환경의 QoS 이질성과 학습–운용 간 분포 차이(distribution shift), 시간에 따른 개념 변화(concept drift)에 능동적으로 대응하지 못하는 구조적 한계를 가진다[8],[9]. 즉, 실시간 빅데이터 유입과정 중 허위 정보가 포함되어 있음에도 불구하고 이를 적절히 식별하지 못한 채 사실 정보로 간주하여 미래 상태를 그대로 예측하게 됨으로 말미암아 궁극적으로는 시스템 오판의 가능성을 증대시킬 위험이 있다.

이에 따라, 본 연구논문은 7QCI 정보 제공 환경상에서 유입되는 대규모 데이터 중 허위정보로 인해 왜곡될 수 있는 미래 상태 예측값과 현재 시점에서 관측되는 사실 정보 간의 차이를 정량적으로 분석하고, 그 오차의 크기와 시간적 변화 추이를 반영한 진실 확률을 추정하고자 한다. 추정된 진실 확률은 의사결정 계층에서 동적 가중치를 조정 인자로 활용하여 인공지능 예측값과 사실 정보의 반영 비율을 적응적으로 재조정함으로써 최종 판단의 신뢰성과 안정성을 향상시키도록 설계된다[4]. 즉, 본 연구논문에서는 진실 확률 추정을 기반으로 허위정보 오인을 완화하고, 동적 환경 변화에 보다 유연하게 대응할 수 있는 인공지능 의사결정 최적화 알고리즘을 제안한다.

본 연구논문에서 제안하는 알고리즘은 다음과 같은 4계층 모델로 구성된다.

• 1. 데이터 수집 계층
• 2. 데이터 예측 계층
• 3. 실시간 관측 및 분석 계층
• 4. 의사결정 계층

데이터 수집 계층에서는 인공지능 시스템 상태 및 사실 정보를 통합적으로 확보하고, 데이터 예측 계층에서는 이를 기반으로 미래 상태를 추정한다. 실시간 관측 및 분석 계층에서는 예측 결과와 사실 정보 간의 차이를 정량적으로 분석하여 예측 오차를 산출하고, 오차의 누적 정도와 환경 이탈 수준을 지속적으로 평가함으로써 현재 운용 환경이 학습 당시의 조건으로부터 얼마나 벗어났는지를 판단한다. 또한, 인공지능 예측값과 사실 정보 간의 차이가 설정된 임계값을 초과할 경우, 의사결정 계층에서는 예측 신뢰 확률의 반영 비중을 감소시키고 사실 신뢰 확률의 반영 비중을 증가시키고 동적 가중치를 동적으로 조정하는 메커니즘을 적용한다. 이를 통해, 7QCI 정보 환경에서 발생 가능한 허위정보 오인을 완화시키고 분포 변동 상황에서도 의사결정 편향을 최소화함으로써 동적 네트워크 환경 하에서 안정적이고 신뢰성 있는 인공지능 의사결정 수행이 가능하도록 한다.

Ⅳ. 진실 확률 추정 기반 인공지능 의사결정 최적화 알고리즘에 관한 모의실험

그림 1은 QCI1(Voice) 서비스 환경에서 시간 변화에 따라 예측 신뢰 확률 P_p,1(t), 사실 신뢰 확률P_f,1(t), 동적 가중치 β₁(t), 그리고 이들을 융합하여 산출한 최종 진실 확률 P_t,1(t)의 동적 변화를 나타낸 것이다.

Fig. 1.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI1 (voice service)

그림 1을 살펴보면, 예측 신뢰 확률 P_p,1(t)이 크게 하락하는 구간에서도 최종 진실 확률 P_t,1(t)은 급격히 붕괴하지 않고 비교적 안정된 범위 내에서 유지된다는 것이다. 이는 사실 신뢰 확률 P_f,1(t)이 보완적 역할을 수행해 예측 오차 Er₁(t)확대에 따른 신뢰도 저하를 상쇄하고 있음을 보여준다. 반대로 예측 신뢰 확률P_p,1(t)이 상승하는 구간에서는 최종 진실 확률 P_t,i(t)도 이에 상응하여 완만하게 상승함으로써, 인공지능 예측값 $$ \widehat{x_1}\left(t\right)$$의 유효성이 높아진 상황에서는 그 신뢰도가 상승될 수 있도록 적절히 반영하고 있음을 확인할 수 있다.

7QCI 중 QCI1은 음성 서비스로, 낮은 지연과 연속적인 전송 품질 보장이 핵심 요소라 하겠다. 따라서, 순간적인 예측 오차 Er₁(t)나 외부 환경 변화에 의해 의사결정이 크게 흔들릴 경우 서비스 품질 저하로 직결될 가능성이 높다. QCI1 환경에서는 단순히 평균적인 예측 정확도를 높이는 것만으로는 충분하지 않으며, 순간적인 예측 오차나 외부 환경 변화에 의해 제어 판단이 급격히 변동하지 않도록 안정적인 의사결정 구조를 확보하는 것이 중요하다 할 것이다.

그림 2는 QCI2(Video) 서비스 환경에서 시간 변화에 따라 예측 신뢰 확률 P_p,2(t), 사실 신뢰 확률 P_f,2(t), 동적 가중치 β₂(t), 그리고 이들을 융합하여 산출한 최종 진실 확률 P_t,2(t)의 동적 변화를 나타낸 것이다.

Fig. 2.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI2 (video service)

그림 2를 살펴보면, 예측 신뢰 확률 P_p,2(t)은 시간에 따라 비교적 큰 폭으로 상승과 하락을 반복하는 반면, 사실 신뢰 확률 P_f,2(t)은 전체적으로 더 높은 수준에서 완만하게 증가하는 경향을 보인다. 또한, 동적 가중치 β₂(t)는 초기의 낮은 값에서 시작하여 시간 경과에 따라 점진적으로 증가하는 형태를 나타낸다.

즉, 예측 신뢰 확률 P_p,2(t)이 하락하는 구간에서도 최종 진실 확률 P_t,2(t)은 급격히 붕괴하지 않고 비교적 안정된 범위 내에서 유지된다는 것이다. 이는 사실 신뢰 확률 P_f,2(t)이 보완적 역할을 수행함으로써, 인공지능 예측값 $$ \widehat{x_2}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 조정되고 있음을 보여준다. 반대로, 예측 신뢰 확률 P_p,2(t)이 상승하는 구간에서는 최종 진실 확률 P_t,2(t)도 상승하는 경향을 보이나, 그 상승 폭은 예측 신뢰 확률 P_p,2(t)에 비해 상대적으로 제한적으로 나타난다. 특히, 일부 구간에서는 최종 진실 확률 P_t,2(t)이 예측 신뢰 확률 P_p,2(t)보다 높은 수준 또는 낮은 수준으로 조정 형성되는데, 이는 최종 진실 확률 P_p,2(t)이 인공지능 예측값 $$ \widehat{x_1}\left(t\right)$$을 그대로 추종하는 것이 아니라 사실 신뢰 확률 P_f,2(t)과의 융합을 통해 보다 안정적인 방향으로 보정되고 있음을 의미한다.

7QCI 중 QCI2는 (대화형) 영상 서비스로, 연속적인 데이터 전송과 안정적인 재생 품질 유지가 핵심 요소로 작용한다. (대화형) 영상 서비스는 시간에 따른 상태 변화에 민감하며, 일시적인 예측 오차나 외부 환경 변화가 발생할 경우 버퍼링, 화질 저하, 재생 끊김 등의 형태로 사용자 체감 품질이 저하될 가능성이 높다. 따라서, QCI2 환경에서는 단순히 평균적인 예측 정확도를 높이는 것만으로는 충분하지 않으며, 인공지능 예측값 $$ \widehat{x_2}\left(t\right)$$이 순간적으로 크게 변동하더라도 최종 판단이 과도하게 흔들리지 않도록 안정적인 의사결정 구조를 유지하는 것이 중요하다 할 것이다.

그림 3은 QCI3(Web) 서비스 환경에서 시간 변화에 따라 예측 신뢰 확률 P_p,3(t), 사실 신뢰 확률 P_f,3(t), 동적 가중치 β₃(t), 그리고 이들을 융합하여 산출한 최종 진실 확률 P_t,3(t)의 동적 변화를 나타낸 것이다.

Fig. 3.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI3 (web service)

그림 3을 살펴보면, 예측 신뢰 확률 P_p,3(t)은 시간에 따라 비교적 큰 폭의 주기적 상승과 하락을 반복하고 있으며, 대체로 두 차례 뚜렷한 상승 구간과 두 차례 하락 구간이 나타난다. 반면, 사실 신뢰 확률 P_f,3(t)은 전체적으로 상대적으로 안정된 수준에서 완만하게 증가하는 경향을 보이며, 예측 신뢰 확률 P_p,3(t)에 비해 변동성이 훨씬 작게 나타난다. 또한, 동적 가중치 β₃(t)는 초기의 낮은 수준에서 시작하여 시간 경과에 따라 점진적으로 증가하는 형태를 보인다. 최종 진실 확률 P_t,3(t)은 예측 신뢰 확률 P_p,3(t)의 급격한 변동을 그대로 따르지 않고, 전체적으로 보다 완만하고 안정적인 범위 내에서 변화하는 특성을 나타낸다.

즉, 예측 신뢰 확률 P_p,3(t)이 하락하는 구간에서도 최종 진실 확률 P_t,3(t)은 급격히 붕괴하지 않고 비교적 안정된 범위 내에서 유지된다는 것이다. 이는 사실 신뢰 확률 P_f,3(t)이 보완적 역할을 수행함으로써, 인공지능 예측값 $$ \widehat{x_3}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 조정되고 있음을 보여준다. 또한, 예측 신뢰 확률 P_p,3(t)이 중간 구간과 후반 구간에서 상대적으로 큰 폭으로 하락하더라도 최종 진실 확률 P_t,3(t)은 그보다 훨씬 완만한 하락 형태를 보이며 일정 수준 이하로 급격히 낮아지지 않는다. 반대로, 예측 신뢰 확률 P_p,3(t)이 상승하는 구간에서는 최종 진실 확률 P_t,3(t)도 상승하는 경향을 보이나, 그 상승 폭은 예측 신뢰 확률 P_p,3(t)에 비해 상대적으로 제한적으로 나타난다. 특히, 일부 구간에서는 최종 진실 확률 P_t,3(t)이 예측 신뢰 확률 P_p,3(t)보다 높은 수준 또는 낮은 수준으로 조정되어 형성되는데, 이는 최종 진실 확률 P_t,3(t)이 인공지능 예측값 $$ \widehat{x_3}\left(t\right)$$을 그대로 추종하는 것이 아니라 사실 신뢰 확률 P_f,3(t)과의 융합을 통해 보다 안정적인 방향으로 보정되고 있음을 의미한다.

7QCI 중 QCI3는 Web 서비스로, 응답성 확보와 안정적인 데이터 전달이 핵심 요소로 작용한다. Web 서비스는 음성이나 대화형 영상 서비스와 같이 연속적인 실시간 재생 품질이 절대적으로 요구되진 않지만, 네트워크 상태 변화나 순간적인 예측 오차가 누적될 시, 페이지 로딩 지연, 응답 속도 저하, 콘텐츠 전송 지연 등의 형태로 사용자 체감 품질이 저하될 가능성이 높다. 따라서, QCI3 환경에서는 단순히 평균적인 예측 정확도를 높이는 것만으로는 충분하지 않으며, 인공지능 예측값 $$ \widehat{x_3}\left(t\right)$$이 순간적으로 크게 변동하더라도 최종 판단이 과도하게 흔들리지 않도록 안정적인 의사결정 구조를 유지하는 것이 중요하다 할 것이다.

그림 4는 QCI4(Image/Text) 서비스 환경에서 시간 변화에 따라 예측 신뢰 확률 P_p,4(t), 사실 신뢰 확률 P_f,4(t), 동적 가중치 β₄(t), 그리고 이들을 융합하여 산출한 최종 진실 확률 P_t,4(t)의 동적 변화를 나타낸 것이다.

Fig. 4.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI4 (image/text service)

그림 4를 살펴보면, 예측 신뢰 확률 P_p,4(t)은 시간에 따라 비교적 큰 폭의 상승과 하락을 반복하며, 중반부와 후반부에서 뚜렷한 고점과 저점을 형성하는 모습을 보인다. 반면, 사실 신뢰 확률 P_f,4(t)은 전체적으로 완만한 증가 추세를 유지하면서 예측 신뢰 확률 P_p,4(t)에 비해 상대적으로 안정적인 흐름을 나타낸다. 또한, 동적 가중치 β₄(t)는 초기의 낮은 값에서 출발하여 시간 경과에 따라 점진적으로 증가하는 형태를 보인다.

즉, 예측 신뢰 확률 P_p,4(t)이 하락하는 구간에서도 최종 진실 확률 P_t,4(t)은 급격히 붕괴하지 않고 비교적 안정된 범위 내에서 유지된다는 것이다. 이는 사실 신뢰 확률 P_p,4(t)이 보완적 역할을 수행함으로써, 인공지능 예측값 $$ \widehat{x_4}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 조정되고 있음을 보여준다. 또한, 예측 신뢰 확률 P_p,4(t)이 중간 구간과 후반 구간에서 상대적으로 큰 폭으로 하락하더라도, 최종 진실 확률 P_t,4(t)은 그보다 완만한 하락 형태를 보이며 일정 수준 이하로 급격히 낮아지지 않는다. 반대로, 예측 신뢰 확률 P_p,4(t)이 상승하는 구간에서는 최종 진실 확률 P_t,4(t)도 상승하는 경향을 보이나, 그 상승 폭은 예측 신뢰 확률 P_p,4(t)에 비해 상대적으로 제한적으로 나타난다. 특히, 일부 구간에서는 최종 진실 확률 P_t,4(t)이 예측 신뢰 확률P_p,4(t)보다 높은 수준 또는 낮은 수준으로 조정 형성되는데, 이는 최종 진실 확률 P_t,4(t)이 인공지능 예측값 $$ \widehat{x_4}\left(t\right)$$을 그대로 추종하는 것이 아니라 사실 신뢰 확률 P_f,4(t)과의 융합을 통해 보다 안정적인 방향으로 보정되고 있음을 의미한다.

7QCI 중 QCI4는 Image/Text 서비스로, 정보의 정확한 전달과 안정적인 콘텐츠 제공이 핵심 요소로 작용한다. Image/Text 서비스는 음성이나 대화형 영상처럼 연속적인 실시간성이 절대적으로 요구되지는 않지만, 전송 상태의 불안정이나 순간적인 판단 오류가 누적될 경우 이미지 로딩 지연, 텍스트 전달 오류, 콘텐츠 응답 저하 등의 형태로 사용자 체감 품질이 저하될 가능성이 높다. 따라서, QCI4 환경에서는 단순히 평균적인 예측 정확도를 높이는 것만으로는 충분하지 않으며, 인공지능 예측값 $$ \widehat{x_4}\left(t\right)$$이 순간적으로 크게 변동하더라도 최종 판단이 과도하게 흔들리지 않도록 안정적인 의사결정 구조를 유지하는 것이 중요하다 할 것이다.

그림 5는 QCI5(Immersive Content: AR/VR/MR/XR) 서비스 환경에서 시간 변화에 따라 예측 신뢰 확률 P_t,5(t), 사실 신뢰 확률 P_f,5(t), 동적 가중치 β₅(t), 그리고 이들을 융합하여 산출한 최종 진실 확률 P_t,5(t)의 동적 변화를 나타낸 것이다.

Fig. 5.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI5 (immersive service)

그림 5를 살펴보면, 예측 신뢰 확률 P_p,5(t)은 시간에 따라 비교적 큰 폭의 상승과 하락을 반복하며, 중반부와 후반부에서 뚜렷한 고점과 저점을 형성하는 모습을 보인다. 반면, 사실 신뢰 확률 P_f,5(t)은 예측 신뢰 확률 P_p,5(t)과 유사한 흐름을 나타내면서도 전체적으로는 더 완만한 범위에서 변화한다. 동적 가중치 β₅(t)는 초기의 낮은 값에서 출발하여 시간 경과에 따라 점진적으로 증가하는 형태를 보인다.

즉, 예측 신뢰 확률 P_p,5(t)이 하락하는 구간에서도 최종 진실 확률 P_t,5(t)은 사실 신뢰 확률 P_f,5(t)의 보완 작용에 의해 비교적 안정적으로 유지된다 하겠으나, 전반적인 변화 방향에서는 최종 진실 확률 P_t,5(t)이 예측 신뢰 확률 P_p,5(t)을 일정 부분 따라가는 경향도 함께 나타난다. 이에 합당한 이유로는 Immersive Content 서비스가 본질적으로 미래 품질 상태에 대한 선제적 판단을 필요로 하는 성향을 가지고 있기 때문이라 할 것이다. 특히, 중간 구간과 후반 구간에서 예측 신뢰 확률 P_p,5(t)이 크게 하락할 시, 최종 진실 확률 P_t,5(t) 역시도 상대적으로 낮은 수준으로 조정되나, 그 하락 폭은 예측 신뢰 확률 P_p,5(t)에 비해 훨씬 완만하게 나타난다. 이는 사실 신뢰 확률 P_f,5(t)이 보완적 역할을 수행함으로써, 인공지능 예측값 $$ \widehat{x_5}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 조정되고 있음을 보여준다.

또한, 예측 신뢰 확률 P_p,5(t)이 상승하는 구간에서는 최종 진실 확률 P_t,5(t)도 이에 동조하여 상승하는 경향을 보이나, 그 상승 폭은 예측 신뢰 확률 P_t,5(t)에 비해 제한적이다 하겠다. 일부 구간에서는 최종 진실 확률 P_t,5(t)이 예측 신뢰 확률 P_p,5(t)의 흐름을 반영하면서도 보다 부드럽고 완만한 곡선 형태로 형성되는데, 이는 최종 진실 확률 P_t,5(t)이 인공지능 예측값 $$ \widehat{x_5}\left(t\right)$$을 그대로 추종하는 것이 아니라 사실 신뢰 확률 P_f,5(t)과의 융합을 통해 보다 안정적인 방향으로 보정되고 있음을 의미한다.

7QCI 중 QCI5는 Immersive Content 서비스로, 고해상도 실감형 콘텐츠, 몰입형 미디어, 대용량 멀티미디어 데이터 전송과 같이 연속적인 품질 유지와 안정적인 사용자 체감 보장이 핵심 요소로 작용한다. Immersive Content 서비스는 순간적인 전송 상태 변화나 예측 오차가 발생할 경우 화면 품질 저하, 몰입감 손실, 응답 지연 등의 형태로 사용자 체감 품질에 직접적인 영향을 줄 가능성이 높다. 따라서, QCI5 환경에서는 단순히 평균적인 예측 정확도를 높이는 것만으로는 충분하지 않으며, 인공지능 예측값 $$ \widehat{x_5}\left(t\right)$$이 순간적으로 크게 변동하더라도 최종 판단이 과도하게 흔들리지 않도록 안정적인 의사결정 구조를 유지하는 것이 중요하다 할 것이다.

그림 6을 살펴보면, 예측 신뢰 확률 P_p,6(t)은 시간에 따라 비교적 큰 폭의 상승과 하락을 반복하며, 초반부와 중반부에서 뚜렷한 고점을 형성한 뒤 그 사이 구간과 후반부에서 낮은 저점을 보이는 형태를 나타낸다. 반면, 사실 신뢰 확률 P_f,6(t)은 전체적으로 높은 수준에서 완만한 진동을 유지하며, 예측 신뢰 확률 P_p,6(t)에 비해 상대적으로 안정적인 흐름을 보인다. 또한, 동적 가중치 β₆(t)는 매우 낮은 값에서 시작하여 시간 경과에 따라 점진적으로 증가하는 형태를 나타내며, 최종 진실 확률 P_t,6(t)은 전 구간에 걸쳐 높은 수준을 유지하면서도 완만한 상승 추세를 보인다.

Fig. 6.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI6 (fintech service)

즉, 예측 신뢰 확률 P_p,6(t)이 하락하는 구간에서도 최종 진실 확률 P_t,6(t)은 사실 신뢰 확률 P_f,6(t)의 보완 작용에 의해 안정적으로 유지된다는 점을 확인할 수 있다. 특히, 중반부와 후반부에서 예측 신뢰 확률 P_p,6(t)은 비교적 큰 폭으로 낮아지지만, 최종 진실 확률 P_t,6(t)은 이에 따라 급격히 하락하지 않고 상위 수준에서 거의 일정하게 유지된다. 이는 사실 신뢰 확률 P_f,6(t)이 전체 구간에서 높은 수준을 유지하고 있기 때문에 인공지능 예측값 $$ \widehat{x_6}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 보정하고 있음을 보여준다.

또한, 예측 신뢰 확률 P_p,5(t)이 상승하는 구간에서는 최종 진실 확률 P_t,6(t)도 상승 방향을 유지하지만, 그 변화 폭은 예측 신뢰 확률 P_p,5(t)에 비해 매우 제한적으로 나타난다. 이는 최종 진실 확률 P_t,6(t)이 예측 신뢰 확률 P_p,6(t)의 변화 방향을 일부 반영하면서도 이를 그대로 따라가지 않고 사실 신뢰 확률 P_f,6(t)과의 융합을 통해 보다 완만하고 안정적인 값으로 조정되고 있음을 의미한다. 또한, QCI6가 그림 1의 QCI1와 그래프 성향이 유사하게 나타나는 이유는 두 서비스가 모두 순간적인 예측 변동보다 안정적이고 신뢰성 있는 최종 판단 유지가 더 중요한 특성을 가지기 때문이다. QCI1은 음성 서비스로서 저지연성과 연속성이 핵심이며, QCI6는 Fintech 서비스로서 정확성과 보수적 안정성이 핵심이다. 서비스 성격은 상이하지만, 두 서비스 모두 인공지능 예측값 $$ \widehat{x_i}\left(t\right)$$의 일시적 흔들림이 최종 제어 판단에 과도하게 반영될 시, 품질 저하 또는 서비스 신뢰 손상으로 직결될 수 있기 때문이라 하겠다.

그림 7을 살펴보면, 예측 신뢰 확률 P_p,7(t)은 시간에 따라 비교적 큰 폭의 상승과 하락을 반복하며, 초반부·중반부·후반부에서 뚜렷한 고점과 저점을 형성하는 주기적 변동 패턴을 보인다. 반면, 사실 신뢰 확률 P_f,7(t)은 전체적으로 높은 수준에서 비교적 완만한 진동을 유지하며, 예측 신뢰 확률 P_p,7(t)에 비해 상대적으로 안정적인 흐름을 나타낸다. 또한, 동적 가중치 β₆(t)는 매우 낮은 값에서 시작하여 시간 경과에 따라 점진적으로 증가하는 형태를 보이며, 최종 진실 확률 P_t,7(t)은 전체 구간에서 높은 수준을 유지하면서도 완만한 상승 추세를 나타낸다.

Fig. 7.

Shows the dynamic changes of predictive/factual probability, adaptive weight, and final truth probability in QCI7 (IoT service)

즉, 예측 신뢰 확률 P_p,7(t)이 하락하는 구간에서도 최종 진실 확률 P_t,7(t)은 사실 신뢰 확률 P_f,7(t)의 보완 작용에 의해 비교적 안정적으로 유지된다는 점을 확인할 수 있다. 특히 중반부와 후반부의 저점 구간에서 예측 신뢰 확률 P_p,7(t)은 큰 폭으로 낮아지지만, 최종 진실 확률 P_t,7(t)은 이에 비례하여 급격히 하락하지 않고 상위 수준에서 안정적으로 유지된다. 이는 사실 신뢰 확률 P_f,7(t)이 전체적으로 높은 수준에서 비교적 안정된 흐름을 유지하고 있기 때문에 인공지능 예측값 $$ \widehat{x_7}\left(t\right)$$의 일시적 저하가 최종 판단에 과도하게 반영되지 않도록 보정하고 있음을 보여준다.

또한, 예측 신뢰 확률 P_p,7(t)이 상승하는 구간에서는 최종 진실 확률P_t,7(t)도 상승 방향을 유지하지만, 그 변화 폭은 예측 신뢰 확률 P_p,7(t)에 비해 매우 제한적으로 나타난다. 이는 최종 진실 확률 P_t,7(t)이 예측 신뢰 확률P_p,7(t)의 변화 방향을 일정 부분 반영하면서도 그대로 따라가지 않고 사실 신뢰 확률 P_f,7(t)과의 융합을 통해 보다 완만하고 안정적인 값으로 조정되고 있음을 의미한다. 이는 최종 판단이 단순한 예측치 중심이 아니라 안정성, 지속성, 신뢰성을 우선하도록 설계되어 있음을 시사한다.

7QCI 중 QCI7은 IoT 서비스로, 다수의 센서와 단말이 지속적으로 정보를 송수신하는 환경에서 연결의 지속성, 데이터 전달의 안정성, 그리고 시스템 전체의 신뢰성 유지가 매우 중요한 서비스 특성을 가진다. IoT 환경에서는 개별 단말의 상태 변화나 순간적인 예측 오차가 빈번하게 발생할 수 있으나, 이러한 단기적 변동이 곧바로 전체 제어 판단의 급격한 흔들림으로 이어질 경우 오동작, 잘못된 상태 인식, 제어 불안정 등의 문제가 발생할 가능성이 크다. 따라서, QCI7 환경에서는 단순히 예측값의 민감한 반응성을 높이는 것보다, 예측 신뢰 확률 P_p,7(t)이 일시적으로 크게 변동하더라도 최종 판단은 안정적으로 유지되도록 하는 의사결정이 더욱 중요하다 할 것이다.

Ⅴ. 결 론

본 연구논문에서는 7QCI 정보 제공 환경상에서 허위정보 유입으로 인해 발생할 수 있는 인공지능 의사결정 오인 문제를 개선하기 위하여 진실 확률 추정 기반의 인공지능 의사결정 최적화 알고리즘을 제안하였다. 본 연구논문에서 제안된 알고리즘은 데이터 수집 계층, 데이터 예측 계층, 실시간 관측 및 분석 계층 및 의사결정 계층으로 구성되며, 인공지능 예측값과 사실 정보 간의 차이를 정량적으로 분석하여 예측 신뢰 확률과 사실 신뢰 확률을 각각 산출한 후, 이를 동적 가중치 기반으로 융합시킨 최종 진실 확률이 추출되도록 설계하였다. 이를 통해, 단일 예측값에만 의존하였던 기존 방식의 한계를 보완하고, 허위정보 또는 실시간 분포 변동 상황에서도 보다 안정적이고 신뢰성 있는 의사결정이 가능하도록 하였다.

모의실험에서는 QCI1(Voice)부터 QCI7(IoT)까지 각기 다른 서비스 특성을 갖는 7QCI 환경을 대상으로 제안 알고리즘의 동작 특성을 분석하였다. 그 결과, 예측 신뢰 확률은 시간에 따라 비교적 큰 폭의 변동을 보이는 반면, 최종 진실 확률은 사실 신뢰 확률의 보완 작용과 동적 가중치의 조정 효과에 의해 보다 안정적인 범위 내에서 유지됨을 확인할 수 있었다. 더욱이, QCI1, QCI6, QCI7과 같이 안정성과 신뢰성이 핵심인 ICT 환경에서는 최종 진실 확률이 상위 수준에서 보수적으로 유지되는 특성이 두드러졌으며, QCI2, QCI3, QCI4, QCI5와 같이 연속적 품질 유지와 사용자 체감 품질이 중요한 ICT 환경에서는 예측 신뢰 확률의 변화 방향을 일정 부분 반영하되 그 진폭은 완화하는 형태로 나타났다. 이는 7QCI 유형별 특성을 반영하면서도 공통적으로 허위정보 오인 완화와 의사결정 안정성 확보에 기여할 수 있음을 보여준다 할 것이다.

또한, 본 연구논문에서 제안한 진실 확률 추정 기반 인공지능 의사결정 최적화 알고리즘은 예측 중심 판단 구조가 가지는 취약성을 개선하고, 사실 정보와의 융합을 통해 최종 판단의 신뢰성과 안정성을 향상시킬 수 있음을 확인하였다. 이는 7QCI 정보 제공 환경과 같이 다양한 QoS 특성과 동적 네트워크 조건이 공존하는 ICT 환경에서, 허위정보 유입에 따른 오판 가능성을 줄이고 보다 합리적이며 적응적인 인공지능 의사결정을 수행할 수 있게 되었음을 내포한다고 하겠다.

향후 연구에서는 생성형 AI와 휴먼 로봇을 포함시킨 9QCI별 QoS 서비스 차원의 민감도를 보다 정교하게 반영한 임계값 및 가중치를 대상으로 보다 확장시킨 최적화 기법을 추가적으로 연구할 계획이다. 또한, 이에 따른 보다 실용적이고 범용적인 의사결정 최적화 모델도 좀 더 구체적으로 구현해 볼 수 있는 것이라 예측되는 바 라 할 것이다.

References

• Y. LeCun, Y. Bengio, and G. Hinton, “Deep Learning,” Nature, Vol. 521, No. 7553, pp. 436-444, May 2015. [https://doi.org/10.1038/nature14539]
• K. Shu, A. Sliva, S. Wang, J. Tang, and H. Liu, “Fake News Detection on Social Media: A Data Mining Perspective,” ACM SIGKDD Explorations Newsletter, Vol. 19, No. 1, pp. 22-36, 2017. https:// [https://doi.org/10.1145/3137597.3137600]
• A. Adadi and M. Berrada, “Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI),” IEEE Access, Vol. 6, pp. 52138-52160, 2018. [https://doi.org/10.1109/ACCESS.2018.2870052]
• Y. Li, J. Gao, C. Meng, Q. Li, L. Su, B. Zhao, ... and J. Han, “A Survey on Truth Discovery,” ACM SIGKDD Explorations Newsletter, Vol. 17, No. 2, pp. 1-16, 2015. [https://doi.org/10.1145/2897350.2897352]
• J. Gawlikowski, C. R. N. Tassi, M. Ali, J. Lee, M. Humt, J. Feng, ... and X. X. Zhu, “A Survey of Uncertainty in Deep Neural Networks,” Artificial Intelligence Review, Vol. 56, No. Suppl 1, pp. 1513-1589, 2023. [https://doi.org/10.1007/s10462-023-10562-9]
• H. Wang and D.-Y. Yeung, “A Survey on Bayesian Deep Learning,” ACM Computing Surveys, Vol. 53, No. 5, 108, pp. 1-37, 2020. [https://doi.org/10.1145/3409383]
• M. Ghavamzadeh, S. Mannor, J. Pineau, and A. Tamar, “Bayesian Reinforcement Learning: A Survey,” Foundations and Trends in Machine Learning, Vol. 8, No. 5-6, pp. 359-483, 2015. [https://doi.org/10.1561/2200000049]
• P. Ameigeiras, J. Navarro-Ortiz, P. Andres-Maldonado, J. M. Lopez-Soler, J. Lorca, Q. Perez-Tarrero, and R. Garcia-Perez, “3GPP QoS-based Scheduling Framework for LTE,” EURASIP Journal on Wireless Communications and Networking, Vol. 2016, 78, 2016. [https://doi.org/10.1186/s13638-016-0565-9]
• J. Gama, I. Žliobaitė, A. Bifet, M. Pechenizkiy, and A. Bouchachia, “A Survey on Concept Drift Adaptation,” ACM Computing Surveys, Vol. 46, No. 4, 44, pp. 1-37, March 2014. [https://doi.org/10.1145/2523813]
• S. Viaene and G. Dedene, “Cost-Sensitive Learning and Decision Making Revisited,” European Journal of Operational Research, Vol. 166, No. 1, pp. 212-220, 2005. [https://doi.org/10.1016/j.ejor.2004.03.031]
• Q. Li, Y. Li, J. Gao, L. Su, B. Zhao, M. Demirbas, ... and J. Han, “A Confidence-Aware Approach for Truth Discovery on Long-Tail Data,” Proceedings of the VLDB Endowment, Vol. 8, No. 4, pp. 425-436, December 2014. [https://doi.org/10.14778/2735496.2735505]