최근 대규모 언어모델(LLM)을 활용한 의사결정 시스템들이 주목받고 있지만, 현실 세계의 복잡한 불확실성을 제대로 반영하지 못해 취약한 계획을 내놓는다는 비판이 제기되었습니다. 기존 방식들은 자연어 상황을 수치화된 단일 목표와 고정된 계수로 변환한 뒤 한 번만 최적화하는 경향이 있는데, 이는 예산 할당, 임상 치료 등 실제 중요한 의사결정에서 치명적인 실패로 이어질 수 있습니다. 모든 수치화된 값은 가정에 불과하며, 이 가정이 정확해야만 최적의 계획이 될 수 있기 때문입니다.
이러한 문제를 해결하기 위해 'YUKTI'라는 새로운 접근 방식이 제안되었습니다. YUKTI는 자연어 상황을 '유형화된 명제 그래프(typed-proposition graph)'로 변환하는데, 이 그래프는 관계별 사전 분포(shape priors), 계수 불확실성(coefficient uncertainty), 그리고 출처(provenance) 등 불확실성에 대한 정보를 포함합니다. YUKTI는 각 단계를 비선형 또는 진화적(evolutionary) 솔버로 연결하고, '분포 파레토 핸드오프(distributional Pareto hand-off)'를 통해 단계들을 결합합니다. 특히 '가정-강건 파레토 프론티어(Assumption-Robust Pareto Frontiers, ARPF)'라는 개념을 도입하여 다양한 가정을 재샘플링하고, 각 행동이 얼마나 자주 유효한지(rho)를 점수화합니다. 연구진은 이 'rho' 값이 의사결정 후회(regret)의 정확한 요소임을 증명하고, 감사 가능한 추적성(auditable traceability)을 추가했습니다.
YUKTI는 통제된 오사양(misspecification) 환경에서 기존의 단순한 계획 대비 평균 및 꼬리 후회(tail regret)를 90% 이상 줄이는 성능을 보였습니다. 또한, 규제된 상업적 의사결정에서는 합법적인 행동 공간 내에서 최적화를 수행하고 잠재적 손실을 유로화로 산정했으며, 41,188건의 실제 공공 데이터셋에서는 기존 방식보다 34%, 단순 규칙보다 4% 더 나은 결과를 보여주면서도 '최적화자의 저주(optimizer's curse)'를 줄였습니다. 이 연구는 LLM이 문제 해결사(solver)가 아닌 문제 구성자(formulator)로서의 역할에 집중해야 하며, 불확실성을 내재화한 의사결정 시스템의 중요성을 강조합니다. 이는 실제 예산, 노력, 임상적 관심이 필요한 분야에서 더욱 신뢰할 수 있고 검증 가능한 의사결정을 가능하게 할 것입니다.