기존 에이전트 기반 모델(ABM, Agent-based Modeling)은 수백만 명의 개인과 그들의 상호작용을 시뮬레이션하여 정책 수립에 유용하게 활용되어 왔습니다. 하지만 이 모델들은 고정된 사전 정보에 의존하여 실시간 변화에 유연하게 대응하지 못하는 한계가 있었습니다. 최근 연구에 따르면, 대규모 언어모델(LLM, Large Language Model)을 활용해 이러한 정보 격차를 해소하고 인간의 의사결정을 예측하는 새로운 접근 방식이 제시되었습니다.
이 연구는 '하이브리드 에이전트 기반 및 언어 구동 전염병 모델링(HALE, Hybrid Agent-based and Language-driven Epidemic modeling)'이라는 확장 가능한 프레임워크를 소개합니다. HALE은 LLM을 활용하여 ABM 시뮬레이션 내에서 인간의 의사결정을 예측하도록 설계되었습니다. 연구팀은 이 개념 증명(proof-of-concept)으로 미국 유타주 솔트레이크 카운티의 코로나19(COVID-19) 확산 및 그 영향을 시뮬레이션하여 HALE 프레임워크의 효용성을 입증했습니다. 이는 LLM이 단순히 텍스트를 생성하는 것을 넘어, 복잡한 사회 시스템 내에서 인간 행동을 모방하고 예측하는 데 중요한 역할을 할 수 있음을 시사합니다.
이러한 LLM 기반의 ABM은 정책 입안자들이 급변하는 사회 현상에 대해 더 정확하고 적시성 있는 의사결정을 내릴 수 있도록 돕는 중요한 도구가 될 수 있습니다. 예를 들어, 전염병 확산 예측, 경제 정책 효과 분석, 사회적 행동 변화 시뮬레이션 등 다양한 분야에서 기존 모델보다 훨씬 현실적이고 동적인 통찰을 제공할 잠재력을 가집니다. 이는 단순히 과거 데이터를 기반으로 하는 예측을 넘어, 인간의 심리와 사회적 상호작용이 실시간으로 반영된 미래 시나리오를 그려볼 수 있게 한다는 점에서 큰 의미가 있습니다.