컨텍스트 그래프: 에이전트 시대를 위해 수십 년간 축적된 언어학 이론을 체계화하다

기계가 생성한 듯한 콘텐츠와 독자, 브랜드, 그리고 단어 하나하나에 담긴 문화적 뉘앙스를 이해하는 사람이 작성한 듯한 콘텐츠의 차이를 만드는 것이 무엇인지 오랫동안 고민해 왔습니다. 답은 계속 같은 곳으로 돌아옵니다. 바로 맥락입니다.

언어 모델의 언어 능력은 계속 향상되고 있으며, 저희는 이러한 흐름이 지속될 것이라 보고 있습니다. 아직 완전한 수준에 도달하지는 않았지만, 개선 속도는 무시하기 어렵습니다. 그러나 여전히 부족한 것은 모델과 콘텐츠 사이에 위치하는 시스템입니다. 모델에 여러분이 누구인지, 어떻게 말하는지, 이 특정 문장에서 무엇이 중요한지, 그리고 애초에 왜 이 문장이 존재하는지를 알려주는 시스템입니다. 이것이 Glossia에서 저희가 해결하고 있는 문제이며, 현재 이 분야에서 가장 흥미로운 문제라고 생각합니다.

세 가지 요소, 우리가 통제할 수 있는 두 가지

단일 언어 및 다국어 콘텐츠에 진정으로 새로운 접근 방식을 구현하는 데 필요한 요소를 살펴보면 세 가지가 있습니다.

언어를 잘 다루는 모델. 아직 완전한 수준에 도달하지는 않았지만 빠르게 개선되고 있으며, 저희는 이러한 추세에 기대를 걸고 있습니다. 저희가 기반 모델을 직접 구축할 필요는 없습니다. 모델이 충분한 수준에 도달했을 때 이를 효과적으로 활용할 준비를 갖추면 됩니다.
에이전트에게 필요한 맥락을 모델링하고 공유하는 시스템. 모델과 콘텐츠 사이에 위치하는 부분입니다. 여러분의 보이스, 용어, 어조, 독자의 기대를 포착하고, 이 모든 정보를 구조화된 방식으로 에이전트에 제공하는 계층입니다.
사용자가 제공하는 맥락. 사람은 판단력, 문화적 이해, 창의적 방향성을 제공합니다. 어떤 시스템도 이를 완전히 대체할 수는 없습니다. 하지만 이러한 맥락을 쉽게 포착하고 재사용하도록 지원할 수는 있습니다.

이 세 가지 중 저희가 통제할 수 있는 것은 두 가지입니다. 바로 시스템 자체와 사용자가 맥락을 제공하도록 안내하여 시스템 개선에 기여하게 하는 방식입니다. 이 두 가지를 모두 제대로 구현하는 것이 "대규모 언어 모델만 연결하면 된다"는 식의 솔루션이 빠르게 늘어나는 시장에서 Glossia를 차별화할 것이라고 믿습니다. 시스템에는 수십 년간 축적된 언어학 이론을 에이전트 중심 환경에서 등장하는 기본 요소로 체계화해야 합니다. 그리고 이를 둘러싼 사용자 경험을 통해 올바른 맥락이 실제로 포착되고, 정제되며, 다시 반복 과정에 반영되도록 해야 합니다.

현대 번역학의 창시자 중 한 명인 유진 나이다는 좋은 번역이 단어 대 단어의 대응에 관한 것이 아니라고 주장했습니다. 그가 제시한 역동적 등가 개념에 따르면, 대상 독자와 번역된 메시지 사이의 관계는 원래 독자와 원문 사이의 관계와 동일하게 느껴져야 합니다. 매우 인상적인 개념이지만, 이를 실현하려면 누가 읽는지, 어떤 문화적 관점을 가지고 있는지, 원문이 어떤 어조를 의도했는지에 대한 깊은 맥락적 이해가 필요합니다. 바로 이러한 정보가 모델이 접근할 수 있는 곳에 존재해야 합니다.

무엇을 어떤 방식으로 포착해야 하는가

저희가 처음 탐구한 주제 중 하나는 어떤 정보를 포착해야 하며, 에이전트가 실제로 활용할 수 있도록 이를 어떻게 구조화해야 하는가였습니다. 깊이 고민할수록 이것은 단순한 구성 파일이나 설정 페이지로 해결할 수 있는 문제가 아니라는 사실을 깨달았습니다. 그래프가 필요했습니다. 구체적으로는 **방향성 비순환 그래프**가 필요했습니다.

왜 방향성 비순환 그래프일까요? 맥락은 평면적이지 않기 때문입니다. 브랜드 보이스는 용어에 영향을 미칩니다. 용어는 특정 기능을 설명하는 방식을 결정합니다. 독자의 기대는 격식 수준에 영향을 주며, 이는 다시 단어 선택에 영향을 미칩니다. 이러한 관계에는 방향과 계층이 있으며, 자기 자신으로 되돌아오는 순환은 없습니다.

여기에는 선행 사례가 있습니다. 지식 그래프는 개념 간의 구조화된 관계를 표현하기 위해 인공지능 시스템에서 오랫동안 사용되어 왔습니다. 최근에는 컨텍스트 그래프가 동적인 컨텍스트 계층을 추가해 이 개념을 확장했습니다. 이는 에이전트가 충분한 정보를 바탕으로 의사결정을 내리는 데 정확히 필요한 요소입니다. 또한 다중 에이전트 환경에서는 방향성 비순환 그래프가 작업 종속성과 정보 흐름을 모델링하는 핵심 패턴으로 자리 잡았습니다.

하지만 제가 특히 기대하는 부분은 다음과 같습니다. 이 그래프의 각 노드는 버전이 관리되어야 합니다. 브랜드 보이스를 변경하더라도 이전 버전에 대한 접근 권한을 잃어서는 안 됩니다. 용어 항목을 업데이트하면 시스템은 어떤 콘텐츠가 이전 정의에 따라 생성되었으며 어떤 콘텐츠를 다시 검토해야 하는지 파악할 수 있어야 합니다. 이를 통해 모든 콘텐츠를 다시 처리하지 않고, 변경의 영향을 실제로 받는 콘텐츠에 대해서만 에이전트 기반 워크플로가 실행되도록 최적화할 수 있습니다.

설계 단계부터 고려한 양방향성

컨텍스트 노드와 콘텐츠의 관계에는 방향성이 있어야 하며, 양방향 모두에서 작동해야 한다고 생각합니다.

한쪽에서 보면 콘텐츠가 컨텍스트와 어떻게 연결되어 있는지 알아야 합니다. 컨텍스트의 일부가 변경되었을 때, 예를 들어 브랜드 보이스가 더 편안한 어조로 바뀌었다면 어떤 블로그 게시물, 제품 설명 또는 도움말 문서가 이전 버전에 따라 작성되었는지 파악해야 합니다. 이러한 콘텐츠가 다시 검토되거나 번역되어야 합니다. 이것이 컨텍스트에서 콘텐츠로 향하는 정방향입니다.

반대쪽에서 보면 언어 전문가가 콘텐츠를 검토하면서 특정 선택이 이루어진 이유를 확인하고자 할 때, 해당 결정을 이끈 컨텍스트까지 거슬러 올라갈 수 있어야 합니다. 어떤 보이스 정의가 활성화되어 있었습니까? 어떤 용어 규칙이 적용되었습니까? 이러한 역방향 추적성을 통해 사람은 에이전트가 수행한 작업을 이해하고 확신을 갖고 개선할 수 있습니다.

미국 항공우주국은 이를 양방향 추적성이라고 부릅니다. 이는 엔터티 간의 연관 관계를 어느 방향으로든 추적할 수 있는 능력입니다. 시스템 엔지니어링에서 유래한 원칙이며, 언어 컨텍스트와 생성된 콘텐츠 사이에 피드백 루프를 구축할 때 정확히 필요한 개념입니다.

이러한 양방향성은 점진적 개선을 가능하게 합니다. 언어 전문가는 콘텐츠를 검토하고, 콘텐츠에 영향을 준 컨텍스트를 확인하고, 보이스 정의에 조정이 필요하다고 판단한 다음, 해당 조정 사항을 생성할 수 있습니다. 그러면 시스템은 그 변경의 영향을 받는 다른 콘텐츠를 정확히 파악합니다. 이는 긴밀한 루프이자 철저히 인간 중심적인 과정입니다.

단일 저장소를 넘어

이 그래프에는 제가 특히 흥미롭게 생각하는 또 다른 차원이 있습니다. 이 그래프는 단일 저장소에만 존재할 수 없습니다. 컨텍스트 그래프는 여러 프로젝트에서, 나아가 여러 조직에서 공유할 수 있어야 합니다.

생각해 보십시오. 회사에는 브랜드 보이스가 있습니다. 이 보이스는 모든 제품, 모든 웹사이트, 모든 지원 문서에 적용됩니다. 하나의 저장소에만 존재하지 않습니다. 이는 여러 영역에 걸쳐 적용되는 공통 관심사입니다. 핵심 보이스는 조직 수준에서 정의한 다음, 특정 제품이나 대상 독자를 위해 프로젝트 수준에서 재정의할 수 있습니다. 이것이 범위 상속이며, 프로그래밍에서 익숙한 패턴을 언어 컨텍스트에 적용한 것입니다.

또한 이 컨텍스트의 버전도 적절하게 관리되어야 합니다. 보이스 정의를 변경하면서 이전 버전을 삭제해서는 안 됩니다. Git이 콘텐츠 주소 지정 스토리지와 방향성 비순환 그래프를 통해 버전을 관리하는 방식에서 배울 점이 많습니다. 커밋, 브랜치, 차이를 활용하는 Git의 모델은 본질적으로 모든 이전 상태에 대한 접근을 유지하면서 시간에 따른 변경 사항을 추적하는 방식입니다. 이것이 바로 언어 컨텍스트에 필요한 방식입니다.

사실 저희는 보이스 변경이 보이스 변경 요청이라는 절차를 통해 이루어져야 한다고 생각합니다. 풀 리퀘스트가 코드 변경을 논의할 공간을 만들듯이, 보이스 변경 요청은 언어적 변경을 논의할 공간을 만듭니다. 왜 더 대화체에 가까운 어조로 전환하려고 하는가? 어떤 영향을 미치는가? 어떤 콘텐츠가 영향을 받는가? 변경 사항이 전파되기 전에 충분히 논의할 가치가 있는 질문입니다.

인간이 덜 중요해지는 것이 아니라 더 창의적으로 기여하는 지점

바로 이 지점부터 정말 흥미로워집니다. 많은 사람이 인공지능에 관해 이야기할 때 내세우는 서사처럼 인간을 배제하는 대신, 이 시스템은 인간에게 더 창의적인 역할을 부여합니다.

언어 전문가와 콘텐츠 전략가로 구성된 팀이 세션을 열어 브랜드의 언어적 방향에 관한 아이디어를 논의한다고 상상해 보십시오. 어떤 모델도 접근할 수 없는 문화적 맥락을 참조하면서 개념을 탐구하고 어조의 변화를 논의할 수 있습니다. 그런 다음 수백 개의 파일을 일일이 업데이트하는 대신, 결정 사항을 컨텍스트 그래프에 대한 조정으로 기록합니다. 시스템이 변경 사항의 전파를 처리합니다.

한 단계 더 나아가 언어 전문가가 인공지능 어시스턴트와 함께 언어적 아이디어를 탐구하는 에이전트형 세션을 상상해 보십시오. "오류 메시지를 더 공감하는 표현으로 바꾸면 어떨까요?" 에이전트는 영향을 시뮬레이션하고, 현재 컨텍스트가 어떻게 변경되는지 보여 주며, 업데이트된 콘텐츠의 모습을 미리 보여 줍니다. 언어 전문가는 이를 다듬고 조정한 뒤, 만족스러운 결과가 나오면 컨텍스트 변경 요청을 제출합니다. 충분히 기대할 만한 방식이지 않을까요?

이는 언어 전문가를 대체하려는 것이 아닙니다. 언어 전문가가 이미 뛰어난 역량을 발휘하고 있는 분야, 즉 언어에 관해 섬세하고 문화적 맥락을 반영한 결정을 내리는 데 더 나은 도구를 제공하려는 것입니다. 시스템은 기계적인 부분(전파, 영향 분석, 일관성)을 처리하고, 인간은 창의적인 부분(보이스, 어조, 문화적 공감대)에 집중합니다.

저는 나이다가 동적 등가를 통해 말하고자 했던 바를 계속 떠올리게 됩니다. 목표는 기계적인 의미의 언어적 정확성이 아닙니다. 언어와 관계없이 독자와 콘텐츠 사이에 동일한 정서적 관계를 형성하는 것입니다. 이를 위해서는 안목과 판단력, 문화적 이해가 필요합니다. 인간은 이러한 능력이 놀라울 정도로 뛰어나지만, 모델은 여전히 어려움을 겪습니다. 시스템의 역할은 인간의 이러한 통찰이 기록되고 구조화되어 재사용될 수 있도록 보장하는 것입니다.

다음 단계

후속 게시물에서는 더 기술적인 내용을 다룰 예정입니다. 이 분야에서 아직 볼 수 없었던 경험을 구현하는 데 샌드박스가 어떤 역할을 하는지, 그리고 저희가 API에 집중적으로 투자하는 이유를 설명하겠습니다. 언어적 변경 사항을 실제로 적용하기 전에 스테이징하고, 미리 보고, 테스트하는 전반적인 영역을 심층적으로 살펴볼 예정입니다.

이 내용에 공감하신다면 연락해 주십시오. 현재 도구에 답답함을 느끼는 언어 전문가이든, 현지화 워크플로에서 어려움을 겪은 개발자이든, 언어와 기술이 만나는 지점을 깊이 고민하는 분이든 여러분의 의견을 듣고 싶습니다.