안녕하세요, MiTornAve입니다.

지난 시간 우리는 압도적인 '속도'를 무기로 국소적인 영역에서 민감하게 반응하는 RBFNN에 대해 알아보았습니다. 수 밀리초 단위로 변하는 데이터를 즉각적으로 처리해야 하는 제어 시스템의 세계에서, RBFNN의 단순하고 빠른 구조는 훌륭한 해결책이었습니다.

하지만 현실 세계의 문제들이 항상 칼로 물 베듯 정확한 숫자와 공식으로만 떨어지는 것은 아닙니다. "방이 좀 더운 것 같은데, 에어컨 온도를 적당히 낮춰줄래?" 인간에게는 너무나 자연스러운 이 문장이, 0과 1밖에 모르는 컴퓨터에게는 심각한 오류를 일으키는 외계어와 같습니다. '좀', '적당히'라는 기준은 대체 숫자로 얼마일까요? (이는 마치 F의 감정을 수식으로 이해하려는 T의 모습이다)

오늘은 인공지능과 제어 공학에 인간의 '모호함'과 '직관'을 이식한 기술, 퍼지 논리(Fuzzy Logic)에 대해 알아보겠습니다. 특히 기계가 이 모호함을 수학적으로 어떻게 계산해 내는지, 언어적 변수(Linguistic Variable)와 멤버십 함수(Membership Function)를 중심으로 파헤쳐 보겠습니다.

1. 퍼지(Fuzzy)란 무엇인가?: 흑백 논리를 넘어선 회색 지대

전통적인 컴퓨터의 논리 (Crisp Logic): 차가운 이분법의 세계 전통적인 컴퓨터 과학과 수학을 지배해 온 논리는 '크리스프 논리(Crisp Logic)' 또는 부울 논리(Boolean Logic)입니다. 이는 세상을 오직 참(True, 1) 아니면 거짓(False, 0)이라는 두 가지 상태로만 날카롭게 재단합니다.

• 계단 함수(Step Function)의 함정: 예를 들어 '더운 날씨'의 기준을 엄격하게 30°C로 설정했다고 가정해 보겠습니다. 이 시스템에서 컴퓨터는 29.99°C를 '전혀 덥지 않다(0)'로, 30.00°C를 '완벽하게 덥다(1)'로 극단적으로 판별합니다. 그래프로 그리면 특정 지점에서 값이 수직으로 꺾이는 계단 모양이 됩니다.

• 현실 적용의 치명적 한계: 만약 이 논리로 에어컨을 제어한다면 어떻게 될까요? 온도가 30°C가 되는 순간 에어컨이 최대 출력으로 켜졌다가, 29.9°C가 되면 완전히 꺼지기를 반복할 것입니다. 고작 0.1°C의 차이로 기계가 요동치는 이른바 '채터링(Chattering)' 현상이 발생합니다. 현실 세계의 연속적인 변화를 담아내기에는 너무나 경직된 사고방식입니다.

퍼지 논리 (Fuzzy Logic): 인간의 모호함을 수학으로 번역하다 반면, 퍼지(Fuzzy)라는 단어는 사전적으로 '경계가 불분명한', '모호한'이라는 뜻을 가집니다. 퍼지 논리는 0과 1이라는 양극단 사이에 존재하는 무수히 많은 '정도(Degree)'를 인정합니다.

• 소속도(Degree of Membership): 29.9°C를 두고 기계적으로 "덥지 않다"라고 단정 짓는 대신, "더움이라는 집합에 99% 정도 속하고, 시원함이라는 집합에 1% 정도 속한다"라고 부드럽고 유연하게 해석합니다.

• 회색 지대(Gray Area)의 포용: 이는 단순히 '모르겠다'는 애매방통한 소리가 아닙니다. 인간이 "방이 꽤 덥네"라고 느끼는 연속적이고 주관적인 감각을 0에서 1 사이의 실수(Real Number, 예: 0.85, 0.42 등) 값으로 정밀하게 쪼개어 컴퓨터가 계산할 수 있도록 수학적 생명을 불어넣은 것입니다.

이러한 퍼지 논리의 핵심 철학 덕분에, 기계는 비로소 이분법의 족쇄를 끊고 인간처럼 부드럽고 융통성 있게 상황을 인지하고 제어할 수 있게 되었습니다.

2. 기존 자동화 시스템에서의 활약: 기계에 경험을 심다

과거의 자동화 시스템은 수학적 모델링이 완벽해야만 작동했습니다. 하지만 현실은 공식으로 다 설명되지 않죠. 퍼지 논리는 여기서 "수식은 몰라도 방법은 아는" 전문가의 노하우를 데이터화하는 데 성공했습니다.

2.1 전문가의 뇌를 복제하는 'IF-THEN' 규칙 (Rule-base)

논문(Kim Minsoo, 2019)의 Section 2.1.1을 참고하면, 퍼지 시스템의 핵심은 인간의 지식을 언어적 규칙(Linguistic Rules)으로 구조화하는 데 있습니다.

• 지식의 구조화: 숙련된 세탁소 주인이나 베테랑 기관사가 가진 '감'을 수천 개의 조건문으로 바꿉니다.

  • Rule 1: IF (오염도가 높고) AND (세탁량이 보통이면) THEN (세제 투입량을 늘려라)

  • Rule 2: IF (브레이크 거리가 짧고) AND (속도가 빠르면) THEN (제동 압력을 매우 강하게 하라)

• 이러한 규칙들은 복잡한 미분 방정식을 푸는 대신, 인간의 판단 기준을 그대로 시스템에 이식하여 비선형적인 문제를 매우 직관적으로 해결하게 해줍니다.

2.2 가전제품의 혁신: "생각하는" 퍼지 세탁기와 에어컨

90년대 가전제품 전면에 붙어있던 'Fuzzy' 마크는 단순한 마케팅이 아니었습니다.

• 퍼지 세탁기 (Fuzzy Washer): 기존 세탁기는 빨래 무게만 쟀습니다. 하지만 퍼지 세탁기는 광센서로 물의 탁도를 측정해 '오염도'를 파악합니다. "물이 약간 뿌연 것을 보니 기름때가 조금 있구나"라는 판단을 내리고 세탁 시간과 물살의 세기를 실시간으로 조절했습니다.

• 퍼지 에어컨 (Fuzzy Air Conditioner): 단순히 설정 온도에 도달하면 꺼지는 것이 아니라, "사람이 많이 들어와서 열기가 급격히 올라가니, 냉기를 아주 강하게 뿜어내자"는 식의 유연한 대처가 가능해졌습니다.

2.3 지하철 자동 운전 (Sendai Subway Case)

가장 유명한 성공 사례인 일본 센다이시 지하철은 PID 제어의 한계를 극복한 사례로 논문에서도 자주 인용됩니다.

• 전통적 PID 제어: 목표 속도와 현재 속도의 오차를 줄이기 위해 기계적으로 반응합니다. 결과적으로 브레이크를 밟았다 뗐다 하는 과정이 딱딱하여 승차감이 나쁘고 에너지 소모가 컸습니다.

• 퍼지 제어 (Fuzzy Control): "목표 지점이 가까워지고 속도가 적당히 줄었으니 브레이크를 부드럽게 유지하자"는 전문가의 운전 패턴을 모사했습니다. 그 결과, 전력 소비는 10% 감소했고 정지 정밀도는 3배 이상 향상되는 경이로운 결과를 냈습니다.

과거의 퍼지 시스템은 '블랙박스 제어'에 탁월했습니다. 즉, 내부 기계 장치가 정확히 어떻게 돌아가는지 물리 법칙을 다 몰라도, "입력이 이럴 땐 이렇게 행동하라"는 인간의 규칙만 있다면 훌륭한 제어 성능을 보였기 때문입니다.

하지만 논문에서 지적하듯, 이 모든 규칙을 사람이 손으로 직접 써야 한다는 치명적인 번거로움이 있었습니다. 이것이 우리가 다음 시간에 배울 '학습하는 퍼지(FNN)'로 진화하게 된 결정적인 계기가 됩니다.

3. AI가 "적당히"를 이해하는 방법: 언어적 변수와 멤버십 함수

과거의 규칙 기반 시스템을 넘어, 현대의 데이터 분석과 AI 시스템에서 퍼지가 '수학적 뼈대'로 동작하기 위해 반드시 필요한 두 가지 핵심 개념이 있습니다.

3.1 언어적 변수 (Linguistic Variable)

컴퓨터는 숫자로만 계산하지만, 인간은 언어로 사고합니다. 언어적 변수는 이 둘 사이의 통역사 역할을 합니다.

변수의 값이 숫자가 아니라 '단어'나 '문장'으로 표현되는 변수를 말합니다.

• 기존의 변수 (수치형): 온도 = 25^{\circ}\text{C}

• 언어적 변수 (퍼지형): 온도 = {매우 춥다, 춥다, 적당하다, 덥다, 매우 덥다}

이렇게 수치 데이터를 인간의 직관적인 언어 집합으로 묶어버림으로써, 컴퓨터가 데이터를 바라보는 시야를 훨씬 유연하게 만들어 줍니다.

3.2 멤버십 함수 (Membership Function)

그렇다면 특정 데이터가 언어적 변수의 어느 집합에, '얼마나' 속해 있는지를 수학적으로 어떻게 계산할까요? 이를 결정하는 것이 바로 멤버십 함수(소속 함수)입니다. 데이터가 특정 집합에 포함되는 정도를 0에서 1 사이의 값으로 변환해 줍니다.

우리가 앞선 6회차 RBFNN에서 배웠던 가우시안 함수가 여기서도 아주 유용하게 쓰입니다.

\mu_A(x) = \exp\left(-\frac{(x - c)^2}{2\sigma^2}\right)

• x: 현재 입력된 실제 수치 (예: 현재 온도)

• \mu_A(x): 집합 A(예: '적당하다')에 속할 확률 또는 정도 (0 \sim 1)

• c: 집합의 중심점 / \sigma: 집합의 너비

멤버십 함수는 가우시안 형태 외에도 계산이 간편한 삼각형(Triangular)이나 사다리꼴(Trapezoidal) 형태도 널리 사용됩니다. 입력된 데이터는 이 함수들을 통과하며 "이 온도는 '적당하다' 집합에 0.8만큼 속하고, '덥다' 집합에 0.2만큼 속한다"라는 퍼지 값(Fuzzy Value)으로 변환됩니다. 이를 퍼지화(Fuzzification)라고 합니다.

일반적인 수학에서의 집합(Crisp Set)이 어떤 원소가 속해 있는지(1) 아니면 아닌지(0)를 명확히 구분한다면, 퍼지 집합은 '소속도(Degree of Belonging)'를 나타냅니다.

예를 들어, 퍼지 시스템의 수학적 구조를 들여다보면 다음과 같습니다.

퍼지 규칙의 형성: "If 온도가 A이고, y가 B이면 결과는 f이다"라는 IF-THEN 규칙을 사용하여 인간의 언어적 판단을 수식화합니다.A

다차원 데이터의 결합: 만약 온도뿐만 아니라 습도 등 여러 변수가 함께 입력된다면, 각각의 멤버십 함수 값들을 AND 연산자로 곱하여 최종적인 상황의 가중치를 계산합니다.

R(x, y) = \mu_A(x) \cdot \mu_B(x) \quad \leftrightarrow \quad \text{If } x \text{ is } A \text{ and } y \text{ is } B

이 수식은 컴퓨터가 "현재 온도는 80% 정도 '덥고', 습도는 50% 정도 '높다'"라는 두 가지 모호한 상황을 동시에 고려하여 최종 판단을 내리는 근거가 됩니다.

4. 퍼지의 한계, 그리고 새로운 진화의 필요성

퍼지 논리는 인간의 사고방식을 그대로 모방하여 시스템을 직관적으로 설계할 수 있게 해주었습니다. 특히 모델의 물리적 구조나 수학적 역학을 정확히 알 수 없는 복잡한 비선형 시스템(Non-linear System)을 제어할 때 그 진가를 발휘합니다. 하지만 산업 현장이 복잡해질수록 퍼지 시스템은 거대한 벽에 부딪히게 됩니다.

4.1 전문가 의존성: 설계의 높은 진입장벽

논문에서는 퍼지 시스템의 가장 큰 숙제로 '전문가 의존성(Expert Dependency)'을 꼽습니다.

• 파라미터 튜닝의 늪: 퍼지 시스템이 제대로 돌아가려면 멤버십 함수의 형태(삼각형, 사다리꼴, 가우시안 등)는 물론, 함수의 중심값(c)이나 분포 상수(\sigma)를 사람이 일일이 정해줘야 합니다.

• 주관성의 한계: "덥다"의 기준을 30도로 할지 32도로 할지는 설계하는 전문가의 주관에 따라 달라집니다. 만약 전문가의 지식이 불완전하다면 시스템 전체의 신뢰도가 흔들리게 됩니다.

4.2 '규칙의 폭발'과 시간적 비용

상황이 단순할 때는 몇 개의 규칙으로 충분하지만, 입력 변수가 늘어나면 상황은 달라집니다.

• 차원의 저주: 입력 변수가 2개에서 10개로 늘어나면, 이를 조합한 IF-THEN 규칙은 수천 개로 늘어납니다. 인간의 머리로는 수만 개의 규칙 사이에서 모순이 없는지, 어떤 규칙이 더 중요한지 판단하는 것이 불가능해집니다.

• 시행착오의 비용: 환경이 변하면(예: 기계의 노후화나 외부 온도 변화) 전문가가 다시 규칙을 수정해야 합니다. 이 과정에서 엄청난 시간과 시행착오가 발생하며, 이는 곧 제어 에러와 시스템 효율 저하로 직결됩니다.

4.3 학습 능력의 부재: "스스로 변하지 않는 지능"

결국 전통적인 퍼지 시스템은 '정적인 시스템(Static System)'입니다. 인공신경망(NN)처럼 데이터를 보고 스스로 파라미터를 수정하는 능력이 없습니다.

• 데이터 활용의 부재: 현대 산업 현장에는 수많은 센서 데이터가 쏟아지지만, 전통적인 퍼지는 이 데이터를 학습하여 자신의 멤버십 함수를 최적화할 방법이 없습니다.

• 결론: 인간의 직관(Fuzzy)은 훌륭하지만, 수많은 데이터로부터 스스로 규칙을 찾아내는 '자동 학습 능력'이 절실해진 것입니다.

"퍼지의 직관적인 추론 능력은 너무 좋은데, 인공신경망(NN)처럼 알아서 데이터를 보고 학습할 수는 없을까?"

이러한 공학자들의 갈증에서 탄생한 것이 바로 다음 시간에 다룰 주제입니다. 논문에서도 이 문제를 해결하기 위해 퍼지의 유연함에 신경망의 학습 능력을 결합한 FNN(Fuzzy Neural Network) 모델의 당위성을 강조하고 있습니다.

핵심 키워드 체크리스트

• 크리스프 논리(Crisp Logic): 참(1)과 거짓(0)으로만 세상을 나누는 이분법적 사고방식.

• 퍼지 소속도(Degree of Membership): 특정 집합에 얼마나 속하는지를 0에서 1 사이의 실수로 표현한 값.

• 언어적 변수(Linguistic Variable): "매우 덥다", "조금 낮다"와 같이 숫자가 아닌 인간의 언어로 표현된 변수.

• 멤버십 함수(Membership Function): 수치 데이터를 퍼지 값으로 변환해 주는 통역사(가우시안, 삼각형 함수 등).

• IF-THEN 규칙: "온도가 높으면 모터를 빨리 돌려라"와 같이 전문가의 경험을 기계에 이식하는 논리 구조.

• 비선형 제어(Non-linear Control): 수학적 공식이 복잡한 시스템에서도 전문가의 직관으로 유연하게 대처하는 퍼지의 강력한 무기.

• 전문가 의존성(Expert Dependency): 사람이 직접 규칙과 함수를 설계해야 하기에 발생하는 퍼지 논리의 치명적인 한계.
  

다음 차시에는 전문가의 감각에만 의존하던 퍼지 논리가, 스스로 오차를 줄이며 진화하는 신경망(Neural Network)의 역전파(Backpropagation) 기술을 만났을 때 어떤 시너지가 발생하는지 알아보겠습니다.