텐센트, 하이퍼그래프 메모리로 AI 추론 능력 혁신
- •텐센트 연구진이 데이터 간 복잡한 고차원적 관계를 파악하는 하이퍼그래프 기반의 HGMem 시스템을 개발했다.
- •기존 RAG 기술의 파편화된 정보 저장 한계를 극복하여 문맥 전체를 유기적으로 연결하는 고도의 추론이 가능해졌다.
- •이번 기술은 멀티홉 추론 작업에서 탁월한 성능을 입증하며 기업용 검색 및 지식 관리 시스템의 패러다임을 바꿀 전망이다.
기존의 검색 증강 생성(RAG) 시스템은 사용자 질의에 응답하기 위해 외부 소스에서 관련성이 높은 데이터를 추출하는 방식으로 작동한다. 그러나 현재의 시스템들은 대부분의 정보를 개별적인 단위로 저장하기 때문에, 서로 분산된 데이터 포인트 사이의 깊은 내적 연결 고리를 제대로 인식하지 못한다는 근본적인 한계가 있었다. 예를 들어 인공지능 시스템이 'A는 B와 관련이 있다'는 사실과 'B는 C와 연관된다'는 정보를 각각 알고 있더라도, 이를 종합하여 A와 C 사이의 상관관계를 논리적으로 유추하는 과정에서는 흔히 어려움을 겪게 된다. 이러한 지능적 제약은 방대한 문서 전체에 흩어져 있는 여러 파편적 정보를 유기적으로 결합하여 복잡한 문제를 해결하는 데 커다란 걸림돌로 작용해 왔다.
이에 따라 글로벌 기술 기업인 텐센트(Tencent)의 연구진은 하이퍼그래프 기반 메모리 시스템을 활용한 'HGMem' 기술을 새롭게 개발하여 이러한 문제의 해결책을 제시했다. 하나의 간선이 오직 두 개의 노드만을 연결하는 일반적인 그래프 구조와 달리, 하이퍼그래프는 단 하나의 간선이 동시에 여러 개의 노드를 한데 묶어 연결할 수 있는 특성을 지녀 데이터 간의 고차원적이고 복잡한 관계를 정밀하게 포착해 낸다. 실제로 기존 RAG 시스템이 서랍 속에 서로 다른 메모를 각각 따로 보관하는 방식과 유사하다면, HGMem은 모든 메모가 정교한 실로 연결된 하나의 거대한 거미줄처럼 작동하는 셈이다. 이러한 혁신적인 구조 덕분에 AI는 단순한 정보 조각을 넘어 관련된 전체 문맥의 네트워크를 통합적으로 검색하고 활용할 수 있게 되었다.
특히 HGMem은 실제 성능 평가 과정에서 기존의 추론 프레임워크들을 압도하는 성과를 거두었으며, 여러 단계의 사고 과정을 거쳐야 하는 '멀티홉(multi-hop)' 추론 작업에서 눈에 띄는 정확도 향상을 입증했다. 이처럼 복잡한 데이터 지형을 고도의 정밀도로 모델링하는 아키텍처는 AI가 매우 긴 분량의 문서를 처리하면서도 논리적으로 완벽한 답변을 생성하는 능력을 획기적으로 강화한다. 또한 이러한 기술적 도약은 향후 기업용 검색 서비스와 자동화된 지식 관리 시스템 분야에서 혁신적인 변화를 일으킬 것으로 전망된다. 또한 이를 통해 사용자들은 이전에는 불가능했던 훨씬 심도 있고 포괄적인 데이터 통찰력을 실시간으로 제공받을 수 있을 것으로 기대된다.