거대 언어 모델(LLMs)은 방대한 데이터셋으로 학습되어 광범위한 실세계 지식을 매개변수(parameters)에 인코딩하고 있지만, 그 작동 방식이 블랙박스(black-box) 특성 때문에 내부 메커니즘과 지식의 범위를 파악하기 어렵다는 근본적인 한계를 안고 있습니다. 이러한 해석 가능성 문제를 해결하기 위해, 본 논문은 '대리 모델링 (Surrogate Modeling)' 프레임워크를 제안합니다.

대리 모델링이란 복잡한 시스템을 단순화된 모델로 근사하여 이해하는 기법입니다. 연구진들은 이 방법을 활용하여 LLM이 인코딩한 지식을 정량적으로 설명할 수 있는 틀을 구축했습니다. 구체적인 방법론은 다음과 같습니다:

1. 가설 설정 및 시뮬레이션: 도메인 지식(domain knowledge)에 기반한 특정 가설을 먼저 설정합니다.
2. 잠재 공간 근사: 이 프레임워크는 광범위하게 시뮬레이션된 다양한 시나리오를 통해 얻은 관찰 가능한 요소(input-output pairs)들을 사용하여 LLM의 잠재적 지식 공간을 근사합니다.

이러한 접근 방식은 단순히 모델의 출력을 확인하는 것을 넘어, LLM이 각 입력 변수를 출력과 어떤 관계로 '인지'하고 있는지를 정량적으로 밝혀내는 데 초점을 맞춥니다.

본 논문은 의료 예측(medical predictions) 분야에서 이 프레임워크의 효과를 입증하는 개념 증명(Proof-of-Concept, PoC) 실험을 수행했습니다. 그 결과는 매우 중요합니다. LLM이 학습 데이터에 내재된 부정확성이나 사회적 편향을 영속화할 수 있다는 우려가 제기되던 가운데, 이 프레임워크를 통해 다음과 같은 문제점들을 정량적으로 밝혀냈습니다:

• 의학 지식 모순: LLM이 확립된 의학 지식과 상충되는 연관성을 보이는 사례.
• 편향성 지속: 과학적으로 반박된 인종적 가정(racial assumptions)이 여전히 LLM의 인코딩된 지식에 남아있는 현상.

결론적으로, 이 대리 모델링 프레임워크는 LLM의 잠재적인 위험 요소를 사전에 식별하고 공개함으로써, 해당 모델들이 안전하고 신뢰할 수 있는 방식으로 적용될 수 있도록 돕는 '위험 경고(red-flag)' 지표 역할을 수행할 수 있습니다. 이는 의료와 같이 높은 정확성과 윤리적 고려가 필수적인 분야에서 LLM 도입의 안전성을 확보하는 데 핵심적인 기여를 합니다.