뉴로 심볼릭 AI는 신경망과 기호적 학습의 장점을 결합하여 AI 모델의 전반적인 성능을 향상시키는 유망한 패러다임이지만, 데이터 처리 방식, 특히 데이터 표현 방법의 차이로 인해 두 분야의 완벽한 통합이 어렵습니다. 본 연구는 표현 공간의 관점에서 다양한 뉴로 심볼릭 AI 모델을 분석하고 분류하여 이러한 차이를 해소하고자 합니다.
대규모 언어 모델(LLM)의 확률적 특성으로 인한 비일관성 및 부정확성을 해결하기 위해, 도메인 특화 지식을 활용하는 신경 기호적 에이전트 아키텍처인 DANA를 제안하고, 이를 통해 복잡한 문제 해결 작업에서 향상된 성능을 달성할 수 있다.