행사 장소를 고르는 규칙을 질문과 잎으로 펼친다
독서 행사의 장소를 정한다고 합시다. 참가자가 80명 이상이면 대강당이 필요하고, 그보다 적으면 비 예보와 휠체어 접근 가능 여부를 확인해 소강당이나 야외 마당을 고릅니다. 규칙을 문장으로만 나열하면 조건의 순서, 빠진 경우, 서로 충돌하는 결론을 찾기 어렵습니다. 의사결정나무는 한 사례가 질문을 차례로 통과해 하나의 행동에 도착하는 구조를 보여 줍니다.
내부 노드는 조건 질문, 가지는 조건의 결과, 잎은 최종 분류나 행동입니다. ‘80명 이상인가?’의 가지는 예와 아니요를 함께 가져야 합니다. 잎에는 ‘적합’처럼 모호한 평가보다 ‘대강당 예약 요청’처럼 실제 다음 행동을 적습니다. 이 글의 나무는 사람이 정한 업무 규칙을 검토하는 도표이며, 데이터로 학습한 통계적 결정트리와는 만드는 과정이 다릅니다.
질문·가지 라벨·잎 행동을 완전한 문장으로 읽는다
노드 ‘참가자 수 ≥ 80?’에서 왼쪽 선 ‘참’, 오른쪽 선 ‘거짓’으로 갈라지면 모든 수가 두 경우 가운데 하나에 들어갑니다. ‘많음/적음’처럼 기준이 없는 표현은 담당자마다 다르게 읽을 수 있으므로 수치·범주·시간 범위를 적습니다. 날짜 조건이라면 기준 시간대까지 명시합니다. 조건 결과는 가능한 값을 빠짐없이, 서로 겹치지 않게 나눕니다.
잎은 나무가 끝나는 곳이지만 업무가 끝난다는 뜻은 아닙니다. ‘추가 확인 요청’, ‘사람에게 이관’, ‘대강당 예약’처럼 다음 처리 결과를 적을 수 있습니다. 입력이 비어 있거나 모호할 때 갈 곳도 필요합니다. ‘모름’을 자동으로 아니요로 보내면 자료가 없는 사례가 부적합 판정을 받을 수 있으므로 별도 확인 잎을 둡니다.
업무 규칙 나무와 학습된 분류 나무는 근거가 다르다
업무 규칙 나무는 법규·운영 지침·전문가 합의처럼 사람이 확인한 조건에서 만듭니다. 어느 조건을 먼저 묻는지는 안전·비용·업무 순서를 반영합니다. 학습된 결정트리는 자료의 특징을 나누어 목표값의 불순도를 줄이는 분할을 학습합니다. 같은 나무 모양이라도 한쪽은 명시 규칙, 다른 쪽은 표본에서 추정한 예측 모형입니다.
학습된 나무를 읽을 때는 노드의 특징과 문턱, 표본 수, 클래스 분포, 불순도와 가지치기 설정을 확인합니다. 깊은 나무는 훈련 자료의 작은 차이까지 외워 과적합할 수 있습니다. 업무 규칙 나무에서도 조건이 지나치게 많으면 유지보수가 어렵습니다. 두 경우 모두 나무 깊이와 잎별 사례 수를 점검하지만, 타당성을 확인하는 자료와 책임자는 다릅니다.
| 구분 | 업무 규칙 나무 | 학습된 결정트리 |
|---|---|---|
| 근거 | 규정·전문가 기준 | 훈련 자료 |
| 분기 | 명시 조건 | 불순도 감소 등 |
| 검토 | 누락·충돌·책임 | 검증 성능·과적합 |
고객 문의는 긴급성부터 묻고 담당 행동으로 끝낸다
문의 분류 나무에서 첫 질문은 ‘안전·결제 중단처럼 즉시 대응할 문제인가?’가 될 수 있습니다. 참이면 긴급 담당자에게 이관하고, 거짓이면 계정·사용법·요금 가운데 유형을 확인합니다. 문의 길이나 감정 표현을 긴급성과 같게 보지 않습니다. 각 질문은 실제 업무 기준에 근거해야 하고, 잎마다 응답 시간과 담당 부서를 연결합니다.
LLM이 문의 내용을 요약하거나 조건 후보를 제안할 수 있지만 최종 라우팅 규칙은 운영자가 확인합니다. 특히 의료·법률·금융처럼 위험이 큰 영역은 자동 잎에서 바로 실행하지 않고 사람 검토를 거치게 합니다. 나무에는 신뢰도가 낮거나 정보가 빠진 입력이 향할 ‘추가 질문’ 잎을 둡니다.
문서 공개 여부는 민감도와 권한을 따로 묻는다
문서 요약 결과를 게시할지 정할 때 ‘개인정보가 있는가’, ‘공개 권한이 확인됐는가’, ‘출처 문장과 일치하는가’를 차례로 물을 수 있습니다. 개인정보가 있으면 비식별화와 재검토로 보내고, 권한이 없으면 게시 보류로 보냅니다. 개인정보가 없다는 사실이 곧 공개 권한을 뜻하지 않으므로 두 조건을 한 질문에 합치지 않습니다.
조건 순서는 비용과 위험을 고려합니다. 값싼 형식 검사를 먼저 할 수 있지만, 치명적 위험 조건을 뒤로 미루면 불필요한 처리가 늘 수 있습니다. 어느 질문을 앞에 둘지 결정할 때 각 검사 비용, 실패 빈도, 실패 영향도를 표로 비교합니다. 같은 최종 잎에 도착하더라도 지나온 경로를 기록하면 어떤 조건 때문에 보류됐는지 설명할 수 있습니다.
원문 규칙·우선순위·미입력 처리를 함께 준다
LLM에 의사결정나무를 요청할 때는 규칙 원문을 그대로 제공하고, 모델이 새로운 정책을 보태지 못하게 합니다. 목표 행동, 입력 항목, 문턱값, 우선순위, 예외, 미입력 처리, 금지할 추정을 지정합니다. 각 잎에는 도달 조건을 논리식으로 함께 쓰게 하면 나무와 규칙표를 대조할 수 있습니다.
출력 뒤에는 모든 입력 조합이 정확히 하나의 잎에 도착하는지 검사합니다. 연속형 값의 경계에서 79와 80, 날짜의 시작과 종료 시각, 빈 문자열과 0을 따로 넣어 봅니다. LLM이 만든 나무는 초안이므로 실제 규정 담당자와 테스트 사례 검토를 통과한 뒤 사용합니다.
다음 운영 규칙을 의사결정나무로 정리해 줘. 원문 규칙: [붙여넣기] 목표 행동: [예약 / 보류 / 추가 확인 등] 입력 항목: [이름, 자료형, 허용값, 단위] 우선순위: [안전 조건 → 필수 조건 → 편의 조건] 각 내부 노드: 한 번에 하나의 질문만 사용 각 가지: 가능한 값을 빠짐없이, 서로 겹치지 않게 분할 미입력·모호함: 자동으로 거짓 처리하지 말고 ‘추가 확인’ 잎으로 연결 각 잎: 행동, 담당자, 도달 조건의 논리식 표시 금지: 원문에 없는 문턱값이나 예외를 만들지 않기 출력: 노드 표, 선 표, 잎별 규칙표, 누락·중복·경계값 검사 사례.
잎별 조건을 표로 바꾸어 빈 조합과 겹침을 찾는다
참가자 수를 80명 이상/미만, 비 예보를 있음/없음으로 나누면 네 조합이 생깁니다. 접근성 조건까지 둘로 나누면 여덟 조합입니다. 각 조합이 어느 잎에 도달하는지 표에 적으면 비 예보 있음·참가자 80명 미만·소강당 접근 불가 같은 사례가 빠졌는지 확인할 수 있습니다. 빈 칸은 규칙 누락입니다.
한 조합이 두 잎에 동시에 들어가면 규칙이 겹칩니다. 예를 들어 ‘80명 이상이면 대강당’과 ‘비가 오면 소강당’이 우선순위 없이 함께 있으면 90명·비 예보 사례가 두 결론에 닿습니다. 나무에서 먼저 묻는 질문이 사실상 우선순위를 정하므로, 그 순서가 원문 정책과 같은지 확인합니다.
겹치는 가지와 막힌 잎을 반례로 고친다
잘못된 나무는 ‘참가자가 많다’처럼 기준이 없거나, 예 가지는 있지만 아니요 가지가 없습니다. ‘비가 오고 야외를 원하면?’처럼 두 조건을 한 노드에 묶으면 어느 값 때문에 갈라졌는지 추적하기 어렵습니다. 잎에 ‘기타’만 두고 담당 행동을 적지 않는 경우도 많습니다. 이런 오류는 실제 사례를 한 건씩 통과시키면 드러납니다.
수정할 때는 경계값 79·80, 비 예보 있음·없음, 접근 가능·불가·미확인을 조합한 반례 표를 만듭니다. 각 사례가 하나의 잎에 도착하는지, 도착 행동이 실행 가능한지 확인합니다. 조건을 한 질문씩 나누고 미입력 경로를 추가합니다. 우선순위가 정책에 없다면 임의로 정하지 말고 담당자 확인이 필요하다고 표시합니다.
문턱·아니요 가지·행동이 빠졌습니다.
모든 경우를 실행 가능한 잎에 연결합니다.
행사 조건을 넣어 도달 잎과 추가 확인을 검사한다
아래 실습은 준비된 행사 장소 규칙을 브라우저에서 실행합니다. 참가자 수, 비 예보, 휠체어 접근 필요 여부를 고르면 도달한 잎과 지나온 조건을 표시합니다. 참가자 수를 미정으로 두면 다른 조건을 추정하지 않고 ‘인원 확인’ 잎으로 갑니다. 80명 경계는 80명부터 대강당으로 처리합니다.
기본값 60명·비 예보 있음·접근 필요에서는 접근 가능한 소강당을 선택합니다. 90명은 다른 조건과 관계없이 대강당으로 갑니다. 인원 미정에서는 추가 확인을 요청합니다. 이 규칙은 교육용 모형이며 실제 행사 운영 규정을 대신하지 않습니다. 자신의 규칙을 적용할 때는 원문과 책임자의 승인을 함께 연결하세요.