사망률 예측은 보험계리와 정책 결정에서 핵심적인 역할을 하지만, 복잡한 통계 모델 때문에 비전문가가 직접 활용하기 어렵다는 한계가 있었다. 최근 공개된 논문은 대규모 언어 모델(LLM)을 인터페이스 계층으로 활용해 이 접근성 문제를 해결하는 방법론을 제안했다. 사용자가 자연어로 분석 요청을 입력하면 LLM이 이를 결정론적 예측 파이프라인에 맞는 구조화된 설정으로 변환하는 방식이다.
연구진은 3단계 방법론을 적용했다. 첫 번째 단계에서는 CoMoMo 패키지를 활용해 기존 사망률 예측 결과를 재현하는 기준 파이프라인을 구축했다. 두 번째 단계에서는 롤링 원점 평가(rolling-origin evaluation)와 평균 제곱 오차(MSE) 기반 다단계 예측으로 파이프라인을 확장했다. 세 번째 단계에서는 로컬 LLM을 활용해 사용자 요청을 처리하는 프로토타입 인터페이스를 구현했다. 이 구조에서 LLM은 예측 로직을 직접 실행하지 않고 사용자 의도를 해석해 파이프라인 설정으로 변환하는 제어 계층 역할만 담당한다.
연구진은 LLM을 제약된 오케스트레이션 계층으로 설계함으로써 재현성, 투명성, 보험계리적 타당성을 유지하면서도 비전문가 사용성을 높일 수 있음을 확인했다고 밝혔다. 사망률 예측처럼 고위험 분석 작업에서 LLM이 통계 모델을 대체하는 것이 아니라 접근성을 높이는 보조 수단으로 기능할 수 있다는 점을 보여준다는 데 이 연구의 의의가 있다.
이 접근법은 최근 AI 업계에서 확산되는 ‘도구 호출형 에이전트’ 설계와 맥을 같이한다. 언어 모델이 직접 답을 생성하는 대신 검증된 외부 도구나 계산 파이프라인을 호출하도록 역할을 제한하면, 환각(잘못된 정보 생성) 위험을 줄이면서도 자연어 대화의 편의성을 살릴 수 있기 때문이다. 보험·연금·공중보건 분야에서는 예측 근거의 추적 가능성과 규제 준수가 필수적이라, 통계 모델의 신뢰성을 그대로 유지하는 이번 설계 방식이 실무 도입 가능성을 한층 높일 것으로 보인다. 연구진이 외부 API가 아닌 로컬 환경에서 구동되는 LLM을 프로토타입에 사용한 점도, 민감한 데이터를 다루는 보험·정책 영역의 활용 가능성을 시사한다.
