본 논문은 미국 국세청에 따르면 평균적으로 미국인이 세금 신고에 270달러와 13시간을 소비한다는 점에 착안하여, 복잡한 추론과 숫자 계산을 필요로 하는 세금 신고 과정을 자동화하는 시스템을 제안합니다. 기존의 대규모 언어 모델(LLM)은 정확성과 감사 가능성 측면에서 한계를 가지기 때문에, 본 논문에서는 LLM과 기호적 솔버를 통합하는 접근 방식을 제시합니다. SARA 데이터셋을 사용하여 시스템의 여러 변형을 평가하고, 실제 세금 오류에 대한 페널티를 기반으로 시스템 구축 비용을 추정하는 새로운 방법을 제시합니다. 또한, 일반 텍스트 규칙을 형식 논리 프로그램으로 변환하고, 형식적인 사례 표현을 위해 예시를 지능적으로 검색하는 방법을 통해 성능을 향상시키고 비용을 절감하는 방법을 보여줍니다. 결과적으로 신경 기호 아키텍처를 활용하여 신뢰할 수 있는 세금 지원에 대한 공정한 접근성을 높일 수 있는 가능성과 경제적 타당성을 입증합니다.
