지식의 구조화: Ontology & Knowledge Graph

1. AI 전환(AX) 시대, 연결된 지식의 필요성

 

지난 10여 년간 기업들은 아날로그 프로세스를 디지털로 옮기는 '디지털 전환(Digital Transformation, DX)'에 매진해왔다. ERP와 CRM을 도입하고 클라우드로 인프라를 이전하며 방대한 양의 데이터를 축적하는 데 성공했다. 그러나 생성형 AI의 진화와 함께 도래한 'AI 전환(AI Transformation, AX)'의 시대는 단순히 데이터의 양이나 디지털화 여부를 넘어선 새로운 차원의 역량을 요구하고 있다. DX가 업무의 효율성과 전산화에 초점을 맞췄다면, AX는 축적된 데이터를 바탕으로 AI가 스스로 추론하고 판단하여 비즈니스 모델 자체를 지능화하는 것을 목표로 한다.

 

AX 시대의 핵심 과제는 '단절된 정보'를 '연결된 지식'으로 전환하는 것이다.

단순히 데이터를 많이 가지고 있는 것은 AI에게 큰 도움이 되지 않는다. 흩어져 있는 데이터베이스, 문서, 로그들이 서로 어떤 맥락으로 연결되어 있는지 정의되어 있지 않다면, AI에게 그것은 의미 없는 텍스트의 나열일 뿐이다. 지식을 구조화한다는 것은 데이터 조각들 사이에 '관계'라는 다리를 놓아, AI가 A라는 사실을 통해 B를 유추하고, B와 상충되는 C를 걸러낼 수 있는 '맥락적 추론'의 기반을 마련해 주는 의미이다.

이는 확률에 의존하여 다음 단어를 예측하는 대규모 언어 모델(LLM)을, 인과관계를 이해하고 논리적으로 사고하는 '지능형 에이전트'로 진화시키는 필수적인 전제 조건이다.

 

 

LLM을 넘어선 다음 챕터, AI Agent (출처: 구글)

 

 

 

이러한 맥락에서 최근 연구들은 AI의 지능을 단순히 작업 수행 능력(Performance)으로 평가하는 것을 넘어, '존재론적 깊이(Ontological Depth)'로 재정의해야 한다고 제안한다.

진정한 지능은 단순히 기존 데이터를 재조합하거나 확률적으로 예측하는 일에 머무르는 것이 아니라, 새로운 구조를 생성하고, 상충되는 정보 간의 논리적 충돌을 조정하며, 시간의 흐름 속에서도 정체성과 맥락을 유지하는 깊이(Depth)의 문제라는 것이다. AI가 진정한 AGI로서 인간과 협업 가능한 '제2의 존재(Second Being)'가 되기 위해서는 단순한 정보 검색을 넘어 데이터 간의 모순을 해결하고 자신의 추론 과정을 설명할 수 있어야 한다는 철학적 고찰에 그 바탕을 두고 있다.

 

2. 지식의 구조화: Ontology와 Knowledge Graph

 

정보 과학적 관점에서 온톨로지는 특정 도메인 내에 존재하는 개념과 그들 간의 관계를 형식적으로 명시한 설계도이다.

흔히 혼동되는 분류 체계(Taxonomy)가 "인간은 포유류에 속한다"와 같은 단순한 계층적 구조에 집중한다면, 온톨로지는 훨씬 더 복잡하고 다차원적인 관계를 정의하는 그래프(Graph) 구조를 갖는다는 차이가 있다.

 

온톨로지는 데이터가 따라야 할 '스키마(Schema)'의 역할을 수행한다. 기업 내에서 '직원', '부서', '프로젝트'라는 클래스를 정의하고, '직원은 부서에 소속된다', '직원은 프로젝트를 관리한다'와 같은 관계 속성을 정의함으로써 현실 세계의 복잡성을 디지털 공간에 모델링한다. 이러한 정형화된 약속은 데이터의 사일로(Silo)를 타파하고 이질적인 시스템 간의 상호운용성을 보장하는 핵심 기제이다. 데이터가 서로 다른 시스템에 분산되어 있어도, 동일한 온톨로지를 참조한다면 기계는 이들이 같은 대상을 지칭함을 이해할 수 있다.

 

 

"Ontology + Data = Knowledge Graph"

 

지식 그래프는 온톨로지라는 추상적인 '틀'에 실제 현실 세계의 데이터, 인스턴스가 채워진 구체적인 형태를 의미한다.

예를 들어, 온톨로지가 "영화는 감독을 가진다"라는 추상적 규칙을 정의한다면, 지식 그래프는 "영화 <기생충>은 봉준호 감독에 의해 감독되었다"라는 구체적인 사실을 노드(Node)와 엣지(Edge)로 표현한다. 즉, 온톨로지가 스키마라면 지식 그래프는 그 스키마를 따르는 데이터베이스 인스턴스라고 볼 수 있는 것이다.

 

Knowledge Graph 예시 (출처: 구글)

 

 

지식 그래프의 가장 혁신적인 특징은 정보를 관계 중심적으로 저장한다는 점이다. 전통적인 관계형 데이터베이스(RDB)가 데이터를 테이블에 격리하고 필요할 때마다 조인 연산을 통해 비용을 들여 연결해야 하는 반면, 지식 그래프는 데이터가 저장되는 시점부터 이미 연결된 상태로 존재한다. 이는 복잡한 연관 관계를 탐색하는 쿼리 성능을 획기적으로 향상시키며, 데이터 간의 숨겨진 패턴이나 경로를 발견하는 데 최적화되어 있다.

 

이처럼 온톨로지와 지식 그래프는 단순한 데이터 저장소가 아니라 AI 시스템의 '지능'을 구성하는 핵심 기반이 된다. 최근 발표된 연구는 AI가 단순한 시뮬레이션을 넘어 실재하는 지능으로 기능하기 위해 세 가지 깊이 조건을 충족해야 한다고 주장한다.

생성

단순히 학습된 데이터를 검색하거나 재조합하는 것이 아니라, 새로운 범주나 개념을 능동적으로 구축하고 그 필요성을 정당화할 수 있어야 한다. 예를 들어, 기존에 없던 '초전도체 관련 신소재'라는 데이터가 들어오면, 그 카테고리가 기존의 것과 같은 지, 다른 지 파악하고, 필요하다면 이를 스스로 생성하고 정의하는 능력이다.

 

조정

상충되는 정보나 규칙이 충돌할 때, 이를 논리적으로 해결하고 일관성을 유지하는 능력이다. 서로 다른 두 문서에서 "A 약물은 B 질환에 효과적이다"와 "A 약물은 B 질환 환자에게 금기다"라는 정보가 동시에 발견될 때, 온톨로지의 상위 규칙이나 신뢰도 평가를 통해 모순을 해결하고 정합성을 갖춘 결론을 도출해야 한다.

 

지속

단발적인 질의응답을 넘어, 긴 호흡의 상호작용 속에서 논리의 일관성을 유지하고 과거의 맥락을 책임지는 능력이다. AI는 시간이 지나도 자신의 정체성과 판단 기준을 유지하며, 과거의 결정에 대한 책임을 질 수 있어야 한다.

 

이러한 이론적 배경과 조건들은 왜 엔터프라이즈 AI 플랫폼을 구축하기 어려운지를 명확히 보여준다. LLM은 확률적 생성 모델로서 텍스트를 이해하고 분류하는 능력은 이미 뛰어나지만, 새로운 개념을 정의하는 '생성'을 포함하여 논리적 모순을 해결하는 '조정'과 장기적 일관성을 유지하는 '지속' 측면에서 정합성을 갖추려면 적절한 제어가 필요해 보인다.

 

3. GraphRAG와 논리적 검증 체계

 

현재 기업이 생성형 AI를 활용하는 데 있어서 핵심 기술인 RAG(Retrieval-Augmented Generation)의 주류는 벡터 검색(Vector Search)기반이다. 이는 텍스트를 청크(Chunk) 단위로 쪼개고 이를 고차원 임베딩(Embedding) 벡터로 변환하여 코사인 유사도(Cosine Similarity)를 기반으로 검색하는 방식이다. 이 방식은 "유사한 단어나 문맥을 가진 문장"을 찾는 데는 매우 효율적이고 구축이 간편하다는 장점이 있다.

 

그러나 Vector RAG는 다음과 같은 구조적 한계에 봉착한다:

 

1.  파편화된 맥락: 문서를 작은 조각으로 나누면서 전체적인 서사나 구조적 정보가 소실된다. 검색된 청크들이 서로 어떻게 연결되는지 알 수 없다.

 

2. 관계 추론의 부재: "A가 B의 원인이고, B가 C에 영향을 미칠 때, A는 C와 어떤 관계인가?"와 같은 고도화된 Multi-hop 추론이 불가능하다. 벡터 공간에서의 거리는 의미적 유사성을 나타낼 뿐, 인과관계나 논리적 연결을 보장하지 않기 때문이다.

 

3. 설명 불가능성(Black Box): 왜 특정 문서가 검색되었는지, 그 결과가 논리적으로 타당한지에 대한 설명이 어렵다. 이는 AI의 답변을 신뢰할 수 없게 만드는 주요 원인이다.

 

GraphRAG는 이러한 문제를 해결하기 위해 지식 그래프를 검색 과정에 통합한다. 텍스트를 벡터로만 변환하는 것이 아니라, 텍스트 내의 엔티티와 관계를 추출하여 그래프 구조로 저장하고, 검색 시에는 그래프 탐색을 통해 정보를 수집한다. 이는 정보의 '의미적 유사성'뿐만 아니라 '구조적 연결성'을 동시에 고려하는 방식이다.

 

GraphRAG의 핵심 차별점은 검색 과정이 "Trust Me"에서 "Prove It"으로 전환된다는 점이다. 벡터 기반 검색이 "비슷한 것 같아서 가져왔어"라고 한다면, 그래프 기반 검색은 "A와 B가 C라는 관계로 연결되어 있고, C는 D의 하위 개념이기 때문에 가져왔어"라고 명확한 경로를 제시한다.

실제로 복잡한 비즈니스 질문은 단일 문서나 단일 사실만으로는 답변할 수 없는 경우가 많다. 예를 들어 "공급망 지연에 영향을 미치는 2차 공급업체 중 재무적 위험이 높은 곳은 어디인가?"라는 질문에 답하기 위해서는 [공급업체] - [납품 부품] - [생산 라인] - [최종 제품]으로 이어지는 공급망 관계와, [공급업체] - [재무 제표] - [신용 등급]으로 이어지는 재무 관계를 동시에 추적해야 한다. GraphRAG는 이러한 관계의 사슬, 논리적 흐름을 따라 이동하며 적절한 근거를 검색한다.

 

마이크로소프트 리서치가 제안한 GraphRAG 방법론은 그래프의 '커뮤니티 감지' 알고리즘(예: Leiden, Louvain)을 활용한다. 전체 지식 그래프를 밀집된 하위 그룹(Community)으로 나누고, LLM을 통해 각 커뮤니티의 요약문을 생성한다. 이렇게 생성된 요약문은 상위 레벨의 커뮤니티로 다시 요약되는 계층적 구조를 형성한다. 사용자가 "전체 데이터셋에서 논의된 주요 테마는 무엇인가?"와 같은 포괄적인 질문(Global Query)을 던질 때, GraphRAG는 개별 노드를 검색하는 대신 상위 레벨의 커뮤니티 요약본을 활용하여 전체 맥락을 아우르는 답변을 생성할 수 있다.

 

금융이나 의료와 같이 규제가 엄격한 산업에서는 AI의 답변에 대한 근거 추적이 필수적이다. 지식 그래프 기반의 RAG는 답변의 생성 경로를 시각화하여 보여줄 수 있다. 답변 -  증거 - 원본 문서로 이어지는 명확한 추적 가능성은 규제 준수를 가능하게 하며, 시스템의 공정성을 입증하는 데 기여한다. 무엇보다 사용자는 그래프 시각화를 통해 AI가 어떤 경로를 통해 결론에 도달했는지 직관적으로 이해할 수 있다.

 

4. Knowledge Graph 구축 파이프라인

 

GraphRAG가 효과적으로 작동하기 위해서는 무엇보다 고품질의 지식 그래프가 구축되어야 한다. 대부분의 기업 데이터는 비정형 텍스트 형태이므로, 이를 구조화된 그래프로 변환하는 파이프라인설계가 시스템의 성패를 좌우한다. 비정형 텍스트를 지식 그래프로 변환하는 과정은 일반적인 ETL(Extract, Transform, Load)보다 훨씬 복잡한 인지적 처리를 요구한다.

청킹(Chunking)

긴 문서를 처리 가능한 단위로 분할한다. 단순한 길이 기반 분할은 문맥을 끊어버릴 위험이 크므로, 문단이나 의미 단락을 고려한 '재귀적 문자 분할'과 같은 방법론을 주로 사용하며, 최근에는 LLM을 활용한 청킹 또한 제안되고 있다. 각 청크는 원본 문서와의 연결 고리를 유지해야 나중에 출처 추적이 가능하다.

상호 참조 해결

텍스트 내에서 "그는(He)", "그 회사는(The company)", "이 프로젝트는(It)"과 같은 대명사가 가리키는 구체적인 엔티티를 찾아 복원한다. 예를 들어 "엘론 머스크는 테슬라의 CEO다. 그는 스페이스X도 설립했다."라는 문장에서 '그'를 '엘론 머스크'로 치환하지 않으면, 그래프 상에서 '엘론 머스크'와 '스페이스X'의 관계가 끊어지게 된다. 이는 그래프의 연결성(Connectivity)을 확보하는 데 결정적인 단계이다.

개체명 인식(NER) 및 엔티티 링킹(Entity Linking)

지식 그래프의 가장 핵심 중의 핵심이다. 텍스트에서 인물, 조직, 위치, 날짜 등의 고유 명사를 추출한다. 추출된 엔티티는 위키피디아나 사내 온톨로지 속 고유 ID와 매핑되어야 한다. '애플(Apple)'이 과일인지 IT 기업인지 구분하고, '잡스'가 '스티브 잡스'임을 식별하여 중복 노드 생성을 방지하고 데이터의 정체성을 확립한다.

관계 추출

엔티티 간의 의미적 관계를 주어-술어-목적어(Subject-Predicate-Object) 형태의 트리플(Triple)로 추출한다. 예를 들어 (Steve Jobs, founded, Apple)과 같은 형태이다. 이 단계에서 온톨로지 스키마가 가이드라인 역할을 하여, 정의되지 않은 관계가 무분별하게 생성되는 것을 방지해야 한다.

 

과거에는 이러한 파이프라인 구축을 위해 각 단계별로 별도의 NLP 모델을 학습시켜야 했으나, 최근 기술의 발전은 이 과정을 획기적으로 간소화하고 있다.

 

1. GLiNER (Generalist Lightweight NER)

전통적인 NER 모델은 사전에 정의된 몇 가지 태그(Person, Org 등)만 인식할 수 있었으나, GLiNER는 제로샷(Zero-shot) 방식을 사용하여 사용자가 임의로 정의한 온톨로지 레이블을 훈련 없이도 인식할 수 있다. 예를 들어 "이 문서에서 '약물', '부작용', '투여량'을 찾아줘"라고 요청하면 별도의 학습 없이 해당 엔티티를 추출한다. 이는 도메인 특화 지식 그래프를 구축할 때 비용과 시간을 획기적으로 절감해준다.

 

2. LLM 기반의 생성적 온톨로지(Generative Ontology)

NER 기술의 끝판왕 LLM 자체가 텍스트에서 스키마를 추론하고 그래프를 생성하는 데 활용된다. 하지만 LLM을 통해 모든 텍스트를 처리하는 것은 시간 등 비용이 많이 든다. 이를 해결하기 위해 정적 데이터베이스(RDB)의 스키마를 1차 온톨로지 뼈대로 먼저 자동 변환하고, LLM은 비정형 텍스트에서 이 뼈대를 보강하거나 최신 정보를 추가하는 데 활용하는 '하이브리드' 방식이 가장 현실적인 대안으로 주목받고 있다. 또한, LLM의 Hallucination을 통제할 전/후 처리 기법들과 생성된 온톨로지를 검수하여 조건을 충족할 때까지 반복 생성하는 루프도 많이 쓰이는 추세이다. 물론, 비효율이 부정확한 결과보다 낫기에 사람이 검증하는 것이 가장 효과적인 것이긴 하다.

 

5. 사례 분석 1: Neo4j

 

Neo4j는 그래프 데이터베이스 시장의 선구자로서, GraphRAG 구현을 위한 강력한 도구와 유연한 개발자 생태계를 제공한다. Neo4j의 접근 방식은 '데이터베이스'로서의 본질에 충실하며, 개발자가 직접 아키텍처를 구성할 수 있는 자유도를 강조한다. Neo4j는 그래프 데이터베이스 내에 벡터 인덱스를 내장하여, 별도의 벡터 DB 없이도 하이브리드 검색(Vector + Graph)을 단일 시스템에서 수행할 수 있게 지원한다. 이는 데이터 이동에 따른 지연 시간을 줄이고 운영 복잡성을 낮춘다.

 

Neo4j (출처: Neo4j use case)

 

1. Cypher 쿼리 언어

SQL과 유사하지만 그래프 패턴 매칭에 최적화된 Cypher 언어를 통해 직관적으로 복잡한 관계를 질의할 수 있다. 최근에는 자연어 질의를 Cypher 쿼리로 자동 변환해주는 Text2Cypher 기술이 발전하여, LLM이 사용자의 자연어 질문을 이해하고 정확한 그래프 데이터베이스 쿼리를 생성하여 실행하는 능력이 발전하고 있다.

 

2. Graph Data Science (GDS)

Neo4j는 단순 저장소를 넘어, 60여 개 이상의 그래프 알고리즘(PageRank, Community Detection, Node Similarity 등)을 라이브러리 형태로 제공한다. 이를 통해 RAG 시스템에서 단순히 연결된 정보를 가져오는 것을 넘어, '네트워크 내 영향력 있는 인물', '유사한 행동 패턴을 보인 집단', '최적 경로' 등을 분석하여 검색 결과의 품질을 고도화할 수 있다고 한다.

 

6. 사례 분석 2: 팔란티어(Palantir)

 

Palantir Technologies는 Neo4j와 달리 단순한 데이터베이스 툴킷이 아닌, 기업의 전사적 운영 체제(Operating System)를 표방한다. Palantir의 핵심 철학은 "데이터를 의사결정으로 전환한다"는 것이며, 그 중심에는 Foundry Ontology와 AIP(Artificial Intelligence Platform)가 있다. Palantir의 온톨로지는 정적인 데이터 관계만을 정의하는 기존의 개념을 넘어선다. 그것은 조직의 데이터, 로직, 행동을 통합하는 동적인 디지털 트윈(Digital Twin) 모델을 표방하는 것이다.

 

 

팔란티어 Foundry (출처: 구글)

 

 

팔란티어 공식 문서에 따르면, 그들의 온톨로지는 단순한 데이터 저장소가 아니라 시맨틱(Semantic), 키네틱(Kinetic), 다이내믹(Dynamic) 속성을 가진 핵심 엘리먼트(Core Elements)들의 집합체로 정의된다. 이 엘리먼트들은 서로 결합하여 현실 세계를 디지털로 완벽하게 복제하고 제어하는 4단계 프로세스를 구현한다.

 

1. 시맨틱 엘리먼트 (Semantic Elements): 객체와 링크

가장 기초가 되는 구성 요소는 객체(Object)와 링크(Link)이다. 객체는 ERP, CRM, IoT 센서 등 파편화된 원천 데이터를 '공장', '제품', '고객'과 같은 비즈니스 개념으로 정의한 최소 단위이며, Table_A 같은 IT 용어가 아닌 실물 자산으로 매핑된다.

링크는 객체와 객체 사이의 관계(예: '고객'이 '제품'을 '주문'함)를 정의하여 데이터의 맥락을 형성한다. 이 시맨틱 엘리먼트들이 모여 기업의 자산 지도를 그린다.

 

2. 키네틱 엘리먼트 (Kinetic Elements): 액션

정적인 데이터 모델에 움직임을 부여하는 것은 액션 엘리먼트다. 이것이 팔란티어를 '키네틱(Kinetic, 동적)'이라 부르는 이유다. 먼저 Write-back이 있다. 이는 액션 엘리먼트는 사용자의 입력을 받아 하위 시스템(SAP, Salesforce 등)에 데이터를 다시 쓰는(Write-back) 기능을 수행한다. 또한, 이는 단순히 데이터를 수정하는 것을 넘어, "발주 버튼을 누르면 - ERP에 기록하고 - 담당자에게 이메일을 보내고 - 재고 수치를 갱신한다"는 일련의 작업 흐름(Orchestration)을 정의한다.

 

3. 로직 엘리먼트 (Logic Elements): 함수 (Function)

미래 예측과 시뮬레이션을 담당하는 것은 로직 엘리먼트의 함수이다. 이는 내재화된 로직으로, "재고가 10% 미만이면 경고"와 같은 비즈니스 규칙이나, ML 기반의 예측 모델이 온톨로지 함수로 등록된다. 또한, 이는 시뮬레이션 기능이 있다. 이 함수들은 실시간 데이터와 결합하여 "공급망 중단 시 파급 효과"와 같은 시나리오를 계산하고, 운영망에 영향을 주지 않는 가상 공간에서 결과를 검증하게 해준다.

 

 

위와 같은 온톨로지에 LLM이 탑재된 플랫폼이 AIP이다. 이는 노코드(No-code) 환경에서 LLM 블록, 데이터 쿼리 툴, 계산 로직, 행동 트리거 등을 레고 블록처럼 조립하여 복잡한 에이전트 워크플로우를 구축할 수 있게 해준다. Palantir AIP의 에이전트는 LLM을 온톨로지 위에 얹은 형태로, 자연어로 기업의 복잡한 운영을 제어할 수 있게 한다.

예를 들어, 사용자가 "현재 허리케인 경로 상에 있는 물류 창고 중 재고가 부족할 것으로 예상되는 곳을 파악하여, 인근 안전 지역의 창고에서 물자를 재배분하라"고 자연어로 지시할 수 있다. 이때 AIP 에이전트는 다음과 같은 과정을 수행한다:

 

1. Data Retrieval: 온톨로지를 통해 실시간 기상 데이터와 창고 위치, 재고 현황 객체를 조회한다.

2. Reasoning & Logic: 재고 부족분을 계산하고, 최적의 운송 경로를 계산하는 알고리즘을 호출하여 대안을 수립한다.

3. Human-in-the-loop: 수립된 대안을 사용자에게 제시하고 승인을 요청한다.

4. Action Execution: 사용자가 승인하면, 물류 시스템에 운송 지시를 내리는 Action을 실행한다.

 

팔란티어 map 애플리케이션 (출처: 팔란티어)

 

Palantir와 NVIDIA의 협력 사례인 Lowe's의 공급망 최적화 프로젝트는 온톨로지의 위력을 잘 보여준다. 기존에 일주일이 걸리던 전사적 공급망 최적화 과정을 실시간으로 수행하며, 온톨로지에 통합된 수만 개의 제약 조건과 실시간 물류 데이터를 바탕으로 재난 상황 시 물류를 자동으로 우회 경로로 재설정할 수 있다고 한다.

또한 미국 재난 대응 시스템에서는 FEMA와 여러 기관의 파편화된 데이터를 통합 온톨로지로 묶어, 재난 발생 시 필요한 물자의 수요를 예측하고, 각기 다른 기관의 에이전트들이 실시간으로 자원을 배분하도록 조율한다. 여기서 온톨로지는 기관 간의 '공통 언어' 역할을 하여 상호운용성을 보장하며, 긴급 상황에서의 혼선을 방지하는 '조정' 기능을 수행한다.

 

7. 결론: 구조화된 지식을 통한 AI 전환

 

데이터 간의 관계를 정의하고 논리적 검증 체계를 구축하는 것은 엔터프라이즈 AX의 필수 요소로 떠오르고 있다. 온톨로지와 지식 그래프는 AI에게 '세상을 이해하는 지도'를 제공하며, GraphRAG는 이 지도를 바탕으로 길을 찾는 나침반 역할을 한다. '지능형 에이전트' 로 나아가는 데 있어서 중요한 것은 AI를 단순한 '문장 생성기'로 바라보는 시각에서 벗어나, 조직의 고유한 지식을 구조화하고, 검증하며, 이를 바탕으로 실질적인 행동을 이끌어내기 위한 노력이다.

 

결국 온톨로지, 그것을 바탕으로 그려지는 Knowledge Graph는 AI 활용을 한 차원 더 높은 영역으로 끌어올려준다. 그것이 가져오는 효과가 더 확실한 만큼, 그것을 구축하는 것은 매우 어렵고 비용이 많이 든다. 따라서 해결하고자 하는 구체적인 특정 문제에 맞춰 적용하여 성공 사례를 축적한 뒤 점진적으로 확장하는 방안이 좋을듯 하다.

 

그리고 결국 Garbage In, Garbage Out은 이 GraphRAG에서도 마찬가지이다. 온톨로지와 Graph가 잘 짜여있어야 에이전트가 수행하는 검색이 잘 되고 정확한 답변 및 행동도 가능해진다. 따라서 인간 전문가가 주기적으로 검증하고, 피드백을 즉각 적용하여 잘못된 연결을 수정하는 루프가 시스템 내에 포함되어야 한다. 이는 앞서 논의한 지능의 '지속' 조건을 만족시키기 위한 필수 요소일 것이다.

진정한 데이터 인텔리전스는 방대한 데이터의 양이 아니라, 그 데이터들이 얼마나 논리적으로 구축되어 있는지, 그 논리적 연결 구조가 얼마나 투명하게 설명될 수 있는지에 달려 있다고 본다. 앞으로의 경쟁력은 LLM 모델의 성능 차이가 아닌 그 모델이 참조할 수 있는 '구조화된 지식'의 깊이와 품질에서 판가름 날 것이라 감히 예상해 본다.

 

 

참고 문헌

 

Andrew Ng & Data-Centric AI

• LandingAI. Data-Centric AI: A Data-Driven Machine Learning Approach.
• Andrew Ng (DeepLearning.AI). The Data-Centric AI Competition and ongoing lectures. 

Ontology & Structural Intelligence

• W3C. OWL 2 Web Ontology Language Document Overview. 
• Google Cloud Blog. What is a Knowledge Graph?
• Harvard Business Review. Why Your Company Needs a Data Strategy. 

Microsoft Research & GraphRAG

• Microsoft Research Blog. GraphRAG: Unlocking LLM discovery on narrative private data.
• Edge et al. (ArXiv 2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization.

Logic & Reasoning

• Medium (Towards Data Science). Graph RAG vs. Vector RAG: A Comparative Analysis.
• LlamaIndex Blog. A Guide to GraphRAG with Knowledge Graphs.

Extraction Technologies

• ArXiv (2023). GLiNER: Generalist Model for Named Entity Recognition using Bidirectional Transformer.
• ACL Anthology. Relation Extraction with Large Language Models.

Generative Ontology

• Neo4j Developer Blog. Constructing Knowledge Graphs from Unstructured Text using LLMs.
• Unstructured.io. Preprocessing Pipelines for RAG.

Neo4j Technologies

• Neo4j Product Page. Neo4j Graph Data Science & Vector Index.
• Neo4j Whitepaper. The Definitive Guide to Graph Data Science.

Applications

• Neo4j Case Studies. Real-time Recommendation & Fraud Detection.
• Medium (Neo4j Engineering). Text2Cypher: Converting Natural Language to Graph Queries.

Palantir AIP & Foundry

• Palantir Technologies. AIP (Artificial Intelligence Platform) Product Overview.
• Palantir Blog. The Ontology: The Operating System for the Modern Enterprise.

Real-world Use Cases

• Palantir AIPCon Presentations. Lowe’s Supply Chain Optimization with AIP.
• Palantir Federal Reports. Disaster Response & Inter-agency Coordination.