지식 그래프 및 도메인 온톨로지 엔지니어링

당신의 AI는 자신이 모르는 것에 대해 추론할 수 없습니다

벡터 검색은 비슷하게 들리는 것을 찾습니다. 지식 그래프는 참인 것을 찾습니다. 그 구분이 바로 추측하는 AI 시스템과 추론하는 AI 시스템의 차이입니다.

임상 벤치마크가 이를 구체적으로 보여줍니다. 온톨로지 구조의 지식 그래프에 기반한 LLM은 환각률을 63%에서 1.7%로 낮췄으며, 벡터 전용 검색은 복잡한 지식 작업에서 정확도가 약 70%에서 정체되는 반면 하이브리드 벡터 플러스 그래프 방식은 85% 이상을 달성했습니다( 헬스케어에서의 근거 기반 AI에 관한 당사 연구 참조).

지식 그래프를 시도하는 대부분의 팀은 결국 전혀 다른 것을 만들게 됩니다. 형식 시맨틱도, 추론 능력도, 출처 추적도 없는 Neo4j의 레이블드 프로퍼티 그래프입니다. 그것은 데이터베이스이지 지식 그래프가 아닙니다. 스키마 설계자가 예상하지 못한 질문에 답해야 하거나, AI 출력을 그 원천 사실까지 역추적해야 하거나, 모든 다운스트림 소비자를 망가뜨리지 않고 도메인 모델을 진화시켜야 할 때까지는 작동합니다.

당사의 접근 방식은 진짜를 구축하는 것입니다. 추론이 가능한 형식 온톨로지, 트리플 수준의 출처 추적을 갖춘 프로덕션 그래프 인프라, 그리고 도메인이 필연적으로 변화할 때 지식을 최신 상태로 유지하도록 설계된 유지관리 프레임워크입니다.

프로퍼티 그래프, RDF 트리플 스토어, 아니면 둘 다: 올바른 아키텍처 선택하기

Neo4j 대 RDF 논쟁은 마땅한 것보다 더 많은 엔지니어링 사이클을 소모하는데, 대개 요구사항이 이해되기 전에 결정이 내려지기 때문입니다.

RDF의 진가는 자동 추론에 있습니다. MAO 억제제와 상호작용하는 모든 약물이 SSRI 환자에게 금기라고 선언하면, 추론기가 수작업 열거 없이 모든 구체적 금기 사항을 추론해 냅니다.

당사의 접근 방식은 형식 온톨로지가 추론과 컴플라이언스를 위해 RDF 스토어에 존재하고 프로퍼티 그래프가 순회 쿼리를 처리하며, 동기화 계층이 이들의 일관성을 유지하는 하이브리드 시스템을 선호합니다. 여기에 시맨틱 유사도를 위한 벡터 임베딩(TransE, CompGCN 또는 그래프 신경망)을 더하면, 정확한 매칭, 논리적 추론, 퍼지 유사도를 하나의 파이프라인에서 처리하는 검색 시스템을 얻게 됩니다.

온톨로지 엔지니어링: 모두가 과소평가하는 부분

그래프 데이터베이스를 구매하는 것은 쉽습니다. 그것을 유용하게 만드는 온톨로지를 구축하는 것이 프로젝트가 멈추는 지점입니다. 도메인 온톨로지는 도메인에 무엇이 존재하는지, 사물이 어떻게 관계를 맺는지, 그리고 그 관계를 지배하는 제약이 무엇인지에 대한 형식 명세입니다.

이를 제대로 해내려면 좀처럼 공존하지 않는 두 종류의 전문성이 필요합니다. 깊은 도메인 지식(제약 규제 전문가가 IDMP 물질 분류에 대해 아는 것)과 형식 지식 표현 기술(그 지식을 추론 병목을 만들지 않고 OWL 2 DL로 표현하는 방법)이며, 이는 규제된 임상 도메인에서의 뉴로-심볼릭 AI에 관한 당사 백서에 자세히 설명되어 있습니다.

역량 질문에서 시작하십시오

당사의 온톨로지 엔지니어링 프로세스는 역량 질문에서 시작합니다. 즉 지식 그래프가 반드시 답할 수 있어야 하는 구체적인 쿼리들입니다. "약물 안전성 분석 지원" 같은 모호한 요구사항이 아니라, "환자의 복약 목록과 신규 처방이 주어졌을 때, 대사 경로 상호작용을 통한 모든 전이적 금기 사항을 200밀리초 이내에 식별하라"와 같은 정밀한 요구사항입니다. 이러한 역량 질문이 모든 모델링 결정을 이끌며 온톨로지 진화를 위한 회귀 테스트 스위트가 됩니다.

올바른 형식체계 선택하기

당사는 작업에 맞는 올바른 형식체계를 선택합니다:

• OWL 2 DL — 완전한 서술 논리 추론이 필요한 도메인(제약, 법률, 규제).
• OWL 2 EL — 다루기 쉬운 분류가 중요한 대규모 온톨로지(SNOMED CT는 350,000개 이상의 개념을 가지고 있으며 EL에서 문제없이 실행됨).
• SKOS — 논리적 추론은 필요 없지만 계층과 레이블이 필요한 분류 체계와 통제 어휘.
• SHACL — 온톨로지와 나란히 자리하는 데이터 검증 규칙에 대한 제약.

대부분의 프로덕션 시스템은 여러 형식체계를 조합하여 사용하며, 어떤 것을 어디에 적용할지 아는 것이 엔가지먼트가 제공하는 상당 부분입니다.

엔티티 해석: 아무도 계획하지 않는 3배 예산 배수

지식 그래프가 데이터를 추론하기에 앞서, 그 데이터는 정제되고, 중복 제거되고, 연결되어야 합니다. 엔티티 해석 — "JPMorgan Chase", "JP Morgan", "JPMC", "J.P. Morgan Chase & Co."가 동일한 엔티티임을 판별하는 것 — 은 간단해 보이지만 기업 규모에서는 실제로 어렵습니다.

이질적인 소스가 많아질수록 어려움은 배가됩니다. 10~15개의 서로 다른 소스 시스템의 지식을 병합한다는 것은 충돌하는 스키마, 서로 다른 식별자 관례, 제각각인 데이터 품질, 그리고 시간적 불일치(한 시스템은 회사가 3분기에 인수되었다고 하고, 다른 시스템은 4분기라고 함)를 다룬다는 뜻입니다. 팀들은 일상적으로 엔티티 해석 비용을 3~5배 과소평가합니다.

당사는 규칙 기반 매칭, 학습된 유사도 모델, 그리고 엣지 케이스에 대한 인간 참여형 검증을 결합한 엔티티 해석 파이프라인을 설계합니다. 이 파이프라인은 모든 소스 레코드로 역추적되는 출처 링크를 갖춘 정규 엔티티 그래프를 출력하도록 설계되어, 두 레코드가 왜 병합되었는지 또는 왜 분리 유지되었는지를 항상 추적할 수 있습니다.

이 출처 체인은 다음과 같은 프레임워크 하에서 규제 추적성을 위해 매우 중요해집니다: EU AI법. 제12조~제13조는 고위험 AI 시스템에 공급되는 데이터의 계보를 입증할 것을 요구합니다.

지식 그래프 프로젝트가 실패하는 이유(그리고 이를 피하는 방법)

업계의 실패 패턴은 잘 기록되어 있습니다: 기업 생성형 AI 파일럿의 95%가 실패하며, 지식 그래프 프로젝트에는 그 나름의 구체적인 실패 유형이 있습니다.

1. PoC 함정. 선별된 데이터셋과 단순한 스키마로 소규모 개념 증명이 성공하자, 경영진이 전면 구축을 승인합니다. 그런 다음 팀은 실제 데이터가 10배 더 지저분하고, 온톨로지에 50배 더 많은 개념이 필요하며, 그들이 최적화한 쿼리 패턴이 실제 사용 사례의 30%만 다룬다는 것을 발견합니다. 당사의 접근 방식은 첫날부터 프로덕션 데이터 샘플과 실제 쿼리 워크로드를 중심으로 엔가지먼트의 범위를 정합니다.
2. 과잉 공리화. 학문적 배경을 가진 온톨로지 엔지니어들이 가능한 모든 공리와 제약을 추가하면, 추론기가 적당한 규모의 지식 베이스에서도 초 단위에서 시간 단위로 느려집니다. 당사는 추론기 성능을 조기에 그리고 지속적으로 프로파일링하며, 최소 공리화 원칙을 적용합니다. 즉 특정 역량 질문에 기여할 때만 제약을 추가합니다.
3. 온톨로지 드리프트. 지식 그래프가 출시되어 잘 작동하다가, 도메인이 진화하면서 서서히 저하됩니다 — SNOMED CT는 분기별 업데이트를 배포하고, 규제 분류 체계가 바뀌며, 새로운 제품 범주가 등장하는데 아무도 유지관리를 담당하지 않습니다. 엔가지먼트는 변경 감지, 영향 분석, 회귀 테스트를 갖춘 온톨로지 유지관리 프레임워크를 산출하도록 범위가 정해지며, 배포 전에 모든 새로운 개념이나 관계를 전체 역량 질문 스위트에 대해 검증합니다.
4. 경영진 소유권 부재. 지식 그래프는 인프라입니다 — 다운스트림 AI 역량을 가능하게 하지만 그 자체로는 눈에 보이는 기능을 만들어내지 않습니다. 그래프 품질을 비즈니스 성과(환각 감소, 더 빠른 컴플라이언스, 더 나은 약물 상호작용 탐지)와 연결하는 경영진의 후원 없이는, 프로젝트가 2년 차에 자금 지원을 잃습니다. 당사는 팀이 구체적인 사용 사례에 연결된 정량적 지표로 비즈니스 케이스를 구축하도록 돕습니다.

지식 그래프를 LLM, RAG, 에이전틱 AI에 연결하기

Microsoft의 GraphRAG(그리고 추출 비용을 원래의 0.1%로 줄이는 비용 절감형 LazyGraphRAG 변형)는 그래프 구조 검색이 복잡한 다중 홉 쿼리에서 벡터 전용을 능가함을 입증했습니다. 하지만 프로덕션 GraphRAG는 논문이 시사하는 것보다 어렵습니다. 커뮤니티 탐지가 검색 아티팩트를 만들고, 추출 파이프라인은 도메인별 튜닝이 필요하며, 내장된 출처 추적이 없습니다.

당사는 검색된 모든 사실이 그 원천 트리플, 신뢰도 점수, 시간적 유효성을 지니는 KG 기반 검색을 설계합니다. LLM이 주장을 생성하면, 시스템은 이를 그래프에 대해 검증하고 이를 뒷받침하거나 반박하는 구체적인 트리플을 인용합니다( 그래프에 대한 인용 검증의 작동 데모 참조). 벡터 RAG에서는 "모델이 유사한 구절을 찾았다"가 얻을 수 있는 가장 강력한 귀속입니다.

에이전트가 접근 가능한 도구로서의 지식 그래프

에이전틱 AI 아키텍처에서 지식 그래프는 도구로 접근 가능한 지식 소스 역할을 합니다. Neo4j는 2026년 4월 Google Cloud에서 에이전틱 시스템을 위한 지식 계층을 출시했으며, 에이전트와 지식 간의 커넥터 표준으로서 모델 컨텍스트 프로토콜(MCP) 채택이 가속화되고 있습니다.

당사의 접근 방식은 첫날부터 에이전트가 쿼리할 수 있는 지식 그래프를 구축하는 것입니다. AI 에이전트가 도메인 지식을 프롬프트 주입이 아니라 도구 호출로서 접근하게 해주는 SPARQL 엔드포인트, 구조화된 API, 또는 MCP 호환 인터페이스를 갖추며, 이 접근 방식은 기업 AI 에이전트를 위한 책임 방화벽에 관한 당사 연구에 자세히 설명되어 있습니다.

당사가 제공하는 것

모든 엔가지먼트는 귀사의 도메인, 데이터 환경, 다운스트림 AI 요구사항에 맞게 범위가 정해집니다. 제공물에는 다음이 포함됩니다:

• 자동 추론기로 검증된 형식 도메인 온톨로지(OWL, 완전 주석 처리).
• 구조화 및 비구조화 소스를 위한 수집 파이프라인을 갖춘 채워진 지식 그래프.
• 완전한 출처를 갖춘 엔티티 해석 서비스.
• 데이터 검증을 위한 SHACL 제약 정의.
• 온톨로지 진화를 위한 회귀 테스트로서의 역량 질문 테스트 스위트(SPARQL 또는 Cypher 패턴).
• RAG, LLM 근거화, 또는 에이전틱 AI 도구 접근을 위한 통합 인터페이스.
• 변경 감지와 버전 관리 배포를 갖춘 온톨로지 유지관리 프레임워크.

당사는 또한 더 단순한 접근 방식이 동등하게 도움이 될 수 있는 지점에 대한 솔직한 평가를 제공합니다.