온톨로지 구축노트 1 : LLM이 다시 온톨로지를 보는 이유
모델은 점점 똑똑해지는데 "왜 이 답인지"를 설명하지 못하는 문제는 그대로입니다. 지식의 양이 아니라 구조가 없기 때문입니다. 온톨로지가 무엇이고, 흔히 혼용되는 분류 체계·지식 그래프와는 어떻게 다른지부터 정리합니다.
답은 잘하는데, 근거를 못 댑니다
현장에서 LLM을 붙여보면 초반의 감탄은 오래가지 않습니다. 요약도 잘하고 문장도 매끄러운데, 실제 업무에 넣는 순간 같은 질문이 나옵니다. "이 답의 근거가 무엇입니까?" 여기서 멈추는 조직이 대부분입니다.
문제의 원인은 대개 모델의 크기가 아닙니다. 모델은 강력하지만, 그 안에 구조화된 지식이 없습니다. 그래서 다음 네 가지가 반복해서 나타납니다.
환각(hallucination)
그럴듯하지만 사실과 다른 답을 만들어냅니다. 문장의 자연스러움과 내용의 정확성은 별개입니다.
근거·출처의 부재
왜 그 답이 나왔는지 설명하거나 추적할 수 없습니다. 검증이 필요한 업무에서는 이것만으로 도입이 막힙니다.
도메인 정확성·최신성
지식이 파라미터 안에 갇혀 있습니다. 조직의 용어와 최신 사실을 반영하기 어렵습니다.
다단계 추론(multi-hop)
흩어진 사실을 여러 단계로 연결해 결론을 내는 일에 약합니다. 한 번에 떠오르지 않는 답은 잘 나오지 않습니다.
이 네 가지 빈칸을 메우는 방법으로 다시 주목받는 것이 온톨로지와 지식 그래프입니다. 지식을 문장으로 학습시키는 대신 개념과 관계를 명시적인 구조로 적어두는 방식입니다.
온톨로지란 무엇인가
가장 널리 쓰이는 정의는 1998년 Studer 등이 제시한 것으로, 온톨로지를 "공유된 개념화에 대한 형식적·명시적 명세"라고 봅니다. 한 문장에 네 개의 조건이 들어 있습니다.
개념화(conceptualization)
특정 영역에서 필요한 개념만 추려낸 추상 모델입니다. 세상 전부가 아니라 그 도메인이 대상입니다.
명시적(explicit)
개념의 유형과 제약을 분명히 규정합니다. 암묵적으로 통용되던 전제를 문서 위로 끌어올립니다.
형식적(formal)
기계가 읽고 처리할 수 있는 형식으로 적습니다. 사람만 이해하는 정의서는 여기에 해당하지 않습니다.
공유된(shared)
개인의 지식이 아니라 집단이 합의한 지식입니다. 합의가 없으면 같은 용어가 팀마다 다른 뜻으로 쓰입니다.
한 분야의 개념과 관계를, 사람과 기계가 똑같이 이해하도록 명확히 합의해서 적어둔 것
온톨로지를 한 문장으로 옮기면
정의를 외울 필요는 없습니다. 실무에서 남는 의의는 하나입니다. 온톨로지는 사람과 기계가 함께 쓸 수 있는 도메인에 대한 공통 이해를 제공합니다.
지식의 최소 단위, Triple
구성요소를 보기 전에 한 가지 단위를 먼저 봐야 합니다. 구조화된 지식은 주어–서술어–목적어 세 요소의 연결로 표현됩니다. 이 한 줄을 Triple이라고 부르고, Triple 하나가 사실 하나입니다.
여기까지는 문법입니다. 문법만으로는 지식이 되지 않습니다. Triple이 쌓이기 시작하면 그다음 질문이 나옵니다. 무엇을 개념으로 볼 것이며, 무엇을 실제 데이터로 볼 것인가.
네 가지 구성요소, 그리고 두 개의 층
Triple이 쌓이면 OWL2 기준으로 네 가지 구성요소로 정리됩니다. 병원 진료 시스템을 예로 들면 이렇습니다.
| 구성요소 | 의미 | 예시 |
|---|---|---|
| Class · 클래스 | 개념의 집합 — 세상을 범주로 나눈다 | Doctor · Patient · Drug |
| Property · 속성 | 개체 간, 또는 개체와 값 사이의 관계 | treats : Doctor → Patient |
| Individual · 개체 | 범주를 채우는 실제 인스턴스 | 김철수 a Doctor |
| Axiom · 공리 | 개념 간 규칙·제약 — 추론의 근거 | Surgeon subClassOf Doctor |
네 가지는 다시 두 개의 층으로 나뉩니다. 어떤 개념·관계·규칙이 존재하는가를 정의한 TBox(개념의 틀, 스키마)와, 그 틀을 채우는 실제 사실인 ABox(개체, 데이터)입니다. TBox는 잘 변하지 않는 구조이고, ABox는 계속 늘어나고 바뀌는 데이터입니다.
비유하자면 Class는 붕어빵 틀이고 Individual은 팥 붕어빵, 슈크림 붕어빵입니다. 하나의 틀에서 여러 개체가 만들어집니다. 이 구분이 왜 중요한지는 2편에서 본격적으로 다룹니다.
공리가 있으면 기계가 추론합니다
Property는 개체를 잇는 관계입니다. 개체와 개체를 잇는 Object property(treats), 개체와 값을 잇는 Datatype property(hasAge)로 나뉘고, 각각 주체와 대상의 범위가 정해집니다. treats는 주체가 Doctor, 대상이 Patient라는 식입니다.
여기에 Axiom, 즉 공리가 더해지면 성격이 달라집니다. "외과의사는 의사다(Surgeon subClassOf Doctor)", "의사와 환자는 겹칠 수 없다(Doctor disjointWith Patient)" 같은 규칙을 적어두면, 선언하지 않은 사실까지 기계가 스스로 도출합니다.
분류 체계(Taxonomy)와는 무엇이 다른가
현장에서 온톨로지라는 말은 대개 두 개념과 섞여 쓰입니다. 먼저 분류 체계입니다. Taxonomy는 계층적 분류 체계이고, 관계가 is-a 하나뿐이라는 점이 결정적인 차이입니다.
"스마트폰은 전자기기다"는 둘 다 표현할 수 있습니다. 그런데 "스마트폰으로 전화를 걸 수 있다"는 Taxonomy가 표현하지 못합니다. 기능이라는 관계를 담을 자리가 없기 때문입니다. 규칙과 공리가 없으니 추론도 일어나지 않습니다.
지식 그래프와는 무엇이 다른가
두 번째로 자주 섞이는 것이 지식 그래프입니다. 둘은 대립 관계가 아니라 출발점의 차이로 보는 편이 정확합니다.
온톨로지는 개념과 관계를 먼저 명세하고 그 뒤에 데이터를 채우는 Top-Down 방식입니다. 지식 그래프는 데이터가 먼저 쌓이고 구조를 나중에 얹는 Bottom-Up 방식이며, 명세 없이도 성립할 수 있습니다.
그래서 왜 온톨로지를 만드는가
온톨로지를 개발하는 이유는 2001년 Noy와 McGuinness가 정리한 다섯 가지가 오래 인용되어 왔습니다. 공통 이해의 공유, 지식의 재사용, 가정의 명시화, 지식과 운영의 분리, 지식의 분석입니다.
LLM 시대에 들어와 이 다섯 가지는 두 개의 축으로 다시 묶입니다.
| 축 | 내용 | 어디에서 왔나 |
|---|---|---|
| Data Discovery 데이터 탐색 | 명시적 개념·관계를 따라 "무엇이 어디에 있고 무엇과 연결되는지"를 체계적으로 탐색한다 | 공통 이해 · 재사용 · 명시화 |
| Interpretability 설명가능성 | 답이 개념 → 관계 → 개체 경로로 도출되므로 어떻게 나온 답인지 추적할 수 있다 | 지식·운영 분리 · 지식의 분석 |
두 번째 축이 특히 중요합니다. 벡터 검색은 유사도 점수만 돌려줍니다. 왜 이 문서가 답인지는 점수로 설명되지 않습니다. 반면 온톨로지 기반 탐색에서는 거쳐온 경로 자체가 근거가 됩니다. 검증이 필요한 도메인일수록 이 차이가 도입 여부를 가릅니다.
정리하며
온톨로지는 새로운 기술이 아닙니다. 정의는 1998년에 이미 정리됐고, 개발 이유는 2001년에 정리됐습니다. 지금 다시 보는 이유는 단순합니다. LLM이 잘하지 못하는 일이 정확히 온톨로지가 하던 일이기 때문입니다.
정리하면 세 가지입니다. 온톨로지는 개념과 관계를 사람과 기계가 똑같이 이해하도록 적어둔 명세이고, Class·Property·Individual·Axiom 네 요소가 TBox와 ABox 두 층으로 나뉘며, 분류 체계나 지식 그래프와는 표현력과 출발점에서 구분됩니다.
그런데 개념을 이해하는 것과 실제로 구축하는 것은 다른 문제입니다. 분야별 온톨로지가 커지고 실데이터가 붙기 시작하면, 앞에서 잠깐 언급한 TBox와 ABox의 구분이 이론이 아니라 시스템이 버티느냐 마느냐의 문제로 바뀝니다.
관련 글
인피닉 AURON Defense for C2 : 지휘관의 결심을 돕는 AI는 무엇이 달라야 하는가
전장 데이터는 넘쳐나는데, 지휘관의 결심은 왜 여전히 어려울까요. 인피닉의 국방 지휘통제 AI 결심지원 플랫폼 AURON Defense for C2를 통해 그 이유와 해법을 짚어봅니다.
온톨로지 구축노트 2 : 설계도와 데이터를 왜 분리하는가
온톨로지 파일 하나에 개념과 실데이터를 함께 담으면, 처음에는 편하고 나중에는 손댈 수 없게 됩니다. 형상 관리, 변경 비용, 추론 엔진의 한계라는 세 가지 지점에서 무슨 일이 벌어지는지, 그리고 분리한 구조 위에서 구축을 어떻게 자동화하는지 정리합니다.
이기종 무인체계 군집 운용을 위한 통합 GCS
드론이 늘어날수록 문제는 기체가 아니라 통제에서 생깁니다. 서로 다른 무인체계를 단 2명의 운용요원으로 하나의 팀처럼 지휘하려면 무엇이 필요한지 살펴봅니다.