온톨로지와 지식 그래프 기초 - 개념 구성 요소부터 워드넷, UMLS, 스키마.org 사례까지

핵심 메시지

• 온톨로지는 특정 분야의 개념과 유형, 속성, 관계를 정리한 지식 체계이며 개체·범주·속성·관계라는 네 가지 요소로 구성된다.
• 온톨로지가 설계도라면 지식 그래프는 그 설계도로 지은 구조물이다. 지식 그래프 자체는 트리플만 있으면 만들 수 있지만, 온톨로지가 있어야 개념과 용어가 통일된다.
• 같은 프로젝트를 팀마다 다르게 부르는 현실은 사람에게는 문제가 되지 않지만, 그 일을 AI에 맡기는 순간 걸림돌이 된다.
• 데이터베이스는 키로 연결할 뿐 왜 연결되는지를 설명하지 못하고, 데이터 사전은 항목의 뜻은 알려 주지만 항목 사이의 관계를 보여 주지 못한다.
• 워드넷, UMLS, 스키마.org는 각각 어휘, 의료, 웹 영역에서 실제로 쓰이는 대표적인 온톨로지 사례다.

쉽게 이해하기

온톨로지라는 말은 원래 철학의 존재론에서 왔다. 존재하는 것들이 어떤 성질을 가지고 다른 것들과 어떤 관계를 맺는지 따지는 학문이라는 뜻이다. 정보 기술 쪽에서는 이 개념을 빌려, 특정 분야에서 쓰이는 개념과 유형의 속성 그리고 그 사이의 관계를 정리한 지식 체계를 온톨로지라 부른다. 시맨틱 웹, 지식 그래프, 스키마, 택소노미, 시소러스가 모두 이 주변에 놓인 말들이다.

구성 요소는 네 가지로 나뉜다. 김도현이나 서울대학교처럼 구체적으로 존재하는 것이 개체이고, 학생·교수·교육기관처럼 개체를 묶는 이름이 범주다. 학생의 학과와 학번, 교육기관의 주소나 사업자등록번호처럼 각 범주가 지니는 특징이 속성이며, 'A는 B의 지도교수다', 'A는 B의 재학생이다'처럼 개체와 범주를 이어 주는 것이 관계다. 이 중에서도 관계가 온톨로지의 핵심이다.

지식 그래프와의 차이도 명확히 짚었다. 지식 그래프는 머리 엔티티와 꼬리 엔티티, 그 사이의 관계라는 트리플만 있으면 성립하므로 온톨로지가 없어도 만들 수 있다. 다만 온톨로지가 미리 범주별 속성을 정의해 두면, 각 노드에 그 속성을 메타 정보로 붙일 수 있고 무엇보다 조직 전체가 같은 개념과 용어를 쓰게 된다. 상하위 분류만 다루는 택소노미와 동의어·상위어·관련어를 잇는 시소러스의 성질을 모두 품은 것이 온톨로지라는 설명도 덧붙었다.

왜 필요한가에 대한 대답은 현장 경험에서 나왔다. 발표자가 속한 연구실은 '현대자동차 전기차 배터리 사전 안전 진단을 위한 AI 모델 개발'이라는 정식 명칭의 과제를 내부에서 현차 배터리 과제, 현대차 배터리 이상치 탐지 과제 등으로 제각각 부른다. 사람끼리는 알아듣지만 컴퓨터는 이것들이 같은 대상인지 알 수 없다. 이제 일을 AI 에이전트에 맡기려 한다면, 그 앞 단계에서 개념과 용어를 통일해 두는 작업이 먼저다.

실제 사례로는 세 가지가 소개됐다. 프린스턴대학교가 1991년 처음 배포한 워드넷은 영어 단어를 의미 단위의 동의어 집합으로 묶고 반의어·상위어·하위어·부분어·전체어로 연결한 어휘 체계다. UMLS는 같은 질병이나 약물이 체계마다 다르게 표기되는 문제를 풀기 위한 의료 전용 온톨로지로, 메타시소러스와 127개 클래스·54개 관계로 이루어진 시맨틱 네트워크로 구성된다. 스키마.org는 검색 엔진들이 모여 만든 웹 공통 표기 체계로, 구글 지도의 내부 데이터가 모두 Place 유형으로 정리되어 있는 것이 그 예다.

주요 인사이트

• 온톨로지의 실효는 검색이 아니라 파급 범위 추적에서 나온다. 공정·설비·품목명이 관계로 이어져 있으면 어떤 품목이 어느 공정에서 만들어지고 어떤 자재와 연결되는지를 따라갈 수 있다.
• 같은 사고가 나도 품질팀은 검사 결과를, 생산팀은 공정 이력을, 구매팀은 자재 구매 이력을 본다. 온톨로지는 이 서로 다른 접근 경로를 연결할 뿐 아니라 각 팀이 어떤 경로로 정보를 보는지까지 드러낸다.
• 이미 사내에 데이터베이스와 데이터 사전, 분류 체계가 있다고 해서 곧바로 AI를 얹을 수 있는 것은 아니다. 각각은 저장·조회, 항목 설명, 부분적 분류라는 서로 다른 조각일 뿐 통합 체계가 아니다.
• 웹 개발 영역이 온톨로지가 가장 발달한 분야라는 점은 시사적이다. HTML만으로는 같은 내용도 페이지 구성에 따라 달라지는데, 스키마.org는 의미까지 기계가 읽도록 표기를 통일했다.
• 스터디 계획은 머신러닝 이전 세대, 머신러닝·딥러닝 세대, LLM 세대로 나뉘어 있고 시계열이나 이미지 같은 다른 모달리티의 온톨로지화까지 다룰 예정이라, 구축 방법론의 변천을 따라가기 좋은 구성이다.

자주 묻는 질문

관련 AI 소식