온톨로지·지식 그래프 쉽게 이해하기: 디지털 트윈 건설 사례로 보는 설계 원리

핵심 메시지

• 온톨로지는 어렵고 추상적인 개념이 아니라, 도메인 데이터를 유형화·형식화·연결하기 위한 이름 규칙에 가깝다.
• 클래스와 인스턴스, 그리고 주어-관계-목적어로 개념을 잇는 RDF 그래프가 지식 그래프의 기본 뼈대다.
• 건설 현장에서는 계획 정보(PII)와 실제 현장 정보(PSI)가 항상 어긋나므로, 둘을 분리해 관리하되 명시적으로 연결해 차이를 계산한다.
• 데이터 레이어·정보 레이어·지식 레이어로 이어지는 3계층 구조에서 위로 갈수록 용량은 줄고 의미는 커진다.
• 지식 그래프는 데이터를 담는 저장소가 아니라, 어떤 데이터를 어떤 관계로 엮어 쓸지 알려주는 '의미 색인'이자 매뉴얼이다.

쉽게 이해하기

이 영상은 서울대학교 산업공학과 DSBA 연구실의 '온톨로지와 지식 그래프' 스터디 여섯 번째 세션으로, 디지털 트윈 건설(Digital Twin Construction)을 위한 참조 아키텍처와 온톨로지 프레임워크를 제안한 2025년 논문을 사례로 다룬다. 발표자는 건설 도메인 자체보다, 도메인 특성에 맞춰 온톨로지와 지식 그래프를 '어떻게' 설계했는지의 논리에 집중하겠다고 밝힌다.

발표는 먼저 온톨로지를 쉽게 풀어낸다. 추상적인 설계 원칙을 나열하면 방대해 보이지만, 실제로는 데이터를 적절히 유형화하고 연결하는 이름 규칙일 뿐이라는 것이다. 예를 들어 '기둥(Column)'이라는 클래스 아래 실제 현장의 1번부터 100번 기둥이 각각 인스턴스로 속하고, 이런 클래스와 인스턴스의 관계를 주어-관계-목적어 형태의 RDF 그래프로 표현한다.

핵심 설계 논리는 계획과 실제의 분리다. 건설 현장은 계획대로 흘러가지 않기 때문에, 설계·시공 계획을 담은 PII(Project Intent Information)와 실제 진행 상황을 담은 PSI(Project Status Information)를 따로 관리한다. 다만 둘을 명시적으로 연결해, 계획과 현장의 차이를 그래프 위에서 비교할 수 있게 한다.

플랫폼은 데이터 레이어, 정보 레이어, 지식 레이어의 3계층으로 구성된다. 3D 포인트 클라우드처럼 용량은 크지만 의미가 없는 원자료가 데이터 레이어로 들어오면, AI 서비스가 이를 해석해 벽·기둥 같은 의미 있는 정보로 바꾸고, 마지막에는 지연 KPI 같은 의사결정용 지식을 만든다. 위로 갈수록 데이터 양은 줄고 의미는 커진다. 대용량 시계열 센서 데이터는 지식 그래프에 메타데이터만 남기고 원본은 외부 데이터베이스에 저장한다.

논문은 이 구조를 런던의 한 쇼핑몰 건설 현장에서 수집된 실제 데이터셋에 적용해, 계획 정보와 포인트 클라우드 관측을 받아 현장 상태를 갱신하고 KPI 계산까지 이어지는 파이프라인이 의도대로 작동하는지 확인했다. 다만 정확도나 F1 같은 정량 벤치마크가 아니라, 전체 데이터 흐름의 실현 가능성을 정성적으로 평가한 실험이었다고 발표자는 짚는다.

주요 인사이트

• 온톨로지는 결국 JSON 같은 파일 안에 데이터를 형식화해 담는 규칙에 가깝다고 이해하면 진입 장벽이 크게 낮아진다.
• 계획(PII)과 실제(PSI)를 분리하되 연결하는 설계는, 건설처럼 계획과 현실이 늘 어긋나는 도메인에서 진도와 지연을 분석하는 토대가 된다.
• 지식 그래프에 모든 데이터를 넣지 않고, 관계 표현이 필요한 것만 담고 나머지는 별도 저장소에 두는 것이 합리적인 아키텍처다.
• AI 서비스는 만능 해결사가 아니라, 포인트 클라우드에서 정보를 추출해 REST API 형식에 맞는 구조화된 데이터를 돌려줌으로써 그래프와 디지털 트윈을 갱신하는 역할을 맡는다.
• 도메인 자체를 깊이 파기보다 그 특성에 맞는 설계 논리를 읽는 관점이, AI 연구자가 지식 그래프를 실무에 적용할 때 더 유용하다.

자주 묻는 질문

관련 AI 소식