지식 그래프와 LLM 결합 실전 정리: 그라운딩, RDF와 LPG 차이, 도입 판단 기준

핵심 메시지

• LLM은 말은 잘 만들지만 근거가 흔들리고, 지식 그래프는 근거는 분명하지만 접근성이 떨어져 두 기술이 서로의 약점을 메운다.
• 질의 결과를 지식 그래프에 다시 반영할 때는 형식(스키마)과 의미(맥락) 양쪽을 검증한 뒤에만 지식으로 승격해야 한다.
• 그래프 표현 방식은 국제 표준을 따르는 RDF 계열과 노드·엣지에 라벨을 붙이는 LPG 계열로 나뉘며, 목적에 따라 선택이 달라진다.
• 지식 그래프가 실제로 쓰이려면 구축·관리 비용, 질의 언어 학습 같은 접근 비용, 결과를 사람 말로 옮기는 전달 비용을 모두 낮춰야 한다.
• 발표자는 아직 판단을 사람이 하고 시스템은 정보만 제공하는 자문형 구조에 무게를 두어야 한다고 본다.

쉽게 이해하기

국내 AI·ML·퀀트 스터디 모임이 지식 그래프와 LLM을 함께 다루는 교재의 도입 두 장을 정리한 녹화다. 발표자는 이 조합이 최근 이야기되는 흐름이라고 소개하면서, 앞서 온톨로지를 공부한 내용이 상당 부분 반복되기 때문에 이해 자체는 어렵지 않다고 말한다. 다만 지식 그래프와 LLM, 그리고 딥러닝 세 영역에서 학자들이 쌓아온 개념과 용어가 한꺼번에 쏟아지는 구성이라, 세부에 매몰되지 말고 관통하는 줄기를 잡으라고 권한다.

핵심 구조는 하나의 순환이다. 사람이 자연어로 물으면 LLM이 이를 SPARQL이나 Cypher 같은 질의로 바꿔 지식 그래프를 탐색하고, 가져온 정보를 다시 사람이 이해할 수 있는 말로 돌려준다. 여기서 끝나지 않고 그 과정에서 발견된 새로운 사실을 지식 그래프에 다시 반영하는데, 발표자가 특히 강조하는 통제 지점이 바로 이 되먹임이다. 아무 검증 없이 업서트하면 안 되고, 스키마 차원의 형식 검증과 맥락·의미 차원의 검증을 모두 거쳐 지식으로 승격해야 한다는 것이다.

그래프를 표현하는 두 갈래도 비교한다. RDF는 개념과 개념이 어떤 관계로 연결되는지를 표현하며 W3C가 표준을 관리하고 SPARQL로 질의한다. LPG는 노드와 엣지 양쪽에 라벨을 추가로 붙일 수 있어 소속이나 유효 기간 같은 정보를 얹을 수 있고, 빠른 검색을 위한 인덱스 성격이 강하며 Cypher로 다룬다. 발표자는 출발점이 다르다고 정리한다. RDF가 지식을 통일된 구조로 표현하고 연계하는 데서 시작했다면 LPG는 그래프 알고리즘을 적용하려는 목적에서 출발한 것으로 보인다는 설명이다.

지식 그래프가 갖춰야 할 품질 요구도 짚는다. ERP처럼 서로 다른 시스템에서 같은 개념이 다른 식별자로 표현되더라도 동일한 것으로 인식되어야 하고, 질의 결과가 어떤 노드를 거쳐 나왔는지 기록으로 남아 나중에 설명할 수 있어야 하며, 속성이 가질 수 있는 값의 범위나 정해진 스키마를 위배하는 경우를 검증할 수 있어야 한다. 원천 데이터를 그래프로 옮기는 관문에서는 정형과 반정형은 스키마가 있어 비교적 수월하지만 스키마가 없는 비정형 데이터가 어려운 지점으로 남는다.

참가자 질의응답에서는 실무 경험이 오갔다. 한 참가자는 2년쯤 전 회사 구매 과제에서 구매 항목과 벤더, 부서 정보 정도의 크지 않은 데이터를 Neo4j에 넣고 벡터화를 시도했는데 벡터 공간 자체가 너무 커져 실패했다고 전했다. 반면 그래프 자체를 벡터화하면 서로 다른 개수의 노드로 이루어진 부분 그래프끼리 비교할 수 있어, 표 형태에서 값이 빈 행을 버려야 하는 문제를 피할 수 있다는 이점도 함께 언급됐다. 결론은 무엇이 더 낫다기보다 사용 목적에 맞춰 달라진다는 쪽으로 모였다.

주요 인사이트

• 지식 그래프의 도입 여부는 의료냐 재무냐 하는 도메인이 아니라 문제 패턴으로 판단해야 한다는 정리가 이 세션의 실용적인 축이다. 데이터가 이질적이고, 여러 단계를 건너뛰며 연결을 따라가야 하고, 최신성과 근거 제시가 요구되며, 자연어로 접근해야 한다면 결합할 이유가 생긴다.
• 같은 문제 패턴이라도 실패 비용이 다르면 설계도 달라진다는 지적이 나왔다. 원자력 발전소 운영과 상품 추천은 한 번의 오답이 갖는 무게가 다르기 때문이다.
• 모든 애플리케이션이 각자 데이터를 조금씩 나눠 갖던 방식에서 벗어나, 하나의 지식 저장소를 단일한 근거로 바라보고 인용하도록 만드는 것이 이 구조의 전제다.
• LLM이 강력한 이유를 발표자는 전이 학습으로 설명한다. 많은 데이터로 문장의 구조를 학습해 두면 학습 시점에 없던 다른 영역에도 그대로 전이되어 제로샷으로도 쓸 수 있다는 것이다.
• 지식 그래프는 어떤 경로를 거쳐 답이 나왔는지 추적할 수 있는 반면 딥러닝의 지식은 은닉층 파라미터에 놓여 사람이 들여다보기 어렵다는 대비가, 설명이 필요한 업무에서 두 방식을 나누는 기준이 된다.

자주 묻는 질문

관련 AI 소식