데보션앱 소개페이지 바로가기
로그인 선택

신고하기

CLOSE
신고사유 (대표 사유 1개)
상세내용 (선택)
0/200
  • 신고한 게시글은 더 이상 보이지 않습니다.
  • 이용약관과 운영정책에 따라 신고사유에 해당하는지 검토 후 조치됩니다.
  • 허위 신고인 경우, 신고자의 서비스 이용이 제한될 수 있으니 유의하시어 신중하게 신고해 주세요.
(이 회원이 작성한 모든 댓글과 커뮤니티 게시물이 보이지 않고, 알림도 오지 않습니다.)

미리보기

커뮤니티

      1,234

      badge 23.06.15

      글 등록

      카테고리를 선택해주세요.

      DEVOTEE를 활성화 시키면
      지금 작성한 커뮤니티 글에 대해 1개의 댓글을 달아줍니다.

      버튼을 누르면 글 수정 시 ChatGPT가 작성한 댓글이 수정됩니다.

      임시저장함에 저장되었습니다. 저장일시 : 2022.5.17 14:29:08

      임시저장함

      제목을 선택하시면 이어서 작성이 가능하며,
      최대 20건까지 저장합니다.
      컨텐츠 유형, 제목, 저장일시, 삭제로 이뤄진 임시저장 목록
      컨텐츠 유형 제목 저장일 삭제

      데보션 블로그 게재 요청

      CLOSE
      • *
      • *

      본인인증

      효율적인 데보션 서비스 이용 및
      고객님의 소중한 개인정보보호를 위해
      본인인증을 진행해주세요. 본인인증 미 진행 시 로그인이 제한됩니다.
      본인인증 실패

      본인인증 로그인에 실패하였습니다.
      회원이 아니시거나 본인인증 등록이
      완료되지 않은 사용자입니다.

      회원정보 연결

      OpenLab - Knowledge graph 스터디 참여 계기, 소개 및 온톨로지 모델 구축하는 방법 그리고 툴

      그래프맨 24.05.24
      6,077 0 0
      DEVOTEE 요약
      저는 Graph Product Engineer로서 고객 문제를 그래프 기술로 해결하고 있습니다. 이번 Openlabs 스터디에서는 온톨로지 모델 구축과 관련된 여러 방법과 도구들을 배우고, 이를 통해 적절한 GraphRAG 프로덕트를 만드는 것을 목표로 하고 있습니다.
      DEVOTEE 추천 블로그

      안녕하세요. 오픈랩 Knowledge graph 스터디 참여하게된 정이태입니다.

      저는 Graph Product Engineer 라는 직무로 일을 하고 있습니다.

      그래프 기술을 활용하여 고객의 문제를 파악하고, 그래프를 사용하면 어떤 장점이 있는지를 설득하고 고객 문제를 해결하려는데 집중하는 업무를 맡고 있습니다.


      RAG로 인해 최근 Graph에 대한 관심이 급상승하며 GraphRAG 또한 덩달아 많은 주목을 받고 있는데요.

      마침 GraphRAG 프로덕트 기획 및 구현을 하던도중 Openlabs 스터디를 알게되었고, 신청하게 되어 운이 좋게 선정되었습니다.

      참고로, 저는 현재 LLMops 와 Knowledge graph 동시에 참여하고 있습니다.

      GraphRAG는 결국 LLMops 와 Knowledge graph 그 사이의 균형을 잘 보존하며 최적의 아키텍쳐를 구성하는게 핵심이라 생각했기 때문입니다.


      이번 스터디를 통해 LLMops에서의 관점과 , Knowledge graph에서의 관점을 결합해

      적절한 GraphRAG 프로덕트를 만드는데 많은 경험과 지식을 얻게되지 않을까 하는 기대를 하고 있습니다.

      image.png

      ** GraphRAG에 대해 익숙치 않은 분들을 위해 RAG 그리고 GraphRAG까지 다루어둔 글을 공유드립니다. https://inblog.ai/graphwoody/GraphRAG-01


      본 Knowledge graph 스터디를 통해 제가 얻고자 하는 지식 및 기대하는 바는 다음 3가지와 같습니다.

      제가 생각하는 GraphRAG 기술에 필요한 요소 3가지 중 Hierarchical Knowledge Representation를 중점으로 스터디 해보려고합니다

      image.png

      1. real-world 로부터 현상을 발견하고 지식을 체계화하는 온톨로지 기술

      2. 온톨로지를 가공하여, 고객의 니즈에 커스터마이징 한 후, 비즈니스에 적합한 지식그래프로 변환하는 기술

      3. 스터디 인원분들과 함께하며, 다른 분들은 어떻게 Knowledge graph를 생각하고 있는지를 교류하며 Knowledge graph에 대한 생각 확장

      스터디는 현재 토이 프로젝트 형태로 진행중입니다.

      토이 프로젝트를 통해 이론과 실무를 넘나들며, Knowledge graph 활용 역량 향상이 주된 목적이라 할 수 있습니다.

      더불어, 구성원들끼리 진행하는 과정을 문서화하여 논문 제출이라는 큰 목표까지 세우게 되었는데 꼭 달성하여 성과를 냈으면 하네요.


      토이 프로젝트 수행을 위해 구성원들간 역할 분배가 이루어졌으며, 크게 10가지 task를 기반으로 역할이 나누어졌습니다.

      1. 온톨로지를 위한 데이터 수집

      2. 데이터 전처리

      3. LLM 프롬프트 생성

      4. LLM 질의 실행 및 결과 제공

      5. RDF 생성

      6. 온톨로지 모델 구축

      7. Reasoning Rule 생성

      8. Graph 인프라 구축

      9. Knowledge graph Graph store 저장

      10. LLM을 활용한 정보 생성

      이 중에서 저는 그 중 1.온톨로지 모델 구축 , 2.Reasoning Rule 생성 , 3. Graph store 저장 , 4. LLM을 활용한 정보 생성 4가지 역할을 맡게되었습니다.


      앞으로 스터디를 진행하며 다음 과정을 수행하며 얻게된 지식과 인사이트를 데보션에 기록해보려고 합니다.

      먼저 오늘은 온톨로지 모델을 구축하는 방식 그리고 구축을 위한 툴에 대해 이야기 해보려고 합니다.


      온톨로지 기획

      1. 도메인 및 범위 정의: 온톨로지의 도메인을 시작으로 정의하세요—이것은 무엇에 관한 것이며, 무엇을 포함할까요? 범위를 명확히 정의하여 도메인의 어떤 측면이 포함되고 어떤 측면이 배제될지 결정합니다.

      2. 데이터 수집: 온톨로지에 필요한 모든 관련 데이터를 수집합니다. 이는 기존 데이터셋, 도메인 문헌, 전문가 인터뷰 및 온톨로지를 정보화할 수 있는 기타 모든 정보 소스를 포함합니다.

      3. 핵심 개념 및 관계 식별: 데이터를 분석하여 도메인 내의 주요 개념을 식별합니다. 이러한 개념들이 서로 어떻게 관련되는지 결정합니다. 이 단계는 온톨로지의 중심을 형성하기 때문에 매우 중요합니다.

      4. 분류 체계 생성: 식별된 개념을 분류 체계로 조직하는 계층적 구조를 개발합니다. 이는 상위 개념을 위로, 더 구체적인 개념을 아래로 분류하는 것을 포함합니다.

      5. 속성 및 제약 조건 정의: 각 개념에 대해 속성(특성) 및 개념을 설명하거나 제약하는 제약 조건을 정의합니다. 이는 데이터 유형, 값 범위 및 카디널리티(허용되는 속성의 인스턴스 수)를 포함합니다.

      6. 인스턴스 개발: 필요한 경우 온톨로지에 인스턴스를 추가합니다. 인스턴스는 온톨로지에 정의된 개념에 속하는 구체적인 예제나 데이터 포인트입니다.

      7. 검증: 온톨로지가 도메인의 지식을 정확하게 나타내는지 확인하여 검증합니다. 이는 전문가 리뷰를 통하거나 온톨로지를 실제 문제에 적용하여 예상대로 작동하는지 확인함으로써 수행할 수 있습니다.

      8. 반복 및 세부 조정: 피드백 및 검증 결과를 바탕으로 온톨로지를 정제하고 업데이트합니다. 이는 새로운 개념을 추가하거나 관계를 수정하거나 속성을 업데이트하는 것을 포함할 수 있습니다.

      9. 온톨로지 통합 및 배포: 필요한 경우 다른 시스템이나 온톨로지와 온톨로지를 통합하고 사용자나 시스템이 구조화된 지식을 접근하고 활용할 수 있는 방식으로 배포합니다.


      온톨로지 생성을 위한 툴

      위 과정을 진행하기 위한 툴로써, 다양한 툴들이 존재하지만 이번 포스팅에서는 Protege 와 owlready2에 대해 이야기하겠습니다.

      OWLReady2

      https://owlready2.readthedocs.io/en/latest/

      개요:

      • OWLReady2는 Python 프로그램에서 온톨로지를 사용할 수 있게 설계된 Python 라이브러리입니다. Python 스크립트나 응용 프로그램에 온톨로지 처리를 직접 통합하려는 개발자에게 특히 유용합니다.

      • OWL 2 표준을 지원하며 Python 코드를 통해 데이터 및 객체 속성, 클래스, 인스턴스에 대한 추론을 수행할 수 있습니다.

      장점:

      • Python과의 통합: OWLReady2는 Python과 원활하게 통합되어 Python을 이미 사용하고 있거나 Python 기반 응용 프로그램에 온톨로지 관리를 통합하려는 사람들에게 탁월한 선택입니다.

      • 프로그래밍 제어: 온톨로지를 코드를 통해 직접 생성, 수정, 조회할 수 있는 프로그래밍 방식을 제공합니다. 이는 자동화 시스템이나 복잡한 데이터 처리 작업에 특히 유용할 수 있습니다.

      제한점:

      • 학습 곡선: Python에 익숙하지 않은 사람들에게는 OWLReady2를 효과적으로 사용하기 위한 추가적인 러닝 커브가 있습니다.

      • 시각적 도구 부족: 다른 도구들과 달리 OWLReady2는 그래픽 사용자 인터페이스(GUI)를 제공하지 않아 시각적 도움을 선호하는 사람들에게는 온톨로지 개발 과정이 덜 직관적일 수 있습니다.

      Protégé

      https://protege.stanford.edu/

      개요:

      • Protégé는 스탠퍼드 대학이 개발한 무료 오픈 소스 온톨로지 편집기 및 지식 관리 시스템입니다.

        온톨로지를 구축하기 위해 가장 널리 사용되는 도구 중 하나입니다.

      • OWL, RDF, RDFS 등 다양한 표준을 지원하며 온톨로지를 설계하고 조작하는 데 도움이 되는 풍부한 그래픽 사용자 인터페이스를 제공합니다.

      장점:

      • 그래픽 사용자 인터페이스(GUI): Protégé는 초보자와 전문가 모두에게 접근하기 쉬운 사용자 친화적인 GUI를 제공합니다.

        이는 온톨로지 내의 복잡한 관계와 구조를 시각화하는 데 도움이 됩니다.

      • 커뮤니티 및 지원: 널리 사용되고 있기 때문에 Protégé는 사용자 커뮤니티가 크고 방대한 문서를 제공하여 문제 해결과 학습에 매우 도움이 될 수 있습니다.

      • 플러그인 및 확장성: Protégé는 특수 추론기나 시각화 도구와 같은 맞춤화를 허용하는 플러그인을 지원합니다.

      제한점:

      • 성능: 매우 큰 온톨로지의 경우 GUI와 기본 자바 아키텍처로 인해 성능 문제를 경험할 수 있습니다.

      • 프로그래밍 유연성 부족: 일부 스크립팅과 맞춤화를 허용하긴 하지만 OWLReady2만큼 원활하게 프로그래밍할 수는 없습니다.

      비교

      • 사용 사례: OWLReady2는 Python 기반 파이프라인 내에서 온톨로지 개발을 통합하거나 스크립팅을 선호하는 사용자에게 더 적합합니다.

        Protégé는 직접적인 온톨로지 편집 및 시각화를 필요로 하는 사용자에게 이상적입니다.

      • 유연성 대 사용자 친화성: OWLReady2는 프로그램적 조작에 더 많은 유연성을 제공하는 반면, Protégé는 프로그래밍 배경이 없는 사람들에게 더 사용자 친화적입니다.

      • 커뮤니티 및 자원: Protégé는 OWLReady2에 비해 더 넓은 사용자 기반과 더 많은 학습 및 지원 자원을 가지고 있습니다.

      두 도구 모두 각기 다른 용도로 탁월하며, 프로젝트의 특정 요구와 개발자의 선호에 따라 선택할 수 있습니다.


      본 게시물에서는 Knowledge graph 스터디에 참여하게 된 계기 , 현황 그리고 온톨로지 모델 구축 및 툴에 대해 소개드렸습니다.

      다음 게시물에서는 구축된 온톨로지 모델을 기반으로 Graph Store에 적재하는 과정에 대해 이야기 하겠습니다.


      감사합니다.


      ** 데보션 스터디 모임 사진

      image.png

      댓글 0

      DEVOTEE를 활성화 시키면
      지금 작성한 댓글에 AI가 댓글을 달아줍니다.

      그래프맨 님의 최신 블로그

      더보기

      관련 블로그

      DEVOTEE 추천 블로그

      동영상 기고하기