DEVOCEAN

최근 온톨로지(Ontology)와 지식 그래프(Knowledge Graph)에 대한 관심이 높아지면서, 실무에 적용하려는 시도들이 늘어나고 있습니다.

저희 OpenLab에서도 각자 다양한 실험을 진행했는데, 그 과정에서 얻은 인사이트를 공유해보려 합니다.

대화형 AI로 출장 신청 에이전트 만들기

온톨로지 개념 학습부터 시작

처음에는 막연히 "에이전트를 만들어보자"고 생각했지만, 온톨로지의 기본 개념을 이해한 후에 접근하니 훨씬 효과적이었습니다.

온톨로지 기반 출장 신청 프로세스 설계

• 개념(Concepts): 출장, 신청자, 승인자, 목적지 등

• 관계(Relations): 신청자 → 출장 신청, 승인자 → 승인 프로세스

• 속성(Properties): 출장 기간, 예산, 목적 등

실제 구현 과정

ChatGPT와 Claude를 활용해 단계별로 접근했습니다.

1. 업무 파악 단계: 출장 신청 프로세스를 온톨로지로 정의

2. 온톨로지 설계: 주요 개념들과 관계를 구조화

3. 프로토타입 제작: Python 기반 에이전트 구현

# 간단한 온톨로지 구조 예시
class TripRequest:
    def __init__(self):
        self.requester = None
        self.destination = None
        self.purpose = None
        self.budget = None
        self.approval_status = "pending"

겪었던 어려움들

• API 연동 이슈: OpenAI API 설정에서 보안 문제로 막히는 경우가 많았음

• 권한 문제: Google Drive 연동 시 권한 설정의 복잡함

• 도구별 차이점: ChatGPT vs Claude Code의 장단점 차이

Claude의 장점: 처음부터 보안을 고려한 가이드 제공, API 키를 별도 파일로 관리하도록 안내

문서 분석을 통한 온톨로지 자동 생성

Text-to-Cypher 접근법

최근 논문을 참고해 Neo4j의 Cypher 쿼리를 LLM으로 생성하는 방법을 실험한 것을 공유해주셨습니다.

구현 과정:

1. PDF 문서 파싱 (다양한 형태의 표와 한글 처리)

2. 키워드 추출 및 클러스터링

3. 그래프 시각화 (NetworkX 활용)

한글 처리

예전에는 한글 PDF 파싱이 매우 어려웠는데, 최근 GPT Code Interpreter는 병합된 셀이나 복잡한 표 구조도 잘 처리합니다.

# 문서 분석 파이프라인
def analyze_document(pdf_path):
    # 1. PDF 파싱
    content = parse_pdf(pdf_path)
    
    # 2. 온톨로지 트리플 추출
    triples = extract_triples(content)
    
    # 3. 그래프 생성
    graph = create_knowledge_graph(triples)
    
    return graph

온톨로지 vs Neo4j

많은 분들이 Neo4j를 온톨로지와 혼동하시는데, 중요한 차이가 있습니다

Neo4j (Labeled Property Graph)

• 특징: 임베딩 기반 유사도 계산

• 장점: 쉬운 접근성, 직관적인 시각화

• 한계: 논리적 추론보다는 통계적 유사성에 의존

온톨로지 (RDF/OWL)

• 특징: SPO(Subject-Predicate-Object) 트리플 기반

• 장점: 논리적 추론, 정확한 관계 정의

• 활용: 규칙 기반 추론, 자동화된 분류

실무 적용 시 고려사항

1. 데이터 양의 중요성

온톨로지가 제대로 작동하려면 충분한 양의 구조화된 데이터가 필요합니다. 특히:

• 의학, 금융, 법률 등 전문 도메인에서 효과적

• 일반적인 비즈니스 영역에서는 데이터 부족으로 한계

2. Schema-First vs Data-First 접근법

• Schema-First: 구조를 먼저 정의하고 데이터를 입력 (전통적 방법)

• Data-First: 데이터에서 관계를 추출하고 구조를 자동 생성 (권장)

# Data-First 접근법 예시
def extract_relationships(documents):
    relationships = []
    for doc in documents:
        # A는 B다 형태의 관계 추출
        extracted = extract_subject_predicate_object(doc)
        relationships.extend(extracted)
    
    # 자동 클러스터링으로 스키마 생성
    schema = auto_generate_schema(relationships)
    return schema

3. LLM과의 조화

온톨로지를 LLM의 대안이 아닌 인터페이스로 활용

• LLM으로 자연어를 온톨로지로 변환

• 온톨로지로 정확한 논리 추론

• 결과를 다시 자연어로 변환

온톨로지 활용 영역

온톨로지의 활용 영역을 세 가지 축으로 정리해봤습니다

1. RAG (Retrieval-Augmented Generation): 지식 검색 강화

2. 추천 시스템: 관계 기반 개인화

3. BPM (Business Process Management): 업무 프로세스 자동화

각 영역별로 구체적인 사례를 개발하며, 실무에서 바로 적용할 수 있는 가이드를 만들어가고 있습니다.

🎬 KBS 뉴스 출연기

이런 경험들을 바탕으로 KBS 부산에서 활동하시는 스터디원 종윤님이 "업무 자동화 에이전트" 주제를 다루기도 했습니다.

대화만으로 프로그램을 만들 수 있다는 것, 하지만 개인정보 보안에 주의해야 한다는 교훈을 시청자들과 나눴습니다.

영상 바로가기

마무리

온톨로지에 대한 인사이트를 나누고 배울 수 있는 소중한 시간이었습니다. 앞으로도 기대됩니다!