문서를 넣으면 온톨로지가 자동으로 만들어질까?
온톨로지를 처음 검토할 때 가장 먼저 나오는 질문 중 하나입니다.
기업이 보유한 문서를 사람이 일일이 분석해 엔티티와 관계를 정의해야 한다면 구축에 상당한 시간이 필요합니다.
XGEN은 문서와 데이터를 분석해 LLM이 주요 엔티티와 관계를 추론하고 지식 그래프를 구성할 수 있도록 지원합니다.
자동으로 생성된 결과를 그대로 사용하는 것만이 아니라 필요에 따라 사용자가 노드와 관계를 직접 확인하고 편집할 수도 있습니다.
기업에서 사용하는 용어와 표현을 일관되게 관리하기 위한 도메인 용어 사전과 같은 관리 방식도 함께 적용할 수 있습니다.
다만 중요한 전제가 있습니다.
온톨로지는 AI가 자동으로 그림을 그려주는 기능 자체가 목적이 아닙니다.
기업의 데이터와 문서 속에 흩어진 개념과 관계를 AI가 활용할 수 있는 지식 구조로 만드는 것이 목적입니다.
RDB에 있는 데이터도 지식 그래프로 연결할 수 있을까?
기업의 핵심 데이터 상당수는 문서가 아니라 RDB에 존재합니다.
고객, 제품, 주문, 판매, 서비스 등의 데이터가 대표적입니다.
XGEN에서는 데이터베이스의 스키마와 데이터 특성을 분석해 테이블과 데이터 사이의 의미적 관계를 추론하고 온톨로지와 연결하는 방식을 활용할 수 있습니다.
하지만 실제 기업 데이터는 항상 깔끔하게 정리되어 있지는 않습니다.
오랫동안 운영된 시스템일수록 테이블 구조가 복잡하거나 동일한 의미의 데이터가 서로 다른 기준으로 관리되는 경우도 있습니다.
이런 환경에서는 원천 데이터 전체를 곧바로 온톨로지로 변환하는 것이 항상 최선은 아닙니다.
필요에 따라 DW나 데이터마트처럼 일정 수준 정제된 데이터를 기준으로 지식 구조를 구성하는 것이 효율적일 수도 있습니다.
결국 온톨로지 구축에서는 **"AI가 자동으로 연결할 수 있는가?"와 함께 "어떤 데이터를 기준으로 연결할 것인가?"**를 결정하는 것이 중요합니다.
퍼블릭 LLM을 사용하면 기업 데이터도 함께 나갈까?
기업 데이터를 AI와 연결할 때 빠지지 않는 질문입니다.
XGEN에서 외부 LLM을 호출할 경우 전체 데이터베이스나 지식 전체를 모델에 전달하는 방식이 아니라 질문을 해결하는 데 필요한 컨텍스트를 선별해 전달하는 구조로 설계할 수 있습니다.
하지만 기업마다 데이터 보안 정책은 다릅니다.
외부 모델 사용 자체가 제한되는 환경이라면 오픈소스 LLM을 기업 내부 인프라에 구축해 사용하는 프라이빗 환경도 고려할 수 있습니다.
따라서 온톨로지와 LLM을 연결할 때는 모델의 성능뿐 아니라
어떤 데이터를 / 어떤 모델에 / 어느 범위까지 전달할 것인가
를 함께 설계해야 합니다.
기업의 AI 플랫폼에서 데이터와 모델을 분리해서 생각하기 어려운 이유입니다.
데이터가 계속 바뀌는데 지식 그래프도 계속 다시 만들어야 할까?
실제 운영을 고려하면 중요한 질문입니다.
기업의 고객과 판매, 서비스, 물류 데이터는 계속 변경됩니다.
따라서 한 번 만들어진 지식 그래프를 고정된 결과물로 보는 것보다 원천 데이터의 변화에 맞춰 지식을 어떻게 최신 상태로 유지할 것인가까지 고려해야 합니다.
XGEN에서도 데이터 변경에 따른 재색인과 동기화 등 지식 최신화를 위한 기능을 지속적으로 고도화하고 있습니다.
다만 모든 데이터를 반드시 실시간으로 반영해야 하는 것은 아닙니다.
업무의 특성과 데이터 활용 목적에 따라 실시간성이 필요한 영역과 일정 주기로 갱신해도 충분한 영역을 구분할 수 있습니다.
예를 들어 분석이나 전략 수립을 위한 데이터라면 기존 DW의 데이터 갱신 주기와 연계하는 방식도 현실적인 선택이 될 수 있습니다.
중요한 것은 기술적으로 가장 빠른 동기화가 아니라 해당 AI 업무에 필요한 수준의 최신성을 정의하는 것입니다.
온톨로지 프로젝트에서 시간이 많이 드는 곳은 어디일까?
플랫폼을 설치하는 것과 기업의 지식을 연결하는 것은 다른 문제입니다.
실제 프로젝트에서는 플랫폼 자체보다 어떤 데이터를 사용할 것인지 정의하고, 기존 데이터와 시스템을 연결하고, 필요한 수준으로 정제하는 과정이 전체 구축 범위에 큰 영향을 줍니다.
특히 여러 업무 영역의 데이터를 한꺼번에 연결하려 하면 프로젝트의 복잡도도 빠르게 증가합니다.
그래서 처음부터 기업 전체의 온톨로지를 완성하려 하기보다 활용 가치가 명확한 업무 영역에서 시작해 지식과 Agent를 단계적으로 확장하는 접근을 고려할 수 있습니다.
첫 번째 영역에서 데이터와 지식의 관계를 만들고 실제 Agent를 적용해본 뒤, 검증된 구조를 다른 업무 영역으로 확장하는 방식입니다.
온톨로지 자체를 구축하는 것이 목적이 아니라 연결된 지식이 실제 AI 업무에서 사용되는지를 확인하면서 확장하는 것이 중요합니다.
온톨로지가 만들어지면 Agent는 무엇이 달라질까?
결국 중요한 것은 여기입니다.
기업이 온톨로지를 만드는 이유는 멋진 지식 그래프를 보기 위해서가 아닙니다.
기존 RAG가 관련 문서를 찾아 답변하는 데 강점이 있다면, 온톨로지를 활용한 Agent는 정보 사이의 관계와 맥락을 이용할 수 있는 기반을 갖게 됩니다.
고객과 제품, 구매, 서비스가 서로 연결되어 있다면 Agent는 각각의 정보를 독립적으로 찾는 것이 아니라 이들 사이의 관계를 바탕으로 필요한 정보를 탐색할 수 있습니다.
이는 향후 개인화, 분석, 업무지원 등 여러 AI 과제로 확장할 수 있는 기반이 됩니다.
그래서 XGEN에서는 온톨로지를 독립적인 데이터 프로젝트가 아니라
Data → Knowledge → Agent → Business
로 이어지는 AI 활용 구조의 한 부분으로 바라보고 있습니다.
Field Report
이번 현장에서 나온 질문 가운데 특히 의미 있었던 것은 "온톨로지를 만들 수 있는가?"보다 "우리 데이터를 실제로 어떻게 온톨로지로 만들 것인가?"에 대한 질문이 많았다는 점입니다.
기업의 현실에는 문서만 존재하지 않습니다.
RDB가 있고, DW가 있고, 오랫동안 축적된 레거시 데이터가 있으며, 지금 이 순간에도 새로운 데이터가 계속 생성됩니다.
그래서 기업의 온톨로지는 기술 하나만 도입한다고 완성되기 어렵습니다.
어떤 데이터를 연결할 것인지,
어떤 관계를 정의할 것인지,
얼마나 자주 최신화할 것인지,
그리고 그 지식을 어떤 Agent가 사용할 것인지.
이 질문을 함께 풀어야 합니다.
XGEN은 기업에 흩어진 문서와 데이터를 지식으로 연결하고, 그 위에서 Agent가 기업의 맥락을 이해하고 활용할 수 있는 환경을 만드는 방향으로 온톨로지 기능을 발전시키고 있습니다.
기업에 데이터는 충분히 쌓여 있는데 AI가 그 데이터 사이의 '관계'까지 이해하지 못하고 있다면, 온톨로지가 필요한 지점을 한번 살펴볼 때입니다.
