AI & 그래프 기술: 지식 그래프란 무엇일까요?

• Machine Learning

지난주에는 첫 번째 할부로 다섯 부분으로 구성된 블로그 시리즈를 시작했는데요. AI 및 그래프 기술에 관해서 그래프가 인공 지능에 컨텍스트를 추가하는 네 가지 방법, 즉 Knowledge Graph를 통한 의사 결정 컨텍스트, 그래프 가속 ML을 통한 효율성 컨텍스트, 연결된 특징 추출을 통한 정확성 컨텍스트, AI 설명 가능성을 통한 신뢰성 컨텍스트에 대한 개요를 제공했죠.

이번 주에는 Knowledge Graph가 의사 결정 지원(예: 콜센터 직원 또는 지원 엔지니어)에 대한 컨텍스트를 제공하고 상황에 적합한 답변(예: 우천 시 자율 주행 차량)을 보장하는 데 어떻게 도움이 되는지 한번 살펴볼게요.

이를 통해 여러분은 그래프 기술 같은 플랫폼인 로 AI를 강화할 수 있어요.

Knowledge Graph: 의사결정을 위한 맥락

가장 빠르게 프로덕션으로 전환되는 AI 영역 중 하나는 의사결정 지원인데요. 우리가 실제 문제를 해결하려고 한다고 가정해 봅시다. 즉, 인간에게 올바른 상황에 맞는 관련 정보가 필요한 결정을 내리고 어떤 방식으로든 해당 프로세스를 자동화하거나 합리화하려고 노력한다고 가정해 보는 거죠.

Knowledge Graph는 워크플로를 간소화하고, 대응을 자동화하고, 지능적인 결정을 확장할 수 있는 방법을 제공해요. 높은 수준에서 Knowledge Graph는 현실 세계의 실체, 사실 또는 사물과 그 상호 관계를 인간이 이해할 수 있는 형식으로 설명하는 상호 연결된 사실 집합이에요. 평면적 구조와 정적인 내용을 지닌 단순한 지식베이스와 달리, Knowledge Graph는 데이터 관계를 이용해 인접 정보를 획득하고 통합해 새로운 지식을 도출하죠.

Knowledge Graph의 주요 특징은 다음과 같아요.

• Knowledge Graph는 관련 속성을 중심으로 연결되어야 해요. 모든 데이터가 지식은 아니기 때문에 우리는 상황에 맞는 관련 정보를 찾고 있는 거죠.
• Knowledge Graph는 그래프 자체가 엔터티를 연결하는 요소를 이해하므로 모든 새로운 정보를 수동으로 프로그래밍할 필요가 없다는 점에서 동적이에요. Knowledge Graph는 우리가 이미 프로그래밍했기 때문에 우리에게 중요한 속성 간에 적절한 연관성을 만들 수 있어요.

• Knowledge Graph는 이해하기 쉬워야 해요. 때로는 지식 자체가 무엇인지 알려주기 때문에 의미론적이라고 말하기도 하죠. 지능형 메타데이터는 요청 방법을 정확히 알지 못하는 경우에도 그래프를 탐색해서 특정 문제에 대한 답을 찾는 데 도움이 될 수 있어요. 실제로 Knowledge Graph에는 일반적으로 이기종 데이터 유형이 포함돼요.
• 정보 사일로 전반에 걸친 연결을 결합하고 찾아낼 수 있어요.

상황에 맞는 풍부한 Knowledge Graph

맥락이 풍부한 Knowledge Graph는 단순한 키워드 문서 검색이나 단일 단어의 중요성을 식별하는 것이 이질적인 지식의 대규모 자료에는 잘 작동하지 않는다는 사실을 다뤄요. Knowledge Graph를 통해 다음을 통합할 수 있어요. 메타데이터 태그가 있는 내부 문서 및 파일의 컨텍스트. 이 정보를 그래프로 연결하면 해당 지식을 훨씬 더 빠르게 탐색할 수 있죠.

맥락이 풍부한 Knowledge Graph의 가장 친숙한 사용 사례는 Google의 검색 엔진이지만 문서 분류 및 고객 지원도 일반적인 응용 프로그램이에요. 예를 들어, 연간 수만 건의 복잡한 기술 지원 문제를 포착하면 기술자에게 우리가 본 것과 가장 유사한 문제, 해결 방법 및 관련 문서를 모두 보여줄 수 있어서 해결 속도가 크게 향상되죠.

상황에 맞는 Knowledge Graph는 문서 형식으로 수집된 많은 양의 지식을 보유한 조직에 적합해요. Knowledge Graph는 정보를 갖는 것(데이터 수집)과 해당 정보를 찾아 적용할 수 있는 것(데이터 연결) 사이의 격차를 메우는 데 도움이 돼요. 한 가지 예는 NASA의 교훈 데이터베이스인데, 과거 임무와 프로젝트에 대한 50년간의 지식을 담고 있어요.

상황에 맞는 풍부한 Knowledge Graph 요약

• 용도:메타데이터 태깅이 포함된 내부 지식 문서 및 파일
• 예:검색, 고객지원, 문서분류
• 사례 연구: 시스코

외부 감지 Knowledge Graph

외부 감지 Knowledge Graph는 외부 데이터 소스를 집계하고 이를 내부 관심 엔터티에 매핑해요. 예를 들어, 공급망 위험 평가를 할 때, 우리는 중단 위험을 분석하기 위해 모든 공급업체, 그들이 제조하는 모든 장소 및 모든 공급 라인을 살펴보고 싶을 수도 있어요. 그런 다음 특정 위치의 자연 재해가 공급망에 어떤 영향을 미칠 수 있는지 고려하고 다른 위치의 유사한 공급업체를 식별하는 것이 가능하죠.

일반적으로 우리는 시장에서 엄청난 양의 정보를 통합할 수 있어야 해요. 즉, 정보를 감지하고 상황에 맞는 것이 무엇인지 판단해서 이를 적합한 사람에게 제시할 수 있어야 하는 거죠. 공급망 모니터링 외에도 외부 통찰력 감지는 규정 준수 위험, 시장 활동의 영향 및 판매 기회를 분석하는 데 사용돼요.

예를 들어, 톰슨 로이터(현 Refinitiv)는 금융 콘텐츠에 대한 Knowledge Graph 피드가 있어서 조직이 외부 및 내부 지식을 연결하고 더 넓은 시장이 반응할 시간이 생기기 전에 신속하게 최상의 재무 결정을 내릴 수 있도록 도와줘요.

외부 감지 Knowledge Graph 요약

Natural Language Processing Knowledge Graph

Natural Language Processing (NLP) Knowledge Graph에는 인간 언어의 복잡성과 뉘앙스가 통합되어 있어요. NLP Knowledge Graph를 사용하려면 회사의 특정 기술 용어, 제품 이름, 업계 약어, 부품 번호 및 일반적인 철자 오류까지 이해해야 하죠. 여기에서 분석가는 의미를 매핑하고 온톨로지를 구축하기 위해 Knowledge Graph를 생성하며, 이를 통해 검색이 향상되고 보다 관련성이 높은 결과를 제공해요.

중장비 제조업체 Caterpillar는 NLP Knowledge Graph를 사용해서 자연어 검색을 강화하고 수천 개의 보증 문서에서 의미를 추출하고 있어요. 또 다른 예는 Google 어시스턴트용 eBay 앱인데, 쇼핑객에게 완벽한 상품을 안내하기 위해 세 가지 유형의 Knowledge Graph(컨텍스트 풍부, 외부 감지 및 NLP)를 모두 사용하고 있어요.

오늘날 그래프를 사용하는 AI 애플리케이션 구현의 상당수는 Knowledge Graph를 활용하고 있어요. 이 블로그 시리즈에서는 그래프 기술이 AI 애플리케이션에서 유망한 다른 영역들을 살펴볼 예정이에요.

NLP Knowledge Graph 요약

• 용도: 그래프 기술 용어, 두문자어, 약어, 철자 오류 등
• 예: 검색 개선, 챗봇 구현, 분류 개선
• 사례 연구: eBay, 무한 궤도

결론

이 블로그에서 다룬 것처럼 Knowledge Graph는 의사결정 지원을 위한 맥락을 제공하고, 답변이 상황에 적절한지 확인하는 데 도움을 줘요 (예: 비가 오는 운전 조건의 자율주행차).

컨텍스트는 이 AI 블로그 시리즈를 하나로 묶는 중요한 연결고리인데요. 다음 주 AI 및 그래프 기술 시리즈에서는 그래프 가속 Machine Learning을 통해 그래프가 효율성을 위한 컨텍스트를 어떻게 제공하는지 알아볼 거예요.

그래프 기술이 AI 프로젝트를 어떻게 향상시키는지 더 자세히 알아볼 준비 되셨나요? 백서를 읽어보세요! 인공 지능 및 그래프 기술: 컨텍스트 및 연결을 통해 AI 향상

• AI/Machine Learning
• Machine Learning
• Natural Language Processing

---

에이치시스템즈의 LogTree는 Neo4j 기반 GraphRAG 플랫폼으로, 데이터를 자동으로 지식그래프화하고 자연어 질의로 즉시 답을 제공합니다.

👉 에이치시스템즈 홈페이지