AI의 미래: Machine Learning과 Knowledge Graph의 만남

• Machine Learning

사람들이 정보를 검색하는 방식을 향상시키는 것을 목표로 하면서, Knowledge Graph는 많은 정보가 사람, 개체 또는 개체에 대한 데이터, 오디오, 비디오 및 이미지 형식이므로 검색 및 탐색의 복잡한 프로세스가 쉬워져요.

지금은 거의 절반 정도의 데이터베이스 동향 및 애플리케이션 독자들이 Machine Learning을 사용하여 데이터를 더 효과적으로 활용하고 분석적 통찰력을 제공하고 있다고 해요.

하지만 올바른 데이터에 대한 액세스를 얻는 것부터 유용한 결과를 식별하는 것까지 다양한 과제가 존재하죠.

그래프 모델의 유연성를 사용하면 데이터 관계가 명시적으로 저장되므로 다양한 소스에서 들어오는 데이터를 쉽게 관리할 수 있을 뿐만 아니라 해당 데이터를 검색하고 탐색하여 다른 방법으로는 발견하기 매우 어려운 새로운 통찰력을 얻을 수 있어요. 점점 높아지는 인기를 상징하듯, 2020년 세계 최대 AI 학회 중 하나인 NeurIPS 2020에서는 136개 이상의 논문 제목에 '그래프'라는 단어가 포함되었답니다.

Knowledge Graph는 지식 표현 및 추론을 위해 널리 이용 가능하고 잘 이해된 기술임이 분명해요.

2020년 Gartner의 AI 과대 광고 주기가 정점에 도달한 것 외에도 Knowledge Graph는 업계 선두 기업부터 중견기업에 이르기까지 다양한 조직의 실제 애플리케이션에 점점 더 많이 채택되고 있어요.

그래프 Machine Learning 소개

2020년에 꽃피운 그래프의 또 다른 용도도 있어요. 바로 그래프 Machine Learning이죠. 그래프 Neural Network는 벡터에서 작동하는 다른 유형의 Neural Network와 달리 그래프 구조에서 작동해요. 이것이 실제로 의미하는 바는 추가 정보를 활용할 수 있다는 것이에요.

그래프 Machine Learning은 그래프, 다차원 점과 같은 복잡한 데이터로부터 학습할 수 있는 능력 때문에 기하학적 Machine Learning이라는 이름으로도 불린답니다.

2020년의 응용 분야는 생화학, 약물 설계 및 구조 생물학과 관련이 있어요. Knowledge Graph와 그래프 Machine Learning도 함께 작동할 수 있답니다.

Gartner 여론 조사에 따르면, 코로나19가 전 세계적으로 미치는 영향에도 불구하고 AI 투자의 47%는 팬데믹 발생 이후 변화가 없었으며 조직의 30%는 실제로 그러한 투자를 늘릴 계획이었어요. AI 투자를 일시적으로 중단한 기업은 16%에 불과했고, 줄인 기업은 7%에 불과했죠.

그래프의 추가 사용 사례는 다음과 같아요:

• 질문 답변: Knowledge Graph는 가장 자주 사용되는 애플리케이션 중 하나에요. Knowledge Graph에는 풍부한 정보가 담겨있고, 질문 답변 기능은 최종 사용자가 Knowledge Graph에서 정보를 더 효과적이고 효율적으로 검색할 수 있도록 도와주는 좋은 방법이죠.
• 연구 저장: 최근 많은 기업에서 접근 가능한 모델 구축, 위험 관리 및 프로세스 모니터링에 사용할 수 있는 다양한 연구 단계에서 생성된 정보를 저장하기 위해 Knowledge Graph를 사용하고 있어요.
• 추천 시스템: 예를 들어 Netflix는 Knowledge Graph를 사용하여 영화, TV 프로그램, 사람 등 간의 관계를 찾는 데 도움이 되는 추천 시스템에 대한 방대한 양의 다양한 정보를 저장하죠. 나중에 이러한 선호도와 연결을 사용하여 고객이 다음에 보고 싶어할 만한 것을 예측할 수 있어요.
• 공급망 관리: 기업은 다양한 구성 요소의 재고, 관련 인력, 시기를 쉽게 추적할 수 있으므로 품목을 보다 신속하고 비용 효율적으로 이동할 수 있어요.

Knowledge Graph와 AI 결합의 가치

Knowledge Graph와 Machine Learning 기술을 결합하면 결과의 정확성을 높이고 Machine Learning 접근 방식의 잠재력을 높일 수 있어요. Info-Tech의 데이터 및 분석 부문 연구 책임자인 Andrea Malick에 따르면 Knowledge Graph의 가치를 구현하고 극대화하는 단계는 다음과 같아요.

단일 사용 사례로 시작해서 몇 개의 데이터 세트와 보고서만 연결한 다음 데이터와 링크를 유기적으로 추가하여 동적 구조를 만드는 거죠.

사용 사례가 있다면 필요한 콘텐츠를 식별하고 분류에 따라 분류하세요. 아이디어를 얻기 위해 업계 표준 분류법을 참조할 수 있지만 조직에 의미 있는 분류법을 만들고 사용자가 정보를 구성하는 방법을 이해하는 데 시간을 투자해야 해요. 즉시 분류법을 구입하거나 컨설턴트와 계약해서 분류 작업을 수행하면 문제가 발생할 수 있어요.

Semantic Indexing을 사용하여 사용자 자신의 단어를 동의어로 대체하여 그 의미를 더 잘 이해할 때 조직 구조, 즉 온톨로지는 더욱 강력해져요. 요청자는 원하는 정보를 검색하기 위해 정확한 레이블을 알 필요가 없죠.

분류학자, 정보 설계자, 데이터 과학자와 함께 Knowledge Graph의 지속적인 개발에 비즈니스 사용자를 참여시키세요.

보고서 버전, 데이터 계보 등 Knowledge Graph에 설명적 메타데이터를 추가하면 사용자가 해당 데이터가 올바른지, 품질이 허용 가능한지 결정할 수 있어요.

Knowledge Graph를 통해 AI 언어 모델은 단순히 패턴을 기반으로 단어를 생성하는 것이 아니라 데이터의 관계와 정확한 의미를 표현할 수 있어요. 이를 통해 AI는 우리가 웹을 검색할 때 더욱 신뢰할 수 있는 파트너가 될 수 있죠. – 스테파니 시몬

AI와 Knowledge Graph의 융합

기업에서는 의사결정을 위해 AI 애플리케이션을 점점 더 많이 사용하고 있어요. 하지만 상황별 정보가 부족하기 때문에 AI 시스템은 아직 복잡한 문제에 대한 신뢰할 수 있는 솔루션으로서의 잠재력을 최대한 발휘하지 못하고 있죠.

여기서 Knowledge Graph가 등장해요! Knowledge Graph는 데이터 관계를 포착하고 그 의미를 전달하는 논리적인 방법이에요. Knowledge Graph는 데이터 자체에 지능을 부여하고 AI에게 더 설명 가능하고 정확하며 반복 가능하도록 필요한 컨텍스트를 제공하죠.

AI도 Knowledge Graph도 신기술은 아니지만, 최근에 와서야 성숙해지고 힘을 합쳤어요. 지난 10년 동안 데이터와 컴퓨팅 성능이 상승세를 이어왔지만, 상황별 AI에 대한 폭발적인 관심을 촉발한 것은 이 둘의 강력한 결합 때문이에요.

Knowledge Graph를 사용하여 데이터에 지능을 적용

지식은 모든 회사의 가장 소중한 자산이에요. 하지만 조직이 올바른 맥락에서 해당 지식을 활용할 수 없다면 그 가치는 제한되죠. Knowledge Graph가 바로 이럴 때 필요한 거예요.

Knowledge Graph는 데이터 간의 풍부한 관계를 명시적으로 나타내요. 숙련된 도메인 전문가가 자연스럽게 고려하는 것이죠. 결국 실제로는 고립된 데이터 조각이 없고 우리 주변에 풍부하고 연결된 도메인만 있어요. Knowledge Graph는 데이터 간의 연결을 설정하여 데이터를 맥락에 맞게 배치하는 역할을 해요.

그리고 Knowledge Graph는 데이터에 의미론적 계층을 추가해서 데이터의 의미와 유용성을 높여줘요. 덕분에 소프트웨어 에이전트가 데이터를 추론할 수 있게 되죠. Knowledge Graph는 데이터에 관계를 더하고 의미론으로 강화해서 데이터를 더 똑똑하게 만들어준답니다.

Knowledge Graph는 데이터 소싱부터 훈련, 예측까지 Machine Learning을 향상시켜요

요즘 AI와 Machine Learning은 기업에서 점점 더 중요한 역할을 하고 있죠. Machine Learning은 거의 모든 산업 분야에서 사용되고 있어요. 예를 들어 의료 분야에서는 암 종양을 발견하고, 공급망에서는 비즈니스에 긍정적/부정적 영향을 미치는 요인을 찾아내죠. 금융 서비스에서는 투자자들이 새로운 기회를 찾거나 거래 시점을 파악하는 데 도움을 주기도 하고요.

흥미로운 점은 Machine Learning이 맥락을 파악하는 능력 덕분에 Knowledge Graph를 활용해서 더욱 강력해진다는 거예요. 맥락 정보는 예측 정확도를 높이고, 의사 결정 시스템을 더 유연하게 만들고, 데이터 계보를 추적하는 프레임워크를 제공하는 것으로 알려져 있어요.

Machine Learning은 데이터에 정말 많이 의존해요. 데이터가 많을수록, 데이터 품질이 높을수록, 데이터가 다양할수록 결과가 더 좋아지죠. 하지만 대부분의 데이터 과학 접근 방식은 연결과 데이터 구조를 처리하기 어려워서 맥락 정보가 누락되는 경우가 많아요. Knowledge Graph는 이런 맥락 정보를 캡처하고 유지하며 사용할 수 있게 만들어줘요. 즉, Machine Learning 프로세스의 모든 단계를 향상시킬 수 있다는 거죠. 데이터 소싱, Machine Learning 모델 훈련, 예측 분석, 결과 적용까지, 맥락을 고려하는 AI 시스템은 훨씬 더 안정적이고 강력하며 설명 가능하고 신뢰할 수 있게 된답니다.

데이터 소싱의 초기 단계에서는 Knowledge Graph를 데이터 계보에 활용해서 Machine Learning에 제공되는 데이터를 추적해요. 데이터의 출처, 변경 과정, 사용처, 사용자를 파악하는 거죠. Machine Learning에 사용된 데이터를 신뢰할 수 없다면 결과도 신뢰하기 어려워요. Knowledge Graph를 사용한 데이터 계보 관리와 마스터 데이터 관리는 특히 규제가 엄격한 산업 분야에서 규정 준수를 위한 감사 추적 역할도 수행한답니다.

Machine Learning의 다음 단계는 Machine Learning 모델을 훈련하는 거예요. 예측을 위한 함수를 학습하기 위해 훈련 데이터를 제공하고, 중요한 특징이 포함된 ML 알고리즘을 제공하는 작업이죠. 맥락 정보가 없는 Machine Learning 모델은 철저한 훈련과 엄격한 규칙이 필요하고, 특정 애플리케이션에만 적용할 수 있어요. Knowledge Graph는 더 나은 예측을 가능하게 하는 맥락 정보를 추가해주는데, 기존 데이터와 함께 제공되죠. Knowledge Graph는 간단한 그래프 쿼리나 더 복잡한 그래프 알고리즘을 사용해서 그래프 특징 엔지니어링을 할 수 있게 해줘요. 관계는 행동을 예측하는 데 아주 중요한 역할을 한다는 것을 알고 있죠. 따라서 연결된 맥락 특징을 사용하면 모델의 예측력을 극대화하는 동시에 솔루션을 적용할 수 있는 범위도 넓힐 수 있답니다.

Machine Learning 모델이 개발되면 모델이 유용한지, 올바른 예측을 하는지 이해하는 것이 중요해요. 관계 정보가 통합된 Knowledge Graph를 사용하면 도메인 전문가가 그래프를 쉽게 조사하고 반사실적 분석을 수행할 수 있어요. 전문가들은 Knowledge Graph에서 유사한 커뮤니티를 탐색해서 가설을 테스트하거나, 계층 및 종속성을 자세히 분석해서 이상한 결과를 디버깅할 수 있죠.

그래프 기술을 기반으로 구축된 Knowledge Graph는 다음과 같은 상당한 이점을 가지고 있어요. 그래프는 데이터 간의 연결과 관계를 자연스럽게 저장, 계산, 분석하죠. 또한 그래프 알고리즘은 연결을 통해 데이터의 토폴로지를 활용하기 위해 특별히 개발되었어요. 즉, 커뮤니티를 찾고, 영향력 있는 구성 요소를 찾아내고, 패턴과 구조를 추론하는 데 유용하죠. Knowledge Graph의 맥락 예측 요소를 Machine Learning에 통합하면 정확도가 향상될 뿐만 아니라 오탐(false positive)도 줄일 수 있어요.

그래프 네이티브 학습은 그래프 구조 내에서 Machine Learning 작업을 계산하는 것을 의미하며, Knowledge Graph 증강 Machine Learning을 한 단계 더 발전시켜요. 어떤 데이터 구조가 가장 예측성이 높은지 알지 못한 채 그래프 내에서 직접 일반화된 예측 기능을 학습할 수 있는 기능을 제공하죠. Machine Learning 모델에서 사용하기 위해 연결된 데이터를 표현하는 방법은 물론, 조직이 어떤 기능이 가장 중요한지 항상 알지 못하기 때문에 이 기능은 정말 중요해요.

Machine Learning과 Knowledge Graph의 융합은 이제 시작일 뿐이에요. 업계에서 이러한 기술 결합의 힘을 깨닫기 시작하면서 통합 솔루션과 간소화된 워크플로우에 대한 수요가 증가할 것으로 예상돼요.

경쟁 우위를 위해 Knowledge Graph와 ML 활용

오늘날 기업들은 Machine Learning을 통해 Knowledge Graph를 활용하고 있어요. 다양한 사용 사례가 있는데, 단순히 경험적 방법을 강화하는 것부터 그래프 기반 학습 모델의 임베딩 훈련과 같이 더 복잡한 사용까지 가능하죠. 몇 가지 예를 살펴볼까요?

• 글로벌 전자 상거래 리더는 Knowledge Graph를 사용해서 Machine Learning에 맥락을 추가하고, 사용자 의도에 대해 더 나은 경험적 결정을 내릴 수 있는 쇼핑 봇을 만들었어요.
• Fortune 100대 건설 장비 제조업체에서 예측 유지보수 및 장비 수명 향상을 위해 Machine Learning과 Knowledge Graph를 성공적으로 활용하고 있어요. 이 경우, 수백만 건의 보증 및 서비스 문서가 텍스트로 구문 분석되고 컨텍스트에 대한 Knowledge Graph에 추가되어서, Machine Learning 모델이 "주요 사례"를 학습하고 필요한 유지 관리를 예측할 수 있게 되죠. 이러한 예측 유지 관리를 통해 회사는 사전에 교정 조치를 취하고 가동 중지 시간과 관련 비용을 절약하며 생산성을 높일 수 있었답니다.
• Knowledge Graph, graph `query`, graph 알고리즘을 전통적인 Machine Learning 접근 방식과 결합하여 환자 이동 경로 지도 및 예측을 하고 있어요. 성공적인 개입 지점을 예측하고 환자 결과를 개선하기 위해 환자 경로를 추출하고 임베딩을 훈련하는 데 3년 동안 수십억 개의 기록이 사용되었답니다.

Neo4j Knowledge Graph 실행

Knowledge Graph는 자연스럽게 많은 사용 사례에 적합해요. 이러한 사용 사례의 대부분은 데이터 관리, 데이터 검색 및 데이터 분석이라는 세 가지 주요 범주의 스펙트럼에 속하죠.

사용 사례는 가장 뚜렷하고 데이터 집계, 검증 및 거버넌스에 중점을 두는 경향이 있어요. 데이터 보증은 데이터 카탈로그, 데이터 계보 및 출처, 규정 준수, 데이터 거버넌스, 위험 관리, 데이터 패브릭을 포함한 이러한 사용 사례의 동기 부여가 되죠. 데이터 보증 Knowledge Graph는 향상된 신뢰도와 설명 가능성을 제공한답니다.

은 단순한 정보 가시성을 넘어 사용자 주도의 탐색, 추론, 새로운 지식 추론을 강조해요. 이러한 사용 사례의 원동력은 고객, 환자 또는 제품 360과 같은 사례를 통한 전문가의 이해와 통찰력, 학습된 교훈 공유, 조사(범죄, 자금 세탁 방지, 사기) 및 권장 사항에 중점을 두고 있죠. 통찰력 Knowledge Graph는 완벽한 가시성과 향상된 생산성을 제공해요.

데이터 검색 사용 사례는 중복되지만 목표는 예측과 예측을 개선하고 최적의 조치를 처방하는 것이에요. 이해는 여전히 필수적이지만 여기서 궁극적인 목표는 더 나은 결정을 내리는 것이죠. 몇 가지 예로는 고객 또는 환자 여정 분석, 가상 분석, 차선 조치 또는 옵션, 이탈 분석, Machine Learning을 위한 기능 엔지니어링, 복잡한 시스템에서 커뮤니티 및 영향 요인 찾기 등이 있어요. (범죄, 자금세탁방지, 사기) 및 도 있구요. 의사결정 Knowledge Graph는 강력한 분석을 통해 더 나은 예측과 더 많은 혁신을 제공한답니다.

결론

AI와 Knowledge Graph는 모두 기업의 차세대 경쟁 우위를 주도하고 있어요. 하지만 문제는 실행과 사기 위험 감소, 환자 결과 개선, 더 나은 투자 결정, 직원 생산성 향상 등 어떤 회사가 이를 성공적으로 함께 사용할 수 있는지에 달려 있죠. 준비됐나요?

Knowledge Graph 구축을 고려 중이신가요?
다운로드개발자 가이드: Knowledge Graph 구축 방법자신있게 구축을 시작하기 위해 알아야 할 모든 것을 단계별로 안내합니다.

• AI/ML
• 상황별 AI
• Machine Learning

---

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

👉 에이치시스템즈 홈페이지