지식 그래프, Graph Database 맞아? Neo4j로 파헤쳐 보기

데이터 작업을 하다 보면 Knowledge Graph와 같은 용어를 접하게 될 거예요. 종종 같은 의미로 사용되지만, 완전히 똑같지는 않다는 점!

Knowledge Graph는 엔터티와 관계를 저장, 구성 및 `쿼리`하기 위한 디자인 패턴이에요. Graph Database는 Knowledge Graph를 저장하기에 아주 좋은 장소죠.

다시 말해, Graph Database는 데이터를 형태로 저장하고, Knowledge Graph는 바로 그 라고 할 수 있어요.

그래프에 푹 빠져있거나, 아직 그래프가 낯선 분들 모두 제대로 찾아오셨어요! 데이터 모델링 문제는 깨닫기 전까지는 정말 답답할 수 있거든요. 데이터는 그래프일 수 있다는 사실! 그래프가 아닌 방식으로 (예: 관계형 데이터베이스) 그래프 데이터를 모델링하면 개발 주기, 설계, 코드 해결 방법이 복잡해지고, 결국 애플리케이션 성능까지 떨어뜨릴 수 있어요.

그렇다면 내 데이터가 그래프로 구성하는 게 제일 좋을지 어떻게 알 수 있을까요? 언제 Graph Database 사용을 고려해야 할까요? 그래프, Graph Database, Knowledge Graph는 정확히 무엇이고, 어떻게 활용해야 할까요?

이 가이드에서 다룰 내용은 다음과 같아요:

• 그래프란 무엇일까요?
•  
• Graph Database의 특징
•  
• Graph Database의 장점
•  
•  
• Knowledge Graph의 특징
•  
• Knowledge Graph를 사용하는 이유
•  
• Knowledge Graph를 위한 Graph Database와 관계형 데이터베이스
• Graph Database와 Knowledge Graph를 사용해야 하는 경우
•  
• 고객 360
•  
• 생성 AI
•  
• FAQ: Knowledge Graph 및 Graph Database
• Graph Database에 Knowledge Graph 구축

그래프란 무엇일까요?

그래프 이론에서는 그래프를 개체들의 집합으로 정의하는데요. 이 개체 쌍들은 어떤 방식으로든 서로 "연결"되어 있다고 봐요. 보통 개체를 나타내는 원과 관계를 나타내는 선을 합쳐서 그래프를 시각적으로 표현하는 걸 많이 보셨을 거예요.

컴퓨터 과학에서 그래프는 개체와 개체의 관계를 저장하는 데이터 구조예요. 다른 데이터와 연결되는 데이터가 있다면 언제든지 그래프가 되는 거죠! 그래프는 Graph Database에서 가장 쉽게 관리할 수 있어요. 관계형 데이터베이스(아마도 구조화된 데이터에 가장 널리 사용되는 데이터베이스 유형일 거예요)는 데이터 비트 간의 연결과 관계를 캡처하지 않아요. 조인을 사용해서 재구성해야 하죠.

Graph Database란 무엇일까요?

Graph Database는 관계가 있는 데이터를 저장하도록 특별히 설계된 데이터베이스 유형이에요. Graph Database에는 여러 유형이 있지만 가장 널리 사용되는 유형(레이블이 지정된 Property Graph)은 데이터를 테이블이나 문서가 아닌 Node, Relationship, Property로 구성하는 방식이에요.

Graph Database에서는 화이트보드에 스케치하는 것처럼 데이터에 대해 생각하는 방식으로 데이터를 모델링할 수 있어요. 소셜 네트워크의 그래프 데이터 모델을 상상해 보세요. Node는 다양한 유형의 Relationship을 통해 여러 다른 Node에 연결되죠.

Graph Database의 특징

Graph Database는 Node와 Relationship을 사용해요. 이는 관계형 또는 문서 모델에 익숙하다면 놀라울 정도로 간단하고 직관적인 구조죠.

Node는 그래프의 엔터티인데, 다음을 수행할 수 있어요.

• Hold Property(예: 이름, 생년월일 등)를 설명하는 (키-값 쌍)
• 가지고도메인에서의 역할(예: 사람, 계정, 장치 등)을 나타냅니다.
• Relationship을 통해 다른 Node에 연결됩니다. (자신에게도 연결될 수도 있어요.)

Relationship은 그래프에서 Node 쌍을 서로 연결하고 다음을 수행해요.

• 한 Node와 다른 Node의 관계를 설명합니다.
• 항상 시작 Node와 끝 Node가 있어요. 따라서 Relationship에는 방향이 있죠.
• Relationship의 성격을 나타내는 유형이 있어요.
• 보유할 수 있음Property, Relationship에 대한 추가 정보를 제공합니다.

이러한 방식으로 데이터를 구조화, 저장 및 쿼리하면 시간이 지남에 따라 데이터 볼륨이 확장되더라도 Relationship을 탐색하고 규모에 맞게 쿼리하는 것이 효율적이에요.

Graph Database의 장점

Graph Database는 연결된 데이터를 관리하는 데 이상적이에요. 데이터 세트의 관계가 더 복잡하거나 많을수록 Graph Database의 가치는 더욱 높아지죠. 예를 들어, 중첩되거나 계층적이거나 고도로 연결된 데이터 세트로 작업하는 경우 Graph Database는 우수한 애플리케이션 성능을 보장하는 가장 좋은 방법이에요. Neo4j에서 Graph Database를 사용할 때의 주요 이점은 다음과 같아요.

• A유연한 데이터 모델변화하는 데이터 요구 사항에 따라 발전합니다(스키마 재설계 없음).
• 클라우드 플랫폼(AWS, Azure, GCP) 전반에 걸쳐 수십억 개의 Node 및 Relationship에
• 신속한 애플리케이션 개발, 간결하면서도 강력한 쿼리 언어 사용
• 사용 사례를 위해 특별히 제작됨GenAI, 고객 360, 사기, 공급망, 메타데이터 관리 등의 데이터 관계 관련

Knowledge Graph란 무엇일까요?

Knowledge Graph는 연결된 원시 데이터를 실제 세계의 의미 있는 표현으로 매핑해요. 해당 엔터티는 개체, 이벤트, 상황 또는 개념을 나타낼 수 있죠. Knowledge Graph의 목적은 사용자나 비즈니스에 대한 지식을 표면화할 수 있도록 데이터를 구성하는 거예요.

예를 들어, 사기 애플리케이션 뒤의 Knowledge Graph는 행위자/기관과 거래 당사자를 나타내는 관계로 연결된 Node로서 그들 사이의 거래와 함께 데이터를 저장할 수 있어요. 행동 패턴을 Knowledge Graph의 관계로 정리하면 순환 결제 등 의심스러운 패턴을 쉽게 발견할 수 있죠.

Knowledge Graph의 특징

Knowledge Graph는 일반적으로 (그리고 이상적으로) Graph Database에 구축 및 저장돼요. Knowledge Graph는 구성 원칙이라는 프레임워크를 사용해서 엔터티와 해당 관계를 구성하는데요. 구성 원칙은 데이터에 대한 비즈니스 규칙이나 범주를 포착해서 더 깊은 데이터 통찰력을 얻는 데 도움이 되는 유연한 개념 구조 역할을 해요. Knowledge Graph의 동일한 데이터에 여러 구성 원칙을 적용할 수 있다는 점도 알아두세요.

구성 원칙 자체는 데이터가 저장되는 것과 동일한 방식으로 저장돼요. 즉, 다음 그림과 같이 그래프의 Node 및 Relationship으로 저장되는 거죠.

구성 원칙은 Node 및 Relationship으로 저장되기 때문에 동일한 Query에서 인스턴스 수준 데이터와 구성 원칙을 모두 Query할 수 있어요. 예를 들어 Query는 모든 고객 거래를 가져오고 구성 원칙(예: 위험 범주 또는 고객 세그먼트)에 따라 해당 거래를 그룹화할 수 있는 거죠.

Knowledge Graph를 사용하는 이유

잘 디자인된 Knowledge Graph는 단순히 "우리가 가지고 있는 데이터는 무엇인가?"라는 질문에 답하는 것에서 그치지 않아요. 더 나아가 “이 데이터는 무엇을 의미합니까?”와 같은 질문에 대답하고, “이러한 연결로부터 우리는 무엇을 배울 수 있나요?”와 같은 질문에도 답할 수 있게 도와주죠.

데이터 간의 연결에서 발견되는 더 깊은 의미는 Knowledge Graph를 다음과 같은 지능형 애플리케이션에 유용하게 만들어 줘요. 추천 엔진, 사기 탐지, 그리고 AI 시스템.

Knowledge Graph를 위한 Graph Database와 관계형 데이터베이스

Knowledge Graph를 구축하는 데 Graph Database가 *필수적인 건 아니에요*. 하지만 다른 데이터베이스를 사용하면 문제가 발생할 수 있죠. 예를 들어 관계형 데이터베이스를 사용해서 Knowledge Graph를 구축하려는 경우, 복잡한 해결 방법을 만들어야 할 거예요.

관계형 데이터베이스	Graph Database
다대다 관계를 표현하려면 조인 테이블이 필요해요.	데이터 모델 자체에서 다대다 관계를 지원하죠.
조인을 사용해서 Query 코드에서 관계를 재구성해야 해요. 시간이 지남에 따라 관계가 변경되므로 코드를 최신 상태로 유지해야 하고요.	데이터베이스의 관계를 정의해서 코드(및 버그)의 오류 가능성을 줄여줘요.
여러 계단식 조인(조인 폭탄)이 포함된 복잡한 Query는 데이터가 증가함에 따라 데이터베이스 성능을 저하시켜요.	기본 Graph Database에는 조인이 필요하지 않아요. 그래프의 관계를 탐색하기만 하면 데이터 양이 늘어나더라도 뛰어난 런타임 성능을 제공하죠.

관계형 데이터베이스는 Knowledge Graph의 상호 연결된 특성을 지원하도록 설계되지 않았어요. 이걸 기반으로 사용하면 설계 및 유지 관리가 더 어려워지고 런타임 성능 문제가 발생할 수 있다는 점, 기억해주세요.

Graph Database와 Knowledge Graph를 사용해야 하는 경우

애플리케이션에 Graph Database나 Knowledge Graph를 사용하는 것이 적합한지 고려할 때, 둘 중 하나만 선택해야 하는 상황은 아니라는 점을 기억하세요. Knowledge Graph를 데이터/관계의 구성자로 생각하고, Graph Database를 해당 데이터/관계 및 구성 원칙의 저장소로 생각하면 이해하기 쉬울 거예요.

Knowledge Graph는 다른 데이터베이스에도 구축할 수 있지만, Graph Database는 Knowledge Graph의 자연스러운 구조와 아주 잘 맞는 데이터 모델을 제공해요. 당연한 이야기겠죠? Knowledge Graph는 그래프이고, Graph Database는 그래프를 저장하고 사용하도록 특별히 만들어졌으니까요.

핵심은 Graph Database가 효율적이고 유연한 Knowledge Graph 구현에 필요한 기본적인 데이터 구조를 제공한다는 점이에요. 다른 데이터베이스 기술로 Knowledge Graph를 구축하려면 시간과 노력이 더 많이 필요하고, 확장성과 성능에 제한이 생길 수밖에 없어요.

사용 사례

Graph Database에 저장된 Knowledge Graph는 사기 탐지, 고객 360, 생성 AI, 그리고 공급망, 디지털 트윈, 신약 개발처럼 연결된 데이터에 의존하는 다양한 사용 사례를 지원해요. Knowledge Graph가 왜 이런 사용 사례에 강력하고 유연한 기반을 제공하는지 좀 더 자세히 알아볼까요?

사기 탐지는 잠재적인 사기 행위를 찾아내기 위해 패턴, 행동, 관계를 모니터링하는 작업이에요.

Graph Database에 구축된 Knowledge Graph를 사용하면 계정, 사람, 거래, 장치 등을 그래프로 모델링해서 사기를 나타낼 수 있는 숨겨진 의심스러운 패턴을 빠르게 찾아낼 수 있죠.

Knowledge Graph로 사기 탐지를 강화하는 방법은 다음과 같아요:

• Pattern Matching: Graph Database는 계정, 개인, 거래 간의 관계를 저장하고 쿼리하는 데 아주 뛰어나요. Knowledge Graph로 구성되면 이런 관계들이 금융 범죄를 탐지하고 예방하기 위해 숨겨져 있거나 찾기 어려웠던 행동 패턴을 드러내죠.

• 실시간 분석: 기본적인 Graph Database는 성능 저하 없이 Knowledge Graph의 관계를 탐색할 수 있어서 복잡한 사기 패턴을 빠르게 찾을 수 있어요.

• 유연성: 사기꾼들은 탐지를 피하려고 계속해서 진화하고 운영 방식을 개선하잖아요. Graph Database는 데이터 모델을 재설계하거나 애플리케이션 코드를 수정하지 않아도 빠르게 변경할 수 있는 유연한 스키마를 제공해서 이런 변화에 발맞춰 나갈 수 있도록 도와줘요.

결과적으로 허위 경고로 인한 고객 불편을 줄이면서 더 정교한 사기 계획을 잡아낼 수 있는 사기 탐지 파이프라인을 만들 수 있는 거죠.

고객 360

흔히들 말하는 고객 360의 목표는 각 고객과 조직의 모든 관계에 대한 포괄적이고 통합된 뷰를 만드는 거예요. 모든 터치포인트와 채널 전반에 걸친 상호 작용, 구매, 선호도, 행동 등 *모든 것*을 포함해서요. 제대로만 된다면 고객 여정에 대한 완벽한 그림을 얻을 수 있죠.

Graph Database는 연결 지향적인 특성 덕분에 단편화된 고객 데이터를 응집력 있는 고객 프로필로 통합하는 데 아주 이상적이에요. 고객이 구매를 하거나, 지원팀에 문의하거나, 마케팅 터치포인트와 상호 작용할 때마다 (예: 광고를 보거나, 회사 웹사이트의 특정 페이지를 로드하는 경우) 상호 작용이 Graph Database에 추가되고 고객의 기존 프로필 데이터에 연결돼요. 시간이 지나면서 각 고객에 대한 완전한 그림을 구축하는 데 도움이 되는 거죠. "제품 X를 구매한 사람은 누구인가?" 같은 간단한 쿼리가 시작점일 뿐이에요.

Knowledge Graph와 Graph Database가 도움이 될 수 있는 몇 가지 방법은 다음과 같아요.

• 연결된 고객 프로필: Graph Database는 구매, 상호 작용, 고객 프로필을 쉽고 자연스럽게 연결해서 "제품 X 구매자가 일반적으로 구매하는 다른 제품은 무엇인가?"와 같은 유용한 쿼리를 가능하게 해요. 또는 "고객 Y가 사용하는 서비스는 무엇인가?" 같은 질문도요. 이렇게 연결된 그래프는 엔터티 확인 기술을 통해 더욱 풍부해지고, 웹 사이트 방문객 탐색처럼 겉보기에는 익명인 활동이 포함된 경우에도 여러 채널 간의 상호 작용을 통합할 수 있어요.

• 여행 매핑: 올바른 구성 원칙에 따라 Knowledge Graph로 구성되면 고객의 연결된 데이터는 시간이 지남에 따라 여러 채널에 걸쳐 브랜드와 상호 작용하는 방식의 패턴을 드러낼 수 있어요.

• 선호도 추론: Graph Database에 저장된 관계는 Semantic Search를 가능하게 하고, Knowledge Graph를 통해 조직은 고객의 행동 패턴을 기반으로 고객 선호도를 추론할 수 있어요.

이런 접근 방식을 사용하는 조직은 기본적인 데이터 스토리지를 넘어서 고객의 요구 사항을 예측하는 동적인 고객 통찰력을 만들어낼 수 있답니다.

생성 AI

대부분의 GenAI(엔터프라이즈 생성 AI) 애플리케이션은 향상된 Large Language Model(LLM)을 사용하는데요, Retrieval-Augmented Generation(RAG) 기술로 데이터베이스에서 정확하고 맥락에 맞는 정보를 가져온답니다. 이런 애플리케이션들은 학습된 패턴과 검색된 정보를 바탕으로 텍스트를 만들고, 질문에 답하고, 콘텐츠를 생성하는 거죠.

RAG는 LLM이 부정확한 정보로 응답하는 '환각' 문제에 대한 해결책으로 등장했어요. 외부 데이터베이스에서 정보를 가져오는 구조를 제공해서 응답의 신뢰도를 높여주는 거죠.

하지만 관계와 구성 원리에서 중요한 맥락을 잡아내는 Knowledge Graph가 없다면, RAG는 여전히 완벽한 답변을 제공하기 어려울 수 있어요. 그래서 그래프 기반 검색 기술인 GraphRAG가 등장했는데요, Vector Embedding 기반 접근 방식의 의미론적 유사성 기능과 Knowledge Graph의 풍부한 정보를 결합한 기술이에요.

Knowledge Graph에 담긴 명시적인 관계는 검증 가능한 정보로 AI 결과를 뒷받침해 줘요. 예를 들어, 사용자가 "책 X의 저자는 누구야?"라고 물으면 시스템은 추측하는 대신 Knowledge Graph에서 정확한 관계를 찾아낸답니다.

Graph Database를 기반으로 하는 Knowledge Graph는 GenAI 애플리케이션에 여러모로 도움을 줄 수 있어요:

• 사실 검색: Graph Database는 사실 쿼리에 필요한 명시적 관계를 저장하고 검색하죠. (예: "Book X의 저자는 누구입니까?") 이는 생성 AI 시스템을 위한 믿을 수 있는 Knowledge Base가 되어 줍니다.
• 상황에 따른 이해: 도메인별 구성 원리와 연결된 데이터가 담긴 Knowledge Graph는 AI 시스템이 쿼리의 맥락을 이해하고 더 관련성 높은 응답을 제공하도록 도와줘요.
• 의미적 명확성: Knowledge Graph 의미론으로 강화된 Graph Database의 Property Graph 모델은 AI 시스템이 맥락에 따라 동일한 용어의 다양한 의미를 구별하는 데 도움을 줘요.
• 추론 지원: Graph Database의 명시적인 관계와 Knowledge Graph의 의미 계층은 AI 시스템에 기본적인 추론 작업에 필요한 구조화된 정보를 제공합니다.
• 환각 예방: Graph Database에 구축된 Knowledge Graph를 기반으로 하는 생성 AI 시스템은 응답하기 전에 사실을 검증할 수 있어서 정보가 조작될 가능성을 줄여줍니다.

Knowledge Graph를 기반으로 한 생성 AI는 정확한 정보를 제공하고 상황 인식 응답을 가능하게 해요. 그럴듯해 보이지만 잠재적으로 부정확한 응답을 생성하는 시스템에 비하면 정말 큰 발전이죠!

FAQ: Knowledge Graph 및 Graph Database

다음은 Knowledge Graph 및 Graph Database에 대한 자주 묻는 질문들을 간략하게 정리한 내용이에요.

A Knowledge Graph는 실제 의미를 표현하기 위해 엔터티와 관계를 사용하여 데이터를 구성하고 연결해요. A 는 연결된 데이터가 저장되는 곳이고요. 대규모 관계를 관리하는 데 필요한 구조와 성능을 제공하는 Graph Database 위에 Knowledge Graph를 구축하는 거죠.

Knowledge Graph는 데이터 포인트 간의 풍부하고 역동적인 관계에 의존하거든요. Graph Database는 이러한 관계를 효율적으로 저장하고 탐색하도록 특별히 구축되어 Knowledge Graph 구축을 위한 자연스럽고 효율적인 기반이 되는 거예요.

예, RDF와 같은 다른 기술을 사용하여 Knowledge Graph를 만드는 것이 가능해요. 하지만 Property Graph Database는 가장 효율적이고 직관적이며 확장 가능한 인프라죠.

Graph Database에 Knowledge Graph 구축하기

Graph Database는 연결된 데이터를 저장하죠. Knowledge Graph는 엔터티와 관계를 사용하여 실제 세계를 모델링하고 통찰력을 표면화하여 해당 데이터를 구성하고요. 두 가지가 함께 언급되는 경우가 많지만 역할은 서로 달라요. Graph Database는 인프라를 제공하고, Knowledge Graph는 구조와 의미를 제공하는 거죠.

데이터가 시스템, 사람 또는 개념 전반에 걸쳐 자연스럽게 연결되는 경우 Graph Database가 필요한 기반이에요. 연결된 데이터를 컨텍스트와 통찰력으로 전환하려면 Knowledge Graph를 구축하는 것이 다음 단계고요.

자신만의 Knowledge Graph를 구축할 준비가 되셨나요? 가이드 다운로드: Knowledge Graph를 구축하는 방법.

---

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

👉 에이치시스템즈 홈페이지