지식 그래프와 AI 미래 탐색: Accenture Charlie Beveridge 인터뷰

• Machine Learning

Charlie Beveridge와 함께하게 되어 정말 기뻐요! Accenture의 수석 컨설팅 관리자인 Charlie와 함께 Knowledge Graph의 미래에 대한 5분 인터뷰를 시청해 보세요. Charlie는 통신 및 미디어 업계 고객을 위한 Accenture의 AI 제안을 이끌고 있다고 해요.

Charlie는 프론트 오피스와 백 오피스 공간 모두에서 고객 팀과 협력하여 새로운 기술을 통해 가능한 일들을 활용할 수 있도록 돕고 있어요. 특히 Knowledge Graph는 Accenture 고객에게 가장 큰 영향을 미치는 기술 중 하나라고 보고 있다고 하네요.

Julia Astashkina: 그렇다면 Knowledge Graph란 무엇인가요?

Charlie Beveridge: 일반적으로 그래프는 양이나 시간과 같은 특정 항목을 측정하는 두 개의 X 및 Y 축을 의미하죠. 하지만 여기서 말하는 그래프는 3D이며, 3D 축이 반드시 아무것도 측정하지 않아요. 이는 채우려는 공간에 크기를 부여하거나 끌어내는 방법일 뿐이에요.

예를 들어 LinkedIn 프로필을 나타내는 여러 점들이 3D 공간 내의 어느 곳에나 배치되어 있고, 각 점 또는 프로필에는 하나 이상의 다른 점 또는 프로필과 연결되는 선이 있으며, 이는 차례로 다른 프로필과 연결되는 자체 선이 있는 경우... 실제로 중요한 것은 그래프의 각 점이 나타내는 내용, 연결된 다른 점, 연결이 얼마나 가깝거나 멀리 떨어져 있는지죠. 그게 바로 에요. LinkedIn과 같은 소셜 또는 전문 네트워크는 매우 확실한 네트워크 예시라고 할 수 있죠.

하지만 기본적으로 삶의 모든 것은 네트워크의 일부에요. 운전할 때 도로망을 이용하죠. 여러분의 가정용품은 일부 공급 물류 네트워크를 거쳐 그곳에 도달했을 거예요. 우리의 지식조차도 시간이 지나면서 쌓아온 개념의 네트워크죠. 음, 그래프에 네트워크를 설정하면 해당 데이터로 할 수 있는 일이 훨씬 더 많아지고, 특히 AI는 그래프 형식으로 정리된 데이터를 사용할 때 훨씬 더 큰 영향을 미칠 수 있어요.

Julia: 그래프에서 가장 흥미로운 점은 무엇인가요?

백인: 한 문장으로 요약하자면, 그래프는 에게 세상에 전기가 가져다 준 변화와 같은 역할을 하고 있어요. 정말 강력할 뿐만 아니라, AI의 완전히 새로운 사용 사례를 열어주고 가능성을 근본적으로 바꿔놓고 있죠.

빅데이터와 지식 사이에는 큰 차이가 있어요. 빅데이터는 정보의 바다와 같아서 수많은 데이터 포인트가 존재하죠. 예를 들어, 1년 동안 테마파크를 방문한 모든 사람을 연령이나 성별 등으로 집계해서 30대 남성이 몇 명인지 알 수 있어요. 하지만 관련된 맥락을 통합해서 실제 통찰력을 제공하는 연결된 데이터 포인트를 가질 수 있다면, 이건 완전히 다른 이야기가 돼요. 예를 들어, 그 테마파크에 누가 함께 왔는지, 최근에 방문한 친구가 추천해서 온 사람은 누구인지, 두 번째 방문했을 때 다른 사람에게 추천한 사람은 누구인지 등을 알 수 있는 거죠.

데이터 포인트 간의 연결은 데이터 이면에 숨겨진 맥락을 알려줄 수 있어요. 예를 들어, 테마파크를 너무 좋아해서 친구를 데려와 방문자 기반을 적극적으로 늘리는 사람이 누구인지 파악할 수 있게 되는 거죠. 연결 관계를 만드는 것은 그래프가 데이터 포인트에 대해 수행하는 작업의 핵심이에요. 모든 것이 의미 있는 맥락이나 스토리라인으로 연결되도록 관계를 만들어주는 거죠. 그리고 의미를 담은 데이터는 훨씬 더 유용한 일을 할 수 있게 해줘요.

흥미로운 점은 그래프 덕분에 AI가 이미 모든 맥락과 의미 있는 스토리라인으로 연결된 데이터를 사용할 수 있다는 거예요. 이는 훨씬 더 유용한 결정을 내릴 수 있다는 의미죠. 예를 들어, AI는 친구에게 해당 테마파크를 추천한 것에 대한 보상으로 최고의 제안을 통해 여러분을 타겟팅하는 방법을 학습할 수 있어요. 이건 테마파크가 여러분의 나이와 성별에 적합하다고 생각하는 커뮤니케이션을 통해 타겟팅하는 것보다 훨씬 효과적인 전략이죠.

줄리아: 정말 흥미롭네요! AI가 전체 맥락을 사용하는 것이 왜 중요한지에 대한 다른 예시가 있을까요?

백인: 물론이죠, 아주 많아요.

여러분이 입력하는 내용을 읽고 응답하는 AI를 상상해 보세요. 은행 웹사이트의 고객 서비스 챗봇 같은 걸 생각해 볼 수 있겠죠. 영어는 완전히 다른 의미를 전달하기 위해 동일한 단어나 심지어 동일한 문구를 사용하도록 진화해 왔어요. 말을 할 때는 말투나 몸짓을 통해 의도한 의미를 명확히 할 수 있지만, 우리가 글을 입력할 때는 수신자가 의미를 해석하는 데 사용할 수 있는 단서가 훨씬 적죠. 마치 WhatsApp 메시지를 두 번째 읽었을 때 처음 읽었을 때와는 완전히 다른 의미로 다가오는 것과 같아요. 우리 뇌는 메시지를 읽을 때 당시 사용 가능한 모든 맥락을 사용해서 그 의미를 파악하려고 하죠. 스레드의 단어와 문장, 이전 단어와 문장을 연결하고, 보낸 사람이 누구인지, 심지어 시간과 같은 정보까지 연결해서 최신 텍스트가 무엇을 의미하는지 결론을 내리는 거예요.

은행 챗봇의 경우, 질문을 액면 그대로 읽고 답변을 제공하도록 만들어졌다면 전체 맥락을 놓치고 질문을 잘못 해석할 가능성이 높기 때문에 별로 도움이 되지 않을 거예요. 하지만 그래프가 시간, 단어와 문장 사이의 링크, 보낸 사람에 대한 정보 등과 같은 모든 단서를 하나로 묶을 수 있다면 챗봇은 훨씬 더 사람의 뇌와 유사한 방식으로 사용자가 요청하는 내용을 이해하고 적절하게 응답할 수 있겠죠.

또 다른 좋은 예는 문제의 근본 원인을 찾는 거예요. Toyota는 실제로 제조 방법론의 일부로 "5 Whys"라는 원칙을 만들었어요. '왜'라는 질문을 다섯 번 반복해서 던지면 증상 위에 임시방편적인 해결책을 덧붙이는 것이 아니라 원인을 해결하는 데 집중하게 된다는 거죠. 왜 자동차 시동이 걸리지 않을까요? 배터리가 방전됐어요. 배터리가 방전된 이유는 무엇일까요? 발전기가 작동하지 않아요. 왜요? 벨트가 끊어졌어요. 왜? 벨트의 수명이 다 됐는데 교체하지 않았어요. 왜 교체되지 않았을까요? 차가 정비받아야 할 시기에 정비받지 못했어요.

그렇다면 우리는 배터리 결함이 있는 자동차 라인을 조사할 필요가 없겠죠. 비교적 새 차를 구입했다면 아마도 일종의 온보드 진단 시스템이 내장되어 있을 거예요. 이 시스템은 자동차의 성능과 부품의 파손 여부를 지속적으로 모니터링하죠. 그리고 자동차가 최신 모델일수록 진단에 AI를 사용할 가능성이 더 높아요. 하지만 컴퓨터가 증상, 연결된 부분의 체인, 근본 원인 또는 근본 원인 복수를 연결하는 능력이 없다면 실제로 수정이 필요한 사항을 사용자에게 정확하게 제시할 수 없을 거예요.

이런 의미에서 그래프를 통해 AI는 "5 Whys" 질문을 던질 수 있고, 이 예시는 자동차 결함에 초점을 맞추고 있지만, 실제로 이 심층 분석 기술은 모든 문제를 일으키는 일련의 사건에 중요하게 적용될 수 있어요. 에너지 네트워크의 파이프 파열, 통신사 네트워크의 마스트 문제, 심지어 공급망 네트워크의 기계 결함에도 적용될 수 있죠. 그래프는 AI가 실제 근본 원인을 파악하는 데 도움이 돼요.

줄리아: 이것이 미래의 AI에 어떤 의미를 가질까요?

백인: AI의 문제는 지금까지 우리가 영화에서 보았던 무서운 일들을 AI가 하는 것을 많이 보지 못했다는 거예요. 적어도 아직은 로봇 친구가 없죠. 그 이유는 우리가 개발한 좁은 형태의 AI가 특정 데이터세트를 사용하고 있기 때문이에요. 시간이 지남에 따라 해당 작업을 더 잘 수행하는 방법을 학습하더라도 특정 작업을 완료하기 위해 빅데이터 데이터 세트를 사용하는 경우가 많죠.

AI는 정말 뛰어난 성능을 발휘하지만, 이를 뒷받침하는 맥락과 데이터 부족으로 인해 AI의 기능이 제한되어 왔어요. 하지만 인간은 해석하고, 이해하고, 새로운 것을 배우고, 심지어 사물을 발명하는 데 필요한 모든 연결을 이끌어내는 타고난 능력을 가지고 있죠. 한 언어를 사용하여 다른 언어를 배우거나, 연극 공연을 보면서 역사를 배우는 것과 같거나, 라이트 형제가 항공기 비행을 발명한 것처럼 새로운 날개 모양을 연구하는 것과 같은 일을 하는 거예요.

연결과 비교를 이끌어내는 능력은 우리 뇌를 지구상에서 가장 강력한 뇌로 만들어 줘요. 그리고 그러한 종류의 창의성은 종으로서 우리의 생존과 진화에 핵심적인 역할을 해왔죠. 그래서 우리는 그래프가 어떻게 데이터에서 의미를 생성하는 방식으로 데이터를 연결하는 접착제 역할을 하는지에 대해 이야기해 왔어요. 연결된 맥락을 통해 AI가 어떻게 훨씬 더 강력한 결과를 얻을 수 있는지 살펴보았죠. 근본 원인을 식별하고 관련 보상을 목표로 삼거나 질문에 더 효과적으로 답변하는 것과 같이요.

인간처럼 자연스럽게 연결하는 능력은 AI가 달성할 수 있는 측면에서 판도를 계속해서 바꿔놓을 거예요. 과장해서 말하는 건 싫지만, AI가 창의적일 수 있다는 의미가 될 수도 있겠죠.

줄리아: 와, 정말 감사합니다! 정말 통찰력 있는 내용이었어요!

Neo4j 파트너 프로그램에 대해 더 자세히 알아볼 준비 되셨나요? 알아야 할 모든 것을 알아보려면 아래를 클릭하세요. 프로그램에 대해 그래프와 관련된 기회가 있다면 다음 페이지에서 문의하세요. Partners@neo4j.com.

---

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

👉 에이치시스템즈 홈페이지