지식 그래프란 무엇일까요?

A Knowledge Graph는 실제 엔터티와 그 관계를 체계적으로 표현한 것이에요. 이는 일반적으로 데이터 엔터티 간의 관계를 기본적으로 저장하는 Graph Database에 저장되죠. Knowledge Graph의 엔터티는 개체, 이벤트, 상황 또는 개념을 나타낼 수 있어요. 이러한 엔터티 간의 관계는 연결 방식의 맥락과 의미를 포착하고요.

Knowledge Graph는 구성 원칙으로 알려진 프레임워크와 함께 데이터와 관계를 저장해요. 이는 더 깊은 데이터 통찰력을 제공하기 위해 유연한 개념적 구조를 제공하는 데이터 관련 규칙 또는 범주로 생각할 수 있죠. Knowledge Graph의 유용성은 사용자나 비즈니스에 대한 새로운 지식을 표면화하기 위해 원칙, 데이터 및 관계를 구성하는 방식에 있어요. 이 디자인은 실시간 애플리케이션, 검색 및 발견을 포함한 다양한 사용 패턴에 유용하고, 접지 생성 AI 질문 답변에도 활용될 수 있어요.

가끔 사람들은 Knowledge Graph의 개념을 지나치게 복잡하게 생각하기도 해요. 데이터 사일로와 다양한 소스에 걸쳐 정보를 통합하고 연결하는 전사적 구조에 대해 들어보셨을 텐데요. 그건does Knowledge Graph를 설명하고 (데이터 통합 ​​사용 사례를 뒷받침할 수 있는 것) 광범위한 범위를 설명하는 거죠. 대규모 데이터 세트와 여러 데이터 소스를 연결하는 관점에서만 생각하면 Knowledge Graph를 만들고 구현하는 것이 복잡하고 시간이 많이 걸리는 것처럼 보일 수 있어요. 하지만 Knowledge Graph는 광범위하거나 정교할 필요가 없어요. 여러분은 하나 만들어 사용 사례별 문제를 해결하기 위해 훨씬 더 작은 범위를 사용할 수 있답니다.

 

검색 엔진의 맥락에서 Knowledge Graph에 대해 들어보셨을 거예요. 그 Google Knowledge Graph는 웹에서 정보를 검색하고 찾는 방법을 바꿔놓았죠. 사람, 장소, 사물에 대한 사실을 조직화된 개체 네트워크에 축적하거든요. Google에서 정보를 검색할 때 엔터티 간의 연결을 사용하여 맥락에 따라 가장 관련성이 높은 결과를 표시해줘요. 예를 들어 Google에서 '지식 패널’을 검색해보세요.”

La Sagrada Familia의 Google 지식 패널에는 사이트 이미지, 지도, 설명, 주소, 운영 시간, 건축한 건축가, 높이 등이 포함되어 있어요.

Google Knowledge Graph의 항목은 우리가 알고 있는 세계를 나타내며 '문자열에서 사물'로의 전환을 나타내요. 이 간단한 문구 뒤에는 웹상의 정보를 텍스트 묶음이 아닌 개체로 취급한다는 심오한 개념이 숨어 있죠. 정보는 개체의 네트워크로 구성되므로 Google은 Knowledge Graph의 집단 지성을 활용하여 맞춤형 결과를 반환할 수 있어요.단순한 키워드 일치가 아닌 귀하의 검색어에 대한 것이죠.

AI를 위한 Knowledge Graph에 대한 Gartner® 보고서를 무료로 읽어보세요.

 

이제 Knowledge Graph가 컨텍스트에 따라 데이터를 구성하고 액세스하는 방법을 이해했으니, Knowledge Graph 데이터 모델의 구성 요소를 살펴볼게요. Knowledge Graph의 정의는 누구에게 물어보느냐에 따라 다르지만, 핵심은 **Node**, **Relationship**, 그리고 구성 원칙의 세 가지 주요 구성 요소로 요약할 수 있어요.

Nodes

Nodes는 사람, 장소, 사물 또는 기관과 같은 개체에 대한 세부 정보를 표시하고 저장해요. 각 Node에는 Node 유형을 식별하는 하나(또는 때로는 여러 개)의 Label이 있으며, 선택적으로 하나 이상의 속성(**Property**)을 가질 수 있죠. Node는 때때로 *정점*이라고도 불린답니다.

예를 들어, 전자상거래 Knowledge Graph의 Node는 일반적으로 사람(고객 및 잠재 고객), 제품, 주문과 같은 엔터티를 나타내요.

Relationships

Relationships는 두 개의 Node를 함께 연결해줘요. 엔터티들이 어떻게 관련되어 있는지 보여주는 거죠. Node와 마찬가지로 각 Relationship은 Relationship 유형을 식별하는 레이블을 가지고 있고, 선택적으로 하나 이상의 속성을 가질 수도 있어요. Relationship을 *Edge*라고도 부른답니다.

전자 상거래 예시에서는 고객과 주문 Node 사이에 Relationship이 존재하는데, 고객과 주문 간의 "주문" Relationship을 나타내는 거죠.

구성 원칙

현재 사용 사례에 필수적인 기본 개념에 따라 `Node`와 `Relationship`을 구성하는 프레임워크 또는 스키마에요. 많은 데이터 디자인과 달리, Knowledge Graph는 여러 구성 원칙을 쉽게 통합할 수 있다는 장점이 있죠.

구성 원칙은 단순한 것(제품 라인 → 제품 카테고리 → 제품 분류)부터 복잡한 것(그래프의 데이터를 설명하는 완전한 비즈니스 어휘)까지 다양해요. 구성 원리를 그래프의 데이터와 관계를 오버레이하는 개념 지도 또는 메타데이터 레이어라고 생각하면 이해하기 쉬울 거예요.

이 모델은 Knowledge Graph의 나머지 부분과 동일한 `Node` 및 `Relationship` 구조를 사용하여 구성 원칙을 설명해요. 즉, 인스턴스 데이터와 구성 원칙을 모두 활용하는 `Query`를 작성할 수 있다는 거죠.

예를 들어, 전자상거래 예시에서 구성 원칙은 제품 유형 및 카테고리일 수 있어요.

온톨로지는 어떻습니까?

여러분, Knowledge Graph에 대해 알아볼 때 "온톨로지(Ontology)"라는 용어를 접할 수 있을 거예요. 온톨로지는 특정 주제 영역에 대한 개념과 개념 간의 관계를 공식적으로 정의한 것이라고 할 수 있어요. 시맨틱 네트워크는 온톨로지를 표현하는 일반적인 방법이고요. 간단히 말해서, 온톨로지는 일종의 조직 원리인 셈이죠.

온톨로지는 꽤 복잡할 수 있고, 정의하고 유지하는 데에도 많은 노력이 필요해요. 온톨로지가 필요한지 판단할 때는 Knowledge Graph로 해결하려는 문제를 고려하는 게 중요해요. 많은 경우에 온톨로지는 필수가 아니거든요. 예를 들어, 전자 상거래에서 제품 분류를 구성 원칙으로 사용하는 것만으로도 제품 추천 사용 사례에는 충분할 수 있어요.

Knowledge Graph를 초기 단계에서는 설계를 단순화하고 더 빠르게 가치를 제공하기 위한, 성장하고 발전하는 시스템으로 생각해 보세요. Knowledge Graph를 구현하는 데 적합한 기술을 선택하면 요구 사항 변화에 따라 그래프를 확장하고 발전시킬 수 있어요. 이렇게 하면 사용 사례에 필요할 때 온톨로지를 미리 구축해야 하는 부담 대신, 필요할 때 온톨로지를 추가할 수 있게 되죠.

 

Knowledge Graph가 실제로 어떤 모습인지 한번 살펴볼까요? 아래 그림은 `Node`를 원으로, `Node` 간의 `Relationship`을 화살표로 표시한 간단한 전자상거래 Knowledge Graph예요. 구성 원칙은 `Node` 및 `Relationship`으로도 저장되기 때문에, 그림에서는 어떤 `Node`와 `Relationship`이 인스턴스 데이터이고 어떤 것이 구성 원칙인지 보여주기 위해 색상 음영을 사용했어요.

원을 **Nodes**로, 화살표를 **Relationships**로 표시하는 **Knowledge Graph**의 예시입니다. 인스턴스 데이터와 구성 원칙이 강조 표시되어 있어요.

Knowledge Graphs 및 Graph Databases

**Knowledge Graph**를 만들려면 그래프 데이터 모델을 개념적으로 매핑한 다음 이를 데이터베이스에 구현해야 해요. 선택할 수 있는 데이터베이스는 많지만, 올바른 데이터베이스를 선택하면 설계 프로세스가 단순화되고 개발 및 구현 속도가 빨라지며, 앞으로 변경 및 개선 사항에 더 쉽게 적응할 수 있어요.

Property Graph

다음과 같은 기본 **Property Graph** 데이터베이스인 는 **Knowledge Graph**를 구현하기 위한 논리적인 선택이죠. 기본적으로 정보를 **Nodes**, **Relationships**, 그리고 속성으로 저장하므로 직관적인 작업이 가능해요. 고도로 상호 연결된 데이터 구조. 물리적 데이터베이스는 개념적 데이터 모델과 일치하므로 **Knowledge Graph**를 더 쉽게 디자인하고 개발할 수 있어요. **Property Graph**를 사용하면 다음을 얻을 수 있답니다.

• 단순성과 디자인 용이성: **Property Graph**를 사용하면 **Knowledge Graph**를 디자인할 때 간단한 데이터 모델링이 가능해요. 개념적 모델과 물리적 모델이 매우 유사하기 때문에(종종 동일하죠!) 설계에서 구현까지의 전환이 더 간단해요 (그리고 기술 지식이 없는 사용자에게 설명하기도 쉽고요).
• 유연성: 광범위한 리팩토링이나 코드 재작성 없이도 새로운 데이터, 속성, **Relationship** 유형 및 구성 원칙을 쉽게 추가할 수 있어요. 요구 사항이 변경됨에 따라 **Knowledge Graph**의 데이터, **Relationships** 및 구성을 반복하고 점진적으로 확장할 수 있죠.
• 성능: **Property Graph**는 특히 복잡한 순회 및 다대다 **Relationships**의 경우 RDF 데이터베이스 또는 관계형 데이터베이스와 같은 대안에 비해 우수한 **Query** 성능을 제공해요. 이러한 성능은 **Query**에서 조인을 사용하여 엔터티 간의 **Relationships**를 다시 생성하는 대신 엔터티 간의 **Relationships**를 데이터베이스에 직접 저장하는 데서 비롯되죠. 기본 **Property Graph** 데이터베이스는 메모리의 포인터를 따라 **Relationships**를 탐색하므로 많은 **Relationships**의 복잡한 체인을 탐색하는 **Query**도 매우 빠르게 수행돼요.
• 개발자 친화적인 코드: Property Graph는 직관적이고 표현력이 풍부한 ISO 쿼리 언어 표준을 지원해요. GQL은 SQL이나 SPARQL보다 작성, 디버그, 유지 관리할 코드가 적다는 것을 의미하죠. Neo4j의 Cypher는 가장 널리 사용되는 GQL 구현체랍니다.

Property Graph vs. 트리플 스토어(RDF)

가끔 이런 생각을 하는 분들이 있을 거예요. Property Graph와 트리플 스토어가 Knowledge Graph 구축을 위한 똑같이 괜찮은 선택지일까? 하지만 트리플 스토어(RDF 데이터베이스라고도 하죠)에는 꽤 큰 단점이 있답니다.

RDF(Resource Description Framework)를 기반으로 하는 트리플 스토어는 설계 및 저장에 대해 세분화된 접근 방식을 사용해요. 트리플 스토어는 모든 데이터를 주어-술어-객체 "트리플" 형태로 표현하죠. 이 모델은 속성과의 관계 또는 엔터티 간의 여러 동일한 유형의 관계를 지원하지 않아요. 실제 사용 사례를 수용하려면 해결 방법을 구현해야 하는데, 일반적인 해결 방법으로는 관계를 개체(라고 해요)로 바꾸거나 추가 "유형" 관계를 사용하여 속성을 캡처하는 *싱글톤 속성*을 사용하는 것이 있죠. 이러한 해결 방법은 더 큰 데이터베이스, 물리적 모델의 추가 복잡성, 그리고 쿼리 성능 저하를 의미한답니다.

구체화 및 싱글톤 속성은 디자인에 대한 어려운 결정을 강요하기 때문에 트리플 스토어는 복잡한 데이터 도메인과 관련된 실제 문제를 해결하는 데 적합하지 않아요. 트리플 스토어에 구축된 Knowledge Graph는 디자인하기가 더 어렵고, 구현하는 데 시간이 많이 걸리고, 변경하기도 어렵답니다.

Property Graph vs. 관계형 데이터베이스

관계형 데이터베이스 및 기타 비기본 그래프 접근 방식도 비슷한 설계 문제를 겪어요. 관계형 데이터베이스나 문서 데이터베이스는 관계를 저장하지 않거든요. 쿼리 코드에서 조인이나 값 조회를 통해 런타임에 합성해야 해요. 관계는 데이터 세트가 아닌 코드에 있기 때문에 각 애플리케이션과 데이터 사용에는 자체 구현이 필요하죠. SQL(관계형 데이터베이스 쿼리 언어)은 쿼리 자체에서 모든 조인을 정의하도록 강제하는데요. 결과적으로 Knowledge Graph는 관리하기가 더 어려워지고 관계 수가 늘어남에 따라 런타임 성능이 저하된답니다.

 

Knowledge Graph는 데이터를 보다 정교하게 이해할 수 있도록 데이터를 저장하고 구성하는 강력한 도구를 제공해요. 기업이 Knowledge Graph를 사용해서 특정 문제를 해결한 사례를 한번 살펴볼까요? 포괄적인 사용 사례 목록은 아니지만, 실제 애플리케이션에서 Knowledge Graph가 어떻게 활용되는지 보여주는 구체적인 예시들이랍니다.

기업 검색 애플리케이션을 위한 Generative AI

Generative AI 애플리케이션에서 Knowledge Graph는 주요 도메인별 또는 독점 회사 정보를 캡처하고 구성하는 역할을 해요. Knowledge Graph는 구조화된 데이터에만 국한되지 않고, 덜 정리된 데이터도 처리할 수 있다는 점이 매력적이죠.

GraphRAG는 Knowledge Graph를 통해 Large Language Model을 기반으로 하는 기술인데요, RAG 애플리케이션은 독점 도메인 데이터를 사용하는 AI 애플리케이션의 기반으로 떠오르고 있어요. Knowledge Graph는 응답 정확도를 높이고 데이터 관계에서 제공되는 컨텍스트를 통해 설명 가능성을 향상시키죠. 업계 리더인 딜로이트와 같은 곳에서도 엔터프라이즈급 GenAI를 구축하기 위한 Knowledge Graph의 중요한 역할을 강조하고 있답니다. Gartner는 오늘날 GenAI에 영향력 있는 기술인 "높은 질량"을 갖는 Knowledge Graph를 배치했네요.

Gartner의 이 Impact Radar는 Knowledge Graph를 Generative AI 환경 내에서 영향력이 큰 기술로 강조합니다(제공: Gartner)

금융 서비스, 은행, 보험 분야의 사기 탐지 및 분석

사기 탐지 및 분석에서, Knowledge Graph는 거래 네트워크, 참가자 및 관련 정보를 나타내요. 기업은 이 Knowledge Graph를 사용해서 의심스러운 활동을 빠르게 식별하고, 의심되는 사기를 조사하고, 변화하는 사기 패턴에 맞춰 Knowledge Graph를 발전시킬 수 있어요. 길 찾기 및 커뮤니티 감지와 같은 알고리즘은 더욱 정교한 사기 네트워크를 발견할 수 있는 Machine Learning 알고리즘에 주요 신호를 제공하죠.

마스터 데이터 관리

(예를 들어, 고객 360 사용 사례), Knowledge Graph는 회사 고객 및 회사와 고객과의 상호 작용에 대한 체계적이고 해결된(예: "중복 제거") 포괄적인 데이터베이스를 제공해요.

고객에 대한 이러한 체계적인 뷰는 고객과 상호 작용하는 여러 부서 또는 애플리케이션이 있는 회사에 특히 중요해요. Knowledge Graph가 없으면 고객에 대한 정확한 시각을 얻는 것이 어렵거나 불가능할 수 있죠. Knowledge Graph는 고객 행동을 동일한 고객에게서 오는 것으로 식별하는 구성 원칙을 통해 여러 애플리케이션에 걸쳐 고객 행동을 연결해줘요.

공급망 관리

공급망 관리에서 Knowledge Graph는 회사의 운영과 고객에게 공급하기 위해 협력하는 공급업체, 원자재, 제품 및 물류 네트워크를 나타내요. 이러한 엔드 투 엔드 공급망 가시성을 통해 관리자는 약점을 식별하고 중단이 발생할 수 있는 위치를 예측할 수 있어요. 최단 경로와 같은 그래프 알고리즘은 A와 B 사이의 가장 직접적인 경로를 찾아 실시간으로 공급망을 최적화하죠.

탐사저널리즘

탐사저널리즘에서 Knowledge Graph는 조사 중인 주요 엔터티(회사, 사람, 은행 계좌 등)와 활동을 포착해요. 이러한 엔터티를 서로 관련하여 구성하면 존재해서는 안 되는 엔터티 간의 먼 관계와 같은 숨겨진 패턴을 찾을 수 있죠.

조사관은 개체 확인과 같은 기술을 사용하여 가짜 또는 위장 신원 뒤에 숨어 있는 개체를 밝혀 활동을 은폐할 수 있어요. 커뮤니티 감지 및 링크 예측과 같은 알고리즘은 추가 조사를 위한 통찰력과 영역도 제공해주고요.

의료 연구에서의 약물 발견

Knowledge Graph는 연구 주제에 대한 정보를 저장하는데요, 의료 및 기타 연구 사용 사례에서 활용되고 있어요. 예를 들어, Knowledge Graph에는 환경 및 화학적 데이터와 함께 단백질 및 게놈 서열이 포함되어 복잡한 패턴을 드러내고 단백질에 대한 지식을 확장할 수 있답니다.

Knowledge Graph 시작하기

Knowledge Graph는 실제 개체와 그 관계를 체계적으로 표현한 것이며, 데이터에서 통찰력을 이끌어내기 위해 맥락에 따라 정보를 구성하는 하나 이상의 구성 원칙과 중첩되어 있어요. Knowledge Graph는 다양한 사용 사례에서 통찰력 있는 애플리케이션과 인공 지능 솔루션을 뒷받침하죠.

첫 번째 Knowledge Graph 구축을 통해 개념을 익히고 실습 경험을 쌓아보세요.

이 가이드에서는 애플리케이션 및 분석을 위한 Knowledge Graph를 구축, 관리, 쿼리, 분석 및 시각화하는 방법을 다루고 있어요.

 

• 의미론 워크숍 GitHub에서 확인해보세요.
• 온톨로지 기반 추론 101.
• 온톨로지 기반 Knowledge Graph 구축.
• GraphAcademy에서 Neo4j Graph Database의 Property Graph 모델을 사용하는 Knowledge Graph 기본 사항을 배울 수 있어요.

---

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

👉 에이치시스템즈 홈페이지