Chapter4: Wrap-up!

학기말에 최종으로 정리한 글을 추려서 공유합니다. 이 글로 개념적인 부분은 어느 정도 정리가 된 것 같네요! (긴 글이지만, AI로 뚝딱 생성해낸 그런 글은 아님!)

1. Ontology and ontology

철학적 관점의 온톨로지(Ontology; 대문자 O)는 존재론을 의미하며, 형이상학의 한 분야로서 세계를 구성하는 존재자의 본질과 유형을 탐구한다[3]. 온톨로지는 실재(reality)를 구성하는 사물, 속성, 사건, 과정, 관계 등의 종류와 구조를 연구하며, ‘무엇이 존재하는가’에 대한 체계적이고 포괄적인 분류를 추구하는 학문으로 정의된다[1]. 이러한 관점에서 온톨로지는 세계를 구성하는 다양한 존재자를 식별하고 분류하여 그 구조를 기술하는 데 초점을 두며, 새로운 현상을 예측하거나 설명하기보다는 존재하는 것들을 체계적으로 정리하고 기술하는 작업으로 이해된다.
반면, 정보과학 관점의 온톨로지(ontology, 소문자 o)는 특정 도메인의 지식을 체계적으로 표현하고 공유하는 데 목적을 둔다[1]. 온톨로지는 해당 도메인에서 사용되는 개념과 개념 간 관계를 명시적으로 정의한 공유된 개념화(shared conceptualization)로서, 시스템 간 의미적 일관성과 상호운용성을 지원한다. 이를 통해 서로 다른 시스템이나 사용자 간에 동일한 개념을 동일한 의미로 이해할 수 있도록 하며, 지식 표현과 추론을 위한 기반을 제공한다. 따라서 정보과학적 온톨로지는 실재를 분류하는 철학적 온톨로지와 달리, 특정 목적에 따라 개념을 정의하고 구조화하는 지식 모델로 이해할 수 있다. 본 보고서에서 다루는 온톨로지는 모두 이러한 정보과학적 관점의 온톨로지를 의미한다.
정보과학의 온톨로지는 Tom Gruber가 제시하고 이후 다듬어져 다음과 같이 정의된다: ‘An ontology is a formal, explicit specification of a shared conceptualization of a domain of interest’[2, 26]. 풀어서 해석해보면, 형식적(formal)이라는 것은 기계가 읽고 처리할 수 있는 인공지능 언어로 표현하는 의미이고, 명시적(explicit)은 개념들의 유형과 개념 사용에 대한 규칙을 분명하게 드러내 정의한다는 뜻이다(명시적의 반대는 ‘암묵적’, ‘암시적’이라고 볼 수 있다). 공유된(shared)의 의미는 개념의 사용이 관련된 사람들에게 합의될 수 있다는 것을 뜻하며, 개념화(conceptualization)는 실제 세계에 대한 모형, 관심의 대상이 되는 영역(domain of interest)은 개념이 모형화되는 대상 영역을 말한다. 즉, 온톨로지는 ‘일종의 지식 표현 방법으로, 개념과 관계를 명시적, 형식적으로 정의하여 공유될 수 있도록 하는 것’으로 정리할 수 있다.
온톨로지의 핵심 구성요소는 클래스(Class), 인스턴스(Instance), 속성(Property), 관계(Relationship), 공리(Axioms) 등 이다[4]. 클래스는 동일한 특성을 공유하는 개체들을 추상화하여 정의하며, 도메인의 개념(Concept)을 표현하는 모델링 요소이다. 이때의 개념은 특정 도메인에서 인식되는 사고의 단위, 즉 범주를 의미한다. 예를 들어, ‘저자(Author)’라는 개념은 ‘글을 쓰는 사람’이라는 의미 단위로 도메인에서 인식되는데, 이는 온톨로지에서 ‘Author’라는 클래스로 정의된다. 이 클래스는 ‘하나 이상의 문헌을 생산한다’, ‘실명을 가진다’와 같은 공유 특성으로 정의되며, ‘한강’과 같은 실제 개별 저자들은 이 클래스의 인스턴스가 된다. 인스턴스는 실제 세계 혹은 특정 상황에서 존재하는 개별 대상을 표현한다. 한편, 한글 표현이 ‘개체’로 동일한 엔티티(Entity)는 현실·개념 세계에 존재하는 모든 대상을 포괄적으로 지칭하는 용어로, 사람·장소·사물 뿐 아니라 사건이나 추상적 개념까지 포함하며, 다른 대상과 관계를 맺는 독립적인 개념 단위를 의미한다. 따라서 인스턴스는 엔티티의 한 형태로 볼 수 있으며, 경우에 따라 개념 자체도 엔티티로 간주될 수 있다. 현재 문헌에 따라 엔티티와 인스턴스는 혼용되어 사용되기도 하지만, 용어의 층위가 근본적으로는 다르다고 볼 수 있다. 이와 함께, 객체(Object)는 일반적으로 개체를 프로그래밍적으로 구현한 대상을 의미한다. 객체는 속성(attribute)과 행위(method)를 함께 포함하는 표현으로, 소프트웨어적 표현이며 현실 세계의 대상을 가리키는 개체(Entity)와는 구별된다[5].
클래스와 인스턴스의 구분은 본질적으로 고정된 것이 아니라, 설계하는 온톨로지의 활용 목적과 추상화 수준에 따라 달라진다. 예컨대 ‘와인’이라는 개념을 다룰 때, 와인을 클래스로 보고 ‘칠레산 샤르도네 2001년산’을 인스턴스로 둘 수도 있지만, 보다 상위의 ‘음식’이라는 관점에서는 와인 자체가 인스턴스로 표현될 수 있다. 이는 온톨로지의 클래스/인스턴스 구분이 존재론적 사실이 아니라 모델링상의 선택임을 보여준다.
다음으로, 속성은 엔티티를 설명하는 정보로, 개념·개체·관계 모두를 기술하는 데 쓰일 수 있다. 개체와 개체(entity ↔ entity)를 연결하는 속성은 관계(Relationship)에 해당한다. 그래프 구조에서 엣지(edge) 혹은 아크(arc)에 해당하며 RDF의 술어(predicate)에 대응한다고 볼 수 있다. 개체 사이에는 여러 관계가 정의될 수 있고 개별 관계는 다시 자체의 속성을 가질 수도 있다. RDF 기반이 아닌 속성 그래프(property graph) 모델에서는 노드(개체)와 엣지(관계) 모두에 속성을 부여할 수 있다는 점에서 모델링 구분과 구현 방식에 따라 속성의 위치와 의미는 달라질 수 있다.
마지막으로 공리(Axiom)는 이들 요소들 사이의 논리적 제약과 규칙을 정의하며, 이를 통해 추론(reasoning)이 가능해진다.
이 구성 요소들은 단순한 어휘 목록과 온톨로지를 구분 짓는 핵심이다. 어휘(vocabulary)나 분류체계(taxonomy)가 개념과 위계 관계만을 제공한다면, 온톨로지는 그 위에 형식 논리에 기반한 공리와 추론 규칙을 더함으로써 기계가 새로운 지식을 도출할 수 있게 한다. 예를 들어 ‘모든 인간은 동물이다’라는 공리와 ‘소크라테스는 인간이다’라는 사실이 온톨로지에 명시되어 있다면, 추론 엔진은 ‘소크라테스는 동물이다’라는 결론을 자동으로 도출할 수 있다. 이 추론 가능성(inferability)은 온톨로지가 단순한 사전이나 분류 체계를 넘어서는 지점이며, 시맨틱 웹의 지적 기반이 될 수 있었던 핵심 요소가 된다.

2. ontology, taxonomy, thesaurus

시소러스(thesaurus), 택소노미(taxonomy), 온톨로지(ontology) 세 용어는 정보과학 영역에서 본래의 의미가 변형되었고, 그 과정에서 상호 중첩되거나 혼용되었다[6]. 따라서 세 용어를 엄격하게 구분하기보다 각 개념이 지닌 핵심 특성과 기능을 중심으로 공통점과 차이점을 이해하는 것이 중요하다.
세 개념은 서로 다른 역사적 배경과 활용 주체를 가진다. 시소러스는 로제(Roget)의 어휘 분류 체계에서 출발하여 색인과 검색을 위한 통제어휘(controlled vocabulary)로 발전하였다. 시소러스는 상위어·하위어 관계, 연관 관계, 등가 관계(동의어) 등을 명시한 네트워크 구조를 가지며, 색인자와 검색자가 동일한 개념에 대해 일관된 선호어(preferred term)를 사용하도록 지원하는 것을 목적으로 한다.
택소노미는 정보를 분류하기 위한 계층 구조(hierarchical structure)를 의미하며, 기업 정보 포털과 지식관리 시스템의 확산과 함께 중요성이 재조명되었다. Gilchrist(2003)는 택소노미가 웹 디렉터리, 자동 색인 지원, 자동 범주화, 프런트엔드 필터링, 기업 택소노미 등 다양한 의미로 사용되고 있음을 지적하면서도, 이들 모두의 공통된 핵심은 ‘정보를 체계적으로 분류하기 위한 계층 구조’에 있다고 설명하였다.
온톨로지는 앞서 정의한 바와 같이 특정 도메인의 개체와 개념, 그리고 이들 간의 관계를 명시적으로 표현하는 지식 표현 체계이다. 온톨로지는 개념 간 관계를 형식적으로 정의할 뿐 아니라, 논리적 추론 규칙을 포함함으로써 새로운 지식을 도출할 수 있는 강한 추론 능력을 제공한다.
이와 같이 시소러스, 택소노미, 온톨로지는 서로 다른 배경에서 발전하였으나, 모두 정보를 조직하고 의미를 구조화하기 위한 지식조직체계(Knowledge Organization System)의 일종으로 이해할 수 있다. 세 개념은 목적과 표현 방식에는 차이가 있으나, 정보 조직과 지식 표현이라는 공통된 문제를 해결하기 위한 방법론이라는 점에서 상호 보완적인 관계에 있다.

3. Semantic Web

1990년대의 웹은 급속도로 성장했지만, 본질적으로 '인간을 위한 문서의 웹'이었다. HTML로 작성된 웹 페이지는 브라우저를 통해 사람이 읽도록 설계되었으며, 컴퓨터는 페이지의 레이아웃이나 링크 구조는 처리할 수 있어도 그 안에 담긴 정보의 의미(semantics)를 신뢰할 수 있는 방식으로 해석하지는 못했다[7]. 검색 엔진이 발달하면서 원하는 문서를 찾는 일은 쉬워졌지만, 키워드 기반 검색은 문서의 구문(syntax)을 다룰 뿐 의미를 다루지 못한다. 따라서 여러 조건이 결합된 복합 질의를 처리하거나 서로 다른 출처의 정보를 자동으로 통합하는 작업은 여전히 인간의 판단을 필요로 하는 영역으로 남아 있었다. 월드와이드웹(World Wide Web; WWW)이 정보자원들 사이의 의미적 관계를 명시적으로 표현하지 못한다는 이 근본적 한계를 보완하기 위해 자연스럽게 논의된 것이 바로 시맨틱 웹이다[8].
시맨틱 웹의 구상은 1998년 팀 버너스리가 작성한 설계 문서 ‘Semantic Web Road map’에서 시작되었다[9]. 이 문서는 오늘날의 웹에서 기계 추론이 보편화된 웹으로 나아가기 위한 기술의 점진적 도입 경로를 위에서 바라본 시점으로 조망한 아키텍처 계획이다. 여기서 시맨틱 웹은 ‘전 지구적 데이터베이스에 가까운 데이터의 웹’으로 규정되고, 기계가 사람처럼 행동하도록 훈련시키는 인공지능적 접근 대신, 정보를 기계가 처리할 수 있는 형식으로 표현하는 언어를 개발하는 방향으로 설명되었다. 이를 위해 일반적이고 단순한 RDF(Resource Description Framework)를 공통 모델로 삼고, 그 위에 스키마 계층과 논리 계층 등을 차례로 쌓아 올리는 계층적 구조를 제안하였다.
이러한 설계 구상은 2001년 Scientific American에 발표된 ‘The Semantic Web’을 통해 보다 구체적인 비전으로 제시되었다[7]. 이들이 구상한 시맨틱 웹은 별도의 웹이 아니라 기존 웹의 확장으로서, 정보에 잘 정의된 의미를 부여함으로써 컴퓨터와 사람이 협력하여 정보를 검색·통합·추론할 수 있도록 하는 환경이다. 이를 위해 정보는 인간을 위한 문서 중심이 아닌 기계가 처리 가능한 데이터의 형태로 표현되며, 컴퓨터가 이를 해석하고 활용할 수 있는 웹(Web of Data)의 전환을 의미한다.
이러한 시맨틱 웹의 비전에서 핵심 기술로 강조되는 것이 온톨로지이다. 시맨틱 웹에서 온톨로지가 중요한 이유는 정보를 개념화하고 생성된 범주들과 그들 간의 관계를 의미적으로 연결해 주기 때문이다[8]. 이를 통해 서로 다른 시스템에서 생성된 데이터라도 동일한 개념을 공유하고 해석할 수 있으며, 기계는 데이터 간의 의미적 관계를 기반으로 정보를 통합하고 활용할 수 있게 된다. 따라서 온톨로지는 시맨틱 웹에서 데이터의 의미를 표현하고 공유하기 위한 핵심적인 지식 표현 체계로 간주된다.

4. Linked Data

링크드 데이터(Linked Data)는 팀 버너스리가 2006년 제안한 방법론으로, 웹 상에 구조화된 데이터를 게시하고 서로 다른 데이터 소스를 연결하기 위한 일련의 모범 실천 사항을 의미한다[10]. 이때 데이터 게시 및 연결을 위한 원칙(Linked Data Principles)과, 해당 원칙을 적용하여 구축된 데이터 집합(Linked Data Datasets)은 구분할 필요가 있다(원칙과 구현체는 흔히 Linked Data로 혼용하는 경향이 있으나, 본 보고서에서는 명료성을 위해 후자를 Linked Data Datasets으로 명명한다). 전자는 네 가지 원칙(1. 특정 개념이나 대상을 URI로 명명한다 2. HTTP를 통해 URI로 명명된 정보자원에 접근할 수 있게 한다 3. URI로 접근했을 때 RDF에 정의된 URI에 포함되어 있는 상세정보를 제공한다 4. RDF에 포함되어 있는 다른 정보자원에 접근할 수 있어야 한다)[11]을 기반으로 하며, 추상적 규칙 수준에 해당한다. 반면, 후자는 이 원칙을 실제로 적용하여 웹에 발행하고 상호 연결한 구체적인 데이터셋 집합을 의미한다[12]. 개방 라이선스 하에서의 개방성과 재사용 가능성을 전재로 한 Linked Open Data(LOD) 역시 Linked Data Datasets에 해당한다고 볼 수 있다[13]. LOD의 대표적인 구현 사례로는 2007년 W3C SWEO의 ‘Linking Open Data’ 커뮤니티 프로젝트를 들 수 있으며, 이 프로젝트는 DBpedia, Geonames 등을 허브로 하는 거대한 데이터 클라우드를 형성하여 링크드 데이터 원칙이 웹 규모에서 구현 가능함을 보여주었다[8].

5. Knowledge Graphs (KGs)

한편, 시맨틱 웹과 링크드 데이터는 학문적 틀에 갇혀 있다는 한계를 지적받기도 했는데, 이런 인식을 깬 건 2012년 구글이 검색 서비스에 ‘지식그래프(Knowledge Graph)’라는 이름의 기능을 도입한 이후이다[8]. Google의 지식그래프는 문자열 매칭을 넘어 의미 기반의 검색을 수행하고, 검색 결과에서 단순한 웹 페이지 목록이 아니라 엔티티(사람, 장소, 사물 등)에 대한 구조화된 정보를 직접 제시하는 기능이었다[14]. 이후 Microsoft, Amazon, eBay, IBM, LinkedIn, Uber 등 주요 기술 기업들도 자체 지식그래프를 구축하면서, 지식그래프는 산업계의 핵심 인프라로 자리 잡았다.
지식그래프는 다양하게 정의되어 왔으며, 강조점에 따라 다양한 방식으로 기술된다. 예를 들어, ‘지식그래프는 정보를 획득, 통합하여 온톨로지에 반영하고 추론기를 적용하여 새로운 지식을 도출한다’고 정의함으로써 추론 능력과 외부 소스 통합을 핵심 요건으로 부각하였다[15]. 반면, 보다 포용적인 입장에서 지식그래프를 ‘실세계의 지식을 축적하고 전달하기 위한 데이터의 그래프로, 노드는 관심의 대상이 되는 엔티티를, 엣지는 그 엔티티들 사이의 관계를 표현하는 것’으로 규정한다[16]. 이는 지식그래프를 다양하고 동적이며 대규모의 데이터 컬렉션을 활용해야 하는 시나리오에서 주목받는 그래프 기반 데이터 모델로 표현된 지식의 집합으로 설명한는 관점이다. 산업계 실무 측면에서는 ‘지식그래프는 정보가 맥락을 갖도록 한다는 목적에 따라 배열한 데이터로, 이를 통해 인사이트를 얻을 수 있으며, 이때 배열 방식은 그래프 구조를 기반한다. 그래프는 데이터의 맥락을 직관적으로 표현하여 이해하기 쉽고, 이는 높은 활용성으로 이어진다’고 설명한다[17]. 종합하면, ‘지식그래프는 정보가 맥락을 기반으로 연결되어 인사이트를 도출할 수 있도록 배열한 데이터 구조’로 이해할 수 있다.
지식그래프는 일반적으로 사람, 장소, 조직, 사건 등의 엔티티를 노드(node)로, 엔티티 간의 의미적 관계를 엣지(edge)로 표현하며, 각 엔티티는 특정 개념 또는 클래스에 속할 수 있다. 지식그래프의 정보는 주로 ‘주어(Subject)-술어(Predicate)-목적어(Object)’로 구성된 트리플(triple)의 집합으로 표현된다. 예를 들어 ‘세종대왕–창제하다–훈민정음’이라는 트리플에서 ‘세종대왕’과 ‘훈민정음’은 엔티티이며, ‘창제하다’는 두 엔티티를 연결하는 관계이다. 이러한 트리플들이 서로 연결되면서 개별 사실뿐만 아니라 사실 간의 연관성까지 표현하는 네트워크를 형성한다. 또한 지식그래프는 엔티티와 관계에 대한 추가 정보를 속성으로 표현할 수 있다. 예를 들어 특정 인물 엔티티에 출생일, 직업, 국적 등의 속성을 부여하거나, 관계에 생성 시점이나 신뢰도와 같은 메타데이터를 부여할 수 있다. 구현 관점에서 지식그래프는 RDF(Resource Description Framework) 기반 그래프와 프로퍼티 그래프(property graph) 형태로 구분된다. RDF 그래프는 트리플 중심의 표현 방식을 사용하며, 프로퍼티 그래프는 노드와 엣지 모두에 속성-값 쌍을 부여할 수 있다는 특징을 가진다.
지식그래프는 데이터 자체뿐 아니라 그 데이터가 무엇을 의미하는지를 명시하는 스키마 계층을 함께 갖는다. 이 두 층위를 구분하기 위해 흔히 기술 논리(Description Logics)에서 유래한 T-Box와 A-Box라는 용어가 사용된다[16]. T-Box(Terminology Box)는 클래스·속성·공리의 집합으로, 예컨대 ‘City는 Place의 하위 클래스이다’와 같은 진술을 통해 도메인의 개념 구조를 정의하며 흔히 온톨로지에 해당한다. 반면 A-Box(Assertional Box)는 개별 인스턴스에 관한 사실 진술의 집합으로, ‘Seoul은 City이다’와 같은 진술이 이에 속한다.

6. 소결

온톨로지, 시맨틱 웹, 링크드 데이터, 지식그래프를 각각의 정의와 구성요소, 등장 배경을 중심으로 살펴보았다. 이들 개념은 흔히 동의어처럼 혼용되지만, 서론에서 제시한 네 가지 역할에 따라 구분할 때 그 관계가 한층 분명해진다(표2 참고).
먼저 온톨로지와 시맨틱 웹은 강조점에서 구분된다. 온톨로지가 ‘무엇을 어떻게 형식화하여 표현하는가’에 관한 도구이자 언어라면, 시맨틱 웹은 그 표현물을 ‘어디서, 어떤 방식으로 공유하고 처리하게 할 것인가’에 관한 비전이자 패러다임이다. 한편, 온톨로지의 정의에 포함된 ‘형식적(formal)’이라는 조건 때문에 두 개념의 경계가 모호해 보일 수 있으나, 철학에서 출발한 온톨로지는 본래 웹을 전제하지 않으므로 기계 처리 가능성은 온톨로지의 필요조건일 뿐 충분조건은 아니다. 따라서 둘은 대체 관계가 아니라, 표현의 문법(온톨로지)과 그것이 작동하는 환경(시맨틱 웹)이라는 층위의 차이로 이해하는 편이 적절하다.
다음으로 링크드 데이터와 지식그래프는 기술적으로 구분될 수 있다. 링크드 데이터는 데이터를 출판하고 연결하기 위한 방법론적 원칙에 가까우며, RDF와 HTTP URI라는 특정 기술 스택을 명시적으로 요구한다. 반면 지식그래프는 결과물로서의 시스템이나 데이터베이스를 가리키는 경우가 많고, RDF뿐 아니라 속성 그래프 등 다양한 데이터 모델 위에서 구현될 수 있다. 이 차이는 링크드 오픈 데이터와 지식그래프의 관계에서 특히 분명히 드러난다. LOD는 링크드 데이터 원칙을 충실히 따른 데이터 집합으로 그 자체를 거대한 지식그래프로 볼 여지가 있으나, 모든 지식그래프가 링크드 데이터 4원칙을 따르는 것은 아니다. 예를 들어, 속성 그래프 기반 지식그래프는 모든 자원에 URI를 부여하지 않으며 RDF가 아닌 자체 데이터 모델을 사용한다. 따라서 두 개념을 동일화하기 보다는 부분적으로 겹치는 두 영역으로 보는 편이 정확하다.
그럼에도 이들 개념이 빈번히 혼용되는 것은 단순한 용어적 부주의 때문만은 아니다. 보다 근본적으로, 네 개념은 분산된 정보를 의미론적으로 연결하여 기계가 이해하고 활용할 수 있는 지식으로 전환한다는 동일한 지향을 공유하기 때문이다. 링크드 데이터가 이 목표를 ‘원칙과 표준’의 언어로 표현한다면, 지식그래프는 같은 목표를 ‘시스템과 산업 응용’의 언어로 표현한다. 온톨로지와 지식그래프의 관계도 같은 맥락에서 간결하게 정리된다. 온톨로지가 개념과 관계를 정의한 ‘설계도(blueprint)’라면 지식그래프는 그 설계도 위에 실제 데이터가 채워진 ‘응용(application)’이며, 이는 ‘온톨로지 + 데이터 = 지식그래프’로 표현할 수 있다[18]. 다만 모든 지식그래프가 매번 새로운 온톨로지를 처음부터 요구하는 것은 아니며, SKOS·OWL·RDF·FOAF·Dublin Core와 같은 표준 어휘와 기존 도메인 온톨로지를 재사용하거나 상위 온톨로지(upper/foundation ontology)를 전체 데이터 모델로 활용하는 구성도 가능하다.
요컨대 네 개념은 서로 단절된 별개의 기술이 아니라, ‘기계가 인간의 지식을 이해하고 활용할 수 있도록 형식화하고 연결한다’는 하나의 지적 프로젝트가 시대와 기술적 맥락에 따라 강조점을 달리하며 표현된 연속적 흐름으로 읽을 수 있다. 이 연속성에 주목할 때 각 개념이 서로를 어떻게 전제하고 보완하는지 분명하게 드러난다.

7. AI 환경의 온톨로지

현재의 AI 환경은 온톨로지의 가치에 다시 주목하고 있다. LLM을 기반으로 한 AI는 자연어 이해와 생성에서 탁월하지만, 본질적으로 확률적 예측에 기반하므로 사실 관계의 오류와 환각(hallucination), 추론 과정의 불투명성, 설명 불가능성 등의 한계를 갖는다. 이는 모델의 크기를 키우는 것만으로는 해결되지 않으며, 이에 따라 모델 외부에 신뢰할 수 있는 구조화된 지식을 두고 이를 참조하게 하는 접근이 지속적으로 시도되고 있다. 이때 개념과 관계를 명시적·형식적으로 정의해 둔 온톨로지는 이러한 AI의 근본적 한계를 보완하는 상호보완적 역할을 수행할 수 있다. 이러한 상호 보완은 크게 두 방향에서 작동한다[19].
첫째는 온톨로지가 AI의 신뢰성을 보장하는 방향이다. 온톨로지로 정의된 의미 구조를 기반으로 AI가 답변을 생성하면, 모델은 임의로 답을 지어내지 않고 검증된 사실 위에서 답을 생성하게 된다. 이를 통해 답변의 근거를 추적하고 추론의 결과를 설명할 수 있다. 온톨로지의 본래 목적이 ‘정보의 구조에 대한 공통된 이해를 사람과 소프트웨어 에이전트가 공유하도록 하는 것’[20]이었다는 점을 상기하면, AI의 추론을 검증 가능한 의미 구조 위에 정박시키는 일은 온톨로지에 새로 부여된 기능이라기보다 그 본래 목적이 AI라는 새로운 소프트웨어 에이전트를 통해 실현되는 과정으로 볼 수 있다.
둘째는 AI를 온톨로지 구축에 활용하는 방향이다. 온톨로지의 가장 큰 현실적 제약은 개념 체계와 스키마를 설계하는 데 도메인 전문가의 수작업이 필수적이어서 구축 비용이 높고 확장이 더디다는 점이다. 그런데 최근 LLM이 온톨로지를 읽고 해석할 수 있는 수준에 이르면서, 개념 정의와 계층·관계 설정 등 스키마 설계 과정에서 보조적으로 사용하는 시도가 보고되고 있다[21, 22]. 이처럼 AI를 활용하여 전문가에게 전적으로 의존하던 설계와 검토 과정의 리소스를 줄여 소수 전문가의 영역에 머무르게 하던 진입 장벽을 낮추어, 더 넓은 범위에서 활용 가능한 자원으로 전환한다는 점에서 의미가 있다.
나아가 온톨로지의 역할은 개별 모델을 보완하는 차원을 넘어, 데이터 아키텍처 전반의 기반 기술로 확장되고 있다. 분산된 데이터를 의미적으로 연결하는 시맨틱 레이어(semantic layer)에서 온톨로지와 지식그래프는 개념과 관계를 명시적으로 정의함으로써, 조직 전체의 데이터를 하나의 일관된 의미 체계로 묶는 ‘지식 허브’로 기능할 수 있다[23, 24]. 데이터를 이처럼 의미적으로 조직하기 위해서는, 그 대상이 되는 데이터가 먼저 기계가 읽고 처리할 수 있는 형태로 정비되어 있어야 한다. 최근 활발하게 논의되고 있는 ‘AI Ready Data’는 바로 이 전제를 갖추는 작업으로, 데이터를 개방형 포맷·표준 코드·풍부한 메타데이터를 갖춘 활용 가능한 자원으로 준비한다[28]. 이렇게 정비된 데이터 기반 위에서 온톨로지는 흩어진 데이터를 의미적으로 연결하며, 그 위에서 AI 에이전트는 데이터를 단순히 검색하는 수준을 넘어 데이터 간의 맥락을 이해하고 의미적 추론을 통해 적합한 정보를 동적으로 탐색·판단할 수 있게 된다[25]. 즉, 온톨로지는 데이터를 이해 가능한 지식 자산으로 조직하는 설계의 역할을 하며, 이를 통해 AI가 자율적으로 작동하는 생태계의 토대를 이룰 수 있게 된다.

8. 결론

온톨로지는 특정 도메인의 개념과 관계를 형식적으로 정의하여 의미를 명시적으로 표현하기 위한 방법론으로 등장하였으며, 시맨틱 웹은 이러한 의미 정보를 웹 환경으로 확장하여 기계가 정보를 이해하고 활용할 수 있는 웹을 구현하고자 하였다. 링크드 데이터는 시맨틱 웹의 이상을 현실의 데이터 환경에서 실현하기 위한 구체적인 원칙을 제시하였고, 지식그래프는 다양한 데이터를 대규모로 통합하고 활용할 수 있는 실용적 형태로 발전하였다.
이들 개념은 각각 다른 시기에 등장하고 서로 다른 기술적 특징을 가지지만, 궁극적으로는 지식을 구조화하고 의미적으로 연결하여 인간과 기계가 공유할 수 있도록 한다는 공통된 목적을 지닌다. 따라서 온톨로지, 시맨틱 웹, 링크드 데이터, 지식그래프를 개별 기술로만 이해하기보다는, 의미 기반 지식 조직과 활용이라는 관점에서 연속적인 흐름으로 파악할 필요가 있다. 실제로 지식그래프는 온톨로지와 시맨틱 웹 연구의 성과를 계승하면서도 대규모 데이터 통합과 인공지능 응용이라는 새로운 요구를 반영하여 발전한 결과물로 볼 수 있다.
문헌정보학의 관점에서 이러한 흐름은 낯선 기술의 등장이 아니라 지식 조직 전통의 확장으로 이해할 수 있다. 도서관은 오랫동안 분류표, 주제명표목표, 시소러스, 목록규칙 등을 통해 지식을 체계적으로 조직하고 개체 간의 관계를 명시하며 이용자의 탐색과 발견을 지원해 왔다. 온톨로지와 지식그래프 역시 이러한 목적을 디지털 환경에서 보다 정교하게 구현하기 위한 방법론이라는 점에서 기존의 지식 조직 연구와 깊은 연속성을 가진다. 특히 개체와 관계 중심의 표현 방식은 전통적인 서지 중심 기술을 넘어 지식 자체를 연결하고 활용하는 방향으로 정보조직의 범위를 확장시키고 있다.
최근에는 AI의 발전으로 인해 구조화된 지식 표현의 가치가 다시 주목받고 있다. 언어모델은 방대한 텍스트를 기반으로 높은 수준의 언어 생성 능력을 보이지만 사실성 확보, 설명가능성, 도메인 지식 활용 등의 측면에서는 여전히 온톨로지와 지식그래프의 지원이 중요하게 논의되고 있다. 이는 지식을 체계적으로 조직하고 의미를 명시적으로 표현하는 작업이 새로운 기술 환경에서도 여전히 핵심적인 과제임을 보여준다.
결국 온톨로지에서 시맨틱 웹, 링크드 데이터, 지식그래프에 이르는 흐름은 기술의 변화에 대한 이야기가 아닌, 지식을 어떻게 구조화하고 연결할 것인가에 대한 지속적인 탐구의 과정이라 할 수 있다. 기술적 구현 방식은 변화하더라도 지식의 의미를 명확하게 표현하고, 개체와 개체 사이의 관계를 체계적으로 조직하며, 이를 통해 정보의 발견과 활용을 지원하려는 목적은 변하지 않는다. 이러한 점에서 의미 기반 지식 표현 기술의 발전은 문헌정보학이 오랫동안 추구해 온 지식 조직의 원리를 새로운 환경에서 계승하고 확장해 나가는 과정으로 이해할 수 있다.

참고문헌

[1] Smith, B. (2012). Ontology.
[2] Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5(2), 199–220.
[3] 김학래. (2017). 「지식그래프: 데이터사이언스총서」. 커뮤니케이션북스.
[4] https://en.wikipedia.org/wiki/Ontology_components
[5] https://www.geeksforgeeks.org/dbms/difference-between-entity-and-object/
[6] Gilchrist, A. (2003). Thesauri, taxonomies and ontologies–an etymological note. Journal of documentation, 59(1), 7-18.
[7] Hendler, J., Lassila, O., & Berners-Lee, T. (2001). The semantic web. Scientific American, 284(5), 34-43.
[8] 김학래. (2010). 시맨틱 웹과 의미적 연결성: 웹 사이언스를 위한 출발점. 정보과학회지, 28(3), 31-40.
[9] Berners-Lee, T. (1998, September). Semantic web road map.
[10] Bizer, C., Heath, T., & Berners-Lee, T. (2009). Linked Data – The Story So Far. International Journal on Semantic Web and Information Systems, 5(3), 1–22.
[11] https://www.w3.org/DesignIssues/LinkedData.html
[12] Bizer, C., Heath, T., Idehen, K., & Berners-Lee, T. (2008, April). Linked data on the web (LDOW2008). In Proceedings of the 17th international conference on World Wide Web (pp. 1265-1266).
[13] Hogan, A., Umbrich, J., Harth, A., Cyganiak, R., Polleres, A., & Decker, S. (2012). An empirical survey of linked data conformance. Journal of Web Semantics, 14, 14-44.
[14] https://blog.google/products-and-platforms/products/search/introducing-knowledge-graph-things-not/
[15] Ehrlinger, L., & Wöß, W. (2016). Towards a definition of knowledge graphs. SEMANTiCS (Posters, Demos, SuCCESS), 48(1-4), 2.
[16] Hogan, A., Blomqvist, E., Cochez, M., d’Amato, C., Melo, G. D., Gutierrez, C., ... & Zimmermann, A. (2021). Knowledge graphs. ACM Computing Surveys (Csur), 54(4), 1-37.
[17] Michael Shearer. (2024), Hands on Entity Resolution
[18] Khorshidi, S., Nikfarjam, A., Shankar, S., Sang, Y., Govind, Y., Jang, H., ... & Qi, X. (2025). ODKE+: Ontology-Guided Open-Domain Knowledge Extraction with LLMs. arXiv preprint arXiv:2509.04696.
[19] Pan, S., Luo, L., Wang, Y., Chen, C., Wang, J., & Wu, X. (2024). Unifying large language models and knowledge graphs: A roadmap. IEEE Transactions on Knowledge and Data Engineering, 36(7), 3580–3599.
[20] Noy, N. F., & McGuinness, D. L. (2001). Ontology Development 101: A Guide to Creating Your First Ontology.Stanford Knowledge Systems Laboratory Technical Report KSL-01-05.
[21] Shimizu, C., & Hitzler, P. (2025). Accelerating knowledge graph and ontology engineering with large language models. Journal of Web Semantics, 85,100862.
[22] Lippolis, A. S., Saeedizade, M. J., Keskisärkkä, R., Zuppiroli, S., Ceriani, M., Gangemi, A., ... & Nuzzolese, A. G. (2025). Ontology generation using large language models. In European Semantic Web Conference(pp. 321–341). Springer Nature Switzerland.
[23] https://www.ontotext.com/knowledgehub/fundamentals/what-is-a-semantic-layer/
[24]
https://www.stardog.com/blog/agents-need-democratized-data-too/#:~:text=An%20Agent%20Needs%20Sane%2C%20Timely%2C,Connected%20Data
[25] https://architect.salesforce.com/docs/architect/fundamentals/guide/agentic-enterprise-it-architecture.html#:~:text=The%20Semantic%20Layer%20is%20introduced,natural%20language%20query%20into%20precise
[26] Studer, R., Benjamins, V. R., & Fensel, D. (1998). Knowledge engineering: Principles and methods. Data & knowledge engineering, 25(1-2), 161-197.
[27] Gerber, A., Van der Merwe, A., & Barnard, A. (2008, June). A functional semantic web architecture. In European Semantic Web Conference (pp. 273-287). Berlin, Heidelberg: Springer Berlin Heidelberg.
[28] https://www.data.go.kr/bbs/rcr/selectRecsroom.do?pageIndex=1&originId=PDS_0000000001260+++&atchFileId=FILE_000000003631663&utm_source=pytorchkr&ref=pytorchkr