지식그래프와 LLM — 서로의 빈틈을 메우는 두 지능

Chapter Argument 00

이 장이 세우는 하나의 명제

생성형 AI가 능숙한 언어만으로는 임무중심 시스템의 정확성·맥락·설명 가능성을 보장하기 어렵다. 반대로 지식그래프는 사실과 관계를 명시적으로 다루지만 구축과 질의가 어렵다. 제1장은 이 결핍의 맞물림에서 하이브리드 지능의 출발점을 찾는다.

01

구조의 지능

지식그래프는 엔터티, 관계, 속성을 통해 세상의 사물을 명시적 구조로 놓는다. 그 구조는 추론과 검증의 발판이 된다.

02

언어의 지능

LLM은 대규모 텍스트에서 패턴을 학습하고, 자연어 이해·생성·요약·추출을 하나의 범용 모델 안에서 수행한다.

03

결합의 지능

LLM이 지식그래프를 만들고 묻고 설명하며, 지식그래프가 LLM의 답을 최신 사실과 추적 가능한 관계 위에 붙잡아 둔다.

Core Thesis

LLM은 지식그래프의 문턱을 낮추고, 지식그래프는 LLM의 말에 근거를 심는다.

1.1 Knowledge Graphs 01

그래프는 선이 아니라 의미의 배치다

지식그래프에서 중요한 것은 점과 선의 모양이 아니다. 무엇이 존재하고, 무엇과 어떤 이름의 관계를 맺으며, 그 관계가 어떤 맥락을 갖는지가 핵심이다. 인간의 지식을 기계가 다룰 수 있게 만드는 첫 단계는 이 명시성에서 시작한다.

지식그래프의 세 구성요소

실세계의 사물을 엔터티로, 사물 사이의 의미를 관계로, 세부 맥락을 속성으로 표현한다.

Node사람, 장소, 질병, 단백질, 유전자처럼 구별되는 대상

Relationship출생지, 원인, 치료, 인코딩처럼 이름을 가진 연결

Property날짜, 좌표, 설명, 이력처럼 엔터티와 관계를 보충하는 문맥

구축과 활용이 어려운 까닭

명시적 구조는 강점이지만, 그 구조를 만드는 일에는 비용과 도메인 이해가 필요하다. 특히 비정형 텍스트는 단순한 데이터 변환이 아니라 언어 해석의 문제다.

구축·유지 비용 — 엔터티와 관계를 찾고 스키마에 맞추는 데 시간과 전문성이 든다.
복잡한 다중 홉 질의 — 원하는 답까지 여러 관계를 건너가려면 스키마와 질의 언어를 알아야 한다.
분산된 결과 — 정보가 여러 노드와 관계에 흩어져 비전문가가 해석하기 어렵다.
비정형 언어 — 다국어, 오탈자, 대명사, 문체 차이, 도메인 전문용어가 추출을 방해한다.

제1장의 문제의식: 그래프를 만드는 것만으로는 충분하지 않다. 사용자가 자연어로 묻고, 시스템이 그래프를 정확히 탐색하고, 결과를 쉬운 설명으로 되돌려주는 전 과정이 필요하다.

1.2 Large Language Models 02

하나의 큰 모델이 여러 일을 맡기까지

LLM의 토대는 전이학습이다. 일반 과제에서 익힌 패턴을 관계 추출과 같은 새 과제에 다시 쓰면서, 수많은 소형 전용 모델을 만들던 방식에서 하나의 범용 모델을 지시와 미세조정으로 활용하는 방식으로 무게중심이 이동했다.

전이학습이 만든 방향 전환

초기 층이 학습한 일반적 특징을 새 과제에 재사용하고, 마지막 부분만 바꾸거나 전체를 미세조정한다. 이 재사용성이 범용 언어모델의 길을 열었다.

Task 1 학습

대규모 텍스트에서 일반 언어 패턴과 표현을 익힌다.

Knowledge Transfer

학습된 모델 또는 내부 표현을 새 과제로 옮긴다.

Task 2 적응

프롬프트, 새 헤드, 미세조정으로 관계 추출·분류·요약을 수행한다.

데이터 중심 관점: 모델 구조와 하이퍼파라미터만 고르는 것으로는 부족하다. 대규모 모델일수록 데이터의 양뿐 아니라 품질이 성능을 좌우한다.

LLM을 이루는 여섯 블록

INPUT

토큰화

텍스트를 처리 가능한 단위로 나누어 의미와 계산 효율을 함께 다룬다.

MODEL

Transformer & Attention

문장 안에서 중요한 요소에 가중치를 주고 대규모 병렬 학습을 가능하게 한다.

SPACE

고차원 임베딩

토큰을 연속 벡터로 바꾸어 의미적 유사성과 패턴을 표현한다.

DATA

대규모 사전학습

다양한 말뭉치에서 언어 패턴, 일반 지식, 문맥을 학습한다.

TRANSFER

전이학습

하나의 모델을 여러 과제로 재사용하여 전용 학습 비용을 줄인다.

OUTPUT

생성 능력

다음 토큰 예측을 통해 설명, 요약, 답변 등 자연어 출력을 만든다.

제1장이 강조하는 성능의 세 축: 모델 복잡도, 학습 말뭉치의 규모와 품질, 인간 지능 과제를 다음 토큰 예측 문제로 환원하는 능력.

1.3 Stronger Together 03

한쪽이 짓고, 한쪽이 지킨다

두 기술의 결합은 단순한 기능 합산이 아니다. LLM은 비정형 텍스트에서 개념과 관계를 찾아 그래프 구축을 돕고, 복잡한 그래프 질의를 자연어로 바꾸며, 결과를 사람이 읽을 수 있는 문장으로 정리한다. 지식그래프는 그 답의 사실성·최신성·추적 가능성을 보강한다.

01 · INPUT데이터 원천문서, 이메일, 대화, 도메인 전문가, 구조화 데이터

→

02 · EXTRACTLLM 추출엔터티·관계 인식, 스키마 매핑 보조

→

03 · GROUND지식그래프검증 가능한 엔터티, 관계, 속성의 구조

→

04 · INTERACT질의와 설명자연어 질문 → 그래프 질의 → 결과 요약

LLM이 잘하는 것

강점

일반 지식
자연어 처리
범용성과 적응성

약점

환각
블랙박스성
최신·도메인 지식 부족

KG가 잘하는 것

강점

정확성과 해석 가능성
도메인 지식
지속적 갱신

약점

불완전성
언어 이해 부족
복잡한 질의

H

환각 완화

구조화되고 검증된 지식을 사실 기반으로 제공하여, 그럴듯하지만 틀린 답을 줄인다. 자연어 질문은 text-to-query 변환을 통해 그래프에서 직접 검증할 수 있다.

T

설명 가능성

답이 어떤 엔터티와 관계 경로에서 나왔는지 추적하고 검증할 수 있다. LLM은 이 구조적 근거를 사람이 읽을 수 있는 설명으로 바꾼다.

1.4 Paradigm Shift 04

데이터 저장소에서 지식의 기준점으로

전통적 응용은 특정 목적과 동질적 데이터베이스에 맞추어 설계된다. 그러나 복잡한 도메인은 데이터 형식도, 사용자 맥락도, 관계 구조도 끊임없이 달라진다. 지식그래프는 이 파편을 의미 중심으로 묶고, 인간과 기계가 함께 읽는 단일한 신뢰 원천을 지향한다.

CHAPTER 1 DEFINITION

지식그래프는 특정 도메인을 위해 구축되며, 타입이 있는 엔터티와 속성, 이름 있는 의미 관계로 이루어진 지속 진화형 그래프 데이터 구조다. 구조화·비정형 데이터를 통합해 인간과 기계가 함께 사용할 지식을 만든다.

↻

Evolution

새 데이터와 상호작용을 계속 흡수하며 노드, 관계, 속성을 확장한다. 기존 구조를 전면 재작성하지 않고도 분석 목적에 맞게 자란다.

지속 갱신 · 유연한 확장 · 동적 그래프 알고리즘

≡

Semantics

데이터의 뜻을 타입과 이름 있는 관계로 드러낸다. 동일성, 역관계, 전이 관계 등을 표현하며 일관성 검사와 인과 추론의 기반을 제공한다.

의미 명시 · 지식 인프라 · 설명 가능성

⊕

Integration

구조화·비정형 데이터의 형식과 출처 차이를 넘어, 특정 도메인의 중앙 참조점으로 연결한다. 데이터 유형보다 의미를 우선한다.

데이터 사일로 해소 · 출처 연결 · 문맥 통합

△

Learning

질의, 시각화, 규칙 추론, 머신러닝을 통해 명시되지 않은 새 정보를 찾는다. 중심성, 최단경로, 커뮤니티 분석이 대표적이다.

분석 · 추론 · 표현학습

1.6 Technologies 06

같은 지식을 담는 두 그릇

제1장은 특정 제품에 종속되지 않고 RDF와 LPG를 두 대표 패러다임으로 다룬다. 하나는 표준화된 진술과 의미 추론에 강하고, 다른 하나는 속성이 풍부한 노드·관계와 효율적 탐색에 강하다.

관점	RDF + SPARQL	LPG + openCypher / Gremlin
핵심 표현	주어–술어–목적어의 진술 또는 트리플 집합	노드·관계·속성을 갖는 그래프 구조
주요 목적	웹에서의 데이터 게시·공유 표준화, 의미 계층에서의 추론	그래프 구조와 속성 중심의 탐색, 경로 찾기, 패턴 매칭
장점	상호운용성, 의미 일관성, 온톨로지 기반 추론, 그래프 연합	관계별 고유 식별과 속성 부여, 풍부한 속성 표현, 효율적 순회
관계 처리	관계는 지식베이스 전반에 재사용되는 전역 술어	각 간선이 고유한 객체이며 개별 속성을 가질 수 있음
적합한 장면	웹 규모 의미 통합, 표준 어휘, 지식 추론이 핵심인 경우	경로 탐색, 관계 속성, 실무 그래프 질의 성능이 핵심인 경우
제1장의 결론	둘은 배타적 선택지가 아니라 목적에 따라 상호보완적으로 사용할 수 있는 패러다임이다.

Taxonomy · 분류체계

넓은 범주와 좁은 범주의 계층을 만든다. 데이터의 ‘종류’를 질서 있게 배열하는 데 강하다.

Vehicle→Car→Sedan

Ontology · 온톨로지

계층을 넘어 동일성, 차이, 배타성, 합집합, 보완, 카디널리티 제약 등 도메인의 개념 구조를 표현한다.

Car ≡ Automobile·Car ⟂ Bicycle

JUST ENOUGH SEMANTICS

완전하고 경직된 온톨로지를 먼저 세우기보다, 지금 해결할 문제에 필요한 만큼의 의미를 명시하고 유기적으로 확장한다.

1.7 Learning Roadmap 07

목표에서 시작해 지식으로 돌아오는 길

장의 마지막은 이후 책 전체의 학습 경로를 제시한다. 기술을 먼저 고르는 방식이 아니라 비즈니스 목표를 세우고, 데이터를 이해하고, 스키마와 의미를 설계한 뒤, 구축·검증·분석·질의로 나아가는 순서다.

STEP 1

목표 중심 사고

목표 → 데이터 → 알고리즘의 순서로 문제를 정의한다.

STEP 2

스키마 모델링

향후 확장, 분류체계, 온톨로지를 고려해 그래프 구조를 설계한다.

STEP 3

구조화 데이터 통합

원천 데이터를 공통 스키마의 엔터티와 관계로 매핑한다.

STEP 4

LLM 기반 추출

텍스트에서 도메인 관련 엔터티와 관계를 찾아 그래프에 연결한다.

STEP 5

무결성 검증

수집한 정보의 정확성, 일관성, 무결성을 확인한다.

STEP 6

ML·GNN 분석

최신 머신러닝 기술로 그래프의 패턴과 새 관계를 분석한다.

STEP 7

자연어 질의

LLM을 통해 그래프를 묻고, 부분 그래프를 시각화하고, 결과를 설명한다.

제1장의 결론은 거창한 구호보다 설계 원칙에 가깝다. 지식그래프는 인간의 지식을 기계가 확인할 수 있는 구조로 놓고, LLM은 그 구조를 사람이 묻고 읽을 수 있는 언어로 바꾼다. 정확성만 있고 대화가 없으면 쓰기 어렵고, 대화만 있고 근거가 없으면 믿기 어렵다. 그러므로 다음 세대의 지능형 시스템은 말 잘하는 모델 하나가 아니라, 말과 근거가 서로를 감시하는 구조여야 한다.