서비스 개요
온톨로지(Ontology)는 사람·문서·제품처럼 서로 다른 개체(Entity)와 그들 사이의 관계(Relationship)를 기계가 이해할 수 있도록 정의한 지식 구조입니다. 키워드 검색이나 문서 단위 RAG를 넘어, "누가 무엇과 어떻게 연결되어 있는가"를 추론할 수 있게 합니다.
GenAI Labs는 여러 곳에 흩어진 사내 데이터를 LLM으로 자동 구조화하여 검색·추천·분석이 가능한 지식그래프로 구축합니다. 특히 개인정보·기밀문서 등 민감한 데이터도 온프레미스·비식별·격리 설계로 외부 노출 없이 안전하게 다룹니다.
온톨로지란? — RAG를 넘어 '관계'로
일반 검색 · 문서 RAG
"이 문서에 무슨 내용이 있나?"에 답합니다. 문서를 조각내어 유사한 텍스트를 찾아주지만, 문서 사이의 연결이나 개체 간 관계는 알지 못합니다.
지식그래프 · 온톨로지
"A와 B는 어떤 관계이고, 그 관계가 언제 어떻게 바뀌었나?"에 답합니다. 개체와 관계를 그래프로 모델링해 추론·추천· 관계 추적이 가능합니다. RAG와 결합하면(GraphRAG) 맥락까지 갖춘 답변을 제공합니다.
온톨로지는 어디서 시작하나 — DX에서 AX까지
"AI 도입하고 싶다"는 요청 대부분은 사실 온톨로지보다 훨씬 앞 단계에서 막혀 있습니다. 온톨로지는 이 여정의 중간 단계입니다 — 정제된 데이터가 없으면 지식그래프도 만들 수 없고, 지식그래프가 없으면 AI 에이전트도 근거 없이 답할 수밖에 없습니다.
DX — 데이터 기반 정비
시스템별로 흩어진 데이터를 진단하고, 표준화·정합화해 하나의 신뢰할 수 있는 데이터 기반을 만듭니다. 온톨로지 이전에 반드시 필요한 선행 단계입니다.
온톨로지 · 지식그래프 — 이 페이지가 다루는 단계
정비된 데이터에서 AI가 개체·관계를 추출해 그래프로 적재하고, 서로 독립된 AI가 교차검증해 신뢰할 수 있는 지식 구조로 압축합니다(추출 → 검증 → 요약 컴파일).
AX — AI 전환
이 지식그래프를 근거로 RAG·에이전트가 실제 업무 질의응답, 문서 초안 생성, 의사결정 지원을 수행합니다. 근거가 명확하니 현업이 결과를 믿고 쓸 수 있습니다.
우리의 역량
LLM 기반 자동 지식그래프 구축
비정형 문서·DB·웹 페이지에서 LLM이 개체와 관계를 자동 추출하고, 스키마를 정규화해 그래프로 적재합니다. 사람이 일일이 태깅하지 않아도 지식 구조가 만들어집니다.
핵심
- 개체·관계 자동 추출 (LLM)
- 스키마 정규화 및 중복 병합
- 변경분만 재처리하는 증분 파이프라인
- 멀티소스 커넥터 (Notion·DB·문서·웹)
하이브리드 시맨틱 검색
벡터 의미검색과 관계형 조건 필터를 결합하고, 자연어 질의를 tool_use 에이전트가 해석해 정확한 결과를 찾습니다. "특정 지역에서 결제 시스템 경험 있는 담당자" 같은 복합 질의도 처리합니다.
핵심
- 벡터 의미검색 + SQL 조건 필터
- 자연어 → 질의 변환 (tool_use)
- 멀티벤더 LLM 폴백 (안정성)
- 근거 문서 인용 (신뢰성)
관계 시각화 & 변동 추적
개체 간 관계를 네트워크 그래프·Sankey·타임라인으로 시각화하고, 시점별 스냅샷 diff로 관계가 언제 어떻게 바뀌었는지 추적합니다. "팀 구성 변화", "이동 흐름" 같은 동적 인사이트를 제공합니다.
핵심
- 네트워크 그래프 · Sankey · 타임라인
- 시점별 변동 이력 · 리플레이
- EDA 대시보드 + AI 인사이트
- 자동 리포트 생성
민감정보 보호 설계
온톨로지는 개인·기밀 데이터를 다루는 경우가 많습니다. 우리는 처음부터 보안을 전제로 설계합니다. 게이트 인증·데이터 격리· 비식별화, 그리고 로컬 GPU 추출로 외부 API에 원문을 보내지 않는 옵션까지 제공합니다.
핵심
- 온프레미스 · 프라이빗 배포
- 영역(리전)별 데이터 격리
- 비식별화 · 접근 인증 2단계
- 로컬 GPU 추출로 원문 외부 미전송
시스템 아키텍처
흩어진 데이터를 자동으로 구조화해 지식그래프로 만들고, 그 위에서 LLM 에이전트가 자연어 질의를 해석합니다. 사용자는 검색으로 끝나지 않고 관계 시각화·변동 추적·리포트까지 업무 워크플로우 안에서 활용합니다. 전 구간은 온프레미스·격리·비식별을 전제로 설계됩니다.
지식그래프 동작 데모
질문이 그래프의 관계를 타고 필요한 데이터를 찾아오는 과정입니다. (자동 반복)
여러 데이터 소스
Notion · DB · 문서 · 웹 등 흩어진 원천
수집·추출 파이프라인
LLM이 개체·관계 자동 추출 (증분·자동화)
지식그래프 저장
관계형 + 벡터 · 개체·관계·시점 이력
LLM 에이전트
자연어 질의 해석 · tool_use · 근거 인용
사용자 워크플로우
검색 · 관계 시각화 · 변동추적 · 리포트
내부 아키텍처 — 런타임 계층
실제 시스템은 다섯 계층으로 동작합니다. 각 계층은 독립적으로 교체·확장할 수 있습니다.
질의 처리 워크플로우
하나의 질문이 데이터까지 내려갔다가 답과 화면으로 돌아오는 경로입니다.
자연어 질의 · 인증 게이트 통과
에이전트가 필요한 그래프 질의 도구 결정
벡터검색 · 조건 JOIN · 집계 병렬 실행
스코어 병합 · 근거 레코드 인용
SSE 스트리밍 + 필터·뷰 자동 적용
질문 유형 → 사용하는 도구 · 데이터
| 질문 예시 | 도구 그룹 | 데이터 접근 |
|---|---|---|
| "○○ 잘하는 사람 찾아줘" | 프로필 검색 | 벡터 의미검색 + skills LIKE 조건 → 스코어 병합 |
| "△△ 관련 항목 추천해줘" | 항목 검색·추천 | 분류 테이블 JOIN + 태그·카테고리 필터 |
| "□팀 구성원 누구야?" | 관계 조회 | 팀–구성원 JOIN + 변경이력 조회 |
| "◇◇ 활동 많은 순서로" | 집계·통계 | GROUP BY 집계 + 정렬(활동 수·다양성) |
| "◎◎ 이력 시각화해줘" | 시각화 | 다중 테이블 JOIN → 그래프·타임라인 렌더 |
핵심 기술 — 온톨로지와 LLM이 답을 만드는 방법
단순 문서 검색이 아닙니다. 지식을 관계로 저장하고, 의미와 조건을 동시에 검색하며, 도구를 쓰는 에이전트가 사용자의 화면까지 움직입니다.
①지식을 '관계(트리플)'로 저장
모든 사실을 (주어)–(관계)–(목적어) 형태로 구조화합니다. 덕분에 "무엇과 무엇이 어떻게 연결됐는지"를 따라가며 추론할 수 있습니다. 개체를 설명하는 텍스트는 별도로 임베딩해 벡터로도 저장합니다.
②하이브리드 검색 — 의미 + 조건 동시 충족
"비슷한 경험"(의미)과 "최근 3개월·특정 팀"(조건)을 한 번에 만족시켜야 정확합니다. 벡터 의미검색과 관계형 조건검색을 병렬로 돌리고 점수를 합산해 최종 랭킹을 만듭니다.
③도구 사용 에이전트가 워크플로우를 구동
LLM이 자연어 질의를 여러 그래프 질의 도구 호출로 분해해 실행하고, 근거를 인용해 실시간(SSE)으로 답합니다. 핵심은 답변에서 그치지 않는다는 점 — 에이전트가 화면의 필터·정렬·뷰·하이라이트를 직접 조작해 사용자의 업무 흐름 안으로 결과를 밀어 넣습니다.
예상 질문 & 동작 방식
같은 지식그래프 위에서 질문 유형에 따라 다른 방식으로 동작합니다.
- 최다 처리 담당자와 처리 건수
- 함께 일한 팀 (공동 참여 관계 기준)
- 관계 경로 + 근거 스냅샷 인용
제안 가능한 유스케이스
인재 · 조직
- 스킬·경력·팀 관계 온톨로지
- 자연어 인재 검색 · 팀 매칭
- 조직 변동 추적 및 시각화
법률 · 규정
- 조문·판례·계약 관계 그래프
- 규정 간 상충·참조 관계 추론
- 근거 인용 기반 질의응답
의료 · 연구
- 논문·특허·저자 네트워크
- 연구 주제 간 연결 발견
- 전문가·기관 관계 지도
제조 · 공급망
- 제품·부품·BOM 관계 그래프
- 공급사·리스크 연결 추적
- 변경 영향 범위 분석
고객 · 영업
- 고객·거래·접점 관계 통합
- 연관 추천 · 이탈 신호 탐지
- 관계 기반 세일즈 인사이트
인재 · 조직
- 스킬·경력·팀 관계 온톨로지
- 자연어 인재 검색 · 팀 매칭
- 조직 변동 추적 및 시각화
법률 · 규정
- 조문·판례·계약 관계 그래프
- 규정 간 상충·참조 관계 추론
- 근거 인용 기반 질의응답
구축 사례
SW 인재 프로필 온톨로지
수백 명 규모의 인재 프로필(멘토·연수생·전문가)과 팀·강의 데이터가 여러 소스에 흩어져 있던 조직을 위해, 이를 하나의 지식그래프로 통합한 프로젝트입니다. 자연어로 인재를 찾고, 팀 구성과 수강 흐름의 변화를 시점별로 추적할 수 있습니다.
구축 내용
- 야간 자동 수집 → LLM 개체·관계 추출 → 그래프 적재 파이프라인
- 벡터 + 관계형 하이브리드 자연어 검색 에이전트
- 팀 구성·수강 이동을 네트워크 그래프·Sankey·타임라인으로 추적
- 지역(센터)별 데이터 격리 + 공통 인력 풀 다대다 모델링
보안 · 프라이버시
- 게이트 인증 + 관리자 2단 인증으로 접근 통제
- 로컬 GPU 추출 옵션으로 민감 원문의 외부 전송 최소화
- 영역별 데이터 격리로 민감 개인정보를 안전하게 운영
라이브 데모 — 넥스트웨이브 컨설팅
가상의 IT 컨설팅펌 "넥스트웨이브 컨설팅"을 시나리오로, 과거 프로젝트 문서를 지식그래프로 구조화하고 그 위에서 질의응답·유사사례 검색·기획서 자동생성까지 전 과정을 직접 체험할 수 있습니다.
도입 방식
PoC (2~4주)
보유 데이터 일부로 소규모 지식그래프를 구축해 가치를 먼저 검증합니다.
파일럿 → 운영
실제 소스와 연동해 파일럿을 거쳐 운영 시스템으로 확장합니다.
온프레미스 / 프라이빗
민감 데이터는 사내망·프라이빗 클라우드에 격리 배포합니다.
기존 소스 커넥터
Notion·DB·문서·웹 등 이미 쓰는 데이터 소스에 그대로 연결합니다.
비용 최적화
로컬 GPU 추출로 대량 처리 시 LLM 추출 비용을 최소화합니다.
지속 운영 지원
자동 파이프라인·모니터링으로 그래프가 최신 상태를 유지하도록 운영합니다.