★ 벡터 검색의 한계를 넘어 AI가 데이터의 ‘의미’와 ‘맥락’을 이해하게 만드는 온톨로지 실전 가이드

★ 비법노트 시리즈 네 번째 책, RAG를 한 단계 끌어올리는 온톨로지편

RAG를 구현해 본 개발자라면 한 번쯤 이런 벽에 부딪힌다. 질문과 ‘비슷한’ 문서는 잘 찾아오는데, 장소와 시간, 현재 상태를 함께 따져야 하거나 업무 규칙과 예외를 적용해야 하는 질문에서는 답변이 흔들린다. 벡터 검색은 ‘가까운 것’을 찾을 뿐, 그 정보가 원인인지, 조건인지, 예외인지까지는 구분하지 못하기 때문이다. 이 책은 그 빈자리를 온톨로지로 채운다. 데이터의 개념과 관계, 규칙을 컴퓨터가 처리할 수 있는 구조로 정의하고, 그 구조를 바탕으로 검색과 생성을 보강하는 OAG(Ontology Augmented Generation)를 직접 구현한다. 서울시 실시간 도시 데이터(인구, 교통, 주차, CCTV, 전기차 충전소)를 재료로 삼아 FOL과 ASP로 추론의 원리를 익히고, Protege로 온톨로지를 설계하고 SHACL로 검증한 뒤, Fuseki에 적재해 SPARQL로 질의한다. 마지막으로 LangChain과 연동한 자연어 질의 프로그램, 전기차 충전소 추천, 운영 정책을 반영한 인력 배치 추천까지 완성하며 온톨로지가 실제 서비스에서 어떤 역할을 하는지 확인할 수 있다.

★ 왜 온톨로지인가: RAG, Graph RAG, 온톨로지의 차이부터 명확하게

온톨로지를 처음 접하는 독자도 ‘왜 필요한지’부터 납득할 수 있도록 LLM 단독 답변, RAG, Graph RAG가 질문에 답하는 방식을 비교하며 시작한다. 벡터 유사도 검색과 온톨로지 추론이 어떻게 다른지, ‘관련성이 높다’와 ‘정확하다’가 왜 다른 문제인지를 화재 원인 분석, 강남역 혼잡도 같은 구체적인 사례로 설명한다. DIKW 피라미드, 통계와 온톨로지의 데이터 해석 방식 비교, 팔란티어와 지멘스의 산업 사례를 통해 온톨로지가 지금 다시 주목받는 이유도 함께 짚는다.

★ 논리에서 추론까지: FOL, ASP로 ‘의미’를 다루는 원리를 익힌다

자연어 문장을 일차 술어 논리(FOL)로 표현하고, 서울시 실시간 데이터를 논리식으로 옮기며 데이터에 의미를 부여하는 방법을 익힌다. CCTV 좌표를 공간 지식 그래프로 바꾸고 GeoSPARQL로 위치를 탐색한 뒤, Vision LLM으로 영상 속 관측 정보를 구조화해 공식 데이터와 교차 검증하는 4단계 실습을 진행한다. 심볼릭 AI와 ASP로 사실, 규칙, 제약 조건에서 결론을 도출하고 그 결과를 다시 온톨로지로 구조화하는 과정까지 다룬다.

★ 질문에서 설계로: 서울시 실시간 도시 데이터로 온톨로지를 직접 구축한다

온톨로지 프로젝트를 WHY(질문 정의), WHAT(원본 데이터 확인), HOW(TBox, ABox 모델링), RESULT(SPARQL 질의)의 4단계로 정리해 따라 하기 쉽게 안내한다. 인구, 교통, 주차 데이터를 담은 서울시 API의 JSON 구조를 온톨로지 모델로 해석하고, 클래스와 프로퍼티를 설계해 지식 그래프로 바꾸는 과정을 실습한다. ‘어떤 질문에 답할 것인가’에서 설계를 시작하므로 독자 자신의 업무 데이터에도 바로 대입해 볼 수 있다.

★ 도구로 구현: Protege, SHACL, Fuseki, SPARQL을 하나의 흐름으로

Protege에서 클래스, 프로퍼티, 제약 조건을 병합해 TBox를 완성하고, SHACL로 RDF 데이터의 품질을 검증한다. 이어서 Apache Jena Fuseki에 데이터를 적재하고 SPARQL로 질의하는 전체 흐름을 화면과 코드로 단계별로 보여 준다. 도구를 따로따로 배우는 것이 아니라 설계, 검증, 적재, 질의가 하나로 이어지는 실무 파이프라인을 손에 익힐 수 있다.

★ RAG와 추천으로 확장: OAG와 의사결정 지원 시스템까지

Ontology, Augmented, Generation의 OAG 3단계를 바탕으로 Fuseki와 LangChain을 연동해, 자연어 질문을 SPARQL로 바꾸고 그 결과를 근거로 답변하는 온톨로지 기반 RAG를 구현한다. 또한 ‘과거에 무엇을 좋아했는가’가 아니라 ‘지금 무엇이 가능한가’를 기준으로 하는 온톨로지 기반 추천 시스템을 만든다. 전기차 충전소 추천, 혼잡도와 운영 정책에 따른 인력 배치 추천 실습을 통해 추천 결과와 그 근거를 함께 제시하는 의사결정 지원 시스템을 완성한다.

▶ 추천사

“RAG를 공부하고 구현해 본 독자라면 이 고민이 익숙할 것입니다. 질문과 관련 있는 문서를 찾았는데도 여러 조건을 함께 고려해야 하는 질문에서는 답변이 만족스럽지 않을 수 있습니다. (…) 온톨로지로 개념과 관계를 명확히 정리하면 AI가 활용할 지식을 구성하고, 답변의 근거도 확인할 수 있습니다.”

“저는 ‘어떤 질문에 답할 것인가’에서 설계를 시작하는 점이 특히 좋았습니다. (…) RAG를 구현한 뒤 더 복잡한 질문을 다루고 싶은 개발자, 현장의 지식과 규칙을 AI 서비스에 담고 싶은 실무자에게 추천합니다.”

_이경록(테디노트)_ 『테디노트의 랭체인을 활용한 RAG 비법노트』 저자

▶ 이 책이 필요한 독자

_RAG를 구축해 봤지만 벡터 검색만으로는 복잡한 질의에 한계를 느낀 AI 엔지니어

_Graph RAG, 지식 그래프에 관심은 있었지만 어디서부터 시작해야 할지 몰랐던 개발자

_『테디노트의 랭체인을 활용한 RAG 비법노트』 기본편, 심화편을 마치고 다음 단계를 찾는 독자

_기업 데이터 통합과 메타데이터 관리를 고민하는 데이터 엔지니어와 데이터 아키텍트

_팔란티어 Foundry처럼 온톨로지 기반 데이터 플랫폼에 관심 있는 기획자와 개발자

_공공 데이터, 스마트시티 데이터를 활용한 서비스를 기획하거나 개발하는 실무자

_현장의 업무 규칙과 판단 기준을 AI 서비스에 담고 싶은 실무자

※ 선수 지식: 파이썬 기초, RAG와 LangChain 기본 개념(『RAG 비법노트』 기본편 수준), SQL 기초(SPARQL 이해에 도움)

▶ 이 책에서 다루는 내용

_CHAPTER 01 왜 온톨로지인가?

데이터의 의미는 값 자체가 아니라 맥락이 결정한다는 문제의식에서 출발한다. LLM, RAG, Graph RAG를 비교하며 온톨로지가 RAG를 어떻게 보강하는지 살펴보고, 실습 환경을 설정해 서울시 실시간 도시 데이터를 불러온다.

_CHAPTER 02 데이터는 왜 의미를 가져야 하는가?

통계와 온톨로지가 데이터를 해석하는 방식의 차이를 비교하고, 자연어 문장과 서울 실시간 데이터를 일차 술어 논리(FOL)로 표현하는 방법을 익힌다.

_CHAPTER 03 비정형 데이터와 추론 기반 온톨로지화

CCTV 좌표를 공간 지식 그래프로 변환하고 GeoSPARQL로 탐색한 뒤, CCTV 영상에서 관측 정보를 추출해 서울시 데이터와 융합 검증한다. 심볼릭 AI와 ASP로 규칙 기반 추론을 수행하고 결과를 온톨로지로 구조화한다.

_CHAPTER 04 온톨로지의 역사와 시맨틱 웹

온톨로지의 정의와 구성 요소, 현대 AI에서 다시 주목받는 이유, 팔란티어와 지멘스의 산업 사례를 살펴본다. IRI, RDF, OWL, SPARQL로 이어지는 시맨틱 웹의 핵심 기술과 RDBMS와의 차이도 정리한다.

_CHAPTER 05 서울시 실시간 도시 데이터의 온톨로지 구축

WHY, WHAT, HOW, RESULT의 4단계로 질문 중심 온톨로지 모델링을 진행한다. 서울시 API 데이터 구조를 분석하고 클래스와 프로퍼티를 설계한다.

_CHAPTER 06 Protege, Fuseki, SPARQL 구현

Protege에서 클래스, 프로퍼티, 제약 조건을 병합하고 SHACL로 데이터를 검증한 뒤, Fuseki에 RDF 데이터를 적재해 SPARQL로 질의한다.

_CHAPTER 07 온톨로지 기반 RAG

OAG 3단계를 바탕으로 온톨로지 기반 RAG 구조를 설계하고, Fuseki와 LangChain을 연동해 자연어 질문에 답하는 프로그램을 구현한다.

_CHAPTER 08 온톨로지 기반 추천 시스템

추천을 ‘선호 예측’이 아니라 ‘목표와 제약 조건을 만족하는 대안 탐색’으로 바라보고, 서울 공공 데이터 기반 전기차 충전소 추천과 운영 정책을 반영한 인력 배치 추천을 실습한다.

다만 Graph RAG가 하는 일도 여전히 검색의 개선입니다. 무엇이 함께 등장하는지, 무엇이 서로 연결되어 있는지를 보고 그 신호를 검색 점수에 반영하는 파이프라인입니다.

반면 온톨로지는 답변 생성 절차가 아니라 의미를 정의하고 일관성을 확인하는 규칙 체계입니다. 어떤 개념이 있고, 그 개념들이 서로 어떤 관계를 맺는지, 어떤 것이 무엇의 일부인지, 어떤 조건에서는 어떤 사실이 성립하는지, 어떤 관계는 동시에 성립할 수 없는지를 명확하게 정해 둡니다. Graph RAG가 ‘무엇을 가져올까’를 다룬다면, 온톨로지는 ‘무엇이 맞는 말인가’를 다룹니다.

--- p.017

이 책에서는 RAG, Graph RAG와 구분하기 위해 온톨로지로 검색과 생성을 보강하는 방식을 OAG(Ontology Augmented Generation)라고 부르겠습니다. OAG는 단순히 질문과 가까운 문서를 LLM에 넣는 것이 아니라 온톨로지로 정리된 개념과 관계를 먼저 활용한 뒤 그 결과를 답변 생성에 사용하는 접근입니다.

--- p.018

“강남대로 정체 구간에서 300m 안에 있고, 전기차 충전이 가능한 빈 주차 공간은 어디인가?”

이 질문에 답하려면 교통 데이터, 주차장 데이터, 전기차 충전소 데이터가 서로 연결되어야 합니다. 단순히 각각의 데이터를 따로 조회해서는 답을 얻기 어렵습니다. 도로와 주차장 사이의 위치 관계, 주차장의 현재 가용 공간, 충전 가능 여부가 함께 해석되어야 합니다.

--- p.143

사용자는 SPARQL을 직접 작성하지 않고 자연어로 질문합니다. 시스템은 질문을 해석해 온톨로지 안에서 관련 노드와 관계를 찾고, LLM은 그 결과를 사람이 이해할 수 있는 문장으로 설명합니다. 이때 LLM의 역할은 지식을 임의로 만들어내는 것이 아니라, 온톨로지에서 검색된 결과를 설명하는 것입니다.

--- p.208

실시간 도시 데이터와 온톨로지의 결합은 단순한 추천 시스템을 넘어 자동화된 실시간 의사결정 엔진이 될 수 있습니다. 추천의 패러다임은 “내가 무엇을 원하는지”에서 “현재 무엇이 가능한지”로 이동합니다. 온톨로지 기반 추천 시스템은 이 전환을 가능하게 하는 구조입니다.

--- p.252

머리말

추천사

다운로드 및 문의

CHAPTER 01 왜 온톨로지인가?
데이터의 홍수 속에서 어떻게 의미를 찾을까
RAG를 보강하는 온톨로지
환경 설정 및 데이터 불러오기 실습
추천 시스템에서 활용되는 온톨로지의 원리

CHAPTER 02 데이터는 왜 의미를 가져야 하는가?
통계와 온톨로지의 데이터 해석 방식은 어떻게 다른가
자연어와 FOL
서울 실시간 데이터를 FOL로 표현하기

CHAPTER 03 비정형 데이터와 추론 기반 온톨로지화
CCTV 좌표와 영상 데이터의 온톨로지화
[1단계] CCTV 좌표 데이터를 공간 지식 그래프로 변환하기
[2단계] GeoSPARQL을 활용한 위치 기반 탐색
[3단계] CCTV 영상에서 관측 정보 추출하고 구조화하기
[4단계] 서울시 데이터와 CCTV 관측 정보의 융합 검증
심볼릭 AI와 ASP: 사실, 규칙, 제약 조건으로 추론하기
추론 결과를 온톨로지로 구조화하기

CHAPTER 04 온톨로지의 역사와 시맨틱 웹
온톨로지의 정의와 역할
온톨로지와 현대 AI: 왜 다시 주목받는가
시맨틱 웹: 문서의 웹에서 데이터의 웹으로
RDBMS와 온톨로지: 데이터 저장과 의미 표현의 차이

CHAPTER 05 서울시 실시간 도시 데이터의 온톨로지 구축
질문 중심 데이터 분석과 온톨로지 모델링 필요성
클래스와 프로퍼티 설계: 온톨로지 모델링의 기본 절차

CHAPTER 06 Protege, Fuseki, SPARQL 구현
Protege에서 클래스, 프로퍼티, 제약 조건 병합하기
SHACL로 RDF 데이터 검증하기
Protege에서 SHACL로 데이터 검증하기
Fuseki에 RDF 데이터 적재하고 SPARQL로 질의하기

CHAPTER 07 온톨로지 기반 RAG
RAG 개념과 필요성
도시 데이터 온톨로지 리콜, 온톨로지 기반 RAG 구조 예시
Fuseki와 LangChain으로 구현하는 온톨로지 기반 자연어 질의 실습

CHAPTER 08 온톨로지 기반 추천 시스템
추천 시스템의 필요성과 개념
온톨로지 기반 추천 시스템
서울 공공 데이터 기반 추천 시스템 구축 실습
운영 정책을 반영한 인력 배치 추천 실습

찾아보기