‍*본 아티클은 하이드라프트®가 고객 컨설팅 과정에서 실제 활용하는 에셋의 일부를 발췌하여 구성하였습니다.

‍

‍최근 AI 분야에서는 RAG(Retrieval-Augmented Generation)의 한계로 인해 Ontology AI가 더욱 주목받고 있습니다. 현재 저의 대부분의 고객사가 업무 접점에서 RAG를 적극 활용하고 있기 때문에 이와 관련된 시장 기술 변화를 사전에 간략하게 이해할 필요가 있어서 작성합니다. 아직 국내 시장의 기술 수요가 Ontology AI 수준에 도달한 것은 아니지만, 시장 선도를 늘 고민해야 하는 기업 입장에서는 Ontology에 대한 개념 이해, 데이터 인프라 레벨의 구조적 준비, 장기적 로드맵 설계는 사전에 준비해 두어야 할 것으로 생각합니다.

‍

‍[1. RAG의 한계]
최근 몇 년간 AI 분야에서 주목받은 RAG는 단순히 문서를 검색해 답변을 생성하는 방식이기 때문에, 문서의 품질이 낮거나 데이터가 부족하거나 구조가 불완전할 경우 정확한 답변을 제공하기 어렵다는 한계를 가지고 있습니다. 또한 RAG는 각 문서 조각을 독립적으로 참조하기 때문에, 서로 다른 정보 간의 의미적 관계나 구조적 맥락을 제대로 이해하지 못합니다. 이로 인해 복잡한 논리적 추론이나 일관된 답변 생성에도 한계가 존재합니다.
‍
• 사전 학습(Pretraining)이 아닌, 검색 후 참조 기반으로 생성
• 검색 단계(Retrieval) → 생성 단계(Augmented Generation) 순으로 작동
• 문서 품질, 양, 구조가 불완전하면 답변 정확도 저하‍

‍

[2. Ontology AI란?]
‍Ontology AI는 RAG와 달리 단순한 문서 검색이나 패턴 인식에 머무르지 않고, 데이터 간의 의미적 관계(Semantic relationship)와 구조적 맥락(Structural context)을 이해하고 연결하는 방식으로 작동합니다. 이를 통해 데이터 사이의 관계를 지식 그래프(Knowledge graph) 형태로 구조화하여 논리적이고 계층적인 지식 체계를 구성할 수 있습니다. Ontology AI는 복잡한 개념 간 추론(Logical reasoning)이 가능하며, 일부 정보가 부족하더라도 전체 구조를 기반으로 맥락을 해석하고 의미 있는 결론을 도출할 수 있습니다. 이러한 특성 덕분에 Ontology AI는 복잡한 데이터 기반 결과 도출이 요구되는 교육 및 산업 분야에서 점점 더 중요한 역할을 하고 있습니다.
‍
• 데이터 간 '의미적 관계'와 '구조적 맥락'을 이해하고 연결하는 지식 기반 AI
• 개념과 관계를 지식 그래프 형태로 구조화하여 논리적 추론과 일관된 해석 수행
• 조직의 지식 구조를 통합적으로 이해하고 의미 있는 결과 생성‍

‍

[3. 형이상학과 Ontology] 
Ontology AI를 보다 깊게 이해하기 위해서는 먼저 Ontology 체계의 핵심 개념인 ‘존재(Entity)’와 ‘관계(Relationship)’를 간단하게 짚고 넘어갈 필요가 있습니다. 이 ‘존재’와 ‘관계’ 구조는 완전히 새로운 것이 아니라 아주 오래전부터  연구되어 왔는데, 이를 체계적으로 연구하고 정립한 최초의 학문이 바로 아리스토텔레스가 정립한 ‘제1철학: 형이상학(Metaphysics)’입니다. 형이상학은 제가 현업에서 ‘브랜드 본질’을 설명하기 위해 자주 언급하는 이론입니다.

그리고 형이상학의 하위 분과로서 ‘존재’와 ‘관계’를 직접적으로 연구하던 학문이 바로 존재론(Ontology, Ontologia)입니다. 따라서 IT분야에서 이야기하는 ‘Ontology’는 형이상학의 존재론적 사고를 ‘데이터 인프라 레이어’에 구조적으로 구현한 것이라 볼 수 있습니다. 즉, 어떤 데이터 환경에 ‘무엇이 존재하는가’를 규정하고 그 존재들 간의 ‘관계’를 체계적으로 구조화 하는 것이라 할 수 있습니다.

‍

[4. 존재론과 Ontology]
‘Ontology’를 보다 자세하게 설명하자면, 존재자(Ousia; Substance, 실체)를 존재(τoˊ oˊν (to on); Being, 존재하는 방식)로서 탐구하는 학문입니다. 즉, 형이상학은 ‘존재 전반의 원리’를 다루고, 존재론은 ‘존재자의 존재 방식(Being)’을 탐구하며, 실체론은 그 중에서도 ‘가장 근본적인 존재자’를 집중적으로 탐구하는 이론이라 할 수 있겠습니다. 앞서 언급한 형이상학과 존재론의 학문적 위계는 다음과 같은 순서로 정리할 수 있습니다. 

Metaphysics (형이상학)
• 존재 전반의 원리와 본질을 탐구하는 가장 상위의 철학
• 존재한다는 것은 무엇을 의미하는가?
• 하위 학문: 존재론, 인과론, 시간론, 공간론 등

Ontology (존재론)
• 존재자는 어떤 방식으로 존재(Being)하는가?
• 분류, 속성, 관계, 범주 등

‍Substance Theory (실체론)
• 무엇이 근본적인 존재자(Substance)인가?
• 변화 속에서도 변하지 않는 것은 무엇인가?
• 본질은 속성과 어떻게 구분되는가?

존재론적 사유 자체는 아리스토텔레스 이전에도 있었지만, 오늘날 우리가 말하는 본격적이고 체계적인 ‘존재론’은 아리스토텔레스의 형이상학으로 정립된 것으로 보고 있습니다. 다만, 아리스토텔레스 당시에는 따로 존재론(Ontology), 실체론(Substance Theory)를 별도로 구분하여 사용하지 않았고, 17세기부터 후대 철학자들을 통해서 구분되어 사용되었습니다. 참고로 존재자(Ousia; Substance)는 질료(Matter)와 형상(Form)의 결합입니다. 

‍

‍[5. Ontology 시스템의 특징]
전통적인 데이터 시스템은, '고객 → 주문 → 제품'과 같은 연속된 흐름에서 맥락을 파악하지 못하고, 주로 각 단계의 표면적인 텍스트나 속성 패턴을 개별적으로 처리합니다. 쉽게 말해, ‘고객의 데이터’와 ‘주문 단계의 데이터’ 사이에 어떤 의미적 연결과 관계가 있는 지는 파악하기는 어렵다는 뜻입니다. 

반면, Ontology 시스템에서는 ‘존재(Entity)’와 ‘관계(Relationship)’ 차원에서 각 데이터의 의미를 정의하고 그 관계들을 연결하는 구조를 지니고 있습니다. 이것은 일종의 ‘데이터 관계 지도’를 그려둔 것과도 같습니다. 때문에 Ontology 시스템 기반에서는 AI가 단순하게 데이터를 검색하고 그 결과를 내놓는 것이 아니라 그 속의 관계와 맥락을 통해 도메인에 최적화된 정합성 있는 추론과 새로운 의미를 생성해낼 수 있습니다. 

‍

[6. Ontology 시스템의 예시]
Ontology 특징을 보다 효과적으로 이해하기 위해서 의료 분야의 HMS(Hospital Management System)의 예시를 통해 간단히 살펴보겠습니다. Ontology 체계에서는 ‘두통이 있는 환자’의 진술은 단순한 텍스트 데이터가 아니라, <has symptom →  headache> 형태의 구조적 의미 관계로 표현됩니다. 이런 ‘존재와 관계의 논리적 규칙’을 기반으로 AI는 ‘두통이 있는 환자가 어떤 진료를 받고, 어떤 의사가 관여하며, 어떤 약이 처방되는지’를 의미론적으로 추론(semantic inference)을 할 수 있게 됩니다. 

존재(Entity)
• 환자: 증상을 지닌 사람
• 증상: 두통(headache), 발열, 어지럼 등
• 의사: 진료를 통해 처방을 내리는 사람
• 약품: 처방 결과로 사용되는 의약품

이벤트(Event)
• 진료: 환자와 의사 사이에서 발생하는 행위
• 처방: 진료 결과로 생성되는 행위

관계(Relationship)
• 환자는 증상을 가진다(has symptom)
• 의사는 진료를 수행한다(performs)
• 진료는 증상을 기록한다(records)
• 진료는 처방을 생성한다(produces)
• 처방은 약품을 포함한다(includes)
‍
시나리오 예시(User Scenario)
• A환자는 과거 두통(headache)을 기록한 진료를 받았을 가능성이 있다.  
• 그 진료에는 두통 관련 약품 포함될 것이다.
• 두통 약품은 특정 부작용(side effect)을 유발할 수 있다.
• A환자는 최근 어지럼(dizziness) 증상을 보고했다.
• A환자의 어지럼 증상은 약품의 부작용일 가능성이 있다. 
• 의사의 약품 부작용 및 약물 변경 검토한다.
• A환자에게 기존 및 변경 약품의 부작용 주의사항 자동 발송 및 예후 추적한다.

‍

[7. Ontology의 구조적 의미]
Ontology 체계에서 ‘존재(Entity)’와 ‘관계(Relationship)’를 구조적으로 정의하고 연결한다는 것은, 현실 세계의 구조를 데이터 레벨로 투영(reflection)하는 과정입니다. 이러한 접근은 지난 아티클에서 다루었던 '구성주의'나 ‘MSA(Microservice Architecture)’의 유즈케이스 중심 시스템 설계와도 밀접하게 연결됩니다. 앞서 언급했듯, Ontology 기반 AI는 단편적인 정보 검색 수준에 머무르는 RAG를 넘어서는 차세대 AI로 주목받고 있습니다.

RAG가 <무엇을 묻는가?>수준에 답한다면, Ontology는 <왜 그것을 묻는가?>까지 탐구합니다. 즉, Ontology 접근은 단순한 정보 제공을 넘어 지식의 근본 구조를 이해하고 의미 있는 결론을 도출하는 수준으로 확장됩니다. 만약 우리 인간이 AI를 통해 진정으로 지향하는 것이 ‘단순한 검색과 요약’ 수준이 아니라 ‘맥락의 이해와 새로운 의미의 생성’이라면, ‘존재’와 ‘관계’의 구조를 기반으로 하는 ‘Ontology’가 ‘RAG’를 대체할 수밖에 없을 것입니다.

‍

[8. 팔란티어: Ontology 시스템의 실질적 구현]
현재 이 Ontology 시스템을 전 세계에서 가장 정교하게 구현하고 있는 기업이 하나 있습니다. 바로 피터 틸과 알렉스 카프가 이끄는 팔란티어(Palantir)입니다. 팔란티어는 아리스토텔레스의 형이상학, 즉 ‘Ontology적 사유 체계’를 비즈니스 영역에 직접 적용하며, 이를 ‘팔란티어 온톨로지(Palantir Ontology)’라고 부릅니다.

이 시스템은 단순 데이터 검색을 넘어 조직 전체의 지식 구조를 이해하고, 이를 기반으로 실제 운영을 시뮬레이션하며 확장할 수 있는 AI, 즉 <End-to-End Digital Twin>을 구현합니다. 팔란티어의 접근 방식은 조직의 데이터와 프로세스를 통합적으로 연결함으로써, 기존 RAG 방식으로는 불가능했던 높은 수준의 추론과 시뮬레이션을 가능하게 합니다. 다음 기회에는 팔란티어의 뒷이야기와, 투자 시장에서 높은 평가를 받는 이유, 그리고 그들의 독창적인 비즈니스 모델도 간략히 살펴보겠습니다. 감사합니다.

‍

‍

© 2025 Hydraft®
본 콘텐츠의 모든 권리는 Hydraft®에 있으며 저작권법에 따라 보호됩니다. 무단 전재 및 재배포를 금합니다.