JYP Garden

Ontology-Enhanced Knowledge Graph Completion using Large Language Models

Properties1
tagsontology, knowledge-graph, embedding, vector-space, semantic-completion, knowledge

12 min read

Summary

온톨로지를 벡터 공간으로 변환하여 지식 그래프를 완성시키는 방법. 온톨로지는 형식 논리로 표현된 체계적 지식 지도이지만, 현대 머신러닝은 통계와 벡터(숫자)의 언어를 사용한다는 근본적 문제에서 출발. Word Embedding의 아이디어를 온톨로지에 확장하여, 모든 개념과 관계에 벡터 좌표(GPS)를 부여하면, AI는 이 좌표 공간에서 새로운 관계를 발견하고 숨겨진 연결을 예측할 수 있다는 주장. 기하학적 모델링, 시퀀스 모델링, 그래프 전파 등 세 가지 전략의 장단점을 비교하고, 생명과학·과학 연구의 혁신적 가속화 가능성을 제시.

Key Claims

  • 언어의 장벽: 온톨로지는 형식 논리(기호)로, 머신러닝은 통계와 벡터(숫자)로 표현 → 서로 통하지 않음
  • Word Embedding의 통찰: King - Man + Woman = Queen처럼 추상적 단어를 벡터로 변환하면 의미적 연산 가능
  • 온톨로지 인베딩의 핵심: 모든 개념과 관계에 벡터 좌표 부여 → 가상 공간에서 의미 거리 표현
  • 기하학적 모델링: 개념을 도형으로 보기 (집합 포함 관계) → 해석 가능하지만 경직됨
  • 시퀀스 모델링: 지식을 문장처럼 처리 → 유연하지만 블랙박스 위험
  • 그래프 전파: 지하철 노선도처럼 네트워크 전파로 좌표값 정교화 → 균형잡힘
  • 자동 온톨로지 통합: 서로 다른 지식 지도 간에 좌표를 보고 자동 매핑 가능
  • 제로샷 학습: 본 적 없는 개념도 벡터 좌표의 관계로 이해 가능 (라쿤 = 너구리과 + 포유류)
  • 생명과학 혁신: 단백질·유전자 상호작용의 숨겨진 관계 자동 발견 → 연구 속도 급증

Key Concepts Created

The Core Problem: Language Barrier

온톨로지 (Ontology):
├─ 언어: 형식 논리 (Formal Logic)
├─ 표현: 기호, 규칙 ("아버지는 부모에 포함됨")
├─ 특징: 정확하고 경직됨
└─ 강점: 논리적 엄격성

머신러닝 (Machine Learning):
├─ 언어: 통계, 벡터 (Statistics, Vectors)
├─ 표현: 숫자, 확률 (embeddings)
├─ 특징: 유연하고 자동 학습
└─ 강점: 데이터 기반 패턴 발견

문제:
└─ 두 언어가 완전히 다름 → 통합 불가능

Word Embedding: The Insight

단어 인베딩의 기적:

King의 벡터 좌표: [x₁, y₁, z₁, ...]
Man의 벡터 좌표:  [x₂, y₂, z₂, ...]
Woman의 벡터 좌표: [x₃, y₃, z₃, ...]
Queen의 벡터 좌표: [x₄, y₄, z₄, ...]

연산:
King - Man + Woman ≈ Queen

의미:
└─ "남성의 왕" - "남성 특성" + "여성 특성" = "여성의 왕"

Ontology Embedding: Core Idea

기존 온톨로지:
└─ "아버지는 부모에 포함된다"
   "부모는 사람이다"
   (형식 논리, 기호)

온톨로지 인베딩:
├─ Step 1: 모든 개념에 GPS 좌표 부여
│  └─ 아버지: [0.2, 0.5, 0.8, ...]
│  └─ 부모: [0.25, 0.52, 0.82, ...]
│  └─ 사람: [0.3, 0.6, 0.9, ...]
│
├─ Step 2: 가상 공간에 점으로 표시
│  └─ 관련 개념들은 가까운 곳에 위치
│
└─ Step 3: AI가 좌표 공간을 항해
   └─ 새로운 관계 발견 가능

Three Embedding Strategies

1. Geometric Modeling (기하학적 모델링)

아이디어: 개념을 도형으로 봄

예시:
├─ 아버지 ⊂ 남성 (작은 상자가 큰 상자 안에)
├─ 남성 ⊂ 사람
└─ 결과: 집합 포함 관계를 도형으로 표현

장점:
├─ 직관적이고 해석 가능
├─ 사람이 왜인지 이해 쉬움
└─ "투명한" AI

단점:
├─ 모든 규칙을 표현하기 어려움
├─ 경직되고 확장성 낮음
└─ 새로운 패턴 발견 제한

2. Sequence Modeling (시퀀스 모델링)

아이디어: 지식을 책처럼 읽기

예시:
├─ "아버지는 부모이다."
├─ "부모는 사람이다."
├─ "아버지는 남성이다."
└─ AI가 문맥에서 관계 학습

장점:
├─ 매우 유연함
├─ 새로운 패턴 자동 발견
├─ 확장성 뛰어남
└─ 완전 자동 학습

단점:
├─ 블랙박스 (왜 그런 결정?)
├─ 해석 불가능
└─ "투명성" 떨어짐

3. Graph Propagation (그래프 전파)

아이디어: 지하철 노선도처럼 네트워크 기반

예시:
├─ 전체 온톨로지를 거대한 연결망으로 봄
├─ 한 개념의 의미는 주변 연결 역들로부터 학습
├─ 정보가 망을 따라 퍼져나감
└─ 각 개념의 좌표값이 점진적으로 정교화됨

장점:
├─ 해석과 유연성의 균형
├─ 문맥 기반 의미 파악
├─ 전체 구조 고려
└─ 상대적으로 안정적

단점:
├─ 계산 비용 증가
├─ 조정 복잡도 높음
└─ 중간 선택 (Best of both일 수도, 아닐 수도)

The Trade-off: Interpretability vs Flexibility

┌─────────────────────────────────────────────────────┐
│         해석 가능성 vs 유연성의 줄다리기             │
└─────────────────────────────────────────────────────┘

해석 가능성 ◄─────────────────► 유연성

기하학적 모델링:    ◄─── 해석 가능, 경직
시퀀스 모델링:      ────► 유연, 블랙박스
그래프 전파:        ◄───► 중간

현실의 선택:
└─ 각 문제의 특성에 따라 최적 도구 선택
   ├─ 금융 규제 (해석성 필수) → Geometric
   ├─ 발견 과학 (유연성 필수) → Sequence
   └─ 균형 필요 분야 → Graph Propagation

Concrete Applications

1. 자동 온톨로지 통합

상황:
├─ 회사 A의 고객 온톨로지
└─ 회사 B의 고객 온톨로지

문제: 이름은 다르지만 같은 개념?

해결책 (벡터 좌표 기반):
├─ 회사 A: "Client" → [0.8, 0.6, 0.4, ...]
├─ 회사 B: "Customer" → [0.82, 0.61, 0.41, ...]
├─ 좌표 거리 매우 가까움 → 같은 개념!
└─ 자동 매핑 가능

2. 제로샷 학습

상황:
├─ AI가 라쿤 사진을 한 번도 본 적 없음
└─ "이게 뭔가요?"

전통적 방식:
├─ 라쿤 사진 수천 개로 학습 필요
└─ 데이터 부족 → 실패

온톨로지 임베딩 방식:
├─ 온톨로지에서 라쿤의 좌표 조회
│  └─ 라쿤 = 너구리과(Procyonidae) + 포유류(Mammal)
├─ 벡터 좌표로 표현: [0.3, 0.7, 0.5, ...] (너구리과 + 포유류)
├─ 새로운 이미지의 벡터: [0.29, 0.71, 0.51, ...]
└─ "아! 이게 라쿤이구나!" (본 적 없어도 OK)

3. 생명과학 혁신

예시: 단백질 상호작용 발견

데이터:
├─ 수백만 개 단백질과 유전자
├─ 각각 온톨로지 좌표로 표현
└─ 생화학 정보 (상호작용, 경로 등)

AI 분석:
├─ 좌표 공간에서 패턴 검색
├─ "이 두 단백질의 거리는 가깝지만..."
├─ "...아직 실험으로 검증 안 됨!"
└─ 과학자에게 제안

결과:
├─ 과학자가 해당 관계만 실험
├─ 기존 대비 연구 시간 1/100
└─ 새로운 질병 치료법 발견

Impact on Scientific Discovery

현재 한계

전통적 지식 발견:
├─ 과학자가 문헌 읽음 (느림)
├─ 패턴을 수동 인식 (제한적)
├─ 창의성에 의존 (개인차)
└─ 대부분의 숨겨진 연결 놓침

온톨로지 임베딩의 미래

자동화된 발견:
├─ AI가 모든 지식을 벡터 공간에 매핑
├─ 숨겨진 관계 자동 발견
├─ 대규모 병렬 분석 가능
└─ 혁신의 속도 극대화

궁극의 비전

세상의 모든 과학 지식
├─ 하나의 통합된 지도로 변환
├─ 서로 완벽하게 연결됨
└─ AI가 자유롭게 항해

결과:
└─ "우리는 이제 막 거대한 항해를 시작했을 뿐"
   → 무한한 새로운 발견 가능성

Critical Questions

  • 벡터 공간의 차원(dimensionality)은 어떻게 결정할 것인가?
  • 서로 다른 임베딩 전략이 충돌할 때 어떻게 통합할 것인가?
  • 새로운 지식이 계속 추가될 때 기존 벡터 공간은 어떻게 갱신되는가?
  • 윤리적 문제: AI가 발견한 관계가 항상 과학적으로 검증 가능한가?

출처: AI인터시스브랜드 채널 (2025-12-17)
영상: “10 Ontology-Enhanced Knowledge Graph Completion using Large Language Models”
영상 ID: 02F9YUF1kIc
길이: 약 6:57 (417초)
핵심: 온톨로지 인베딩을 통한 지식 그래프 자동 완성 및 과학 발견 가속화

그래프 뷰