20. AI를 위한 뇌: LLM이 기술 난제를 해결할까?
Key Insight
LLM이 오랫동안 전문가의 영역이었던 온톨로지 공학 3가지 역할(엔지니어·도메인 전문가·평가자)을 수행하기 시작했다. 12,000편 논문 체계적 문헌 고찰(SLR) 결과, LLM 활용이 온톨로지 구현 단계에 압도적으로 집중된 광범위한 트렌드임이 확인된다.
출처: https://www.youtube.com/watch?v=Tz7_TFEcYBM 타입: youtube 채널: AI인터시스브랜드 유효일: 2025-12-21
핵심 Takeaway
- 온톨로지 공학은 여전히 복잡하고 시간이 많이 소요되며 오류가 잦은 작업이다 (2025-12-21 기준)
- SLR 방법론: 12,000편 → 중복 제거 → 제목/요약 필터링 → 최종 30편 심층 분석
- LLM의 온톨로지 3대 역할: ①자연어→온톨로지 변환(엔지니어) ②도메인 전문 지식 생성 ③논리적 오류 검증(평가자)
- 활용 단계는 **온톨로지 구현**에 집중 — 실제 설계·구축 단계에 AI가 가장 많이 투입
- GPT-4부터 LLaMA 같은 오픈소스까지 다양한 모델이 활용됨
상세 요약
왜 온톨로지 공학인가?
온톨로지 공학은 “AI를 위한 뇌”를 만드는 작업 — 세상의 개념과 그 관계를 기계가 읽을 수 있는 지도로 만드는 것. 수십 년간 기술 업계의 가장 어려운 과제 중 하나였다.
체계적 문헌 고찰 (SLR) 과정
12,000편 후보 논문
→ 중복 제거
→ 제목 + 요약 1차 필터
→ 전문 검토
→ 최종 30편 심층 분석
LLM의 3가지 역할
| 역할 | 설명 |
|---|---|
| [[wiki/concepts/Ontology-Engineer-Role | 온톨로지 엔지니어]] |
| 도메인 전문가 | 특정 분야 전문 지식 자동 생성 |
| 평가자 | 논리 일관성·정확성 검증 |
활용 단계 분포
연구들은 **온톨로지 구현 단계**에 압도적으로 집중 — AI가 이론이 아닌 실제 제작 현장에서 활용되고 있음을 시사.
연결되는 노트
- Ontology — 온톨로지 공학의 대상
- Knowledge-Graph-Engineering — 구현 단계의 상위 개념
- ml-ontology-systematic — 관련 SLR: ML+온톨로지 통합 연구
- ontology-generation-llms — LLM 기반 온톨로지 생성 상세
- AI인터시스브랜드 — 채널