Ontology

• Ontology = 도메인의 개념(클래스)·속성·관계를 형식적으로 정의한 스키마. 한 줄로 "지식에 대한 지도".
• Knowledge Graph가 실제 데이터의 인스턴스라면, Ontology는 그 데이터가 따라야 할 타입 시스템이다. AI-Ready Data의 핵심 자산.

일상 비유

표현 방식

• RDF/OWL — W3C 표준. 가장 형식적이지만 무거움.
• JSON Schema / YAML — 가볍게, 도메인별로.
• 그냥 markdown 문서 — 작은 팀은 이정도면 충분.
• Property Graph 스키마 — Neo4j의 노드/관계 라벨과 속성 타입.

작은 예 (YAML)

YAMLCopy

Ontology가 LLM 활용에 주는 효과

1. Text-to-Cypher / Text-to-SQL 정확도 ↑ — LLM에 스키마를 명확히 주면 쿼리가 정확해진다.
2. 데이터 추출 일관성 ↑ — 문서에서 엔티티를 뽑을 때 타입과 관계가 정의돼 있어 노이즈가 줄어든다.
3. 결과 설명 가능 — 답이 어느 엔티티/관계를 거쳐 도출됐는지 추적 가능.

도메인 모델링 절차

1. 사람이 풀고 싶은 질문을 먼저 적는다 (예: "성장주 ETF에서 IT 비중이 가장 높은 것?").
2. 그 질문에 필요한 명사를 엔티티 후보로 (ETF, 산업, 회사).
3. 동사를 관계 후보로 (추종, 포함, 소속).
4. 속성·기수성(1:N, M:N)·필수/선택 정리.
5. 소수 케이스로 검증 — 정의된 스키마로 실제 질문이 풀리는지.

미래에셋 사례 요약

• 금융상품(ETF/공모펀드/국내 채권) 도메인의 Ontology를 먼저 정의.
• 그 위에 KG를 구축하고 GraphRAG·Hybrid Search를 결합.
• 결과: 일반 RAG로 풀 수 없던 다단계 질의(상품 → 지수 → 종목 → 산업) 정확도 비약 상승.

한계

• 구축이 사람 일이고 변화에 보수적 — 너무 상세히 잡으면 유지 불가.
• 비정형 텍스트만 다루는 도메인에는 과한 인프라.
• Ontology가 잘못되면 그 위의 모든 KG·쿼리가 흔들림.

관련

• Knowledge Graph · GraphRAG · AI-Ready Data.
• Tool Calling — Ontology를 LLM 프롬프트에 주입해 쿼리 정확도 ↑.