지식 그래프

지식 그래프란?

지식 그래프를 깔면 데이터를 다루는 단위가 '문서'에서 '개체'로 바뀝니다. 사내 검색창에 '작년 리더십 과정을 강의한 강사'라고 치면, 기존 시스템은 그 문장이 들어간 파일을 찾아 열 개쯤 던져줍니다. 지식 그래프가 있으면 '강사'라는 개체를 직접 찾아 소속·이력·강의 평점까지 붙여 한 줄로 답합니다. 찾는 대상이 파일에서 사실 자체로 옮겨간다는 점이 실무에서 가장 먼저 체감되고, 그래서 누가 물어도 같은 답이 나오는 일관성이 생깁니다.

구축 방식은 크게 둘로 갈립니다. RDF 트리플은 '주어-술어-목적어' 세 칸으로 사실을 적어 표준화와 외부 데이터 연계에 강하고, 속성 그래프(LPG)는 노드와 관계에 속성을 매달 수 있어 사내 시스템에 붙이기 편합니다. 어느 쪽이든 관계의 종류를 미리 정의한 스키마가 없으면 그래프가 아니라 낙서가 됩니다. 벡터 검색과도 구분해야 합니다. 벡터는 '비슷한 것'을 찾고 그래프는 '연결된 것'을 따라가므로, '우리 본부 임원이 모두 이수한 과정'처럼 조건이 겹치는 질문은 벡터만으로는 정확히 풀리지 않습니다.

시작 규모는 생각보다 작아도 됩니다. 노드 유형 5~10개, 관계 유형 15개 내외면 사내 질의응답의 상당 부분이 돌아갑니다. 진짜 부담은 만드는 비용이 아니라 유지하는 비용입니다. 조직 개편 한 번이면 '소속' 관계 수백 개가 한꺼번에 틀어지기 때문입니다. HR·LMS 같은 원천 시스템에서 자동으로 동기화되는 파이프라인을 먼저 깔지 않으면, 반년 뒤에는 아무도 열어보지 않는 그래프만 남습니다.

현장에서 가장 자주 어긋나는 지점은 동명이인과 유사 명칭입니다. '김민수 팀장'이 세 명이고 'AI 기초'와 'AI 입문'이 사실상 같은 과정인데 별개 노드로 들어가면, 그래프는 오류 메시지 없이 조용히 틀린 답을 내놓습니다. LLM에 연결해 둔 상태라면 그 틀린 사실이 매끄러운 문장으로 포장돼 그대로 임원 보고서에 실립니다. 노드를 많이 넣을수록 좋은 그래프라는 생각이 가장 위험하며, 실제로는 중복된 개체를 합치는 정리 작업에 구축 공수의 절반이 들어갑니다.