지식 집약적 인공지능(AI) 시스템 개발에서 온톨로지(Ontology) 구축은 항상 핵심적인 병목 현상으로 지적되어 왔습니다. 온톨로지는 특정 도메인의 지식을 체계적으로 표현하는 구조화된 스키마로, 엔티티(entity), 속성(property), 관계(relationship) 등을 정의하여 AI가 데이터를 더 잘 이해하고 추론(inference)할 수 있도록 돕습니다. 기존 자동화 방식은 특정 도메인에 갇히거나, 미리 정의된 스키마에 의존하거나, 혹은 파이프라인에 활용하기 어려운 비정형 결과물을 내놓는 한계가 있었습니다.
최근 발표된 'GOI(Generative Ontology Induction)' 프레임워크는 이러한 문제를 해결하기 위해 대규모 언어모델(LLM)을 활용합니다. GOI는 도메인에 구애받지 않고(domain-agnostic) 문서 코퍼스(corpus)에서 엔티티, 차원(dimension), 속성, 관계, 제약 조건(constraint) 등 온톨로지의 핵심 요소들을 자동으로 추출하여 '생성적 청사진(generative blueprint)'을 만듭니다. 이 청사진은 YAML/JSON 형식의 유형 그래프(typed graph)로 내보내지며, 6가지 노드 유형과 7가지 엣지 유형을 포함합니다. 연구진은 새로운 평가 지표인 노드 커버리지 점수(Node Coverage Score)를 도입하여 생성된 온톨로지의 구조적 완성도를 측정했습니다. 소프트웨어 서비스 청구서, 채용 공고, 통증 관리 임상 기록, 전문 서비스 계약서 등 4가지 대조적인 온톨로지에 대한 실험 결과, GOI는 모든 경우에 구조적 핵심의 95~100%를 커버하는 뛰어난 성능을 보였습니다.
이러한 GOI의 등장은 지식 집약적 AI 시스템 개발의 패러다임을 바꿀 잠재력을 가지고 있습니다. 온톨로지 구축에 드는 시간과 비용을 획기적으로 줄여, 기업들이 더 빠르고 효율적으로 AI 솔루션을 개발하고 배포할 수 있게 될 것입니다. 특히, 특정 도메인 지식에 대한 의존성을 낮추고 범용적인 접근 방식을 제공함으로써, 다양한 산업 분야에서 AI의 적용 가능성을 넓히는 데 기여할 것으로 기대됩니다. 이는 복잡한 데이터에서 의미 있는 정보를 추출하고, 이를 기반으로 자동화된 의사결정 시스템을 구축하려는 모든 조직에게 중요한 이정표가 될 것입니다.