Tier 1: 핵심 (Core Concepts)
GraphRAG·온톨로지·메타엣지·팔란티어 AIP·위상학적 지능 — 확률적 지능에서 구조적 지능으로의 전환점
C01 — GraphRAG
TL;DR: 전체 문서 코퍼스를 지식 그래프로 변환하고 커뮤니티 단위 계층 요약을 사전 생성. 확률적 지능에서 구조적·위상학적 지능으로의 전환점.
RAG의 3가지 구조적 한계
- 멀티홉 추론 불가: 인과 관계가 여러 청크에 분산
- 관계 표현 부재: 벡터 유사도만으로 명시적 관계 포착 불가
- 글로벌 패턴 파악 불가: 전체 코퍼스의 주제 분포·커뮤니티 구조 미포착
인덱싱 파이프라인 6단계
- 텍스트 청킹 — 600토큰, 100토큰 오버랩
- 엔티티·관계 추출 — LLM이 엔티티/관계/클레임 식별 + Self-Reflection
- 그래프 구축 — 중복 제거, 엣지 가중치(등장 빈도) 부여
- 계층적 커뮤니티 탐지 — Leiden 알고리즘, C0(루트)~C3(리프) 4계층
- 커뮤니티 요약 생성 — 허브 노드 우선, LLM이 보고서 형식 요약 사전 생성
- 쿼리 처리: 맵-리듀스 — 로컬(hop 기반) + 글로벌(커뮤니티 요약 병렬)
DRIFT (2024.10)
Dynamic Reasoning and Inference with Flexible Traversal — 글로벌 커뮤니티 요약을 동적으로 탐색
기존 글로벌 검색이 모든 커뮤니티 요약을 한 번에 처리했다면, DRIFT는 질문과 관련 있는 커뮤니티만 선택적으로 깊이 탐색한다. 넓고 얕은 검색에서 좁고 깊은 검색으로의 진화다.
C02 — 온톨로지 (Ontology)
TL;DR: "어떤 세계에 무엇이 존재하는가"를 형식적으로 명시한 지식 구조
정의 (Gruber, 1993)
"온톨로지는 개념화(conceptualization)의 명시적(explicit)이고 형식적인(formal) 명세(specification)"
구성 요소: 클래스·속성·관계·공리/규칙
예를 들어 병원 온톨로지라면: 클래스(환자, 의사, 질병), 속성(환자.나이, 질병.증상), 관계(의사 -진료→ 환자), 공리("응급환자는 반드시 30분 내 진료")로 구성된다.
온톨로지의 진화 5단계
- 아리스토텔레스 범주론
- 1980~90년대 AI 지식 표현
- 시맨틱 웹 (OWL/RDF, W3C)
- 지식 그래프 (Google, Wikidata)
- LLM + 온톨로지 결합 (GraphRAG, 에이전트 온톨로지) ← 현재
팔란티어 온톨로지: 운영 지향 아키텍처
- Object Type: 엔티티 정의
- Link Type: 관계 정의
- Action Type: "무엇을 할 수 있는가" ← 핵심 혁신 (Kinetic Elements)
- Property Type: 속성 정의
전통 온톨로지(정적) vs 팔란티어 온톨로지(동적, 실시간, AI 네이티브 통합)
온톨로지 vs 스키마 vs 택소노미
| 특성 | 택소노미 | 스키마 | 온톨로지 |
|---|---|---|---|
| 관계 | IS-A만 | 정의된 관계 | 다양한 관계 + 제약 + 규칙 |
| 추론 | 불가 | 제한적 | 가능 (OWL 추론기) |
메타온톨로지
"도메인의 전문적인 Domain specific ontology를 쌓아가다보면, 자연스레 '온톨로지를 추출하기 위한 온톨로지 = 메타온톨로지'를 습득"
여러 도메인의 온톨로지를 만들다 보면 "모든 도메인에 공통되는 패턴"이 보이기 시작한다. 이 공통 패턴을 체계화한 것이 메타온톨로지다. 요리법(도메인 온톨로지)을 많이 만들다 보면 "좋은 요리법을 만드는 원칙"(메타온톨로지)을 깨닫게 되는 것과 같다.
C03 — 메타엣지 (Meta-Edge)
TL;DR: 일반 엣지(두 노드 간 관계)보다 한 층 위에 존재하는 "관계에 대한 관계" 또는 "판단 기준 자체를 정의하는 연결"
한 문장 요약
메타엣지는 "관계를 정의하는 규칙" — 데이터 간 연결이 아니라, 그 연결을 만드는 기준 자체를 뜻한다.
왜 이것이 필요한가
전화번호부를 생각해보자. "홍길동 → 010-1234-5678"은 일반 엣지(관계)다. 그런데 "모든 전화번호는 반드시 11자리여야 한다"는 규칙은? 이것이 메타엣지다 — 엣지를 정의하는 규칙이다.
실무에서 이미 메타엣지를 사용하고 있다. DB의 외래키 제약("주문은 반드시 고객에 연결되어야 한다"), API의 인증 규칙("이 엔드포인트는 admin만 호출 가능"), 코드의 인터페이스("이 클래스는 반드시 save() 메서드를 구현해야 한다") — 이것들이 모두 메타엣지다. 이름만 몰랐을 뿐이다.
메타엣지를 의식적으로 관리하면 시스템의 "보이지 않는 규칙"이 드러나고, 온톨로지 설계의 품질이 근본적으로 달라진다.
메타엣지의 4가지 의미
- 엣지에 대한 엣지: 엣지 자체가 노드가 되는 구조
- 엣지를 정의하는 규칙: 어떤 조건에서 어떤 엣지를 생성할 것인가
- 엣지들 사이의 관계: 두 종류의 관계 타입이 맺는 관계
- 엣지 타입을 결정하는 상위 판단: Named Graph(Quad) 구현
창발 (Emergence)
"엣지 간 관계가 맺어질 때 어느 단일 엣지도 단독으로 표현하지 못했던 새로운 개념이 생성된다"
실무적 핵심
DB의 외래키 제약, API의 인증 규칙, 코드의 인터페이스 — 이것들이 모두 이미 실무에서 쓰이는 메타엣지다. 이름만 몰랐을 뿐이다.
레버리지 효과
"한번더 메타계층이나온다 이게 레버다" — 메타엣지 하나를 바꾸면 하위의 모든 일반 엣지들이 영향을 받는다
C04 — 팔란티어 AIP + Apollo
TL;DR: 20년간 축적한 메타온톨로지 위에 AI 실행 레이어(AIP) + 자율 배포(Apollo)를 올린 구현체
4개 레이어 아키텍처
- Foundry — 데이터 통합 플랫폼
- Ontology — 조직의 디지털 트윈 (아키텍처의 심장부)
- AIP — AI 실행 레이어 (LLM Gateway, Agent Studio, Evals)
- Apollo — 자율 배포 플랫폼 (Hub-Spoke, 에어갭까지 배포)
이 4층 구조는 데이터(Foundry)를 토대로, 그 위에 조직의 구조(Ontology)를 세우고, AI를 실행(AIP)한 후, 현장에 배포(Apollo)하는 순서다. 각 층이 아래 층에 의존하며, 온톨로지가 중심축 역할을 한다.
OAG (Ontology Augmented Generation)
[RAG] 쿼리 → 벡터 검색 → 텍스트 청크 → LLM → 텍스트 응답
[GraphRAG] 쿼리 → 그래프 탐색 → 관계 포함 컨텍스트 → LLM → 텍스트 응답
[OAG] 쿼리 → 온톨로지 탐색 → 구조화된 객체+관계+액션 → LLM → 실행 가능한 의사결정RAG가 "관련 텍스트를 찾아서 답변"이라면, GraphRAG는 "관계까지 포함해서 답변", OAG는 "구조화된 객체와 실행 가능한 액션까지 포함해서 의사결정을 내리는" 단계로 진화한다. 단순 텍스트 응답에서 실제 행동으로의 전환이 핵심이다.
메타온톨로지 축적 메커니즘
- 정부 계약을 R&D 실험실로 활용
- FDE 모델: 고객 조직에 임베드 → 도메인 지식 → 온톨로지 변환
- 폐쇄 루프 강화: 데이터 → 온톨로지 → AI → 의사결정 → 환류
- 네트워크 효과: 고객 수 ↑ → 메타온톨로지 밀도·품질 ↑↑
AIP 12대 핵심 역량
- LLM 통합, 컨텍스트 엔지니어링, OAG
- 에이전트 라이프사이클, 운영 자동화, AIP Evals
- 역할/마킹/목적 기반 제어, AI FDE
C05 — 위상학적 지능 (Topological Intelligence)
TL;DR: 확률적 유사도 탐색 → 구조적 관계 분석으로의 패러다임 전환
한 문장 요약
AI의 지능을 "확률적 추측"에서 "구조적 이해"로 전환하는 패러다임이다.
왜 이것이 필요한가
기존 LLM은 "이 단어 다음에 어떤 단어가 올 확률이 높은가?"로 작동한다. 이것은 확률적 지능이다. 하지만 "이 개념은 저 개념과 어떤 구조적 관계에 있는가?"는 확률로 답할 수 없다.
지도를 예로 들어보자. 벡터 유사도는 "서울과 부산이 얼마나 비슷한 도시인가?"를 측정한다. 위상학적 지능은 "서울에서 부산까지 어떤 경로로 연결되고, 중간에 어떤 거점이 있으며, 이 네트워크 구조가 무엇을 의미하는가?"를 분석한다.
GraphRAG가 이 전환의 시작점이다. 관계를 벡터 공간에서 유추하는 대신 그래프 엣지로 명시적으로 저장하고, 그래프 거리·홉 수·커뮤니티 구조로 측정한다. 6개 분석공간(C06)은 이 위상학적 분석의 구체적 도구다.
핵심 가치
재사용 가능성 (Reusability): 온톨로지로 저장, 도메인 전이 가능
한 번 만든 분석 구조를 다른 프로젝트에서도 재활용할 수 있다. "고객 이탈 분석" 온톨로지를 만들면, 다른 산업의 이탈 분석에도 적용할 수 있다.
측정 가능성 (Measurability): 베티 수(Betti numbers), 분석공간으로 정량화
"이 지식 그래프가 얼마나 잘 구조화되어 있는가?"를 수치로 측정할 수 있다. 베티 수는 그래프의 연결 요소 수, 고리 수 등 구조적 특징을 숫자로 표현한다.
6개 분석공간 = 위상학적 지능의 실용화
| # | 분석공간 | 핵심 질문 | GraphRAG 구현 |
|---|---|---|---|
| 1 | Hierarchy (계층) | 이것은 어느 수준에 있는가? | Leiden 커뮤니티 계층 |
| 2 | Temporal (시간) | 언제, 어떤 리듬으로 발생? | 이벤트 시퀀스 위상 |
| 3 | Recursive (재귀) | 자기 자신을 어떻게 참조? | 서브에이전트 재귀 분해 |
| 4 | Structural (구조) | 개념 간 관계 구조? | 온톨로지 그래프 분석 |
| 5 | Causal (인과) | 무엇 때문에 발생? | Impact Analysis |
| 6 | Cross-space (다중공간) | 다른 공간들과 어떻게 연결? | 에이전트 메타 조율 |
위상학적 지능이 해결하는 5가지 문제
- 의도-표현 갭 → 온톨로지 기반 의미 풍부화
- 케이스 규모 확장 → O(n²) → O(log n)
- 지능 비재사용성 → 온톨로지 캐싱, "Search before code"
- 측정 불가능성 → 베티 수, 분석공간 차원
- 고지능 태스크 비용 → 재귀 분해 + 경량 모델 분배
구현 로드맵
| 규모 | 구현 수준 |
|---|---|
| 개인/스타트업 | "Search before code" + 도메인 온톨로지 초안 |
| 중소기업 | GraphRAG + 도메인 온톨로지 + Impact Analysis |
| 대기업 | GraphRAG + ReBAC + 메타온톨로지 + 위상학적 지능 (AIP 수준) |
이해도 점검
Tier 1 핵심 퀴즈
Q1. GraphRAG에서 커뮤니티 탐지에 사용하는 알고리즘은?
Q2. 메타엣지(Meta-Edge)의 정의로 가장 적합한 것은?
Q3. 팔란티어 온톨로지의 Action Type은 전통 온톨로지에 없던 혁신이다.
Q4. 위상학적 지능이 확률적 지능과 가장 다른 점은?
Q5. GraphRAG의 글로벌 검색 방식은?