지식 그래프(Knowledge Graph)는 사람이나 장소, 사물, 개념 같은 대상을 서로의 관계와 함께 연결해 정보를 구조화하는 방식이다. 각각의 정보를 따로 저장하는 데 그치지 않고 ‘무엇이 무엇과 어떤 관계에 있는가’를 함께 표현하는 것이 핵심이다.

예를 들어 ‘서울’과 ‘대한민국’을 각각 별도의 정보로 저장하는 것에서 나아가 ‘서울은 대한민국의 수도다’라는 관계까지 연결한다. 이런 관계가 쌓이면 시스템은 단어 자체를 넘어 대상의 의미와 맥락을 정확히 해석하는 데 쓰인다.

지식 그래프는 검색엔진을 비롯해 질의응답과 추천 시스템, 기업 데이터 통합, 인공지능(AI) 등 다양한 분야에서 활용된다.

지식 그래프의 구조…정보를 ‘점과 선’으로 연결

지식 그래프의 기본 구조는 점에 해당하는 ‘노드(Node)’와 이를 연결하는 ‘엣지(Edge)’로 이해할 수 있다.

노드는 사람·기업·장소·제품처럼 독립적으로 식별할 수 있는 대상, 즉 엔티티(Entity)를 나타내고, 엣지는 엔티티 사이의 관계를 나타낸다.

예를 들어 ‘작가 A’와 ‘책 B’를 각각 노드로 만들고 두 대상을 ‘저자’라는 관계로 연결할 수 있다. ‘기업 A’와 ‘서울’ 사이에는 ‘본사가 위치한다’는 관계를 연결하는 식이다.

이처럼 각각의 정보를 ‘주어-관계-목적어’ 형태로 연결하면 하나의 데이터망을 형성한다.

일반 데이터베이스와 무엇이 다른가

일반적인 관계형 데이터베이스는 데이터를 행과 열로 정리한다. 고객이나 상품처럼 일정한 형식을 갖춘 데이터를 저장하고 관리하는 데 적합하다.

지식 그래프는 데이터 사이의 관계를 표현하고 탐색하는 데 중점을 둔다. 한 인물의 이름과 출생일뿐 아니라 소속 조직, 출신 지역, 저술한 책, 관련 인물 등을 각각의 엔티티와 연결할 수 있다. 새로운 정보가 생기면 기존 엔티티와의 관계도 확장할 수 있다.

서로 다른 출처에 흩어진 정보를 연결하거나 여러 대상 사이의 복잡한 관계를 탐색해야 하는 환경에서 지식 그래프를 활용할 수 있는 이유다.

검색엔진은 지식 그래프를 어떻게 활용하나

검색 영역에서 지식 그래프는 검색어가 정확히 어떤 대상을 가리키는지 해석하는 데 활용된다. 같은 단어라도 여러 의미로 쓰일 수 있어, 검색엔진은 단어 자체뿐 아니라 다른 개념이나 엔티티와의 관계를 함께 파악할 필요가 있다.

구글도 인물이나 장소, 사물 등에 관한 정보를 연결해 이해하는 데 지식 그래프를 활용한다. 특정 인물이나 장소 등에 대한 사실 정보를 검색 결과에서 직접 노출할 때도 이 구조를 기반으로 한다.

다만 ‘지식 그래프’와 검색 결과에 표시되는 ‘지식 패널(Knowledge Panel)’은 다른 개념이다. 지식 그래프가 엔티티와 관계를 연결한 데이터 구조라면, 지식 패널은 관련 정보를 이용자에게 보여주는 검색 결과의 표시 형태다.

생성형 AI와 지식 그래프는 어떻게 연결되나

대규모언어모델(LLM)은 방대한 텍스트에서 학습한 패턴을 바탕으로 답변을 생성한다. 엔티티와 엔티티 사이의 관계를 명시적인 데이터 구조로 저장하는 지식 그래프와는 작동 방식이 다르다.

지식 그래프는 대상과 관계가 구조화되어 있어, AI 시스템이 특정 대상의 맥락을 파악하거나 데이터 사이의 관계를 탐색할 때 활용할 수 있다.

검색증강생성(RAG)에도 활용할 수 있다. 일반적인 RAG가 외부 문서에서 관련 정보를 찾아 생성형 AI의 답변에 제공한다면, 엔티티 사이의 관계를 이용해 관련 정보를 탐색하는 방식도 가능하다. 지식 그래프를 활용하는 GraphRAG가 대표적인 접근이다.

다만 지식 그래프를 도입한다고 해서 생성형 AI의 환각(Hallucination)이나 오류가 단번에 해결되는 것은 아니다. 그래프에 저장된 정보의 정확성과 최신성, 엔티티와 관계를 구성한 방식에 따라 결과가 달라질 수 있다.

관련 콘텐츠
⟶ 챗GPT는 왜 틀릴까… AI ‘환각’의 구조적 원인

지식 그래프와 온톨로지는 무엇이 다른가

지식 그래프와 함께 자주 등장하는 개념이 온톨로지(Ontology)다.

일반적으로 온톨로지는 특정 영역에 어떤 종류의 엔티티가 있고 서로 어떤 관계를 맺을 수 있는지 정의하는 의미 체계나 모델을 말한다. 지식 그래프는 이러한 구조에 실제 엔티티와 관계 데이터를 연결해 표현하는 데 초점을 맞춘다.

쉽게 말하면 온톨로지가 ‘어떤 정보를 어떤 관계로 표현할 것인가’를 정하는 설계도라면, 지식 그래프는 실제 정보를 연결해 구성한 데이터망에 가깝다.

다만 모든 지식 그래프가 같은 방식으로 온톨로지를 사용하는 것은 아니다. 두 개념을 구분하는 기준도 분야와 구현 방식에 따라 달라질 수 있다.

검색 넘어 추천·기업 데이터에도 활용

지식 그래프의 활용 범위는 검색에 한정되지 않는다. 기업 내부에 흩어진 고객·제품·거래 데이터를 연결하거나 이용자와 콘텐츠 사이의 관계를 바탕으로 추천 시스템을 구성하는 데 활용할 수 있다.

금융 분야에서는 사람·계정·거래 사이의 관계를 분석하는 데 사용할 수 있으며, 연구 분야에서는 서로 다른 논문과 개념, 연구 대상을 연결할 수 있다. 생성형 AI 환경에서는 사내 문서나 전문 데이터를 구조화해 AI가 필요한 정보를 탐색하도록 지원하는 용도로도 활용할 수 있다.

관련 콘텐츠
⟶ LLM은 어떻게 작동하는가? AI가 문장을 만드는 매커니즘

⟶ AI는 어떻게 답을 만들까? LLM부터 AI 검색까지 한 번에 이해하기

핵심 포인트

• 구성: 엔티티를 노드로, 엔티티 사이의 관계를 엣지로 표현
• 핵심: 개별 정보가 아니라 정보 사이의 관계와 맥락까지 구조화
• 검색 활용: 검색어가 가리키는 대상과 의미를 파악하는 데 활용
• AI 활용: 특정 대상의 맥락 파악과 데이터 관계 탐색, RAG 등에 활용 가능
• 관련 개념: 온톨로지, 지식 패널, LLM, RAG, GraphRAG

FAQ