본문으로 건너뛰기
서울대학교 DSBA 연구실

비정형 텍스트로부터의 자동 온톨로지 생성: 멀티에이전트 LLM 접근 방식

LLM이 온톨로지를 직접 생성하는 대신 설계 문서를 먼저 작성하는 멀티에이전트 협업 구조를 통해 온톨로지 품질을 개선하는 방법론을 제안한다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

비정형 텍스트에서 온톨로지를 자동 생성할 때 LLM이 코드를 즉시 작성하는 방식은 설계 오류에 취약하다. 본 연구는 도메인 전문가, 매니저, 코더, QA 에이전트로 역할을 분담하고 '기술 구현 계획(TIP)'이라는 중간 설계 문서를 외부화하는 멀티에이전트 프레임워크를 제안했다. 실험 결과, 복잡한 생명보험 약관 데이터셋에서 멀티에이전트 방식이 직접 생성 방식 대비 설계 품질 점수를 최대 2.5배(3.33 vs 1.33) 높이는 성과를 거두었다. 이는 LLM의 추론 과정을 단계별 문서로 명시하는 것이 복잡한 지식 구조 설계의 정확도를 높이는 핵심임을 시사한다.

챕터별 상세

00:00

온톨로지 구축의 병목 현상과 연구 목적

온톨로지 구축은 도메인 전문가와 지식 공학자의 긴밀한 협업이 필수적이라 비용과 시간이 많이 소요되는 병목 구간이다. LLM을 활용해 이를 자동화하려는 시도가 있으나, 비정형 텍스트에서 바로 온톨로지 코드를 생성하면 논리적 일관성이 결여되거나 설계가 부실해지는 한계가 있다. 본 연구는 "설계 문서를 먼저 작성한 뒤 코드를 생성하면 품질이 향상되는가"라는 질문을 던지며 중간 계획의 외부화 효과를 검증했다. 계획을 문서로 명시함으로써 LLM이 복잡한 지식 구조를 더 체계적으로 설계할 수 있음을 확인했다.

온톨로지는 지식의 의미를 컴퓨터가 이해할 수 있도록 정의한 모델로, 지식 그래프 구축의 기반이 된다.

03:15

생명보험 약관을 활용한 온톨로지 구축 태스크

실험 데이터로 문장 밀도가 높고 관계가 복잡한 생명보험 약관을 선정하여 온톨로지 생성의 스트레스 테스트를 수행했다. 약관 문장 하나에 사망 사건, 지급 사건, 수익자, 금액, 통화 등 다양한 요소가 얽혀 있어 단순한 개체 추출 이상의 고도화된 추론이 요구된다. 전문가가 작성한 약관당 약 150개의 Competency Questions(CQ)를 요구사항이자 평가의 정답셋으로 구축하여 실험의 객관성을 확보했다. 이는 LLM이 법률적 제약 조건과 복잡한 인과 관계를 얼마나 정확히 모델링하는지 측정하기 위함이다.

Competency Questions(CQ)는 온톨로지가 답할 수 있어야 하는 질문들로, 온톨로지의 성능을 평가하는 척도가 된다.

08:09

직접 생성 방식과 멀티에이전트 방식의 비교 설계

3단계 파이프라인(CQ 생성 → 온톨로지 생성 → SPARQL 평가)을 구축하고, 핵심 단계인 온톨로지 생성에서 '직접 생성'과 '멀티에이전트' 방식을 비교했다. 직접 생성 방식은 텍스트를 읽고 바로 Turtle 파일을 작성하며, 구문 오류 수정(Bug Fixer) 단계만 거치는 구조이다. 반면 멀티에이전트 방식은 설계와 구현을 분리하여 에이전트 간 협업을 통해 결과물을 도출하도록 설계했다. 두 방식 모두 동일한 CQ와 평가 프레임워크를 공유하여 생성 방식에 따른 순수 성능 차이를 관찰할 수 있게 했다.

Turtle은 온톨로지 데이터를 텍스트로 표현하는 문법 중 하나이다.

text
ex:payment1 a ex:PaymentEvent ;
    ex:hasAmount "50000" .

통화 단위가 누락되어 설계가 부실한 온톨로지 코드 예시

15:14

멀티에이전트 아키텍처의 세부 역할 분업

멀티에이전트 아키텍처는 도메인 전문가, 매니저, 코더, QA 에이전트로 구성되어 역할별로 전문화된 작업을 수행한다. 도메인 전문가는 텍스트에서 의미 요소를 추출하고, 매니저는 '기술 구현 계획(TIP)'을 작성하여 어떤 클래스와 설계 패턴을 사용할지 미리 결정한다. 코더는 이 계획에 따라 실제 Turtle 코드를 작성하며, QA 에이전트는 구문과 논리적 일관성을 검증한다. 이러한 역할 분담은 LLM이 설계와 인코딩을 동시에 수행할 때 발생하는 맥락 혼동 문제를 해결하고 모델링의 충실도를 높였다.

기술 구현 계획(TIP)은 코드를 작성하기 전 온톨로지의 구조적 설계를 명시한 중간 산출물이다.

21:12

SPARQL 및 RAG 기반의 온톨로지 평가 체계

생성된 온톨로지는 SPARQL 질의 응답 정확도와 RAG 기반의 그래프 탐색 성능을 통해 다각도로 평가됐다. SPARQL 평가에서는 에이전트가 정의한 속성 이름이 정답과 조금만 달라도 실패로 처리되는 한계가 있어, 이를 보완하기 위해 그래프 임베딩을 활용한 RAG 평가 방식을 도입했다. RAG 평가는 온톨로지를 그래프 구조로 변환한 뒤 질의에 필요한 요소들이 적절히 연결되어 있는지를 측정하여 구조적 완결성을 반영한다. 이를 통해 단순한 문법 일치를 넘어 지식 모델링의 실질적인 정확도를 판정했다.

SPARQL은 그래프 데이터를 질의하기 위한 언어이며, RAG는 여기에서 지식 검색을 통한 답변 가능성 검증 도구로 쓰였다.

text
SELECT ?amount WHERE {
    ex:payment1 a ex:PaymentEvent ;
    ex:hasAmount ?amount .
}

온톨로지에서 금액 정보를 추출하기 위한 SPARQL 질의문 예시

26:28

실험 결과 분석 및 멀티에이전트 방식의 우위성

실험 결과, 멀티에이전트 방식은 설계 품질 점수에서 직접 생성 방식(1.33점)보다 월등히 높은 3.33점을 기록하며 우수성을 입증했다. 특히 온톨로지 설계 패턴(ODP) 활용 능력에서 큰 차이를 보였는데, 이는 중간 설계 문서를 작성하는 과정이 품질 향상의 핵심 요인임을 증명한다. SPARQL 응답성에서는 두 방식이 유사했으나, RAG 기반 평가에서는 멀티에이전트가 일관되게 높은 성능을 보였다. 다만 전체 온톨로지 간의 중복성 제거와 같은 전역적 상태 추적은 여전히 해결해야 할 과제로 나타났다.

온톨로지 설계 패턴(ODP)은 반복되는 모델링 문제를 해결하기 위해 검증된 설계 구조를 의미한다.

용어 해설

온톨로지(Ontology)
— 지식 도메인을 개념화하여 클래스와 관계의 집합으로 표현한 모델이다. 컴퓨터가 지식의 의미를 이해하고 추론할 수 있도록 구조화된 틀을 제공하며, 시맨틱 웹과 지식 그래프 구축의 핵심 요소이다.
역량 질문(Competency Questions)
— 온톨로지가 해결해야 하는 구체적인 질문 목록이다. 온톨로지 설계의 범위와 정밀도를 결정하는 요구사항 명세서이자, 생성된 결과물이 지식을 제대로 담고 있는지 판정하는 평가 기준으로 활용된다.
스파클(SPARQL)
— RDF 데이터 모델을 질의하기 위한 표준 언어이다. 온톨로지 그래프 구조에서 특정 정보를 추출하거나 관계를 검증할 때 사용되며, SQL과 유사한 문법을 통해 복잡한 지식 탐색을 가능하게 한다.
웹 온톨로지 언어(OWL)
— 온톨로지 작성을 위한 시맨틱 웹 표준 언어이다. 클래스, 속성, 개체 간의 복잡한 지식 구조와 논리적 제약 조건을 정의하며, 컴퓨터가 데이터 간의 관계를 자동으로 추론할 수 있게 돕는다.
터틀(Turtle)
— RDF 데이터를 텍스트로 표현하는 간결한 문법이다. 온톨로지의 주어-서술어-목적어 삼조(Triple) 구조를 사람이 읽기 쉬운 형태로 기술할 수 있어 LLM의 온톨로지 코드 생성 시 주로 활용된다.
검색 증강 생성(RAG)
— 외부 지식 베이스에서 관련 정보를 검색하여 생성 모델의 답변 품질을 높이는 기술이다. 본 아티클에서는 온톨로지 그래프에서 질의에 필요한 요소를 찾아 답변 가능성을 평가하는 프레임워크로 응용됐다.
AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 08. 28.수집 2026. 08. 28.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.