법률 지식 그래프 생성을 위한 새로운 원샷 ML 아키텍처 개발

새로운 아키텍처에 대해 긍정적인 반응이며, 특히 환각 문제를 해결하기 위한 분류 기반 접근 방식에 대해 기술적인 질문과 관심이 이어졌다.

• 복잡한 계층 구조를 가진 전문 문서를 처리할 때 생성형 방식보다 분류 기반의 구조적 예측이 환각 방지에 유리함
• 법률 도메인의 지식 그래프 구축 시 오픈소스 온톨로지인 ILGS를 활용하여 스키마 설계 시간을 단축할 수 있음

지식 그래프(Knowledge Graph)

— 개체(Node)와 그들 사이의 관계(Edge)를 네트워크 형태로 표현한 데이터 구조이다. 복잡한 데이터 간의 연관성을 파악하고 검색 효율을 높이는 데 필수적이며, 법률 문서와 같이 참조 관계가 많은 데이터 처리에 유용하다.

계층적 그래프화(Hierarchical Graphitization)

— 문서를 단순한 텍스트 나열이 아닌, 장, 절, 항 등의 계층 구조를 반영한 그래프 형태로 변환하는 기술이다. 법률 문서처럼 구조가 복잡하고 중첩된 데이터를 정형화된 지식 체계로 변환할 때 핵심적인 역할을 한다.

결합 구조적 예측(Joint Structured Prediction)

— 여러 개의 연관된 예측 작업을 하나의 모델에서 동시에 학습하고 수행하는 방식이다. 각 작업 간의 상관관계를 활용해 전체적인 예측 정확도를 높이며, Kanon 2 모델이 다양한 법률적 요소를 한 번에 식별하는 기반이 된다.

태스크 헤드(Task Head)

— 신경망 모델의 공통된 특징 추출부 위에 특정 목적(분류, 회귀 등)을 위해 추가된 출력 레이어이다. Kanon 2 모델은 58개의 헤드를 사용하여 개체 추출부터 문서 분할까지 다양한 작업을 병렬로 처리한다.

온톨로지(Ontology)

— 데이터 간의 관계와 개념을 정의하는 정형화된 체계이다. 지식 그래프의 뼈대가 되며, 모델이 데이터를 어떤 범주로 분류하고 어떻게 연결할지 결정하는 논리적 기준 역할을 수행한다.