온톨로지(이현종 지음)

 

 

• 문제 정의: 데이터 부족이 아니라 "구조의 부재"가 AI 오판의 원인. 표(Table)·엑셀 사고로는 사건의 흐름을 담을 수 없음.
• 온톨로지 = 의사결정 OS: 객체·관계·제약조건·액션까지 모델링. "동사도 일급 객체"가 핵심.
• LLM 단독은 한계: LLM + 온톨로지 + 시뮬레이션 = 판단하는 AI(Decisive AI). 책임 추적·설명 가능성 확보.
• RAG 계층 구분: 벡터 RAG(유사도) → 그래프 RAG(관계 탐색) → 온톨로지(의미·제약·액션). 어느 레이어를 푸는지 명확히.
• 시간을 사건 시퀀스로: timestamp 컬럼이 아닌 이벤트 흐름으로 모델링해야 예측·추론 가능.
• 설계 주체는 도메인 전문가: 개발자 단독 설계 금지. "정의 전쟁"은 거버넌스 문제로 풀 것.
• FDE(Forward Deployed Engineer): 도메인-구조-실행을 잇는 신규 직무. 커리어 포지셔닝 참고.
• 점진 확장 원칙: 전사 통합 온톨로지 X. 워크플로 1개 슬라이스 → 객체 5~10개 → 점진 확장.
• 실행 스택: Palantir Foundry Developer Tier(무료) 또는 Neo4j + LangChain GraphRAG로 손에 익히기.
• 거버넌스 = 제품 신뢰: 객체 단위 RBAC, 감사 로그, 정책 검증을 온톨로지 골격 위에 설계.

 

Palantir Ontology 3-Layer

1. Semantic (의미)	현실 비즈니스를 객체·속성·관계로 정의 — 디지털 트윈의 뼈대	Object, Property, Link	"무엇이 존재하는가" (Read)
2. Kinetic (동적)	의미 위에 '행동'을 연결. 실시간 워크플로 자동화	Action, Function	"무엇을 할 수 있는가" (Act)
3. Dynamic (역동적)	결정 캡처 + 시뮬레이션 + AI 학습 루프	Decision capture, ML feedback	"어떻게 더 똑똑해지는가" (Learn)

 

핵심 통찰

전통 시맨틱 웹은 Semantic 한 층만 다뤘습니다(RDF/OWL + SPARQL = Read 중심). 팔란티어는 그 위에 Kinetic·Dynamic을 얹어 Read → Act → Learn의 자기 강화 루프를 완성했습니다. 실행(Act) 결과를 디지털 트윈에 다시 써넣고(Write), 축적된 결정 데이터를 AI/ML 모델이 학습(Learn)하여 다음 실행의 정확도를 높이는 자기 강화 루프를 형성한다는 게 결정적 차이입니다. 

 

이게 왜 중요한가 — 사용할수록 똑똑해지는 시스템의 메커니즘이 여기 있기 때문입니다. 책에서 말하는 "절대적 해자(Moat)"의 기술적 원천이 바로 이 3번 레이어의 결정 캡처입니다. 후발 주자가 데이터를 베껴도, 누적된 의사결정 학습 데이터는 복제 불가능합니다.

 

[Dynamic Layer]   ← AI 추론 + 결정 로그 + 시뮬레이션 + RLHF성 학습 루프
       ↑↓
[Kinetic Layer]   ← Action Type, Function, Workflow, 권한/RBAC
       ↑↓
[Semantic Layer]  ← Object Type, Property, Link Type (= 그래프 모델)
       ↑↓
[데이터 소스]     ← ERP / MES / SCM / DW / 비정형 데이터

 

 

참고: 팔란티어 온톨로지 vs 전통 온톨로지: 개념 비교와 40년의 진화 | Pebblous

팔란티어 온톨로지란? — 전통 온톨로지와 핵심 차이 5가지 비교

참고: Ontology

Ontology

 

HS온톨로지 예시