유형 ① 운영 최적화 KG — 선석배정과 항만 물류

STK-LLM (2025, Advanced Engineering Informatics) — 이 코스의 문제의식과 가장 가까운 연구입니다. 선박 도착 시간의 불확실성 때문에 "배가 선석을 기다리거나, 선석이 배를 기다리는" 비효율이 생기는데, 기존 선석배정 모델은 배-선석 간의 동적이고 복잡한 시공간 상호작용을 다 담지 못한다는 진단에서 출발합니다. 해법으로 시공간 지식그래프 + AI 에이전트를 결합했습니다. 시공간 트리플로 배·선석·시간의 관계를 구조화하고, 이 구조화된 지식으로 LLM의 사전학습·추론·설명가능성을 보강합니다. 장강 삼각주(양쯔델타) 지역의 선석·계류 데이터로 검증했습니다.

읽어야 할 포인트: KG가 LLM의 "도메인 교과서" 역할을 한다는 아키텍처입니다. 코스 4(GraphRAG)의 논거가 이미 학계에서 검증되고 있다는 뜻입니다. 동시에 한계도 보입니다 — 특정 지역·특정 문제(선석배정)에 특화된 그래프라, 기항 이벤트·터미널 작업·화물 추적까지 아우르는 범용 항만 온톨로지는 아닙니다.

이웃 연구: AIS 데이터 기반 이종(heterogeneous) 해사 KG에 그래프 임베딩을 적용해 선종 분류와 유사 선석 추천이라는 다운스트림 태스크를 푸는 프레임워크도 제안되어 있습니다. KG를 "질의 대상"으로만이 아니라 **"ML 피처의 원천"**으로 쓰는 두 번째 활용법을 보여줍니다.

유형 ② 안전·사고 KG — 텍스트에서 지식을 캐다

이 유형이 해사 KG 연구의 최대 광맥입니다. 사고조사보고서라는 "잘 쓰인 비정형 텍스트"가 풍부하기 때문입니다.

SCAKG (선박 충돌사고 KG, 2023) — 충돌사고 보고서에서 온톨로지 기반 정보추출 모듈로 지식을 뽑아 910개 엔티티 노드와 1,920개 관계 엣지의 그래프를 Neo4j에 구축했습니다. 사고 요인 간 내부 관계를 드러내고 유사 사례 검색(case retrieval)으로 사고 조사·사법 절차를 가속하는 활용을 시연했습니다.

MAKG (해사사고 KG, 2024) — 규모와 방법론 완성도에서 한 단계 위입니다. 중국 해사국의 10년치(2014–2023) 사고보고서 581건을 기반으로, Stanford 7-Step 방법론으로 8개 엔티티 유형·8개 관계 유형·18개 속성 유형의 온톨로지를 설계했습니다. 구축 비용을 줄이기 위해 도메인 사전학습+자가학습 기반 NER 모델(MBERT-BiLSTM-CRF-SF)을 제안해 F1 0.910으로 기존 대비 약 5%p 높은 성능을 달성했고, 글자형태+의미 기반 개체 정렬(entity alignment)로 지식을 정제했습니다. 저장·시각화는 Neo4j로 했으며, 경직된 스키마 없이 노드·관계·속성을 동적으로 추가할 수 있다는 점을 채택 이유로 명시합니다.

주변 사례들: FSC(기국통제) 점검 KG는 BERT-BiGRU-CRF로 점검 텍스트에서 엔티티를 추출해 Neo4j에 구축하고 중국 다펑항 사례로 검증했습니다. 해양오염 규정 KG는 BERT-MCNN으로 중국 오염방지 규정에서 핵심 정보를 추출해 PSC(항만국통제) 검사관의 의사결정을 지원합니다.

읽어야 할 포인트

1. MAKG가 우리와 같은 7-Step을 썼다는 것 — 방법론 선택의 학술적 근거가 됩니다.
2. "온톨로지 설계(수동, 전문가) + 인스턴스 추출(자동, NLP)"이라는 역할 분담이 사실상 업계 표준 레시피로 굳었습니다.
3. 다만 이들은 모두 사후(post-hoc) 분석용 그래프입니다. 사고가 난 뒤 보고서를 분석하지, 운영 데이터로 실시간 질의에 답하지 않습니다.