3분
공통 패턴 여섯 가지
선행 연구·사례와 우리가 채울 빈틈
공통 패턴 여섯 가지
선행 연구·사례와 우리가 채울 빈틈 > 선행 연구·사례와 우리가 채울 빈틈
학습 목표
- 다섯 사례를 한 매트릭스로 비교한다
- 반복 등장하는 설계 패턴을 우리 선택의 근거로 삼는다
공통 패턴 추출 — 다섯 사례가 합창하는 것
해부 결과를 다섯 관점 매트릭스로 정리하면 이렇습니다.
| 사례 | 데이터 원천 | 온톨로지 방법 | 구축 기술 | 저장/활용 | 규모 |
|---|---|---|---|---|---|
| STK-LLM | 선석·계류 데이터 | 시공간 트리플 설계 | 구조화 변환 | KG+LLM 에이전트 (선석 추천) | 지역 단위 |
| SCAKG | 충돌사고 보고서 | 온톨로지 기반 IE | NLP | Neo4j (사례 검색) | 910노드/1,920엣지 |
| MAKG | 사고보고서 581건 | 7-Step | MBERT-BiLSTM-CRF-SF (F1 0.91) | Neo4j (분석·관리) | 8엔티티/8관계/18속성 유형 |
| MDG KG | IMDG Code·위험물 지식 | 3층 구조 온톨로지 | 개념·엔티티 설계 | 지식관리 | 규정 전체 |
| MVA-KG | 사고보고서+지리 데이터 | Protégé 온톨로지층 | 추출+융합 | Neo4j (QA, 2~3-hop) | 215,672 트리플 |
여기서 여섯 가지 공통 패턴이 추출됩니다.
- 온톨로지층과 데이터층의 분리 — 모든 연구가 "스키마는 사람이 설계, 인스턴스는 기계가 추출" 구조입니다. 이 로드맵의 코스 2(설계)/코스 3(데이터) 분리와 정확히 일치합니다.
- Neo4j 의 사실상 표준화 — 해부한 구축 사례 전부가 Neo4j를 저장소로 썼습니다. 유연한 스키마(동적 노드·관계 추가)가 반복 언급되는 채택 사유입니다. 코스 2의 선택이 학계 관행과도 정합함을 확인했습니다.
- 7-Step 의 건재 — 최신(2024) 대규모 연구도 Stanford 7-Step으로 온톨로지를 설계합니다. 코스 2 방법론 선택의 근거입니다.
- 이벤트 노드 패턴의 보편화 — AIS 이벤트든 기항이든, 시간을 다루는 연구는 예외 없이 이벤트를 노드로 승격시킵니다.
- NLP 추출 파이프라인의 정형화 — BERT 계열 + BiLSTM/BiGRU + CRF가 해사 도메인 NER의 표준 레시피입니다. 단 도메인 사전학습이 성능을 가릅니다(MAKG의 +5%p).
- KG→LLM 결합의 부상 — 2024~2025 연구들(STK-LLM, VTS-LLM, MVA-KG QA)은 일제히 KG를 LLM의 지식 기반으로 쓰는 방향으로 이동 중입니다. GraphRAG는 유행이 아니라 연구 전선 그 자체입니다.
💡 이 여섯 가지는 남의 이야기가 아닙니다. 우리가 앞으로 내릴 설계 결정(Neo4j, 7-Step, 이벤트 모델링, GraphRAG)이 모두 여기에 근거를 두게 됩니다. 심사에서 "왜 그렇게 했는가"를 물으면 이 표를 펴면 됩니다.