5분
이번 주 회고: KG로 얻은 것과 잃은 것
설비-공정 Knowledge Graph
이번 주 회고: KG로 얻은 것과 잃은 것
온톨로지 & Knowledge Graph > 설비-공정 Knowledge Graph
학습 목표
- Knowledge Graph 도입의 진짜 비용과 효과를 정리한다
- 이번 주에 배운 패턴을 다른 도메인으로 일반화한다
- Week 8 통합 프로젝트로의 연결 고리를 만든다
5일을 돌아보며
월요일에 우리는 "제조 온톨로지"라는 단어를 처음 들었다. 금요일인 지금, 우리는 자동 진단을 하는 Q&A 시스템을 만들었다. 무엇이 바뀌었나? 그리고 무엇이 진짜 어려운가?
우리가 만든 것
[5일간의 산출물]
Day 1: 13개 클래스, 10개 관계로 구성된 제조 온톨로지 (상속과 부분-전체를 구분해서)
Day 2: Neo4j에 노드 115개, 관계 183개 적재 (정본 시드)
Day 3: GraphRAG 파이프라인 + LLM 기반 엔티티 자동 추출
Day 4: 대화형 Q&A + Multi-hop 추론 + 답변 품질 평가
Day 5: 5개 시나리오를 처리하는 통합 시스템KG 도입의 진짜 비용
많은 사람이 간과하는 비용:
| 비용 | 우리가 체감한 것 |
|---|---|
| 온톨로지 설계 | 가장 어려움. 도메인 전문가 협업이 필수 |
| 데이터 적재 | 자동 추출은 그래프에 없는 이름을 만들어 내므로 사람 검토 큐가 필수 |
| 쿼리 학습 | Cypher가 SQL보다 직관적이지만 가변 경로는 어려움 |
| 운영 | 데이터 stale 방지가 영구 과제 |
| 사용자 교육 | "이렇게 물어보세요" 학습이 의외로 큰 비용 |
KG로 얻은 것
[정량적 효과 - 빈칸은 본인이 잰 값으로 채운다]
- 진단 시간: 매뉴얼로 원인 후보를 찾을 때 ___분 → Q&A 로 ___분
- 근거 없는 문장 비율: 골든셋 20문항 채점 결과 ___%
- 다중 hop 질의 정답률: ___/20
(이번 주에 재지 않았다면 빈칸으로 두고 "미측정"이라고 적는다.
재지 않은 값을 성과로 적으면 그 문장이 그대로 사내 보고서로 옮겨 간다.)
[정성적 효과]
- "왜?" 질문에 경로로 답할 수 있음 (설명 가능 AI)
- 데이터 자산화 (KG는 그 자체가 자산)
- 사일로(silo) 데이터 통합 (CMMS + ERP + 매뉴얼)KG로 잃은 것 (또는 못 한 것)
- 빠른 도입: Vector RAG는 1주, KG는 1개월+
- 자유 형식 검색: 매뉴얼 자체 검색은 Vector가 강함
- 단순함: 새 엔티티 타입 추가에 의사결정 필요
- 자가 학습: KG는 사람이 입력/검증해야 함결론: KG는 만능이 아니다. Hybrid가 답이다.
이번 주 학습한 패턴을 다른 도메인에 적용한다면?
| 도메인 | 엔티티 후보 | 핵심 관계 |
|---|---|---|
| 의료 | 환자/질병/증상/약/의사 | HAS_SYMPTOM, TREATED_BY |
| 금융 | 고객/계좌/거래/위험 | RELATED_TO, FLAGGED_AS |
| 법률 | 사건/판례/조항/판사 | CITES, PRECEDES |
| 물류 | 상품/창고/경로/차량 | STORED_IN, ROUTED_VIA |
공통 패턴: 엔티티 식별 → 관계 정의 → 추론 시나리오 → Q&A. 도메인이 달라져도 방법론은 동일하다.
Week 8과의 연결
[다음 주: 멀티 에이전트 통합 프로젝트]
┌────────────────────────────┐
이번 주의 KG ──→ │ Diagnostic Agent (진단) │
├────────────────────────────┤
│ Maintenance Agent (정비) │
├────────────────────────────┤
│ Procurement Agent (조달) │
├────────────────────────────┤
│ Coordinator (조율) │
└────────────────────────────┘
이번 주의 KG는 다음 주 4개 에이전트의 "공유 두뇌".
에이전트들이 KG를 통해 서로 협력한다.한 줄 회고 (당신의 차례)
다음 질문에 짧게 답해보세요:
- 가장 인상적이었던 "아하 모먼트"는?
- 가장 어려웠던 부분은? 어떻게 극복했나?
- 실제 우리 공장에 적용한다면 가장 먼저 무엇을 할까?
- 이번 주의 학습 중 한 가지만 동료에게 가르친다면?
마지막 한 마디
"좋은 KG는 데이터 + 도메인 전문가 + 시간의 합작품이다."
이번 주에 만든 KG는 작지만 진짜다. 여기서부터 시작이다. Week 8, 그리고 그 너머에서 만나자.
AI로 학습하기 — 꿀팁
KG 도입 비용·효과 주장 검증AI 학습 팁
Knowledge Graph 도입 효과에 대한 낙관적 주장이 실제 제조 현장 사례와 비교했을 때 과장된 부분은 없는지 검증하세요.
'Knowledge Graph를 제조에 도입하면 고장 진단 시간 60% 단축, 전문가 지식 100% 보존이 가능하다'는 주장을 비판적으로 검증해줘. 실제 제조 KG 도입 사례에서 기대만큼 성과가 나오지 않은 이유(데이터 품질, 온톨로지 유지보수 비용, 사용자 적응 등)를 구체적으로 제시하고, 현실적인 기대치를 제안해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • KG의 진짜 비용은 온톨로지 설계와 데이터 stale 방지에 있다
- • KG는 만능이 아니며 Vector RAG와의 Hybrid가 실무 정답
- • 이번 주 학습한 방법론은 의료/금융/법률/물류 등 다른 도메인에도 적용 가능
- • Week 8에서는 이번 주 KG가 멀티 에이전트의 공유 지식 백본으로 사용됨