온톨로지는 무엇이고, 언제 필요할까

공장의 진동 측정 시스템은 펌프를 「P101」이라고 적습니다. 설비 대장은 「P-101」, 정비 작업 지시는 「냉각수 펌프 1호기」라고 적습니다. 셋은 같은 펌프입니다. 사람은 머릿속에서 이 차이를 맞춰 가며 일합니다.

문제는 그 맞춤 규칙이 어디에도 적혀 있지 않다는 점입니다. 담당자가 바뀌면 규칙도 사라집니다. 질의를 짜는 사람마다 맞추는 방식도 조금씩 다릅니다. 온톨로지는 이 규칙을 데이터 옆에 적어 두는 방법입니다.

온톨로지는 무엇인가

Ontology — 온톨로지: 한 분야에서 쓰는 개념과 그 개념 사이의 관계를, 사람과 기계가 같은 뜻으로 읽도록 명시적으로 적어 둔 것입니다.

적는 내용은 「펌프는 설비의 한 종류다」, 「베어링은 펌프의 부품이다」, 「작업 지시는 대상 설비를 하나 이상 가진다」 같은 문장입니다. 이렇게 적어 두면 일하는 방식이 세 군데에서 달라집니다.

• 같은 뜻을 공유합니다. 「설비」를 물으면 펌프와 모터가 함께 나옵니다. 질의를 짜는 사람이 계층을 외우지 않아도 됩니다.
• 연결을 따라 묻습니다. 측정에서 설비로, 설비에서 부품으로, 부품에서 고장 모드와 작업 지시로 이어지는 질문을 한 번에 던집니다.
• 규칙을 검사합니다. 「대상 설비가 없는 작업 지시」 같은 위반을 데이터가 들어올 때 찾습니다.

무엇으로 이루어지나

부품	뜻	공장 예
Class — 클래스	같은 성질을 가진 것들의 모임	설비, 펌프, 베어링, 고장 모드
Individual — 개체	클래스에 속하는 실제 하나	P-101, BRG-101, WO-001
Object property — 관계	개체와 개체를 잇는 것	부품이다, 구동한다
Datatype property — 값 속성	개체에 숫자·글자·날짜를 붙이는 것	진동 속도, 측정 시각, 태그
Axiom — 공리	항상 참이라고 약속한 문장	펌프는 설비의 한 종류다

처음 만들 때 가장 흔한 실수는 「종류」와 「부분」을 섞는 것입니다. 베어링은 펌프의 부품이지 펌프의 한 종류가 아닙니다. 베어링을 펌프의 하위 클래스로 적으면 「펌프가 몇 대인가」를 물었을 때 베어링까지 펌프로 셉니다.

데이터베이스 스키마, 지식그래프와 무엇이 다른가

이름	무엇을 적는가	온톨로지와의 차이
데이터베이스 스키마	한 시스템의 저장 구조	시스템에 묶여 있고 추론을 하지 않습니다
Taxonomy — 분류 체계	개념의 위아래 계층	계층만 있고 관계와 제약이 없습니다
Thesaurus — 시소러스	같은 말, 넓은 말, 좁은 말	낱말 사이 관계이며 개체를 다루지 않습니다
Knowledge graph — 지식그래프	개체와 관계의 실제 데이터	온톨로지가 뜻을 정하고, 지식그래프는 그 뜻에 맞춰 쌓인 사실입니다

스키마는 한 시스템이 데이터를 저장하고 꺼내기 위한 구조입니다. 온톨로지는 여러 시스템이 같은 개념을 같은 뜻으로 쓰기 위한 약속입니다. 그래서 온톨로지는 테이블의 열이 아니라 개념에서 출발합니다.

언제 필요하고, 언제 필요 없나

온톨로지가 값을 하는 때는 질문이 계속 늘고, 시스템이 바뀌고, 뜻을 맞춰야 하는 사람이 많을 때입니다. 제조 현장의 설비·정비·품질 데이터가 대표적입니다.

모든 데이터 통합 문제의 답은 아닙니다. 시스템이 두세 개뿐이고 질문이 고정되어 있다면 잘 짠 조인 테이블 하나가 더 싸고 빠릅니다. 온톨로지를 들이는 비용은 작지 않습니다.

어디서부터 시작하나

범위는 질문으로 정합니다. Competency Question — 역량 질문: 온톨로지가 답할 수 있어야 하는 업무 질문입니다. Grüninger와 Fox(1995)가 온톨로지의 범위를 정하고 평가하는 수단으로 제안했습니다.

예를 들어 「진동이 기준을 넘은 측정은 어느 설비의 것인가」를 질문으로 정하면, 측정·측정 대상·진동 값·측정 시각 네 가지가 필요하다는 것이 드러납니다. 질문에 필요 없는 개념(구매 단가, 제조사 주소)은 넣지 않습니다. 「설비에 관한 모든 것」을 적으려 하면 끝나지 않습니다.

역량 질문은 범위를 정하는 도구입니다. 정확성을 보장하지는 않습니다. 질문이 스키마로 표현된다는 것과, 실제로 질의를 돌려 맞는 답을 받는다는 것은 다릅니다.

LLM 시대에 온톨로지가 다시 거론되는 까닭

LLM은 문장을 잘 만들지만, 우리 회사에서 「P-101」과 「냉각수 펌프 1호기」가 같은 설비라는 것은 모릅니다. 온톨로지는 그 약속을 기계가 읽을 수 있게 적어 두므로, LLM과 에이전트가 근거로 삼을 수 있는 구조가 됩니다. 이 주제는 AI 에이전트에게 온톨로지가 필요한 이유와 GraphRAG vs Vector RAG: 무엇이 다른가에서 더 다룹니다.

온톨로지가 LLM의 오류를 없애 주지는 않습니다. 온톨로지 자체가 틀리거나 데이터가 비어 있으면, 그 위에서 나온 답도 틀립니다.

더 읽을 것

• 입문 안내서: 처음 만나는 온톨로지(PDF, 34쪽). 가상의 공장 예제 하나로 RDF, OWL, SPARQL, SHACL을 실제로 돌려 보며 따라갑니다. 다음 권은 처음 만나는 Neo4j와 GraphRAG(PDF, 48쪽)입니다. 두 권 모두 CC BY 4.0입니다.
• 용어: 온톨로지 공학 용어. 클래스, 역량 질문, 시소러스 같은 용어 65개의 한국어 표제어와 영어 대응어, 정의를 모았습니다.
• 검사: 온톨로지 검사기. 만든 OWL 파일의 흔한 모델링 실수와 SHACL 제약 위반을 브라우저 안에서 검사합니다. 파일은 서버로 보내지 않습니다.