# [[Ontology]]

## 📌 Brief Summary
온톨로지(Ontology)는 엔티티(entities), 개념(concepts), 그리고 이들 간의 상호 관계를 정의하는 구조화된 지식 기반(structured knowledge bases)을 의미합니다 [1]. 시맨틱 검색 엔진은 온톨로지나 지식 그래프를 활용하여 사용자의 질의와 문서 콘텐츠를 매핑하고 의미론적 연결을 이해합니다 [1, 2]. 이를 통해 질의에 정확한 키워드가 포함되지 않은 상황에서도 문맥을 파악하여 관련성 높은 검색 결과를 식별할 수 있도록 돕는 핵심적인 역할을 수행합니다 [1, 2].

## 📖 Core Content
* **시맨틱 검색에서의 의미 매핑**: 시맨틱 검색 엔진은 온톨로지와 같은 구조화된 지식 기반을 활용하여 검색 쿼리의 용어와 문서의 콘텐츠를 연결합니다 [1, 2]. 이는 단순한 키워드 매칭을 넘어 엔티티 간의 의미론적 연결(semantic connections)을 이해하게 함으로써, 검색어와 정확히 일치하는 단어가 문서에 없더라도 사용자의 의도에 부합하는 결과를 도출할 수 있게 합니다 [1, 2].
* **엔티티 관계 검증 (Entity Validation)**: 기업용 AI 시스템이나 GraphRAG(그래프 기반 검색 증강 생성) 환경에서 지식 그래프를 추출할 때, 종종 노이즈가 발생하거나 잘못된 엔티티 관계가 형성될 수 있습니다 [3]. 이러한 오류를 방지하기 위해 다중 추출 모델을 사용함과 동시에, 이미 알려진 온톨로지(known ontologies)와 교차 참조(cross-reference)하여 추출된 관계의 유효성을 검증하는 파이프라인이 사용됩니다 [3].
* **산업 특화 검색 플랫폼의 기반**: 검색 시스템이 수직 계열화(Verticalization)됨에 따라, 법률, 금융, 의료 등 전문 분야에 특화된 검색 플랫폼이 시장을 주도할 것으로 전망됩니다 [4]. 이 과정에서 각 산업 컨소시엄들은 도메인에 특화된 공유 지식 그래프와 온톨로지를 구축 및 유지 관리하여 상호 운용성을 확보하게 될 것입니다 [4].
* **기계 학습의 연구 분야**: 기계 학습(Machine Learning) 및 데이터 마이닝 분야에서 온톨로지 학습(Ontology learning)은 분류, 군집화 등과 함께 의미 분석 및 구조적 예측을 다루는 세부 과제 영역 중 하나로 연구되고 있습니다 [5].

## ⚖️ Trade-offs & Caveats
온톨로지 기술 자체에 대한 고유한 부작용이나 제약 사항에 대해서는 소스에 관련 정보가 부족합니다. 다만, 온톨로지를 함께 활용하는 지식 기반 구조(지식 그래프 등)와 관련하여 다음과 같은 제약과 상충 관계가 존재합니다:
* **높은 구축 비용 및 복잡성**: 온톨로지를 기반으로 하는 지식 그래프 등을 구축하고 유지 관리하는 과정은 기본 벡터 검색을 활용하는 RAG 시스템보다 3~5배 더 많은 비용이 소요되며, 도메인에 특화된 별도의 튜닝 작업이 필수적입니다 [3, 6].
* **관계 추출의 노이즈 및 검증 부담**: 구조화된 지식을 형성하기 위해 모델이 엔티티 간의 관계를 추출할 때 잘못된 연결이나 노이즈가 발생할 위험이 있습니다 [3]. 이를 해결하기 위해 기존에 구축된 온톨로지와 지속적으로 교차 참조해야 하며, 신뢰도가 낮은 관계는 인간의 직접 검토(human review)를 거치도록 설계해야 하는 등 관리적 부담이 가중됩니다 [3].

---
*Last updated: 2026-05-04*