160. 지식 그래프 (Knowledge Graph) + GraphRAG 연동망

핵심 인사이트 (3줄 요약)

본질: 지식 그래프(Knowledge Graph)는 엔티티(Entity)와 관계(Relation)를 삼중쌍(Triple: 주어-술어-목적어)으로 구조화한 지식 저장 체계이며, GraphRAG는 이를 LLM과 결합해 구조적 추론을 수행한다.

가치: 단순 벡터 검색(RAG)이 "관련 문서 검색"에 그치는 반면, GraphRAG는 지식 그래프의 다단계 추론(Multi-hop Reasoning)으로 "A의 상사의 동료의 연락처"같은 복잡한 관계형 질의를 처리한다.

판단 포인트: 구조화된 도메인 지식(의료, 법률, 기업 조직)에는 GraphRAG가 강하고, 비정형 최신 정보에는 표준 RAG가 효율적이다 — 두 가지를 하이브리드로 결합하는 것이 최선이다.

Ⅰ. 개요 및 필요성

"삼성전자 CEO의 전 직장 동료의 현재 직책은?" 같은 다단계 관계형 질의는 벡터 검색 RAG로는 처리가 어렵다. 지식 그래프는 이런 복잡한 관계를 구조적으로 탐색한다.

대표적 지식 그래프: Google Knowledge Graph, Wikidata, DBpedia, 기업 내부 도메인 KG

지식 그래프 기본 구성

엔티티 (Entity): 노드 — 사람, 조직, 제품, 개념
관계 (Relation): 엣지 — 소속, 제조, 의존, 포함
삼중쌍 (Triple): (삼성전자, CEO, 이재용) — 주어-술어-목적어

📢 섹션 요약 비유: 지식 그래프는 AI를 위한 구조화된 백과사전이다. 단순히 텍스트를 저장하는 게 아니라, 모든 지식 간의 관계를 명시한다.

Ⅱ. 아키텍처 및 핵심 원리

항목	설명
삼중쌍 (Triple)	(Subject, Predicate, Object)
온톨로지 (Ontology)	엔티티 유형, 관계 유형의 스키마 정의
SPARQL	지식 그래프 질의 언어
임베딩	TransE, RotatE — 엔티티/관계를 벡터로 표현
링크 예측	누락된 삼중쌍 예측 (지식 그래프 완성)
Neo4j, GraphDB	지식 그래프 저장 시스템

[지식 그래프 + GraphRAG 구조]

지식 그래프 예시:
  삼성전자 ──[CEO]──▶ 이재용
  삼성전자 ──[소재지]──▶ 서울
  삼성전자 ──[제품]──▶ 갤럭시 시리즈
  이재용 ──[학력]──▶ 하버드 대학원
  이재용 ──[국적]──▶ 대한민국

GraphRAG 질의: "삼성전자 CEO가 다닌 학교는?"
                    │
        ①삼성전자 노드 검색
                    │
        ②CEO 관계 따라 이재용
                    │
        ③이재용의 학력 관계 탐색
                    │
        ④하버드 대학원 반환
                    │
        LLM이 자연어로 응답 생성

[GraphRAG vs 표준 RAG 비교]

표준 RAG:
"삼성전자 CEO 학력" ─▶ 벡터 검색 ─▶ 관련 문서 반환
→ 문서에 명시된 경우만 답변 가능

GraphRAG (Microsoft):
"삼성전자 CEO 학력" ─▶ 엔티티 추출 ─▶ 그래프 탐색
─▶ 다단계 관계 추론 ─▶ 정확한 구조적 답변

[GraphRAG 파이프라인 (Microsoft)]
문서
  │ 정보 추출 (LLM 활용)
  ▼
엔티티 & 관계 추출
  │
그래프 구축 (Neo4j 등)
  │ 커뮤니티 탐지 (Leiden 알고리즘)
  ▼
글로벌/로컬 요약 생성
  │
질의 처리:
  ├── 글로벌 질의: 커뮤니티 요약 활용
  └── 로컬 질의: 관련 서브그래프 탐색
          │
    LLM 최종 응답 생성

지식 그래프 임베딩 기법

방법	수식	특징
TransE	h + r ≈ t	단순, 1:1 관계
TransR	h + Mr ≈ t	관계별 공간
RotatE	h ∘ r = t	회전 연산, 역관계
Knowledge Graph BERT	BERT 기반	풍부한 표현

📢 섹션 요약 비유: GraphRAG는 "이 사람은 누구야?"라는 질문에 단순히 이름을 말하는 게 아니라, 관계망 전체를 탐색해서 "이 사람은 A의 동료이고, B의 상사이며, C의 동창"이라고 설명한다.

Ⅲ. 비교 및 연결

항목	표준 RAG	GraphRAG	KG 직접 쿼리
다단계 추론	❌	✅	✅
최신 정보	✅ (인덱싱 후)	보통	❌
구현 복잡도	낮음	높음	중간
비정형 텍스트	✅	보통	❌
관계 정확도	보통	✅	✅
비용	낮음	높음 (KG 구축)	중간

GraphRAG 활용 사례

의료: 약물-질병-유전자 관계 추론 (생물의학 KG)
법률: 판례-법령-당사자 관계 검색
기업: 조직도·인사·프로젝트 관계 질의
금융: 기업-주주-자회사 관계 분석 (사기 탐지)

📢 섹션 요약 비유: 표준 RAG가 구글 검색이라면, GraphRAG는 구글 지식 그래프 — 단순 검색이 아니라 연결된 사실들을 탐색한다.

Ⅳ. 실무 적용 및 기술사 판단

지식 그래프 구축 파이프라인

소스 데이터: 문서, DB, API
정보 추출: NER (개체명 인식), RE (관계 추출) — LLM 활용 가능
온톨로지 설계: 엔티티 유형, 관계 유형 정의
그래프 DB 저장: Neo4j, Amazon Neptune
지식 그래프 검증: 일관성, 완전성 확인

GraphRAG 구현 (Microsoft GraphRAG)

# 설치
pip install graphrag
# 인덱싱 (문서 → KG 구축)
python -m graphrag.index --root ./data
# 질의
python -m graphrag.query --root ./data \
  --method global "삼성전자 주요 제품군은?"

기술사 출제 포인트

"지식 그래프의 삼중쌍 구조를 설명하고, 일반 벡터 데이터베이스와의 차이를 설명하시오"
"GraphRAG가 표준 RAG 대비 갖는 장점과 한계를 비교하시오"

📢 섹션 요약 비유: 지식 그래프는 AI의 두뇌에 체계적인 지식 지도를 심어주는 것이다. 단편적인 사실이 아닌 구조화된 지식 네트워크를 갖게 된다.

Ⅴ. 기대효과 및 결론

지식 그래프와 LLM의 결합은 AI의 추론 능력을 크게 향상시킨다. LLM의 언어 이해력과 지식 그래프의 구조적 추론이 결합되면, 단순 텍스트 검색을 넘어 복잡한 전문 지식 도메인에서도 신뢰할 수 있는 AI 어시스턴트가 가능하다.

Microsoft GraphRAG는 2024년 오픈소스로 공개되어 기업 내 문서를 지식 그래프로 변환하고 고급 질의 응답을 구현하는 실용적 도구가 됐다.

📢 섹션 요약 비유: GraphRAG는 AI에게 단순히 기억하는 능력이 아닌, 기억들 사이의 관계를 이해하는 '지능적 추론 능력'을 부여한다.

📌 관련 개념 맵

관계	개념	설명
기반	지식 그래프 (Knowledge Graph)	삼중쌍 구조 지식
구성	엔티티 (Entity)	그래프 노드
구성	관계 (Relation)	그래프 엣지
쿼리	SPARQL	KG 질의 언어
결합	GraphRAG	KG + LLM 검색 증강
기술	GNN (Graph Neural Network)	그래프 학습
구현	Neo4j, Amazon Neptune	그래프 DB

👶 어린이를 위한 3줄 비유 설명

지식 그래프는 세상의 모든 사실을 "누가-무엇을-어떻게" 형태로 연결한 거대한 관계 지도예요.
GraphRAG는 그 지도를 사용해서 "A의 친구의 직장"처럼 여러 단계를 거치는 복잡한 질문도 찾아낼 수 있어요.
AI가 단순히 글을 검색하는 것에서, 관계를 이해하고 추론하는 단계로 발전한 것이에요.

📈 관련 키워드 및 발전 흐름도

구조화 지식: 트리플 (주어, 술어, 목적어)
    │
    ▼
지식 그래프 (KG) 구축
    ├─► 수동: Wikidata · DBpedia
    └─► 자동: LLM 기반 엔티티/관계 추출
    │
    ▼
지식 그래프 임베딩 (TransE · RotatE · ComplEx)
    │
    ▼
GraphRAG (Microsoft, 2024)
    ├─► 문서 → KG 구성 → 커뮤니티 요약
    └─► 글로벌 검색 + 로컬 검색 결합
    │
    ▼
LLM + KG → 환각 감소 · 사실 기반 추론 강화