팔란티어 온톨로지와 디지털 트윈

출처: https://www.youtube.com/watch?v=wt41TgkFRIc · 빅데이터닥터 BIGDATA DOCTOR · 9:53 · 2023-07-24

요지

온톨로지는 현실의 객체, 속성, 관계를 컴퓨터가 이해하고 처리할 수 있는 명시적 규칙으로 표현하는 체계다.
팔란티어가 온톨로지 개념을 발명한 것은 아니다. 팔란티어는 기존 개념을 기업 데이터에 적용해 현실 세계를 파운드리 안에서 다룰 수 있게 만들었다.
온톨로지로 연결된 데이터는 현실의 구조와 상태를 디지털 공간에 재현하는 디지털 트윈의 기반이 된다.
디지털 트윈은 데이터 분석, 시뮬레이션, 인공지능 연계뿐 아니라 실제 개념과 검증되지 않은 주장을 구분하는 데도 유용하다.
데이터와 지식에 출처·관계·판단 규칙이 없으면 사람과 인공지능 모두 모호한 개념을 사실처럼 다루는 오류에 빠질 수 있다.

개요

온톨로지는 데이터에 의미를 부여하는 규칙 체계다. 예를 들어 바나나와 노란색이라는 값만 따로 저장하면 컴퓨터는 둘의 관계를 알 수 없다. 하지만 노란색은 바나나의 색상이다라는 관계와 속성 규칙을 명시하면 컴퓨터도 데이터를 해석하고 다른 정보와 연결할 수 있다.

팔란티어는 이 방식을 기업 운영에 적용한다. 현실에 존재하는 항공기, 부품, 주문, 직원과 같은 대상을 객체로 정의하고 속성 및 관계를 연결해 파운드리 안에 운영 세계의 모델을 만든다. 영상은 여기서 더 나아가, 온톨로지를 단순한 데이터 모델링 기술이 아니라 사실과 추측을 구분하고 더 나은 의사결정을 가능하게 하는 장치로 설명한다.

배경 / 사전 지식

온톨로지는 원래 철학에서 존재의 종류와 관계를 탐구하는 개념이지만, 정보과학에서는 특정 영역에 존재하는 개념과 그 관계를 컴퓨터가 처리할 수 있도록 명시한 모델을 뜻한다. 웹에 데이터가 폭발적으로 늘면서 서로 다른 문서의 의미와 관계를 기계가 이해하도록 만드는 시맨틱 웹 구상에서도 중요한 역할을 했다.

영상은 팀 버너스리가 월드 와이드 웹을 만든 뒤, 규칙 없이 흩어진 웹 데이터를 검색하거나 기계가 이해하기 어렵다는 문제를 인식했다고 설명한다. 이후 데이터에 의미와 관계를 부여해 인공지능이 직접 해석하고 자동으로 판단할 수 있는 웹을 구상했다. 팔란티어는 2003년에 설립됐으므로 온톨로지를 새로 발명한 회사라기보다, 기존의 의미 모델링 개념을 기업의 실제 운영 데이터에 구현한 회사로 보는 편이 정확하다.

온톨로지를 이해하려면 다음 용어를 구분해야 한다.

객체: 바나나, 항공기, 환자처럼 식별할 수 있는 대상
속성: 색상, 기종, 검사 수치처럼 객체가 가진 특징
관계: 항공기가 부품을 포함하거나 환자가 검사를 받는 것처럼 객체 사이의 연결
규칙: 어떤 속성과 관계가 허용되며 어떻게 해석되는지를 정한 제약
근거: 값이나 판단이 어디에서 왔으며 얼마나 신뢰할 수 있는지를 보여주는 출처

핵심 개념

온톨로지는 데이터에 부여된 의미 규칙이다

컴퓨터는 이름이 비슷하다는 이유만으로 두 데이터의 관계를 확정할 수 없다. 바나나, 노란색이라는 문자열을 저장하는 것과 바나나의 색상은 노란색이다라고 표현하는 것은 다르다. 후자에는 객체, 속성, 값의 역할이 명시돼 있으므로 검색, 검증, 추론 및 자동화가 가능하다.

운영체제별 소프트웨어 개발 규칙도 이를 이해하기 위한 비유가 된다. 개발자는 버튼의 모양과 동작을 아무 형식으로나 작성하지 않고 플랫폼이 정의한 구성 요소와 속성을 사용한다. 마찬가지로 온톨로지는 현실의 대상을 데이터 시스템 안에서 일관되게 표현할 공통 언어를 제공한다.

팔란티어의 온톨로지

팔란티어 파운드리의 온톨로지는 원천 데이터베이스의 테이블과 열을 사용자가 이해하는 업무 객체로 바꿔 보여주는 의미 계층으로 이해할 수 있다. 항공 산업이라면 항공기, 비행편, 공항, 부품 및 정비 작업을 객체로 정의하고 각각의 속성과 관계를 연결한다.

이 모델이 있으면 사용자는 데이터가 어느 테이블에 저장됐는지보다 현실의 업무 개념을 중심으로 탐색하고 행동할 수 있다. 같은 객체 정의를 분석 화면, 애플리케이션, 권한 관리 및 인공지능이 함께 사용하면 조직 내부의 의미 불일치도 줄일 수 있다.

디지털 트윈

디지털 트윈은 현실의 대상과 상태를 디지털 공간에 대응시킨 모델이다. 온톨로지는 디지털 트윈을 구성하는 객체와 관계의 의미를 정의한다. 여러 원천의 데이터를 이 규칙에 맞춰 연결하면 현실의 운영 구조를 한눈에 분석하고, 변경의 영향을 시뮬레이션하거나 인공지능의 판단에 필요한 맥락을 제공할 수 있다.

다만 온톨로지와 디지털 트윈은 같은 개념이 아니다. 온톨로지는 무엇이 존재하고 서로 어떻게 연결되는지를 정의하는 의미 체계이고, 디지털 트윈은 그 체계를 이용해 특정 현실 대상의 현재 상태와 변화를 디지털로 재현한 결과물이다.

지식의 온톨로지화와 근거

영상은 의료 지식의 사례를 통해 사람의 머릿속 지식도 규칙과 근거 없이 구성될 수 있다고 지적한다. 익숙하거나 확신에 찬 주장이라도 학회 지침, 교과서, 연구 결과 같은 근거와 연결해 검증하면 사실과 개인적 추정을 구분할 수 있다.

건강에 좋다 같은 표현은 사람마다 의미가 달라 판단 기준으로 쓰기 어렵다. 이를 혈압 감소, 특정 검사 수치 개선, 질병 발생 위험 변화처럼 측정 가능한 개념으로 바꾸고 대상 집단, 기간, 근거 수준까지 정의해야 검증 가능한 지식이 된다. 영상은 이런 구체화와 근거 연결 역시 넓은 의미의 온톨로지화로 본다.

온톨로지와 할루시네이션

관계와 검증 규칙이 없는 지식 공간에서는 실제 사실과 가상의 개념이 섞인다. 인공지능은 그중 그럴듯한 답을 선택하면서 틀린 내용을 생성할 수 있고, 사람도 반복해서 말한 추측을 사실로 기억할 수 있다.

온톨로지가 모든 오류를 자동으로 없애는 것은 아니다. 하지만 허용된 개념, 관계, 출처와 검증 조건을 명시하면 답변이 근거에 부합하는지 검사할 경계가 생긴다. 이는 사람과 인공지능의 판단을 더 추적 가능하게 만든다.

작동 원리

먼저 해결할 업무와 의사결정을 정한다. 예를 들어 항공기 정비 시점을 판단하거나 환자의 검사 결과를 객관적으로 해석하는 문제를 선택한다.
업무 영역의 핵심 객체를 정의한다. 항공기, 부품, 정비 작업 또는 환자, 검사, 진료 지침 등이 객체가 된다.
각 객체의 속성과 자료형을 정한다. 부품의 교체일, 검사의 측정값과 단위처럼 의미와 형식이 명확해야 한다.
객체 사이의 관계를 정의한다. 항공기는 부품을 포함한다, 검사는 환자에게 수행된다, 판단은 지침을 근거로 한다와 같이 방향과 역할을 명시한다.
원천 데이터를 객체·속성·관계에 매핑한다. 서로 다른 시스템의 명칭, 식별자, 단위와 시간 기준도 이 과정에서 통합한다.
제약과 검증 규칙을 적용한다. 필수 값, 허용 범위, 출처, 권한 및 판단 조건을 검사해 모순되거나 불완전한 데이터를 표시한다.
모델을 분석, 시뮬레이션 및 인공지능에 제공한다. 모델의 결론은 다시 실제 결과와 비교하고, 발견된 차이는 온톨로지와 데이터 품질을 개선하는 데 반영한다.

이 과정을 거치면 흩어진 데이터는 단순한 값의 집합에서 현실의 구조와 의미를 반영하는 시스템으로 바뀐다. 디지털 트윈은 그 시스템에 실제 상태와 시간에 따른 변화를 지속적으로 반영한 형태다.

코드 예시

다음 Python 코드는 바나나 객체에 온톨로지가 요구하는 속성 규칙을 적용하는 최소 예시다. 별도 라이브러리 없이 실행할 수 있다.

ontology = {
    "Banana": {
        "required": {
            "color": str,
            "weight_grams": int,
        }
    }
}

banana = {
    "type": "Banana",
    "color": "yellow",
    "weight_grams": 120,
}


def validate(entity: dict, model: dict) -> None:
    entity_type = entity.get("type")
    if entity_type not in model:
        raise ValueError(f"정의되지 않은 객체 유형: {entity_type}")

    required = model[entity_type]["required"]
    for property_name, expected_type in required.items():
        if property_name not in entity:
            raise ValueError(f"필수 속성 누락: {property_name}")
        if not isinstance(entity[property_name], expected_type):
            raise TypeError(
                f"{property_name}은(는) {expected_type.__name__}이어야 합니다."
            )


validate(banana, ontology)
print(f"{banana['color']}은(는) 바나나의 색상입니다.")

여기서 Banana는 객체 유형이고, color와 weight_grams는 허용된 속성이다. 검증 함수는 데이터가 온톨로지의 최소 규칙을 만족하는지 확인한다. 실제 시스템은 객체 간 관계, 식별자, 단위, 출처, 권한, 시간 변화와 업무 행동까지 함께 모델링한다.

함정·실수

온톨로지를 데이터베이스 스키마와 동일시하면 안 된다. 스키마가 저장 구조를 정의한다면 온톨로지는 업무 개념의 의미와 관계까지 설명한다.
이름만 표준화하고 의미를 합의하지 않으면 같은 용어를 서로 다르게 해석하는 문제가 남는다. 객체의 정의, 범위와 예외를 함께 기록해야 한다.
현재 데이터 구조를 그대로 객체로 옮기면 원천 시스템의 결함까지 고착될 수 있다. 테이블이 아니라 실제 업무와 의사결정을 기준으로 모델링한다.
근거가 연결됐다는 사실만으로 주장이 참이 되지는 않는다. 출처의 신뢰도, 적용 대상, 최신성 및 상충하는 근거를 함께 평가해야 한다.
온톨로지가 있으면 인공지능의 할루시네이션이 사라진다고 단정하면 안 된다. 온톨로지는 검증 가능한 경계를 제공하지만 누락된 데이터와 잘못된 규칙은 여전히 잘못된 결론을 만든다.
디지털 트윈을 한 번 만든 정적 모형으로 취급하면 현실과 빠르게 어긋난다. 식별자, 상태와 시간 변화가 지속적으로 동기화돼야 한다.
의료처럼 규제가 강한 영역에서는 온톨로지의 기술적 타당성만으로 충분하지 않다. 개인정보 보호, 접근 권한, 설명 책임과 관련 법규를 별도로 충족해야 한다.

베스트 프랙티스

기술 구조보다 실제 의사결정 질문에서 시작한다. 어떤 판단을 개선할지 명확해야 필요한 객체와 관계의 범위를 통제할 수 있다.
작고 중요한 업무 영역부터 모델링하고 실제 사용자와 반복 검증한다. 처음부터 조직 전체를 완벽하게 표현하려 하면 유지할 수 없는 거대한 모델이 되기 쉽다.
모든 객체와 관계에 사람이 이해할 수 있는 정의, 담당자, 출처와 변경 이력을 둔다.
값의 단위, 시간 기준, 식별자와 결측 의미를 명시한다. 같은 숫자라도 단위나 측정 시점이 다르면 서로 다른 사실이다.
원천 데이터와 온톨로지 객체 사이의 매핑을 추적 가능하게 유지한다. 사용자가 결론에서 원본 데이터와 근거까지 거슬러 올라갈 수 있어야 한다.
규칙은 자동 검증으로 구현한다. 필수 속성, 허용 범위, 관계의 방향과 권한을 지속적으로 검사한다.
인공지능이 내린 결론에는 사용한 객체, 관계와 출처를 함께 남긴다. 판단을 재현하고 사람이 검토할 수 있어야 한다.
온톨로지를 살아 있는 운영 자산으로 관리한다. 현실의 업무와 지식이 바뀌면 버전 관리, 영향 분석과 승인 절차를 거쳐 모델도 갱신한다.

참고

팀 버너스리의 월드 와이드 웹 및 시맨틱 웹 구상
팔란티어 파운드리의 온톨로지와 항공 산업 모델 사례
디지털 트윈
의료 지식의 근거로 언급된 공식 학회 의견과 교과서 — 영상 내 구체적인 문헌명은 명시되지 않음
인공지능의 할루시네이션 현상

팔란티어와 온톨로지

영상

학습 자료