온톨로지(Ontology)는 서로 다른 시스템과 문서에 흩어진 데이터를 '의미'로 이어 주는 지식의 지도입니다. 용어·설비·공정·규정이 서로 어떻게 연결되는지를 컴퓨터가 오해 없이 읽을 수 있게 정의한 층으로, 제조 AI가 대답에서 그치지 않고 실제 일을 하도록 만드는 제조 AI 운영 레이어의 토대가 됩니다. 이 온톨로지를 실제 데이터로 채워 넣은 것이 지식 그래프(Knowledge Graph)이고, 그 위에서 AI가 출처를 짚으며 답하고 업무를 실행하는 검색 방식이 Triple-RAG입니다.
문제는 대부분의 공장에서 이 '의미의 연결'이 비어 있다는 점입니다. 같은 설비를 두고도 MES·ERP·QMS·PLM은 각자 다른 이름으로 기록하고, 판단 기준은 PDF·엑셀·숙련자의 머릿속에 흩어져 있습니다. 데이터는 많은데 서로 이어지지 않으니, AI를 붙여도 출처 없는 답만 내놓습니다. 온톨로지와 지식그래프는 바로 이 끊어진 연결을 복원하는 층입니다.
TL;DR (핵심 요약)
온톨로지는 '용어·관계의 지도', 지식그래프는 그 지도에 실제 데이터를 채운 것입니다. 온톨로지가 설계도라면 지식그래프는 그 설계도로 지은 건물입니다.
이 지식그래프 위에서 AI가 답하고 일하게 만드는 것이 Triple-RAG — ① 하이브리드 검색(Vector RAG+BM25) ② 멀티모달 LightRAG ③ GraphRAG(Neo4j Native)의 세 엔진을 질의에 따라 나눠 쓰는 방식입니다.
이 구조가 '대답만 하는 AI'와 '일을 끝내는 운영 레이어'를 가르는 지점입니다. 흩어진 데이터를 의미로 잇고(연결·구조화) → 출처를 짚어 답하고 → 업무를 실행·통제하는 흐름이 하나로 이어질 때 데이터가 비로소 일을 시작합니다.
온톨로지란 무엇인가
온톨로지란? 특정 분야에서 쓰는 개념과 그 개념들 사이의 관계를, 기계가 오해 없이 읽을 수 있게 정의해 둔 체계입니다. 쉽게 말하면 '이 분야에서 이 단어는 무슨 뜻이고, 무엇과 어떻게 이어지는가'를 적어 둔 용어·관계의 지도입니다.
제조 현장을 예로 들어 보겠습니다. '펌프'라는 설비 하나가 어떤 공정에 속하고, 어떤 규격 문서를 따르며, 어떤 불량 유형과 연결되는지를 정의해 두면, AI는 "펌프 이상"이라는 한 단어에서 관련된 공정·규정·과거 이력을 관계로 따라갈 수 있습니다. 온톨로지가 없으면 AI에게 '펌프'는 그저 두 글자일 뿐입니다.
온톨로지와 지식그래프는 무엇이 다른가
가장 많이 헷갈리는 지점입니다. 둘은 짝이지만 역할이 다릅니다.
온톨로지는 개념과 관계를 정의한 설계도(스키마)입니다. "설비는 공정에 속한다", "공정은 규정을 따른다" 같은 규칙을 정합니다.
지식그래프는 그 설계도에 실제 데이터를 채운 결과물입니다. "3호기 펌프는 충전 공정에 속한다", "충전 공정은 GMP 규정 A를 따른다"처럼 구체적인 사실이 점과 선(노드와 관계)으로 저장됩니다.
한 문장으로 정리하면, 온톨로지는 지도의 범례이고 지식그래프는 그 범례로 그린 실제 지도입니다. 온톨로지 없이 지식그래프를 만들면 규칙 없는 데이터 더미가 되고, 지식그래프 없이 온톨로지만 있으면 쓰지 못하는 빈 설계도가 됩니다. 둘은 함께 있어야 제 역할을 합니다.
왜 제조 데이터에는 그래프가 필요한가
제조 현장의 질문은 대부분 '연결'에 관한 것입니다. "이 불량이 어느 설비·공정·자재와 엮여 있나", "이 규정을 바꾸면 어떤 작업 표준이 영향받나" — 이런 다단계 질문은 문서 하나를 잘 찾는 것으로는 답이 나오지 않습니다.
일반적인 AI 검색은 대부분 벡터 검색에 기댑니다. 문장의 '의미가 비슷한' 조각을 찾아 주는 방식이라, "비슷한 사례를 보여줘"에는 강하지만 "A가 B에 속하고 B가 C를 따른다면 A는 C와 무슨 관계인가" 같은 관계 추론에는 약합니다. 지식 그래프는 개념 사이의 관계를 직접 저장해 두기 때문에, 이 연결을 여러 단계(다중 홉) 따라가며 근거와 함께 답할 수 있습니다.
구분 | 키워드 검색(BM25) | 벡터 검색 | 그래프 검색(지식그래프) |
|---|---|---|---|
찾는 방식 | 단어가 정확히 일치 | 의미가 비슷한 문장 | 개념 사이의 '관계'를 따라감 |
잘하는 질문 | 코드·규격 번호·정확한 용어 | "비슷한 사례 찾아줘" | "이 고장이 어느 공정·규정과 엮이나" |
약점 | 표현이 다르면 놓침 | 다단계 추론·출처 추적이 약함 | 구축에 설계(온톨로지)가 필요 |
출처 추적 | 부분적 | 약함 | 강함(관계를 근거로 제시) |
표 1. 세 가지 검색 방식은 잘하는 일이 다릅니다 — 그래서 하나만 쓰지 않고 함께 씁니다.
그래프가 왜 제조에 특히 잘 맞는지는 온톨로지 기반 Graph-RAG로 제조 지식 다루기에서 더 깊이 다뤘습니다.
그 위에서 AI가 답하고 일한다 — Triple-RAG란
Triple-RAG란? 위의 세 가지 검색을 한 엔진에 몰아넣지 않고, 질문의 성격에 따라 세 엔진을 나눠 써서 리소스를 최적화하거나 혼합으로 써서 복잡한 질문에 대한 정확도를 높이는 방식입니다. 퓨처워크랩이 지식그래프 위에서 AI를 답하고 실행하게 만드는 핵심 구조입니다.
엔진 | 역할 | 언제 쓰나 |
|---|---|---|
① Vector RAG + BM25 (하이브리드 검색) | 단어·의미를 함께 보는 1차 검색 | 용어·규격·간단한 조회 |
② LightRAG (멀티모달) | 표·이미지·수식이 섞인 문서를 이해 | 도면·점검표·스캔 PDF |
③ GraphRAG (Neo4j Native) | 다중 홉 추론·근거·출처 추적 | "왜 이 불량이 났나" 같은 연결 질문 |
표 2. Triple-RAG의 세 엔진 — 라우터가 질문을 보고 어떤 엔진을 쓸지 정합니다.
핵심은 라우터(LangGraph 기반)입니다. 간단한 조회에는 엔진 하나만, 복잡한 연결 질문에는 두세 엔진을 함께 돌립니다. 모든 질문에 무거운 그래프 탐색을 다 돌리면 느리고 비용이 커지지만, 질의별로 필요한 만큼만 나눠 쓰면 정확도는 올리고 평균 비용은 낮추는 두 마리 토끼를 잡을 수 있습니다. 이렇게 근거를 짚으며 답하는 구조가, 실제 브로넥스 PoC(개념검증)에서 제조 질의응답 정확도 90.2%로 이어졌습니다.
그림 1. 질문이 들어오면 라우터가 세 엔진(하이브리드 검색·LightRAG·GraphRAG) 중 필요한 것만 골라 답과 근거를 함께 돌려준다.
'대답하는 AI'와 '일을 끝내는 운영 레이어'의 차이
여기서 성격이 갈립니다. 출처를 짚어 잘 답하는 것은 중요하지만, 그것만으로는 여전히 '대답하는 AI'입니다. 제조 현장에서 의미 있는 성과는 대개 답한 다음에 실제 일이 끝날 때 나옵니다. 퓨처워크랩의 AX Flow는 이 흐름을 네 개 계층으로 잇습니다.
연결(Connect) — MES·ERP·QMS·PLM과 PDF·엑셀·메일·이미지를 AI가 읽을 수 있는 상태로 끌어옵니다.
구조화(Structure) — 온톨로지·지식그래프·Triple-RAG로 흩어진 데이터를 '조직의 뇌'로 만듭니다.
실행(Execute) — 노코드 빌더로 에이전트와 업무 흐름을 만들어, 답하는 데 그치지 않고 생산 스케줄 재조정·문서 검토 같은 실제 작업을 사람의 확인을 거쳐 수행합니다.
거버넌스(Govern) — 누가 무엇을 물었고 AI가 어떤 근거로 무엇을 했는지 감사 기록이 남고, 역할별 권한으로 통제합니다. 이 역할은 AX Guard가 맡습니다.
그림 2. 연결 → 구조화 → 실행 → 거버넌스. 온톨로지·지식그래프·Triple-RAG는 이 가운데 '구조화' 계층에서 조직의 뇌를 만든다.
규제 제조업(제약 GMP·식품 HACCP)일수록 마지막 통제 계층이 도입의 전제 조건입니다. 그래서 퓨처워크랩은 온프레미스(내부 서버)에서 경량 언어모델(vLLM + Gemma 27B 양자화)을 돌리고, 한국어 임베딩(arctic-embed-ko)도 내부에서 처리해 데이터가 외부로 나가지 않도록 설계합니다. 이 흐름 전체를 하나로 묶은 것이 제조 AI 운영 레이어이며, 자세한 기술 구조는 기술 문서(docs.axflow.io)에서 확인할 수 있습니다.
현장에서 확인된 것
원리가 실제로 동작하는지는 현장 결과로 판단해야 합니다. 퓨처워크랩이 확정한 레퍼런스입니다.
스파이어테크놀로지(강원 후평산단): 표준작업절차(SOP)·기술표준 문서를 지식 그래프로 통합하는 계약을 2026년 3월 체결해 운영 중입니다. 온톨로지·지식그래프로 제조 지식을 구조화한 실제 사례입니다.
브로넥스 PoC: 제조 현장 질의응답 정확도 90.2%를 확인했습니다. 근거를 짚으며 답하는 Triple-RAG 구조가 정확도로 이어진 결과입니다.
생산 스케줄링: 같은 PoC에서 MES 생산 스케줄링 작업 시간을 1시간에서 5분 수준으로 줄였습니다. '대답'을 넘어 '실행'까지 간 예입니다.
이 밖에 정부 초격차 스타트업 LLM 과제 선정, 제조 워크플로우·온톨로지 관련 특허 5건 출원으로 기술 기반을 쌓아 왔습니다. 공통점은 하나 — 흩어져 있던 데이터가 의미로 이어지자 실제 업무를 하기 시작했다는 것입니다.
자주 묻는 질문 (FAQ)
Q1. 온톨로지란 무엇인가요?
특정 분야의 개념과 그 관계를 기계가 오해 없이 읽을 수 있게 정의한 체계입니다. '이 단어는 무슨 뜻이고 무엇과 어떻게 이어지는가'를 적어 둔 용어·관계의 지도라고 보면 됩니다. 온톨로지가 있어야 AI가 흩어진 데이터를 '의미'로 연결할 수 있습니다.
Q2. 온톨로지와 지식그래프는 어떻게 다른가요?
온톨로지는 개념과 관계를 정의한 설계도(스키마)이고, 지식그래프는 그 설계도에 실제 데이터를 채운 결과물입니다. 온톨로지가 지도의 범례라면, 지식그래프는 그 범례로 그린 실제 지도입니다. 둘은 함께 있어야 제 역할을 합니다.
Q3. Triple-RAG는 일반 RAG와 무엇이 다른가요?
일반 RAG는 대개 벡터 검색 하나에 기댑니다. Triple-RAG는 하이브리드 검색(Vector RAG+BM25), 멀티모달 LightRAG, GraphRAG(Neo4j Native)의 세 엔진을 두고, 라우터가 질문에 따라 필요한 엔진만 골라 씁니다. 단순 조회는 가볍게, 관계 추론은 그래프로 처리해 정확도와 비용을 함께 잡습니다.
Q4. 제조 현장에 왜 그래프(지식그래프)가 필요한가요?
제조 질문은 대부분 "이 불량이 어느 설비·공정·규정과 엮이나" 같은 연결 문제이기 때문입니다. 문서 하나를 잘 찾는 벡터 검색만으로는 이런 다단계 관계 추론이 어렵습니다. 지식그래프는 관계를 직접 저장해 두고 여러 단계를 따라가며 근거와 함께 답할 수 있습니다.
Q5. 우리 공장 데이터가 외부로 나가지 않나요?
퓨처워크랩은 온프레미스(내부 서버)에서 경량 언어모델을 돌리고 한국어 임베딩도 내부에서 처리하도록 설계합니다. 데이터가 외부로 나가지 않으므로, 근거·권한·기록이 요구되는 규제 제조업(GMP·HACCP)에도 적용할 수 있습니다.
다음 단계
온톨로지·지식그래프는 '한 번에 다 만드는' 프로젝트가 아니라, 가장 자주 쓰는 문서와 반복 질문부터 의미로 잇는 작은 첫걸음에서 시작됩니다.
Graph RAG란 무엇인가 → — 그래프 기반 검색을 제조 관점에서 더 깊이
AX Flow — 제조 AI 운영 레이어 → — 온톨로지·Triple-RAG로 연결·구조화·실행·거버넌스를 한 흐름으로 (제품 소개)
AX Flow 데모 요청 → — 우리 공장 데이터로 2주 PoC 직접 확인