[개발자 과정] RAG 한계 넘는 온톨로지 기반 AI 구현 1-day 워크숍(8/27)

※ 본 교육은 교재를 제공하지 않으며, 행사 전날 PDF 파일을 제공합니다.
※ 본 교육은 실습이 다수 포함되므로 반드시 노트북 PC를 지참하셔야 합니다.
※ 식사와 주차를 제공하지 않습니다.

RAG의 한계를 넘어, AI가 ‘이해하고 추론하는’ 지식 시스템을 직접 구현

생성형 AI와 RAG는 이제 많은 기업 AI 프로젝트의 기본 기술이 되었습니다. 하지만 실제 현장에서는 여전히 같은 문제가 반복됩니다. 문서를 넣었는데도 원하는 답을 찾지 못하고, 관계를 따라가야 하는 질문에 약하며, 업무 규칙이나 예외 조건이 필요한 질문에서는 부정확한 답변을 내놓습니다. 이제 개발자에게 필요한 역량은 단순히 벡터DB와 LLM을 연결하는 수준을 넘어, AI가 사용할 수 있는 지식 구조를 설계하고 검색·추론·생성을 하나의 파이프라인으로 구현하는 능력입니다.

이번 개발자를 위한 온톨로지 기반 AI 구현 교육은 기존 RAG의 한계를 코드와 로그로 진단하는 것에서 출발합니다. 문서 수집, 청킹, 임베딩, 검색, 생성으로 이어지는 RAG 파이프라인을 직접 실행하고, 검색 실패와 생성 실패를 구분하며, 어떤 문제에서 온톨로지와 Knowledge Graph가 필요한지 판별합니다.

이후 수강생은 RDF Triple, URI, Namespace, Class, Instance, Object Property, Data Property 등 온톨로지 모델링의 핵심 구조를 학습하고, 업무 요구사항을 Turtle 형식의 온톨로지 스키마로 변환합니다. 문서와 데이터베이스의 용어를 표준 개념으로 매핑하고, OWL·SHACL의 역할과 모델링 오류까지 다루며 재사용 가능한 도메인 모델 초안을 작성합니다.

또한 문서·CSV·데이터베이스에서 개체와 관계를 추출해 Knowledge Graph를 구축하고, Apache Jena Fuseki에 RDF 데이터를 적재한 뒤 SPARQL로 관계 기반 검색을 구현합니다. 여기서 끝나지 않고 Datalog를 활용해 업무 규칙, 권한, 호환성, 절차 조건을 실행 가능한 규칙으로 표현하고, 추론 결과와 근거를 반환하는 규칙 엔진 구조까지 다룹니다.

교육의 핵심 산출물은 Ontology-Grounded RAG PoC입니다. 수강생은 사용자 질문을 분석해 벡터 검색, SPARQL 검색, Datalog 추론으로 분해하고, 검색·추론 결과를 LLM Context로 구성해 근거 기반 답변을 생성하는 엔드투엔드 파이프라인을 구현합니다. 마지막으로 검색·추론·생성 단계별 테스트, 로그·트레이싱, 회귀 테스트, 버전 관리, 접근권한, 배포 구조, 모니터링까지 검토하며 실제 서비스 전환을 위한 운영 체크리스트를 완성합니다.

이 과정은 온톨로지를 “이론”으로 배우는 교육이 아닙니다. 개발자가 직접 RAG의 실패를 분석하고, 지식그래프와 규칙 추론을 결합해, 더 정확하고 설명 가능한 AI 서비스를 구현하는 실전 과정입니다. RAG 기반 AI 서비스를 한 단계 고도화하고 싶은 개발자, Knowledge Graph와 LLM을 결합한 아키텍처를 직접 구현하고 싶은 개발자, 기업 AI 프로젝트에서 검색·추론·근거 기반 응답 품질을 높이고 싶은 개발자라면 누구나 환영합니다.

등록 신청하기: https://conference.etnews.com/conf_info.html?uid=513