최신 LLM과 기법을 통해 AI 에이전트를 구축해봐도 어딘지 조금 멍청하게 동작을 했던 경험이 있을 것입니다. 2026년 5월 현 시점에서 내 부족한 AI에이전트에게 무엇을 추가하면 성능이 급격히 상승할까요? 이미 만들어진 전문영역 AI Agent에게 더 성능좋은 LLM, AI Agent 설계 변화, 다양한 테스트를 통한 오작동 감소 등으로 큰 변화를 이룰 수 있을까요? 저는 현시점에서 지식그래프를 활용한 '온톨로지' 구축이 가장 자신있게 내놓을 수 있는 답 같습니다. 현 시점에서 AI 기술은 '도구'에 가깝고, 중요한 것은 이 도구들을 기존 전문화된 데이터와 어떻게 연결학고 활용하여, 내 비지니스 문제를 해결하는 것이라고 생각합니다. 개인이 AI시대에 생존할 수 있는 꽤 괜찮은 방법 중 하나가 자신이..

최근 랭그래프(LangGraph)를 활용한 멀티 에이전트 AI 서비스나 복잡한 공공 데이터를 다루는 데이터 기획 실무를 하다 보면 큰 고민에 빠지게 됩니다. 바로 '데이터 간의 숨겨진 맥락과 관계를 시스템에 어떻게 이해시킬 것인가' 하는 문제입니다.본 내용은 패스트캐퍼스에 '온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축' 공부하고 남긴 글입니다. 우리가 널리 사용하는 관계형 데이터베이스(RDB)는 스키마가 잘 짜여 있어 빠르고 안정적입니다. 하지만 현실 세계의 복잡한 네트워크를 표현하기 위해 수많은 테이블을 쪼개고 무거운 조인(Join) 연산을 걸어야 하는 한계가 있습니다.이번 글에서는 단순히 데이터를 저장하는 것을 넘어, 데이터 스스로 관계를 맺고 지식을 도출하는 기술인 온톨로지(Ontolo..

안녕하세요! 오늘은 데이터 관리와 AI 서비스 기획에서 아주 중요한, 하지만 종종 오해받곤 하는 '온톨로지(Ontology)'에 대해 이야기해보려 합니다. 본 내용은 패스트캐퍼스에 '온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축' 공부하고 남긴 글입니다. 많은 분이 "데이터베이스(DB)가 있는데 왜 굳이 온톨로지를 써야 하나요?"라고 묻습니다. 결론부터 말씀드리면, 데이터베이스는 '사실'을 저장하는 도구이고, 온톨로지는 그 사실의 '의미'를 정의하는 모델링 철학이기 때문입니다.1. DB가 대답하지 못하는 질문들우리가 흔히 쓰는 DB는 "무엇이 있는가(What)"를 찾는 데는 최고의 도구입니다. 하지만 사용자의 모호한 의도가 담긴 질문에는 당황하곤 하죠.사용자: "새벽에 쓰기 좋은 가벼운 노트북..