온톨로지와 메모리 시스템 (9/13) — Ontology는 왜 지식 관리에서 중요한가

-

메모를 많이 남겨도, 왜 나중에는 다시 못 찾게 될까

지난 글에서 Second Brain은 "내 머리 밖에 만드는 외부 기억 체계"에 가깝다고 이야기했다. 그런데 실제로 메모 앱을 오래 써 본 사람이라면 금방 한 가지 문제를 만난다. 분명 열심히 적어 두었는데, 나중에는 그 메모가 어디 있는지 모르겠다는 문제다.

이때 많은 사람이 폴더를 더 잘 나누거나 태그를 더 많이 붙이면 해결될 거라고 생각한다. 물론 어느 정도는 도움이 된다. 하지만 시간이 지나면서 자료가 늘어나면, 폴더와 태그만으로는 지식의 관계를 설명하기가 점점 어려워진다.

여기서 중요한 개념이 바로 Ontology다.

Ontology는 어려운 철학 용어처럼 들리지만, 지식관리 맥락에서는 비교적 단순하게 이해할 수 있다.
"내가 다루는 대상이 무엇이고, 그것들이 서로 어떤 관계를 가지는지 정의하는 틀"이다.

메모를 저장하는 것만으로는 Second Brain이 되지 않는다.
메모 사이의 의미 관계를 드러내야, 비로소 그 시스템이 생각을 도와주기 시작한다.

Ontology는 폴더가 아니라 의미의 지도다

예를 들어 메모 앱에 다음과 같은 정보가 있다고 해 보자.

  • 책 메모
  • 회의 메모
  • 프로젝트 아이디어
  • 사람에 대한 기록
  • 배운 개념 정리

이 정보를 단순히 폴더로 나누면 "어디에 넣을까"는 해결된다. 하지만 "무엇이 무엇과 연결되는가"는 여전히 흐릿하다.

예를 들어 다음 질문을 떠올려 보자.

  • 이 아이디어는 어떤 프로젝트와 관련이 있지?
  • 이 프로젝트는 누구와 연결되어 있지?
  • 이 개념은 어떤 책에서 배웠고, 실제 어디에 적용됐지?
  • 이 회의 메모는 어떤 의사결정을 남겼지?

이 질문들은 파일 위치만으로는 답하기 어렵다.
왜냐하면 우리가 찾는 것은 저장 위치가 아니라 관계이기 때문이다.

Ontology는 바로 그 관계를 구조화한다. 예를 들면 이렇게 볼 수 있다.

  • 사람은 프로젝트에 참여한다.
  • 프로젝트는 문제를 해결하려고 한다.
  • 메모는 개념을 설명한다.
  • 책은 개념의 출처가 된다.
  • 회의는 결정을 만든다.

이렇게 되면 메모는 더 이상 고립된 문장이 아니라, 서로 연결된 지식의 일부가 된다.

Second Brain에서 Ontology가 중요한 이유

Second Brain의 핵심은 "기억 저장"보다 "재사용 가능한 사고 환경"에 있다. Ontology가 중요한 이유도 여기에 있다.

첫째, 검색보다 회상이 쉬워진다.

검색은 내가 무엇을 찾는지 이미 알고 있을 때 강하다. 하지만 실제 지식 작업에서는 "정확히 뭘 찾는지는 모르겠는데, 전에 비슷한 걸 본 것 같다"는 상황이 더 많다.
이때 Ontology가 있으면 프로젝트 -> 관련 개념 -> 참고한 책 -> 관련 인물처럼 따라가며 맥락을 복원할 수 있다.

둘째, 노트가 쌓일수록 더 유용해진다.

정리 체계가 약한 메모 시스템은 자료가 많아질수록 혼잡해진다. 반대로 Ontology가 있는 시스템은 자료가 늘어날수록 연결점도 함께 늘어난다. 즉, 양의 증가가 혼란이 아니라 탐색 가능성의 증가로 바뀐다.

셋째, 생각의 단위를 분리하고 다시 조합할 수 있다.

예를 들어 "에이전트 시스템"에 대한 메모를 작성했다고 해 보자. 이 메모는 동시에 여러 맥락에 속할 수 있다.

  • 기술 개념이다.
  • 현재 진행 중인 프로젝트의 참고 자료다.
  • 특정 책이나 글에서 얻은 통찰이다.
  • 미래의 블로그 글 주제가 될 수 있다.

폴더 하나에 넣는 순간 이 중 하나만 강조된다. 그러나 Ontology를 사용하면 한 메모가 여러 관계를 동시에 가질 수 있다. 이것이 지식 재조합의 출발점이다.

태그, 카테고리, 노트와 Ontology는 어떻게 다른가

이 지점에서 흔히 드는 질문이 있다.
"그럼 Ontology는 태그랑 뭐가 다른가?"

겹치는 부분은 있지만, 역할은 다르다.

노트는 내용이다

노트는 실제 문장과 관찰, 해석이 담기는 기본 단위다.
예를 들어 "Second Brain은 기억 저장소가 아니라 작업 기억의 확장이다" 같은 문장이 들어 있는 글 하나가 노트다.

태그는 빠른 분류다

태그는 가볍고 유연하다.
#생산성, #지식관리, #독서메모처럼 여러 관점에서 묶기 좋다. 다만 태그만으로는 관계의 종류를 잘 설명하지 못한다.

예를 들어 #AI가 붙은 두 노트가 있다고 하자.
하나는 AI를 비판하는 글이고, 다른 하나는 AI를 프로젝트에 적용한 기록일 수 있다. 같은 태그를 가졌다고 해서 같은 역할을 하는 것은 아니다.

카테고리는 큰 서랍이다

카테고리는 비교적 안정적인 상위 분류다.
예를 들어 독서, 프로젝트, 사람, 아이디어처럼 큰 덩어리를 나누는 데 적합하다.

하지만 카테고리 역시 대개 포함 관계에 강할 뿐, 다양한 연결 관계를 표현하는 데는 한계가 있다.

Ontology는 관계의 규칙이다

Ontology는 "무엇을 분류할 것인가"를 넘어서, "무엇이 무엇과 어떤 방식으로 연결되는가"를 정의한다.

예를 들어 다음은 Ontology적인 표현이다.

  • 책은 개념을 설명할 수 있다.
  • 개념은 프로젝트에 적용될 수 있다.
  • 프로젝트는 사람과 연결된다.
  • 노트는 출처를 가질 수 있다.

즉, 태그와 카테고리가 점이라면 Ontology는 점 사이의 선과 규칙에 가깝다.

간단한 예시로 보면 더 선명해진다

예를 들어 내가 다음과 같은 메모를 남긴다고 해 보자.

  • "회의에서 검색 정확도보다 회상 구조가 중요하다는 의견이 나왔다."
  • "어떤 책에서 taxonomy와 ontology를 구분해서 설명했다."
  • "새 블로그 시리즈에서 개인 지식관리 구조를 다뤄 보고 싶다."

이 세 메모를 그냥 쌓아 두면 각각 독립된 기록처럼 보인다. 하지만 Ontology 관점에서 보면 다음처럼 연결할 수 있다.

  • 첫 번째 메모는 회의에 속한다.
  • 그 회의는 지식검색 개선 프로젝트와 관련 있다.
  • 두 번째 메모는 책에서 나온 개념 메모다.
  • 그 개념은 ontology라는 주제와 연결된다.
  • 세 번째 메모는 글감이며, 앞의 프로젝트와 개념 메모를 재사용할 수 있다.

이렇게 연결되면 단순한 메모 세 개가 아니라,
출처 -> 개념 -> 프로젝트 -> 글쓰기로 이어지는 흐름이 만들어진다.

사람이 지식을 활용하는 방식은 원래 이런 흐름에 가깝다. Ontology는 그 흐름을 시스템 안에 남기는 방법이다.

흔한 오해: Ontology를 거창하게 시작해야 한다?

여기서 많은 사람이 부담을 느낀다.
"그럼 처음부터 완벽한 구조를 설계해야 하나?"

그럴 필요는 없다. 오히려 그렇게 시작하면 금방 지친다.

Ontology는 처음부터 거대한 도식으로 설계하는 것보다, 반복해서 등장하는 관계를 발견하면서 점진적으로 다듬는 편이 낫다.

예를 들어 메모를 쓰다 보면 자주 나오는 대상이 보인다.

  • 책
  • 사람
  • 프로젝트
  • 개념
  • 질문
  • 결정

그리고 자주 반복되는 연결도 보인다.

  • 누구에게서 배웠는가
  • 어디에 적용했는가
  • 무엇의 근거인가
  • 어떤 문제를 해결하려는가
  • 어떤 결정으로 이어졌는가

이 반복 패턴을 조금씩 이름 붙이는 순간, 이미 Ontology가 시작된 것이다.

중요한 것은 복잡한 이론을 도입하는 일이 아니다.
내가 자주 다루는 지식의 형태와 관계를 알아차리는 일이다.

좋은 Second Brain은 저장소보다 번역기에 가깝다

메모 시스템이 단순 저장소에 머물면, 정보는 쌓여도 의미는 흩어진다. 반대로 Ontology가 있는 Second Brain은 서로 다른 자료를 같은 언어로 번역해 준다.

책에서 읽은 문장도, 회의에서 나온 결정도, 프로젝트에서 얻은 교훈도, 나중에는 하나의 질문으로 다시 만날 수 있다.
예를 들어 "이 개념은 실제 어디에 쓰였는가?" 같은 질문 앞에서, 시스템이 흩어진 조각들을 한 맥락으로 묶어 주는 것이다.

결국 Ontology가 중요한 이유는 단순하다.
지식관리는 정보를 모으는 일이 아니라, 정보가 다시 생각으로 돌아오게 만드는 일이기 때문이다.

마치며

Second Brain을 만든다는 말은 메모를 많이 쌓는다는 뜻이 아니다. 더 중요한 것은 내 지식이 어떤 대상들로 이루어져 있고, 그 대상들이 어떤 관계를 맺는지 점점 더 선명하게 알아가는 일이다.

태그는 빠르고, 카테고리는 편리하고, 노트는 필수다. 하지만 그것들만으로는 지식이 살아 움직이기 어렵다. Ontology는 그 사이에 맥락의 뼈대를 세운다.

메모가 나중에도 다시 나를 도와주길 바란다면, 무엇을 적을지뿐 아니라 어떻게 연결할지를 함께 생각해야 한다.
그 질문이 시작되는 지점에서, 지식관리는 기록 습관을 넘어 사고의 설계로 바뀐다.

다음 글에서는 이렇게 정의한 관계를 실제로 어떤 저장 방식으로 다뤄야 하는지, 그리고 왜 GraphDB가 여기서 등장하는지를 이어서 살펴보겠다.

참고 자료

  • ontology, taxonomy, knowledge representation 기본 개념
  • 개인 지식관리와 지식 그래프 설계 논의 전반

시리즈 전체 안내: 시리즈 목차

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »