인간의 전문적 지식과 암묵지를 컴퓨터 시스템에 이식하고 체계화하기 위해 탄생한 학문. 전문가 시스템의 흥망성쇠를 거쳐, 오늘날 거대 언어 모델(LLM)과 뉴로-심볼릭 AI, 지식 그래프(Knowledge Graph)의 시대를 이끄는 핵심 인프라로 재도약하고 있습니다.
💡 "지식 기반 추론 컴퓨터의 창시"에서 "웹 스케일 지식 구조화와 GraphRAG"로 진화한 지식공학의 50년 궤적과 미래 비전
인간이 생각하는 것과 같이 컴퓨터에도 생각해 주기를 바라는 마음으로, 다트머스 회의(Dartmouth Conference)가 열렸던 1956년 이후 여러 가지 종류의 추론하는 컴퓨터가 연구·개발되어 왔습니다. 그것을 크게 대별하면 두 가지 흐름으로 나뉩니다.
인간의 눈이나 귀와 같은 패턴인식 (Pattern Recognition) 시스템과 두뇌가 결합하여 외부 세계의 사물을 감지하고 인식하는 감각 지능 시스템입니다.
기억하고 있는 지식과 외계의 새로운 정보를 결합시켜, 추론하여 판단해서 자기에게 유리한 정보를 창조하는 문제 해결 (Problem Solving) 시스템입니다.
이 양쪽 시스템에 있어 핵심은 동일한 논리 구조로 되어 있는 추론하는 컴퓨터이며, 이 패턴 이해 시스템과 문제 해결 시스템이 서로 결합하여 오늘날의 지능형 산업용 로봇 (Robot)과 자율 에이전트를 실현시키고 있는 것입니다.
패턴 이해 시스템이든 문제 해결 시스템이든, 그 지식베이스에 기억되어 있는 지식의 양이 커지고 질이 향상될수록 시스템은 인간의 두뇌 수준에 접근합니다. 다시 말해 인공지능 연구는 "인간이 가진 도메인 지식을 어떤 방법으로 추론 컴퓨터에 이식할 것인가"라는 문제를 다루는 새로운 학문을 탄생시켰습니다. 세계 최초로 실용적 전문가 시스템 (Expert System)인 DENDRAL과 MYCIN 연구를 주도했던 에드워드 파이겐바움 (Edward Feigenbaum) 교수가 이 학문에 지식공학(Knowledge Engineering)이라는 역사적 이름을 명명했습니다.
지식공학의 근본 목적은 추론하는 컴퓨터를 인간의 두뇌에 가깝게 만드는 것이며, 최종 목적은 인간과 마찬가지로 "창조할 수 있는 컴퓨터", "스스로 학습하는 컴퓨터"를 실현시키는 것입니다.
지식공학은 전문가 시스템의 소멸과 함께 사라진 것이 아니라, 인터넷 웹 스케일의 시맨틱 웹을 거쳐 거대 언어 모델의 뉴로-심볼릭 융합으로 눈부시게 진화했습니다.
Expert Systems & Rule-Based
Semantic Web & Knowledge Graphs
Neural-Symbolic, GraphRAG & Context
1980년대 상업적 황금기를 누렸던 전문가 시스템은 1990년대에 접어들며 급격히 쇠퇴하여 '제2차 인공지능의 겨울(AI Winter)'을 촉발했습니다. 전문가 시스템의 몰락은 곧 지식공학의 실패로 여겨지기도 했으나, 실상은 "인간 지식의 본질과 복잡성에 대한 기술적 오판" 때문이었습니다.
인간 전문가의 머릿속에 있는 직관과 암묵지는 IF-THEN 규칙으로 온전히 언어화하기 불가능했습니다. 수작업 인터뷰 비용은 천문학적으로 치솟았습니다.
자신이 정의받은 좁은 도메인을 1밀리미터만 벗어나거나 규칙에 없는 예외가 발생하면 전체 추론이 완전히 마비되는 치명적 취약성을 노출했습니다.
규칙의 수가 수천 개를 넘어가자 규칙들 간의 상충과 모순을 사람이 감당할 수 없게 되었고, 지식베이스의 갱신 비용이 시스템 구축 비용을 초과했습니다.
💡 "전문가 시스템은 몰락했으나, 지식공학의 이상(Knowledge Principle: 지식이야말로 지능의 원천이다)은 틀리지 않았다."
실패한 것은 '규칙을 손으로 하나하나 하드코딩하려 했던 방식'이었으며, 현대 AI는 이 방대한 지식을 '빅데이터의 통계적 압축'과 '그래프 기반 구조화'라는 현대적 지식공학 기법으로 극복해 냈습니다.
단순한 텍스트 생성을 넘어, 환각(Hallucination)을 제어하고 검증 가능한 신뢰성을 보장하는 현대 인공지능의 핵심 공학 분야로의 부활
최근 ChatGPT, Claude, Gemini와 같은 거대 언어 모델(LLM)이 폭발적으로 발전하면서 "LLM 시대에 지식공학이 여전히 필요한가?"라는 질문이 제기되었습니다. 그러나 연구와 산업 현장에서 밝혀진 결론은 정반대입니다. LLM 시대에 지식공학(Knowledge Engineering)은 인공지능의 신뢰성과 기업 적용을 좌우하는 가장 결정적인 학문으로 재평가받고 있습니다.
LLM은 본질적으로 다음에 올 단어를 확률적으로 예측하는 신경망(Neural Network)이므로 그럴듯한 거짓말인 환각을 필연적으로 동반합니다. 현대 지식공학은 지식 그래프(Knowledge Graph)의 엄밀한 기호적 사실(Symbolic Facts, 주어-술어-목적어 트리플)을 LLM의 벡터 공간과 결합시키는 뉴로-심볼릭(Neuro-Symbolic) 아키텍처를 구축합니다.
📌 Microsoft GraphRAG: 단순 키워드/벡터 검색 기반 RAG의 파편적 검색 한계를 극복하기 위해, 비정형 텍스트로부터 엔티티와 관계 지식그래프를 자동 추출하고 군집화(Hierarchical Community Leveled Summaries)하여 글로벌 질문("이 데이터셋 전체의 핵심 인사이트는?")까지 완벽히 답변하는 최첨단 지식공학 기법입니다.
과거 전문가 시스템의 지식공학자가 전문가를 인터뷰하여 규칙을 만들었다면, 현대의 지식공학자는 "LLM이 학습할 양질의 지식 데이터셋을 설계하고 정제(Curating Textbook-Quality Data)"합니다.
📌 마이크로소프트의 Phi-3("Textbooks Are All You Need") 연구에서 입증되었듯, 웹 크롤링된 저품질 원시 데이터 수조 토큰보다 지식공학적으로 정제된 고밀도 교과서급 합성 데이터(Synthetic Data)와 도메인 온톨로지 기반 instruction 데이터가 훨씬 뛰어난 추론 능력을 발휘합니다.
LLM의 수천억 개 가중치 속에 저장된 지식 중 오정보나 구시대적 지식이 발견되었을 때, 전체 모델을 재학습시키는 것은 수십억 원의 비용이 듭니다. 현대 지식공학은 특정 지식이 트랜스포머의 어느 레이어(Feed-Forward Network, MLP)에 위치하는지 추적(Locating)하고 이를 정밀하게 외과 수술하듯 교체하는 지식 편집 기술(ROME, MEMIT)을 연구합니다.
자율 에이전트(Autonomous Agent)가 외부 API를 호출하고 기업 ERP/CRM 시스템과 연동하여 복잡한 의사결정을 수행할 때, 도구의 명세(Tool Schemas)와 행동 규칙(Action Space)을 엄밀하게 정의하는 것은 지식공학의 온톨로지 설계 역량입니다. 단순한 프롬프트 조작을 넘어 엄밀한 JSON 스키마, Pydantic 모델, 상태 머신(FSM)을 설계하는 것이 바로 최신 지식공학의 실체입니다.
지식공학의 목표는 불변하지만, 지식을 다루는 도구와 스케일은 차원이 다르게 진화했습니다.
| 비교 항목 | 과거 전문가시스템의 지식공학 (Classical KE) | 최신 AI 및 LLM의 지식공학 (Modern LLM KE) |
|---|---|---|
| 지식 획득 방식 | KE가 1:1 면담을 통해 전문가로부터 수동 추출 (인터뷰) | 수조 토큰 웹 코퍼스 자기지도학습 + 고품질 합성 데이터 큐레이션 |
| 지식 표현 구조 | 이산적(Discrete) IF-THEN 규칙, 프레임, 술어 논리 | 고차원 연속 벡터 공간(분산 표현) + 지식 그래프(KG 트리플) |
| 상식(Common Sense) | 전무함 (상식의 부재로 인한 심각한 취약성 발생) | 인류의 보편적 상식과 맥락을 언어 모델 내에 기본 내재화 |
| 추론 메커니즘 | 전방/후방 연쇄 추론 (엄격한 기호적 연역법) | 확률적 트랜스포머 어텐션 + GraphRAG 기반 연역적 사실 검증 |
| 지식의 수정 및 확장 | 규칙 수동 추가 (규칙 간 상충으로 인한 조합 폭발 위험) | Vector DB/KG 실시간 주입 + ROME/MEMIT 가중치 미세 편집 |
| 지식공학자의 현대적 역할 | 도메인 인터뷰어 및 규칙 프로그래머 | 데이터 온톨로지스트, GraphRAG 아키텍트, 에이전트 시스템 엔지니어 |
사전 학습과 미세 조정을 위한 데이터의 노이즈 제거, 도메인 온톨로지 기반 분류, 논리적 합성 데이터 생성을 지휘하여 모델의 '지식 밀도'를 극대화합니다.
비정형 문서에서 추출한 엔티티-관계 그래프를 통해 LLM의 환각을 방지하고, 다단계 복합 추론(Multi-hop Reasoning)이 가능한 기업용 RAG 체계를 완성합니다.
전체 재학습 없이도 신경망의 MLP 계층을 분석하여 오래된 사실이나 왜곡된 지식을 외과적으로 갱신하고 지식의 파국적 망각을 원천 차단합니다.
AI 에이전트가 수행할 도구 호출 스키마, 환경과의 인터랙션 프로토콜, 장·단기 메모리 저장소를 형식화하여 안전하고 자율적인 업무 수행을 보장합니다.
지식공학의 유산인 지식 그래프(KG)가 어떻게 최신 LLM의 환각을 차단하고 강력한 엔터프라이즈 AI 시스템을 구축하는지 살펴보세요.
지식공학의 핵심 자산인 지식그래프를 활용해 단순 벡터 RAG의 한계를 극복하고 글로벌 센스메이킹을 수행하는 혁신적 아키텍처.
지식의 구조화와 사실 관계 검증을 통해 생성형 AI의 정확도와 추론 역량을 획기적으로 향상시키는 실제 엔터프라이즈 사례.
김선욱, 김승권, 나태영, 대한산업공학회, 1997
김희웅, 곽상만, 대한산업공학회, 1987
한관희, 송희경, 대한산업공학회, 1987
서우종, 정재우, 한국지식경영학회, 2003