기업에는 이미 수많은 데이터가 쌓여 있습니다. 고객 정보, 매출, 생산량, 설비 상태, 재고처럼 숫자와 항목이 명확한 데이터부터 계약서, 업무 문서, 이메일, 도면처럼 형태가 일정하지 않은 데이터까지 종류도 다양합니다. 이 데이터를 관리하는 대표적인 방식이 RDB(Relational Database, 관계형 데이터베이스)입니다.
그런데 최근 생성형 AI와 온톨로지, AI 에이전트가 기업에 도입되면서 지식 그래프(Knowledge Graph)라는 개념도 함께 주목받고 있습니다. 둘 다 데이터를 저장하고 연결하는 기술인데 왜 지식 그래프가 새롭게 필요한 걸까요?
RDB란 무엇인가
RDB(Relational Database)는 데이터를 행(Row)과 열(Column)로 구성된 테이블 형태로 저장하는 데이터베이스입니다. 우리가 흔히 보는 엑셀 표를 떠올리면 이해하기 쉽습니다. 예를 들어 제조 기업에서 설비 정보를 관리한다고 해보겠습니다.
설비 ID | 설비명 | 공정 | 상태 |
|---|---|---|---|
A001 | 식각설비 1 | 식각 | 정상 |
A002 | 식각설비 2 | 식각 | 점검 |
B001 | 검사설비 1 | 검사 | 정상 |
설비 테이블이 있고, 별도로 공정 테이블이나 정비 이력 테이블을 만들 수 있습니다. 필요한 경우 공통된 ID를 이용해 여러 테이블을 연결합니다. 이처럼 데이터의 형식과 구조가 명확한 환경에서는 RDB가 매우 효율적입니다. 기업의 매출, 재고, 주문, 회원 정보처럼 일정한 구조를 가진 정형 데이터(Structured Data)를 관리하는 데 오랫동안 표준처럼 사용돼 온 이유입니다.
지식 그래프란 무엇인가
지식 그래프는 데이터를 각각의 개체(Entity)와 관계(Relationship)로 연결해 표현하는 방식입니다. 쉽게 말하면 데이터를 표가 아니라 네트워크로 바라보는 것입니다. 앞서 살펴본 설비 데이터를 지식 그래프로 표현하면 조금 달라집니다.
설비 A → 식각 공정에 속한다
설비 A → 센서 B를 가지고 있다
센서 B → 온도 C를 측정한다
설비 A → 정비 이력 D가 있다
정비 이력 D → 장애 E와 관련이 있다
정보 각각이 하나의 점처럼 존재하고 정보 사이의 관계가 선으로 연결됩니다. 지식 그래프에서는 특정 데이터 하나만 보는 것이 아니라 그 데이터를 둘러싼 관계 전체를 탐색할 수 있습니다.
RDB와 지식 그래프의 가장 큰 차이는 ‘관계’를 다루는 방식
흥미로운 점은 RDB의 이름에도 이미 ‘관계형(Relational)’이라는 단어가 들어 있다는 것입니다. 그렇다면 RDB도 관계를 표현하는데 지식 그래프와 무엇이 다를까요? 차이는 관계가 어디에 위치하느냐에 있습니다. RDB에서는 관계를 표현하기 위해 보통 테이블과 테이블 사이의 키(Key)를 이용합니다.
예를 들어 설비 테이블 → 공정 ID → 공정 테이블 처럼 연결합니다. 관계 자체보다 각각의 테이블 구조가 먼저 존재하고 필요할 때 여러 테이블을 JOIN해서 관계를 찾아갑니다.
반면 지식 그래프에서는 관계 자체가 데이터 모델의 핵심 요소입니다. 설비 A —[속한다]→ 공정 B 처럼 어떤 대상이 무엇과 어떻게 연결되어 있는지가 처음부터 데이터 구조 안에 들어갑니다. 관계가 단순할 때는 두 방식의 차이가 크지 않을 수 있습니다. 하지만 연결해야 할 대상과 관계가 많아질수록 차이가 커집니다.
예를 들어 ‘이 설비 장애가 어디까지 영향을 미칠까?’라고 묻는다면
‘설비 A에 장애가 발생하면 어떤 생산 공정과 제품에 영향을 줄까?’라는 질문을 생각해보겠습니다. RDB에서도 답을 찾을 수 있습니다. 설비 테이블과 공정 테이블을 연결하고 다시 생산 테이블과 제품 테이블을 연결하는 식으로 필요한 데이터를 JOIN하면 됩니다.
문제는 관계가 복잡해질 때입니다. 설비 하나가 여러 공정과 연결되어 있고 공정마다 다른 제품을 생산하며, 센서·운영일지·정비이력·작업자 기록까지 함께 확인해야 한다면 쿼리는 점점 복잡해집니다. 지식 그래프에서는 이 문제를 관계를 따라 탐색하는 방식으로 접근합니다.
설비 → 공정 → 제품 → 생산계획 처럼 연결된 경로를 탐색할 수 있고, 설비 → 센서 → 이상징후 → 정비이력 이라는 또 다른 관계도 함께 살펴볼 수 있습니다. 즉, ‘이 데이터의 값이 얼마인가?’를 묻는 데는 RDB가 강하고 ‘이 데이터가 무엇과 어떻게 연결되어 있는가?’를 묻는 문제에서는 지식 그래프의 장점이 커집니다.
구조가 자주 달라질수록 차이는 더 커진다
RDB는 데이터를 저장하기 전에 스키마(Schema)를 비교적 명확하게 정의해야 합니다. 어떤 테이블이 필요하고 어떤 컬럼을 사용할지 정합니다. 구조가 일정한 업무에서는 큰 장점입니다.
반면 기업의 실제 지식은 항상 깔끔한 테이블 형태로 존재하지 않습니다. PDF 문서에 있는 설비 정보가 있을 수도 있고 이메일에는 고객과 나눈 협의 내용이 있을 수 있습니다. 도면에는 설비와 배관의 관계가 들어 있고 회의 녹취에는 문서로 남지 않은 업무 맥락이 담겨 있을 수도 있습니다. 지식 그래프는 이렇게 서로 다른 데이터에서도 필요한 개체와 관계를 추출해 하나의 연결 구조로 통합하는 데 활용할 수 있습니다.
지식 그래프와 온톨로지는 어떻게 다를까
지식 그래프를 이해하면 자연스럽게 온톨로지(Ontology)라는 개념도 만나게 됩니다. 둘은 밀접하지만 같은 개념은 아닙니다. 온톨로지가 기업의 세계에서 무엇이 존재하고 각각이 어떤 의미와 관계를 갖는지를 정의하는 설계도라면 지식 그래프는 그 설계에 따라 실제 데이터를 연결해놓은 네트워크에 가깝습니다.
예를 들어 온톨로지에서
설비는 공정에 속할 수 있다.
설비에는 센서가 연결될 수 있다.
센서는 특정 지표를 측정한다.
라는 규칙을 정의했다면 지식 그래프에서는 실제로
설비 A → 공정 1
설비 A → 센서 B
센서 B → 온도
라는 데이터가 연결됩니다. 그래서 기업 AI에서는 온톨로지와 지식 그래프를 함께 사용하는 경우가 많습니다. 온톨로지가 기업의 의미 체계를 만들고, 지식 그래프가 그 의미 체계 위에서 실제 데이터의 관계 구조를 구현하는 것입니다.
생성형 AI에서는 왜 지식 그래프가 중요할까
생성형 AI 이전에는 데이터베이스에서 원하는 값을 정확하게 조회하는 것이 중요한 문제였습니다. AI 시대에는 질문이 달라지고 있습니다. 예를 들어 사용자가 AI에게 “이번 달 생산량이 줄어든 원인은 무엇인가요?” 라고 물었다고 해보겠습니다.
단순히 생산량 데이터를 조회하는 것으로는 충분하지 않습니다. 생산량과 연결된 설비 상태, 공정 변화, 원자재 공급, 정비 이력, 장애 기록 등을 함께 살펴봐야 원인을 찾을 수 있습니다. 즉 AI는 하나의 테이블을 조회하는 것보다 여러 데이터의 관계와 맥락을 이해해야 하는 문제를 만나게 됩니다.
그렇다면 RDB는 지식 그래프로 대체될까요? 그렇지 않습니다. 오히려 기업 환경에서는 두 기술이 함께 사용되는 것이 자연스럽습니다. 예를 들어 정확한 매출 숫자를 계산하거나 설비 조작 이력을 조회할 때는 RDB가 적합하고, 여러 설비와 공정의 관계를 탐색하거나 영향 범위를 파악할 때는 그래프가 적합할 수 있습니다. 센서 데이터라면 또 다른 접근이 필요합니다. 시간의 흐름에 따라 수많은 값이 발생하기 때문에 시계열 데이터에 맞는 처리 방식이 효과적일 수 있습니다.
중요한 것은 ‘어떤 데이터베이스를 쓸 것인가’가 아니다
기업 AI를 구축할 때 흔히 기술 하나를 선택하는 문제로 접근하기 쉽습니다. RDB를 쓸 것인지, 그래프 데이터베이스를 쓸 것인지, 벡터 데이터베이스를 사용할 것인지 고민합니다. 하지만 실제 기업 데이터는 한 가지 기술만으로 처리하기 어렵습니다.
RDB에는 정확하게 관리되는 숫자가 있고 문서에는 업무 지식이 있습니다. 도면에는 설비의 구조가 있고 센서에는 시간에 따라 변화하는 데이터가 있습니다. 각 데이터의 성격에 맞는 기술을 사용하는 것이 먼저입니다. 그리고 그 다음 필요한 것이 서로 다른 데이터를 하나의 의미 체계 안에서 연결하는 일입니다.
RDB에서 지식 그래프로, 데이터 활용의 질문이 달라지고 있다
RDB가 오랫동안 기업 데이터 관리의 기반이었다면 지식 그래프는 그 데이터를 관계와 맥락의 관점에서 다시 활용할 수 있게 만드는 기술입니다. 둘의 차이는 어떤 기술이 더 좋은가의 문제가 아닙니다. 질문의 차이에 가깝습니다.
“값이 무엇인가?”를 정확하게 찾는다면 RDB가 필요하고 “무엇과 연결되어 있으며 어떤 영향을 주는가?”를 이해하려면 지식 그래프가 중요해집니다. 기업 AI가 단순 검색을 넘어 분석과 추론, 의사결정으로 발전할수록 두 번째 질문은 점점 더 중요해질 것입니다.
인포시즈는 서로 다른 데이터를 하나의 지식 구조로 연결합니다
인포시즈는 RDB, 문서, 이미지, 도면, 센서 등 기업에 존재하는 다양한 형태의 데이터를 각각의 특성에 맞게 처리하고 이를 온톨로지와 지식 그래프를 기반으로 하나의 의미 체계 안에서 연결하고 있습니다.
핵심은 RDB를 그래프로 바꾸는 것이 아닙니다. RDB에 있는 정형 데이터의 정확성은 그대로 활용하고, 문서와 도면 같은 비정형 데이터까지 함께 연결해 AI가 기업 전체의 맥락을 이해할 수 있는 구조를 만드는 것입니다. 인포시즈의 기술 발전 방향 역시 비정형 데이터 구조화에서 시작해 정형·비정형 데이터 연결, What-if 기반 시뮬레이션, 그리고 의사결정과 실행으로 확장됩니다.
기업에 데이터가 부족한 시대는 지나고 있습니다. 이제 중요한 것은 더 많은 데이터를 쌓는 것이 아니라 이미 존재하는 데이터를 어떻게 연결해 더 나은 판단으로 이어갈 것인가입니다. 지식 그래프가 다시 주목받는 이유도 바로 여기에 있습니다.