Knowledge Graph

케이스 1Google — 검색에 지식 그래프 도입

Google은 2012년 '문자열이 아니라 사물(things, not strings)'을 내세우며 지식 그래프를 검색에 도입했습니다 ^[1]. 사람·장소·작품 같은 현실 개체와 그 사이의 관계를 이해하는 모델을 검색에 얹었습니다 ^[1]. 검색 결과 옆 정보 카드의 토대가 됐습니다 ^[1]. 오늘날 지식 그래프라는 용어를 대중화한 발표입니다 ^[1].
도입효과: 출시 시점 개체 5억 개 이상·사실(관계) 35억 건 이상 탑재 (Google 지식 그래프 기준) ^[1]

케이스 2Microsoft — GraphRAG로 LLM 근거 강화

Microsoft는 2024년 비공개 문서에서 LLM으로 지식 그래프를 만들어 답하는 GraphRAG를 공개했습니다 ^[2]. 전체를 아우르는 '요지 파악형' 질문을 겨냥했습니다 ^[2]. 100만 토큰 규모 데이터셋에서 실험했습니다 ^[2]. 여러 문서에 흩어진 정보를 종합해야 하는 질문에서, 일반 RAG보다 답의 포괄성과 다양성이 높았다고 밝혔습니다 ^[2].
도입효과: 100만 토큰 규모 전역 질의에서 포괄성·다양성 기준 일반 RAG 대비 향상 (Microsoft GraphRAG 기준) ^[2]

케이스 3NASA — 교훈 데이터베이스를 지식 그래프로

NASA는 수십 년간 쌓은 '교훈(Lessons Learned)' 데이터를 지식 그래프로 바꿨다고 Neo4j 블로그에서 밝혔습니다 ^[4]. 프로젝트와 부품, 원인 사이의 관계를 연결해 흩어져 있던 과거 사례를 찾기 쉽게 했습니다 ^[4]. 지난 50년치 교훈을 대상으로 삼았습니다 ^[4]. 수석 지식 아키텍트 David Meza가 소개했습니다 ^[4].
도입효과: 문제 1건 예방으로 2년 이상의 작업과 100만 달러 절감 (NASA 교훈 지식 그래프 사례) ^[4]

케이스 4카카오(한국) — 카카오미니·검색에 지식 그래프 적용

카카오는 카카오 AI 리포트에서 카카오미니와 검색에 지식 그래프를 적용했다고 밝혔습니다 ^[5]. 개체와 관계를 연결해, 사용자가 말로 묻는 대화형 검색에 활용하는 구조를 소개했습니다 ^[5]. 그래프 규모가 커질수록 대화형 검색이 쉬워진다고 설명했습니다 ^[5]. 국내 대형 서비스의 지식 그래프 적용 사례입니다 ^[5].
도입효과: 카카오 지식 그래프 연결 규모 약 12억 건 (2018년 카카오 AI 리포트 기준) ^[5]

오늘 바로 해보기
01. Neo4j 무료 인스턴스(AuraDB)를 띄우고 노드 10개·관계 15개짜리 작은 그래프를 만들어 봅니다.
02. 사내 데이터 하나(예: 제품-부품-공급사)를 골라 점과 선으로 스케치합니다.
03. Cypher 질의로 '두 단계 이상 떨어진 관계'를 한 번에 찾는 질문을 실행해 봅니다.
04. 같은 질문을 표(관계형 DB) 방식과 그래프 방식으로 풀 때의 차이를 메모합니다.
05. Microsoft GraphRAG 블로그에서 지식 그래프가 일반 RAG와 무엇이 다른지 한 줄로 정리합니다 ^[2].

한계와 진화
지식 그래프의 한계는 만들고 유지하는 비용입니다. 어떤 개체와 관계를 둘지 설계하고, 같은 대상을 하나로 묶고(개체 정합), 새 사실을 계속 갱신해야 합니다 ^[3]. Google 지식 그래프가 출시 시점에만 개체 5억 개·사실 35억 건을 담았듯, 쓸 만한 규모를 갖추려면 방대한 데이터가 필요합니다 ^[1]. 관계 스키마가 도메인마다 달라 재사용도 쉽지 않습니다 ^[3]. 원천 데이터가 자주 바뀌면 그래프도 계속 갱신해야 해, 한 번 만들고 끝나는 자산이 아닙니다 ^[3]. 어떤 사실을 넣고 뺄지 판단하는 규칙이 부실하면 잘못된 관계가 추론에 그대로 반영됩니다 ^[1]. 정합·중복 제거 같은 데이터 품질 작업이 특히 손이 많이 갑니다 ^[3]. 즉 정확한 추론이라는 이점 뒤에는 구축·정합·운영의 부담이 있습니다 ^[3].
진화 방향은 두 갈래입니다.

1. LLM으로 그래프를 자동 생성해 구축 비용을 낮추는 흐름입니다. Microsoft GraphRAG는 비공개 문서에서 지식 그래프를 만들어 LLM 답변의 근거로 쓰고, 일반 RAG보다 포괄성·다양성이 높았다고 보고했습니다 ^[2].
2. 관리형 그래프 데이터베이스로 도입 문턱이 낮아지는 흐름입니다. Neo4j와 Amazon Neptune이 대표적이고, 국내에서는 카카오가 카카오미니·검색에 약 12억 건 규모의 지식 그래프를 적용하고 삼성SDS가 도입 가이드를 공개했습니다 ^[3][5][6]. 이 방식은 사람이 손으로 스키마를 짜고 관계를 입력하던 초기 구축 부담을 크게 덜어, 비정형 문서에서도 그래프를 뽑아냅니다 ^[2]. 관리형 그래프 데이터베이스와 결합해, 지식 그래프는 검색·추천을 넘어 LLM 답변의 근거를 대는 계층으로 쓰임이 넓어지는 흐름입니다 ^[3][7]. 표 기반 관계형 DB로는 조인이 겹겹이 쌓이는 다단계 관계 질의에서, 지식 그래프가 더 단순하고 빠른 답을 냅니다 ^[3][7].