“우리 온톨로지는 아직 부족하다”는 말을 자주 듣는다. 그런데 부족하다는 게 무슨 뜻이냐고 되물으면 대답이 갈린다. 어휘가 적다는 뜻인가, 계층이 얕다는 뜻인가, 아니면 기계가 모순을 스스로 못 잡아낸다는 뜻인가. 이 셋은 전혀 다른 결핍이고, 채우는 방법도 다르다. “제대로 된 온톨로지”라는 단일한 목표는 없다. 목적마다 필요한 표현수준이 다르고, 표현수준을 올릴수록 모델링 비용과 추론 비용이 같이 오른다. 이 글은 그 스펙트럼이 어디서 왔고, 층위마다 무엇을 얻고 무엇을 지불하는지, 그래서 목적이 어떻게 층위를 결정하는지를 정리한다.

1. 스펙트럼은 패널 토론에서 나왔다

“온톨로지”라는 단어가 가리키는 대상이 사람마다 다르다는 문제는 학계에서도 오래된 불만이었다. 1999년 AAAI Ontologies 패널에서 Lehman, McGuinness, Uschold, Welty 네 명이 각자 경험한 “온톨로지”라 불리는 산출물이 서로 얼마나 다른지 비교하다가, 그 다양성을 하나의 축 위에 배열할 수 있다는 데 동의했다. 이게 온톨로지 스펙트럼의 출발점이다.

Lassila와 McGuinness는 이 아이디어를 2001년 기술보고서 The Role of Frame-Based Representation on the Semantic Web에서 처음 활자화했고,[^lassila-mcguinness] McGuinness는 2003년 Spinning the Semantic Web의 챕터 “Ontologies Come of Age”에서 스펙트럼을 층위별로 정리해 확장했다.[^mcguinness2003] 스펙트럼이 늘어놓는 것은 어휘의 크기가 아니라 어휘가 지원하는 추론의 종류다. 낮은 층위에서 높은 층위로 갈수록, 같은 어휘로부터 기계가 자동으로 끌어낼 수 있는 것이 많아진다.

층위를 약한 의미론에서 강한 의미론 순으로 배열하면 대략 이렇다.

층위 예 기계가 이걸로 무엇을 할 수 있나
통제 어휘 (controlled vocabulary) 카탈로그 태그 목록 정해진 용어로만 라벨을 붙였는지 검사
분류체계 (taxonomy) 상품 카테고리 트리 상위/하위 카테고리 탐색
시소러스 (thesaurus) broader/narrower/related 관계 동의어·연관어로 검색 확장
비형식 is-a “고양이는 포유류다” (자연어 주석 수준) 사람이 읽는 계층도
형식 is-a RDFS subClassOf 클래스 상속에 따른 자동 분류(subsumption)
프레임 (속성) 클래스마다 속성·값 타입 정의 속성 상속, 타입 검사
값 제약 (value restriction) OWL someValuesFrom / cardinality “이 속성의 값은 반드시 이 타입이어야 한다”는 제약 위반 탐지
일반 논리 제약 OWL 공리, disjointness, 역관계 모순(비일관성) 자동 탐지, 미기술 사실의 함의(entailment) 도출

핵심은 이거다. 하위 층위에서 상위 층위로 올라가는 건 “더 정교하게 적는다”가 아니라 “기계에게 더 많은 권한을 준다”는 뜻이다. 값 제약과 논리 제약부터는 사람이 안 적은 것도 기계가 참으로 추론하거나, 반대로 서로 모순되는 두 문장을 자동으로 잡아낼 수 있다. 그 권한은 공짜가 아니다.

2. 표준이 실제로 이 스펙트럼을 두 겹으로 나눠 놨다

이 스펙트럼이 이론에 머물지 않는 이유는, W3C가 스펙트럼의 서로 다른 지점을 서로 다른 표준으로 굳혀놨기 때문이다.

낮은 층위 — SKOS. Simple Knowledge Organization System은 시소러스·분류체계·통제 어휘를 RDF로 표현하기 위한 W3C 권고안이다. 개념(concept)에 URI를 부여하고, broader / narrower / related로 느슨한 계층과 연관을 표현하며, 여러 언어의 라벨을 붙일 수 있다.[^skos] SKOS는 의도적으로 형식 논리를 강제하지 않는다. “A가 B보다 broader다”는 관계일 뿐 상속 규칙이 아니고, 모순 검사도 없다. 도서관 분류표·전거 데이터·용어집처럼 애초에 “정확한 계층”보다 “사람이 합의한 대략의 구조”가 목적인 자료에 맞춘 설계다.

높은 층위 — OWL 2. Web Ontology Language는 클래스·프로퍼티·개체에 형식 의미론을 부여해서, 적혀 있지 않은 사실을 추론해내거나 모순을 검출할 수 있게 만든다.[^owl2] 그런데 OWL 2 안에서도 표현력은 또 갈린다. 전체 OWL 2 DL(SROIQ 기반)은 표현력이 가장 크지만 추론이 계산적으로 무겁다. 그래서 W3C는 표현력을 의도적으로 깎은 세 프로파일을 따로 권고했다.[^owl2profiles]

  • OWL 2 EL — 모든 표준 추론이 다항 시간에 끝나도록 설계. 아주 큰 온톨로지에 적합.
  • OWL 2 QL — 개념 질의를 관계형 DB의 SQL로 그대로 풀어낼 수 있게 설계. 대량의 개체를 다루는 데이터 접근에 적합.
  • OWL 2 RL — 규칙 기반 추론으로 확장성과 표현력을 절충.

이 셋의 존재 자체가 스펙트럼의 요점을 증명한다. “표현력을 최대로” 가 기본값이 아니다. 표준조차 표현력을 깎는 버전을 따로 만들어서, 목적에 맞게 고르라고 권고한다.

3. 그래서 목적이 층위를 어떻게 결정하는가

표현수준을 올리는 데는 두 가지 청구서가 따라온다. 하나는 모델링 비용 — 시소러스는 관계 세 종류만 정하면 되지만, OWL 온톨로지는 클래스마다 제약과 공리를 사람이 다 써야 한다. 다른 하나는 추론 비용 — 표현력이 늘수록 “이게 모순인가”를 계산하는 난이도가 는다. OWL 2가 EL/QL/RL을 따로 둔 이유가 정확히 이 두 번째 청구서 때문이다.

이 청구서를 감당할 가치가 있는지는 순전히 목적에 달려 있다.

  1. 탐색·브라우징이 목적인가? → 통제 어휘·분류체계로 충분하다. 사용자가 카테고리를 클릭해서 좁혀가는 데는 형식 논리가 필요 없다.
  2. 검색어 확장·용어 매핑이 목적인가? → 시소러스(SKOS) 층위. “정산”과 “settlement”가 related라는 사실만 있으면 되지, 그게 논리적으로 동치라는 증명은 필요 없다.
  3. 데이터가 규격을 지켰는지 기계가 검사해야 하는가? → 형식 is-a·프레임 층위. RDFS 상속과 타입 제약 정도면 스키마 검증에 충분하다.
  4. “이 두 사실이 동시에 참일 수 없다”를 기계가 스스로 잡아내야 하는가? → 값 제약·일반 논리 제약, 즉 OWL이 필요하다. 여기서부터는 사람이 일일이 모순을 찾는 대신 추론기가 찾는다. 대신 그 추론기를 계산 가능한 범위로 유지하려면 EL/QL/RL 같은 프로파일 선택이 따라붙는다.

거꾸로 말하면, 탐색이 목적인데 OWL 공리를 쌓는 건 낭비고, 모순 탐지가 목적인데 SKOS로 버티는 건 애초에 SKOS가 못 하는 일을 시키는 것이다. 표현수준을 목적보다 높게 잡는 것도, 낮게 잡는 것도 같은 종류의 실수다.

4. LLM 시대에 이 축이 다시 중요해진 이유

두 가지 흐름이 이 스펙트럼을 다시 실무 전면으로 끌고 왔다.

첫째, 구조화 출력·함수 호출 스키마가 사실상 낮은 층위의 온톨로지 역할을 한다. LLM에게 JSON 스키마로 함수 인자를 정의하는 일은, 타입과 필수 필드를 정하는 프레임 층위의 표현이다. 다만 이 스키마 대부분은 값 제약·논리 제약까지는 거의 안 간다 — 그럴 필요가 없기 때문이다. 목적이 “이 함수를 호출할 때 인자가 맞는 타입인가”에서 멈추면, 스펙트럼도 거기서 멈추는 게 맞다.

둘째, LLM으로 지식그래프를 자동 추출하는 접근(GraphRAG류)은 태생적으로 스펙트럼의 낮은 층위에서 시작한다. 이전 글“AI 온톨로지 구축 — 그래프와 벡터DB, 두 관점이 각각 무엇을 포기하는가”에서 다룬 ~/wiki 사례가 정확히 이 문제였다. 엣지 108개가 전부 references 관계 하나였다는 건, 스펙트럼상 “비형식 is-a”에도 못 미치는 링크 목록 수준에 머물렀다는 뜻이다. LLM이 원문에서 뽑아내는 엔티티·관계도 마찬가지로 대개 이 낮은 층위에서 시작하고, 값 제약이나 논리 제약까지 자동으로 채워주지 않는다. 표현력을 사람 대신 기계에게 맡긴다는 것과, 표현수준이 저절로 높아진다는 것은 다른 이야기다. 어느 층위까지 자동 추출로 채우고 어디부터 사람이 검수할지를 정하는 것 자체가 목적에 달린 설계 결정이다.

같은 맥락에서 상태관리 쪽을 다룬 이전 글의 purpose-bound(P) 개념도 이 축과 맞닿아 있다. 데이터가 목적 P에 대해 준비됐다는 판정과, 온톨로지가 목적 P에 필요한 표현수준을 갖췄다는 판정은 같은 질문의 두 얼굴이다 — “이 자산이 지금 이 목적을 감당할 만큼 만들어져 있는가.”

5. 정리

스펙트럼의 요점은 “위로 올라갈수록 좋다”가 아니라 “위로 올라갈수록 비싸고, 그 값을 목적이 요구할 때만 지불한다”는 것이다. SKOS로 충분한 자리에 OWL을 앉히면 모델링 비용만 늘고 아무도 그 추론 기능을 쓰지 않는다. 반대로 모순 탐지가 필요한 자리에 통제 어휘만 있으면, 모순은 여전히 존재하고 그걸 찾는 일이 전부 사람에게 남는다.

그래서 온톨로지를 시작하기 전에 물어야 할 첫 질문은 “얼마나 정교하게 만들 것인가”가 아니라 “이 어휘로 기계가 무엇을 자동으로 할 수 있어야 하는가”다. 그 답이 스펙트럼에서의 위치를 정하고, 위치가 비용을 정한다.

References

  • Lassila, O., McGuinness, D. L. (2001). The Role of Frame-Based Representation on the Semantic Web. Technical Report KSL-01-02, Knowledge Systems Laboratory, Stanford University. Also published in Electronic Transactions on Artificial Intelligence, Vol. 6, No. 005 (2001). Semantic Scholar
  • McGuinness, D. L. (2003). “Ontologies Come of Age.” In D. Fensel, J. Hendler, H. Lieberman, W. Wahlster (eds.), Spinning the Semantic Web: Bringing the World Wide Web to Its Full Potential. MIT Press. MIT Press
  • Gruber, T. R. (1993). “A Translation Approach to Portable Ontology Specifications.” Knowledge Acquisition, 5(2), 199–220. (온톨로지를 “명시적 개념화 명세”로 정의한 원 논문.) https://tomgruber.org/writing/ontolingua-kaj-1993.pdf
  • W3C, SKOS Simple Knowledge Organization System Reference, W3C Recommendation, 2009-08-18. https://www.w3.org/TR/skos-reference/
  • W3C, OWL 2 Web Ontology Language Document Overview (Second Edition), W3C Recommendation, 2012-12-11. https://www.w3.org/TR/owl2-overview/
  • W3C, OWL 2 Web Ontology Language Profiles (Second Edition), W3C Recommendation, 2012-12-11. https://www.w3.org/TR/owl2-profiles/

근거의 한계. 스펙트럼 층위의 명칭과 순서는 Lassila–McGuinness(2001)와 McGuinness(2003)를 따랐다. 이후 여러 저자가 이 스펙트럼을 더 세분화한 버전을 제시했는데, 그런 확장판은 이 글에서 1차 검증하지 못해 인용하지 않았다. “표현수준을 올리면 추론 비용이 커진다”는 주장은 OWL 2 프로파일의 존재 자체로 뒷받침되지만, 이 글은 EL/QL/RL 각각의 정확한 계산 복잡도 클래스(예: PTime, LogSpace 등급의 세부 경계)를 검증된 1차 출처 없이 단정하지 않았다. 관련 선행 글: AI 온톨로지 구축 — 그래프와 벡터DB, 두 관점이 각각 무엇을 포기하는가, AI ready data는 형용사가 아니다 — 목적성과 품질성으로 본 데이터 상태관리