RAG의 한계와 온톨로지의 부흥

RAG의 한계와 온톨로지의 부흥

2025-10-28, G25DR

1. 그라운딩의 필요성: 확률적 앵무새에서 추론하는 응답자로

1.1 LLM의 역설

대규모 언어 모델(LLM)은 자연어 이해 및 생성 분야에서 놀라운 발전을 이루었으나 1, 그 근본적인 아키텍처는 엔터프라이즈 환경에서 중대한 도전 과제를 안고 있다. LLM은 본질적으로 다음에 올 단어를 확률적으로 예측하는 모델로, 이러한 설계 자체가 여러 문제의 근원이 된다.3 독립형 LLM이 보이는 주요 실패 모드는 다음과 같다.

  • 환각(Hallucination): 훈련 데이터에 정보가 없을 때, 그럴듯하지만 사실이 아닌 정보를 생성하는 현상이다.3 재무나 법률적 결정이 수반되는 기업 환경에서 이는 치명적인 위험이 될 수 있다.6
  • 지식 단절(Knowledge Cut-off): LLM의 지식은 훈련 시점에 고정되어 있어, 최신 정보를 반영하지 못하고 낡은 정보를 제공할 수 있다.4
  • 추적 불가능성(Opacity): 생성된 답변의 출처를 제시하지 못해 ‘블랙박스’ 문제를 야기하며, 이는 사용자의 신뢰를 저해하는 주요 요인이다.4
  • 도메인 특화 실패: 기업 내부 문서나 실시간 시스템 데이터와 같은 독점적이고 특화된 정보에 접근할 수 없다.10

이러한 한계는 LLM의 확률적 설계에서 비롯된 필연적인 결과다. LLM은 유창성을 위해 설계되었을 뿐, 사실적 정확성을 보장하도록 설계되지 않았다. 파인튜닝(fine-tuning)은 모델에 특정 도메인의 ’스타일’을 주입할 수는 있지만, 방대한 비용과 기존 지식을 잊어버리는 ’파국적 망각(catastrophic forgetting)’의 위험 없이 새롭고 검증 가능한 사실적 지식을 안정적으로 주입하는 해결책이 될 수는 없다.13 따라서, 신뢰성이 중요한 기업 애플리케이션을 위해서는 LLM의 근본적인 아키텍처 한계를 우회할 외부적인 해결책이 불가피했다. 지식 베이스를 언어 모델 자체에서 분리하는 접근법이 바로 그것이며, 이 패러다임 전환의 구체적인 구현이 바로 검색 증강 생성(RAG)이다.

1.2 실용적 해결책으로서의 RAG의 부상

이러한 LLM의 한계를 완화하기 위해 등장한 첫 번째 주요 아키텍처 혁신이 바로 검색 증강 생성(Retrieval-Augmented Generation, RAG)이다. RAG는 LLM을 외부의 검증 가능한 지식 베이스에 연결하여, 검색된 정보를 바탕으로 답변 생성을 보강하는 프레임워크다.4

RAG는 모델을 지속적으로 재훈련하거나 파인튜닝하는 대신, 외부 데이터 소스를 수정하는 것만으로 지식을 동적으로 업데이트할 수 있어 비용 효율적이고 신속한 대안으로 주목받았다.6 이는 LLM을 추론 및 언어 엔진으로 활용하고, 외부 데이터베이스를 ’진실의 원천(source of truth)’으로 삼는 근본적인 변화를 의미했다.

본 보고서의 핵심 주장은 다음과 같다. RAG는 LLM을 외부 데이터에 접지(grounding)시키는 중요한 첫걸음을 제공했으나, 비정형 텍스트와 벡터 검색에 의존했던 초기 방식의 내재적 한계는 새로운 도전 과제를 낳았다. 그리고 이 과제들을 해결하는 과정에서, 과거의 유산으로 여겨졌던 온톨로지 기반의 구조화된 지식 원칙이 필연적으로 부활하게 되었다.

2. 검색 증강 생성의 아키텍처 발전 과정

2.1 기초 패러다임: Naive RAG와 벡터 검색

RAG의 초기 구현, 즉 ’Naive RAG’는 직관적인 ‘검색 후 생성(retrieve-then-read)’ 프로세스를 따른다. 이 방식의 작동 원리는 다음과 같다. 사용자 질의가 벡터 임베딩으로 변환되고, 벡터 데이터베이스 내에서 코사인 유사도 같은 척도를 사용해 의미적으로 가장 유사한 상위 k개의 텍스트 청크(chunk)를 검색한다. 이 검색된 청크들이 원본 질의에 컨텍스트로 추가되어 LLM에 전달된다.4 이 구조의 핵심 기술은 텍스트를 수치적 표현으로 변환하는 벡터 임베딩과 이를 저장하고 검색하는 벡터 데이터베이스다.6

하지만 이 단순한 접근법은 곧 한계를 드러냈다. 주요 문제점으로는 관련성이 낮은 문서를 검색하는 낮은 정밀도, 여러 문서에 걸쳐 있는 정보를 통합하지 못하는 컨텍스트의 파편화, 그리고 여러 소스로부터 정보를 종합해야 하는 복잡한 질의 처리의 어려움 등이 있었다.18

2.2 최적화 단계: Advanced RAG의 전후 처리 전략

Naive RAG의 단점을 보완하기 위해 ’Advanced RAG’는 검색 프로세스의 전후 단계에 정교한 최적화 기법을 도입했다.

  • 검색 전 처리(Pre-Retrieval): 검색 정확도를 높이기 위해 데이터를 검색하기 전에 처리하는 단계다. 슬라이딩 윈도우(sliding window)를 이용한 청킹, 문서에 메타데이터 추가, 그리고 사용자 질의를 더 명확하게 만들거나 여러 개의 하위 질의로 확장하여 검색 범위를 넓히는 기법들이 여기에 해당한다.19
  • 검색 후 처리(Post-Retrieval): 검색된 결과를 LLM에 전달하기 전에 처리하는 단계다. 검색된 문서들을 다시 순위화하여 가장 관련성 높은 정보를 상위에 배치하거나(re-ranking), LLM의 컨텍스트 창 크기에 맞게 정보를 압축하고, 중복된 내용을 제거하는 기법들이 사용된다.5

2.3 RAG의 분해: 모듈형 및 에이전틱 아키텍처

RAG 기술이 성숙함에 따라, 고정된 선형 파이프라인은 더 유연하고 지능적인 프레임워크로 발전했다. 이러한 발전은 소프트웨어 공학이 초기의 모놀리식(monolithic) 애플리케이션에서 유지보수와 확장이 용이한 마이크로서비스 아키텍처로 진화한 과정과 매우 유사하다. Naive RAG가 단일 기능을 수행하는 모놀리식 스크립트였다면, Advanced RAG는 여기에 미들웨어를 추가한 형태다. 더 나아가, RAG 시스템이 기업의 핵심 애플리케이션으로 자리 잡으면서, 소프트웨어 개발의 다른 영역에서와 마찬가지로 아키텍처 패턴에 대한 공학적 압력을 받게 되었다.

  • 모듈형 RAG(Modular RAG): 이 패러다임은 RAG 파이프라인을 검색, 생성, 라우팅, 융합 등 독립적이고 교체 가능한 모듈로 분해한다.19 이를 통해 특정 작업에 맞춰 선형, 조건부, 반복 등 다양한 패턴으로 모듈을 재구성할 수 있다. 예를 들어, 비정형 텍스트에는 벡터 검색 모듈을, 정형 데이터에는 지식 그래프 검색 모듈을 사용하는 하이브리드 시스템 구축이 가능해진다.18
  • 에이전틱 RAG(Agentic RAG): 여기서는 LLM 기반 에이전트가 서비스 오케스트레이터(orchestrator) 역할을 수행하며 전체 RAG 프로세스를 조율한다. 에이전트는 사용자의 복잡한 요청을 해결하기 위해 계획을 수립하고, 어떤 도구(예: 어떤 검색기)를 사용할지 결정하며, 결과를 바탕으로 반복적으로 접근 방식을 수정한다. 이를 통해 여러 단계에 걸친 추론과 복잡한 질의 처리가 가능해진다.17

2.4 의미론적 한계: 비정형 검색의 천장

이러한 아키텍처의 발전에도 불구하고, 비정형 텍스트 청크의 벡터 유사도 검색에만 의존하는 모든 RAG 변종은 결국 ’의미론적 한계(Semantic Ceiling)’에 부딪힌다. 벡터 검색은 의미적으로 유사한 콘텐츠를 찾는 데는 탁월하지만, 개체(entity) 간의 명시적이고 구조화된 관계를 이해하는 데는 근본적인 한계가 있다. 즉, 개별적인 사실과 그 연결 고리를 검색하는 것이 아니라, 텍스트 ’덩어리’를 가져올 뿐이다.23

이 한계는 다음과 같은 유형의 질의에서 명확하게 드러난다.

  • 다단계 추론(Multi-Hop) 질의: 여러 관계를 거쳐야 답을 찾을 수 있는 질문. 예를 들어, “X 대학과 파트너 관계인 회사가 개발한 약물 중 현재 임상 3상에 있는 것은 무엇인가?“와 같은 질문이다.26
  • 비교/집계 질의: 특정 속성을 기준으로 데이터를 집계하거나 비교해야 하는 질문. 예를 들어, “유럽 시장에서 우리 회사 상위 3개 제품의 매출을 비교해줘.“와 같은 질문이다.29
  • 스키마 의존적 질의: 핵심 성과 지표(KPI)나 조직 구조와 같이 데이터의 기본 구조에 대한 이해가 필요한 질문이다.28

결론적으로, 벡터 검색 기반 RAG의 진화가 관계형 추론 문제 해결에 실패하면서 혁신의 공백이 생겼고, 이 공백을 메울 수 있는 유일한 대안은 구조화된 지식 표현 방식이었다. 이는 특정 기술 패러다임이 한계에 도달했을 때, 기존에 존재했지만 잊혔던 더 강력한 개념을 현대화하여 다시 채택하는 전형적인 사례이며, 온톨로지의 귀환을 촉발한 직접적인 원인이 되었다.

3. 구조화된 지식의 르네상스: AI 인지를 위한 청사진으로서의 온톨로지

3.1 온톨로지의 원칙: 지식의 언어 정의

온톨로지는 추상적인 철학적 개념이 아니라, 지식 표현을 위한 공식적인 공학 분야다. 온톨로지는 ’공유된 개념화에 대한 공식적이고 명시적인 명세’로 정의되며, 특정 지식 도메인에 대한 기계가 읽을 수 있는 청사진(blueprint) 역할을 한다.31 이는 공통의 어휘와 규칙 집합을 제공하여 지식의 모호성을 제거한다.

온톨로지의 핵심 구성 요소는 다음과 같으며, 이들은 지식의 구조와 일관성을 보장하는 역할을 한다 32:

  • 클래스/개념(Classes/Concepts): 도메인의 주요 개체 또는 범주 (예: 회사, 제품, 직원).
  • 속성/관계(Properties/Relationships): 클래스 간의 연결 (예: 직원은 회사에 소속된다).
  • 계층(Hierarchy): 클래스를 상위/하위 클래스 관계로 조직화 (예: 관리자는 직원의 하위 클래스). 이를 통해 속성 상속이 가능해진다.
  • 공리/규칙(Axioms/Rules): 관계를 제어하고 데이터 무결성을 보장하는 논리적 제약 조건 (예: “모든 관리자는 최소 한 명 이상의 직원을 관리해야 한다”).

3.2 청사진에서 현실로: 온톨로지를 기업 지식 그래프로 구현하기

추상적인 온톨로지 청사진은 실제 데이터로 채워진 구체적이고 질의 가능한 지식 그래프(Knowledge Graph)를 구축하는 데 사용된다. 온톨로지가 스키마 또는 모델이라면, 지식 그래프는 해당 스키마의 인스턴스다. 즉, 온톨로지가 설계도라면 지식 그래프는 그 설계도로 지어진 건물과 같다.32

이러한 스키마와 데이터의 분리는 다음과 같은 막대한 가치를 제공한다.37

  • 데이터 통합: 온톨로지는 ‘시맨틱 레이어’ 역할을 하여 데이터베이스, 문서, API 등 분산된 사일로의 데이터를 단일하고 일관된 그래프로 통합하는 공통 언어를 제공한다.33
  • 일관성 및 거버넌스: 온톨로지는 규칙과 구조를 강제하여 그래프가 성장함에 따라 데이터의 품질과 일관성을 유지한다.32
  • 추론 활성화: 명시적으로 정의된 관계와 규칙을 통해, 기계는 데이터에 직접적으로 명시되지 않은 새로운 지식을 추론할 수 있다.33

AI를 위한 온톨로지의 채택은 조직 내 문화적 변화를 촉진하고 있다. 유용한 온톨로지를 구축하는 것은 순수한 기술적 과제가 아니며, 데이터 구조를 이해하는 엔지니어와 비즈니스 맥락을 이해하는 도메인 전문가 간의 깊은 협업을 요구한다.32 도메인 전문가는 비즈니스의 개념과 규칙을 정의하고, 지식 엔지니어는 이를 OWL이나 RDFS와 같은 공식적인 온톨로지 언어로 변환한다.33 이 협업 과정은 AI 시스템이 비즈니스를 실제로 ’이해’하고 반영하도록 보장하며, 비즈니스 분석가와 전문가의 역할을 AI 개발 수명 주기의 중심으로 격상시킨다.

4. 종합: GraphRAG - 시맨틱 검색과 관계형 추론의 만남

4.1 아키텍처 심층 분석: Vector RAG와 GraphRAG의 비교

Vector RAG와 GraphRAG는 아키텍처 측면에서 근본적인 차이를 보인다.

  • Vector RAG 흐름: 사용자 질의 → 임베딩 → 벡터 저장소 → 유사도 검색 → 텍스트 청크 검색 → 프롬프트 보강 → LLM
  • GraphRAG 흐름: 사용자 질의 → LLM (의도 파악/쿼리 생성) → Text-to-Cypher → 지식 그래프 → 그래프 탐색/쿼리 → 구조화된 데이터/개체 검색 → 프롬프트 보강 → LLM 23

이 흐름의 차이는 단순한 검색에서 지능적인 다단계 쿼리 프로세스로의 전환을 명확히 보여준다.

4.2 정밀성의 메커니즘: Text-to-Cypher를 통한 다단계 추론

GraphRAG의 핵심 기술은 ’Text-to-Cypher’다. 이는 LLM을 사용하여 사용자의 자연어 질문을 Neo4j와 같은 그래프 데이터베이스의 공식 쿼리 언어인 Cypher로 변환하는 기술이다.40 이것이 바로 그래프의 구조화된 힘을 잠금 해제하는 열쇠다. 이 과정에서 LLM은 온톨로지로부터 파생된 그래프 스키마와 몇 가지 예시(few-shot examples)를 제공받아 정확한 쿼리를 생성하며, 생성된 쿼리가 유효하지 않을 경우 이를 수정하는 반복적인 개선 루프를 포함할 수 있다.41

이러한 발전은 흥미로운 순환 구조를 보여준다. RAG의 필요성을 야기했던 LLM의 한계가, 이제는 더 진보된 GraphRAG를 가능하게 하는 핵심 요소로 활용되고 있는 것이다. 즉, LLM의 강점(자연어 이해)이 자신의 약점(구조적 추론 부재)을 극복하는 데 사용되고 있다. LLM은 최종적인 ’생성자’일 뿐만 아니라, 구조화된 데이터베이스에 대한 자연어 인터페이스로서 ‘검색’ 프로세스의 핵심적인 부분으로 변모했다.

가장 강력한 시스템은 하이브리드 접근 방식을 채택한다. 벡터 검색을 사용하여 그래프에서 초기 진입점(관련 노드)을 찾은 다음, 그래프 탐색을 통해 풍부한 관계형 컨텍스트를 수집하는 방식이다.23

4.3 성능 비교 분석: 정확성과 충실도 벤치마킹

GraphRAG의 우수성은 정량적 및 정성적 분석을 통해 입증된다. 아래 표는 각 RAG 아키텍처의 특징을 요약한 것이다.

특성Naive RAGAdvanced RAGVector RAG (일반)GraphRAG
핵심 검색 원리키워드/벡터 유사도최적화된 벡터 유사도의미론적 유사도관계형 탐색 및 의미론적 검색
주요 기술벡터 DB, 임베딩쿼리 변환, 재순위화벡터 DB, 임베딩지식 그래프, Text-to-Cypher, LLM
주요 강점구현 용이, 빠른 속도Naive RAG 대비 정확도 향상비정형 텍스트의 의미론적 검색다단계 추론, 비교/집계, 설명 가능성
치명적 한계낮은 정밀도, 컨텍스트 파편화복잡성 증가, 근본적 한계 미해결관계 이해 불가, ‘의미론적 한계’높은 초기 구축 비용, 전문 기술 요구

정량적 벤치마크 연구는 GraphRAG의 명백한 우위를 보여준다. Diffbot의 벤치마크에 따르면, GraphRAG는 기업용 질의에서 기존 벡터 RAG 대비 정확도를 3.4배(16.7%에서 56.2%로) 향상시켰으며, KPI나 전략 계획과 같이 스키마 의존성이 높은 범주에서는 벡터 RAG가 0%의 정확도를 기록했다.28 또 다른 연구에서는 사실적 정확성이 8% 향상되었다고 보고했다.45

이러한 성능 차이는 GraphRAG가 컨텍스트에서 벗어날 수 있는 텍스트 청크 대신, 명확하게 연결된 개별 사실들을 검색하기 때문이다. 이는 특히 ‘충실도(faithfulness)’, 즉 검색된 정보가 원본 데이터를 정확하게 반영하는 정도에서 두드러진다.30 다단계 추론이 필요한 질문에서는 GraphRAG가 월등한 성능을 보인다.27 물론, GraphRAG는 스키마 설계와 데이터 모델링에 높은 초기 비용이 들고, 단순 벡터 검색보다 쿼리 지연 시간이 길어질 수 있다는 단점이 있다.25

4.4 사례 연구: Neo4j를 이용한 GraphRAG 시스템 구현

실제 GraphRAG 시스템은 다음과 같은 단계로 구축된다.

  1. 지식 그래프 구축: 환자 데이터와 같은 정형 데이터와 의료 연구 논문과 같은 비정형 데이터를 통합하여 Neo4j에 단일 지식 그래프를 구축한다. 이 과정에서 LLM을 사용하여 텍스트에서 개체를 추출하고, 이를 기존 정형 데이터 그래프에 연결하며, 텍스트 노드에 벡터 인덱스를 생성한다.46
  2. 검색 프로세스: “환자 John Doe에게 메트포르민은 어떤 효과가 있는가?“와 같은 복잡한 질의를 처리한다. 시스템은 ’John Doe’와 ‘메트포르민’ 노드를 시작점으로 하여, 환자의 인구 통계학적 정보와 일치하는 임상 연구를 찾기 위해 그래프를 탐색한다. 이는 벡터 RAG로는 불가능한 쿼리다.46
  3. 기술 스택: 이러한 시스템은 보통 그래프 데이터베이스로 Neo4j, 오케스트레이션 프레임워크로 LangChain, 그리고 LLM으로 OpenAI 모델 등을 활용하여 구축된다.23

5. 현대 기업을 위한 전략적 시사점

5.1 블랙박스를 넘어: GraphRAG를 통한 진정한 설명가능성(XAI) 달성

기존의 머신러닝 모델과 LLM은 종종 ’블랙박스’로 작동하여 그 결과를 신뢰하거나 감사하기 어렵게 만든다. 이는 규제가 심한 산업에서 AI 채택의 주요 장벽이 된다.47 반면, 지식 그래프는 본질적으로 설명 가능하다. GraphRAG 시스템에서 생성된 답변은 컨텍스트로 사용된 특정 노드와 관계(즉, 사실과 그 연결)까지 역추적이 가능하여 명확하고 감사 가능한 ’추론 경로’를 제공한다.23 연구에 따르면 지식 그래프는 AI의 결정을 인간이 이해할 수 있도록 구조화하고 추론을 수행하는 데 핵심적인 역할을 한다.47

5.2 기업 지식 관리의 미래: 정적 저장소에서 동적 인텔리전스 패브릭으로

GraphRAG는 기업이 내부 지식을 관리하는 방식을 근본적으로 변화시키고 있다. 기존의 지식 관리 시스템(KMS)이 키워드 검색에 의존하는 정적이고 사일로화된 저장소였다면 3, 지식 그래프와 LLM의 결합은 ’적응형 지식 패브릭(adaptive knowledge fabric)’을 창출한다.51 이는 기업의 모든 정형 및 비정형 지식을 담은 살아있는 지도로, 자연어를 통해 탐색할 수 있다.37 업계 보고서에 따르면, AI 강화 KMS는 주요 트렌드로 자리 잡았으며, 많은 기업이 경쟁 우위를 확보하기 위해 ’AI-ready 콘텐츠’와 시맨틱 레이어에 막대한 투자를 하고 있다.53

이러한 변화는 단순히 답변의 질을 높이는 것을 넘어, 기업이 데이터에 던지는 질문의 종류 자체를 바꾸고 있다. 전통적인 데이터베이스가 “지난 분기 매출은 얼마였나?“와 같은 ’무엇’에 대한 질문에 답했다면, 지식 그래프는 “독일에서 진행한 마케팅 캠페인이 이전에 Y 제품을 구매했던 고객들의 X 제품 매출에 어떻게 영향을 미쳤는가?“와 같은 ’왜’와 ’어떻게’에 대한 질문에 답할 수 있다. GraphRAG는 이러한 강력한 분석 능력을 비전문가도 자연어로 활용할 수 있게 함으로써, AI를 단순한 Q&A 봇에서 전략적 의사결정을 위한 파트너로 격상시킨다.52

5.3 리스크 완화: 데이터 거버넌스, 보안, 그리고 사실적 일관성

GraphRAG 아키텍처는 기업이 AI를 도입할 때 직면하는 실질적인 우려를 해결하는 데 중요한 역할을 한다.

  • 데이터 주권 및 프라이버시: 온프레미스(on-premise) 지식 그래프와 결합된 RAG 아키텍처는 민감한 독점 데이터를 외부 API로 전송하지 않고도 강력한 LLM을 활용할 수 있게 해준다.13
  • 접근 제어: 그래프 구조는 세분화된 접근 제어를 가능하게 한다. 특정 노드나 관계 유형에 권한을 설정하여, RAG 시스템이 사용자가 볼 수 있도록 허가된 정보만 검색하도록 보장할 수 있다.10
  • 그라운딩 및 사실 기반 안전성: LLM의 출력을 잘 관리된 사실 기반 지식 그래프에 접지시키는 것은 환각 현상을 최소화하고 AI가 생성하는 콘텐츠의 안전성과 신뢰성을 보장하는 가장 강력한 전략이다.58

6. 결론: AI의 미래는 구조화되고, 연결되고, 의미론적이다

6.1 LLM과 지식 그래프의 필연적 융합

본 보고서의 분석을 종합하면, 한 기술(LLM)의 한계는 다른 기술(지식 그래프)의 강점에 의해 완벽하게 보완된다. LLM의 접지 부족은 지식 그래프의 구조화되고 검증 가능한 지식으로 해결된다. 이러한 융합은 일시적인 유행이 아니라, 엔터프라이즈 AI의 미래를 위한 근본적인 토대다.37

6.2 미래 전망: 자율적, 지식 기반 에이전트 생태계를 향하여

다음 단계는 자율적인 AI 에이전트 생태계의 등장이다. Gartner는 2026년까지 기업용 애플리케이션의 40%가 특정 작업을 수행하는 AI 에이전트를 탑재하고, 2028년에는 이들이 협업하는 생태계로 발전할 것이라고 예측한다.59 이러한 미래의 에이전트 생태계는 여러 에이전트가 효과적으로 협력하고 복잡한 작업을 자율적으로 수행하는 데 필요한 신뢰할 수 있는 공유 컨텍스트, 즉 ’세계 모델(world model)’을 제공하기 위해 지식 그래프에 결정적으로 의존하게 될 것이다.60

Naive RAG에서 GraphRAG로의 여정은 순수한 통계적 모델에서 벗어나, 통계적 언어 능력과 기호적, 의미론적 추론을 결합하는 하이브리드 시스템으로 나아가는 AI의 더 큰 패러다임 전환의 일부다. 이 하이브리드 접근법이야말로 진정으로 견고하고 신뢰할 수 있으며 지능적인 엔터프라이즈 AI를 구축하는 가장 유망한 경로다.

7. Works cited

  1. 대규언어 모델(LLM)은 AI의 미래인가요? - MAKEBOT.AI, accessed October 28, 2025, https://www.makebot.ai/blog/daegyueoneo-model-llm-eun-aiyi-miraeingayo
  2. 1년 동안 LLM과 함께 구축하며 배운 점 - GeekNews, accessed October 28, 2025, https://news.hada.io/topic?id=15268
  3. [검색증강생성(RAG) ①] 환각현상 낮추는 RAG, AI 기반 혁신 주도한다 …, accessed October 28, 2025, https://www.datanet.co.kr/news/articleView.html?idxno=193548
  4. [생성형 AI] RAG 뜻 의미(검색 증강 생성, Retrieval-Augmented Generation), accessed October 28, 2025, https://data-scientist-jeong.tistory.com/37
  5. <지식 사전> RAG(검색 증강 생성)가 뭔가요? 실시간 검색과 AI의 똑똑한 만남, accessed October 28, 2025, https://blog.kakaocloud.com/98
  6. [그게 뭔가요] 생성AI 환각 줄이는 ‘RAG’ - 바이라인네트워크, accessed October 28, 2025, https://byline.network/2024/02/240219_003/
  7. LLM - RAG 란 무엇일까? 간단하게 이론 정리 - Tiabet 공부일지, accessed October 28, 2025, https://tiabet0929.tistory.com/44
  8. GPT는 모르면 지어낸다? RAG는 진짜 정보를 찾아온다 - VLM OCR 기술력 독보적 1위, 한국딥러닝이 증명합니다, accessed October 28, 2025, https://www.koreadeep.com/blog/rag
  9. AI의 환각 현상/오류를 줄이기 위한 방법 3가지! (& RAG) - 테크뷰 블로그, accessed October 28, 2025, https://reviewinsight.blog/2024/06/04/ai%EC%9D%98-%ED%99%98%EA%B0%81-%ED%98%84%EC%83%81-%EC%98%A4%EB%A5%98%EB%A5%BC-%EC%A4%84%EC%9D%B4%EA%B8%B0-%EC%9C%84%ED%95%9C-%EB%B0%A9%EB%B2%95-3%EA%B0%80%EC%A7%80-rag/
  10. RAG란 무엇입니까? 주목 받은 이유 및 미래 트렌드 - HBLAB, accessed October 28, 2025, https://hblabgroup.com/ko/rag%EB%9E%80-%EB%AC%B4%EC%97%87%EC%9E%85%EB%8B%88%EA%B9%8C-%EC%A3%BC%EB%AA%A9-%EB%B0%9B%EC%9D%80-%EC%9D%B4%EC%9C%A0-%EB%B0%8F-%EB%AF%B8%EB%9E%98-%ED%8A%B8%EB%A0%8C%EB%93%9C/
  11. www.elastic.co, accessed October 28, 2025, https://www.elastic.co/kr/what-is/retrieval-augmented-generation#:~:text=%EA%B2%80%EC%83%89%20%EC%A6%9D%EA%B0%95%20%EC%83%9D%EC%84%B1(RAG)%EC%9D%80,%EC%83%9D%EC%84%B1%20%EB%AA%A8%EB%8D%B8%EC%9D%84%20%EA%B2%B0%ED%95%A9%ED%95%A9%EB%8B%88%EB%8B%A4.
  12. LLM의 한계와 RAG를 사용하는 이유 - EDB 코리아 블로그, accessed October 28, 2025, https://edbkorea.com/blog/llm%EC%9D%98-%ED%95%9C%EA%B3%84%EC%99%80-rag%EB%A5%BC-%EC%82%AC%EC%9A%A9%ED%95%98%EB%8A%94-%EC%9D%B4%EC%9C%A0/
  13. 검색 증강 생성(RAG)이란? 생성형 AI의 정확도를 높이는 기술 - Red Hat, accessed October 28, 2025, https://www.redhat.com/ko/topics/ai/what-is-retrieval-augmented-generation
  14. Seven Failure Points When Engineering a Retrieval AugmentedGeneration System - 공부하는 무니 - 티스토리, accessed October 28, 2025, https://muni-dev.tistory.com/entry/Seven-Failure-Points-When-Engineering-a-Retrieval-AugmentedGeneration-System
  15. Retrieval Augmented Generation(RAG)이란? | 퓨어스토리지 - Pure Storage, accessed October 28, 2025, https://www.purestorage.com/kr/knowledge/what-is-retrieval-augmented-generation.html
  16. RAG, 검색 증강 생성이란? - NVIDIA 블로그, accessed October 28, 2025, https://blogs.nvidia.co.kr/blog/what-is-retrieval-augmented-generation/
  17. The Evolution of Retrieval-Augmented Generation (RAG) in Large Language Models: From Naive to Agentic Systems | by Vamsikd | Medium, accessed October 28, 2025, https://medium.com/@vamsikd219/the-evolution-of-retrieval-augmented-generation-rag-in-large-language-models-from-naive-to-776956336c90
  18. Modular RAG: Transforming RAG Systems into LEGO-like Reconfigurable Frameworks, accessed October 28, 2025, https://arxiv.org/html/2407.21059v1
  19. Evolution of RAGs: Naive RAG, Advanced RAG, and Modular RAG …, accessed October 28, 2025, https://www.marktechpost.com/2024/04/01/evolution-of-rags-naive-rag-advanced-rag-and-modular-rag-architectures/
  20. Naive RAG, Advanced RAG & Modular RAG - Kaggle, accessed October 28, 2025, https://www.kaggle.com/code/mustafashoukat/naive-rag-advanced-rag-modular-rag
  21. [2407.21059] Modular RAG: Transforming RAG Systems into LEGO-like Reconfigurable Frameworks - arXiv, accessed October 28, 2025, https://arxiv.org/abs/2407.21059
  22. 에이전틱 RAG란 무엇인가요? - IBM, accessed October 28, 2025, https://www.ibm.com/kr-ko/think/topics/agentic-rag
  23. RAG Tutorial: How to Build a RAG System on a Knowledge Graph - Neo4j, accessed October 28, 2025, https://neo4j.com/blog/developer/rag-tutorial/
  24. GraphRAG and Agentic Architecture: Practical Experimentation with Neo4j and NeoConverse - Graph Database & Analytics, accessed October 28, 2025, https://neo4j.com/blog/developer/graphrag-and-agentic-architecture-with-neoconverse/
  25. GraphRAG vs. Vector RAG: Side-by-side comparison guide - Meilisearch, accessed October 28, 2025, https://www.meilisearch.com/blog/graph-rag-vs-vector-rag
  26. How to Improve Multi-Hop Reasoning With Knowledge Graphs and LLMs - Neo4j, accessed October 28, 2025, https://neo4j.com/blog/genai/knowledge-graph-llm-multi-hop-reasoning/
  27. RAG vs. GraphRAG: A Systematic Evaluation and Key Insights - arXiv, accessed October 28, 2025, https://arxiv.org/html/2502.11371v1
  28. GraphRAG vs Vector RAG: Accuracy Benchmark Insights - FalkorDB, accessed October 28, 2025, https://www.falkordb.com/blog/graphrag-accuracy-diffbot-falkordb/
  29. GraphRAG + Neo4j: Smarter AI Retrieval for Structured Knowledge – My Demo Walkthrough, accessed October 28, 2025, https://www.reddit.com/r/Rag/comments/1j33mac/graphrag_neo4j_smarter_ai_retrieval_for/
  30. GraphRAG Analysis, Part 2: Graph Creation and Retrieval vs Vector Database Retrieval - Blog | MLOps Community, accessed October 28, 2025, https://home.mlops.community/public/blogs/graphrag-analysis-part-2-graph-creation-and-retrieval-vs-vector-database-retrieval
  31. ko.wikipedia.org, accessed October 28, 2025, https://ko.wikipedia.org/wiki/%EC%98%A8%ED%86%A8%EB%A1%9C%EC%A7%80#:~:text=%EC%98%A8%ED%86%A8%EB%A1%9C%EC%A7%80(Ontology)%EB%9E%80%20%EC%82%AC%EB%9E%8C%EB%93%A4%EC%9D%B4,%EC%A0%81%EC%9C%BC%EB%A1%9C%20%EC%A0%95%EC%9D%98%ED%95%9C%20%EA%B8%B0%EC%88%A0%EC%9D%B4%EB%8B%A4.
  32. Ontologies: Blueprints for Knowledge Graph Structures - FalkorDB, accessed October 28, 2025, https://www.falkordb.com/blog/understanding-ontologies-knowledge-graph-schemas/
  33. Ontology in Graph Models and Knowledge Graphs, accessed October 28, 2025, https://graph.build/resources/ontology
  34. 온톨로지 - 위키백과, 우리 모두의 백과사전, accessed October 28, 2025, https://ko.wikipedia.org/wiki/%EC%98%A8%ED%86%A8%EB%A1%9C%EC%A7%80
  35. [Ontology] 기본 개념들 - gyu-ree s devlog - 티스토리, accessed October 28, 2025, https://gyu-ree.tistory.com/m/163
  36. What is a knowledge graph ontology? - Milvus, accessed October 28, 2025, https://milvus.io/ai-quick-reference/what-is-a-knowledge-graph-ontology
  37. 지식 그래프란? | 지식 그래프(Knowledge Graph)를 소개합니다. - 알테어 블로그, accessed October 28, 2025, https://blog.altair.co.kr/an-introduction-to-knowledge-graphs/
  38. The significance of ontology in knowledge graphs | ONTOFORCE, accessed October 28, 2025, https://www.ontoforce.com/knowledge-graph/ontology
  39. Domain Ontologies: Indispensable for Knowledge Graph Construction - Aneesh Sathe, accessed October 28, 2025, https://aneeshsathe.com/2025/01/15/domain-ontologies-indispensable-for-knowledge-graph-construction/
  40. Effortless RAG With Text2CypherRetriever - Neo4j, accessed October 28, 2025, https://neo4j.com/blog/developer/effortless-rag-text2cypherretriever/
  41. Exploring Iterative Refinement for Text2Cypher | by Makbule Gulcin Ozsoy | Neo4j Developer Blog | Sep, 2025 | Medium, accessed October 28, 2025, https://medium.com/neo4j/exploring-iterative-refinement-for-text2cypher-ea99aeb28949
  42. Refining Text2Cypher on Small Language Model with Reinforcement Learning Leveraging Semantic Information - MDPI, accessed October 28, 2025, https://www.mdpi.com/2076-3417/15/15/8206
  43. Text2Cypher - GraphRAG, accessed October 28, 2025, https://graphrag.com/reference/graphrag/text2cypher/
  44. Enhancing the Accuracy of RAG Applications With Knowledge Graphs - Neo4j, accessed October 28, 2025, https://neo4j.com/blog/developer/enhance-rag-knowledge-graph/
  45. Benchmarking Vector, Graph and Hybrid Retrieval Augmented Generation (RAG) Pipelines for Open Radio Access Networks (ORAN) - arXiv, accessed October 28, 2025, https://arxiv.org/html/2507.03608v1
  46. Knowledge Graph Generation - Graph Database & Analytics - Neo4j, accessed October 28, 2025, https://neo4j.com/blog/developer/knowledge-graph-generation/
  47. Knowledge Graphs and Explainable AI in Healthcare - MDPI, accessed October 28, 2025, https://www.mdpi.com/2078-2489/13/10/459
  48. Two minutes NLP — Explainable AI with Knowledge Graphs | by Fabio Chiusano - Medium, accessed October 28, 2025, https://medium.com/nlplanet/two-minutes-nlp-explainable-ai-with-knowledge-graphs-97d8c39d876f
  49. Knowledge-graph-based explainable AI: A systematic review - PMC - NIH, accessed October 28, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11316662/
  50. Full article: Combining ChatGPT and knowledge graph for explainable machine learning-driven design: a case study - Taylor & Francis Online, accessed October 28, 2025, https://www.tandfonline.com/doi/full/10.1080/09544828.2024.2355758
  51. AI-enhanced knowledge management systems in enterprises: Transforming organizational intelligence, accessed October 28, 2025, https://journalwjarr.com/sites/default/files/fulltext_pdf/WJARR-2025-1913.pdf
  52. From data to decisions: How Enterprise AI, powered by Knowledge Graphs, is redefining business intelligence - metaphacts Blog, accessed October 28, 2025, https://blog.metaphacts.com/from-data-to-decisions-how-enterprise-ai-powered-by-knowledge-graphs-is-redefining-business-intelligence
  53. The state of AI in 2023: Generative AI’s breakout year | McKinsey, accessed October 28, 2025, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year
  54. Top Knowledge Management Trends - 2025, accessed October 28, 2025, https://enterprise-knowledge.com/top-knowledge-management-trends-2025/
  55. The 5 knowledge management trends that could impact your business in 2025 - Altuent, accessed October 28, 2025, https://altuent.com/insights/knowledge-management-trends-2025/
  56. Complimentary Gartner® Report on How to Build Knowledge Graphs for AI - Neo4j, accessed October 28, 2025, https://neo4j.com/whitepapers/gartner-how-to-build-knowledge-graphs-that-enable-ai-driven-enterprise-applications/
  57. LLM과 RAG를 이용한 앱 개발에서 보안이 중요한 이유, accessed October 28, 2025, https://www.megazonesoft.com/why-rag-and-llm-are-important-to-application-development/
  58. Enterprise AI Requires the Fusion of LLM and Knowledge Graph | Stardog, accessed October 28, 2025, https://www.stardog.com/blog/enterprise-ai-requires-the-fusion-of-llm-and-knowledge-graph/
  59. Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025, accessed October 28, 2025, https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025
  60. Gartner: semantic technologies take center stage in 2025 powering AI, metadata, and decision intelligence - Ontoforce, accessed October 28, 2025, https://www.ontoforce.com/blog/gartner-semantic-technologies-take-center-stage-in-2025