#지식 그래프
20개의 포스트
데이터를 못 보면 DX 못 한다 — 데이터 구조 이해의 기술
DX 전문가 로드맵 3편 — Edgar Codd의 1970년 관계형 모델부터 2026년 AI-Ready 데이터까지. 비정형 데이터가 기업 데이터의 90%를 차지하는 지금, 데이터 구조를 이해하지 못하면 AI도, DX도, 아무 의미가 없다. 데이터 모델링 56년의 계보와 실전 인사이트를 총정리한다.
From RAG to Memory: AI에게 '기억'을 가르치다 — HippoRAG 2 논문 완전 해부
RAG는 AI에게 참고서를 주는 것이고, 기억은 AI가 직접 경험하여 아는 것이다. ICML 2025에 발표된 HippoRAG 2는 인간의 해마(hippocampus)에서 영감받아, RAG를 진정한 장기기억 시스템으로 진화시킨다. 사실 기억, 의미 추론, 연상 기억 세 가지를 동시에 달성한 이 논문을 사례와 그림으로 완전 해부한다.
Zep 논문 해부: AI 에이전트에게 '시간을 아는 기억'을 선물하다
AI 에이전트가 어제 대화를 기억하지 못한다면? Zep은 시간 인식 지식 그래프(Temporal Knowledge Graph)로 이 문제를 해결한다. 3계층 그래프 구조, 이중 시간축 모델, 동적 엣지 무효화 — MemGPT를 넘어 LongMemEval에서 18.5% 정확도 향상과 90% 레이턴시 감소를 달성한 Zep의 핵심을 완전 해부한다.
그래프 데이터베이스의 모든 것: RedisGraph의 종말에서 FalkorDB의 부상까지
관계형 DB의 한계를 넘어선 그래프 데이터베이스의 역사부터 핵심 개념, RedisGraph EOL과 FalkorDB 마이그레이션, 그리고 2026년 AI 시대의 GraphRAG까지. 풍부한 사례와 인터랙티브 시각화로 그래프 DB의 세계를 탐험합니다.
GraphRAG는 정말 효과적인가? — ICLR 2026 논문이 밝힌 9가지 진실
그래프가 RAG를 377배 비싸게 만든다면, 언제 쓸 가치가 있을까? ICLR 2026에서 발표된 GraphRAG-Bench 논문이 9개 시스템을 체계적으로 벤치마킹하여 밝혀낸 9가지 핵심 발견을 깊이 있게 분석합니다.
Mem0 + Kuzu 완전 가이드: AI에게 '기억'을 주면 대화가 달라진다
'저는 SF 영화를 좋아해요'라고 말했는데, 다음 대화에서 스릴러를 추천받은 적 있는가? LLM은 대화가 끝나면 모든 것을 잊는다. Mem0는 대화에서 사용자 취향과 관계를 자동 추출하여 그래프 DB(Kuzu)에 저장하고, 다음 대화에서 개인화된 응답을 제공한다. AI 메모리의 원리부터 실전 구현, 2026년 개인화 AI의 미래까지.
SHACL 완전 정복 — RDF 데이터의 수호자, 지식 그래프의 품질 보증인
W3C가 만든 RDF 데이터 검증 표준 SHACL. 왜 이런 게 필요했고, 어떻게 동작하며, 2026년 AI 시대에 왜 더 중요해졌을까? 풍부한 사례와 인터랙티브 시뮬레이터로 완전 정복한다.
SHACL-DS 완전 해부 — RDF '데이터셋' 검증의 새로운 지평 (ESWC 2026)
SHACL은 RDF 그래프 하나만 검증할 수 있었다. 그런데 현실의 데이터는 여러 개의 Named Graph로 나뉘어 있다. ESWC 2026에서 발표된 SHACL-DS는 이 gap을 메우는 최초의 체계적 확장이다.
Simple Event Model(SEM) 완전 해부: 세상의 모든 사건을 구조화하는 법
역사적 사건부터 해적 공격까지 — 세상의 모든 '일어난 일'을 컴퓨터가 이해할 수 있게 표현하려면 어떻게 해야 할까? 2011년 탄생한 Simple Event Model(SEM)이 그 해답이다. 왜 이 개념이 필요했고, 2026년 AI 시대에 어떤 의미를 갖는지 깊이 파헤친다.
Cognee 완전 가이드: 비정형 데이터를 자동으로 지식 그래프로 — AI에게 '기억'을 주는 법
이력서 5장을 AI에게 던지면 핵심 인재를 찾을 수 있을까? Cognee는 비정형 텍스트를 자동으로 지식 그래프로 변환하고, LLM이 구조화된 지식 위에서 추론할 수 있게 한다. 문서 → 그래프 → 검색의 전자동 파이프라인을 역사적 맥락부터 실전 구현, 2026년 AI 메모리 생태계까지 종합 특집으로 풀어본다.
Graph RAG with Milvus: 벡터 검색에 지식 그래프를 더하면 AI가 '관계'를 추론한다
'오일러의 스승의 아들이 뭘 했지?' — 단순 벡터 검색은 이 질문에 답하지 못한다. 엔티티 사이의 관계를 추적해야 하기 때문이다. Milvus 벡터 DB 위에 지식 그래프를 결합한 Graph RAG가 멀티홉 추론 문제를 어떻게 해결하는지, 역사적 맥락부터 핵심 구현, 2026년 생태계까지 종합 특집으로 풀어본다.
KET-RAG: GraphRAG의 품질을 1/10 비용으로 — KDD 2025가 주목한 다중 해상도 인덱싱
GraphRAG는 강력하지만, 5GB 법률 문서 인덱싱에 $33,000이 든다. KET-RAG는 '모든 청크에 LLM을 돌릴 필요가 없다'는 통찰로, KG 스켈레톤과 키워드 이분 그래프를 결합해 비용을 한 자릿수 이상 줄이면서 더 나은 품질을 달성한다. KDD 2025 논문을 해부한다.