이전 글에서 나에 대한 시멘틱 웹(Semantic Web)과 웹 온톨로지(Ontology)에 대한 이해도를 기반으로 나를 분석하였고, 이전글에서 계획 한것과 같이 자원 기술 프레임워크(RDF) W3C에서 정의한 내용을 기반으로 공부한 내용에 대한 결과이다.
Table of Contents
1. 기존에 관계형데이터베이스(RDB)와 자원 기술 프레임워크(RDF)와의 차이점
기존에 우리는 관계형데이터베이스(RDB)에 관점에서 시스템을 설계하고, 이를 기반으로 정보시스템들이 구축되어있다. 하지만 여기서 다루는 자원 기술 프레임워크(RDF)는 기존의 관계형데이터베이스(RDB)와 다른 개념을 가지고 있으며, 공부하면서 느낀점은 기존의 관계형데이터베이스 관점에서 이해한다기 보단.
“다른 관점에서 이해할 필요가 있다고 생각”했고 내가 알고있는 지식에서는 자료구조론의 배열과 연결리스트 결합에 관한 개념으로 이해하니 이해하기 편했다.
기존 구조체 배열(Array of Structs)방식으로 구성되어있는 관계형 데이터베이스(RDB)형태의 단단하고 규칙적인 밀집 저장 방식보단, 방향성 그래프 방식(Directed Graph)의 연결리스트(Linked List) 형태의 데이터 연결구조를 가지고 있는 개념으로 이해를 먼저 하게 되었다.
이렇게 되면 기존에 데이터결합 및 스키마의 변경이 필요한 경우 기존 관계형 데이터베이스(RDB)는 ALTER TABLE 및 복잡한 물리적 Join 연산이 필요한데 비에 집합연산 처럼 노드를 연결하는 것만으로 그래프 병합이 쉽게 이루어 지기 때문에 데이터의 결합이 매우 유연하게 된다는 장점이 있다.
기본 데이터 모델은 2차원 테이블 구성인 관계형데이터베이스(RDB)라서 행과 열의 격자구조를 가지지만, 자원 기술 프레임워크(RDF)는 방향성 그래프 형태를 가지면서 주어(Subject), 서술어(Predicate), 목적어(Object)인 트리플들의 집합으로 구성되게 된다.
차이점을 정의하는 내용을 아래의 표와 같이 정의 할 수 있을거 같다.
| 비교 항목 | 관계형 데이터베이스 (RDB) | RDF (Resource Description Framework) |
|---|---|---|
| 기본 데이터 모델 | 2차원 테이블 (Table) – 행(Row)과 열(Column)의 격자 구조 |
방향성 그래프 (Directed Graph) – 주어(Subject), 서술어(Predicate), 목적어(Object)로 구성된 트리플(Triple)들의 집합 |
| 핵심 철학 및 비유 | 구조체 배열 (Array of Structs) – 단단하고 규칙적인 밀집 저장 |
방향성 연결 리스트 (Linked List) – 유연하고 경계 없는 관계망 확장 |
| 자원 식별 및 참조 범위 | 로컬 식별자 (Local Scope) – 단일 DB 내부에서만 유효한 PK/FK 값 참조 |
전역 식별자 (Global Scope) – 전 세계 웹에서 자원을 고유하게 정의하는 IRI 활용 |
| 식별자 없는 객체 처리 | NULL 또는 가짜 값(Dummy) 사용 – 테이블 스키마 열을 채우기 위해 강제 입력 |
공백 노드 (Blank Nodes) – 구체적 식별 이름(IRI) 없이 관계적 존재만 선언 |
| 데이터 결합 및 스키마 변경 | 매우 경직됨 – 테이블 구조 변경(ALTER TABLE) 및 복잡한 물리적 JOIN 연산 필수 |
극도로 유연함 – 집합 연산(Set Union)처럼 트리플을 더하는 것만으로 손쉽게 그래프 병합 |
| 시간의 흐름에 따른 데이터 | 동적 업데이트 (Mutable state) – 현재 상태(State)를 직접 갱신(Update)하여 보관 |
비시간성 및 단조 추가 (Append-only) – 기존 데이터를 덮어쓰지 않고, 시점과 맥락(Named Graph)을 덧붙여 변화를 기록 |
| 다중 컨텍스트 관리 | 데이터베이스 인스턴스/스키마 분할 – 스키마 단위로 물리적 분리 |
RDF 데이터셋 (RDF Datasets) – 하나의 기본 그래프와 여러 개의 명명된 그래프(Named Graphs)를 묶어서 관리 |
2. 자원 기술 프레임워크(RDF)의 철학적 분석
이 구조를 분석하면서 생각에 꼬리를 물게 된 근본적인 물음은 이것이였다.
“왜? 기존 관계형 데이터베이스(RDB)가 있는데 새로운 데이터 구조인 자원 기술 프레임워크(RDF)를 정의하고 이게 온톨로지의 데이터를 표현하는 방식이 된거지?”
이것에 대한 철학적 분석 결과는 다음과 같다.
2-1. 우리가 사는 세상 혹은 실제 세상을 관계형 데이터베이스(RDB)로 표현하는데 한계가 있다.
첫번째 결론은 이것이였다. 우리가 쓰는 WWW아키텍처를 기반으로 확장된 시멘틱 웹(Semantic Web)은 세상을 데이터로 정의하고 있으며, 사실과 정의를 웹 환경에서 건축하고 개념 보존한다.
즉, 국제화 자원 식별자(IRI : Internationalized Resource Identifier)를 절대 좌표로 삼아 세상을 정의하는 것이며, 이는 하나의 우주를 건설하는 것과 같다. 이 우주 안에서 정의된 개념을 통해 우리는 ‘불변하는 것’, ‘가변적인 것’, 그리고 ‘아직 알지 못하는 것(Unknown)’을 구분하여 정의할 수 있게 되었다.
여기서 대상을 가리키는 식별자(IRI)의 고유성과 특정 시점에 선언된 사실의 의미는 영속성을 지닌다. 하지만 지식은 고정되어 있지 않다. 따라서 기존에 선언된 사실과 식별자의 의미는 온전히 유지하되(단조성, Monotonicity), 과거를 파괴하며 덮어쓰는(UPDATE) 대신 새로운 시점과 맥락의 관계를 덧붙여 변화를 수용한다.
2차원 테이블 격자 구조를 가진 기존 RDB는 스키마 변경이 경직되어 지식의 단조 확장이 어렵고, 다중 관점(Multi-perspective)을 투영하기에는 JOIN 복잡도와 모호함이 크게 증가한다.
결국 자원 기술 프레임워크(RDF)는 사물을 위상수학적 네트워크 구조(Graph Topology) 혹은 다차원 관계형 네트워크(Multi-dimensional Network)로 표현함으로써, 하나의 대상을 다양한 관점에서 바라보고 데이터 간의 상호관계를 유연하게 확장하기 위해 필연적으로 발전한 개념이다.
2-2. 표현하자면 시멘틱 웹(Semantic Web)은 세상을 표현하는 하나의 우주이다.
철학적으로 귀결된 결론은 명확하다. 우리가 웹상에 구축하는 데이터는 결국 실세계를 정의하는 지식이며, 시맨틱 웹은 이 거대한 ‘지식의 우주’를 직조해 나가는 과정에서 기존 표현의 한계를 극복하기 위해 탄생한 개념이다.
이러한 관점에서 보면, 구글이나 네이버와 같은 검색엔진의 데이터 정책과 신뢰성 평가 기준이 끊임없이 진화하는 이유를 명쾌하게 설명할 수 있다.
검색엔진이 구축하려는 글로벌 지식 그래프(Knowledge Graph)라는 우주에 새로운 데이터가 편입되려면, 기존에 정립된 지식 체계의 정합성을 훼손하지 않으면서 유연하게 덧붙여질 수 있는 ‘검증된 사실’이어야 한다. 만약 허위 정보, 어뷰징, 모순된 데이터가 무분별하게 유입된다면 지식 우주의 논리적 완결성이 붕괴된다.
결국 검색엔진이 구조화 데이터(Schema.org, JSON-LD)를 표준으로 요구하고 신뢰도 높은 출처를 우대하는 정책은, 지식의 단조 확장이 가능한 순수한 사실만을 선별하여 자신들이 구축하는 지식 우주의 오염을 방지하고 상호운용성을 극대화하기 위한 필연적인 통제 메커니즘인 것이다.
3. 업무에 적용하기 위한 개인적인 생각
결국 자원 기술 프레임워크(RDF)의 기본 개념을 공부하면서 느낀 생각은 다중관점을 표현하기 위한 데이터적 표현 방법론이며, 이를 통한 시멘틱 웹을 구성하는 도구라는 점이다.
그렇다면, 기업이나 기관에서 고유적인 시멘틱 웹을 구축하기 위해서는 국제화 자원 식별자(IRI)과 같은 기업이나 기관의 자원 식별과 같은 절대적 좌표값을 먼저 구축 및 정의하고, 이를 기반으로 분야의 확장 혹은 자원의 단조성이 확장 될 수 있도록 기존 RDB를 전면 폐기하고 밑바닥부터 IRI를 정의하는 것은 현실적으로 불가능에 가깝다.
따라서 기존 RDB 위에 가상의 시맨틱 매핑 레이어를 얹는 방식(Semantic Lifting)을 취하면서, 느슨한 그래프와 실용적 스키마, 통계적 AI(GraphRAG)를 결합하는 것이 가장 현실적인 모델이 될 것 같다.
구체적인 구현 전략으로는 W3C 표준 매핑 언어인 R2RML / RML이나 Direct Mapping 기술을 통해 관계형 테이블을 가상의 RDF 그래프로 승격시키는 방식이 유효하다. 이를 통해 물리적 데이터 이관 비용 없이 SPARQL 쿼리 엔진 및 GraphRAG 파이프라인과 연계할 수 있다.
4. 자주 묻는 질문 (FAQ)
Q1. 기존 RDB 시스템을 RDF 기반 지식 그래프로 전환하려면 DB를 전면 재구축해야 하나요?
아닙니다. W3C 표준인 R2RML(RDB-to-RDF Mapping Language)이나 Ontop 같은 가상화 엔진을 활용해 기존 RDB 위에 시맨틱 매핑 레이어를 얹는 시맨틱 리프팅(Semantic Lifting) 방식을 적용하면 기존 DB를 그대로 유지하면서 지식 그래프로 확장할 수 있습니다.
Q2. GraphRAG에서 RDF와 온톨로지가 중요한 이유는 무엇인가요?
LLM의 단순 벡터 검색(Vector RAG)은 문맥 단편화와 환각(Hallucination)의 한계가 있습니다. RDF 기반 온톨로지를 결합하면 데이터 간의 명확한 인과관계, 계층구조, 전역 식별자(IRI)를 바탕으로 신뢰성 높은 다단계 추론(Multi-hop Reasoning)이 가능해집니다.