[PLM/DX 베스트 프랙티스 컨퍼런스 2026] 발표시간에 올라온 질문에 대한 답변을 전달드립니다.
답변은 회신 온 순서대로 업로드 됩니다.
3. Next PLM의 핵심 - 온톨로지(Ontology) AI E8(이에이트) 류제형 CTO
[질문 1] R&D에서 기구/전자(회로)영역에서 Agentic AI의 가능성을 얼마나 보고 계실지요? SW코드작성/검증 등은 여러 빅테크의 플랫폼을 받아 가장 앞서나가는 분야이나, 기구/회로 영역은 답보 상태 수준으로 보입니다. 본 사항 의견 여쭙습니다.
[답변 1] (기구·회로 영역 Agentic AI 가능성)
SW가 앞서가는 건 코드가 이미 구조화된 텍스트이고 검증(컴파일·테스트)이 자동화돼 있어서입니다. 기구·회로가 답보로 보이는 건 모델 성능이 아니라, 설계도·BOM·해석·시험 데이터가 흩어져 있고 의미·관계가 구조화되지 않아 에이전트가 추론할 기반이 없기 때문입니다.
가능성도 여기에 있습니다. 기구·회로 데이터를 온톨로지로 구조화해 SSoT를 만들면 "이 부품 사양을 바꾸면 어디까지 영향받는지"를 관계 기반으로 추적하는 영역부터 에이전트가 역할을 합니다(발표의 Digital Thread·CAE 자동화).
즉 가능성이 낮은 게 아니라 데이터 인프라가 먼저 깔려야 열리는 분야이고, 검증 루프가 자동화되면 빠르게 따라올 영역으로 봅니다. 구체적 적용 단계는 메일로 주시면 이어서 답변드리겠습니다. 감사합니다.
[질문 2] Ontology AI가 기존 PLM의 데이터 모델(BOM, Part, Document, Change Management 등)과 가장 크게 다른 점은 무엇이고, 실제 현업에서는 어떤 비즈니스 가치를 창출할 수 있는지요?
[답변 2] (기존 PLM 데이터 모델과 차이·비즈니스 가치)
기존 PLM은 BOM·Part·Document를 정해진 테이블·관계로 "저장·관리"합니다. Ontology AI는 그 위에 의미·관계·맥락을 부여해 AI가 데이터를 읽고 추론할 수 있게 만듭니다. 핵심 차이는 "구조에 데이터를 맞추는 것"이 아니라 "관계를 따라 근거를 찾는 것"입니다. 현업 가치는 변경 영향도 즉시 분석, 근거 기반 의사결정, 검토 시간 단축으로 나타납니다.
[질문 3] 제조기업이 보유한 설계, 생산, 품질, 서비스 데이터가 서로 다른 시스템에 분산되어 있는 상황에서, Ontology 기반 PLM은 데이터 통합과 디지털 스레드(Digital Thread)를 어떻게 구현하는지요?
[답변 3] (분산 데이터 통합·Digital Thread 구현)
흩어진 설계·생산·품질·서비스 데이터를 파이프라인으로 수집·정제하고, 온톨로지로 의미를 입혀 단일 SSoT로 만듭니다. 이후 부품·BOM·해석·이력을 관계로 연결하면, 사양 변경이 연관 문서·공정까지 자동 전파되는 Digital Thread가 구현됩니다. 문서를 덮어쓰지 않고 관계만 연결해 출처·이력 추적이 가능합니다.
[질문 4] 생성형 AI 및 AI 에이전트와 Ontology를 결합할 경우, 단순 검색이나 RAG를 넘어 어떤 수준의 추론(Reasoning)과 의사결정 지원이 가능해지는지요?
[답변 4] (생성형 AI·Agent 결합 시 추론 수준)
RAG는 "검색해 답하는" 방식이라 데이터가 안 올라와 있으면 한계가 있습니다. 온톨로지와 결합하면 단순 검색을 넘어, 정의된 개념·관계를 따라 근거를 추적하고 규칙으로 검증하는 추론이 가능합니다. "원인이 뭐고 어떤 조치를 해야 하나"처럼 다단계 판단·영향 범위 분석·근거 기반 권고까지 지원합니다.
[질문 5] Ontology AI 기반 차세대 PLM을 구축할 때 가장 큰 기술적·조직적 장애요인은 무엇이고, 성공적인 도입을 위해 반드시 선행되어야 할 데이터 거버넌스 전략은 무엇인지요?
[답변 5] (기술적·조직적 장애요인·데이터 거버넌스)
가장 큰 장애는 기술보다 조직입니다. 데이터를 모으는 단계부터 부서 반대에 부딪히고, 부서마다 용어·기준이 다릅니다. 선행 과제는 공통 용어집과 기준 온톨로지(TBox) 확정, 출처·버전 관리 체계, 부서 간 SSoT 합의입니다. 한 번에 완성이 아니라 기본 체계를 먼저 세우고 단계적으로 확장하는 거버넌스가 핵심입니다.
[질문 6] 향후 3~5년 내 PLM 시장에서 Ontology AI가 핵심 경쟁력이 될 것으로 보시는지요?
[답변 6] (3~5년 내 핵심 경쟁력 여부)
AI·에이전트를 산업에 적용하려면 결국 데이터가 AI가 쓸 수 있는 구조로 준비돼야 하고, 그 기반이 온톨로지입니다. "제대로 된 AI는 제대로 된 데이터 위에서만 작동한다"는 게 저희 관점이고, 차세대 PLM의 핵심 경쟁력이 될 것으로 보고 있습니다.
[질문 7] AI 에이전트 도입 후 사용량과 호출량이 증가하면서 LLM 비용이 빠르게 늘어날 수 있습니다. 효과적인 비용 관리를 위해 호출 캐싱, 모델 선택 자동화, 토큰 사용량 통제 같은 전략은 어떻게 운영하면 좋을까요?
[답변 7] (LLM 비용 관리 전략)
비용은 모든 질의를 고성능 모델로 처리할 때 급증합니다. 핵심은 Orchestration이 난이도에 따라 모델을 분배하는 것입니다. 단순 조회·분류는 경량 모델, 복잡 추론만 고성능 모델로 보냅니다.
여기에 ①캐싱(반복 질의·시스템 프롬프트·KG 조회 결과 재사용) ②토큰 통제(온톨로지로 구조화돼 있어 전체 문서가 아닌 필요한 근거만 추려 입력) ③사용량 모니터링을 더합니다.
결국 데이터가 구조화돼 있어 필요한 근거만 정확히 넣는 것이 비용 절감의 출발점입니다.
[질문 8] 기존의 그래프 데이터베이스 기반 지식 그래프 방식과 비교했을 때 이에이트가 정의하는 온톨로지 AI의 의미론적 데이터 모델링은 어떤 차별화된 아키텍처적 특징을 가집니까?
[답변 8] (기존 그래프 DB 지식그래프와의 차별점)
그래프 DB는 노드·엣지를 저장·탐색하는 "저장 계층"입니다. 저희 온톨로지 AI는 그 위에 ①규칙·제약 기반 추론(클래스·속성·규칙으로 근거 검증) ②검증 게이트(규칙 위반 점검으로 환각 차단, 근거 경로 제공) ③AI Agent 결합(엔티티→관계로 근거 추적, 다단계 판단)을 더합니다.
즉 그래프를 저장·조회하는 DB가 아니라, 의미·규칙으로 검증·추론하는 SSoT 위에서 에이전트가 작동하는 구조가 차별점입니다.
[질문 9] AI 에이전트가 늘어날수록 부서별로 비슷한 기능이 중복 개발되거나, 동일 데이터를 서로 다른 방식으로 처리하는 문제가 발생할 수 있습니다. 재사용 가능한 에이전트 자산을 어떻게 관리하고 표준화해야 할까요?
[답변 9] (에이전트 자산 재사용·표준화)
중복의 근본 원인은 부서마다 데이터를 다르게 정의·처리하기 때문입니다. 표준화의 출발점은 에이전트가 아니라 공통 기반입니다. 전사 SSoT와 기준 온톨로지를 먼저 세우면 모든 에이전트가 같은 데이터·의미 위에서 작동합니다.
그 위에 조회·실행 도구와 수행 정책을 공통 자산으로 등록·재사용하고, 레지스트리로 관리하면 중복 개발을 막을 수 있습니다.
[질문 10] AI 에이전트와 사람 사이의 협업이 잘 이루어지려면 단순한 결과 제공이 아니라, 판단 과정과 한계를 자연스럽게 보여주는 사용자 경험이 필요할 것 같습니다. 신뢰를 얻기 위한 UX 설계 원칙은 무엇이 있을까요?
[답변 10] (에이전트-사람 협업을 위한 신뢰 UX 원칙)
에이전트와 사람의 협업에서 신뢰를 얻는 UX의 핵심은 답만 보여주는 것이 아니라 근거와 한계를 함께 보여주는 것입니다.
먼저 결과와 함께 어떤 데이터·관계를 따라 도출했는지 근거 경로를 보여줘 사람이 검증할 수 있게 합니다. 확신이 낮거나 근거가 부족할 때는 단정하지 않고 신뢰도와 불확실성을 함께 노출합니다. 또 리스크가 큰 결정은 자동 실행이 아니라 사람이 확인·승인하는 흐름으로 설계합니다.
즉 신뢰는 화려한 답이 아니라 추적 가능성과 검증 가능성에서 나옵니다.
[질문 11] 제조 현장의 설비 변경이나 공정 변동으로 인해 데이터의 인과관계가 실시간으로 변할 때 온톨로지 스키마를 동적으로 업데이트하고 유지보수하기 위한 자동화 알고리즘은 어떻게 작동합니까?
[답변 11] (실시간 인과관계 변화 시 온톨로지 스키마 동적 업데이트·유지보수)
먼저 구분이 필요합니다. 실시간으로 변하는 건 대부분 데이터(인스턴스)이고, 스키마(개념·관계 정의) 자체는 자주 바뀌지 않습니다. 그래서 신규 데이터가 늘어나는 것은 추가 공수 없이 자동 적재·검증으로 흡수되고, 스키마는 정말 구조가 바뀔 때만 갱신하는 구조입니다.
작동 방식은 이렇습니다. 설비·공정 변동으로 새 데이터가 들어오면 기존 스키마 기준으로 자동 적재·검증되고, 규칙 위반이나 기존 개념에 안 맞는 경우만 검출해 후보로 분리합니다. 이 후보(새 개념·관계)는 곧바로 스키마에 반영하지 않고 사람이 검토·승인한 뒤 반영합니다. 즉 완전 자동 변경이 아니라, 자동 검출 + 사람 확정의 결합입니다.
이렇게 하면 데이터는 실시간으로 따라가면서도, 스키마 무결성은 사람 통제 아래 유지됩니다.
[질문 12]온톨로지 이전에 데이터가 중요한데 기존의 문서들을 데이터화 하는 방안이 있을까요? 다양한 문서형식으로 작성된 데이터가 존재합니다.
[답변 12] (다양한 형식의 기존 문서를 데이터화하는 방안)
가능합니다. 발표에서 다룬 데이터 파이프라인이 바로 이 과정을 자동화합니다. CAD·PDF·엑셀·이미지 등 형식이 제각각이어도 단계적으로 데이터로 전환합니다.
먼저 여러 원천에서 문서를 자동 수집하고, 형식별로 파싱해 본문·표·메타데이터를 추출합니다. 이후 중복·오류를 정제하고 단위·코드·형식을 표준화한 뒤, 부품·관계·속성 후보를 뽑아 온톨로지 규칙으로 검사해 적재합니다.
초기엔 직접 업로드로 시작하지만, 안정화되면 에이전트가 신규 문서를 스스로 발견해 분류·추출·연결까지 수행합니다. 핵심은 한 번에 다 바꾸는 게 아니라, 우선순위 높은 문서부터 단계적으로 데이터화하는 것입니다.
[질문 13] 넥시스가 구축한 의미론적 온톨로지 데이터가 물리적 역학을 시뮬레이션하는 엔플로우 에이아이 엔진의 연산 속도나 정확도를 향상시키는 데 구체적으로 어떤 피드백 루프를 제공합니까?
[답변 13] (NAXiS 온톨로지 데이터가 NFLOW Ai 시뮬레이션에 제공하는 피드백 루프)
두 제품은 역할이 다릅니다. NFLOW Ai는 물리 예측을 담당하고, NAXiS는 의미·관계 기반 데이터 지능을 담당합니다. 결합 시 NAXiS의 온톨로지 데이터가 시뮬레이션의 "맥락"을 제공하는 구조입니다.
피드백 루프는 이렇게 작동합니다. NAXiS가 설계·해석·시험·이력 데이터를 관계로 구조화해두면, NFLOW Ai는 매번 처음부터가 아니라 연관된 과거 해석 결과·부분부하 성능·조건값을 근거로 받아 초기값·경계조건을 더 정확하게 설정할 수 있습니다. 반대로 시뮬레이션 결과는 다시 온톨로지에 이력으로 적재되어, 다음 예측의 근거 데이터로 축적됩니다.
즉 "구조화된 맥락 → 정확한 초기조건 → 결과 재적재 → 다음 예측 개선""의 순환입니다. 다만 구체적인 연동 방식은 적용 환경에 따라 달라져, 자세한 부분은 메일로 주시면 이어서 답변드리겠습니다.
[질문 14] 이에이트의 온톨로이 AI가 기존 보유한 Soultion 또는 Legacy 융합은 어떤식으로 진행되는지요?
[답변 14] (온톨로지 AI와 기존 솔루션·레거시 융합 방식)
기존 시스템을 걷어내고 새로 까는 방식이 아닙니다. 레거시는 그대로 두고, 그 위에 의미·관계 계층을 얹는 구조입니다.
진행 방식은 이렇습니다. 먼저 ERP·PLM·MES·엑셀 등 기존 시스템의 데이터를 레거시 어댑터로 연동해 자동 수집합니다. 이후 온톨로지로 의미를 입혀 단일 SSoT를 만들고, 그 위에서 AI 에이전트가 작동합니다. 기존 데이터를 덮어쓰지 않고 관계만 연결하므로, 출처·이력 추적이 유지되고 기존 업무에 미치는 영향이 적습니다.
즉 레거시 교체가 아니라 레거시를 살리면서 그 위에 AI가 읽을 수 있는 구조를 더하는 방식입니다. 구체적인 연동 범위는 보유 시스템에 따라 달라져, 자세한 부분은 메일로 주시면 이어서 답변드리겠습니다.
[질문 15] 물리적 법칙을 따르는 시뮬레이션 데이터와 현장의 이기종 설비에서 발생하는 정형 비정형 시계열 데이터를 온톨로지 상에서 결합할 때 발생하는 데이터 시차와 노이즈 문제는 어떻게 해결합니까?
[답변 15] (시뮬레이션 데이터와 현장 시계열 데이터 결합 시 시차·노이즈 문제)
두 데이터는 성격이 달라 그대로 합치면 시차·노이즈가 생깁니다. 그래서 온톨로지에 결합하기 전에 데이터 파이프라인의 정제·표준화 단계에서 먼저 정렬합니다.
해결은 단계별로 이뤄집니다. 수집 단계에서 이기종 설비 데이터는 스트림·배치로 시점 정보와 함께 받고, 정제 단계에서 중복·결측·오류를 제거하고 단위·형식·타임스탬프를 표준화해 시차를 보정합니다. 노이즈는 라벨링·검증 과정에서 걸러내고, 온톨로지 규칙으로 비정상값을 검출합니다. 이렇게 정렬·검증된 데이터만 관계로 연결되어 적재됩니다.
즉 온톨로지가 노이즈를 직접 거르는 게 아니라, 적재 전 파이프라인에서 시점·단위를 맞추고 규칙으로 검증한 데이터만 결합하는 구조입니다.
[질문 16] 3D 데이터 최적화 과정에서 형상 정확도와 파일 경량화 사이의 균형을 어떻게 맞추나요?
[답변 16] (3D 데이터 최적화 시 형상 정확도와 경량화의 균형)
이 부분은 이번 발표 주제(온톨로지 AI)와는 결이 조금 달라, 이 자리에서 충분히 답변드리기 어려운 점 양해 부탁드립니다.
간단히만 말씀드리면, 정확도와 경량화의 균형은 용도에 맞춰 잡는 것이 일반적입니다. 정밀 해석용은 정확도를, 실시간 가시화·운영용은 경량화를 우선하는 식입니다.
자세한 내용은 메일로 주시면 담당 부서를 통해 정확히 답변드리겠습니다."
[질문 17] 온톨로지 AI 적용 사례를 효과적으로 적용/활용하기 위해 담당자에게 필요한 특별한 전문기술, 능력 또는 업무 경험이 뭐가 있을까요? 추가로, 자동차 부품 업체에 특화하여 제시해 줄 수 있는 적용 전략이나 기대효과가 무엇이 있을지 궁금합니다.
[답변 17] (담당자에게 필요한 전문기술·능력·경험)
의외로 고급 AI 개발 역량보다 현업 도메인 이해가 더 중요합니다. 온톨로지 설계의 핵심은 ""무엇을 객체로 보고 어떻게 관계를 정의할지""인데, 이건 현장 업무·데이터 흐름을 아는 사람이 가장 잘합니다. 구체적으로는 자사 데이터·업무 프로세스에 대한 이해, 부서 간 용어·기준을 조율하는 커뮤니케이션 능력, 데이터 품질·거버넌스에 대한 감각이 핵심입니다. 기술 구현은 에이전트가 자동화하므로, 담당자는 ""무엇을 구조화할지""를 정의하는 역할이 중요합니다."
[추가 답변] (자동차 부품 업체 특화 적용 전략·기대효과)
자동차 부품은 설계·해석·BOM·품질·공급망이 긴밀히 얽혀 있어 온톨로지 효과가 큰 분야입니다. 부품 사양·BOM·공급사·인증·품질이력을 단일 온톨로지로 연결하면, "이 부품 사양을 바꾸면 어디까지 영향받는지"를 관계 기반으로 즉시 추적할 수 있습니다. 기대효과는 설계 변경 반영 시간 단축, 변경 이력 100% 추적, 리콜·품질이슈 발생 시 연관 모델·인증까지 즉시 영향도 분석입니다.
[질문 18]각 에이전트를 통해 업무 자동화 산출물에 대한 정확도와 신뢰도 관련 높이는 방안과 도메인 영역에 확장 시, 추진 방안은 어떻게 세워야 하는지요?
[답변 18] (산출물 정확도·신뢰도를 높이는 방안)
핵심은 산출물에 근거를 붙이고 검증을 거치는 것입니다. 모든 결과는 어떤 데이터·관계를 따라 도출됐는지 근거 경로를 함께 남기고, 온톨로지 규칙 검증을 거쳐 위반 시 자동 차단·재추론합니다. 또 규칙 위반은 자동 검출하되 예외만 사람이 확인하게 해 신뢰도를 유지합니다. 즉 정확도는 ""더 똑똑한 모델""이 아니라 구조화된 데이터(SSoT) + 근거 추적 + 검증 게이트에서 나옵니다.
(도메인 영역 확장 시 추진 방안)
한 번에 전 영역으로 넓히지 않고 단계적으로 확장하는 것이 핵심입니다. 먼저 효과가 명확한 영역에서 기반(SSoT·온톨로지)을 구축하고, 그 위에서 운영하며 검증한 뒤 새로운 업무가 생길 때만 일부 단계를 보강해 확장합니다. 기본 체계는 그대로 재사용되므로, 데이터가 늘어도 추가 공수가 크지 않습니다.
[질문 19] 제조 데이터의 특성상 각 기업마다 보안과 사일로 현상이 심한데 이에이트의 Next PLM을 도입하려는 기업들이 자사의 고유한 도메인 지식을 유출하지 않고 온톨로지를 학습시킬 수 있는 연합학습이나 보안 솔루션이 준비되어 있습니까?
[답변 19] (도메인 지식 유출 없이 온톨로지를 학습시키는 보안 방안)
중요한 전제부터 말씀드리면, 온톨로지 구축은 외부에 데이터를 보내 모델을 학습시키는 방식이 아닙니다. 기업 내부 데이터를 내부에서 구조화하는 작업이라, 데이터가 사외로 나가지 않는 것이 기본입니다.
보안은 환경에 맞춰 적용합니다. 폐쇄망·고보안 환경은 모델·데이터·로그·인프라가 모두 내부 통제 범위에 있는 온프레미스로 구축하고, 민감 문서는 내부 모델에서, 일반 업무는 효율적으로 처리하는 등급별 분배가 가능합니다. 특정 외부 모델 하나에 종속되지 않는 구조라 보안 요건에 맞춰 배치를 조정할 수 있습니다.
즉 고유 도메인 지식은 사외 유출 없이 내부에서 온톨로지로 구조화되며, 보안 등급에 따라 통제 범위를 설계합니다. 연합학습 등 구체적 방식은 도입 환경에 따라 달라져, 자세한 부분은 메일로 주시면 이어서 답변드리겠습니다."
[질문 20] 다양한 제조사의 설비 스펙이나 BACnet 포인트 데이터를 통합할 때, 특정 벤더에 종속되지 않는 범용적인 온톨로지 모델을 어떻게 정의하고 계신가요? 표준화된 스키마 구축 전략이 있을까요?
[답변 20] (벤더 비종속 범용 온톨로지 모델 정의·표준화 스키마 전략)
핵심은 벤더별 표기가 아니라 "기능·의미" 기준으로 개념을 정의하는 것입니다. 제조사마다 포인트명·스펙 표기가 달라도, 그것이 실제로 무엇을 의미하는지(예: 온도·유량·압력 등)를 기준 개념으로 정의하면 벤더 종속성을 끊을 수 있습니다.
먼저 공통 기준 온톨로지(개념·관계·속성)를 표준으로 세우고, 각 벤더의 설비 스펙·포인트 데이터는 매핑 규칙으로 이 기준에 연결합니다. 새로운 제조사가 들어와도 기준 스키마는 그대로 두고 매핑만 추가하면 되므로, 확장 시 추가 공수가 적습니다. 가능한 경우 국제표준(NGSI-LD 등)을 기반으로 해 상호운용성도 확보합니다.
즉 벤더별로 스키마를 새로 만드는 게 아니라, 의미 기준의 표준 온톨로지에 각 벤더를 매핑하는 구조입니다.
[질문 21] 형상 정확도를 3D 데이터 최적화를 어떻게 하는지 궁금합니다.
[답변 21] (3D 데이터 최적화 시 형상 정확도 확보 방법)
3D 형상 최적화 부분은 이번 발표 주제(온톨로지 AI)와는 결이 조금 달라, 이 자리에서 충분히 답변드리기 어려운 점 양해 부탁드립니다.
간단히만 말씀드리면, 형상 정확도는 용도에 맞는 수준을 기준으로 잡는 것이 일반적입니다. 정밀 해석용은 정확도를, 실시간 가시화·운영용은 경량화를 우선하는 식으로 목적별로 다르게 적용합니다.
[질문 22] 수많은 부품과 문서, 요구사항, 테스트 케이스가 온톨로지 그래프로 엮이게 되면 복잡한 Multi-hop Query 수행 시 심각한 성능 저하가 발생할 수 있고 특히 실시간 변경 영향도 분석을 수행할 때 추론 엔진의 부하를 줄이고 엔터프라이즈급 대규모 확장성을 확보하기 위한 그래프 파티셔닝이나 캐싱 전략은 어떻게 되는지 궁금합니다.
[답변 22] (대규모 그래프의 Multi-hop 쿼리 성능·확장성 확보 전략)
좋은 질문입니다. 핵심은 매번 전체 그래프를 탐색하지 않도록 구조와 캐싱으로 부하를 분산하는 것입니다.
먼저 영향도 분석은 무한정 전체를 도는 게 아니라, 정의된 관계·규칙을 따라 연관 범위만 추적하므로 탐색 경로가 제한됩니다. 여기에 자주 조회되는 경로·결과를 캐싱해 반복 연산을 줄이고, 도메인·영역 단위로 그래프를 분할해 변경 영향이 미치는 부분만 연산합니다. 또 LLM 추론과 그래프 조회를 분리해, 추론 엔진이 매번 무거운 탐색을 직접 하지 않도록 합니다.
즉 확장성은 ""관계 기반으로 탐색 범위를 좁히고 + 파티셔닝·캐싱으로 부하를 분산하는" 구조에서 나옵니다. 다만 구체적인 파티셔닝·캐싱 설계는 데이터 규모·쿼리 패턴에 따라 달라져, 자세한 부분은 메일로 주시면 이어서 답변드리겠습니다.
[질문 21] 이에이트 온톨로지 AI와 타 데이터 관리/처리 하는 기업(Dataiku, Datadog 등)과의 차이점/강점은 무엇인가요?
[답변 22] (Dataiku, Datadog 등 데이터 관리·처리 기업과의 차이점·강점)
결론부터 말씀드리면, 영역이 다릅니다. Dataiku는 데이터 분석·머신러닝 워크플로우, Datadog은 시스템 모니터링·관측에 강점이 있는 도구입니다. 데이터를 처리·분석·감시하는 계층이라고 볼 수 있습니다.
저희 온톨로지 AI는 그 이전 단계, 즉 흩어진 산업 데이터에 의미·관계·맥락을 부여해 AI가 읽고 추론할 수 있는 구조(SSoT)로 만드는 데 초점이 있습니다. 단순 분석이나 모니터링이 아니라, 정의된 개념·관계를 따라 근거를 추적하고 규칙으로 검증하는 추론, 그 위에서 AI 에이전트가 작동하는 것이 차별점입니다.
또 하나의 강점은 시뮬레이션·디지털 트윈부터 온톨로지·자율운영까지 산업 데이터를 이해하고 스스로 운영하는 풀스택을 제공한다는 점입니다. 즉 범용 데이터 도구가 아니라 산업 현장 특화 운영 플랫폼입니다.
[질문 23] ALM, 전기/전자, 기계는 각자 사용하는 용어와 데이터 모델이 완전히 다른데 온톨로지 AI가 이 다중 도메인을 통합할 때, 서로 다른 시스템에서 올라온 동일 단어/이의어 또는 이단어/동의어를 정렬하는 상위 레벨의 메타 온톨로지 정렬 알고리즘은 어떻게 작동하나요?
[답변 23] (다중 도메인 통합 시 동음이의어·동의어 정렬 메타 온톨로지 작동 방식)
핵심은 단어 표기가 아니라 그 용어가 어떤 맥락에서 무엇을 의미하는지를 기준으로 정렬하는 것입니다. 같은 단어라도 도메인마다 뜻이 다르고, 다른 단어라도 같은 개념일 수 있어, 표기 매칭이 아니라 의미·관계 기준으로 연결합니다.
작동은 이렇습니다. 먼저 상위 기준 온톨로지(공통 개념·관계)를 두고, 각 도메인의 용어를 사내 용어집·매핑 규칙으로 이 기준에 연결합니다. 동음이의어는 소속 도메인·관계 맥락으로 구분하고, 동의어는 같은 기준 개념에 매핑합니다. 자동 매핑으로 후보를 잡되, 모호한 경우는 바로 반영하지 않고 후보로 분리해 전문가가 확인한 뒤 확정합니다.
즉 완전 자동 정렬이 아니라, 의미·맥락 기반 자동 매핑 + 사람 검증의 결합으로 무결성을 유지합니다.
[질문 24] 스마트시티나 스마트빌딩 같은 초거대 인프라 디지털 트윈에 온톨로지 AI를 적용할 때 단일 제조 공정 대비 데이터의 복잡도가 기하급수적으로 증가하는 문제를 해결하기 위한 분산 컴퓨팅 및 스케일아웃 전략은 무엇입니까?
[답변 24] (초거대 인프라 디지털 트윈 적용 시 분산 컴퓨팅·스케일아웃 전략)
초거대 인프라는 데이터 복잡도가 급증하므로, 모든 걸 한 덩어리로 처리하지 않고 계층화·분할로 부하를 나누는 것이 핵심입니다.
먼저 공간·도메인 단위로 그래프를 분할(파티셔닝)해, 변경이나 분석이 영향을 미치는 부분만 연산합니다. 또 LLM 추론과 그래프 조회를 분리하고, 자주 쓰는 경로·결과를 캐싱해 반복 연산을 줄입니다. 발표에서 다룬 시티/빌딩 사례처럼 공간 위상 그래프와 시공간 그래프 신경망을 활용하면, 전체가 아니라 노드·구역 단위로 나눠 병렬 처리할 수 있습니다.
즉 확장성은 단일 대형 연산이 아니라, 도메인·공간 단위 분할 + 병렬 처리 + 캐싱으로 확보합니다.
발표 들어주셔서 감사합니다.
댓글로 다 담지 못한 부분이나 자사 환경에 맞는 적용 방안이 궁금하시면 아래 메일로 문의해 주세요.
이어서 답변드리겠습니다.
consulting@e8ight.co.kr
감사합니다.
