AI가 자동 생성한 온톨로지는 누가 검증하나: NVIDIA Auto Ontology와 팔란티어 차이

AI가 자동 생성한 온톨로지는 누가 검증하나: NVIDIA Auto Ontology와 팔란티어 차이

LLM으로 온톨로지를 만드는 과정은 자동화됐고, 남은 일은 데이터가 맞는지와 뜻이 맞는지를 따로 검증하는 것이다

NVIDIA Auto Ontology가 LLM으로 온톨로지를 자동 생성하는 과정과 AI 에이전트가 답하는 방식을 원문으로 읽고, 팔란티어 온톨로지와의 차이와 검증에서 남는 일을 정리했다. NVIDIA Auto Ontology는 DB의 스키마·키·쿼리 기록·표본 값을 읽어 개념, 열 매핑, 관계, SQL 계산식을 LLM으로 자동 생성하고, MCP·CLI·API로 에이전트에 연결하는 오픈소스다.

글 · Fred Kim
온톨로지AI 에이전트시맨틱 레이어Text-to-SQLMCP팔란티어

NVIDIA Auto Ontology는 데이터베이스 메타데이터에서 온톨로지 초안을 LLM으로 자동 생성하지만, 사람이 정의를 인증해도 에이전트가 무엇을 검색하는지는 바뀌지 않는다(구조 문서)[2]. 온톨로지를 만드는 일은 자동화됐고, 남은 일은 데이터가 맞는지와 뜻이 맞는지를 따로 검증하는 것이다. 이 글은 그 두 검증이 어디서 갈리는지를 원문 코드와 평가 데이터로 짚는다.

근거는 NVIDIA/auto-ontology 저장소의 README와 구조 문서(2026-11-16 커밋 a630ebd), 같은 팀이 공개한 auto-ontology-eval의 평가 질문과 샘플 데이터(커밋 1b97494), 팔란티어 Foundry 공식 문서다[1][2][3][4]. 우리는 이 도구를 설치해 돌리지 않았고, 문서와 코드와 샘플 데이터를 읽었다. 저장소는 2026년 4월에 공개된 뒤 거의 매일 바뀌고 있어, 이후 동작은 달라질 수 있다. 우리는 AI 답변에 브랜드가 어떻게 오르는지 재는 제품을 만들고 있어, AI가 개념과 근거를 어떻게 연결하는지에 이해관계가 있다.

온톨로지란 무엇이고 AI 에이전트에 왜 필요한가

온톨로지는 사람들이 묻는 업무 개념과 그 뒤의 데이터를 잇는 공유 지도다. 기술 논리에서는 개념과 관계의 정의를 T-Box, 실제 개체와 사실을 A-Box로 나눈다(Wikipedia: Abox)[6]. 기업 데이터로 옮기면 T-Box는 "고객", "주문", "매출" 같은 개념과 그 관계이고, A-Box는 수많은 테이블의 행이다. 둘을 잇는 작업, 곧 어떤 테이블의 어떤 열이 어떤 개념인지 정하는 일이 온톨로지 구축의 대부분을 차지한다.

AI 에이전트에게 이 지도가 필요한 이유는 단순하다. 에이전트가 매번 테이블 이름과 열 이름을 보고 뜻을 추측하면, 같은 질문에도 실행마다 다른 조인과 다른 계산식이 나온다. Auto Ontology README는 온톨로지가 답해야 할 질문을 여섯 가지로 정리한다[1].

질문요소Auto Ontology에서
무슨 뜻인가개념(Concept)고객, 송장 품목 같은 용어와 설명, 동의어
어디에 있나매핑(Mapping)용어를 실제 테이블·열에 묶는 열 속성
무엇과 이어지나관계(Relationship)선언된 키와, 데이터로 확인한 추론 조인
어떻게 계산하나지표(Metric)용어 아래 저장한 검토된 SQL 계산식
어디서 왔나계보(Lineage)원천 테이블·열 연결, 답변마다 SQL 반환
써도 되나인증(Certification)전문가가 이름·설명·속성을 인증

표 1. 온톨로지가 답하는 여섯 질문. 출처: NVIDIA Auto Ontology README[1].

README는 온톨로지가 필요 없는 경우도 적었다. 잘 모델링된 원천 하나에 고정된 질문만 있으면 SQL을 직접 쓰는 것으로 충분하다고 한다[1]. 질문이 다양하고, 원천이 여럿이며, 원천마다 정의가 엇갈리고, 여러 팀과 에이전트가 같은 뜻을 재사용해야 할 때 온톨로지의 값이 커진다.

LLM으로 온톨로지를 자동 생성하는 방법

Auto Ontology는 SQL로 사실을 모으고, LLM으로 뜻을 쓰고, 다시 SQL로 확인하는 순서로 초안을 만든다. 구조 문서는 단계마다 모델을 부르는지, 규칙과 SQL로 처리하는지를 표시해 두었다[2].

[원천 DB] 스키마·키·뷰·쿼리 기록
    │  SQL 추출 → (선택) PII 태깅 → 테이블·열 임베딩
    ▼
[테이블별] 표본 1,000행 · 고유값 비율 · 날짜 형식      ← SQL·규칙
    │  외래키 후보·연결 테이블 판단, 열 설명, 용어 이름  ← LLM
    ▼
[테이블 간] 같은 스키마 사본을 용어 가족으로 묶음        ← 규칙
    │  외래키를 용어에 연결 → 두 열을 실제 조인해 행이 나와야 저장  ← 임베딩+LLM+SQL
    │  쿼리 기록에서 SQL 계산식 제안, 열 속성 설명      ← LLM
    ▼
[출력] Postgres + pgvector, Ossie YAML 내보내기
    │
    ▼
[인증] 실제 질문으로 시험 → 사람이 고치고 인증

테이블별 단계는 최대 1,000행을 뽑아 값의 95% 이상이 서로 다르면 고유 열로 표시하고, 그 위에서 LLM이 외래키 후보와 열 설명과 용어 이름을 쓴다(구조 문서 Per-table pass)[2]. 테이블 간 단계에서 눈여겨볼 규칙은 추론된 관계의 저장 조건이다. LLM이 고른 연결도 두 열을 실제로 조인해 행이 하나라도 나와야 저장한다. 쿼리 기록에서 SQL 계산식을 제안하는 단계는 용어마다 최대 10개 식을 쓰는데, 사용량 순위가 아직 꺼져 있어 가장 많이 쓴 식이 아닌 처음 찾은 10개라고 문서가 밝힌다[2].

모델은 기본값이 NVIDIA Nemotron 계열이지만 OpenAI 호환 엔드포인트로 바꿀 수 있고, PostgreSQL·Snowflake·Databricks를 포함한 10개 엔진에 연결된다[1]. 결과는 Apache Ossie YAML로 가져오고 내보낼 수 있어, 다른 시맨틱 모델 도구와 정의를 주고받는 경로도 열려 있다.

AI 에이전트는 온톨로지로 어떻게 답하나

답변은 추론 모델이 도구를 하나씩 골라 부르는 반복 루프다. 모델은 스키마 없이 시작해 retrieve로 시맨틱 레이어에서 용어·열·계산식·조인 경로를 찾고, run_sql로 값을 확인하고, submit으로 최종 쿼리를 낸다(구조 문서 Answer a question)[2]. 질문 하나에 도구 호출은 기본 24회, SQL 실행은 10회까지다.

LLM이 고르는 루프지만 실행 직전의 검사는 결정적이다. run_sql과 submit은 쿼리 속 테이블·열 이름을 카탈로그와 대조해 없는 이름을 거부하고, retrieve 결과에 나오지 않은 테이블을 쓰면 막는다[2]. 별도의 SQL 판정 모델은 없다. 예산 안에 통과한 쿼리가 없으면 답 대신 "이 데이터로는 답할 수 없다"를 돌려준다.

MCP로 연결한 에이전트에는 check_answerable이 하나 더 있다. 질문 속 개체 중 온톨로지에 대응 후보가 있는 비율을 점수로 내고, README 예시에서는 광고 지출 데이터가 없는 질문에 0.5를 받아 에이전트가 되묻는다[1]. 답을 지어내는 대신 모른다고 말하는 경로를 설계에 넣었다는 점이 이 도구의 실용적인 부분이다. 다만 채팅 화면의 답변 에이전트는 이 검사를 부르지 않고, 문서에 따르면 되묻지도 않는다[2].

AI가 만든 온톨로지는 어떻게 검증하나

검증은 데이터 차원과 뜻 차원으로 나뉘고, Auto Ontology가 자동으로 하는 것은 앞쪽이다. 조인해서 행이 나오는지, 이름이 카탈로그에 있는지, 쿼리가 오류 없이 도는지는 기계가 확인한다. 이 연결이 질문한 사람이 뜻한 것인지는 데이터만으로 확인되지 않는다.

README의 첫 예시가 이 차이를 보여 준다. "2015년 6월 펜실베이니아에서 스시롤 USB의 매출"에 에이전트는 송장 품목의 extendedprice를 더하고, 고객의 배송 도시를 거쳐 주를 찾았다(README Quickstart)[1]. 쿼리는 맞게 돌았고 답은 588.80달러였다. 그런데 같은 저장소의 평가용 스키마를 보면 고객 테이블에는 배송 도시(DeliveryCityID) 말고도 우편 도시(PostalCityID)와 청구 고객(BillToCustomerID) 열이 따로 있다(auto-ontology-eval DDL)[3]. 우리가 샘플 데이터의 송장 품목 5,000행을 대조해 보니 extendedprice는 모든 행에서 수량×단가에 세액을 더한 값과 같았다. 이 예시의 "매출"은 세금 포함, 배송지 기준 매출이다.

평가 데이터도 같은 지점을 짚는다. 41개 질문 중 "주문 평균 금액" 질문의 정답 SQL은 세금을 뺀 수량×단가로 계산하고, "배송 지연이 큰 도시" 질문에는 "배송 도시 ID를 써서 질문 의도와 다를 수 있다"는 주석이 달려 있다(auto-ontology-eval)[3]. 같은 프로젝트 안에서도 금액과 지역의 정의가 질문마다 달라진다. 이것이 사람이 인증해야 하는 대상이다.

검증 층Auto Ontology가 자동으로 하는 것사람에게 남는 것
존재카탈로그 대조, 없는 테이블·열 거부없음
연결추론 조인을 실제 조인해 행이 나와야 저장여러 경로 중 업무상 맞는 조인 선택
계산쿼리 기록에서 SQL 계산식 제안세금·할인·환불 포함 여부 같은 지표 정의
뜻LLM이 열 설명과 용어 이름 작성지역·고객·기간 같은 개념의 기준 결정
효력인증 표시 저장인증되지 않은 정의를 답변에 쓸지 결정

표 2. 온톨로지 검증의 층과 남는 일. 출처: 구조 문서와 평가 데이터를 우리가 정리[2][3].

마지막 줄이 가장 중요하다. 구조 문서는 인증이 화면과 검색 결과에 "검토됨"으로 표시될 뿐 에이전트의 검색 방식은 바꾸지 않는다고 적는다(구조 문서 Output and certification)[2]. 우리가 저장소의 답변 검색 코드(auto_ontology/retrieval)를 찾아봐도 인증 필드를 읽는 곳은 없었다. 사람이 고친 용어와 설명은 다음 컴파일에도 유지되지만, 조인에 쓸 외래키 선택만은 컴파일마다 다시 고르기 때문에 사람이 끈 연결이 유지되지 않는다는 예외도 문서에 있다. 인증 전 초안과 인증된 정의가 같은 무게로 답변에 들어가는 구조다.

우리는 회사 사실을 관리할 때 반대쪽을 택했다. 사람 확인 기록이 없는 숫자는 조회 단계에서 "외부 사용 불가"로 판정해, 글에 들어가지 못하게 막는다. 어느 쪽이 맞는지는 쓰임새에 달렸다. 탐색용 분석이라면 초안을 바로 쓰는 편이 빠르고, 보고서나 고객 응대처럼 숫자가 밖으로 나가는 곳이라면 인증을 표시가 아닌 관문으로 두는 편이 안전하다.

NVIDIA Auto Ontology와 팔란티어 온톨로지 차이

Auto Ontology는 데이터를 읽는 경로를, 팔란티어 온톨로지는 읽기와 함께 데이터를 바꾸는 경로까지 정의한다. 팔란티어 문서는 온톨로지를 객체·속성·링크로 된 의미 요소와 액션·함수·동적 보안으로 된 동적 요소의 합으로 설명한다(Palantir Ontology Overview)[4]. 액션은 하나 이상의 객체를 바꾸는 하나의 트랜잭션이고, 액션 타입은 입력 양식, 누가 실행할 수 있는지에 대한 검증, 알림 같은 부수 효과까지 함께 정의한다(Palantir Action types)[5]. 문서의 예시는 인사 담당자만 실행할 수 있는 "직원 배치" 액션이다.

비교 항목NVIDIA Auto Ontology팔란티어 Foundry 온톨로지
출발점기존 DB 메타데이터에서 초안 자동 생성데이터 원천을 객체·속성·링크로 매핑
중심 질문이 질문을 어떤 SQL로 답하나이 결정을 어떤 변경으로 실행하나
에이전트 접점MCP 9개 도구, 모두 읽기 전용같은 액션 로직을 모든 사용자 앱에서 호출
쓰기사람이 온톨로지 정의를 고침액션이 권한·검증 규칙 아래 객체를 바꿈
사람의 승인인증 표시, 검색에는 영향 없음액션 실행 권한과 제출 조건
이식성오픈소스(Apache 2.0), Ossie YAML플랫폼 안에서 운영

표 3. 두 온톨로지의 범위 비교. 출처: Auto Ontology README·구조 문서·Palantir 문서[1][2][4][5].

두 도구는 경쟁 관계보다 층이 다르다고 보는 편이 정확하다. Auto Ontology는 온톨로지를 만드는 비용을 낮추는 쪽이고, 팔란티어는 만든 온톨로지 위에서 업무를 운영하는 쪽이다. 자동 생성된 정의를 그대로 쓰기 경로에 연결하면, 뜻 검증이 안 된 정의가 실제 변경을 일으키게 된다. 그래서 읽기 경로에서 쓰기 경로로 넘어가는 지점에 사람의 인증이 관문으로 서야 한다.

온톨로지 자동 생성이 AI 검색과 브랜드에 주는 시사점

AI 검색 엔진도 브랜드에 대해 같은 문제를 푼다. 사용자는 "민감성 피부에 순한 선크림"처럼 업무 언어로 묻고, 엔진은 흩어진 웹 문서에서 그 질문에 맞는 개념과 근거를 찾아 브랜드에 잇는다. 기업 DB에서 원천마다 매출 정의가 엇갈리듯, 웹에서는 브랜드 공식 사이트와 쇼핑몰과 리뷰가 가격·성분·인증 정보를 서로 다르게 적는다.

Auto Ontology가 보여 준 순서는 브랜드 쪽에도 그대로 옮겨진다. 먼저 사실이 존재하고 서로 연결되는지 기계로 확인하고, 그다음 그 연결이 질문한 사람의 뜻과 맞는지를 사람이 정한다. 브랜드 엔티티 SEO 글에서 다룬 일관된 엔티티 정보가 앞 단계라면, 가짜 브랜드 실험이 보여 준 엔티티 일관성은 연결이 어긋났을 때 AI가 무엇을 믿는지를 보여 준다. 에이전트가 쓰는 지식베이스에 출처와 확인 여부를 적는 형식은 Open Knowledge Format 글에서, MCP로 도구를 에이전트에 붙이는 방식은 MCP 글에서 다뤘다.

한계

이 글은 문서와 코드와 샘플 데이터를 읽은 결과이고, 우리가 Auto Ontology를 직접 설치해 답변 품질을 재지 않았다. README 상단의 BEAVER 1위, BIRD-Interact 2위 표시는 저장소가 스스로 단 배지이고, 우리는 각 리더보드의 조건과 순위를 따로 확인하지 않았다[1]. 예시와 평가는 영어 열 이름과 미국 표본 데이터인 Wide World Importers 기준이라, 한국어 열 이름과 약어 투성이 레거시 테이블과 한국어 질문에서 같은 품질이 나오는지는 알 수 없다. 예측 기능을 켜면 연결된 테이블을 외부 KumoRFM 서비스로 올린다고 README가 밝히고 있어, 도입 전 데이터 반출 검토가 따로 필요하다[1]. 저장소가 거의 매일 바뀌므로, 인증의 효력처럼 이 글이 짚은 동작은 위에 적은 커밋 기준이다.

자주 묻는 질문

온톨로지와 데이터베이스 스키마는 무엇이 다른가?

스키마는 테이블과 열이 어떻게 저장되는지를 정하고, 온톨로지는 그 열이 업무에서 무엇을 뜻하는지를 정한다. 같은 sales.customers 테이블이라도 '고객의 지역'이 배송지인지 우편 주소인지는 스키마에 적혀 있지 않다. 온톨로지는 이런 결정을 개념·관계·계산식으로 적어 두고, 사람과 에이전트가 같은 뜻으로 데이터를 읽게 한다.

Auto Ontology를 쓰면 데이터 엔지니어가 필요 없어지나?

초안 작성은 줄지만 결정은 남는다. 이 도구는 테이블 표본을 뽑고 LLM으로 설명·용어·관계를 쓰지만, 매출에 세금을 넣을지, 지역을 배송지로 볼지 같은 업무 정의는 데이터만 보고 정할 수 없다. 사람의 일이 정의를 처음부터 쓰는 것에서 생성된 정의를 질문으로 시험하고 인증하는 것으로 옮겨 간다.

한국 기업 데이터에도 바로 쓸 수 있나?

원문 예시는 모두 영어 열 이름과 미국 표본 데이터다. 한국어 열 이름, 약어로 된 레거시 열, 한국어 질문에서 같은 품질이 나오는지는 공개 자료로 확인되지 않았다. 도입 전에 실제 질문 수십 개로 초안을 시험하는 단계를 따로 잡는 편이 안전하다.

참고자료

  1. [1]NVIDIA, "Auto Ontology" README, GitHub, 커밋 a630ebd(2026-11-16) 기준
  2. [2]NVIDIA, "Auto-Ontology architecture", docs/architecture.md, 커밋 a630ebd 기준
  3. [3]NVIDIA, "auto-ontology-eval" (Wide World Importers 평가 질문·샘플 데이터), 커밋 1b97494 기준
  4. [4]Palantir, "Ontology: Overview", Foundry 문서
  5. [5]Palantir, "Action types: Overview", Foundry 문서
  6. [6]Wikipedia, "Abox" (기술 논리의 TBox·ABox 구분)

요약

  • NVIDIA Auto Ontology는 DB의 스키마·키·쿼리 기록·표본 값을 읽어 개념, 열 매핑, 관계, SQL 계산식을 LLM으로 자동 생성하고, MCP·CLI·API로 에이전트에 연결하는 오픈소스다.
  • 추론된 관계는 두 열을 실제로 조인해 행이 나올 때만 저장하고, 답변 에이전트는 카탈로그에 없는 이름과 검색에서 보지 못한 테이블을 거부한다. 데이터 차원의 검증은 촘촘하다.
  • 뜻의 검증은 사람에게 남는다. README 예시의 '펜실베이니아 매출'은 세금 포함 금액을 배송지 기준으로 더했는데, 고객 테이블에는 우편 주소와 청구 고객 열도 따로 있다.
  • 사람의 인증은 화면과 검색 결과의 표시로만 쓰이고 에이전트의 검색 방식은 바꾸지 않는다. 인증 전 초안도 같은 무게로 답변에 쓰인다.
  • 팔란티어 온톨로지는 개념과 관계에 더해 권한과 검증 규칙이 걸린 액션으로 데이터를 바꾸는 쓰기 경로까지 정의한다. Auto Ontology의 MCP 도구는 읽기 전용이다.

이 글의 주제를 우리 브랜드로 확인해 보세요

고객의 한국어 질문에 ChatGPT·Perplexity가 어떻게 답하는지 측정하고 빠진 자리를 찾아 고치는 TRAIL Search가 이 글의 내용을 진단으로 이어 줍니다. 카드 없이 질문 10개로 시작합니다.

다른 글

같은 주제로 이어 읽기

이 글은 Trend 카테고리에 속해요. 같은 카테고리 글 15편을 한자리에서 볼 수 있어요. Trend 카테고리 글 전체 보기