LLM 기반 온톨로지 구축 — 하향식과 상향식, 환각 문제

두 흐름 — 틀이 먼저인가, 텍스트가 먼저인가

2부에서 우리는 손으로 지었다 — 아홉 차시의 비용으로. LLM은 그 비용의 상당 부분을 받아 줄 수 있고, 받는 방식은 두 흐름으로 갈린다. 하향식은 사람이 설계한 스키마(최상위 분할, 관계 명세)를 주고 LLM에게 채우게 한다 — "이 교과서 장에서 '측정 과제' 클래스의 후보를 전부 추출하라"처럼. 구조의 질은 지키면서 수집·초안 비용을 줄인다. 상향식은 원문 텍스트에서 개체와 관계 트리플을 바로 추출하게 하고, 스키마는 추출물에서 사후에 띄워 올린다 — AutoSchemaKG처럼 수억 트리플 규모의 자동 구축이 이 흐름이다. 대량 처리가 강점이고, 스키마의 일관성 — 우리가 트랙 3 전체를 들여 배운 그것 — 이 약점이다.

표 1두 흐름의 비교. 실무는 혼합이 보통이다 — 상향식으로 긁어모아 후보를 만들고, 하향식 스키마로 거른다. 어느 쪽이든 마지막 열이 사라지지 않는다는 점이 이 차시의 요지다.

구조의 환각 — 문장보다 위험한 이유

6-1의 환각이 여기서는 더 교묘한 형태로 나타난다. 문장의 환각은 읽는 사람이 의심할 수 있지만, 구조의 환각은 데이터베이스 안에 들어앉아 모든 하류 질의에 조용히 복무한다. 유형별로 보면 우리가 배운 진단 도구와 정확히 짝이 맞는다. 존재하지 않는 개체·관계의 날조 — 출처 주석 요구와 원문 대조(5-6의 주석 시험을 역방향으로). 그럴듯한 범주 혼합(과정을 성향의 하위로) — 상위 온톨로지 점검(2-7)과 OntoClean(3-4). 같은 개념의 중복 생성(쟁글) — 라벨·정의 대조와 정렬(5-8). 관계 방향 착오 — 정의역·치역 공리(2-5)가 추론기에서 잡는다. 1부에서 배운 평가 장치들은 사람의 실수를 위해 만들어졌지만, LLM의 실수에 그대로 재사용된다 — 오히려 더 자주 돌리게 될 뿐이다.

역할 분담 — 무엇을 넘기고 무엇을 쥐는가

2부의 아홉 차시를 되짚으면 분담표가 나온다. LLM에 넘기기 좋은 일: 용어 후보 수집(5-2), 정의 초안(5-6), 미니 주석 시험의 보조 평정자(5-9의 AI 보조 검토), altLabel 후보, CQ의 SPARQL 번역 초안(6-7). 사람이 쥐어야 하는 일: 관점 정의(5-1 — 목적은 추출되지 않는다), 분류 축의 결정과 공리 보류 같은 이론적 판단(5-3), 공리 예산(2-5), 완료 판정(5-9). 기준은 간단하다. 되돌리기 쉬운 초안은 넘기고, 모든 것을 구속하는 결정은 쥔다. 관점 정의서가 왜 첫 산출물이었는지가 여기서 다시 확인된다 — 그것이 LLM에게 줄 지시문의 원본이기 때문이다.

판별 연습

적용: 실습 프로젝트에의 함의

다음 모듈(주의)부터는 5-2의 용어 수집과 5-6의 정의 초안에 LLM 보조를 쓸 수 있다 — 단, 이 차시의 분담표에 따라 모든 채택은 결정 로그를 거치고, verify 스크립트(5-7)를 회귀 테스트로 돌린다. 자신의 도메인으로 실습 중인 독자에게 권하는 첫 자동화도 같다: 가장 싸고 안전한 지점(후보 수집)부터, 가장 비싼 지점(설계 판단)은 마지막까지 손에.

용어 정리