DAY 82개념·실험LLM과 지식 그래프

LLM과 KG를 잇는 세 방향

LLM과 지식 그래프를 함께 쓰는 연구는 방향이 여러 갈래입니다. Pan et al.(2023)의 로드맵으로 세 갈래를 나누고, 이 과정의 남은 회차가 어디에 속하는지 지도를 그려 봅니다.

약 20분조작형 실험 확인 퀴즈

01 / UNDERSTAND

핵심 개념

Pan et al.(2023)은 LLM과 지식 그래프(KG)의 장단점이 서로 맞물린다고 봅니다. LLM은 일반화 능력이 크지만 내부가 불투명하고 사실 지식을 정확히 꺼내지 못할 때가 있습니다. KG는 명시적 사실을 구조로 저장하지만 만들기 어렵고, 새로운 사실이나 본 적 없는 데이터를 다루는 데 약합니다. 그래서 논문은 둘을 잇는 방법을 세 가지 프레임워크로 정리합니다.

첫째, KG로 강화한 LLM(KG-enhanced LLMs)입니다. LLM의 사전 학습·추론 단계에 KG를 넣거나, LLM이 배운 지식을 해석하는 데 KG를 씁니다. 질문의 엔티티로 KG에서 사실을 꺼내 프롬프트에 근거로 넣는 방식이 대표적이며, 이 과정의 Text2Cypher(DAY 84), GraphRAG 검색(DAY 89), 팔란티어 AIP의 객체 조회(DAY 99)가 이 쪽에 가깝습니다.

둘째, LLM으로 강화한 KG(LLM-augmented KGs)입니다. KG 임베딩, 완성, 구축, 그래프→텍스트 생성, 질의응답 같은 KG 작업에 LLM을 씁니다. 텍스트에서 트리플을 추출하는 일(DAY 83)이 여기에 속합니다. Zhu et al.(2023)은 GPT-4가 KG 구축 과제에서 적정한 성능을 보였고, 추론 과제에서는 더 뛰어나 일부 경우 미세 조정한 모델을 앞섰다고 보고했습니다.

셋째, 상호 협력하는 LLM + KG(Synergized LLMs + KGs)입니다. 둘이 동등한 역할로, 데이터와 지식이 함께 이끄는 양방향 추론을 합니다. LLM이 에이전트가 되어 KG를 한 홉씩 탐색하며 다음에 따라갈 관계를 고르는 Think-on-Graph(DAY 93)가 예입니다. 다만 이 분류는 지도를 그리는 도구일 뿐이어서, 실제 시스템은 GraphRAG처럼 여러 갈래에 걸쳐 있는 경우가 많습니다.

LLM과 KG의 결합은 KG가 LLM을 돕는 방향, LLM이 KG를 돕는 방향, 둘이 함께 추론하는 방향으로 나눠 볼 수 있습니다.

02 / WORKED EXAMPLE∑

작은 예제로 따라가기

‘질문의 엔티티로 KG에서 사실 3개를 꺼내 프롬프트에 넣는다’ → KG로 강화한 LLM입니다.

‘LLM이 뉴스 문장에서 (회사, 인수했다, 회사) 트리플을 뽑아 KG에 넣는다’ → LLM으로 강화한 KG입니다.

‘LLM이 KG를 한 홉씩 탐색하며 다음에 따라갈 관계를 스스로 고르고, 찾은 경로로 답을 만든다’ → 상호 협력입니다.

03 / EXPLORE

직접 실험해 보기

세 갈래 카드를 차례로 열어 예시 기법과 관련 DAY 목록을 확인한 뒤, 사례 문제를 세 갈래 중 하나로 분류하고 틀린 사례는 해설을 읽고 다시 분류하세요.

LIVE EXPERIMENT · LLM × KG ROADMAP

LLM과 KG를 잇는 세 방향 분류하기

예시 기법

KG 검색 증강(RAG)지식 주입 사전학습KG 경로로 답 설명

이 과정의 관련 DAY

DAY 81 다중 홉DAY 89 전역·로컬 검색DAY 91 HippoRAG

분류 퀴즈 1/6

질문과 관련된 KG 트리플을 찾아 프롬프트에 넣고 답한다.

GraphRAG는 두 방향을 한 파이프라인에 쓴다: 인덱싱은 LLM → KG(구축), 질의는 KG → LLM(근거).

04 / RECALL & PRACTICE

이번에는 직접 풀어 보세요

정답을 보기 전에 계산과 이유를 적어 보세요. 해설과 비교하고 확인 표시를 남기면 완료할 수 있습니다.

문제 1

GraphRAG(DAY 86에서 배울 예정)는 인덱싱 때 LLM이 문서에서 엔티티·관계 그래프와 요약을 만들고, 질의 때 그 요약을 근거로 LLM이 답합니다. 두 단계를 Pan et al.의 세 갈래로 각각 분류하세요.

힌트 보기

단계마다 누가 누구를 돕는지 봅니다.

풀이와 비교하기

인덱싱 단계는 LLM이 그래프를 만드는 일이므로 LLM으로 강화한 KG(구축)입니다. 질의 단계는 그래프에서 나온 요약이 LLM의 답을 근거 짓는 일이므로 KG로 강화한 LLM(추론)입니다. 전체로는 두 방향이 맞물린 시스템이며, 분류는 시스템을 쪼개 이해하는 도구로 씁니다.

내 풀이를 해설과 비교하고 다른 점을 확인했어요.

풀이와 확인 표시는 이 브라우저에 저장됩니다.

YOUR NOTES

오늘 이해한 것과 다시 볼 것

계산이 달라진 이유, 헷갈린 개념, 다음에 확인할 질문을 남겨 보세요.

메모는 이 브라우저에 저장됩니다. 홈에서 전체 기록을 내려받을 수 있습니다.

05 / CHECK YOURSELF

오늘의 이해 확인

LLM이 문서에서 트리플을 추출해 지식 그래프를 채우는 작업은 Pan et al.(2023)의 어느 갈래에 속하나요?

완료 조건: 확인 퀴즈 정답 · / 직접 풀기 0/1

더 깊이 읽기

예제와 실험 데이터는 이 과정을 위해 만든 것입니다. 원문은 선택 자료이며, 강의와 직접 풀기만으로도 다음 회차를 이어갈 수 있습니다.

Unifying Large Language Models and Knowledge Graphs: A RoadmapPan et al. (2023)LLMs for Knowledge Graph Construction and ReasoningZhu et al. (2023)

이 자료는 개념 학습용입니다. 실제 데이터베이스·라이브러리·플랫폼의 동작과 설정은 제품과 버전마다 다를 수 있습니다.