2026년 9월 3주차 그래프 오마카세

에이전트 시대에서 그래프는 요즘 어디에 어떻게 활용되고 있을까?

• 그동안 오마카세에서는 GraphRAG, 에이전트 실행 구조, 그래프 기반 검색처럼 하나의 연구 주제를 비교적 깊게 들여다보는 경우가 많았습니다. 하지만 그래프 기술의 활용 범위를 조금 넓혀 보면, 새로운 모델이나 알고리즘이 아니더라도 흥미로운 사례와 질문을 곳곳에서 발견할 수 있습니다.
• 특히 최근에는 그래프를 단순한 데이터 저장 방식이나 검색 기법으로만 보기보다, 개념의 의미를 정리하고, 복잡한 데이터 흐름을 연결하고, 관계 자체를 문제 해결의 단위로 바라보는 도구​로 활용하는 사례가 다양하게 등장하고 있습니다. 이들의 공통점은 결국 개별 데이터 자체보다 데이터 사이의 의미와 관계를 어떻게 표현하고 활용할 것인가라는 질문에서 그래프를 바라본다는 점입니다.
• 이번 주 그래프 오마카세에서는 잠시 논문을 내려놓고, 최근 공개된 그래프 관련 흥미롭게 보았던 영상 세 편을 가볍게 전달해보려고 합니다. 하나의 방법론을 깊게 파고들기보다는, 서로 다른 분야에서 그래프가 어떤 역할을 맡고 있는지를 비교해보는 데 초점을 맞췄습니다.

How Semantic Layers and Ontologies Create Trusted AI

• 첫 번째 영상은 ThoughtSpot의 How Semantic Layers and Ontologies Create Trusted AI입니다. 영상 속의 연사자들은 기업에서 AI를 활용할 때 필요한 semantic layer에서 시작해 Knowledge Graph, business ontology, provenance까지 차례로 이야기합니다.
• 잘 아시다시피 온톨로지 자체는 새로운 개념과 기술이 아닙니다. 오히려 재미있는 점은 LLM이 발전하면서 온톨로지와 관련한 오랜 질문들에 관심이 많아졌고 이를 해결하는 방향이 다시 중요해졌다는 데 있습니다.
• 이와 관련해서 가장 흥미로운 질문은 다음과 같습니다.

모델이 언어를 잘 이해한다고 해서, 우리 조직에서 사용하는 언어의 의미까지 자동으로 이해할 수 있을까?

• 예를 들어 customer, active user처럼 익숙한 용어도 실제 정의는 조직이나 부서마다 다를 수 있지만 업무 경험과 문맥으로 이러한 차이를 어느 정도 보완할 수 있었습니다. 하지만 AI agent가 여러 데이터 소스를 직접 탐색하고 답을 만드는 환경에서는, 모델이 조직 내부의 정의와 규칙을 스스로 정확하게 추측할 것이라고 기대하기 어렵습니다.
• 영상에서는 이 지점을 기존 semantic layer에서 AI를 위한 context layer로 확장해야 하는 이유로 설명합니다.
• 여기서 온톨로지는 우리 조직에는 어떤 개념이 존재하고, 각각 무엇을 의미하며, 서로 어떤 관계를 갖는지를 명시하는 역할​을 하고, 지식그래프는 이러한 개념과 관계를 실제 데이터에 연결하는 구조가 됩니다.
• 중요한 것은 처음부터 거대한 온톨로지를 만드는 것이 아니라, 실제 업무에서 답해야 하는 질문과 가치가 높은 use case에서 출발해 필요한 개념과 관계를 정의하는 것입니다. 영상에서도 과도한 모델링을 피하고 business-language competency question을 중심으로 시작할 것을 강조합니다.
• 또 하나 눈에 띄는 부분은 provenance와 lineage입니다. AI가 그럴듯한 답을 생성하는 것만으로는 충분하지 않고, 그 답을 구성한 정보가 어디에서 왔고 어떤 경로를 거쳤는지 확인할 수 있어야 신뢰할 수 있다는 이야기입니다.

• 이 영상의 핵심은 결국 AI에게 더 많은 데이터를 제공하는 것과, 그 데이터가 무엇을 의미하는지 알려주는 것은 서로 다른 문제​라는 점으로 정리할 수 있겠습니다.

Lakehouse + Graph: Delta Lake, Unity Catalog and Neo4j for Governed AI Pipelines

• 두 번째 영상은 NODES AI 2026에서 발표된 Lakehouse + Graph: Delta Lake, Unity Catalog and Neo4j for Governed AI Pipelines​입니다. 이 세션은 Delta Lake와 Unity Catalog를 사용하는 기존 데이터 환경에 Graph Database를 어떻게 결합할 수 있는지를 소개합니다. 또한 Unity Catalog의 metadata와 Neo4j schema를 연결하고, RBAC, audit trail, data contract까지 함께 관리하는 구조도 소개합니다.

기존 데이터 시스템에서 어떤 관계를 그래프로 꺼내는 것이 가치가 있을까?”

• 이 영상에서 눈여겨볼 점은 Graph Database를 기존 데이터 플랫폼의 대체재로 보지 않는다는 것입니다. 오히려 Lakehouse가 데이터를 저장하고 처리하는 기반이라면, 그래프는 그 위에서 데이터 간의 연결과 맥락을 명시적으로 표현하는 보완 계층으로 배치됩니다.
• Reference architecture으로 소개하는 내용인 만큼, Lakehouse 대비 Graph Database의 우월성을 입증하는 방향이 아닌, 오히려 서로 다른 데이터 시스템이 어떤 역할을 나눠 가질 수 있는가를 보여주는 실무 사례로 보는 편이 적절하다고 제안합니다.
• 특히 AI pipeline이 복잡해질수록 데이터가 어디에서 왔는지, 어떤 변환을 거쳤는지, 무엇과 연결되어 있는지를 추적하는 문제가 중요해집니다. 이때 그래프의 강점은 데이터를 더 많이 저장하는 데 있다기보다, 이미 존재하는 데이터 사이의 관계를 first-class structure로 다룰 수 있다는 점에 있음을 설명합니다.

Multi-Agent Shared Graph Memory: Building Collective Knowledge for Agents

• 마지막 영상은 NODES AI 2026의 Multi-Agent Shared Graph Memory: Building Collective Knowledge for Agents입니다. 이번 NODES AI에서 Graph Memory & Agents가 별도 트랙으로 구성될 만큼 에이전트 메모리는 주요 주제 중 하나였는데, 이 세션에서는 여러 에이전트가 하나의 그래프 기반 메모리를 함께 읽고 업데이트하는 구조를 소개합니다.

여러 AI agent가 협업할 때, 각자가 서로 다른 기억을 가지고 있다면 어떻게 하나의 공통된 이해를 만들어갈 수 있을까?

• 꽤 흥미로운 질문이라고 생각합니다. 일반적인 에이전트 메모리는 개별 에이전트가 이전 상호작용을 다시 불러오는 형태를 먼저 떠올리기 쉽습니다. 하지만 여러 에이전트가 동시에 정보를 수집하고 판단하기 시작하면, 한 에이전트가 이미 확인한 사실을 다른 에이전트가 다시 조사하거나 서로 다른 시점에 얻은 정보가 충돌할 수 있습니다. 이런 환경에서는 각자의 기록을 따로 보관하는 것만으로는 충분하지 않을 수 있습니다.
• 이 영상에서는 이를 해결하는 방법으로 shared knowledge graph를 제시합니다. 여러 에이전트가 공통 그래프를 조회하고 새로운 정보를 추가하면서, 각자의 발견을 별도의 대화 기록으로 남기는 대신 하나의 연결된 지식 구조에 축적하는 방식입니다. 발표에서는 에이전트의 belief와 update를 그래프 상에 표현하고, 쿼리를 decision-making과 context recall에 활용하는 구조를 보여줍니다.
• 여기서 중요한 점은 단순히 여러 에이전트가 같은 저장소를 사용한다는 데 있지 않습니다. 여러 에이전트가 같은 지식을 계속 수정하기 시작하면, 서로 다른 주장이 충돌했을 때 무엇을 믿을지, 정보가 언제 변경되었는지, 누가 어떤 사실을 추가했는지​까지 메모리 차원에서 관리해야 합니다. 그래서 세션에서는 conflict resolution, versioning, provenance tracking​을 공유 메모리의 주요 구성 요소로 함께 다룹니다.
• 특히 흥미로운 부분은 그래프를 단순한 검색 대상이 아니라 지속적이고 추적 가능한 collective memory의 기반으로 바라본다는 점입니다. 즉 질문이 각 에이전트가 무엇을 기억할 것인가에서 한 단계 더 나아가, 여러 에이전트가 서로의 발견을 어떤 구조로 공유하고, 그 지식을 어떻게 함께 축적하며 다시 사용할 것인가​로 확장됩니다.

• 이번 주 오마카세로 그래프가 실제로 어떤 문제에 사용되고 있는지 온톨로지, Lakehouse, 그리고 에이전트 그래프 메모리라는 서로 다른 세 주제를 다룬 영상 세 편을 통해 가볍게 살펴봤습니다.
• 그래프는 개념의 의미를 정의하는 틀로 많이 활용되지만, 때로는 데이터 파이프라인의 의존성을 드러내는 구조가 되며 또 때로는 여러 에이전트가 함께 사용하는 기억의 기반이 되기도 하는 등 최근 트렌드에 맞게 다양한 방향으로 유연하게 활용될 수 있습니다.
• 각각 다루는 문제는 달랐지만, 이들의 공통적인 포인트는 개별 데이터보다 그 사이의 의미와 관계를 어떻게 구조화할 것인가라는 질문이었습니다. 결국 중요한 것은 지금 풀고 있는 문제에서 그래프를 어디에 써볼 수 있을까 이전에 그 관계 자체가 얼마나 중요한가를 먼저 떠올려봐도 좋을 것 같습니다.

[Contact Info]

Gmail: jhbae1184@akane.waseda.jp

Twitter (X): @jhbae1184

LinkedIn