지식 (Knowledge)
지식(Knowledge)이란 가공되지 않은 데이터를 목적과 맥락에 맞게 구조화하여 "정보를 보다 체계화하고 개념화한 것"이며, 컴퓨터가 지능적으로 문제를 해결하고 올바른 판단을 내리는 데 필요한 사실(Facts), 믿음(Beliefs), 규칙(Rules), 절차, 개념 및 그들 간의 관계(Relationships)의 총체입니다. 1980년대 전문가 시스템의 핵심 두뇌였던 지식은, 현대에 이르러 LLM의 치명적 한계인 환각(Hallucination)을 방지하고 최신 전문성을 부여하는 지식베이스(Knowledge Base), RAG(검색증강생성), 지식 그래프(GraphRAG)의 핵심 닻(Anchor)으로 다시금 결정적 중요성을 지니고 있습니다.
문서 내 바로가기 목차 (Table of Contents)
1. Knowledge(지식)의 다차원적 정의와 DIKW 피라미드
지식이란 마치 "사랑이 무엇인가"라고 물을 때 여러 가지 차원과 수준에서 답할 수 있듯이 다양한 각도에서 정의될 수 있습니다. 일반적으로 지식은 데이터(Data), 정보(Information), 사실(Facts)들과 혼용되기도 하지만, 정보과학과 인공지능에서는 명확한 위계적 구분을 둡니다. 지식이란 바로 "정보를 보다 체계화하고 개념화한 것"입니다.
여기서 개념화(Conceptualization)란, 정보를 목적에 맞게 구조화함으로써 사람이나 컴퓨터로 하여금 보다 쉽게 활용하고 이해할 수 있도록 하는 것을 말합니다. 컴퓨터과학적 관점에서 지식을 정의하면 다음과 같습니다:
지식은 경험 또는 학습(후천적, a posteriori), 또는 자기성찰(선천적, a priori)을 통해 얻은 사실, 진리, 정보에 대한 자각(awareness)과 깊은 이해(understanding)입니다. "지식은 고립되어서는 가치가 없는 것으로, 상호 연결된 상세한 것을 소유한 것에 대한 인식(appreciation of the possession of interconnected details)"입니다.
고대 그리스 철학자 플라톤(Plato)은 그의 대화편 테아이테토스(Theaetetus)에서 지식을 '정당화된 참된 믿음(Justified True Belief, JTB)'으로 정의했습니다. 단순한 정보는 사실의 나열일 수 있지만, 지식은 특정한 목적이나 용도, 즉 지향성(Intentionality)을 가진 체계입니다. 철학자 루트비히 비트겐슈타인(Ludwig Wittgenstein)은 그의 명저 확실성에 관하여(On Certainty)에서 지식과 확실성이 인간의 실제 행동과 삶의 맥락 속에서 어떻게 형성되는지를 규명했습니다.
DIKW 지식 위계 피라미드 (Data → Information → Knowledge → Wisdom)
데이터 (Data)
가공되지 않은 순수한 사실, 수치, 기호의 나열 (예: "38.5")
정보 (Information)
데이터에 맥락과 의미를 부여한 상태 (예: "환자의 체온이 38.5도이다")
지식 (Knowledge)
정보를 체계화하여 행동 지침과 인과 관계를 도출 (예: "고열은 급성 감염증의 징후이므로 항생제 투여 검토 필요")
지혜 (Wisdom)
가치 판단과 윤리, 장기적 통찰을 바탕으로 최선의 선택 실행 (예: "환자의 기저질환과 부작용을 종합 고려하여 최적 처방 결정")
2. 지식의 분류 체계 (명제지, 절차지, 암묵지, 상식 등)
인공지능에서 문제를 해결하기 위해 시스템이 다루어야 하는 지식은 그 성격과 용도에 따라 다양한 범주로 분류됩니다.
명제적 지식 (Declarative Knowledge)
"~라는 사실을 아는 것(Knowing That)"입니다. 개념, 사실, 공리, 정적인 서술형 정보로 구성되며 참과 거짓을 판별할 수 있습니다. (예: "지구는 태양 주위를 공전한다", "서울은 대한민국의 수도이다")
절차적 지식 (Procedural Knowledge)
"~하는 방법을 아는 것(Knowing How)"입니다. 특정 목표를 달성하기 위한 구체적인 단계, 알고리즘, 행동 절차입니다. (예: "자전거를 타는 방법", "정렬 알고리즘 수행 단계", "외과 수술 절차")
암묵지 vs 명시지 (Tacit vs Explicit)
명시지(Explicit): 책, 문서, 규칙으로 언어화된 객관적 지식.
암묵지(Tacit): 마이클 폴라니가 밝힌 것으로, 오랜 경험과 직관에 체화되어 언어나 공식으로 쉽게 표현할 수 없는 내재적 지식입니다.
휴리스틱 지식 (Heuristic Knowledge)
수학적으로 100% 보증되지는 않지만, 해당 분야 전문가가 오랜 시행착오를 통해 체득하여 복잡한 탐색 공간을 극적으로 줄여주는 경험칙(Rule of Thumb)입니다.
상식 지식 (Commonsense Knowledge)
인간이라면 누구나 공유하는 세상의 물리적·사회적 기본 원리입니다. (예: "물은 높은 곳에서 낮은 곳으로 흐른다", "사람은 죽으면 되살아나지 못한다"). 고전 AI가 가장 결여했던 기반입니다.
메타 지식 (Meta-Knowledge)
"지식에 관한 지식(Knowledge about Knowledge)"입니다. 내가 무엇을 알고 무엇을 모르는지에 대한 지식, 특정 지식의 신뢰도와 유효 기간, 어떤 상황에서 어떤 규칙을 우선 적용해야 하는지를 다룹니다.
3. 지식의 획득(Acquisition)과 표현(Representation)
"지식과 추론 기능이 합쳐져서 지능형 시스템이 만들어진다." 획득된 지식을 어떻게 효율적이면서 효과적으로 컴퓨터에 저장·표현하는가는 인공지능의 성능과 직결됩니다.
지식 획득 (Knowledge Acquisition)
지식 획득이란 인간 전문가, 문서, 센서, 데이터베이스 등 다양한 원천으로부터 지식을 추출하여 컴퓨터가 다룰 수 있는 형태로 변환하는 과정입니다.
- 전통적 방식: 지식공학자(Knowledge Engineer)가 전문가와의 심층 인터뷰를 거쳐 수작업으로 규칙을 추출 (파이겐바움의 '지식 획득의 병목' 발생).
- 현대적 방식: 기계학습, 텍스트 마이닝, 웹 코퍼스 대규모 크롤링을 통해 데이터로부터 지식을 자동 학습 및 지식 그래프(Knowledge Graph) 자동 생성.
지식 표현 (Knowledge Representation)
추출된 지식을 컴퓨터가 연역, 귀납, 탐색할 수 있도록 정형화하는 컴퓨터 표현 체계입니다.
- 논리(Logic): 명제 논리 및 1차 술어 논리(First-Order Logic)로 엄밀한 참/거짓 연역.
- 프로덕션 규칙(Rules): IF <조건> THEN <행동/결론> 형태의 선언적 규칙.
- 의미망(Semantic Networks) & 프레임(Frames): 노드와 링크를 이용한 개념의 상속(IS-A, HAS-A) 표현.
- 온톨로지(Ontology) & 지식 그래프: 개체(Entity)와 관계(Relation)를 트리플(Subject-Predicate-Object) 형태로 구조화한 시맨틱 웹 표준(RDF, OWL).
4. 최신 LLM에서 '지식베이스(Knowledge Base)' 등 지식이 결정적으로 중요한 이유
거대언어모델(LLM)이 수천억 개의 파라미터를 갖추었음에도 불구하고, 왜 현대 기업과 실세계 AI 시스템은 외부 지식베이스(Knowledge Base)와 지식 그래프를 필사적으로 결합하고 있는가?
LLM 파라미터 지식 vs 외부 지식베이스(RAG / GraphRAG) 융합 아키텍처
- 특징: 사전학습 시 가중치에 통계적으로 압축 내재화된 지식
- 장점: 유창한 언어 구사, 폭넓은 상식, 빠른 문맥 유추 능력
- 결정적 결함:
- 학습 시점 단절(Cutoff): 이후의 최신 정보와 실시간 변화를 알지 못함
- 통계적 환각(Hallucination): 없는 사실을 그럴듯하게 날조
- 지식 편집의 불가능성: 틀린 사실 하나를 가중치에서만 골라 지우거나 수정하기 극도로 어려움
- 특징: 검증된 문서, 사내 데이터, 지식 그래프를 외부 저장소에 보관
- 장점 및 시너지:
- 실시간 최신성: 모델 재학습 없이 데이터베이스 업데이트만으로 즉시 반영
- 환각 차단(Grounding): 답변의 출처 문서(Citations)를 명확히 제시
- 기업 보안 및 접근 권한(ACL): 사용자 권한에 따른 안전한 지식 격리
- 설명 가능성(Explainability): 지식 그래프의 엔티티 관계 경로 역추적 가능
1) 환각(Hallucination) 방지의 절대적 닻(Fact-Grounded Anchor)
LLM은 본질적으로 사실의 진위를 판별하는 기계가 아니라, 주어진 문맥 뒤에 올 가장 그럴듯한 단어를 통계적으로 생성하는 확률 엔진입니다. 따라서 모델 단독으로는 고도의 전문적·법률적·의료적 사실에 대해 치명적인 거짓 정보(환각)를 유창하게 만들어냅니다. 검증된 지식베이스(Knowledge Base)를 프롬프트에 주입하는 RAG 기법은 모델에게 '오픈북 시험' 환경을 제공하여 환각을 원천적으로 차단합니다.
2) 지식 편집(Knowledge Editing)과 실시간 최신성 확보
세계는 매 순간 변화하며 새로운 법률, 신제품 사양, 회사의 내규가 끊임없이 갱신됩니다. 수천억 개의 파라미터를 가진 LLM을 매일 재학습(Retraining)시키는 것은 천문학적인 비용과 파국적 망각(Catastrophic Forgetting)을 초래합니다. 지식을 외부 지식베이스에 독립적으로 보관하면, 수 초 만에 데이터베이스를 수정하여 모델이 항상 최신 지식을 참조하도록 만들 수 있습니다.
3) 기업 도메인 지식의 보안과 데이터 주권(Data Sovereignty)
기업의 핵심 경쟁력은 독점적인 비공개 지식(고객 정보, 소스 코드, 재무 데이터)에 있습니다. 이를 퍼블릭 LLM에 학습시키면 데이터 유출의 위험이 따릅니다. 기업 내부의 안전한 지식베이스에 벡터 DB 및 지식 그래프를 구축하고, 질문이 들어왔을 때 사용자의 열람 권한(ACL)에 맞는 지식 청크만 실시간으로 추출하여 LLM에 전달함으로써 철저한 보안과 거버넌스를 달성합니다.
4) 신경기호(Neuro-Symbolic) AI와 지식 그래프(GraphRAG)의 도약
단순한 텍스트 임베딩 벡터 검색은 문서의 단편적인 조각만 찾아낼 뿐 복잡한 엔티티 간의 다단계 관계(Multi-hop Reasoning)를 이해하지 못합니다. 과거 전문가 시스템이 발전시켜 온 온톨로지와 지식 그래프(Knowledge Graph)를 LLM과 결합한 GraphRAG는 엔티티 간의 구조적 인과 관계를 추적하여, 고차원적 복합 의사결정에서 완벽한 설명 가능성과 논리적 무결성을 동시에 보장합니다.
지식 그래프와 LLM 외부 지식베이스 명강의
컴퓨터가 지식을 구조화하여 이해하는 지식 그래프의 원리와, 외부 지식베이스를 LLM에 연결하는 RAG의 핵심 개념을 엄선된 명강의로 학습할 수 있습니다.
Knowledge Graphs : Computerphile
Prof. Elena Simperl • King's College London
개체와 관계를 구조화된 그래프 형태로 표현하여 컴퓨터가 복잡한 지식의 의미와 맥락을 정확하게 파악하도록 돕는 지식 그래프의 핵심 아키텍처를 해설합니다.
What is Retrieval-Augmented Generation (RAG)?
IBM Technology • Knowledge Base Integration with LLMs
LLM의 정적 가중치 한계를 극복하기 위해 외부 지식베이스와 벡터 데이터베이스를 실시간으로 연결하여 환각을 없애고 최신성을 부여하는 RAG의 원리를 명쾌하게 설명합니다.
개척자들의 통찰 및 고전 연구 문헌
지식과 전문가시스템의 성능 직결성 : 이재규 교수 (1996)
"지식과 추론기능이 합쳐져서 전문가시스템이 만들어진다고 할 만큼 지식이란 전문가시스템의 가장 중요한 요소이며, 획득된 지식을 어떻게 효율적이면서 효과적으로 표현ㆍ저장하는가 하는 것은 바로 전문가시스템의 성능과 직결되는 문제이다. 전문가시스템에서의 지식은 그저 저장되어 있는 것이 아닌 해결하고자 하는 목적을 이루도록 사용될 수 있어야 한다. 따라서 지식을 이용하여 원하는 바 목적을 이루기 위한 성과를 올릴 수 있어야 한다."
"지식은 힘이다 (Knowledge Is Power)" : Edward Feigenbaum & Pamela McCorduck
인공지능의 지능 수준은 추론 알고리즘의 화려함이 아니라 시스템이 축적하고 있는 지식의 질과 양에 의해 결정된다는 지식 중심 패러다임(Knowledge-Is-Power)의 창시.
비의식적 지식과 개념 의존 이론 : Roger Schank
인간의 언어 이해와 지식 표상은 단순한 명제 규칙이 아니라, 무의식적으로 작동하는 스크립트(Scripts)와 개념 의존성(Conceptual Dependency)에 기반한다는 통찰.