본문으로 건너뛰기

프런티어: AI의 그라운드 트루스로서의 온톨로지

📍 현재 위치: 제8부 · 오늘날 산업 현장의 온톨로지. 앞 장들은 누가 이 모델을 만들고 왜 만드는지를 훑었습니다. 이 장은 누구나 이것에 관심을 갖게 된 가장 새로운 이유, 그리고 데모와 공장 현장 사이의 간극을 들여다봅니다.

산업이 온톨로지에 관심을 갖는 가장 새로운 이유는 얼핏 보면 지난 스물아홉 개 장의 환자 신원과 분류 작업과는 아무 상관이 없어 보이지만, 한 번 더 들여다보면 그 작업과 모든 것이 연결되어 있습니다. 그 이유는 바로 인공지능입니다.

대규모 언어 모델은 탁월한 추측 기계입니다. 그다음에 올 법한 단어를 예측하는데, 그 일을 어찌나 잘하는지 출력물이 마치 이해에서 나온 것처럼 읽힙니다. 그러나 유창함은 지식이 아니며, 모델은 당신의 공장에 관해 무엇이 참인지 알지 못합니다.

DP-004(드러그 프로덕트 로트 — 완제품의 정의된 배치)가 출하되었는지, 즉 품질 부서가 유통을 승인했는지 물어보십시오. 참된 답은 그래프 안에 놓여 있습니다 — 아니오: 그 로트는 고분자량 응집체(뭉친 항체로, 면역원성 위험 속성)가 2.0퍼센트 한계에 대해 2.41퍼센트로 규격을 벗어나(측정 결과가 허용 한계를 넘은 것으로, 통과한 다른 속성과 무관하게 로트를 불합격시킨다) 출하 결정에서 실패했고, 그 단량체 순도(온전한 항체 분획)는 95.0퍼센트 하한에 대해 98.687퍼센트로 통과했습니다. 로트는 모든 한계를 충족해야 하므로, 한 속성에서 실패하면 나머지와 무관하게 불합격됩니다. 그러나 모델에게만 물으면, 모델은 정확한 답을 작성할 때와 똑같은 수월함으로 자신만만하고 문법적으로 완벽하며 완전히 날조된 답을 작성합니다. 모델은 그 둘을 구별할 방법이 없고, 얼핏 봐서는 당신도 마찬가지입니다.

모델은 유창함을 공급합니다. 진실은 다른 무언가가 공급해야 합니다.

그 간극 — 언제나 옳게 들리는 시스템과 실제로 무엇이 옳은지에 관한 기록 사이의 간극 — 이 이 장의 전체 주제입니다. 그리고 우연이 아니게도, 이 간극은 앞선 모든 장이 조용히 메워 오던 바로 그것입니다.

산업이 2024년에서 2026년 사이에 결정한 그 무언가는 지식 그래프이며, 그래프 뒤에는 온톨로지가 있습니다. 이 마지막 개관 장은 그 수렴을 차근차근 짚고, 상용 단계의 현실을 보도자료에서 떼어 내며, 이 책의 결론에 새로운 가락으로 다다릅니다. AI는 이 장들이 설파해 온 규율을 느슨하게 풀어 주지 않습니다. 오히려 그 판돈을 올립니다.

쉽게 말하면

어떤 주제든 유창하게 말할 수 있지만 당신의 공장에는 한 번도 발을 들인 적 없는 뛰어난 즉흥 연주가를 떠올려 보십시오. 혼자 두면 그는 모든 질문에 매끄럽게 답하지만 절반은 틀립니다. 이제 바로 이 공장에 관한, 검증되고 상호 참조된 사실이 담긴 바인더를 — 실은 이름 붙은 링크(엣지)로 이어진 사물들(노드)의 망, 즉 지식 그래프가 바로 그것입니다 — 그에게 건네고, 오직 그 바인더에서만 답하라고 요구해 보십시오. 그 유창함이 갑자기 쓸모 있어집니다. 진실에 닻을 내렸기 때문입니다. 즉흥 연주가는 AI입니다. 바인더는 지식 그래프입니다. 온톨로지는 그 바인더를 정직하고 일관되며 연결된 상태로 지켜 주는 것입니다.

이 장에서 다루는 내용​

우리는 애초에 왜 생성형 AI(generative AI)가 온톨로지를 필요로 하는지를 짚습니다 — 이 책이 줄곧 펼쳐 온 구조 대 실체(structure-versus-substance) 논변을, 이제 언어 모델의 시대에 맞게 다시 진술합니다.

우리는 검색 증강 생성(retrieval-augmented generation)과 그것의 그래프 네이티브 형태인 GraphRAG를 정의합니다. 2024~2026년 물결의 한가운데에 있는 기법입니다.

그런 다음 실제 근거를 개관합니다. 데이터를 "AI 준비 완료(AI-ready)" 상태로 만들려는 Pistoia Alliance의 추진, 온톨로지를 자기 기둥 중 하나로 내세우는 벤더 주도의 과학 AI 스택, 여러 대기업의 GraphRAG 생태계, 이 분야에서 가장 깔끔하게 공개된 지식 그래프, 그리고 이 모든 것을 떠받치는 더 경량의 분석 데이터·모듈러 자동화 추세를 다룹니다.

그리고 미해결 부분을 분명히 명명합니다. 이 프런티어 전체를 옭아매는 제약은 모델이 아니라 그 아래에 깔린 데이터입니다.

전반에 걸쳐 모든 도입 주장에는 성숙도 태그 (상용 단계 / 파일럿 단계 / 제안 단계 / 학술 단계)가 따라붙고, 모든 벤더 수치는 그것이 무엇인지 표시됩니다. 지금 이 분야는 시끄럽고, 개관은 그 대상보다 조용할 때에만 쓸모가 있습니다.

'온톨로지는 모델이 딛고 서는 그라운드 트루스'라는 제목의 3단계 좌→우 흐름: 청록 상자에 자연어 질문 'DP-004는 무엇에서 파생되었는가'가 담기고, ask 화살표가 중앙 인디고 상자로 이어지며 거기서 검색이 SPARQL 속성 경로 bp+로 bp: 그래프를 순회해 bp → bp → bp → 바이오리액터 배치의 사슬을 세 개의 bp 간선으로 보여 주고, cite 화살표가 초록 상자의 인용된 답(via bp ×3)으로 이어진다. 아래 두 띠는 '그래프가 실질을 공급한다'와 '모델이 구조를 공급한다'를 적고, 그 아래 맺음 줄은 오직 그래프만이 계보를 참되게 하고 오직 온톨로지만이 그래프가 주장하는 의미를 갖게 한다고 적는다. GraphRAG는 검증된 bp: 그래프를 순회하고 자신이 걸어간 타입 부여 간선을 인용함으로써 답하므로, 모델은 계보를 지어내는 대신 참된 계보를 서술한다. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

유창한 모델에도 여전히 참된 그래프가 필요한 이유​

언어 모델은 방대한 코퍼스로부터 언어의 형태를 학습합니다. 특정 제조 캠페인의 사실은 학습하지 않으며, 자신이 틀렸을 때를 알아챌 내부 기제가 없습니다.

산업의 답은 검색 증강 생성(retrieval-augmented generation)입니다 — 모델이 답을 쓰기 전에 검색 단계가 신뢰할 수 있는 저장소에서 관련된 검증 사실을 끌어와 모델 앞에 놓아 주는 패턴입니다. 그러면 모델은 학습 기억이 아니라 그 사실들로부터 답하라는 지시를 받습니다. 모델의 기억이 아니라 검색된 사실이 그 한 번의 답에서 진실의 원천이 됩니다.

문서 저장소를 대상으로 한 단순 RAG도 이미 도움이 됩니다. 검색된 배치 기록을 인용하는 모델은 기억에서 즉흥적으로 지어내는 모델보다 속이기 어렵습니다. 그러나 문서 저장소는 구절을 검색하고, 구절은 그것을 쓴 사람이 연결해 둔 만큼만 연결되어 있습니다. 당신에게 필요한 계보는 서로를 한 번도 언급하지 않는 네 개의 보고서에 흩어져 있을 수 있습니다.

GraphRAG는 신뢰 저장소가 지식 그래프(각 사물이 노드이고 두 사물 사이의 각 타입 부여 링크 — bp:derivedFrom 같은 — 가 엣지인 사실의 망)인 형태입니다. 흩어진 텍스트 구절을 검색하는 대신, 시스템은 연결된 사실을 검색합니다 — 이 로트는 저 세포 은행(캠페인이 출발하는, 동결되어 자격이 인증된 세포 바이알)에서 bp:derivedFrom(유래), 이 CPP(핵심 공정 파라미터 — 피드율처럼 당신이 제어하는 설정)는 저 CQA(핵심 품질 속성 — 단량체 순도처럼 측정되는 출하 속성)에 bp:affectsQuality(품질에 영향) — 그리고 모델은 노드에서 노드로 각 이름 붙은 링크를 따라가며 그 엣지를 따라 답합니다. 이것들은 동반 그래프에 실제로 적힌 엣지 이름입니다. 독자는 bp:affectsQuality를 grep해 품질 설계(Quality-by-Design) 링크가 단언되어 있음을 찾을 수 있으며, 그것은 프로즈가 지어낸 맨 단어가 아닙니다.

차이는 겉치레가 아닙니다. 흩어진 텍스트 검색은 관련 있게 들리는 무엇이든 반환하지만, 그래프 검색은 실제로 연결된 무엇이든 반환하며, 그 연결 자체가 모델이 읽을 수 있는 의미를 실어 나릅니다. 어느 로트가 무엇에서 유래했는지에 관한 질문은, 둘을 함께 언급하는 문단이 우연히 존재하기를 바라는 것이 아니라 계보를 순회함으로써 답해집니다.

그리고 이것이 은유가 아님을 보는 것이 중요합니다. 검색 단계는 이 책이 이미 작성한 질의입니다. 검증된 저장소는 "DP-004는 무엇에서 파생되었는가?"라는 질문에, 타입 부여된 엣지 위의 단 하나의 SPARQL 속성 경로로 답합니다 — SPARQL은 이런 종류의 그래프를 위한 표준 질의 언어입니다. 이 글을 따라가는 데 그것을 읽을 필요는 없습니다. 중요한 단 한 줄은 경로 bp:DP-004 (bp:derivedFrom)+ ?ancestor이며, 이는 DP-004에서 나가는 모든 derivedFrom 링크를 걸어가라는 뜻입니다.

PREFIX bp: <https://example.org/bioproc#>
SELECT ?ancestor ?type WHERE {
  bp:DP-004 (bp:derivedFrom)+ ?ancestor .
  ?ancestor a ?type .
} ORDER BY ?ancestor

(bp:derivedFrom)+가 핵심 트릭 전부입니다. bp:derivedFrom이 owl:TransitiveProperty로 선언되어 있으므로 — 즉 A가 B에서 파생되고 B가 C에서 파생되면 A는 자동으로 C에서 파생되므로 — 그 하나의 경로는 계보를 어떤 깊이까지든 순회합니다 — 여기서는 DP-004 → DS-004 → PApool-004 → BATCH-2026-004이지만, 동일한 질의가 스무 단계 사슬도 순회합니다. 모델은 계보를 결코 계산하지 않습니다. 모델은 그 묶인 행들을 받아 서술할 뿐입니다. 그것이 "그래프가 아는 일을 한다"는 말의 뜻이며, 구호가 아니라 코드로 진술된 것입니다.

이것은 이 책이 앞서 손으로 구성한 바로 그 디지털 스레드 계보 순회이며 — 계보 역량 질문의 (bp:derivedFrom)+ 관용구를 바이트 단위로 그대로, 다만 드러그 서브스턴스 대신 bp:DP-004을 가리키도록 한 것이고 — 이제 그 답을 사람을 위해 문장으로 다듬어 낼 수 있는 모델에 봉사하도록 놓인 것입니다. 그래프가 아는 일을 하고, 모델이 말하는 일을 합니다.

이것은 이 책이 뒤늦게 우연히 발을 들인 용도가 아닙니다. 맨 첫 장의 요구사항 명세서는 온톨로지가 의도한 최종 용도 가운데 "검색 증강 AI를 위한 그라운딩(grounding for retrieval-augmented AI)"을 계보 역추적과 출하 검증과 나란히 열거했습니다 — 그러니 GraphRAG는 단 하나의 클래스가 그려지기도 전부터 이 모델의 명세된 목적이었지, 막판에 덧붙인 유행이 아니었습니다. 그리고 그 명세서가 실행 가능하게 만들어졌기 때문에, 위의 검색 질의는 새 코드가 아닙니다. 그것은 validate.py가 통과 테스트로 실행하는, 이미 cq-catalog.json에 들어 있는 계보 역량 질문입니다. AI의 답을 그라운딩하는 그래프는 검증 하니스가 이미 인증하는 바로 그 그래프이며 — 모든 역량 질문을 초록으로 유지하는 증명 하니스는, 이 관점에서 읽으면, 검색 계층을 위한 회귀 스위트이기도 합니다.

이것은 정확히 이 책이 어떤 것이 무엇인지와 우리가 그것에 관해 무엇을 말하는지를 처음으로 갈라놓을 때 그은 구조 대 실체(structure-versus-substance)의 구별이며, 이제 AI에 대해 하중을 지탱하는 역할을 합니다. 그래프는 실체를 공급합니다. 검증되고 식별되고 연결된 진술입니다. 모델은 구조를 공급합니다. 그 위에서 펼쳐지는 유창한 자연어입니다.

이 두 역할은 혼동하기 쉽고, 그것을 혼동하는 것이 이 순간의 전형적인 실수입니다. 권위 있게 들리는 모델은 실체가 아니라 구조를 공급하고 있습니다. 그것은 참된 계보만큼이나 매끄럽게 거짓 계보를 서술할 것입니다. 오직 그래프만이 계보를 참되게 만들 수 있고, 오직 온톨로지만이 그래프가 주장하는 의미를 그래프가 실제로 갖게 만들 수 있습니다.

그리고 온톨로지야말로 검색된 사실을 신뢰할 수 있게 동시에 연결되게 만드는 것입니다 — 검색 단계가 DP-004에서 그 바이오리액터 배치로 bp:derivedFrom을 따라 거슬러 올라갈 수 있고 그 경로가 의미를 가진다는 것을 알 수 있는 이유가 바로 온톨로지입니다. 그 아래에 온톨로지가 없으면 GraphRAG는 문자열 더미를 검색합니다. 온톨로지가 있으면 GraphRAG는 지식을 검색합니다.

두 번째 결과가 뒤따릅니다. 공유된 상위 온톨로지에 그라운딩된 그래프는 작성자가 전혀 예상하지 못한 질문에도 답할 수 있습니다. 관계가 보고서에 하드코딩된 것이 아니라 타입이 부여되고 조합 가능하기 때문입니다. 그것은 정확히 AI 에이전트가 대본에 없는 무언가를 질문받았을 때 필요로 하는 속성이며, 정확히 독점 테이블을 평면적으로 내보낸 결과물이 갖지 못하는 속성입니다.

이 구별은 아래 개관에서 중요합니다. 인용된 여러 노력은 형식적인 OWL/RDF 온톨로지를 공개하고, 다른 노력은 데이터를 구조화된 독점 스키마로 조직한 뒤 그 결과를 온톨로지라 부릅니다.

이 둘은 같지 않습니다. 형식 온톨로지는 어떤 논리에 구속되고, 공개 상위 수준 용어를 재사용하며, 추론 대상이 될 수 있습니다. 독점 스키마는 칼럼 이름에 관한 사적 합의로, 쓸모는 있지만 구성상 상호운용되지 않습니다. 벤더의 "AI 네이티브 스키마"는 마케팅 용어가 같다는 이유만으로 BFO에 그라운딩된 OWL 모델이 되지는 않습니다. 이 장은 둘을 갈라 두며, 공개 근거로 어느 쪽을 뜻하는지 가릴 수 없는 곳에서는 그렇다고 밝힙니다.

2024~2026년의 근거​

추동력은 실재하며, 대부분은 파일럿 단계입니다. GMP(Good Manufacturing Practice, 우수 제조 관리 기준 — 허가된 모든 의약품이 그 아래에서 만들어지는 규제 품질 시스템) 하의 규제 대상 사용은 여전히 초기 단계입니다 — 사례를 짚어 가는 동안 붙들어 둘 만한 구별입니다. 그 게이트가 닫혀 있는 까닭은 소심함이 아닙니다. 품질 결정에 쓰이는 그래프는 규제 대상 전산화 시스템이 되고, 그 기준은 구체적이기 때문입니다. GMP 기록을 생성하거나 보관하는 모든 시스템은 GAMP 5 / CSA 위험 기반 규율 하에서 검증되어야 하며, 그것이 실어 나르는 모든 전자 기록과 서명은 21 CFR Part 11과 EU GMP Annex 11 — 감사 추적, 버전 고정 변경 관리, 서명자 귀속 — 을, 같은 기계 장치가 강제하는 ALCOA+ 무결성 기대치(귀속 가능·판독 가능·동시적·원본·정확, 더하여 완전·일관·영속·가용한 데이터)에 견주어 충족해야 합니다. 파일럿 검색 그래프는 그 어느 것도 아직 통과하지 못합니다. 그것이 데모와 출하급 시스템 사이의 간극이며, 아래 개관은 정확히 그 데모 쪽에 자리합니다.

소음 속에서 놓치기 쉬운 세 가지가 있으니 개관에 앞서 못 박아 두는 편이 좋습니다. 컨소시엄 발표는 약속이지 출하된 시스템이 아닙니다. 벤더 벤치마크는 벤더가 공개하기로 택한 주장이지 독립적인 측정이 아닙니다. 그리고 마케팅 용어 "온톨로지"는 BFO에 그라운딩된 OWL 모델부터 칼럼 이름을 깔끔하게 정리한 표까지 무엇에나 붙습니다. 아래의 각 사례는 그 세 필터를 끼고 읽습니다. 이 이름들 가운데 여럿은 대형 제약사의 엔터프라이즈 지식 그래프와 플랫폼에서 다시 등장합니다. 여기서는 오직 한 가지 렌즈로만 읽습니다 — 그것들이 AI에 딛고 설 무엇을 주는가, 준다면 무엇인가.

데이터를 "AI 준비 완료" 상태로 만들기. Pistoia Alliance는 2025년 10월 자사 CMC Process Ontology의 3단계(Phase 3)를 발표했는데, 명시적으로 생명과학 데이터를 "실험실에서 제조에 이르기까지 AI 준비 완료이며 상호운용 가능한" 상태로 만들기 위함입니다. 이 작업은 ISA-88과 ISA-95 자동화 표준 위에 세워지며, Eli Lilly, Amgen, Merck & Co., AstraZeneca, GSK, Johnson & Johnson의 지원을 받습니다.

CMC Process, Equipment, Material, Analytical, IDMP 온톨로지를 아우르는 실질적 통합 작업은 2026년으로 범위가 잡혀 있어 여전히 앞을 내다보는 단계입니다 [1]. IDMP 물질 식별자는 우리의 진행 모델에서 실제 공장이 bp:DS-001 뒤에 둘 그것입니다. 발표는 ISA-88과 ISA-95를 그 토대로 명명하며, BFO나 IOF Core를 가져온다고 주장하지 않으니 우리도 그렇게 하지 않습니다. (파일럿 단계)

벤더 스택. 2024년 11월, TetraScience와 NVIDIA는 "정교한 과학 온톨로지"를 네 기둥짜리 과학 AI 스택 — 컴퓨트, 모델, 유스케이스 전문성, 온톨로지 — 의 한가운데에 놓으며 CUDA-X와 BioNeMo를 통합했습니다. 두 회사는 함께 제공되는 Lead Clone Assistant가 리드 클론 선정 시간을 최대 80퍼센트까지 줄일 수 있다고 말했습니다.

2025년 10월, 같은 벤더는 Takeda를 창립 파트너로 하여 SAIL(Scientific AI Lighthouse)을 출범시켰는데, 데이터를 "AI 네이티브 스키마, 택소노미, 온톨로지"로 조직하여 CMC 사이클 타임을 줄이는 것을 목표로 합니다 [2].

80퍼센트와 사이클 타임 개선은 벤더 보도자료 수치입니다 — 자가보고이고 감사받지 않았으니, 측정이 아니라 주장으로 읽으십시오. 또한 "스키마, 택소노미, 온톨로지"는 엄정성의 폭이 넓다는 점, 그리고 공개 자료가 마케팅 용어 아래에 형식적 OWL/RDF 온톨로지가 있음을 입증하지는 않는다는 점에 유의하십시오. (파일럿 단계)

현장의 GraphRAG. Neo4j의 GraphTalk Pharma and Life Sciences 2025 정리 자료는 에이전틱 생성형 AI를 겨냥한 여러 그래프 생태계를 드러냈습니다. 전임상·임상·규제 지식을 잇는 Merck Group의 Synaptix, Bayer의 환자 맵, 그리고 반응-지식 그래프 변환을 위한 오픈소스 툴킷인 Syngenta의 NOCTIS입니다 [3].

이 정리 자료는 이들 중 어느 것도 "상용"이라 부르지 않으며, 규제 대상 GMP나 품질 맥락에서의 GraphRAG는 우리가 살펴본 공개 근거에서 확인되지 않습니다. 이들은 연구·발견 배포이지 출하 결정 시스템이 아닙니다 — 환자의 문제에는 가깝지만 아직 공장 안으로 들어오지는 않았습니다. 엔터프라이즈 그래프 개관은 바로 이 시스템들을 GMP 경계의 R&D 쪽에 놓습니다. 이 장은 그것들이 모델에 무엇을 그라운딩해 주는지만 묻습니다. (파일럿 단계)

엄정한 모범 사례. 이 일을 제대로 해낸 가장 깔끔한 공개 기록은 Novo Nordisk의 OBDM(Ontology-Based Data Management, 온톨로지 기반 데이터 관리)으로, 2025년 Journal of Biomedical Semantics에 기술되었습니다. 사적 어휘를 지어내는 대신 공개 온톨로지 — AFO, OBI, ChEBI, BFO — 를 재사용하는, 상용 단계로 운영 중인 지식 그래프입니다 [4].

온톨로지에 그라운딩된 그래프가 한 번 시연되는 데 그치지 않고 실제로 진지하게 운영될 수 있다는, 이 분야 최고의 동료 검토 기술 근거입니다.

또한 이것은 형식적으로 온톨로지에 기반하면서 동시에 공개 문헌에 보고된 유일한 사례이며, 그래서 주변의 더 시끄러운 발표들보다 더 큰 증거적 무게를 지닙니다. 재사용이 그 단서입니다. 자기 어휘를 새로 찍어 내는 대신 AFO, OBI, ChEBI, BFO를 채택하는 팀은 단지 저장 작업이 아니라 이 책이 줄곧 주장해 온 상호운용 작업을 하고 있는 것입니다. (상용 단계)

그것을 떠받치는 데이터. 두 가지 인프라 추세가 조용히 나머지를 가능하게 만듭니다.

분석 데이터에서는, 2024~2025년 무거운 Allotrope Data Format에서 경량 Allotrope Simple Model(ASM)로의 이동 — 벤더들이 ASM-투-지식 그래프 워크플로를 구축하면서 — 이 AI 준비 완료 분석 결과를 만들어 내는 지배적 추세입니다 [5]. 더 많은 장비가 실제로 내보내는 더 단순한 전송 형식이, 구현하는 시스템이 거의 없는 더 풍부한 형식보다 그래프에 더 값집니다. (상용 단계)

자동화에서는, 최초의 Module Type Package V2.0 플러그페스트가 여러 공급사와 함께 2025년에 열렸고, 형식적 MTP 2.0 명세가 2026년 초 무렵 공개되었습니다 — 미래의 AI 오케스트레이션 공장이 올라타게 될 모듈러 기반입니다 [6]. 제약 전용 "MTP+" 확장이 때때로 언급되지만, 명명되고 출하된 산출물로는 공개 근거에서 확인되지 않습니다. (파일럿 단계)

사례무엇인가성숙도
Pistoia CMC Process Ontology Phase 3ISA-88 / ISA-95 위의 "AI 준비 완료" CMC 어휘(파일럿 단계)
TetraScience + NVIDIA / SAIL과학 AI 스택의 한 기둥으로 명명된 온톨로지(파일럿 단계)
Merck Synaptix / Bayer / Syngenta NOCTIS발견·규제 지식을 위한 GraphRAG(파일럿 단계)
Novo Nordisk OBDM상용 단계로 운영 중인, 공개된 재사용 기반 온톨로지 그래프(상용 단계)
Allotrope Simple Model그래프로 흘려보내는 경량 분석 데이터(상용 단계)
MTP V2.0모듈러 자동화 기반(파일럿 단계)

이 표는 평결이 아니라 그러데이션으로 읽으십시오. 상용 단계인 두 행은 인프라 — 하나의 데이터 형식과 하나의 공개된 그래프 — 인 반면, 그 위의 표제급 AI 응용은 파일럿에 머물러 있습니다.

그리고 이 책 전체가 겨냥해 온 규제 대상 출하 결정은 그 어느 것에도 나타나지 않습니다. 프런티어는 진정으로 움직이고 있지만, 아직 게이트에는 다다르지 않았습니다. 이는 그 작업에 대한 비판이 아닙니다 — 파일럿은 진지한 일이 시작되는 방식입니다 — 그러나 그것이 2026년의 정직한 형상이며, 파일럿을 상용으로 올려 잡는 개관은 정확히 이 장이 경계하는 그 일을 하는 셈입니다.

미해결 과제: 병목은 모델이 아니라 데이터다​

디지털 트윈과 제조 AI 문헌을 가로질러 읽어 보면 같은 장애물이 거듭 떠오르는데, 그것은 알고리즘이 아닙니다. 거듭거듭 지목되는 장벽은 시맨틱하고 FAIR(Findable, Accessible, Interoperable, Reusable — 검색 가능·접근 가능·상호운용 가능·재사용 가능)한 데이터 표준화입니다. 온톨로지에 그라운딩되고 상호운용 가능하며 잘 거버넌스되는 데이터가 제약이지, 모델링이 제약이 아닙니다 [7].

이 "모델링은 해결되었고 데이터는 아니다"라는 명제는 단일 리뷰에 크게 기대고 있으며 이 분야 전반에 걸쳐 광범위하게 주장됩니다. 정립된 사실이 아니라 강하게 견지되는 산업계의 의견으로 읽으십시오. 모델링이 끝나려면 멀었다고 주장할 수도 있습니다 — 연속 공정과 조직 간 연합이라는, 이 책 자신의 미해결 이음매가 그 증거로 충분합니다.

그러나 더 좁은 논점에서는 이 명제를 반박하기 어렵습니다. 어떤 영리한 모델도 거버넌스되지 않고 식별되지 않고 의미론적으로 벙어리인 입력을 구해 내지 못합니다.

구체적으로, 벙어리와 의미 있음의 차이는 맨 부동소수점 값을 내보내는 히스토리언 태그 — BR101.Feed.PV = 0.40, 단위도 맥락도 없는 공장 데이터 기록기 판독값(PV는 process value, 즉 실시간으로 측정된 값) — 와, 같은 측정값이 그래프에 단위를 지니고 식별된 양으로 안착하는 것 사이의 차이입니다: 하루당 0.40 베셀 볼륨의 피드율(UCUM /d, 표준 기계 판독 가능 단위 코드)이 정상 운전 범위 안에서 BATCH-2026-001의 생산 단계에 실현되었고, 36.5 degC(NOR 36.0-37.0, 그 정상 운전 범위)의 배양 온도 설정점에 견주어집니다. 숫자는 동일합니다. 검색 가능성은 동일하지 않습니다. 피드 일탈이 응집체 이탈을 설명할 수 있는지 질문받은 모델은 두 번째 형식 위에서는 추론할 수 있지만 첫 번째 형식은 파싱조차 하지 못합니다. 개관이 명명하는 AI 준비 완료 작업이란 바로 이것, 즉 맨 공정 값을 타입 부여되고 단위를 실은 계보 고정 진술로 들어 올리는 일입니다.

그리고 그 함의는 정확히 이 책 자신의 함의입니다. AI는 올바른 분류, 정직한 신원, 거버넌스된 변경의 수고를 건너뛰게 해 주지 않습니다. 오히려 그 수고를 건너뛰는 것을 그 어느 때보다 가혹하게 벌합니다.

셀 하나가 틀린 스프레드시트는 누군가 읽기 전까지 무력하게 그저 놓여 있습니다. 텅 비었거나 잘못 라벨링된 그래프에서 학습한 모델은 조용히 실패하지 않습니다. 그것은 자신만만하게, 유창하게, 그리고 대규모로 답을 지어냅니다 — 그리고 자신만만하고 유창한 틀린 답이야말로 가장 비싼 종류의 답입니다. 아무도 멈춰 서서 확인하지 않는 답이기 때문입니다.

이곳은 또한 이 책의 기존 기계 장치가 두 번째 생을 얻는 자리이기도 합니다. SHACL 출하 게이트(shapes.ttl) — SHACL은 그래프가 신뢰되기 전에 요구되는 셰이프 집합(모든 노드가 무엇을 지녀야 하는지에 관한 규칙)에 그래프가 부합하는지 검사하는 제약 언어입니다 — 는 부적합한 출하를 거절하도록 만들어졌는데, AI 환경에서는 같은 셰이프가 부적합한 검색을 거절합니다. 부분 그래프가 모델에 건네지기 전에, 적합성 검사는 그것이 완전하고 제대로 타입 부여되어 있음 — 모든 로트에 그 bp:derivedFrom 부모가 있고, 모든 CQA에 그 값이 있고, 모든 서명에 그 서명자가 있음 — 을 증명하며, 모델이 학습 기억으로부터 기꺼이 채워 넣을 부분 적재가 아님을 증명합니다. 셰이프를 통과하지 못하는 그래프가 바로 위의 텅 비었거나 잘못 라벨링된 그래프이며, SHACL은 모델이 고객 앞에서 유창하게 그것을 잡아내기 전에 당신이 먼저 잡아내는 방법입니다.

그 SHACL 선별을 거친 부분 그래프는 또한 이 인스턴스들 위에서 학습하는 모델이 가질 수 있는 유일하게 정직한 학습 집합이며, 그러한 모델이 어떻게 검증되어야 하는지를 바꿉니다. 동반 ML 권의 모델 검증 장은 모델이 신뢰할 만한 까닭은 정확도가 높아서가 아니라 사전에 명시된 합격 기준에 견주어 검증·고정·문서화되었기 때문임을 강조하는데, 그래프는 그 규율이 필요로 하는 두 가지를 공급합니다. 첫째, 학습의 단위를 고정합니다. 계보가 명시적이므로 모델은 마땅히 그래야 하는 방식으로 분할될 수 있습니다 — 무작위 행이 아니라 배치별로, 즉 같은 bp:derivedFrom 조상을 공유하는 모든 행을 보류하는 그룹화 / 리브-원-배치-아웃(grouped / leave-one-batch-out) 교차 검증으로 분할되어, 모델이 보고하는 점수는 같은 로트의 형제 샘플이 분할을 가로질러 누설되어 부풀려진 점수가 아니라 보지 못한 캠페인에서 실제로 얻을 점수가 됩니다. 그래프는 그 그룹화를 기계적으로 만듭니다 — derivedFrom 엣지가 곧 그룹화 키입니다 — 반면 평면 테이블은 그것을 막연한 관행에 맡깁니다. 둘째, 명명할 가치가 있는 검증 역설(validation paradox)을 공급합니다. 유창한 모델은 보류된 데이터에 견주어 검사되지만, 그 보류 데이터 자체가 그것이 나온 그래프만큼만 정직합니다. 추론된 그래프 — 그 owl:TransitiveProperty 폐쇄와 SHACL 셰이프가 이미 기계 검증된 그래프 — 와 조용히 모순되는 모델은, 그 모순에서, 그래프보다 틀렸을 가능성이 더 큽니다. 그래프의 답은 도출되고 인증된 반면 모델의 답은 생성되었기 때문입니다. 그래프는 ML 장들이 거듭 손 뻗는 그라운드 트루스입니다. 온톨로지로 추론되고 셰이프로 검증된 계보야말로, 희소하고 교란된 바이오공정 데이터가 달리 공급하지 못하는, 바로 그 신뢰할 수 있는 라벨이자 누설 없는 분할입니다.

그리고 온톨로지는 소프트 센서에 대한 적용 범위 게이트가 하는 일을 검색 경계에 대해 합니다. 모델에 건네지는 그래프 특징도 여전히 범위 안/밖 질문을 지닙니다 — 이 로트의 계보는 모델이 검증받은 종류인가, 아니면 한 번도 본 적 없는 구성인가? — 그리고 타입 부여된 그래프는 그것을 구성상 답합니다. 부합하는 부분 그래프를 하나도 반환하지 않는 질의는 분포 밖(out-of-distribution) 플래그의 검색 시점 유사물이며, 낯선 지반 위에서 자신만만하게 추측하는 대신 답하기를 거부하는 것입니다. 같은 경계가 유지보수도 다스립니다. 모델을 그라운딩하는 그래프는 한 번 만들어지는 것이 아닙니다. 거버넌스된 변경 기계 장치가 온톨로지를 버전 관리하고 공장이 캠페인을 더해 감에 따라, 그라운딩된 모델의 거동은 그 기반과 함께 표류하므로, 검색 계층에는 ML 권의 MLOps 규율이 배포된 모든 모델에 요구하는 것과 같은, 모니터링되고 변경 관리되는 생애 주기가 필요합니다 — 온톨로지의 버전은 그 아래의 세부 사항이 아니라 모델 출처의 일부입니다.

검증 역설을 왼쪽에서 오른쪽으로 보여 주는 흐름. 호박색 모델 상자는 DP-004가 출하되었다는 자신만만한 예측을 언제나 내놓고 그것을 가운데 남색 상자로 보내 검사합니다. 가운데 상자는 추론되고 SHACL에 부합하는 그래프로, bp에서 bp를 거쳐 생물반응기 배치로 이어지는 인증된 bp 계보를 담고, DP-004가 HMW 응집체 2.41 퍼센트로 그 2.0 퍼센트 한계를 넘겨 출하에 실패한 반면 단량체 순도는 98.687 퍼센트로 95.0 퍼센트 하한을 통과했음을 기록합니다. 그래프에서 일치 화살표는 초록 수용 상자로, 모순 화살표는 장미색 기권 또는 플래그 상자, 즉 검색 시점 분포 밖 거부로 이어집니다. 아래 두 띠는 언제나 답을 내놓는 모델과 근거가 없을 때 기권하는 그래프를 대비합니다. 모델은 모든 질의에 답을 내놓지만, 추론되고 SHACL에 부합하는 그래프가 그 답을 검사하는 그라운드 트루스입니다. 그래프와 일치하는 예측은 수용되고, 그래프와 모순되거나 부합하는 부분 그래프를 반환하지 않는 예측은 그래프가 추측하는 대신 기권하게 합니다. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

그래서 표제는 흔한 과대선전을 뒤집습니다. 프런티어는 더 영리한 모델이 아닙니다. 모델은 이미 경이롭습니다. 프런티어는 그런 모델을 받을 자격이 있을 만큼 좋은 그래프이며 — 그것은 파라미터의 문제가 아니라 신원, 분류, 거버넌스의 문제입니다.

왜 중요한가​

2026년에 바이오공정 온톨로지를 구축할 가장 큰 목소리의 이유는 더 이상 규정 준수나 통합이 아닙니다 — 인공지능에 발 디딜 참된 무언가를 주기 위함입니다.

그것은 앞선 모든 장을, 그중 어느 하나와도 모순되지 않으면서 재구성합니다. 신원 규율, SHACL 게이트, 거버넌스된 변경 관리 — 이것들에 관해 바뀌는 것은 아무것도 없습니다. 바뀌는 것은 이것들을 잘못 다뤘을 때의 결과입니다. 예전에는 혼란스러운 보고서였던 것이, 이제는 묻는 모든 이에게 그 혼란을 자신만만하게 되풀이하는 기계입니다.

올바른 분류, 정직한 신원, 거버넌스된 변경, 실질적 FAIR — 이것들은 한 번도 선택적 위생 관리였던 적이 없으며, 이제는 차세대 제조 지능의 말 그대로의 그라운딩 기반입니다.

그것은 또한 위의 개관이 왜 그토록 들쭉날쭉한지를 설명합니다. 보도자료는 모델과 스택을 발표하지만, 상용 단계의 현실은 하나의 데이터 형식과 하나의 공개된 그래프입니다. 그 순서가 말해 줍니다. 실체는 구조보다 어렵고, 그것이 산업이 여전히 짓고 있는 부분입니다. 화려하지 않은 신원·거버넌스 작업을 먼저 하는 공장은 모델이 발 디딜 무언가를 갖게 될 것이고, 모델을 먼저 사는 공장은 매우 유창한 거짓말쟁이를 갖게 될 것입니다.

모델은 자신이 닻을 내린, 구조화되고 잘 거버넌스된 지식만큼만 신뢰할 수 있으며 — 그 지식이야말로 이 책 전체가 구축에 관해 다뤄 온 바로 그것입니다.

핵심 용어​

  • 생성형 AI / 대규모 언어 모델(generative AI / large language model) — 그럴듯한 이어짐을 예측하여 유창한 자연어를 생성하는 시스템. 형식에는 능하나 특정 주장이 참인지에는 무관심합니다.
  • 환각(hallucination) — 거짓이지만 그럴듯하게 들리는 진술을 모델이 자신만만하게 생성하는 것. 그라운딩이 막고자 하는 실패 양식입니다.
  • 검색 증강 생성(retrieval-augmented generation, RAG) — 신뢰할 수 있는 저장소에서 검증 사실을 검색해, 모델이 학습 기억이 아니라 그 사실로부터 답하도록 요구하는 패턴.
  • GraphRAG — 신뢰 저장소가 지식 그래프인 RAG. 검색이 타입 지정된 관계(예: bp:derivedFrom)를 따르며 흩어진 텍스트가 아니라 연결된 사실을 반환합니다.
  • 그라운딩 / 그라운드 트루스(grounding / ground truth) — AI 시스템이 닻을 내린, 검증되고 큐레이션된 사실. 이 장에서는 지식 그래프와 그 아래의 온톨로지입니다.
  • AI 준비 완료 데이터(AI-ready data) — AI에 신뢰할 수 있는 입력으로 쓰일 만큼 구조화·식별·거버넌스가 충분히 된 데이터. Pistoia Alliance 3단계 작업의 명시적 목표입니다.
  • Allotrope Simple Model(ASM) — 분석 결과를 위한 Allotrope Data Format의 경량 후계자로, 점점 더 지식 그래프로 흘러 들어갑니다.
  • OBDM(Ontology-Based Data Management, 온톨로지 기반 데이터 관리) — Novo Nordisk의 공개되고 재사용 기반이며 상용 단계로 운영 중인 지식 그래프로, 이 분야에서 가장 명확한 동료 검토 모범 사례입니다.
  • 지식 그래프 / 노드 / 엣지(knowledge graph / node / edge) — 검색이 걸어갈 수 있는, 타입 부여 링크 — 노드–엣지–노드 — 형태로 된 사실 저장소. 예: 로트 —derivedFrom→ 배치.
  • RDF / OWL — RDF는 그래프 데이터 모델(주어–술어–목적어 트리플)이고, OWL은 그 위에 얹히는 논리 계층으로 owl:TransitiveProperty 같은 속성을 선언하고 그것을 추론할 수 있게 해 줍니다.
  • SPARQL — RDF 그래프를 위한 표준 질의 언어. (bp:derivedFrom)+는 하나의 SPARQL 속성 경로입니다.
  • SHACL — 그래프가 신뢰되기 전에 요구되는 셰이프(shapes.ttl)에 부합하는지 검사하는 제약 언어. 부적합한 출하를 거절하는 바로 그 게이트가 부적합한 검색도 거절합니다.
  • 그룹화 / 리브-원-배치-아웃 교차 검증(grouped / leave-one-batch-out cross-validation) — 모델의 데이터를 행이 아니라 배치별로 분할하여, 같은 bp:derivedFrom 조상을 공유하는 모든 행을 보류함으로써, 보고되는 점수가 같은 로트의 형제 샘플이 분할을 가로질러 누설되어 부풀려지지 않게 하는 방법. 그래프의 계보 엣지가 그룹화 키를 공급합니다.
  • 검증 역설(validation paradox) — 유창한 모델은 보류된 데이터에 견주어 검사되지만, 추론되고 셰이프로 검증된 그래프는 그것과 모순되는 모델보다 더 신뢰할 수 있습니다. 그래프의 답은 도출·인증된 반면 모델의 답은 생성되었기 때문입니다.
  • 적용 범위(검색 시점)(applicability domain) — 질의된 계보가 그라운딩된 모델이 검증받은 종류인지에 대한 범위 안/밖 검사. 부합하는 부분 그래프를 반환하지 않는 질의는 분포 밖 플래그의 그래프 유사물입니다.
  • BFO / IOF Core — 모델이 자기 것을 지어내는 대신 재사용하는 공개 상위 온톨로지(공유된 최상위 용어 집합). 재사용이야말로 그래프를 상호운용 가능하게 만드는 것입니다.
  • FAIR — 검색 가능(Findable)하고 접근 가능(Accessible)하며 상호운용 가능(Interoperable)하고 재사용 가능(Reusable)한 데이터.
  • GMP(Good Manufacturing Practice, 우수 제조 관리 기준) — 허가된 모든 의약품이 그 아래에서 만들어지고 출하되는 규제 품질 시스템.
  • CPP / CQA — 핵심 공정 파라미터(피드율처럼 당신이 제어하는 설정) / 핵심 품질 속성(단량체 순도처럼 측정되는 출하 속성).

다음 이야기​

그것이 프런티어입니다 — 생생하고, 빠르게 움직이며, 그중 얼마나 많은 부분이 출하된 시스템이 아니라 여전히 슬라이드에 머물러 있는지를 우리가 정직하게 인정할 때에만 정직한 프런티어입니다.

책에는 할 일이 하나 남았습니다. 온톨로지가 진정으로 무엇을 내놓는지를, 그것이 조용히 마치지 못하고 남겨 두는 것에 견주어 결산하는 일입니다. 다음이자 마지막 장인 정직한 평결: 온톨로지가 풀어 주는 것, 그리고 사람에게 남기는 것은 이 개관의 그러데이션 — 하나의 상용 그래프, 한 줌의 파일럿, 텅 빈 GMP 게이트 — 을 책 전체의 장부에 접어 넣고, 그 셈을 매듭지으며, 이 책 너머 동반 권인 바이오제조를 위한 머신러닝과 AI로 가리킵니다. 여기 모든 것이 그 동반 권의 전제 조건이었으니, 학습하는 모델은 자신이 학습하는, 구조화되고 FAIR하며 잘 거버넌스된 지식만큼만 신뢰할 수 있기 때문입니다.