팔란티어가 도입한 온톨로지

AI의 미래_온톨로지 컨퍼런스_솔트룩스

Oct 19. 2025

0. 들어가기

AI의 시작을 폰노이만의 이론으로 보면 1940년대로 볼 수 있다. 이때는 퍼셉트론이라는 개념도 나왔고 튜링테스트를 통해서 기계가 논리적으로 연산할 수 있는 것을 연구했다. 이어서 로지컬AI는 추론능력과 함께 머신러닝이 등장했고, 여기서 오늘의 주제인 온톨로지가 등장한다. 그러나 바로 이것이 지금처럼 개발되지 않고 추운 계절이 있었다. 그 사이에 시멘틱 웹이 등장했다. 곧 인공신경망의 발전으로 생성형AI가 나오게 되었다. 머신러닝이 랭귀지 모델과 만나서 LLM이 나오게 되었다. 그리고 최근에는 추론과 계획을 할 수 있는 Neuro-symbolic의 시대가 왔다. 스스로 자신이 고용한 다른 모델들을 통해서 딥리서치를 하게 된 것이다. 이른바 에이전트AI의 등장이다. 그리고 앞으로 기계 몸체의 개발과 연결되면 스스로 사고하고 움직이고 판단하는 피지컬AI가 나올 예정이다.

그리고 이제 온톨로지의 시대가 왔다. 왜 갑짜기 온톨로지일까? 온톨로지는 한마디로 플랫폼 규칙이라고 할 수 있다. 기존의 퍼셉트론을 깨내는 곳에서 온톨로지로 전달해주고, 이것을 통합하여 새로운 정보나 에이전트를 만들 수 있다. 온톨로지는 하나의 플랫폼이기 때문에 실시간으로 테스트하여 온톨로지와 LLM 그리고 다양한 정보와 데이터를 연결할 수 있다. 그리고 온톨로지는 플랫폼이기 때문에 그 전에 연결된 데이터들이 에이전트AI와 연결되어서 속성값을 가지고 실체를 기반으로 행동하는 것까지 이어진다. 어떻게 보면 피지컬Ai가 나오는 과정에서 나타난 온톨로지는 앞으로 ai에 대한 철학을 완전히 바꿀 것으로 예상된다. 무엇이든 인간을 기반으로 모방해서 만든 ai가 세상을 지배하게 되어 있는 것 같다. 오늘은 얼마전에 있었던 솔트룩스의 컨퍼런스에서 영감을 받아서 내용을 정리해보았다.

https://www.youtube.com/live/5P9aEpvIyn8

에이전틱 AI의 마지막 퍼즐 온톨로지_ 팔란티어 기술의 소버린 AI전략

에이전틱 AI의 마지막 퍼즐 온톨로지_ 팔란티어 기술의 소버린 AI전략일시: 2025. 10. 01. (수) 13:30 - 17:10장소: 한국과학기술회관 (B1층)국제회의실

https://www.youtube.com/watch?v=5P9aEpvIyn8

1. 인공지능에서 온톨로지란 무엇인가?

인공지능에서 온톨로지(Ontology)는 특정 도메인(영역)의 지식을 컴퓨터가 이해할 수 있도록 구조화하고 명시적으로 정의한 데이터 모델이다. 철학에서 말하는 '존재론'과 유사하게, 세상의 존재하는 것들(개념)과 그 관계를 체계적으로 정리하는 역할을 한다.온톨로지는 크게 개념(Class/Concept), 인스턴스(Instance), 속성(Attribute), 관계(Relation) 등으로 구성된다. 예를 들어, '사람'이라는 개념 아래 '김철수'라는 인스턴스가 있고, '직업'이라는 속성에는 '의사'라는 값이, '부모-자식 관계'라는 관계를 통해 다른 사람과 연결될 수 있다. 여기서는 간단하게 온톨로지의 개념을 알아보고 그동안의 문제점들을 살펴본 후에 마지막에 다시 팔란티어 온톨로지로 돌아가보자.

AI 분야에서 온톨로지의 중요성

의미 이해 및 추론 능력 향상: 온톨로지는 데이터에 의미를 부여해 AI가 단순한 데이터 나열을 넘어 데이터 간의 숨겨진 맥락과 관계를 파악하고, 이를 기반으로 논리적으로 추론할 수 있게 돕는다.

지식의 공유 및 재사용: 온톨로지는 표준화된 형식으로 지식을 표현하므로, 서로 다른 AI 시스템이나 애플리케이션 간에 지식을 공유하고 재사용할 수 있게 만들어 개발 효율성을 높인다.

설명 가능한 AI(XAI) 구현: 온톨로지는 AI의 판단 과정에 대한 명확한 규칙과 구조를 제공하여, AI가 왜 그런 결론에 도달했는지 인간이 이해하고 검증할 수 있도록 돕는다. 이는 AI에 대한 신뢰성을 확보하는 데 매우 중요하다.

데이터 통합 및 관리: 방대한 양의 비정형 데이터를 체계적으로 조직하고 통합하는 데 활용된다. 이를 통해 의료, 금융, 국방 등 다양한 분야에서 복잡한 정보를 효율적으로 관리하고 활용할 수 있게 된다.

온톨로지의 핵심 구성 요소 4가지

클래스 (Class) 또는 개념 (Concept): 온톨로지의 가장 기본적인 구성 요소로, 현실 세계의 사물이나 개념을 추상적으로 분류한 것을 말한다. 예를 들어, '사람', '동물', '도시', '책' 등이 클래스에 해당한다.

인스턴스 (Instance): 특정 클래스에 속하는 구체적인 개체를 말한다. 예를 들어, '사람'이라는 클래스 아래에는 '홍길동', '김철수'와 같은 인스턴스가 존재한다.

속성 (Property): 클래스나 인스턴스가 가진 고유한 특징을 나타낸다. 예를 들어, '사람' 클래스의 속성으로는 '나이', '직업', '이름' 등이 있으며, '홍길동' 인스턴스의 '나이' 속성은 '25'라는 값을 가질 수 있다.

관계 (Relation): 클래스 또는 인스턴스 간의 연관성을 정의한다. 가장 흔한 관계는 'is-a' 관계(포함 관계)로, '개는 동물이다'와 같이 상위-하위 개념을 연결한다. 그 외에 'has-a' (부분-전체 관계), 'lives-in' (거주 관계) 등 다양한 관계를 설정할 수 있다. 이 관계를 통해 AI는 데이터의 맥락을 이해하고 추론할 수 있게 된다.

온톨로지의 작동 예시_이병헌

개념 (클래스): '영화배우', '가수', '남자', '사람' 등

인스턴스: '이병헌'

속성: '출생년도' (1970), '출생지' (서울), '배우자' (이민정) 등

관계: '이병헌'은 '배우자'라는 관계를 통해 '이민정' 인스턴스와 연결되고, 'is-a' 관계를 통해 '영화배우'와 '남자'라는 상위 개념으로 연결된다.

2. 에이전트의 시대_AI 에이전트(AI Agent)란 무엇인가?

AI 에이전트(AI Agent)는 사용자의 특정 목표를 달성하기 위해 스스로 생각하고, 계획하며, 행동하는 자율적인 인공지능 시스템이다. 이는 단순히 정해진 규칙에 따라 작동하는 챗봇이나 프로그램과는 다르다. AI 에이전트는 다양한 도구를 사용하고, 외부 환경(데이터베이스, 인터넷 등)을 인식하며, 목표를 여러 단계의 작은 작업으로 나누어 스스로 해결해 나가는 능력을 가지고 있다. 마치 사람의 대리인처럼 작동하는 것이다. AI 에이전트는 목표를 달성하기 위해 스스로 움직이는 행위자이고, 온톨로지는 그 행위자가 세상을 정확히 이해하고 효율적으로 움직이도록 돕는 지식 체계라고 할 수 있다.

AI 에이전트와 온톨로지의 관계

온톨로지는 AI 에이전트가 더 똑똑하게 작동하도록 돕는 핵심 기술이다. 온톨로지가 없다면 AI 에이전트는 정보를 단순한 텍스트 덩어리로만 인식하게 된다. 하지만 온톨로지를 통해 데이터에 의미와 관계를 부여하면, 에이전트는 다음과 같은 중요한 역할을 수행할 수 있다.

정확한 이해와 추론: 온톨로지는 에이전트에게 세상의 지식 구조를 알려주는 설계도와 같다. 예를 들어, "이병헌"이 "영화배우"라는 사실과 그가 "이민정"과 "배우자" 관계라는 것을 온톨로지가 명확히 정의하면, 에이전트는 이병헌에 대한 복잡한 질문에 더 정확하게 답할 수 있다.

복잡한 작업 수행: 온톨로지는 에이전트가 복잡한 목표를 달성하기 위해 어떤 정보가 필요한지, 그리고 그 정보들을 어떻게 연결해야 하는지 알려준다. 이를 통해 에이전트는 여러 시스템에 흩어져 있는 데이터를 통합하고, 논리적인 절차에 따라 작업을 수행할 수 있다.

신뢰성 확보: 온톨로지는 에이전트의 의사결정 과정을 논리적인 개념과 관계로 보여주기 때문에, 에이전트가 왜 그런 결론을 내렸는지 사람이 쉽게 이해할 수 있다. 이는 AI에 대한 투명성과 신뢰를 높이는 데 큰 역할을 한다.

우리는 온톨로지를 통해 복잡하고 비정형적인 업무 지식을 컴퓨터가 이해할 수 있는 형태로 정돈하고, AI 에이전트는 이 정돈된 지식을 활용하여 우리의 업무를 대신 수행하는 것이다. 이러한 시스템은 단순히 반복적인 업무를 자동화하는 것을 넘어, AI가 복잡한 데이터 속에서 의미를 찾아내고, 논리적으로 추론하여 우리의 의사결정을 돕는 수준까지 나아갈 수 있게 된다. 이 모든 개념을 업무에 연결하면, 'AI 에이전트'가 '온톨로지'라는 '지식 모델'을 활용해 우리의 업무를 자동화하고 효율화하는 과정으로 볼 수 있다.

온톨로지: 업무 지식의 체계화

먼저, 우리 회사의 업무 관련 지식을 온톨로지로 구축하는 것이 시작이다. 예를 들어, 마케팅 부서의 경우:

개념 (클래스): '캠페인', '고객', '제품', '광고 채널' 등

속성: '캠페인 비용', '고객 특성', '제품 판매량' 등

관계: '특정 캠페인이 특정 고객 그룹에 어떤 제품을 홍보한다'와 같이 업무 프로세스와 데이터 간의 관계를 정의하는 것이다.

AI 에이전트: 지식을 활용한 업무 자동화

이제 온톨로지라는 지식 모델을 활용하여 AI 에이전트가 다음과 같은 업무를 수행하게 할 수 있다.

보고서 자동 생성: "지난 분기 A 제품의 매출을 높인 주요 마케팅 캠페인 목록을 생성해 줘."

AI 에이전트의 작동: 에이전트는 온톨로지에서 '제품', '매출 데이터', '마케팅 캠페인'의 관계를 파악하고, 매출 상승에 기여한 캠페인 데이터를 정확히 찾아내어 보고서 형태로 정리한다.

고객 문의 자동 응대: "저의 주문 상태를 알려주세요."

AI 에이전트의 작동: 에이전트는 온톨로지에서 '고객' 인스턴스와 '주문' 인스턴스의 관계를 파악한다. 이후, 주문 상태와 관련된 데이터를 확인하고, "고객님의 주문은 현재 배송 준비 중입니다."와 같이 정확한 답변을 제공한다.

딥리서치의 구체적인 작동 원리

동적 리서치 계획 수립: 사용자가 복잡한 질문을 던지면, AI 에이전트는 먼저 질문의 핵심을 파악한다. 그 후, 문제 해결을 위한 자체적인 전략을 수립한다. 예를 들어, "2025년 친환경 자동차 시장의 트렌드와 주요 기업별 점유율을 분석해 줘"와 같은 질문을 받으면, 에이전트는 '시장 트렌드 조사', '주요 기업 목록 파악', '각 기업의 점유율 데이터 수집', '데이터 종합 및 분석'과 같은 세부적인 하위 작업을 스스로 계획한다.

다중 출처 교차 검증: 에이전트는 계획에 따라 웹사이트, 뉴스 기사, 논문, 보고서 등 다양한 소스에서 정보를 수집한다. 이 과정에서 온톨로지(지식 모델)를 활용하여 수집된 정보들을 개념과 관계로 엮어 의미를 이해한다. 만약 여러 출처의 정보가 서로 모순되거나 불확실한 경우, 에이전트는 추가적인 검색을 통해 정보를 교차 검증하고, 가장 신뢰할 수 있는 데이터를 선택한다.

지속적인 추론 및 재계획: 딥리서치는 일회성 과정이 아니다. AI 에이전트는 각 단계에서 얻은 정보를 바탕으로 지속적으로 추론하며, 필요에 따라 계획을 수정한다. 예를 들어, 특정 기업의 점유율 데이터가 불분명할 경우, 에이전트는 해당 기업의 재무 보고서를 찾아보거나 관련 업계 분석 보고서를 추가로 검색하도록 스스로 계획을 변경하는 것이다.

종합적인 보고서 작성: 모든 조사가 완료되면, 에이전트는 정리된 지식을 바탕으로 최종 결과물을 생성한다. 이 결과물은 단순히 데이터를 나열하는 것을 넘어, 논리적인 흐름과 명확한 출처를 가진 구조화된 보고서 형태를 띠게 된다. 이는 사용자가 결과를 쉽게 이해하고 바로 업무에 활용할 수 있도록 돕는다.

3. 현재 조직에서는 어떻게 데이터를 다루는가?

보통 기업에서는 데이터 매쉬업이나 데이터 페브릭을 사용한다. 데이터 매쉬와 데이터 페브릭이 등장한 이유는 기존의 중앙 집중식 데이터 관리 방식이 더 이상 현대 비즈니스의 속도와 복잡성을 감당하지 못했기 때문이다. 과거에는 모든 데이터를 하나의 중앙 데이터 웨어하우스나 데이터 레이크에 모아두고, 소수의 IT 전문가가 이를 관리하는 방식이 일반적이었다. 그러나 데이터의 양이 기하급수적으로 늘어나고 종류가 다양해지면서 다음과 같은 문제가 발생했다. 두 개념은 모두 기존의 비효율적인 중앙 집중식 데이터 관리 문제를 해결하기 위해 등장했지만, 데이터 매쉬는 '조직과 문화'를, 데이터 페브릭은 '기술과 자동화'를 중심으로 접근했다.

중앙 집중식 데이터 관리의 문제점

병목 현상: 모든 비즈니스 부서가 데이터 요청을 중앙 IT 팀에 의존하게 되면서, 데이터가 필요한 시점에 제때 확보하기 어려워졌다. 이는 중요한 의사결정이나 새로운 프로젝트를 시작하는 데 큰 걸림돌이 되었다.

전문성 부족: 중앙 IT팀은 모든 비즈니스 도메인(예: 마케팅, 재무, 생산)에 대한 깊은 이해가 부족하다. 이로 인해 데이터가 비즈니스 목적에 맞게 제대로 가공되지 않거나, 데이터 품질 문제가 발생하기도 했다.

데이터 소외: 데이터 분석을 위한 전처리 과정이 복잡하고 오래 걸려, 정작 중요한 데이터를 필요로 하는 현업 부서가 데이터에서 멀어지는 문제가 생겼다.

데이터 매쉬와 데이터 페브릭의 해결책

데이터 매쉬(Data Mesh)는 조직적, 문화적 문제를 해결하기 위해 사용되었다. 중앙 팀의 병목 현상과 전문성 부족 문제를 해결하고자, 데이터를 가장 잘 아는 각 비즈니스 도메인 팀이 데이터의 소유권과 책임을 갖도록 분산하는 패러다임이다. 데이터는 '제품'으로 취급되어 누구나 쉽게 찾고 사용할 수 있도록 만들어졌으며, 이를 통해 데이터 관리의 민첩성을 확보한다.

데이터 페브릭(Data Fabric)은 기술적 문제를 해결하기 위해 사용되었다. 이는 분산된 데이터를 물리적으로 한곳에 모으지 않고, 가상화 기술과 AI를 활용해 모든 데이터를 하나의 네트워크처럼 연결하고 통합하는 기술적 아키텍처이다. 데이터 페브릭은 데이터의 위치와 상관없이 필요한 데이터를 자동으로 찾아주고 연결해주어, 복잡한 데이터 통합 작업을 자동화하고 데이터 접근성을 극대화한다.

데이터 페브릭 (Data Fabric)

데이터 페브릭은 기업 내부에 분산되어 있는 방대한 데이터를 하나의 통합된 자원처럼 활용할 수 있도록 돕는 기술적인 아키텍처이다. 이는 마치 여러 지역에 흩어져 있는 물류 창고들을 하나의 거대한 물류 네트워크로 연결하여 재고를 실시간으로 파악하고 관리하는 것과 유사하다.

데이터 페브릭의 핵심은 물리적으로 데이터를 한곳에 모으는 대신, 가상화 기술을 이용해 데이터를 필요에 따라 즉시 찾아내고 통합하는 것이다. 이를 위해 메타데이터(데이터에 대한 데이터)를 중앙에서 관리하고, 인공지능과 머신러닝 기술을 활용해 데이터의 위치를 자동으로 파악하고 연결해 준다.

결과적으로, 데이터 분석가나 개발자는 데이터가 어디에 있는지 일일이 찾을 필요 없이 원하는 데이터에 손쉽게 접근하여 분석과 활용에 집중할 수 있게 된다. 이는 데이터 접근성을 혁신적으로 개선하고, 새로운 비즈니스 인사이트를 신속하게 발굴할 수 있도록 지원하는 기술 중심의 접근법이다.

데이터 매쉬 (Data Mesh)

데이터 매쉬는 기술적인 해결책보다는 조직 문화와 운영 방식을 바꾸는 패러다임이다. 이는 기존의 중앙 집중식 데이터 관리 방식이 방대한 데이터의 변화 속도를 따라가지 못한다는 문제의식에서 출발했다.

데이터 매쉬는 데이터를 중앙 IT 부서가 독점적으로 관리하는 대신, 데이터를 가장 잘 아는 비즈니스 도메인(예: 마케팅팀, 영업팀, 제품개발팀)이 직접 데이터를 소유하고 관리하도록 권한을 분산한다. 여기서 데이터는 단순한 원본이 아니라, 다른 팀에서도 쉽게 이해하고 사용할 수 있는 '제품'으로 취급된다. 각 도메인 팀은 자신의 데이터 제품에 대한 품질, 보안, 접근성을 책임지게 된다.

이를 통해 데이터의 생성과 소비가 이루어지는 현장에서 데이터가 더욱 신속하고 정확하게 관리될 수 있다. 데이터 매쉬는 데이터 관리의 병목 현상을 해결하고, 데이터 활용의 민첩성을 극대화하여 기업의 데이터 기반 의사결정 능력을 향상시키는 데 중점을 둔다.

4. 왜 온톨로지인가?

그렇다면 이렇게 문제를 해결했는데도 굳이 팔란티어는 온톨로지 개념으로 소버린AI를 셋팅했을까? 그것을 알기 위해서는 데이터 매쉬와 데이터 페브릭은 각각의 장점에도 불구하고, 다음과 같은 문제점들이 존재한다는 것을 알아보아야 한다. 그리고 이에 대한 대안으로 온톨로지가 중요한 역할을 수행한다. 데이터 매쉬와 페브릭은 각각 조직적, 기술적 관점에서 데이터 문제를 해결하지만, 온톨로지는 데이터의 '의미'를 규정하여 두 가지 접근 방식의 한계를 보완하는 근본적인 해결책이다. 온톨로지는 분산된 데이터에 통일성을 부여하고, 자동화된 데이터 흐름에 설명 가능성을 더해, 궁극적으로 기업이 데이터를 더 깊이 이해하고 신뢰할 수 있도록 만들어주는 핵심적인 보완재이다.

데이터 매쉬의 문제점과 온톨로지의 역할

관리 및 거버넌스의 복잡성: 각 도메인 팀이 데이터를 '제품'처럼 관리해야 하므로, 팀마다 새로운 역할과 책임이 부여되어 운영 부담이 커진다.

데이터 사일로의 재등장: 각 팀이 독립적으로 데이터를 관리하면서, 부서 간에 데이터 정의나 형식이 달라져 새로운 형태의 데이터 사일로(고립된 데이터 저장소)가 생겨날 수 있다.

이때 온톨로지는 데이터 매쉬의 분산된 데이터에 공통된 의미를 부여하는 역할을 한다. 온톨로지는 "고객", "매출"과 같은 핵심 비즈니스 개념에 대한 단일하고 명확한 정의를 제공하여, 각 팀이 서로 다른 방식으로 데이터를 다루더라도 궁극적으로는 통일된 지식 체계를 따르도록 유도한다. 이는 분산화로 인한 혼란을 방지하고, 모든 데이터가 상호 운용 가능하도록 만드는 중요한 해결책이 된다.

데이터 페브릭의 문제점과 온톨로지의 역할

데이터 페브릭은 기술적으로 데이터를 통합하지만, 이 과정에서 다음과 같은 문제가 발생할 수 있다.

블랙박스 문제: 데이터 페브릭은 AI와 머신러닝을 활용해 데이터 연결을 자동화하는데, 이 과정이 불투명해질 수 있다. AI가 왜 특정 데이터를 연결했는지 그 이유를 명확하게 설명하기 어려워져 사용자의 신뢰를 얻기 어려워진다.

높은 초기 투자 비용: 모든 데이터를 연결하는 기술적 아키텍처를 구축하고 유지하는 데 막대한 비용과 전문 인력이 필요하다.

온톨로지는 데이터 페브릭의 '블랙박스' 문제를 해결하는 열쇠이다. 온톨로지는 모든 데이터가 어떤 개념이고, 서로 어떤 관계를 가지는지 명시적으로 정의해준다. 이를 통해 AI는 단순히 데이터를 연결하는 것을 넘어, "이 데이터는 저 데이터와 '판매 관계'를 가진다"와 같이 논리적 근거를 바탕으로 작업을 수행한다. 이러한 과정은 데이터 통합과 분석 결과를 '설명 가능한(Explainable)' 형태로 만들어, 사용자가 AI의 결정을 신뢰할 수 있도록 돕는다.

5. 왜 팔란티어는 온톨로지를 도입했는가?

그렇다면 왜 팔란티어는 온톨로지를 도입하게 되었을까? 팔란티어가 온톨로지를 핵심 기술로 선택한 이유는 현실 세계의 복잡성과 난제를 AI가 이해하고 해결하도록 만들기 위해 데이터에 의미와 논리를 부여하는 가장 효과적인 수단이었기 때문이다. 팔란티어가 초기부터 다뤄온 정부, 국방, 안보 분야의 문제는 단순히 통계적 패턴 인식(딥러닝의 강점)만으로는 해결하기 어렵다. 예를 들어, 테러 네트워크를 분석하려면 'A가 B에게 자금을 이체했다'는 단순 데이터뿐만 아니라, 'A는 C 조직에 소속되어 있고, B는 D라는 위장 회사의 소유주이며, C 조직은 E라는 목표를 가지고 있다'는 지식과 논리적인 관계가 필수적이다. 온톨로지는 바로 이러한 복잡한 지식 체계를 컴퓨터가 이해할 수 있는 방식으로 구조화한다. 팔란티어는 온톨로지를 통해 데이터의 의미(Semantics)를 명확히 하고, 이를 기반으로 AI가 인간처럼 논리적인 추론(Reasoning)을 수행할 수 있도록 만든 것이다.

고담(Gotham)과 온톨로지: 상황 인지 및 관계 추론의 극대화

고담 플랫폼에서 온톨로지는 파편화된 정보 조각들을 연결하여 완벽한 '전술적 진실(Ground Truth)'을 만들어낸다. 고담이 다루는 국방, 안보 분야의 데이터는 수많은 이질적인 데이터 소스로 구성되어 있으며, 단순한 데이터 통합만으로는 숨겨진 위협을 파악할 수 없다.

온톨로지는 이 복잡한 정보들을 '자산', '행위자', '위협', '활동'과 같은 개념 객체로 정의하고, 이 객체들 사이에 '관련됨', '지휘함', '소유함', '이동함' 등의 관계를 명시한다. 온톨로지는 이 관계를 통해 AI가 다단계 논리적 추론을 수행하도록 한다.

예를 들어, "특정 인물(객체)이 알려지지 않은 계좌(객체)에 자금을 이체(관계)했는데, 이 계좌는 이전에 감시 대상 조직(객체)이 이용했던 차량(객체)과 연관(관계)된 것이다"라는 복잡한 연결 고리를 논리적으로 증명하고 시각화한다.

이러한 온톨로지 기반의 관계 추론 능력 덕분에 고담은 단순한 패턴 인식을 넘어, 위협의 근원과 다음 단계를 예측하는 심층적인 상황 인지 능력을 갖게 된다.

파운드리(Foundry)와 온톨로지: 운영 지식의 구조화 및 예측 능력 부여

파운드리 플랫폼은 온톨로지를 활용하여 기업 운영 환경의 모든 측면을 코드화한 지식 구조로 변환한다. 파운드리의 온톨로지는 기업의 방대한 운영 데이터(ERP, MES, IoT 센서, SCM)를 '기계 객체', '주문 객체', '작업자 객체', '공급망 경로 객체' 등으로 정의한다.

온톨로지 모델이 구축되면, 데이터는 더 이상 단순한 행과 열이 아니라, 실제 세계의 사물과 동일한 의미를 갖는 '객체'가 된다. 이 객체들은 '생산에 사용됨', '공급을 받음', '재고를 소진함'과 같은 명확한 비즈니스 관계를 통해 서로 엮인다.

구조화된 운영 지식 위에서 파운드리는 비즈니스 로직을 시뮬레이션하고, 특정 기계의 고장이 어떤 주문의 지연을 유발하는지, 또는 원자재 가격 상승이 최종 제품의 마진에 얼마나 영향을 미치는지 등을 정확히 예측한다. 온톨로지는 파운드리를 반응형 대시보드가 아닌, 능동적인 의사결정 및 예측 플랫폼으로 기능하게 만드는 핵심이다.

아폴로(Apollo)와 온톨로지: 지식 모델의 무결성과 분산 거버넌스 보장

아폴로는 팔란티어 소프트웨어의 지속적인 배포와 운영 관리를 책임지며, 궁극적으로 온톨로지 모델의 신뢰성과 일관성을 유지하는 보루이다. 온톨로지는 모든 데이터와 관계의 '진실의 원천' 역할을 하므로, 이 모델 자체가 변조되거나, 다양한 환경에서 일관성 없이 적용되면 전체 시스템의 신뢰도가 무너진다.

아폴로는 다음과 같은 방식으로 온톨로지의 무결성을 보장한다.

첫째, 버전 관리와 롤아웃: 온톨로지 모델에 새로운 개념이나 관계가 추가될 때, 아폴로는 이 변경 사항을 수많은 고객 환경에 안전하게 배포하고, 문제가 생길 경우 이전 버전으로 즉시 되돌리는 기능을 제공한다.

둘째, 보안 및 규정 준수: 온톨로지에 정의된 민감한 데이터 객체들에 대한 접근 권한과 보안 정책이 모든 분산 환경에서 일관되게 적용되도록 강제한다.

즉, 아폴로는 기술적인 인프라를 통해 온톨로지 기반 지식 체계의 안정적인 운영과 거버넌스를 완벽하게 유지하는 기능을 수행한다.

팔란티어에서 개발자들이 고객 현장에 직접 파견되어 문제를 해결하는 접근 방식을 일컫는 용어는 현장 파견 엔지니어링(Forward-Deployed Engineering, FDE)이다.

현장 파견 엔지니어링 (FDE)의 특징

정의: FDE는 팔란티어가 단순히 소프트웨어 제품을 판매하는 데 그치지 않고, 엔지니어를 고객의 현장(On-site)에 직접 파견하여 고객과 긴밀하게 협력하며 실질적인 데이터 통합 및 복잡한 문제 해결을 수행하는 독특한 접근 방식이다.

주요 역할: FDE는 고객의 복잡하고 이질적인 데이터 시스템을 팔란티어 플랫폼(Gotham 또는 Foundry)에 통합하는 작업, 고객이 플랫폼을 사용하여 특정한 임무나 비즈니스 문제를 해결할 수 있도록 맞춤형 솔루션을 개발 및 배포하는 역할을 수행한다.

배경: 팔란티어는 초기부터 국방, 정보기관 등 가장 복잡하고 어려운 환경의 고객과 일해왔기 때문에, 고객의 현장 상황과 요구사항을 정확히 이해하고 즉각적으로 반영하는 이 FDE 문화가 핵심적인 성공 전략이 되었다.

역량: 이 역할을 수행하는 엔지니어들은 기술적 개발 능력뿐만 아니라, 고객과의 커뮤니케이션 능력, 복잡한 비즈니스 문제를 정의하고 해결하는 능력, 그리고 빠른 실행력이 동시에 요구되는 것이다.

0. 나오기

팔란티어의 세 가지 플랫폼인 고담(Gotham), 파운드리(Foundry), 아폴로(Apollo)에 대한 설명은 이미 온톨로지를 핵심 축으로 하고 있지만, 요청에 따라 온톨로지의 역할과 기능을 각 플랫폼에 연관시켜 더욱 심화된 관점에서 재설명한다. 온톨로지는 단순한 지식 모델을 넘어, 각 플랫폼의 추론 엔진, 의사결정 체계, 운영 무결성을 규정하는 가장 근본적인 기반이다. 팔란티어는 에이전트Ai가 나오면서 자신들이 만든 온톨로지를 완벽하게 구현하게 된다. 2003년에 만들었고 20년을 버텨서 이제서야 자신들의 기술과 철학이 하나가 된 것이다. 더욱이 이것을 이루기 위한 현장 전담반도 운영하고 온톨로지를 상품화한 파운드리까지 있으니. 앞으로도 온톨로지 기반의 팔란티어는 승승장구할 것으로 예상된다.