EvoOntology: 데이터 에이전트를 위한 자기 진화형 온톨로지

들어가며

언어 모델이 실제 데이터를 다룰 때 가장 어려운 일은 SQL을 만들거나 파일 도구를 호출하는 것만이 아닙니다. 데이터가 무엇을 의미하는지 이해하는 일이 더 근본적인 문제입니다. 표, 파일, 데이터베이스는 서로 다른 구조와 명명 규칙을 사용하고, 업무 용어도 일관되지 않을 수 있습니다. 에이전트가 범용 도구만으로 원천 데이터를 탐색하면 데이터 구조를 파악하는 데 많은 단계를 써야 합니다. 반대로 사람이 만든 의미 계층을 프롬프트에 넣는 방식은 대규모 데이터로 확장하기 어렵고, 에이전트의 행동 변화에도 유연하게 대응하기 힘듭니다.

EvoOntology는 에이전트와 데이터 사이에 실행 중 상호작용할 수 있는 온톨로지 계층을 두어 이 간극을 줄이려 합니다.

핵심 설계

• MCP 기반 통합 인터페이스: 온톨로지를 MCP 서버로 캡슐화해 에이전트가 실행 중 필요한 의미 정보를 직접 조회하도록 합니다. 고정된 프롬프트 설명에만 의존하지 않는 방식입니다.
• 세 가지 계층: 스키마 계층은 데이터의 구조를, 콘텐츠 계층은 데이터에 근거한 의미를, 도구 계층은 해당 정보와 상호작용하는 기능을 다룹니다. 이를 통해 에이전트가 필드의 존재뿐 아니라 데이터의 역할도 파악하도록 돕습니다.
• 자동 온톨로지 구축: 빌더 에이전트가 데이터에서 현재 환경에 맞는 온톨로지를 생성하므로, 모든 의미 관계를 사람이 직접 설계해야 하는 부담을 줄입니다.
• 통제된 자기 진화: 상호작용 기록을 토대로 귀속 정보가 포함된 유형별 편집을 수행합니다. 수정 사항은 곧바로 반영되지 않고, 이전 버전과의 쌍대 평가를 거쳐 사용 중인 LLM 백본에 조건부로 채택됩니다.

의미와 남은 과제

논문은 세 가지 데이터 에이전트 벤치마크와 네 가지 LLM 백본에서 방법을 평가했습니다. 초록에 따르면 EvoOntology는 강력한 기준선과 기존 의미 계층 방식보다 일관되게 높은 성능을 보였습니다. 이는 온톨로지가 정적인 데이터 카탈로그나 프롬프트 보강 수단을 넘어, 데이터 발견과 의미 정렬, 도구 선택을 연결하는 실행 시 인프라가 될 수 있음을 시사합니다.

이 접근은 에이전트 개선 방식에도 변화를 줍니다. 모델이 이기종 데이터 환경의 모든 세부사항을 기억하게 하는 대신, 필요한 정보를 조회하고 검증하며 갱신할 수 있는 구조화된 서비스를 제공합니다. MCP라는 형태는 다양한 에이전트 런타임이 유사한 의미 기능을 공유하도록 만들 가능성도 있습니다.

다만 자기 진화는 신뢰성 문제를 동반합니다. 잘못된 관계가 추가되거나 특정 모델의 해석이 반복적으로 강화될 수 있기 때문입니다. 따라서 평가 과정은 명백한 오류뿐 아니라 미묘한 성능 저하도 찾아야 합니다. EvoOntology의 핵심 제안은 무제한 자동 재작성 대신, 수정의 근거를 추적하고 이전 상태와 비교한 뒤 변경을 승인하는 폐쇄 루프를 두는 것입니다. 공개된 구현은 이 아이디어를 더 다양한 실제 데이터 환경에서 검증할 수 있는 출발점을 제공합니다.

출처: Hugging Face Daily Papers