RAG recall 0%에서 100%로, 구조화 온톨로지가 해결한 AI 추론 한계

Context

Markdown 기반 RAG 시스템의 낮은 추론 능력 문제. 파편화된 문서 구조로 인해 의사결정의 근거인 "Why"에 대한 답변 생성 불가. 단순 팩트 추출과 논리적 추론 체인 간의 결정적 격차 발생.

Technical Solution

• 비즈니스 추론을 쿼리 가능한 관계로 매핑한 4단계 구조화 온톨로지(LORE → VISION → RULES → OPERATIONS) 설계
• 결정 사항에서 기초 신념까지 역추적 가능한 명시적 관계 기반의 탐색 레이어 구축
• Git 시맨틱을 지원하는 Dolt DB를 활용하여 온톨로지 변경 이력 관리 및 버전 제어 체계 도입
• MCP(Model Context Protocol) 서버를 통해 쿼리 및 버전 관리를 위한 18종의 전용 도구 제공
• AI 제안과 인간 검증을 결합한 EPICAL 파이프라인을 통한 지식 주입 프로세스 정립
• 외부 시스템 작업 시 제도적 맥락을 부여하는 OPS Contract 기반의 추론 엔벨로프 생성 방식 적용

Impact

• "Why?" 질문에 대한 Recall 0%에서 100%로 상승
• Entity Recall 0.514에서 0.976으로 약 90% 개선
• 추론 품질(Reasoning Quality) 1.96에서 4.33으로 121% 향상
• Latency 284.6s에서 183.8s로 35% 단축
• 답변 안정성(Stability) 변동폭 3배 감소

Key Takeaway

단순 벡터 검색의 확률적 결과보다 명시적인 관계 기반의 구조화된 지식 그래프가 복잡한 비즈니스 추론에 훨씬 효율적인 설계 방식임.