플랫폼 · 개념 · 비즈니스 온톨로지
AI에는 비즈니스에 대한 세계 모델, 즉 온톨로지가 필요합니다.
비즈니스 온톨로지는 비즈니스의 존재를 보여주는 살아있는 지도와 같습니다. 비즈니스의 객체(회원, 주문, 제품), 각 필드의 의미, 객체 간의 관계, 그리고 수행 가능한일(사전 조건, 권한 부여 및 감사 기능을 갖춘 관리되는 작업)을 나타냅니다. 온톨로지는 단순히 데이터를 복사하는 것이 아닙니다. 이미 보유하고 있는 데이터에 의미를 부여하는 레이어로서, 사람과 AI 모두가 비즈니스를 이해하는 데 활용할 수 있습니다.
역학 레이어 · 동사
관리되는 작업 - 각 작업에는 사전 조건, 승인 도구 및 감사 기록이 있습니다.
의미층 · 명사
회원
티어 · 동의 · 태그
주문하다
총계 · 매장 · 날짜
제품
카테고리 · 가격
객체, 객체의 속성, 그리고 객체 간의 관계 — 존재하는 모든 것의 지도입니다.
이미 보유하고 있는 데이터
프로필, 주문, 이벤트, 카탈로그 - 복사나 이동 없이 모든 정보 유지
그것은 무엇입니까
비즈니스의 디지털 트윈, 두 가지 계층으로 구성됩니다.
모든 비즈니스에는 이미 암묵적인 온톨로지가 있습니다. 모든 사람은 어느 정도 "회원"이 무엇인지, "주문"에 포함된 것이 무엇인지, 어떤 조치가 허용되는지 알고 있습니다. 문제는 암시적이라는 단어입니다. 지식은 사람들의 머릿속, 부족 SQL, 6가지 정의가 있는 6가지 도구에 존재합니다. 명시적 온톨로지는 이를 두 개의 레이어가 있는 기계 판독 가능 모델로 한 번 기록합니다.
레이어 1 · 의미론 — 명사
개체, 속성, 관계
귀하의 비즈니스가 운영되는 개체(회원, 주문, 제품, 쿠폰, 캠페인, 매장)는 각각 이름이 지정되고 설명된 속성이 있으며 실제 관계로 연결되어 있습니다. 회원은 주문을 장소하고, 제품을 포함하는 주문은 회원에게 속합니다. “이 고객은 누구입니까?”라고 물어보세요. 그리고 모든 분야의 의미가 첨부된 하나의 답이 있습니다.
레이어 2 · 다이내믹스 — 동사
통제된 행위
이러한 객체에 대해 수행할 수 있는 작업으로는 쿠폰 발행, 포인트 적립, 태그 적용, 메모 추가 등이 있습니다. 각 작업에는 전제 조건(유효성 조건), 권한(누가 또는 무엇이 어떤 장비로 작업을 수행할 수 있는지), 그리고 감사 추적(무슨 일이 일어났고 그 이유는 무엇인지)이 있습니다. 이것이 온톨로지를 수동적인 사전과 구분하는 점입니다. 온톨로지는 상태뿐만 아니라 변화까지 모델링합니다.
이러한 패턴은 우리만의 것이 아닙니다. Palantir는 이를 기업 주류로 끌어올렸습니다. Foundry의 온톨로지는 기업 전체에 걸쳐 객체의 의미론적 계층과 관리되는 행동의 동적 계층을 결합합니다. 우리는 동일한 아키텍처를 하나의 영역, 즉 고객에게 심층적으로 적용합니다.
다음과 같은 것이 아님
이미 보유하고 있는 데이터를 매핑합니다.
온톨로지를 가장 빨리 이해하는 방법은 온톨로지가 요구하지 않는 것을 살펴보는 것입니다. 새로운 데이터베이스, 마이그레이션, 크롤링 및 카탈로그 프로젝트가 필요하지 않습니다.
데이터 카탈로그가 아닙니다.
카탈로그는 데이터 세트의 위치와 소유자 등 사람들을 위한 데이터 세트를 목록화합니다. 온톨로지는 기계와 사람을 위해 비즈니스 자체를 모델링합니다. 고객이 무엇인지, 주문이 제품과 어떻게 관련되는지, 그리고 둘 중 어떤 조치를 취할 수 있는지 등을 정의합니다. 카탈로그는 저장소를 설명하고, 온톨로지는 세상을 설명합니다.
더 이상 데이터베이스가 필요 없습니다
아무것도 복사되거나 마이그레이션되지 않습니다. 온톨로지는 귀하가 이미 가지고 있는 데이터를 매핑하는 메타데이터 계층입니다. 귀하의 프로필, 주문, 이벤트 및 카탈로그는 현재 위치에 정확하게 유지됩니다. 추가된 것은 의미입니다: 이름, 정의, 관계 및 아래 데이터에 고정된 규칙입니다.
단순한 의미 계층이 아닌
메트릭 의미론적 계층은 매출, 유지율과 같은 집계 수치를 인증된 방식으로 정의합니다. 온톨로지는 여기서 두 단계 더 나아갑니다. 객체 자체를 일급 객체(이 회원, 이 주문)로 만들고, 관리되는 동작의 동적 계층을 추가합니다. 단순히 측정값뿐 아니라 명사와 동사까지 포함하는 것입니다.
하나의 의미 계층
이미 세 가지 시맨틱 자산을 보유하고 있습니다. 이제 명사 테이블만 남았습니다.
우리와 같은 플랫폼은 빈손으로 온톨로지에 도달하지 않습니다. 세 가지 의미 계층이 이미 구축, 인증 및 관리되고 있으며 각 계층은 그 자체로 강력합니다.
“얼마나”에 답변합니다.
측정 기준
인증된 정량 레이어입니다. GMV, 이탈, 유지 — 모든 비즈니스 번호에는 의미 엔진에 의해 계산된 정확히 하나의 권위 있는 정의가 있습니다. 두 대시보드에 수익이 표시되면 동일한 수익이 표시됩니다.
메트릭 시맨틱 레이어 →“어떤 종류”에 답변합니다.
태그
관리되는 분류 계층. 수명 주기 단계, 가치 등급 - 정책에 따라 적용되는 설명 가능한 레이블: 동의 인식, TTL, 독점 규칙 및 감사 추적 기능 포함. 회원의 신원이 기록됩니다.
관리되는 태그 →“무슨 일이에요”에 답변합니다.
행동 → 의도
타임라인 레이어. 고객이 실제로 한 행동(탐색, 구매, 포인트 사용, 활동 중단 등)과 AI가 해당 행동의 일부에서 파악한 의도(예: "이탈 경향"과 같은 가설)를 통해 조치를 취하기 전에 확인합니다.
사건, 행동 및 의도 →하지만 자세히 살펴보면, 이 세 가지는 모두 같은 종류의 것입니다. 파생된 의미론은 명시적으로 드러나지 않은 대상들에 의존했습니다.측정항목은 양을 나타냅니다. ~의 무언가; 태그는 종류를 설명합니다 ~의 누군가; 행동은 일어나는 사건을 설명합니다. 에게 엔티티들 말입니다. 형용사와 동사구는 모두 있지만, 명사 테이블이 빠져 있습니다. "회원", "주문", "쿠폰"은 공통된 정의를 갖고 있지 않습니다. 각 자산은 엔티티들을 고유한 방식으로 다시 설명하며, 서로를 참조하지도 않습니다.
온톨로지의 역할은 명사 테이블을 제공하는 것입니다. 이는 네 번째 사일로가 아니라 핵심적인 연결고리 역할을 합니다. object의 파생 속성은 인증된 메트릭 정의를 참조하며, 아무것도 다시 계산되지 않고 메트릭 계층은 모든 number에 대한 유일한 권위를 유지합니다. 태그는 object의 분류 속성으로 나타나며, 여전히 자체 동의 및 TTL 정책에 따라 적용됩니다. 행동 스트림은 object의 관찰된 타임라인이 됩니다. 즉, 한 곳에서는 신원이, 다른 곳에서는 관찰이 이루어집니다. 그리고 운동 계층은 이 세 가지 계층이 제공할 수 없었던 것, 즉 각 object에서 수행될 수 있는 관리되는 동작인 동사를 추가합니다.
AI 에이전트 및 콘솔
이 고객은 누구인가? 무슨 일이 발생했는가? 무엇을 할 수 있는가?
온톨로지 · 하나의 시맨틱 레이어
객체 · 링크 · 액션
측정 기준
인증된 조치
소유자: 시맨틱 엔진
태그
관리 라벨
소유자: 태그 정책
행동 → 의도
관찰된 타임라인
소유자: 이벤트 스트림
이미 보유하고 있는 데이터
프로필 · 주문 · 이벤트 · 카탈로그
측정 지표, 태그, 그리고 행동 데이터는 얼마나, 어떤 종류, 그리고 무슨 일이 일어났는지에 대한 답을 제시합니다. 온톨로지는 동일한 누구와 무엇을 중심으로 작동하도록 만들고, 무엇을 할 수 있는지를 추가합니다.
그 결과, 하나의 완전한 의미 계층이 생성됩니다. AI가 고객이 무엇인지(속성 = 지표 + 태그), 무슨 일이 발생했는지(행동 → 의도), 그리고 무엇을 할 수 있는지(액션)를 물을 때, 세 가지 답변이 처음으로 동일한 명사 체계를 공유하게 됩니다. 각 계층은 고유의 소유권을 유지하며, 온톨로지는 참조만 할 뿐 중복을 발생시키지 않습니다.
전체적인 그림을 살펴보세요: 하나의 의미 계층이 어떻게 작동하는지 →왜 중요한가
인공지능이 가공되지 않은 데이터를 기반으로 하는 방식은 조용히 실패를 거듭한다. 이제 그 증거는 측정 가능하다.
누락된 명사 테이블은 단순한 장식용 공백이 아닙니다. AI가 객체가 명시적으로 정의되지 않은 데이터에 대한 비즈니스 질문에 답할 때 오류를 범하는 것이 아니라, 자신 있게 잘못된 답변을 내놓습니다. 그 비용은 이미 벤치마킹되었습니다.
16.7% → 54.2%
LLM은 기업 데이터를 기반으로 비즈니스 질문에 대한 정확도를 높입니다.
실제 보험 스키마에 대한 통제된 벤치마크에서 원시 SQL 데이터베이스를 기반으로 답변하는 LLM은 비즈니스 질문의 16.7%를 맞혔습니다. 동일한 모델을 온톨로지를 사용한 지식 그래프로 표현한 동일한 데이터에 대해서는 모델의 크기나 지능을 높이기 전에도 54.2%, 즉 약 3배의 정확도를 보였습니다. 병목 현상은 모델 자체가 아니라 표현 방식에 있었습니다.
data.world 벤치마크(Sequeda 외), arXiv 2311.07509 ↗→ 72%
온톨로지 기반 쿼리 검사 및 수정 기능 포함
후속 연구에서는 온톨로지 자체를 사용하여 LLM이 생성하는 쿼리를 검증하고 온톨로지를 위반하는 쿼리를 수정했습니다. 그 결과 전체 정확도가 72%까지 향상되었으며, 답변의 8%는 확신에 찬 답변 대신 솔직한 "모르겠습니다"로 바뀌었습니다. 온톨로지는 단순한 맥락이 아니라 검증 가능한 계약입니다.
“Ontologies to the Rescue!” (Allemang & Sequeda), arXiv 2405.11706 ↗+17–23점
4KB 시맨틱 레이어 문서에서 세 가지 최첨단 모델에 이르기까지
동일한 소매 창고에 대해 스키마만 사용한 경우와 스키마에 측정 기준, 규칙 및 모호성 해소 규칙을 설명하는 약 4KB 문서를 추가한 경우, 세 가지 최첨단 LLM을 두 번 실행한 벤치마크를 수행했습니다. 모든 모델에서 정확도가 17~23% 포인트 향상되었으며, 세 모델은 통계적으로 구별할 수 없게 되었습니다. 모델 선택이 아닌 의미론이 정확도 향상에 영향을 미쳤습니다.
Cube 페어드 벤치마크, arXiv 2604.25149 ↗60%가 실패할 것입니다.
2028년까지 MCP만으로 구축된 에이전트 분석 프로젝트 (Gartner)
2026년 데이터 및 분석 서밋에서 Gartner는 MCP에만 의존하는 에이전트 분석 프로젝트의 60%가 일관된 의미 계층 부족으로 인해 2028년까지 실패할 것이라고 경고했습니다. 에이전트를 시스템에 연결하는 배관은 필요하지만 비즈니스가 의미하는 모델이 없으면 충분하지 않습니다.
Atlan이 보고한 Gartner Data & Analytics Summit 2026 ↗업계 신호
2026년 6월, Zeta Global과 Palantir는 마케팅을 위한 통합 데이터 및 AI 인프라 구축을 위한 전략적 파트너십을 발표했습니다. Palantir Foundry는 에이전트 기반 마케팅 실행을 위해 "엔터프라이즈 데이터에 필요한 온톨로지, 거버넌스 및 운영 인프라"를 제공합니다. 의미론적 모델과 관리되는 액션은 AI가 단순히 분석하는 것을 넘어 행동할 수 있도록 하는 업계 아키텍처로 자리 잡고 있습니다.
제타 글로벌 보도자료, 2026년 6월 23일 ↗더욱 심층적인 변화
전통적인 스택 모델 데이터. 결정을 모델링한 적이 없습니다.
창고, 파이프라인 및 카탈로그는 "true이란 무엇인가?"라는 질문에 답합니다. 이러한 시스템은 행, 열, 스냅샷과 같은 상태를 캡처합니다. 하지만 결코 캡처하지 못하는 것은 의사 결정입니다. 즉, 형성된 판단, 그로 인해 발생한 조치, 승인자, 그리고 그 후에 일어난 일입니다. 그 순환 고리는 사람들의 머릿속과 티켓에만 존재했기 때문에 조회하거나 학습하거나 관리할 수 없었습니다.
AI가 단순히 보고하는 것을 넘어 행동하기하는 순간, 그 격차가 전체 문제가 됩니다. 에이전트 시스템은 또 다른 데이터 통합이 필요한 것이 아니라 의사 결정 통합이 필요합니다. 즉, 증거 → 판단 → 승인된 조치 → 기록된 결과가 일급 객체로 연결된 상태로 통합되어야 합니다. 바로 이것이 온톨로지의 동적 레이어가 제공하는 기능이며, 모든 AI 결정을 필터링, 재생 및 감사할 수 있는 로그 데이터로 처리하는 이유입니다.
온톨로지가 기록하는 결정
증거 — AI가 실제로 읽은 회원 기록 및 지표
판단 — 기록에 있는 추론을 일반 언어로
권한 부여 — 실행에 사용된 장비 또는 승인한 사람
행동 — 변경사항: 쿠폰 발급, 태그 적용
결과 — 결과 — 다음 결정에 영향을 미치고, 되돌릴 수 있습니다.
플랫폼에서
슬라이드 자료가 아닙니다. 실제로 실행 중입니다.
SocialHub.AI에서 온톨로지는 귀하가 구축하는 프로젝트가 아닙니다. 이는 플랫폼과 함께 제공되며 귀하가 추가하는 필드와 개체로 확장됩니다. 현재 활성화된 기능은 다음과 같습니다.
무엇이 존재하는지 질문할 수 있는 AI
연결된 AI는 실행하기 전에 온톨로지를 분석할 수 있습니다. 워크스페이스에 있는 비즈니스 객체 목록을 작성하고, object 필드와 각 필드의 의미를 설명하고, 객체 간의 관계를 파악하고, 각 객체가 수행할 수 있는 작업과 그에 대한 조건 및 현재 권한을 나열합니다. 개인 데이터가 포함된 필드는 설명되지만, 해당 값은 절대 제공되지 않습니다.
자기 성찰 참조 →자유 형식이 아닌 통제되는 작업
작동하는 동적 레이어: 모든 AI 작업에는 팀별로 설정된 자동 승인, 사람 검토 또는 금지와 같은 자체 승인 메커니즘이 있습니다. 제안은 일반 언어로 작성된 승인 카드 형태로 제공되며, 승인 시점에 근거가 재검토됩니다. 잘못된 작업은 사람 검토 단계로 강등되며, 모든 작업은 취소할 수 있습니다.
거버넌스 콘솔을 참조하세요. →모든 결정은 기록에 남습니다.
행동 역시 온톨로지 객체이기 때문에 각 행동은 추론, 읽은 증거, 이를 승인한 사람(기어 또는 사람), 변경된 내용, 결과 등 완전한 결정 기록을 남깁니다. AI 활동은 더 이상 블랙박스가 아니며 필터링, 재생 및 감사가 가능한 로그가 됩니다.
결정 로그 →확장 프로그램은 의미 체계를 상속합니다
구성원 또는 전체 사용자 정의 개체(수리 작업, 서비스 약속)에 사용자 정의 필드를 추가하면 동일한 온톨로지가 자동으로 입력됩니다. AI가 검사할 수 있고 필드별로 설명할 수 있으며 세그먼트 및 개인화에서 사용할 수 있습니다. 2류 데이터도 없고 별도의 통합도 없습니다.
사용자 정의 개체 →컨셉은 이 페이지 입니다. 콘솔은 제품이다.
AI 거버넌스 및 승인은 온톨로지의 역학 레이어가 승인 카드, 액션 기어, 결정 로그, 원클릭 실행 취소 등 일상적인 작업 흐름이 되는 곳입니다.
자주 묻는 질문
데이터 팀이 묻는 질문.
온톨로지는 데이터 카탈로그와 어떻게 다른가요?
데이터 카탈로그는 "데이터는 어디에 있고 누가 소유하고 있는가?"에 대한 답을 제공합니다. — 휴먼 데이터 팀을 위한 테이블과 파일의 목록을 작성합니다. 온톨로지는 "비즈니스는 무엇으로 구성되며, 무엇을 할 수 있는가?"에 답합니다. — 사람과 AI 에이전트가 모두 읽고 행동할 수 있는 형식으로 구성원, 주문, 제품, 관계 및 이에 대해 운영되는 통제된 작업을 모델링합니다. 많은 조직에는 두 가지가 모두 필요합니다. 그들은 같은 도구가 아닙니다.
이것은 (dbt나 저희처럼) 메트릭 의미 계층과 어떤 관련이 있나요?
이 둘은 하나의 아이디어를 보완하는 계층입니다. 메트릭 계층은 집계 정의, 즉 "수익"이 무엇을 의미하는지, 한 가지 방식으로 계산된 정의를 검증합니다. 온톨로지는 이를 측정에서 객체 자체(이 회원, 이 주문, 이들의 연결 방식)로 확장하고, 누가 어떤 조건에서 무엇을 할 수 있는지에 대한 액션 계층을 추가합니다. SocialHub.AI에서 object의 파생 속성은 메트릭 정의를 다시 계산하는 대신 검증된 메트릭 정의를 참조합니다. 메트릭 계층은 모든 number에 대한 유일한 권위를 유지하며, 온톨로지는 동일한 객체를 중심으로 태그의 분류 의미론과 행동 및 의도의 타임라인 의미론을 통합합니다.
온톨로지를 구축하는 데 그래프 데이터베이스가 필요한가요?
아니요. 온톨로지는 모델링 계층이지 저장 기술이 아닙니다. 이미 보유하고 있는 데이터(관계형 테이블, 이벤트 스트림, 제품 카탈로그 등)를 매핑하고 그 위에 이름, 관계 및 규칙을 연결합니다. 일부 공급업체는 그래프 스토어 위에 온톨로지를 구현하지만, 저희는 플랫폼에 이미 있는 운영 데이터 위에 메타데이터를 구축합니다. 플랫폼을 새로 구축할 필요는 없습니다.
이것은 Palantir의 온톨로지와 동일한가요?
개념은 같지만 적용 범위가 다릅니다. 팔란티어는 파운드리를 통해 객체의 의미론적 계층과 관리되는 행위의 동적 계층으로 구성된 온톨로지 패턴을 기업 환경에 도입하여 기업 전체에 적용했습니다. 저희는 동일한 패턴을 고객 참여라는 단일 영역, 즉 회원, 주문, 제품, 캠페인 및 이러한 요소에 대한 마케팅 활동을 플랫폼에 통합하여 적용합니다. 이는 별도의 프로젝트로 구축하는 방식이 아닙니다.
이것이 데이터 거버넌스와 어떤 관련이 있나요?
데이터 거버넌스는 데이터의 신뢰성을 유지합니다. number별로 인증된 정의 하나만 존재하고, 동의를 존중하며, 접근을 제어하고, 깨끗한 데이터를 유지합니다. 온톨로지는 이러한 기반 위에 구축되어 AI가 작동하는 데 필요한 레이어를 추가합니다. 즉, 객체가 무엇이고 어떤 작업이 허용되는지를 정의합니다. 신뢰할 수 있는 데이터는 기본 토대이며, 관리되는 세계 모델은 에이전트가 서 있는 기반입니다.
관련 항목: 데이터 거버넌스 · 메트릭 시맨틱 레이어 · AI 거버넌스 및 승인
관련 자료
이 페이지와 가장 관련성이 높은 페이지를 계속 살펴보세요.
지능형 의사결정
최적의 다음 행동: 누구에게, 어떤 상품을, 어떤 채널을, 언제 제공할지.
더 자세히 알아보기 능력Consumer World Model
모든 결정에 사용되는 핵심 기술: 회원이 실제로 행동하는 방식을 학습하는 행동 모델(자체 이벤트 스트림에서 브랜드별로 교육을 받고 투명한 기준에 따라 정직하게 관리됨)과 메시지가 전달되기 전에 캠페인을 리허설하고(아무 것도 하지 않을 옵션) 다음에 무엇을 할지 시뮬레이션하는 디지털 트윈. 귀하의 회원 기반에 대한 하나의 완전한 살아있는 모델이 함께 제공됩니다.
더 자세히 알아보기 능력계기반
실시간 스캔-리딤 데이터는 KPI 추세, 퍼널 진단, 규칙 + LLM을 활용한 최적의 다음 행동 패널, 가입 코호트별 유지율 곡선, 그리고 확정적인 것이 아닌 예측임을 명확히 밝히는 14일 매출 전망치와 함께 제공됩니다.
더 자세히 알아보기 능력비즈니스 목표
관리되는 KPI를 누군가에게 응답하는 운영 목표로 전환하세요. 시간(연도 → 분기 → 월) 및 조직(회사 → 매장 지역 → 매장)의 두 축에 걸쳐 단일 상위-하위 트리에서 하나의 목표를 세분화한 다음 빨간색/노란색/녹색 상태, 속도 예측 및 목표가 궤도를 벗어나는 순간 경고와 함께 대시보드가 읽는 것과 동일한 구경의 실제 주문에서 실제 주문을 자동으로 롤업합니다.
더 자세히 알아보기 능력Slack에 대한 SoTag
Slack 에이전트는 검증되고 감사된 수치를 Claude에 스레드 내에서 전달합니다: 일일 이상 징후 검사 + 사람 승인 쿠폰 발송. 얼리 액세스.
더 자세히 알아보기 능력SoClaw — AI 직원을 고용하세요
로열티 프로그램에 AI 직원을 고용하세요. 각기 다른 업무를 수행하는 자율 에이전트입니다. 위험에 처한 고객을 되찾는 로열티 관리자, 영수증 및 주문 검토 대기열을 처리하는 주문 관리자, 포인트 사기를 방지하는 위험 관리자, 목표를 실행 가능한 캠페인으로 전환하는 마케팅 관리자가 있습니다. 각 에이전트는 사용자가 설정한 한도 내에서 한 번에 하나의 사례만 처리하며 모든 결정을 기록합니다. 목표, 예산, 작업 및 피드백을 통해 팀처럼 관리할 수 있습니다. 기본적으로 비활성화되어 있으며, 사용량 제한이 있고, 즉시 일시 중지할 수 있습니다. 얼리 액세스가 가능합니다.
더 자세히 알아보기