imprun engineering

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Microsoft GraphRAG, Community Detection, Global Search, Local Search, Hierarchical Summarization요약Microsoft의 GraphRAG는 요약 중심의 RAG에 특화된 구현체다. 기존 RAG가 "이 문서에 뭐라고 써있어?"라는 질문에 답한다면, GraphRAG는 "전체 데이터에서 주요 테마가 뭐야?"와 같은 전역적 질문에 답할 수 있다. 이 글에서는 GraphRAG의 핵심 메커니즘인 커뮤니티 탐지와 계층적 요약을 분석한다.기존 RAG의 전역적 질문 한계문제 상황문서 집합: 호메로스의 "오디세이" 전체 텍스트질문: "이 서사시의 주요 테마는..

작성일: 2026년 01월 19일카테고리: AI, Knowledge Graph, LLM키워드: Knowledge Graph Construction, Entity Extraction, Relation Extraction, LLM, Neo4j요약지식 그래프 기반 RAG는 그래프가 존재해야 작동한다. 수동으로 그래프를 구축하는 것은 비용이 크고 확장이 어렵다. 이 글에서는 LLM을 활용하여 비정형 텍스트에서 자동으로 엔티티와 관계를 추출하고 지식 그래프를 구축하는 방법을 다룬다.수동 그래프 구축의 한계전통적인 방식1. 도메인 전문가가 온톨로지 설계2. 데이터 분석가가 문서 분석3. 수작업으로 엔티티/관계 추출4. 검증 및 품질 관리문제점:시간 소요: 문서 1개당 수 시간확장성 부재: 문서가 늘어날수록 비용 증..

작성일: 2026년 01월 19일카테고리: AI, RAG, Knowledge Graph키워드: Text2Cypher, Neo4j, Cypher, Knowledge Graph, Graph Query요약벡터 검색은 의미적 유사성을 찾는 데 탁월하지만, 데이터 간의 관계를 추론하지 못한다. "김철수가 완료한 업무가 몇 개인가?"와 같은 질문에 답하려면 구조화된 쿼리가 필요하다. 이 글에서는 자연어 질문을 Neo4j의 Cypher 쿼리로 변환하는 Text2Cypher 기법을 다룬다.벡터 검색이 실패하는 질문문제 상황질문: "John Doe가 완료한 업무가 몇 개인가?"벡터 검색 결과:- "John Doe는 개발팀 소속입니다."- "업무 완료 시 상태를 Completed로 변경하세요."- "John Doe가 Ta..

작성일: 2026년 1월 9일카테고리: GraphRAG, Knowledge Graph, LLM키워드: GraphRAG, NL2SPARQL, 하이브리드 검색, Graph-aware Prompting시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (16부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약15부에서 SHACL로 세무 분석 규칙을 정의했다. 이제 Knowledge Graph의 구조화된 지식을 LLM의 자연어 처리 능력과 결합한다. 이 조합을 GraphRAG라 부른다. 사용자는 "A노무법인의 부채비율이 업계 평균보다 높나요?"라고 자연어로 질문하고, 시스템은 SPARQL로 정확한 데이터를 조회한 후 LLM이 해석을 덧붙인다.핵심 질문구조화된 지식을 LLM 컨텍스트로 어..

작성일: 2026년 1월 9일카테고리: AI, RAG, GraphRAG, Knowledge Graph키워드: RAG, GraphRAG, 벡터 검색, 지식그래프, 하이브리드 검색, 세무 도메인시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (11부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자요약LLM은 학습 데이터에 없는 정보를 모른다. 세무 법령, 회계 기준서, 과거 분석 리포트 등 외부 문서를 검색하여 LLM에게 제공하는 것이 RAG(Retrieval-Augmented Generation)다. 이 글에서는 일반 RAG와 GraphRAG를 비교하고, 세무 데이터처럼 관계가 중요한 도메인에서 왜 GraphRAG가 적합한지 설계 원리 중심으로 분석한다.핵심 질문: 검색 증강 생..

작성일: 2026년 1월 9일카테고리: Ontology, OWL, SHACL, Knowledge Graph키워드: 재무제표, 온톨로지 통합, K-IFRS, 지식그래프, 스키마 설계, BS, IS, CF시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (9부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자핵심 질문BS/IS/CF를 온톨로지로 어떻게 통합하는가?이 질문에 답하기 위해 이번 편에서 다루는 내용:재무상태표(BS), 손익계산서(IS), 현금흐름표(CF)의 구조적 관계회계연도를 중심으로 한 재무제표 연결 패턴재무비율 자동 계산을 위한 속성 설계TBox(스키마) + ABox(데이터) + SHACL(규칙) 통합 아키텍처SPARQL로 재무 분석 쿼리 수행요약Part B의 마지막 ..

작성일: 2026년 1월 9일카테고리: SHACL, Data Validation, Knowledge Graph키워드: SHACL, SHACL-AF, 데이터 검증, 비즈니스 규칙, 제약 조건, 이상 탐지, sh:rule시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (8부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자핵심 질문비즈니스 규칙을 어떻게 선언적으로 정의하는가?이 질문에 답하기 위해 이번 편에서 다루는 내용:SHACL Core vs SHACL-AF(Advanced Features)의 차이검증(Validation)과 추론(Inference)의 역할 분담sh:rule을 활용한 파생 속성 자동 계산SPARQL 기반 타겟팅으로 복잡한 조건 표현세무 도메인 비즈니스 규칙 (부채..

작성일: 2026년 1월 9일카테고리: SPARQL, Query, Knowledge Graph키워드: SPARQL, RDF 쿼리, 그래프 패턴, 재무 분석 쿼리시리즈: 온톨로지 + AI 에이전트: 세무 컨설팅 시스템 아키텍처 (7부/총 20부)대상 독자: 온톨로지에 입문하는 시니어 개발자핵심 질문그래프 데이터를 어떻게 질의하는가?이 질문에 답하기 위해 이번 편에서 다루는 내용:SQL 조인 vs SPARQL 그래프 패턴 매칭의 본질적 차이트리플 패턴과 변수 바인딩 메커니즘FILTER, BIND, OPTIONAL의 설계 의도집계 함수와 서브쿼리로 재무비율 계산AI 에이전트가 SPARQL을 도구로 활용하는 방법요약SPARQL(SPARQL Protocol and RDF Query Language)은 RDF 데이..

작성일: 2026년 1월 9일카테고리: AI, Ontology, Knowledge Graph, Tax Consulting키워드: 온톨로지, 지식그래프, AI 에이전트, SHACL, GraphRAG, LangGraph블로그 URL: https://blog.imprun.dev/120시리즈: 총 20부작대상 독자: 온톨로지에 입문하는 시니어 개발자기술 스택: Python, RDF/OWL 2 DL/SHACL, LangChain/LangGraph초점: 시스템 설계와 작동 원리 (코드 구현보다 아키텍처 이해)시리즈 소개이 시리즈는 지식그래프(Knowledge Graph)와 AI 에이전트를 결합하여 세무 데이터 기반 월간 컨설팅 리포트를 자동 생성하는 시스템의 설계 원리를 다룬다.세무사가 기장한 기업의 재무제표, 세..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, LazyGraphRAG, Prompt Tuning, Optimization, Production요약GraphRAG를 프로덕션 환경에서 효과적으로 운영하려면 비용과 품질 사이의 균형이 필요하다. 이 글에서는 비용 효율적인 LazyGraphRAG, 도메인에 맞춘 프롬프트 튜닝, 대규모 데이터셋 처리 전략, 그리고 프로덕션 배포 시 고려사항을 다룬다.LazyGraphRAG: 비용 효율적인 대안LazyGraphRAG는 기존 GraphRAG의 비용 문제를 해결하기 위해 개발된 경량 버전이다. 전체 인덱싱 없이도 유사한 품질의 결과를 얻을 수 있다.기존 GraphRAG vs LazyGraphRAGf..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Installation, Configuration, Azure OpenAI, Cost Management요약GraphRAG를 실제 프로젝트에 적용하려면 환경 설정, 인덱싱 실행, 쿼리 테스트까지의 전 과정을 이해해야 한다. 이 글에서는 Python 환경에서 GraphRAG를 설치하고, 설정 파일을 작성하며, 인덱싱을 실행하고 쿼리하는 전체 과정을 단계별로 안내한다. 특히 비용 관리에 대한 실전 팁도 포함한다.사전 요구사항시스템 요구사항항목최소 요구사항권장Python3.10 이상3.11RAM8GB16GB 이상디스크10GBSSD 50GB 이상OSWindows/macOS/LinuxLinuxLL..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, Indexing Pipeline, Knowledge Graph, Leiden Algorithm, Community Detection요약GraphRAG의 핵심은 인덱싱 단계에서 구축되는 지식 그래프와 계층적 커뮤니티 구조이다. 이 글에서는 TextUnit 분할부터 엔티티/관계 추출, Leiden 알고리즘을 활용한 커뮤니티 탐지, 그리고 계층적 요약 생성까지 전체 인덱싱 파이프라인을 상세히 분석한다.인덱싱 파이프라인 개요GraphRAG의 인덱싱은 원본 문서를 쿼리 가능한 지식 구조로 변환하는 과정이다. 이 과정은 일반 RAG보다 복잡하고 비용이 많이 들지만, 쿼리 시점의 성능을 크게 향상시킨..

작성일: 2026년 1월 5일카테고리: AI, RAG, Knowledge Graph, LLM키워드: GraphRAG, RAG, Knowledge Graph, Microsoft Research, LLM요약RAG(Retrieval Augmented Generation)는 LLM이 학습하지 않은 데이터에 대해 답변할 수 있게 해주는 핵심 기술이다. 그러나 기존 RAG는 "데이터셋의 주요 테마는 무엇인가?"와 같은 전역적 질문에 실패한다. Microsoft Research가 개발한 GraphRAG는 지식 그래프와 계층적 클러스터링을 활용하여 이 문제를 해결한다. 이 시리즈에서는 GraphRAG의 동작 원리부터 실전 활용까지 다룬다.기존 RAG의 동작 방식RAG는 도서관의 사서와 같다. 질문을 받으면 관련 책(문..