JYP Garden

Combining Machine Learning and Ontology — A Systematic Literature Review

Properties1
tagsontology, machine-learning, hybrid-brain, neuro-symbolic, reasoning, ai-explainability, knowledge

13 min read

Summary

머신러닝과 온톨로지의 근본적 결합. 플라톤의 동굴 우화로 시작하는 고전 AI의 핵심 문제: 데이터의 그림자만 보고 현실의 참된 의미를 이해하지 못하는 AI의 한계. 이를 극복하기 위해 두 가지 상보적(complementary) 추론 방식의 통합을 제시. 귀납적 학습(Machine Learning의 데이터로부터 패턴 발견)과 연역적 추론(Ontology의 규칙 기반 논리 적용)이 하나의 “Hybrid Brain”으로 통합될 때, AI는 진정한 이해와 설명 가능성을 갖춘 신뢰할 수 있는 시스템으로 진화한다는 주장.

Key Claims

  • 플라톤의 동굴 문제: AI는 데이터라는 동굴 벽의 그림자만 보고, 현실의 진짜 의미(노믹 필연성, causal reality)를 이해하지 못함
  • 두 가지 추론의 보완성: 머신러닝(귀납적)과 온톨로지(연역적)는 서로 다른 방식으로 강점을 보유
  • Hybrid Brain의 필요성: 둘을 결합하면 완전한 추론 체계 완성 (학습 능력 + 논리적 일관성)
  • Learning-Augmented Ontology: 머신러닝으로 자동으로 대규모 온톨로지 구축 가능 (지식 확장 가능성)
  • Semantic Data Mining: 온톨로지로 머신러닝을 강화 (데이터에 “날개” 달아주기)
  • 자율주행 사례: 카메라 인식(ML) + 교통법칙 지식(Ontology) = 안전한 자동화
  • 의료 진단 사례: 증상 패턴(ML) + 의료 진단 규칙(Ontology) = 설명 가능한 진단
  • 세 가지 미해결 도전: 표현력(knowledge complexity vs system speed), 설명 가능성, 일관성 유지
  • 신뢰성이 최종 목표: 성능 최적화를 넘어 인간과의 신뢰 기반 협력 관계 구축

Key Concepts Created

The Core Metaphor: Plato’s Cave

동굴 안의 죄수들이 본 것:
├─ 벽에 비친 그림자
├─ 그것이 전부라고 생각
└─ 현실(현실의 물건)은 모름

현대 AI의 상황:
├─ 데이터라는 "그림자"만 봄 (statistical patterns)
├─ 데이터에서 패턴을 배우지만
└─ 그 의미(semantics)를 모름 → 환각(hallucination) 발생

해결책:
└─ 온톨로지가 "동굴 밖의 세상"을 보는 "빛"

Two Complementary Reasoning Paradigms

1. Inductive Learning (귀납적 학습) — Machine Learning

Role: 탐정(Detective)
├─ 증거(data)로부터 패턴 발견
├─ "이 환자들이 모두 같은 증상을 보였다"
├─ → 새로운 환자도 같은 조건이면 같은 병일 가능성
└─ 강점: 데이터 기반, 자동 학습, 유연함

2. Deductive Reasoning (연역적 추론) — Ontology

Role: 판사(Judge)
├─ 규칙(laws)을 적용하여 판단
├─ "교통법칙: 빨간불 → 정지"
├─ → 모든 상황에서 일관되게 적용
└─ 강점: 논리적 엄격성, 일관성, 설명 가능함

3. The Hybrid Brain (통합)

System = ML + Ontology

자율주행 자동차:
├─ Vision (CNN): 카메라 → 보행자, 신호등 인식 (ML)
├─ Knowledge Engine: 교통법칙, 안전규칙 적용 (Ontology)
└─ Decision: 인식 + 규칙 = 안전한 주행

의료 진단 AI:
├─ Pattern Recognition: 증상 → 가능한 질병들 추출 (ML)
├─ Medical Ontology: 진단 규칙, 약물 상호작용 확인 (Ontology)
└─ Output: 진단 + 설명 근거

Learning-Augmented Ontology (자동 온톨로지 구축)

전통적 온톨로지:
└─ 전문가가 수동으로 설계 → 시간 많이 걸림, 확장 어려움

Learning-Augmented 방식:
├─ 1단계: 큰 코퍼스에서 ML로 패턴 자동 추출
├─ 2단계: 추출된 패턴을 온톨로지 구조로 변환
├─ 3단계: 전문가가 검증 및 미세 조정
└─ 결과: 대규모 고품질 온톨로지 (수작업 1/100)

효과:
└─ 온톨로지의 "데이터 저장소" → "마스터 카탈로그"로 전환

Semantic Data Mining (온톨로지로 ML 강화)

"데이터에 날개를 달아주기"

전통적 ML:
├─ 특성 공학(Feature Engineering): 수동으로 피처 선택
├─ 결과: 도메인 지식 필요, 시간 많음
└─ 문제: 의미적 연관성 놓침

Semantic Data Mining:
├─ 온톨로지의 개념·관계를 피처로 사용
├─ "고객" + "구매 이력" + "선호도" → 자동 그룹화
├─ 결과: ML이 "의미있는" 패턴 학습
└─ 효과: 정확도 ↑, 필요 데이터 ↓

Concrete Examples

자율주행 자동차

상황: 교차로의 빨간 보행 신호

Vision Module (ML):
├─ CNN으로 "사람" 인식 ✅
├─ "빨간색" 감지 ✅
└─ 확률: 92%

Knowledge Engine (Ontology):
├─ 규칙: "보행자 + 빨간 신호 = 정지"
├─ 또는: "최대 속도 × 정지 거리 = 안전 거리"
└─ 판정: "정지해야 함"

Output:
└─ 자동차 정지 (설명 가능: "보행자 적신호, 충돌 위험")

의료 진단 시스템

환자: 기침, 발열, 피로

ML Component:
├─ EHR 데이터로부터 유사 환자 사례 검색
├─ 가능한 질병: [감기 80%, 독감 15%, 폐렴 5%]
└─ 확률적 예측

Ontology Component:
├─ 의료 규칙:
│  ├─ "발열 + 기침 + 피로" → 감기/독감 의심
│  ├─ "기침 지속 > 3주" → 폐결핵 검사 필요
│  └─ 약물 상호작용: "약 A + 약 B" → 피해야 함
├─ 환자의 약물 복용 이력 확인
└─ 금기 약물 필터링

Output:
└─ 진단: "감기 의심 (80% 신뢰도)"
   근거: "증상 + 유사 사례 + 의료 규칙"
   권장 약물: (안전한 조합만)
   설명: "귀납적 학습 + 연역적 규칙의 종합 결정"

Three Remaining Challenges

1. Expressiveness (표현력)

문제:
├─ 지식이 복잡할수록 시스템 속도 ↓
├─ 온톨로지 크기 ↑ → 추론 시간 ↑
└─ 실시간 시스템에서 병목

예시:
├─ 단순 규칙 "A → B": 빠름 ✅
├─ 복합 규칙 "A + B + C + D + E → X": 느림 ❌
└─ 트레이드오프: 표현력 vs 성능

해결 방향:
└─ 하이브리드 추론: 빠른 경로(ML) + 정확한 경로(Ontology) 선택

2. Explainability (설명 가능성)

문제:
├─ ML 모델: "블랙박스" (왜 이 결정? → "모름")
├─ Ontology: 설명 가능 (규칙 기반)
└─ 결합 시: 설명 경로를 어떻게 투명하게 유지?

예시:
├─ "이 고객에게 상품 추천한 이유는?"
├─ ML: "패턴 일치 스코어 87%"
├─ Ontology: "고객 선호도 프로필 매칭"
└─ 통합 설명: ?

해결 방향:
└─ Neuro-Symbolic 설명: 각 컴포넌트의 판단 근거를 명시적으로 추출

3. Consistency (일관성 유지)

문제:
├─ 새로운 데이터 학습 시 온톨로지 변경 필요
├─ "기존 규칙과 새 규칙이 모순?"
├─ ML 업데이트 → 기존 추론 결과와 불일치
└─ 실시간 시스템에서 심각한 문제

예시:
├─ 의료: "약 A는 금기" vs 새로운 ML 모델 "약 A 추천"
├─ 금융: "신용도 계산 규칙" vs "ML 모델 예측" 불일치
└─ 충돌 시 어느 것을 신뢰?

해결 방향:
└─ Consistency Checking: 온톨로지 + ML 결과를 동적으로 검증
   → 모순 발견 시 알림 & 중지

Explainability and Trust: The Ultimate Goal

성능(Performance)을 넘어서:

전통적 평가:
├─ 정확도 99%
├─ 속도 100ms
└─ → "좋은 AI"?

현대적 평가:
├─ 정확도 95% (약간 낮아도)
├─ + 설명 가능성 ✅
├─ + 사용자 신뢰 ✅
├─ + 규제 준수 ✅
└─ → "신뢰할 수 있는 AI" ✅

핵심 변화:
├─ 의료: "정확한 진단" → "환자가 이해하는 설명 기반 진단"
├─ 금융: "높은 ROI" → "규제 투명성 + 감시자 신뢰"
├─ 법률: "판결" → "판결 근거의 명확성"
└─ 전반: 성능과 신뢰의 균형

인간-AI 협력의 미래:
├─ AI는 "의사결정 도구" (도우미, 상담가)
├─ 인간은 "책임 주체" (최종 결정권, 감시)
└─ → 투명한 소통이 필수 전제

Impact on Modern AI Systems

적용 분야

  1. 의료 진단 및 치료 계획

    • 정확성(ML 학습) + 설명성(Ontology 규칙) = 의사-환자 신뢰

  2. 자율주행 & 로봇

    • 인식(ML) + 안전 규칙(Ontology) = 신뢰할 수 있는 자동화

  3. 금융·보험

    • 위험 패턴 감지(ML) + 규제 규칙(Ontology) = 감시 가능한 AI

  4. 법률 및 정책

    • 사례 기반 학습(ML) + 법률 규칙(Ontology) = 설명 가능한 판결

미래 전망

Hybrid Brain 완성 시:
├─ AI가 진정한 "이해"를 갖춤
├─ 성능과 신뢰성의 동시 달성
├─ 인간-AI 진정한 협력
└─ 지속 가능한 AI 생태계 구축

비평적 관점 (미해결 질문)

  • 온톨로지의 “경계”를 어떻게 설정할 것인가? (과도한 단순화 vs 과도한 복잡성)
  • Hybrid Brain에서 충돌 해결의 원칙은 무엇인가? (ML 우선? Ontology 우선?)
  • 설명 가능성과 성능 사이의 최적점은 존재하는가?
  • 이 방식이 대규모 시스템(수백만 개념)에 실제로 확장 가능한가?

출처: AI인터시스브랜드 채널 (2026-05-04)
영상: “Combining Machine Learning and Ontology — A Systematic Literature Review”
영상 ID: ZHzdVwdLNpk
길이: 약 9:13 (553초)
핵심: 머신러닝과 온톨로지의 상보적 결합을 통한 신뢰 기반 AI의 완성

그래프 뷰