컴퍼니 브레인이란

컴퍼니 브레인이란?

AI를 회사 업무에 붙이면 세 가지 문제가 순서대로 나타납니다. 컴퍼니 브레인의 세 구성 요소는 각 문제의 대안입니다.

브레인으로 부르는 이유

창고는 들어온 데이터를 모두 보관하고, 브레인은 판단에 필요한 맥락만 걸러 남깁니다. 설계의 핵심은 무엇을 기억하고 무엇을 잊을지 기준을 정하는 일입니다.

컴퍼니 브레인의 유래

개인이 남기는 메모에서 시작해 회사의 기억으로 발전해왔습니다.

컴퍼니 브레인의 세 가지 구성 요소

1번에서 본 세 대안을 한 그림에 놓으면 아래 도식입니다. 셋은 LLM과 각각 왕복하고, 위키와 도구는 회사 데이터를 기반으로 작동합니다.

LLM 위키의 구성

정형과 비정형은 데이터의 모양을 구분하고, 온톨로지는 그 데이터가 무엇을 뜻하고 서로 어떻게 연결되는지 정하며, RAG는 질문에 필요한 근거를 찾아 LLM에 전달합니다.

기술 정의부터 시작하면 용어가 어렵게 느껴집니다. 이미 아는 것에 연결하면 이해가 빠릅니다. 아래에서는 회사의 고객 정보 하나를 예로 네 개념을 설명합니다.

1. 1
   비정형 데이터는 기록입니다

   회사에는 회의록, 이메일, PDF 계약서, 메신저 대화, 보고서 같은 기록이 쌓여 있습니다. 대부분은 엑셀처럼 칸이 나뉘어 있지 않습니다. 이런 기록을 비정형 데이터라고 부릅니다. 사람은 읽으면 이해하지만 컴퓨터는 표처럼 바로 다루지 못하는 기록입니다.

2. 2
   RAG는 그 기록에서 필요한 것을 찾아오는 방법입니다

   RAG는 Retrieval-Augmented Generation의 머리글자입니다. 우리말로는 검색 증강 생성입니다. 세 단어의 순서가 곧 동작 순서입니다.

   • Retrieval 검색. 질문과 관련된 기록을 먼저 찾아옵니다.
   • Augmented 증강. 찾아온 기록을 질문에 덧붙여 AI에게 전달합니다.
   • Generation 생성. AI가 전달받은 기록을 근거로 답을 작성합니다.

   회의록이 10만 건 있다고 가정합니다. 직원이 "지난번 A사 가격 인하를 왜 결정했는가"라고 묻습니다. AI에게 10만 건을 전부 읽힐 수는 없습니다. RAG는 질문과 관련된 회의록과 문서를 먼저 골라 AI에게 전달합니다.

   RAG는 AI의 기억이 아니라, 필요한 기억을 찾아오는 방식입니다.

   Retrieval, 곧 찾아오는 방법은 네 가지입니다. 실무에서는 넷을 함께 씁니다.

   • 키워드 검색 단어가 일치하는 기록을 찾습니다. "환불"을 검색하면 "환불"이 적힌 문서가 나옵니다. 빠르고 정확하지만 표현이 다르면 놓칩니다.
   • 시맨틱 검색 뜻이 비슷한 기록을 찾습니다. "돈을 돌려주는 조건"을 검색해도 환불 정책 문서가 나옵니다. 문장을 뜻의 좌표인 벡터로 바꿔 거리를 비교하며, 그 좌표를 모아 둔 색인이 벡터 데이터베이스입니다.
   • SQL / 필터 정형 데이터를 조건으로 찾습니다. "지난 분기 매출 상위 10개 고객"처럼 표에서 조건에 맞는 행을 꺼냅니다.
   • 그래프 탐색 관계를 따라갑니다. A사에서 출발해 계약, 상품, 담당자로 이어진 선을 따라 찾습니다. 다음 단계의 지식 그래프가 이 검색의 대상입니다.

   이 실습의 스킬은 벡터 DB 없이 목차 파일과 전문 검색으로 찾습니다. 페이지가 수백 장을 넘으면 그때 벡터 DB를 붙입니다.

3. 3
   RAG만으로는 관계를 알 수 없습니다

   같은 회사가 문서마다 다른 이름으로 적혀 있습니다.

   "에이비씨와 재계약했다."ABC Corp.주식회사 에이비씨

   사람은 문맥으로 같은 회사임을 알아챕니다. 시스템에서는 세 이름이 서로 다른 대상으로 남습니다. 이 간격을 메우는 것이 온톨로지와 지식 그래프입니다.

4. 4
   온톨로지는 관계를 정하는 규칙입니다

   온톨로지는 데이터가 아니라 대상을 어떻게 구분하고 연결할지 정한 설계도입니다.

   • 고객은 계약을 맺는다.
   • 계약에는 상품이 포함된다.
   • 계약에는 담당자가 있다.
   • 고객은 하나 이상의 법인명을 가질 수 있다.

   비유하면 사전과 문법입니다. 사전은 고객, 계약, 상품이 무엇인지 정하고, 문법은 이들이 어떤 관계를 맺을 수 있는지 정합니다.

5. 5
   지식 그래프는 그 규칙으로 실제 관계를 그린 지도입니다

   온톨로지가 설계도라면 지식 그래프에는 실제 이름과 사실이 들어갑니다.

   A사
    ├─ 체결했다 → 계약 123
    │              └─ 포함한다 → 상품 B
    ├─ 담당자 → 김영희
    └─ 법인명 → 주식회사 에이비씨

   온톨로지는 관계의 규칙이고, 지식 그래프는 그 규칙으로 연결한 실제 사실입니다.

구성 요소별 범위와 리스크 온톨로지의 기술 정의

온톨로지는 원래 철학 용어입니다. 정보 시스템에서는 어떤 영역에 무엇이 존재하고 그 사이에 어떤 관계가 있는지를 형식으로 규정한 것을 뜻합니다. 테이블 스키마보다 범위가 넓습니다. 스키마는 열의 자료형만 정하지만, 온톨로지는 개체와 속성과 관계에 더해 지켜야 할 규칙까지 규정합니다. 앞의 사전과 문법 비유는 이 정의를 풀어 쓴 것입니다.

팔란티어가 하는 것

팔란티어의 기업용 플랫폼은 Foundry입니다. 공식 문서는 Foundry를 "온톨로지로 구동되는 기업용 운영체제"로 소개하고, 온톨로지를 그 핵심으로 규정합니다. Foundry의 온톨로지는 회사에 흩어진 데이터 위에 얹는 운영 계층이며, 공식 문서는 이를 조직의 디지털 트윈이라 부릅니다. 구성 요소는 두 종류입니다.

• 의미 요소 객체, 속성, 링크로 구성됩니다. 설비와 제품 같은 물리 자산부터 고객 주문과 금융 거래 같은 개념까지 데이터와 연결합니다. 이 페이지의 용어로는 규칙(온톨로지)과 지도(지식 그래프)에 해당합니다.
• 운동 요소 액션, 함수, 동적 권한으로 구성됩니다. 현업의 결정을 받아 기존 시스템에 반영합니다. 이 페이지의 용어로는 실행(MCP 허브)에 해당합니다.

따라서 팔란티어의 온톨로지는 이 페이지의 온톨로지(규칙)보다 범위가 넓습니다. 규칙, 지도, 실행을 하나로 묶은 제품 명칭입니다. 비교 대상은 규칙끼리가 아니라 팔란티어 온톨로지와 LLM 위키 전체입니다. 아래 비교는 팔란티어 플랫폼 전체가 아니라 온톨로지 층에 한정합니다.

공통점은 하나

둘 다 규칙과 지도, 곧 의미와 관계 층을 갖습니다. 팔란티어는 이 층을 "온톨로지"라는 제품 명칭으로 부르고, LLM 위키는 스키마 파일(규칙)과 개체 페이지·개념 페이지 사이의 링크(지도)로 구현합니다. 위키의 규칙은 형식 정의가 아니라 작성 규약이므로 팔란티어보다 느슨합니다.

차이점은 여섯 축

차이는 여섯 가지 질문으로 정리됩니다. 여섯 축은 서로 겹치지 않으며 표 하단의 두 결과는 이 여섯 축에서 비롯됩니다.

재료가 갖춰야 할 조건, DATA

LLM 위키와 MCP 허브는 회사 데이터를 기반으로 작동합니다. 두 구성 요소를 갖춰도 데이터가 준비되지 않으면 작동하지 않습니다. 회사에 데이터는 이미 충분히 많습니다. 문제는 AI가 읽어 갈 수 있는 상태인가입니다. 점검할 조건은 네 가지이며, 머리글자를 모으면 DATA가 됩니다. 국제 학계가 2016년 정리한 데이터 관리 원칙도 같은 취지로 네 가지를 꼽습니다.

경쟁사도 같은 모델을 쓴다면, 어떻게 차별화해야 할까요?

경쟁사도 같은 모델을 사용한다면 유일한 차별점은 컴퍼니 브레인입니다. 그 차이를 만드는 것은 우리 회사에만 있는 데이터와 우리 회사만 아는 워크플로우입니다.

여기서 만드는 것은 AI가 아닙니다. AI가 우리 회사를 알게 만드는 환경입니다.