KAG 핵심 기능 — 지식 표현과 혼합 추론
KAG 핵심 기능 — 지식 표현과 혼합 추론
KAG의 핵심은 두 가지 — LLM 친화적 지식 표현(kg-builder)과 논리 형태 기반 혼합 추론 엔진(kg-solver)이에요.
지식 표현 (Knowledge Representation)
개인 지식 베이스에는 비정형 데이터·구조화 정보·업무 전문 경험이 공존해요. KAG는 DIKW 계층(Data-Information-Knowledge-Wisdom)을 참조해 SPG를 LLM 친화적으로 업그레이드해요.
- 뉴스·이벤트·로그·책 같은 비정형 데이터와 거래·통계·승인 같은 구조화 데이터, 업무 경험·도메인 규칙을 레이아웃 분석·지식 추출·속성 정규화·의미 정렬 기법으로 통합해 하나의 업무 지식 그래프로 만들어요.
- 스키마 없는 정보 추출과 스키마 제약 전문 지식 구축을 같은 지식 유형(엔티티·이벤트)에서 호환 가능하게 지원해요.
- 그래프 구조와 원본 텍스트 블록의 상호 인덱스 표현을 지원해, 그래프 기반 인버티드 인덱스 구축과 논리 형태의 통일된 표현·추론을 촉진해요.
논리 형태 기반 혼합 추론 (Mixed Reasoning Guided by Logic Forms)
KAG는 논리 형태로 안내되는 혼합 솔루션·추론 엔진을 제안해요. 엔진은 세 유형의 연산자를 포함해요.
- 계획(planning), 추론(reasoning), 검색(retrieval) 연산자.
- 자연어 문제를 언어와 기호를 결합한 문제 해결 프로세스로 변환.
- 각 단계에서 정확 매칭 검색, 텍스트 검색, 수치 계산 또는 의미 추론 같은 서로 다른 연산자 사용.
덕분에 검색(Retrieval), 지식 그래프 추론, 언어 추론, 수치 계산 네 가지 문제 해결 프로세스를 통합할 수 있어요.
기술 아키텍처
KAG 프레임워크는 kg-builder, kg-solver, kag-model 세 부분으로 구성돼요. 이 글에서는 앞의 두 부분이 중심이에요. kg-builder가 지식 표현을, kg-solver가 혼합 추론 엔진을 담당해요.
더 알아보기 (Learn more)
출처: KAG 공식 저장소