파편화된 소재 연구 데이터를 체계적으로 연결하고 가치를 창출하기 위해 온톨로지(Ontology)적 접근법은 이제 선택이 아닌 필수입니다. 하지만 막상 방대한 소재 분야를 정리하려고 하면, 어디서부터 어떻게 손을 대야 할지 그 시작점은 난해할 수밖에 없습니다. 많은 연구 현장에서 의욕적으로 처음부터 복잡한 OWL(Web Ontology Language)을 도입하려 시도하곤 합니다. 하지만 이내 방대한 설계 작업과 엄격한 논리 구조의 벽에 부딪혀 지치게 되고, 결국 중도 포기하는 경우가 속출합니다. SKOS(Simple Knowledge Organization System)는 우리가 가장 먼저 해야 할 일이 무엇인지 명확한 이정표를 제시합니다. SKOS는 복잡함을 덜어내고 지식의 핵심 고리를 먼저 연결함으로써, 온톨로지 구축 작업을 가장 빠르게 시작할 수 있는 최적의 도구입니다.
동 포스트에서는 SKOS를 활용해 심플하게 지식의 뼈대를 세우고, 이를 기반으로 실질적인 도메인 레벨의 온톨로지까지 탄탄하게 확장해 나가는 전략을 소개합니다.
온톨로지적 접근법, 우리는 왜 심플함에 주목해야 할까요?
고민해야 할 부분은, 우리가 기술적 완벽함이라는 함정에 깊게 빠져 버리면, 정작 지금 당장 필요한 지식의 연결이라는 본질을 놓칠 수 있기 때문입니다. 이제는 가장 단순하면서도 강력한 시작법에 대해 진지하게 고민해 보아야 할 때입니다.
완벽한 설계라는 함정: 왜 시작도 하기 전에 지치는가?
소재 도메인은 그 자체로 극도로 복잡한 정보 체계를 가지고 있습니다. 미세조직부터 거시적 물성까지 다룰 수 있는 스케일의 범위, 복잡한 제조 공정, 수많은 화학적 조성의 조합에 이르기까지 데이터 간의 상관관계가 매우 촘촘하게 얽혀 있기 때문입니다. 이러한 복잡성을 해결하기 위해 온톨로지를 구축하려는 대부분의 시도들은 최상위 레벨 온톨로지(Top-level Ontology)와 정렬(Alignment)된 완벽한 도메인 온톨로지를 구축하려 합니다. 하지만 이러한 시도는 시작부터 난관에 빠질 수 밖에 없습니다.
- 학습 곡선의 장벽: 기존의 복잡한 온톨로지 표준을 조사하고, 우리 데이터에 맞게 습득하여 정렬하는 데만 적게는 수개월에서 길게는 일 년 이상의 시간이 소요됩니다.
- 전문가의 이탈: 정작 지식을 제공해야 할 소재 분야 도메인 전문가들은 복잡한 논리 구조와 OWL의 추상적인 개념을 이해하는 데 어려움을 느끼고, 결국 온톨로지 구축 작업은 현장과 동떨어진 IT 부서만의 작업으로 전락하곤 합니다.
결국, 완벽한 시작을 꿈꾸다 시작조차 못 하는 상황에 직면할 수 밖에 없습니다.
SKOS: 가볍게 시작해서 빠르게 반복(Iteration)하라
도메인 레벨의 온톨로지를 신속하게 구축하고 실제 연구 현장에 적용하려면 가볍게 시작해서 빠르게 반복하는 전략이 유용하게 작동할 수 있습니다. 이를 가능하게 하는 최적의 도구가 바로 SKOS(Simple Knowledge Organization System)입니다.
SKOS는 지식 분류 체계와 시소러스를 웹상에서 체계적으로 공유하기 위해 설계된 가벼운 데이터 모델입니다. 복잡한 논리 설계 대신 개념과 라벨 중심의 직관적인 구조를 제공하기 때문에, 이를 통해 도메인 전문가는 깊은 온톨로지 공학 지식 없이도 핵심 용어를 정리하고 지식 간의 계층 구조를 잡는 본질적인 작업에 즉시 참여할 수 있습니다. 이러한 단순함과 유연성은 방대한 소재 지식을 체계화하는 가장 빠른 시작점이 되어주며, 향후 정교한 도메인 온톨로지로 진화하기 위한 탄탄한 밑거름이 됩니다.
특히 SKOS는 OWL의 복잡한 논리적 제약 조건(Restriction)이나 공리(Axiom) 대신, 다음과 같은 직관적인 구조를 제공합니다.
- 개념(Concept): 유연한 지식의 단위 정의
- 라벨(Label): 선호 용어(prefLabel)와 대체 용어(altLabel)를 통한 용어 표준화
- 관계(Relation): 계층적(broader/narrower) 및 연관(related) 관계 설정
이러한 단순함 덕분에 소재 도메인 전문가들은 복잡한 코딩 지식이나 온톨로지 공학의 깊은 이론 없이도, 본인들이 가진 전문 지식을 바탕으로 용어를 정리하고 계층 구조를 잡는 본질적인 작업에 즉시 집중할 수 있습니다.
심플한 스키마가 만드는 강력한 밑거름
그렇지만 이와 같은 SKOS로 시작한다고 해서 데이터의 깊이가 얕아지는 것은 아닙니다. 오히려 유연하면서도 탄탄한 기초 스키마를 먼저 구축함으로써, 향후 복잡한 지식 모델로 진화하기 위한 가장 강력한 토대를 비교적 쉽게 마련할 수 있습니다.
가장 큰 장점은 신속한 프로토타이핑이 가능하다는 점입니다. 기존의 방식으로는 수개월이 소요되었을 설계 작업을 단 수주 이내로 단축하여 지식의 핵심 뼈대를 빠르게 세울 수 있습니다. 이 과정에서 연구자들은 복잡한 논리 구조에 매몰되지 않고, 도메인 전문가의 머릿속에 있는 핵심 소재 지식을 최우선적으로 데이터화하는 데 집중할 수 있습니다. 또한, SKOS는 뛰어난 점진적 확장성을 제공합니다. 초기에 정의된 개념들은 향후 분석의 정교함이 요구될 때 OWL의 클래스(Class)로 승격시키거나 더 세밀한 속성(Property)을 부여함으로써, 고도화된 도메인 온톨로지로 자연스럽게 확장될 수 있습니다. 결국 소재 데이터의 체계적인 연결은 거창한 설계도를 그리는 데 시간을 허비하는 것이 아니라, SKOS를 통해 현장의 용어들을 하나하나 실질적으로 엮어 나가는 빠른 실행에서 시작됩니다.
소재 분야는 일단 PSPP로부터 시작하는 것이 가장 이상적인 전략 입니다
소재 데이터의 지식 구조화가 어려운 이유는 데이터 간의 인과관계가 복잡하기 때문입니다. 이를 해결하기 위해 소재 과학의 근본 원리인 PSPP(공정-미세조직-물성-성능) 체계를 SKOS의 ‘개념 스키마(Concept Scheme)’로 채택하는 것은 다음과 같은 이유로 가장 이상적인 전략이 됩니다.
도메인 전문가의 사고 모델과의 완벽한 일치
온톨로지 구축의 실질적인 성패는 현장의 지식을 가장 잘 알고 있는 도메인 전문가, 즉 소재 연구자들이 얼마나 적극적으로 참여하느냐에 달려 있습니다. 이런 관점에서 PSPP 체계는 소재 분야의 학계와 산업계가 공통적으로 사용하는 ‘언어’이자 핵심적인 ‘사고의 틀’이기 때문에 매우 강력한 시작점이 됩니다.
연구자들은 자신의 실험 데이터나 연구 내용을 공정(Process), 미세조직(Structure), 물성(Property), 성능(Performance)이라는 네 가지 핵심 범주로 분류하는 것을 매우 직관적이고 당연하게 받아들입니다. 덕분에 복잡한 온톨로지 공학 설계 지식이 없더라도, SKOS가 제공하는 broader/narrower와 같은 단순한 계층 관계를 활용하여 자신이 연구하는 특정 합금이나 공정 변수를 PSPP 체계 내에 적절히 배치하는 것만으로도 수준 높은 지식 베이스 구축에 즉각적으로 기여할 수 있습니다. 결과적으로 이러한 접근법은 기술적 참여 장벽을 획기적으로 낮추어, 전문가의 지식이 데이터로 전환되는 속도를 비약적으로 높여줍니다.
상호운용성을 담보할 표준화 작업의 시작은 SKOS로부터
소재 연구 데이터는 실험실의 환경이나 연구자의 주관에 따라 동일한 개념도 서로 다른 용어로 표현되는 경우가 많아, 데이터 통합과 활용에 있어 파편화가 매우 심한 분야입니다. 이러한 상황에서 PSPP를 최상위 스키마로 설정한 SKOS 체계는 흩어진 지식을 하나로 묶어주는 강력한 표준화 기준점이 됩니다.
구체적으로 SKOS의 라벨링 기능을 활용하면, 현장에서 혼용되는 다양한 공정 명칭이나 물성 단위들을 선호 용어(prefLabel)와 대체 용어(altLabel)로 체계적으로 정리할 수 있습니다. 이는 연구자마다 다르게 사용하는 동의어나 약어들을 하나의 표준화된 개념으로 수렴시킴으로써, PSPP 각 단계에 최적화된 도메인 표준 용어집을 가장 신속하게 구축할 수 있게 해줍니다.
또한, 이러한 표준화 작업은 내부적인 데이터 정리를 넘어 대외적인 데이터 상호운용성을 확보하는 데 결정적인 역할을 합니다. 향후 외부의 권위 있는 소재 데이터베이스나 공공 지식 베이스와 데이터를 연동할 때, PSPP라는 명확한 카테고리와 정제된 용어 체계가 미리 갖춰져 있다면 데이터 간의 매핑(Mapping) 정확도가 비약적으로 상승합니다. 결과적으로 PSPP 기반의 SKOS 구축은 데이터의 재사용성을 높이고, 파편화된 정보들을 가치 있는 지식 자산으로 전환하는 핵심적인 기반이 됩니다.
소재 분야에서 SKOS의 활용성이 높을 수 밖에 없는 이유
데이터의 형태의 다양성과 용어 체계의 복잡성은, SKOS의 유연하고 직관적인 특성이 가장 효과적으로 발휘될 수 있는 영역입니다. 구체적으로 다음과 같은 세 가지 측면에서 그 활용성이 매우 높습니다.
첫째, 정교한 용어 표준화와 다국어 관리(Labeling)가 가능해집니다. 소재 분야는 동일한 물질이나 조성이라 할지라도 연구 현장에 따라 관용명, 화학식, IUPAC 명칭 등 불리는 이름이 매우 다양하여 데이터 통합에 큰 어려움이 있습니다. SKOS의 preferLabel(선호 라벨)을 통해 표준 명칭을 정립하고, altLabel(대체 라벨)을 통해 흩어져 있는 다양한 동의어와 약어들을 하나의 개념으로 묶어줌으로써, 연구자들이 각기 다른 용어를 사용하더라도 시스템상에서는 동일한 소재로 인식할 수 있는 견고한 표준화 환경을 제공합니다.
둘째, 방대한 소재 지식을 위한 유연한 계층 구조(Taxonomy)를 신속하게 구축할 수 있습니다. 금속, 세라믹, 고분자를 아우르는 소재의 분류 체계는 그 범위가 매우 넓고 계층 구조가 복잡합니다. SKOS의 broader(상위 개념)와 narrower(하위 개념) 관계를 활용하면, OWL처럼 엄격하고 복잡한 논리적 속성 정의 없이도 직관적인 소재 분류 체계를 세울 수 있습니다. 이러한 단순함은 지식 구조화 초기 단계에서 설계의 부담을 대폭 줄여주며, 도메인 전문가의 지식을 빠르게 데이터 뼈대로 전환하는 데 결정적인 역할을 합니다.
셋째, 글로벌 데이터 상호운용성을 확보하기에 매우 유리합니다. SKOS는 W3C(World Wide Web Consortium)에서 제정한 국제 표준 스키마이기 때문에, 개별 연구실이나 기관에서 구축한 지식 모델이 폐쇄적으로 남지 않고 외부와 쉽게 연결됩니다. 예를 들어, 이미 구축된 글로벌 소재 온톨로지인 MatOnto나 전문 화학 용어 사전 등과 매핑 및 연동하기가 매우 용이하여, 결과적으로 전 세계적인 소재 데이터 생태계와 지식을 공유하고 확장할 수 있는 표준 가교 역할을 수행하게 됩니다.
본격적인 온톨로지 구축을 위해서는 어떤 후속 작업이 있을까요?
SKOS를 통해 지식의 기초적인 뼈대와 용어 체계를 확립했다면, 다음 단계는 이를 바탕으로 논리적 정교함을 갖춘 도메인 온톨로지(OWL)로 확장하여 지식의 깊이를 더하는 것입니다. 이 고도화 과정은 단순한 분류를 넘어 데이터 간의 ‘의미적 연결’을 완성하는 과정으로, 다음과 같은 핵심 작업들이 수반됩니다.
먼저, 클래스 및 속성의 구체화(Class & Property Definition) 단계가 진행됩니다. SKOS에서 개념으로 느슨하게 정의되었던 요소들을 OWL의 클래스로 승격시키고, 이들 사이의 관계를 명확한 객체 속성(Object Property)으로 정의합니다. 예를 들어, 단순히 관련이 있다고만 표시했던 ‘소재 A’와 ‘공정 B’ 사이의 관계를 “소재 A는 공정 B를 통해 제조된다(isManufacturedBy)”와 같은 구체적인 속성으로 설정함으로써, 기계가 이해할 수 있는 명확한 지식 구조를 형성합니다.
둘째로, 논리적 제약 조건(Constraints & Axioms) 설정을 통해 지식의 엄밀성을 확보합니다. 특정 공정이 수행될 수 있는 온도 범위나 압력 조건, 혹은 특정 소재가 가질 수 있는 화학적 조성의 한계치 등을 논리적으로 정의합니다. 이러한 제약 조건은 입력되는 소재 데이터의 무결성을 자동으로 검증하는 기준이 되며, 데이터의 품질을 비약적으로 높이는 역할을 합니다.
셋째는 실제 개체(Instance) 매핑 작업입니다. 정교하게 설계된 온톨로지 구조 위에 실제 실험실에서 생성된 데이터, 논문에서 추출한 수치, 혹은 시뮬레이션 결과값들을 연결(Population)하는 단계입니다. 이 과정을 통해 추상적인 모델이었던 온톨로지는 살아있는 소재 지식 그래프로 탈바꿈하며, 실제 연구 현장에서 검색과 분석에 활용될 수 있는 실체적인 데이터 자산이 됩니다.
마지막으로, 추론 규칙(Reasoning)의 적용을 통해 지식의 가치를 극대화합니다. 구축된 온톨로지에 추론 엔진을 연결하면, 데이터 간의 관계를 분석하여 명시적으로 입력되지 않은 새로운 상관관계를 자동으로 발견하거나 데이터 간의 논리적 모순을 찾아낼 수 있습니다. 예를 들어, 특정 공정 조건과 미세조직의 관계를 바탕으로 예상되는 물성을 추론해내는 등, 단순한 데이터 조회를 넘어 새로운 통찰력을 제공하는 지능형 연구 지원이 가능해집니다.
맺음말: 작게 시작해서 크게 키우기
소재 지식 그래프 구축의 성공 여부는 초기 설계의 완벽함이 아니라, 변화하는 연구 환경에 맞춰 얼마나 유연하게 확장할 수 있느냐에 달려 있습니다. SKOS는 이러한 유연성을 보장하면서도 지식의 핵심 뼈대를 가장 신속하게 세울 수 있도록 돕는 최적의 도구입니다. 거창한 설계도에 매몰되기보다, 지금 바로 연구실에 산재된 용어들을 SKOS로 하나씩 연결해 나가는 빠른 실행에 집중해 보시기 바랍니다. 현장의 지식이 체계적으로 정리되는 이 과정은 향후 복잡한 도메인 온톨로지로 진화하기 위한 가장 강력한 토대가 될 것입니다. 이 작은 시작이야말로 데이터 기반의 혁신을 이끄는 미래형 AI 소재 연구 시대를 향한 가장 실질적인 첫걸음이 될 것입니다.