여분의 해마

논문 요약: SPARQL-LLM경량 메타데이터(질의 예시 + 스키마)를 활용해 자연어 질문을 실시간·저비용으로 정확한 SPARQL 질의로 변환하는, 오픈소스 및 트리플스토어 독립적 시스템1. 연구 배경과 문제의식SPARQL의 높은 진입장벽: 지식 그래프(KG)에서 SPARQL 질의 작성은 문법, 복잡한 스키마 이해, 연합 질의(Federated Query) 지식 등이 필요하여 어려운 작업임기존 연구의 한계: 최신 LLM 접근법들은 주로 단일 소스에서의 정확도에만 치중하며, 실제 운영 환경에서 중요한 응답 시간(Runtime), 비용, 연합 질의 능력은 간과하는 경향이 있음도메인 특수성: 특히 생명정보학(Bioinformatics) 도메인은 데이터가 방대하고 스키마가 복잡하며 빠르게 진화하여 기존 시스템들..

최근 GraphRAG가 AI 지식 추출의 핵심 기술로 부상하면서, 지식을 어떤 형태로 저장하고 관리해야 하는지에 대한 전략적 선택이 중요해졌다. 내가 공부했던 분야는 RDF 기반의 트리플 구조의 지식그래프와 온톨로지였지만, 최근의 LLM에서 사용되는 그래프는 다양한 구현체이다. RDF, LPG, JSON(-LD)와 같은 구현에 따라 논문이나 시스템의 이해도가 달라질 수 있어 이번 기회에 정리해보았다.1. GraphRAG가 요구하는 그래프의 본질GraphRAG 논문과 Microsoft GraphRAG, NebulaGraph GraphRAG 등의 실제 구현체를 살펴보면 공통적으로 강조하는 지점이 있다. 그것은 그래프가 반드시 엔티티(Node)와 관계(Edge) 구조를 가져야 한다는 것이다.구조적 추론: 무엇..

https://ieeexplore.ieee.org/document/10387715/ Unifying Large Language Models and Knowledge Graphs: A RoadmapLarge language models (LLMs), such as ChatGPT and GPT4, are making new waves in the field of natural language processing and artificial intelligence, due to their emergent ability and generalizability. However, LLMs are black-box models, which often fall sieeexplore.ieee.org 최근 KG와 LLM을 연..