맨위로가기 타임라인 바로가기

지식 그래프

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
타임라인 바로가기
목차

1. 개요

지식 그래프는 지식을 개념과 그들 간의 관계(사실)로 나타내는 디지털 구조로, 1972년 에드가 W. 슈나이더가 처음 사용한 용어이다. 엔티티, 시맨틱 유형, 속성 및 관계의 네트워크로 구성되며, 추론을 지원하여 새로운 지식을 도출한다. 구글, 페이스북 등 여러 기업에서 지식 그래프를 활용하며, 여러 지식 그래프 간의 동일한 개체를 식별하는 '개체 정렬' 기술이 연구되고 있다.

더 읽어볼만한 페이지

  • 지식 그래프 - 위키데이터
    위키데이터는 주제, 개념, 객체를 나타내는 항목으로 구성된 문서 지향 데이터베이스로, 위키백과의 언어 간 링크 중앙 집중화, 정보 상자 자료 저장소 제공, 데이터 기반 목록 생성 및 갱신을 목표로 하는 위키미디어 재단의 프로젝트이다.
  • 지식 베이스 - Cyc
    Cyc는 더글러스 레너트가 시작한 인공지능 프로젝트로, 인간 수준의 지식을 컴퓨터에 구축하는 것을 목표로 지식베이스와 추론 엔진을 활용하며, 다양한 분야에 응용되었으나 데이터 구축의 어려움으로 비판받기도 했다.
  • 지식 베이스 - 온톨로지
    온톨로지는 철학의 존재론에서 유래하여 정보기술 분야에서 지식의 위치와 관계를 명확히 하는 연구 분야로 사용되며, 시맨틱 웹 구현의 핵심 도구로서 웹 자원 관리 및 정보 검색 효율성을 높이는 데 기여한다.
  • 온톨로지 - 지칭어
    지칭어는 특정 대상을 명확히 지칭하는 용어로, 한국어에서는 다양한 형태가 존재하며, 프로젝트 관리에서는 참조 조건의 의미로 프로젝트 목표와 범위를 정의하는 데 사용된다.
  • 온톨로지 - Cyc
    Cyc는 더글러스 레너트가 시작한 인공지능 프로젝트로, 인간 수준의 지식을 컴퓨터에 구축하는 것을 목표로 지식베이스와 추론 엔진을 활용하며, 다양한 분야에 응용되었으나 데이터 구축의 어려움으로 비판받기도 했다.
지식 그래프
개요
유형지식 표현
설명관계형으로 연결된 설명과 정보로 구성된 그래프
현실 세계의 개체, 사건, 상황, 개념을 나타냄
특징
구성 요소노드 (개체, 사건, 개념)
엣지 (관계)
목적지식 저장 및 관리
데이터 통합
추론 및 의사 결정 지원
정보 검색 및 질의 응답 개선
기술적 측면
표현 방법RDF (Resource Description Framework)
OWL (Web Ontology Language)
LPM (Logic Programming)
저장소그래프 데이터베이스
RDF 삼중 저장소
질의 언어SPARQL
활용 분야
분야검색 엔진 (지식 검색 및 정보 추출)
데이터 통합 (이질적인 데이터 소스 연결)
추천 시스템 (사용자 맞춤형 추천)
질의 응답 시스템 (자연어 질의 처리)
생명 과학 (유전자, 단백질, 질병 간 관계 분석)
소셜 네트워크 분석 (사용자 간 관계 분석)
관련 기술
관련 기술시맨틱 웹
온톨로지
지식 표현
기계 학습 (특히 그래프 임베딩)
추가 정보
관련 용어지식 베이스
시맨틱 네트워크
데이터 그래프

2. 역사

"지식 그래프"라는 용어는 1972년 오스트리아 언어학자 에드가 W. 슈나이더(Edgar W. Schneider)가 처음 사용했으며,[6] 1980년대 후반 흐로닝언 대학교(University of Groningen)와 트벤테 대학교(University of Twente)의 공동 프로젝트를 통해 구체화되었다. 초기 지식 그래프는 워드넷(Wordnet)(1985년), 지오네임즈(Geonames)(2005년), ThinkBase(1998년)처럼 특정 주제에 특화되었다.[7] 2007년에는 DBpedia와 프리베이스(Freebase)가 일반적인 지식을 위한 그래프 기반 저장소로 설립되었다.

2012년 구글이 지식 그래프를 도입하면서 이 용어는 대중화되기 시작했다.[8] 구글 지식 그래프는 DBpedia, 프리베이스, ''CIA 월드 팩트북'', 위키데이터, 위키백과 등 다양한 데이터를 통합하고, schema.org 어휘를 사용하여 엔티티와 관계 유형을 정리했다.[8][9][10] 이후 페이스북(Facebook), 링크드인(LinkedIn), 에어비앤비(Airbnb), 마이크로소프트(Microsoft), 아마존(Amazon.com) 등 여러 기업에서도 지식 그래프를 활용하면서 널리 사용되고 있다.[11]

2019년에는 전기 전자 기술자 협회(IEEE)가 "빅 지식"과 "데이터 마이닝 및 지능형 컴퓨팅" 컨퍼런스를 통합하여 국제 지식 그래프 컨퍼런스(International Conference on Knowledge Graph)를 만들었다.[12]

2. 1. 초기 역사

이 용어는 1972년에 오스트리아의 언어학자 에드가 W. 슈나이더(Edgar W. Schneider)가 강좌를 위한 모듈식 교육 시스템을 구축하는 방법에 대한 논의에서 처음 사용되었다.[6] 1980년대 후반, 흐로닝언 대학교(University of Groningen)와 트벤테 대학교(University of Twente)는 그래프 대수를 용이하게 하기 위해 제한된 관계 집합으로 가장자리가 제한된 시맨틱 네트워크 설계를 목표로 하는 지식 그래프라는 프로젝트를 공동으로 시작했다. 그 후 수십 년 동안 시맨틱 네트워크와 지식 그래프의 구분이 모호해졌다.

일부 초기 지식 그래프는 주제별로 특화되었다. 1985년, 단어와 의미 간의 의미 관계를 포착한 워드넷(Wordnet)이 설립되었으며, 이는 언어 자체에 대한 이 아이디어의 적용이었다. 2005년, 마크 워크(Marc Wirk)는 다양한 지리적 이름, 위치 및 관련 엔티티 간의 관계를 포착하기 위해 지오네임즈(Geonames)를 설립했다. 1998년 영국 Science in Finance Ltd의 앤드루 에드먼즈(Andrew Edmonds)는 그래픽 컨텍스트에서 퍼지 논리 기반 추론을 제공하는 ThinkBase라는 시스템을 만들었다.[7]

2007년에는 일반적인 지식을 위한 그래프 기반 지식 저장소(Repository (version control))로서 DBpedia와 프리베이스(Freebase)가 설립되었다. DBpedia는 위키백과에서 추출한 데이터에만 집중했지만, 프리베이스는 다양한 공개 데이터 세트도 포함했다. 어느 쪽도 자신을 '지식 그래프'라고 묘사하지 않았지만 관련 개념을 개발하고 설명했다.

2012년, 구글은 지식 그래프를 도입했으며,[8] DBpedia와 프리베이스 등을 기반으로 구축되었다. 이후 RDFa, 마이크로데이터, 색인된 웹 페이지에서 추출한 JSON-LD 콘텐츠를 통합했으며, 여기에는 ''CIA 월드 팩트북'', 위키데이터, 위키백과가 포함되었다.[8][9] 이 지식 그래프와 관련된 엔티티 및 관계 유형은 schema.org[10] 어휘의 용어를 사용하여 추가적으로 정리되었다. 구글 지식 그래프는 구글 내에서 문자열 기반 검색을 성공적으로 보완했으며, 온라인에서의 인기로 인해 이 용어가 더욱 널리 사용되었다.[10]

이후, 페이스북(Facebook), 링크드인(LinkedIn), 에어비앤비(Airbnb), 마이크로소프트(Microsoft), 아마존(Amazon.com), 우버(Uber), 이베이(eBay)를 포함한 여러 대규모 다국적 기업에서 지식 그래프 사용을 광고하여 이 용어를 더욱 대중화했다.[11]

2019년, 전기 전자 기술자 협회(IEEE)는 연례 국제 컨퍼런스인 "빅 지식"과 "데이터 마이닝 및 지능형 컴퓨팅"을 결합하여 국제 지식 그래프 컨퍼런스(International Conference on Knowledge Graph)로 만들었다.[12]

2. 2. 발전과 확산

이 용어는 1972년에 오스트리아의 언어학자 에드가 W. 슈나이더(Edgar W. Schneider)가 강좌를 위한 모듈식 교육 시스템을 구축하는 방법에 대한 논의에서 처음 사용되었다.[6] 1980년대 후반, 흐로닝언 대학교(University of Groningen)와 트벤테 대학교(University of Twente)는 그래프 대수를 용이하게 하기 위해 제한된 관계 집합으로 가장자리가 제한된 시맨틱 네트워크 설계를 목표로 하는 지식 그래프라는 프로젝트를 공동으로 시작했다. 그 후 수십 년 동안 시맨틱 네트워크와 지식 그래프의 구분이 모호해졌다.

일부 초기 지식 그래프는 주제별로 특화되었다. 1985년, 단어와 의미 간의 의미 관계를 포착한 워드넷(Wordnet)이 설립되었으며, 이는 언어 자체에 대한 이 아이디어의 적용이었다. 2005년, 마크 워크(Marc Wirk)는 다양한 지리적 이름, 위치 및 관련 엔티티 간의 관계를 포착하기 위해 지오네임즈(Geonames)를 설립했다. 1998년 영국 Science in Finance Ltd의 앤드루 에드먼즈(Andrew Edmonds)는 그래픽 컨텍스트에서 퍼지 논리 기반 추론을 제공하는 ThinkBase라는 시스템을 만들었다.[7]

2007년에는 일반적인 지식을 위한 그래프 기반 지식 저장소(Repository (version control))로서 DBpedia와 프리베이스(Freebase)가 설립되었다. DBpedia는 위키백과에서 추출한 데이터에만 집중했지만, 프리베이스는 다양한 공개 데이터 세트도 포함했다. 어느 쪽도 자신을 '지식 그래프'라고 묘사하지 않았지만 관련 개념을 개발하고 설명했다.

2012년, 구글은 지식 그래프를 도입했으며,[8] DBpedia와 프리베이스 등을 기반으로 구축되었다. 이후 RDFa, 마이크로데이터, 색인된 웹 페이지에서 추출한 JSON-LD 콘텐츠를 통합했으며, 여기에는 ''CIA 월드 팩트북'', 위키데이터, 위키백과가 포함되었다.[8][9] 이 지식 그래프와 관련된 엔티티 및 관계 유형은 schema.org[10] 어휘의 용어를 사용하여 추가적으로 정리되었다. 구글 지식 그래프는 구글 내에서 문자열 기반 검색을 성공적으로 보완했으며, 온라인에서의 인기로 인해 이 용어가 더욱 널리 사용되었다.[10]

이후, 페이스북(Facebook), 링크드인(LinkedIn), 에어비앤비(Airbnb), 마이크로소프트(Microsoft), 아마존(Amazon.com), 우버(Uber), 이베이(eBay)를 포함한 여러 대규모 다국적 기업에서 지식 그래프 사용을 광고하여 이 용어를 더욱 대중화했다.[11]

2019년, 전기 전자 기술자 협회(IEEE)는 연례 국제 컨퍼런스인 "빅 지식"과 "데이터 마이닝 및 지능형 컴퓨팅"을 결합하여 국제 지식 그래프 컨퍼런스(International Conference on Knowledge Graph)로 만들었다.[12]

2. 3. 최근 동향

2012년, 구글은 지식 그래프를 도입했으며,[8] DBpedia와 프리베이스 등을 기반으로 구축되었다. 이후 RDFa, 마이크로데이터, 색인된 웹 페이지에서 추출한 JSON-LD 콘텐츠를 통합했으며, 여기에는 ''CIA 월드 팩트북'', 위키데이터, 위키백과가 포함되었다.[8][9] 이 지식 그래프와 관련된 엔티티 및 관계 유형은 schema.org[10] 어휘의 용어를 사용하여 추가적으로 정리되었다. 구글 지식 그래프는 구글 내에서 문자열 기반 검색을 성공적으로 보완했으며, 온라인에서의 인기로 인해 이 용어가 더욱 널리 사용되었다.[10]

이후, 페이스북(Facebook), 링크드인(LinkedIn), 에어비앤비(Airbnb), 마이크로소프트(Microsoft), 아마존(Amazon.com), 우버(Uber), 이베이(eBay)를 포함한 여러 대규모 다국적 기업에서 지식 그래프 사용을 광고하여 이 용어를 더욱 대중화했다.[11]

2019년, 전기 전자 기술자 협회(IEEE)는 연례 국제 컨퍼런스인 "빅 지식"과 "데이터 마이닝 및 지능형 컴퓨팅"을 결합하여 국제 지식 그래프 컨퍼런스(International Conference on Knowledge Graph)로 만들었다.[12]

3. 정의

지식 그래프에 대해 단일하고 일반적으로 받아들여지는 정의는 없다. 대부분의 정의는 시맨틱 웹 관점에서 이 주제를 바라보며 다음과 같은 기능을 포함한다.[13]


  • '''주제 영역 내 지식 간의 유연한 관계''': 지식 그래프는 (i) 스키마에서 추상 클래스와 엔티티의 관계를 정의하고, (ii) 주로 그래프로 구성된 실제 세계 엔티티와 이들 간의 상호 관계를 설명하며, (iii) 임의의 엔티티를 서로 잠재적으로 상호 연결할 수 있으며, (iv) 다양한 주제 영역을 다룬다.[14]
  • '''일반적인 구조''': 엔티티, 시맨틱 유형, 속성 및 관계의 네트워크.[15][16] 속성을 나타내기 위해 범주형 또는 숫자형 값이 자주 사용된다.
  • '''추론된 온톨로지에 대한 추론 지원''': 지식 그래프는 정보를 온톨로지에 획득하고 통합하며, 리즈너를 적용하여 새로운 지식을 도출한다.[3]


그러나 이러한 기능 중 일부가 관련 없는 많은 지식 그래프 표현이 있다. 그러한 지식 그래프의 경우 이보다 단순한 정의가 더 유용할 수 있다.

  • 지식을 개념과 그들 간의 관계(사실)로 나타내는 디지털 구조이다. 지식 그래프는 인간과 기계가 내용을 이해하고 추론할 수 있도록 하는 온톨로지를 포함할 수 있다.[17][18]

4. 데이터 추론

지식 그래프는 온톨로지를 스키마 계층으로 사용하여 개체와 관계를 설명하고 의미를 형식적으로 나타낸다. 이를 통해 명시적 지식뿐만 아니라 논리적 추론을 통한 암묵적 지식도 검색할 수 있다.[24]

4. 1. 지식 그래프 임베딩

지식 그래프는 개체와 그 관계를 설명함으로써 의미를 형식적으로 나타낸다.[23] 지식 그래프는 스키마 계층으로 온톨로지를 사용할 수 있다. 이를 통해, 명시적 지식을 요청하는 쿼리만 허용하는 대신, 논리적 추론을 통해 암묵적 지식을 검색할 수 있다.[24]

다양한 기계 학습 작업에서 지식 그래프를 사용할 수 있도록 하기 위해, 개체와 관계의 잠재적 특징 표현을 도출하는 여러 가지 방법이 고안되었다. 이러한 지식 그래프 임베딩은 단어 임베딩과 같이 특징 벡터가 필요한 기계 학습 방법과 연결할 수 있게 해준다. 이는 개념적 유사성의 다른 추정치를 보완할 수 있다.[25][26]

유용한 지식 그래프 임베딩을 생성하기 위한 모델은 일반적으로 그래프 신경망(GNN)의 영역이다.[27] GNN은 지식 그래프의 개체 및 관계에 잘 대응되는 엣지 및 노드로 구성된 딥 러닝 아키텍처이다. GNN이 제공하는 토폴로지 및 데이터 구조는 반지도 학습을 위한 편리한 영역을 제공하며, 여기서 네트워크는 노드 임베딩의 값(인접 노드 그룹과 해당 엣지 제공) 또는 엣지(노드 쌍 제공)를 예측하도록 훈련된다. 이러한 작업은 지식 그래프 추론 및 정렬과 같은 더 복잡한 작업에 대한 기본적인 추상 역할을 한다.[28]

4. 2. 그래프 신경망 (GNN)

유용한 지식 그래프 임베딩을 생성하기 위한 모델은 일반적으로 그래프 신경망(GNN)의 영역이다.[27] GNN은 지식 그래프의 개체 및 관계에 잘 대응되는 엣지 및 노드로 구성된 딥 러닝 아키텍처이다. GNN이 제공하는 토폴로지 및 데이터 구조는 반지도 학습을 위한 편리한 영역을 제공하며, 여기서 네트워크는 노드 임베딩의 값(인접 노드 그룹과 해당 엣지 제공) 또는 엣지(노드 쌍 제공)를 예측하도록 훈련된다. 이러한 작업은 지식 그래프 추론 및 정렬과 같은 더 복잡한 작업에 대한 기본적인 추상 역할을 한다.[28]

5. 개체 정렬

두 개의 가상의 지식 그래프가 서로 다른 주제를 나타내며, 실제 세계의 동일한 개체에 해당하는 노드를 포함하고 있다. 개체 정렬은 여러 그래프에서 이러한 노드를 식별하는 과정이다.


다양한 분야와 맥락에서 새로운 지식 그래프가 생성됨에 따라, 동일한 개체가 여러 그래프에서 표현되는 것은 불가피하다. 그러나 지식 그래프의 구성 또는 표현에 대한 단일 표준이 존재하지 않기 때문에, 서로 다른 그래프의 어떤 개체가 동일한 실제 세계의 대상에 해당하는지를 해결하는 것은 쉽지 않은 과제이다. 이 과제는 ''지식 그래프 개체 정렬''이라고 알려져 있으며, 활발하게 연구가 진행되는 분야이다.[29]

개체 정렬은 일반적으로 두 지식 그래프 간의 유사한 하위 구조, 의미적 관계, 공유 속성 또는 이 세 가지의 조합을 식별하는 것을 목표로 한다. 개체 정렬 방법은 동형이 아닌 그래프 간의 구조적 유사성을 사용하여 어떤 노드가 동일한 개체에 해당하는지 예측한다.[30]

지식 그래프에 저장된 데이터의 양이 증가함에 따라, 지식 그래프 개체 정렬을 위한 신뢰할 수 있는 방법을 개발하는 것은 지식 그래프 데이터의 통합과 결합에 점점 더 중요한 단계가 되고 있다.

5. 1. 정렬 전략



다양한 분야와 맥락에서 새로운 지식 그래프가 생성됨에 따라, 동일한 개체가 여러 그래프에서 표현되는 것은 불가피하다. 그러나 지식 그래프의 구성 또는 표현에 대한 단일 표준이 존재하지 않기 때문에, 서로 다른 그래프의 어떤 개체가 동일한 실제 세계의 대상에 해당하는지를 해결하는 것은 쉽지 않은 과제이다. 이 과제는 ''지식 그래프 개체 정렬''이라고 알려져 있으며, 활발하게 연구가 진행되는 분야이다.[29]

개체 정렬 전략은 일반적으로 두 개의 서로 다른 지식 그래프 간의 유사한 하위 구조, 의미적 관계, 공유 속성 또는 이 세 가지의 조합을 식별하는 것을 목표로 한다. 개체 정렬 방법은 일반적으로 동형이 아닌 그래프 간의 이러한 구조적 유사성을 사용하여 어떤 노드가 동일한 개체에 해당하는지 예측한다.[30]

대규모 언어 모델(LLM)의 최근 성공, 특히 구문적으로 의미 있는 임베딩을 생성하는 데 있어서의 효율성은 개체 정렬 작업에 LLM을 사용하는 것을 촉진했다.[31]

지식 그래프에 저장된 데이터의 양이 증가함에 따라, 지식 그래프 개체 정렬을 위한 신뢰할 수 있는 방법을 개발하는 것은 지식 그래프 데이터의 통합과 결합에 점점 더 중요한 단계가 되고 있다.

5. 2. 대규모 언어 모델 (LLM)



대규모 언어 모델(LLM)의 최근 성공, 특히 구문적으로 의미 있는 임베딩을 생성하는 데 있어서의 효율성은 개체 정렬 작업에 LLM을 사용하는 것을 촉진했다.[31]

6. 사례

이 용어는 YAGO, 위키데이터와 같은 오픈 지식 프로젝트, 링크된 오픈 데이터 클라우드와 같은 연합, 야후의 시맨틱 검색 어시스턴트 Spark, 구글의 지식 그래프, 마이크로소프트의 사토리 등 다양한 상업용 검색 도구, 링크드인, 페이스북의 엔티티 그래프를 설명하는 데 사용되어 왔다.[3]

또한 사용자가 개인 지식 그래프를 구축할 수 있는 노트 필기 소프트웨어 응용 프로그램의 맥락에서도 사용된다.[20]

참조

[1] 웹사이트 What is a Knowledge Graph? https://ontotext.com[...] 2018
[2] 웹사이트 What defines a knowledge graph? https://www.atulhost[...] 2020
[3] conference Towards a Definition of Knowledge Graphs http://ceur-ws.org/V[...] Joint Proceedings of the Posters and Demos Track of 12th International Conference on Semantic Systems – SEMANTiCS2016 and 1st International Workshop on Semantic Change & Evolving Semantics (SuCCESS16)
[4] book The Semantic Web – ISWC 2020 2020
[5] journal Biological applications of knowledge graph embedding models 2021
[6] 문서 Course Modularization Applied: The Interface System and Its Implications For Sequence Control and Data Analysis Association for the Development of Instructional Systems (ADIS) 1973
[7] 웹사이트 US Trademark no 75589756 http://tmsearch.uspt[...]
[8] 웹사이트 Introducing the Knowledge Graph: things, not strings https://googleblog.b[...] 2017-03-21
[9] 웹사이트 Google's Freebase To Close After Migrating To Wikidata: Knowledge Graph Impact? https://www.seroundt[...] 2017-12-10
[10] 웹사이트 What is a Knowledge Graph? https://www.authorea[...] 2017-03-21
[11] 웹사이트 Knowledge Graph Enterprises https://kgkg.factnex[...] 2020
[12] 웹사이트 2021 IEEE International Conference on Knowledge Graph (ICKG)* https://kmeducationh[...] 2021-03-22
[13] journal Knowledge Graphs 2021-01-24
[14] journal Knowledge Graph Refinement: A Survey of Approaches and Evaluation Methods http://www.semantic-[...] 2017-03-21
[15] journal Editorial of the Special Issue on Knowledge Graphs https://doi.org/10.1[...] 2021-02-10
[16] 웹사이트 What is a Knowledge Graph? https://www.ontotext[...] 2020-07-01
[17] journal Knowledge Graphs: Opportunities and Challenges https://doi.org/10.1[...] 2023
[18] 웹사이트 The Knowledge Graph about Knowledge Graphs https://kgkg.factnex[...] 2020
[19] 웹사이트 The Linked Open Data Cloud https://lod-cloud.ne[...] 2020-06-30
[20] journal Meta-work: how we research is as important as what we research 2022-03
[21] 웹사이트 Neo4j Graph Database & Analytics https://neo4j.com/ 2023-11-08
[22] 웹사이트 Ontotext GraphDB https://www.ontotext[...] 2023-11-08
[23] 웹사이트 How do knowledge graphs work? https://www.stardog.[...] 2022-04-05
[24] 웹사이트 Unlocking the Power of Google Knowledge Panel: How to Obtain and Claim Yours in 2023 – RH Razu https://rhrazu.com/g[...] 2023-09-05
[25] book Proceedings of the 27th ACM International Conference on Information and Knowledge Management 2018-10
[26] 문서 The Semantic Web – ISWC 2016
[27] journal Graph neural networks: A review of methods and applications. 2020
[28] journal A comprehensive survey of graph neural networks for knowledge graphs. 2022
[29] conference Knowledge graph entity alignment with graph convolutional networks: lessons learned 2020-04-14
[30] Arxiv Entity alignment for knowledge graphs: progress, challenges, and empirical studies 2022
[31] journal Enhancing Entity Alignment Between Wikidata and ArtGraph using LLMs https://aidanhogan.c[...] 2023

관련 사건 타임라인

( 최근 20개의 뉴스만 표기 됩니다. )

2025. 3. 13. 오후 4:36:10

“알피, 실제 AI 에이전트 구축 노하우로 만들었다” – 바이라인네트워크

크라우드웍스가 AI 에이전트 구축 노하우를 담아 기업용 AI 에이전트 솔루션 '알피'를 출시했다. 알피는 데이터 전처리, RAG, 모델 성능평가 등 에이전트 구축 및 운영에 필요한 기능을 제공하며, 특히 문서 파싱 기술과 모델 평가 기능에 중점을 두었다.

출처: 바이라인네트워크 ( 한국 / 한국어 )


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com