온톨로지(Ontology)
1. 개요
온톨로지(Ontology)란 특정 도메인에 존재하는 개념(Concept)과 개념 간의 관계, 그리고 이들이 지켜야 할 제약·규칙을 사람과 기계가 공유할 수 있도록 명시적·형식적으로 규정한 명세(Specification)이다. T. Gruber는 이를 "공유된 개념화(Conceptualization)에 대한 명시적 명세(An explicit specification of a conceptualization)"로 정의하였는데, 이는 어떤 세계를 바라보는 공통의 관점을 모호함 없이 기계가 처리 가능한 형태로 약속해 둔 것을 뜻한다.
정보시스템이 조직·기관의 경계를 넘어 연계되기 시작하면서, 같은 용어를 서로 다른 의미로 쓰거나(동음이의) 다른 용어를 같은 의미로 쓰는(이음동의) 문제가 데이터 통합의 근본적 장애로 떠올랐다. 예컨대 한 시스템의 '고객'과 다른 시스템의 '거래처'가 같은 실체를 가리키는지를 사람이 일일이 해석해 매핑해야 했고, 이 과정은 비용이 크고 오류가 잦았다. 관계형 스키마는 데이터의 구조(Structure)는 규정하지만 그 의미(Semantics)는 담지 못하기에, 의미를 기계가 이해하고 추론하게 하려는 요구가 축적되었다. 온톨로지는 바로 이 공백, 즉 "데이터가 무엇을 의미하는가"를 형식 논리로 못 박아 기계가 해석·추론·검증할 수 있게 하려는 필요성에서 등장하였다.
직접적 계기는 2000년대 초 Tim Berners-Lee가 제창한 시맨틱 웹(Semantic Web) 비전이다. 웹 문서를 사람이 아니라 기계도 '이해'하게 하여 자동 질의·통합·추론을 실현하려는 구상 속에서, 그 의미 계층의 핵심 뼈대로 온톨로지가 자리 잡았다. 최근에는 대규모 언어모델(LLM)의 환각을 억제하고 추론의 근거를 제공하는 뉴로-심볼릭(Neuro-Symbolic) 접근과 지식 그래프의 스키마로서 온톨로지가 재조명되며, 단순 분류체계를 넘어 설명가능 AI의 기반 지식으로 다시 주목받고 있다.
온톨로지가 갖추어야 할 바람직한 특징으로는 흔히 명확성(Clarity, 용어 정의의 모호함 제거), 일관성(Coherence, 공리 간 모순 부재), 확장성(Extensibility, 기존 정의를 깨지 않고 개념 추가), 최소 존재론적 공약(Minimal Ontological Commitment, 필요 이상으로 세계를 단정하지 않음)이 꼽힌다. 이는 Gruber가 제시한 설계 원칙으로, 온톨로지가 특정 응용에 종속되지 않고 여러 시스템이 공유·재사용할 수 있는 지식 자산이 되기 위한 조건이다. 즉 온톨로지의 목적은 한 시스템의 데이터 모델을 넘어, 조직·도메인 전체가 합의하는 의미의 '공용어'를 세우는 데 있다.
2. 온톨로지의 구성 요소와 전체 구조
온톨로지는 크게 클래스(Class, 개념), 인스턴스(Instance, 개체), 속성(Property, 관계·특성), 그리고 이들에 논리적 제약을 부여하는 공리(Axiom)로 구성된다. 클래스는 '사람', '장군'처럼 같은 성질을 가진 개체의 집합을 추상화한 개념이고, 인스턴스는 '이순신'처럼 그 클래스에 실제로 속하는 구체적 개체이다. 속성은 개체를 다른 개체와 잇는 관계(ObjectProperty, 예: 지휘하다)이거나 개체에 값을 부여하는 데이터 특성(DatatypeProperty, 예: 출생연도)이며, 공리는 "모든 장군은 사람이다", "한 사람은 하나의 생년만 가진다"처럼 반드시 참이어야 하는 제약을 선언해 추론과 일관성 검증의 근거가 된다.
flowchart TB
O["온톨로지(Ontology)"] --> C["클래스/개념(Class)"]
O --> P["속성(Property)"]
O --> A["공리/제약(Axiom)"]
O --> I["인스턴스(Instance)"]
C -->|subClassOf| C2["상·하위 개념 계층(Taxonomy)"]
P --> OP["객체 속성(ObjectProperty)"]
P --> DP["데이터 속성(DatatypeProperty)"]
A --> R["규칙·제약(domain/range, cardinality)"]
I -->|rdf:type| C
위 구조에서 클래스 계층(Taxonomy)은 'is-a' 관계로 개념을 상·하위로 조직한 뼈대이지만, 온톨로지는 분류체계(Taxonomy)나 통제어휘(Thesaurus)와 달리 임의의 의미적 관계와 형식 논리 공리까지 담는다는 점에서 표현력이 본질적으로 높다. 바로 이 공리층이 "저장되지 않은 사실도 논리적으로 끌어낼 수 있는가"를 좌우하며, 온톨로지를 단순한 용어 사전이 아닌 추론 가능한 지식 모델로 격상시킨다.
가. 클래스와 계층(Taxonomy)
클래스는 도메인의 개념을 추상화한 집합으로, subClassOf(포함) 관계로 상·하위 계층을 형성한다. '사람 ⊃ 군인 ⊃ 장군'처럼 계층을 정의하면, '이순신'이 장군의 인스턴스라는 사실만으로 그가 군인이자 사람이라는 사실이 자동으로 상속·추론된다. 이는 중복 저장을 줄이고 데이터 일관성을 보장하는 핵심 장치이다.
계층 설계가 중요한 까닭은, 상속 구조가 곧 추론의 뼈대이기 때문이다. 클래스 계층이 정교할수록 하위 개념에 대한 질의가 상위 개념의 지식을 자동으로 활용하게 되어, 예컨대 "모든 군인의 소속을 조회하라"는 질의가 장군·병사 등 하위 클래스 인스턴스까지 한 번에 포괄한다. 반대로 계층이 잘못 설계되면 상속이 오히려 오류를 전파하므로, 'is-a' 관계가 참인지('장군은 반드시 군인인가')를 엄밀히 따져 남용하지 않는 것이 원칙이다.
다만 계층 설계는 도메인 전문가의 세계관을 반영하므로, 지나치게 깊은 계층은 유지보수를 어렵게 하고 지나치게 얕은 계층은 추론 효용을 떨어뜨린다. 실무에서는 상위개념(Upper Ontology, 예: BFO·DOLCE)을 재사용해 계층의 상단을 표준화하고, 하위 도메인만 신규 설계하는 방식으로 설계 품질과 상호운용성을 함께 확보한다. 의료 온톨로지가 BFO를 상단으로 채택해 서로 다른 의료 온톨로지 간 정합성을 높인 것이 대표적 사례이다.
나. 속성(관계와 특성)과 그 제약
속성은 개체를 세계에 연결하는 '동사'에 해당한다. 객체 속성은 개체-개체를 잇고(지휘하다), 데이터 속성은 개체-값을 잇는다(출생연도 = 1545). 속성에는 정의역(domain)·치역(range) 제약을 부여해 "지휘하다의 주체는 사람, 대상은 전함"처럼 쓰임을 제한하고, 대칭성·이행성·역관계 같은 논리적 성질을 선언할 수 있다.
속성의 논리적 성질은 단순한 메타데이터가 아니라 그 자체로 새로운 사실을 만들어 내는 추론 규칙이다. 예컨대 '조상'을 이행적(transitive) 속성으로 선언하면 'A의 조상이 B이고 B의 조상이 C'일 때 'A의 조상이 C'라는 사실이 추론기(Reasoner)에 의해 자동 도출된다. 역관계(inverseOf)를 선언하면 '부모'로부터 '자식'이 자동 생성되고, 대칭(symmetric) 속성인 '배우자'는 한 방향만 입력해도 반대 방향이 함의된다. 이처럼 명시적으로 저장하지 않은 사실을 규칙으로 메우는 능력이 온톨로지가 저장 공간을 절약하면서도 완결적 지식을 유지하는 원리다.
이처럼 속성의 논리적 성질을 정교하게 선언하는 것이 온톨로지의 추론력을 결정하며, 제약이 부실하면 잘못된 데이터가 걸러지지 않아 지식의 신뢰성이 무너진다. 반대로 과도하게 강한 제약은 정당한 데이터까지 비일관으로 판정해 운용을 어렵게 하므로, 도메인의 실제 규칙과 예외를 면밀히 조사해 공리의 강도를 조율하는 균형 감각이 지식공학자의 핵심 역량이다.
다. 공리와 일관성
공리는 도메인에서 반드시 참이어야 하는 제약을 형식 논리로 명시한 것이다. "남성과 여성은 서로소(disjoint)", "모든 주문은 정확히 한 명의 고객을 가진다(cardinality)"와 같은 공리는 데이터 입력 시 모순을 탐지하는 무결성 검증(Consistency Checking)의 근거가 된다. 어떤 개체가 남성이면서 동시에 여성 클래스에 속한다고 기술되면, 추론기는 서로소 공리를 근거로 그래프가 비일관(Inconsistent)함을 보고한다.
공리의 또 다른 역할은 개체의 소속을 추론해 분류하는 것이다. OWL은 필요충분조건(equivalentClass)으로 클래스를 정의할 수 있어, 예컨대 "자녀가 있는 사람은 부모다"라는 공리가 있으면 '자녀 관계가 입력된 개체'를 추론기가 자동으로 부모 클래스로 분류한다. 설계자가 일일이 유형을 지정하지 않아도 규칙만으로 개체가 적절한 개념에 귀속되는 것으로, 이는 규칙 기반 자동 태깅·범주화의 강력한 토대가 된다.
이는 관계형 DB의 제약조건(CHECK·FK)보다 훨씬 표현력이 높은 의미 수준의 검증으로, 데이터 품질을 선언적으로 보장하는 수단이다. 다만 공리가 많아질수록 추론 비용과 설계 난도가 함께 커지므로, "반드시 기계가 추론·검증해야 하는 규칙"만 공리로 승격하고 나머지는 문서화로 남기는 절제가 유지보수성을 좌우한다.
라. 인스턴스와 지식 베이스(A-Box/T-Box)
온톨로지는 개념·관계·공리를 규정하는 스키마층(T-Box, Terminology)과, 실제 개체 사실을 담는 사실층(A-Box, Assertion)으로 구분된다. T-Box는 "장군은 사람이다"라는 개념 지식을, A-Box는 "이순신은 장군이다"라는 개별 사실을 담는다. 이 분리는 설계상 중요한데, 스키마(T-Box)는 비교적 안정적으로 재사용되는 반면 사실(A-Box)은 끊임없이 추가·갱신되기 때문이다.
이 구분은 서술 논리의 추론 서비스가 두 층을 각각 다루는 데서도 의미를 갖는다. T-Box 추론은 개념 간 포함·동치·충족불가능(unsatisfiable)을 검사해 스키마 자체의 건전성을 검증하고, A-Box 추론은 개별 개체의 소속과 사실의 일관성을 판정한다. 대규모 시스템에서는 A-Box가 수십억 트리플로 비대해지므로, 무거운 T-Box 추론은 설계·배포 시점에 수행해 두고 운용 중에는 가벼운 질의 응답만 처리하는 식으로 추론 비용을 시간축에 분산하는 설계가 일반적이다.
지식 그래프는 흔히 A-Box를 대규모로 축적한 결과물이며, 그 위에 온톨로지(T-Box)가 의미와 추론 규칙을 공급하는 관계로 이해할 수 있다. 따라서 "지식 그래프를 구축한다"는 과제는 사실을 모으는 일(A-Box)과 그 사실을 해석·검증할 규칙을 정의하는 일(T-Box)을 분리해 접근해야 하며, 후자를 소홀히 하면 데이터는 쌓이되 추론·검증이 불가능한 '의미 없는 그래프'에 그치게 된다.
3. 시맨틱 웹 스택과 온톨로지 표현 언어
온톨로지를 기계가 처리하려면 표준화된 표현 언어가 필요하다. W3C는 데이터 식별·구조·의미를 계층적으로 쌓아 올리는 시맨틱 웹 스택을 표준화하였고, 그 위에서 온톨로지는 RDFS와 OWL로 기술된다.
flowchart TB
subgraph STACK["시맨틱 웹 계층 구조"]
direction TB
L1["URI/IRI · 문자(식별·인코딩)"]
L2["RDF(트리플: 주어-술어-목적어)"]
L3["RDFS(클래스·속성 계층)"]
L4["OWL(형식 논리·제약·추론)"]
L5["SPARQL(질의) · Reasoner(추론)"]
L1 --> L2 --> L3 --> L4 --> L5
end
RDF(Resource Description Framework)는 모든 사실을 주어-술어-목적어의 트리플로 환원하고 전역 식별자(URI)로 개체를 유일하게 지칭하는 데이터 모델이다. RDFS(RDF Schema)는 그 위에서 클래스와 속성의 계층(subClassOf·subPropertyOf)과 domain·range를 정의하는 가벼운 어휘층이다. OWL(Web Ontology Language)은 서술 논리(Description Logic)에 기반해 서로소·기수 제약·속성의 이행성·논리합/곱 등 풍부한 공리를 표현할 수 있는 본격적 온톨로지 언어로, 2004년 제정 후 2009년 OWL 2로 개정되었다. OWL 2는 추론 복잡도와 표현력을 달리하는 프로파일(EL·QL·RL)을 제공해, 대규모 의료 용어체계(EL)나 대용량 질의(QL)처럼 용도에 맞는 계산 특성을 선택하도록 한다.
| 구분 | RDFS | OWL(OWL 2) | 비교 관점 |
|---|---|---|---|
| 이론 기반 | 단순 스키마 | 서술 논리(DL) | 표현력/추론 가능성 |
| 표현 가능 제약 | 계층·domain/range | 서로소·기수·이행성·동치 | 의미 정밀도 |
| 추론 깊이 | 얕음(계층 상속) | 깊음(모순 탐지·분류) | 지식 검증 수준 |
| 계산 복잡도 | 낮음 | 높음(프로파일로 조절) | 성능 트레이드오프 |
표에서 보듯 RDFS는 가볍고 빠르지만 "서로소"나 "정확히 하나" 같은 정밀한 제약을 표현할 수 없어 깊은 추론이 불가능하다. 반대로 OWL은 풍부한 논리를 지원하는 대신 추론 비용이 커지므로, 표현력과 성능 사이에서 프로파일을 통한 절충이 설계의 핵심이 된다. 즉 "무엇을 표현할 것인가"가 아니라 "어느 수준의 추론을 어느 비용에 감당할 것인가"가 실질적 선택 기준이다.
4. 온톨로지 구축 방법론과 추론
온톨로지는 한 번에 완성되지 않고 반복적(iterative) 수명주기로 구축된다. 대표적으로 METHONTOLOGY는 명세→개념화→형식화→구현→유지보수의 단계를, Noy와 McGuinness의 "Ontology Development 101"은 도메인·범위 결정→기존 온톨로지 재사용 검토→핵심 용어 열거→클래스 계층 정의→속성·제약 정의→인스턴스 생성의 실용 절차를 제시한다. 공통 원칙은 재사용 우선과 역량 질문(Competency Question) 기반 범위 설정이다. 역량 질문이란 "이 온톨로지로 어떤 질문에 답할 수 있어야 하는가"를 먼저 정의하는 것으로, 예컨대 "특정 장군이 참전한 해전의 발생 연도는?"이라는 질문이 설계의 완성도를 검증하는 시금석이 된다.
flowchart LR
Q["역량 질문 정의(요구 범위)"] --> M["기존 온톨로지 재사용 검토"]
M --> T["클래스·속성 설계(T-Box)"]
T --> AX["공리·제약 선언"]
AX --> INST["인스턴스 적재(A-Box)"]
INST --> RSN["추론기 실행(Reasoner)"]
RSN -->|비일관 발견| T
RSN -->|분류·추론 결과| USE["질의·활용(SPARQL)"]
추론(Reasoning)은 온톨로지의 가치를 실현하는 단계다. Protégé 같은 도구에서 HermiT·Pellet·ELK 같은 추론기를 돌리면, 명시되지 않은 상·하위 관계를 자동 분류(Classification)하고, 공리를 위반하는 사실을 비일관으로 탐지하며, 질의에 대해 함의된(entailed) 사실까지 포함해 답을 돌려준다. 한 가지 주의할 전제는 온톨로지가 개방세계 가정(Open World Assumption, OWA)을 따른다는 점이다. 즉 "명시되지 않은 사실은 거짓이 아니라 아직 모르는 것"으로 간주하므로, 관계형 DB의 폐쇄세계 가정(없으면 거짓)에 익숙한 설계자가 "데이터에 없으니 위반"이라고 기대하면 추론 결과가 직관과 어긋날 수 있다. 이 차이를 이해하지 못하면 공리 설계가 의도대로 작동하지 않는다.
5. 유사 개념 비교와 지식 그래프와의 관계
온톨로지는 분류체계·시소러스·데이터 모델과 자주 혼동되지만, 표현력과 목적에서 뚜렷이 구분된다. 분류체계(Taxonomy)는 'is-a' 계층만을, 시소러스(Thesaurus)는 동의어·연관어 수준의 관계만을 다루는 반면, 온톨로지는 임의의 의미 관계와 형식 논리 공리까지 담아 기계 추론을 지원한다. 이 차이가 중요한 이유는, 공리가 없는 분류체계는 "검색어 확장" 정도에 쓰이지만, 공리가 있는 온톨로지는 "모순 탐지"와 "함의 추론"이라는 질적으로 다른 능력을 제공하기 때문이다.
| 구분 | 분류체계 | 시소러스 | 온톨로지 | 핵심 차이 |
|---|---|---|---|---|
| 관계 종류 | is-a | 동의·연관 | 임의의 의미 관계 | 표현 범위 |
| 공리/제약 | 없음 | 미약 | 형식 논리 | 추론 가능성 |
| 기계 추론 | 불가 | 제한적 | 가능 | 검증·함의 |
| 대표 용도 | 분류·내비 | 검색 확장 | 통합·추론·검증 | 활용 깊이 |
지식 그래프(Knowledge Graph)와의 관계는 특히 자주 출제된다. 지식 그래프가 개체와 관계를 대규모로 축적한 데이터(A-Box)라면, 온톨로지는 그 데이터가 따라야 할 의미 규칙과 스키마(T-Box)에 해당한다. 비유하자면 온톨로지는 '문법'이고 지식 그래프는 그 문법으로 쓰인 '문장들의 집합'이다. 따라서 둘은 경쟁 관계가 아니라 상호보완적이며, 구글·아마존 등은 대규모 지식 그래프의 품질과 추론력을 온톨로지로 뒷받침한다. 실제로 지식 그래프에 온톨로지가 결합되어야 "저장되지 않은 사실의 추론"과 "모순 데이터의 자동 탐지"가 가능해진다.
다만 실무에서는 표현력과 규모의 트레이드오프 때문에 둘의 결합 수준을 조절한다. 수십억 트리플 규모의 산업용 지식 그래프는 완전한 OWL 추론을 상시 수행하기 어려워, 핵심 공리만 경량 온톨로지(RDFS+)로 유지하고 무거운 검증은 배치로 돌리는 절충을 택한다. 반대로 의료·법률처럼 정밀성이 생명인 영역은 규모를 희생하더라도 풍부한 OWL 공리를 적용한다. 이처럼 "데이터(지식 그래프)와 규칙(온톨로지)을 어느 비율로 결합할 것인가"가 아키텍처 설계의 실질적 쟁점이며, 정답은 도메인의 정밀도 요구와 데이터 규모에 따라 달라진다.
6. 심화: 최신 동향과 산업 적용 사례
온톨로지의 최신 흐름은 LLM과의 결합에서 가장 두드러진다. LLM은 방대한 지식을 유연하게 생성하지만 사실을 지어내는(환각) 약점이 있고, 온톨로지는 정밀하지만 지식을 자동 확장하기 어렵다. 이에 양자를 결합하는 뉴로-심볼릭 접근이 부상하는데, LLM이 비정형 텍스트에서 트리플 후보를 추출하면 온톨로지 공리로 검증·정제해 지식 그래프에 적재하고, 반대로 질의 시에는 온톨로지 기반 추론 결과를 LLM의 근거(Context)로 주입해 환각을 억제한다. GraphRAG가 대표적 응용으로, 온톨로지가 제공하는 개념 계층이 검색 범위를 의미적으로 확장·제약해 답변의 사실성과 설명가능성을 높인다.
산업 현장의 성숙한 사례도 풍부하다. 의료 분야의 SNOMED CT는 35만 개 이상의 임상 개념을 OWL EL로 기술한 세계 최대급 온톨로지로, 서로 다른 병원 EMR의 진단 용어를 의미적으로 통합해 상호운용성을 실현한다. 생명과학의 Gene Ontology(GO)는 유전자 기능을 표준 개념으로 기술해 전 세계 연구 데이터를 교차 분석 가능하게 하며, 제조·엔지니어링에서는 산업 데이터 표준(예: 자산관리 셸, 디지털 트윈의 의미 모델)에 온톨로지가 쓰여 이기종 설비 데이터를 통합한다. 금융권에서는 FIBO(Financial Industry Business Ontology)가 금융상품·거래의 의미를 표준화해 규제 보고와 리스크 통합에 활용된다. 이들 사례의 공통점은 "대규모·이기종·장기 운용" 환경에서 의미 수준의 표준화가 통합 비용을 획기적으로 줄였다는 점이다.
예상 출제 방향으로는 ① 온톨로지와 지식 그래프의 관계(T-Box/A-Box), ② 시맨틱 웹 스택과 OWL 추론, ③ LLM 환각 억제를 위한 온톨로지 기반 RAG(GraphRAG), ④ 공공·의료 데이터 통합에서의 상호운용성 확보 전략 등이 유력하다. 답안 작성 시에는 "분류체계와 무엇이 다른가(공리·추론)"를 축으로 삼아 표현력의 차이를 명확히 드러내는 것이 고득점 포인트다. 특히 개방세계 가정과 추론기의 동작을 사례로 설명하면, 단순 암기를 넘어 개념을 내재화했음을 드러낼 수 있어 변별력이 높다.
7. 고려사항 및 시사점
- 표현력과 성능의 트레이드오프: OWL의 풍부한 공리는 추론력을 높이지만 계산 복잡도를 급증시킨다. 도메인의 추론 요구를 분석해 OWL 2 프로파일(EL·QL·RL)이나 RDFS 수준을 적정하게 선택하고, 전수 추론이 필요 없는 영역은 질의 시 부분 추론으로 비용을 통제하는 전략이 필요하다.
- 구축·유지보수 비용과 거버넌스: 온톨로지는 도메인 전문가와 지식공학자의 협업이 필수이며, 조직의 세계관이 바뀌면 스키마가 흔들린다. 상위 온톨로지와 공개 표준(SNOMED·FIBO 등)을 재사용하고, 변경 이력·버전·승인 절차를 갖춘 온톨로지 거버넌스를 수립해 장기 일관성을 확보해야 한다.
- 개방세계 가정(OWA)의 이해: 폐쇄세계에 익숙한 설계자는 "데이터에 없으면 거짓"을 기대하지만 온톨로지는 그렇지 않다. 무결성 검증이 필요한 지점에는 SHACL 같은 형상 제약(Shape Constraint)을 병행해 폐쇄세계적 검증을 보완하는 등, 가정의 차이를 설계에 반영해야 한다.
- LLM 시대의 역할 재정립과 연계 기술: 생성형 AI가 지식 생성을 일부 대체하는 국면에서, 온톨로지는 "사실의 근거와 제약을 공급하는 신뢰 계층"으로 가치가 재정의되고 있다. 지식 그래프·GraphRAG·설명가능 AI·데이터 스페이스(데이터 주권형 공유)와의 연계 속에서 온톨로지를 '의미 인프라'로 포지셔닝하는 전략적 관점이 기술사에게 요구된다.
- 상호운용성과 표준 채택: 조직 내부 최적화만을 노린 폐쇄형 온톨로지는 결국 또 다른 사일로를 낳는다. 도메인 국제표준을 기준으로 삼고 URI·네임스페이스 설계를 신중히 해, 외부 지식과의 연결(Linked Data) 가능성을 처음부터 확보하는 것이 장기 투자 효율을 좌우한다.
- 품질 평가와 진화 관리: 온톨로지는 한 번 구축하면 끝나는 산출물이 아니라 도메인 변화에 맞춰 진화하는 자산이다. 역량 질문 충족도·논리적 일관성·개념 커버리지 등 정량·정성 지표로 품질을 주기적으로 평가하고, 변경이 기존 추론·질의에 미치는 영향을 회귀 검증해 '깨지지 않는 진화'를 보장하는 체계가 운용 성패를 가른다.
참고자료
- W3C, "OWL 2 Web Ontology Language Document Overview (Second Edition)" — https://www.w3.org/TR/owl2-overview/
- W3C, "RDF 1.1 Concepts and Abstract Syntax" — https://www.w3.org/TR/rdf11-concepts/
- T. Gruber, "A Translation Approach to Portable Ontology Specifications" (1993) — https://tomgruber.org/writing/ontolingua-kaj-1993
- N. Noy, D. McGuinness, "Ontology Development 101" — https://protege.stanford.edu/publications/ontology_development/ontology101.pdf
- Protégé (Stanford) — https://protege.stanford.edu/
한 줄 요약: 온톨로지는 도메인의 개념·관계·공리를 기계가 처리 가능한 형식 논리로 명시한 공유 명세로, RDF·RDFS·OWL의 시맨틱 웹 스택 위에서 서술 논리 추론을 제공해 데이터 통합·일관성 검증·설명가능 AI를 가능케 하며, 지식 그래프의 스키마(T-Box)이자 LLM 환각을 억제하는 신뢰 계층으로 재부상하고 있다.