"온톨로지를 말로 풀어서 쓰면 됩니다" 딥러닝 10년 CTO가 만든 방법 (제네시스랩 유대훈 CTO님)

🔗 제네시스랩 · 유대훈 CTO님 글로 쓰는 온톨로지 슬립박스(Slipbox)를 담은 기업용 에이전트 빌더, 에이전트리아(Agentria)를 만듭니다. 사내 지식·데이터를 에이전트가 쓰게 만드는 고민이 있으시면 편하게 문의해 주세요. 에이전트리아: https://agentria.ai 제네시스랩: https://genesislab.ai 🎙️ HOW I AI 팟캐스트 출연 기업 모집 우리 회사가 AI로 일하는 방식을 인터뷰로 남겨 드립니다. 👉 출연 문의: https://howiai.tv 📚 온톨로지, 그래프 대신 '글'로 만듭니다: 에이전트리아 슬립박스 이번 영상에서는 제네시스랩 유대훈 CTO님을 모시고, 다들 말하지만 막상 어떻게 만드는지는 막막한 온톨로지를 실제로 만드는 방법을 이야기 나눕니다. 팔란티어처럼 데이터를 한곳에 모으는 대신 있는 시스템은 그대로 두고, 관계를 마크다운 글로 써서 LLM이 이해하게 하는 prose-first 온톨로지, 슬립박스의 구조와 실제 화면까지 함께 봅니다. 내년 과제로 온톨로지·사내 지식 자산화를 고민하는 AX 담당자에게 사내를 설득할 언어가 되어 줄 내용입니다. 함께 보시죠! ⏱️ Timestamps (타임스탬프) 0:00 - 하이라이트 0:38 - 오프닝: 온톨로지, 대체 어떻게 만들까 1:05 - 게스트 소개: 제네시스랩 유대훈 CTO 2:37 - 에이전트 빌더 에이전트리아를 만든 이유 4:18 - 세 팀이 2주 걸리던 일을 하루 만에 6:34 - n8n 대신 직접 만든 이유: 버저닝과 API 배포 7:54 - 슬립박스와 어빌리티(Ability)란? 9:33 - 온톨로지 = 흩어진 시스템과 API의 지도 10:48 - 팔란티어식 Data Lake 대신, 있는 시스템 그대로 11:51 - 왜 마크다운인가: Claude Skills와 LLM Wiki 13:33 - 목차가 200개를 넘으면: 트리와 DB로 관리 14:55 - 온톨로지를 말로 쓰면 LLM이 컴파일한다 = 슬립박스 16:07 - 슬립박스 화면: 인제스트부터 용어 정의까지 19:42 - 쿼리 금칙과 사람이 고치는 페이지 21:33 - 모든 걸 그래프로 만들 필요는 없다 22:34 - 변환 품질 검증: 원문 보전·합성 인제스트 24:16 - 로펌이라면 평가는? Validation Dataset과 벌크 테스트 25:58 - 제로클릭: 에이전트가 스스로 하는 채팅 테스트 28:36 - RAG·임베딩 대신 슬립박스를 쓴 이유 30:54 - 자주 바뀌는 지식은? 하이브리드 구조 32:09 - 시연 ①: DB 그래프에서 에이전트 구성·딜 현황 보고까지 36:03 - 시연 ②: DB 인제스트·품질 질문·Text-to-SQL 40:26 - 어떤 도메인에 쓰면 좋을까 42:19 - 다음 화두는 자산화: 슬립박스와 MCP 서버 44:20 - 마지막 한마디: 책임은 결국 사람이 진다 46:44 - 도입 문의와 마무리 🔑 핵심 요점 (Key Points) 1. 에이전트 빌더: 현업·AI 연구원·개발팀 세 팀이 2주씩 돌던 루프를, 현업이 직접 만들고 고치는 빌더로 하루 만에 끝내려고 시작했습니다 2. 어빌리티(Ability): 워크플로우를 모듈처럼 버전 관리하고 다른 에이전트에 다시 꽂아 쓰는 단위로 만듭니다 3. 온톨로지 = 지도: 데이터를 한곳에 옮기는 Data Lake 대신, 파편화된 시스템과 API가 어떻게 이어지는지 지도를 그립니다 4. 말로 쓰는 온톨로지: 어려운 형식 문법 대신 관계를 마크다운 글로 쓰면 LLM이 컴파일하듯 이해합니다 — 이것이 슬립박스입니다 5. 목차는 DB로: LLM Wiki는 목차가 200개를 넘으면 성능이 떨어져, 트리 목차를 DB로 관리해 정합성을 지키고 마크다운으로 렌더링합니다 6. 평가 자동화: Validation Dataset과 벌크 테스트, 그리고 제로클릭 에이전트의 자동 채팅 테스트로 검증 시간을 줄입니다 7. RAG와의 차이: 자주 바뀌는 지식은 재임베딩 부담이 커서, 슬립박스와 RAG를 함께 쓰는 하이브리드로 갑니다 8. 다음 화두는 자산화: 개인 프롬프트가 아닌 회사의 자산으로 쌓고, MCP 서버로 각자의 Claude에서 꺼내 씁니다 9. 책임은 사람에게: AI가 좋아져도 중요한 결정의 승인과 책임은 사람이 지기에, 사람이 이해할 수 있는 형태가 중요합니다 📝 세부 내용 요약 (Section Summaries) ■ 에이전트리아를 만든 이유 뷰인터 HR 등 AI 서비스를 만들며 프롬프트 몇 개를 바꾸는 데도 1~2주가 걸리던 경험에서, 버저닝과 API 배포까지 되는 기업용 에이전트 빌더를 직접 만들게 됐습니다. ■ 온톨로지는 지도다 팔란티어처럼 모든 데이터를 한곳에 실시간으로 모으는 방식은 비용과 데이터 주권 부담이 커서, 기존 시스템은 그대로 두고 그 관계를 지도처럼 그리는 접근을 택했습니다. ■ 마크다운과 슬립박스 Claude Skills가 파일을 다루는 방식과 카파시의 LLM Wiki에서 출발해, 목차 트리는 DB로 관리하고 페이지는 마크다운으로 렌더링해 에이전트에 넣는 구조를 만들었습니다. 이름은 제텔카스텐(Slipbox)에서 따왔습니다. ■ 슬립박스 화면 DB·드라이브를 인제스트하면 스키마와 샘플 데이터로 의미를 추정해 용어 정의·테이블 관계 페이지를 만들고, 누적 시계열 테이블에는 조회 금칙까지 남깁니다. 틀린 설명은 사람이 노션·옵시디언 쓰듯 글로 고칩니다. ■ 품질 검증과 제로클릭 원문 보전·합성 두 가지 인제스트, 질문 데이터셋과 벌크 테스트로 품질을 확인하고, 제로클릭 에이전트가 합성 입력으로 채팅 테스트를 대신 돌려 줍니다. ■ RAG 대비 슬립박스 임베딩은 데이터가 자주 바뀌거나 모델을 바꿀 때 전면 재작업이 필요해, 잘 안 바뀌는 지식은 RAG, 자주 바뀌는 지식은 슬립박스로 나누는 하이브리드를 씁니다. ■ 시연 인제스트된 DB가 노드·관계 그래프로 바뀌고, 슬립박스 노드와 어빌리티를 연결한 에이전트가 "진행 중인 딜 현황 보고"와 Text-to-SQL 질의를 처리하는 과정을 입출력까지 보여 줍니다. 이 투명성이 AI 기본법의 설명력 요건과도 이어집니다. ■ 자산화와 책임 경영진의 ROI 의문과 "내가 만든 프롬프트는 내 것" 같은 사례 앞에서, 다음 화두는 개인 역량이 아닌 회사의 AI 자산화입니다. AI가 아무리 좋아져도 최종 승인과 책임은 사람에게 있으니 안을 이해할 수 있어야 한다는 이야기로 마무리합니다. #온톨로지 #에이전트리아 #슬립박스 #제네시스랩 #AI에이전트 #LLM #RAG #AX #HOWIAI #빌더조쉬 ---- 🏢 AX 도입 상담 (조슈아앤컴퍼니) 빌더 조쉬의 AX 에이전시가 우리 회사의 AI 전환을 설계하고 구축합니다. https://joshua.site/contact?utm_sourc... 🗞️ 조쉬의 뉴스레터 (1만명 이상 구독 중) 뉴스레터를 구독하고, 가장 빨리 AI 인사이트를 받아보세요! https://maily.so/josh 🚀 ASC 모집 (연간 멤버십 프로그램) 조쉬의 '실행' 중심 연간 멤버십 프로그램 모집 정보를 확인하세요! https://www.solopreneur.co.kr/