환경 설정

AI API 키를 등록하고 작업 폴더를 설정합니다. API 키는 이 페이지가 열려 있는 동안만 메모리에 유지되며, 새로고침하거나 탭을 닫으면 즉시 삭제됩니다. 외부 서버로 전송되지 않습니다.

작업 폴더 설정

파일 시스템 접근은 Chrome / Edge에서만 지원됩니다. Firefox·Safari는 파일 첨부 방식을 이용하세요.

자동 생성 폴더 구조

/ 온톨로지_작업_[오늘날짜]/
  - schema_[시나리오ID].json
  - combined_schema.json
  - upper_ontology.json
  - custom_prompts.json
  - ontology_result_final.json
  - ontology_result_final.jsonld (JSON-LD · GraphDB 임포트용)
  - cmp_result.json (A/B/C 검증 비교 마지막 결과)
  - hitl_history.json (HITL 체택 이력 누적 — 통계 분석용)
  docs/ (업로드 문서 자동 저장)
    - [문서파일명]
    - _index.json

AI API 설정

Google AI Studio API 키

모델

gemini-2.x / 1.5 시리즈는 2026년 서비스 종료됨. 3.x 이상을 사용하세요.

aistudio.google.com 에서 API 키 발급 - 무료 티어 제공 (단, 입출력 데이터가 Google 모델 학습에 활용될 수 있음 - 민감 정보 입력 금지)

법령정보 오픈 API 설정

법제처 오픈API OC 키 (OC)

국가법령정보 공동활용(open.law.go.kr) 에서 무료 신청 - 회원가입 후 별도 발급되는 OC 키를 입력하세요. 제한 없는 정식 호출에는 OC 키 필수입니다.

OC 키 미입력 시 공용 test 계정으로 연결됩니다. 다수가 동시에 사용하면 Rate Limit으로 차단될 수 있습니다. 차단 시 법령 텍스트를 직접 복사해 Step 2 파일 업로드로 대체하세요.

문서 로드

부처·부서의 업무 매뉴얼, 행정 조례·법령, 표준운영절차(SOP) 등 LLM이 참조할 문서를 불러옵니다. 파일 업로드(.txt .md .pdf .docx) 또는 법제처 법령정보를 직접 검색할 수 있습니다. Step 3에서 다룰 행정 업무 영역의 문서를 먼저 수집할수록 Step 4 온톨로지 추출 품질이 높아집니다.

파일 및 (API)데이터 불러오기

업무 매뉴얼 · 행정 조례 · 법령 · 표준운영절차(SOP) · 민원 처리 지침서 등

대국민 알림 예시 데이터 펼치기 ▾

교통·도로 - 한국도로교통공단 · 서울교통공사 · SR

안전·재난 - 소방청 · 경찰청 · 행정안전부

복지·의료 - 건강보험심사평가원 · 한국사회보장정보원

고용·산업 - 고용노동부 · 한국산업인력공단

에너지·자연 - 한전KDN · 산림청 · 해양수산부

행정·지자체 - 국민권익위원회 · 행정안전부

산업·국방·기술 - 국방부 · 한국광해광업공단 · 국가데이터처 · 기술보증기금

실제 데이터 소스 연결 고급 · 선택사항

• CSV · TSV는 헤더 행을 자동 감지해 텍스트로 변환합니다
• JSON은 배열/객체를 자동 평탄화합니다
• XML은 반복 엘리먼트를 행 단위로 변환합니다
• Excel(.xlsx)은 CSV로 변환 후 사용을 권장합니다
• 변환된 텍스트는 Step 4 온톨로지 추출에 바로 사용됩니다

API 엔드포인트 URL

Authorization 헤더 (선택)

응답 데이터 경로 (선택, 점 표기)

JSON / XML 응답 지원

• CORS 정책: 공공기관 API 중 CORS 미허용 서버는 브라우저에서 직접 호출 불가 - 이 경우 Postman으로 수집 후 .txt 파일로 붙여넣기 하세요
• 응답이 JSON 배열이면 각 항목을 별도 문서로 분리해 로드합니다

공공데이터포털 API 키 (data.go.kr 발급)

• data.go.kr 회원가입 후 마이페이지 → 인증키 발급
• 검색 결과에서 원하는 데이터셋을 선택하면 문서로 자동 로드됩니다
• CORS 제한: 일부 API는 직접 호출이 안 될 수 있습니다 - 해당 데이터셋 페이지에서 미리보기 데이터를 복사해 파일로 업로드하세요

브라우저에서 DB에 직접 접속할 수 없습니다. 아래 방법으로 데이터를 추출한 뒤 파일로 업로드하세요.

① SQL로 텍스트 추출 후 .txt 저장

-- MySQL / MariaDB SELECT CONCAT(컬럼명1, ' ', 컬럼명2, ' ', ...) AS doc FROM 테이블명 WHERE 조건 LIMIT 500; -- PostgreSQL \COPY (SELECT ...) TO '/tmp/output.txt' WITH (FORMAT text);

② Python으로 CSV 추출 후 이 탭에서 업로드

import pandas as pd import sqlalchemy engine = sqlalchemy.create_engine("mysql+pymysql://user:pw@host/db") df = pd.read_sql("SELECT * FROM 테이블", engine) df.to_csv("data.csv", index=False, encoding="utf-8-sig")

③ 기존 DB → RDF 직접 매핑 (고급)

R2RML 또는 Morph-KGC를 사용하면 DB 테이블을 RDF 트리플로 직접 변환할 수 있습니다. Step 9 연동 가이드의 "RDB 직접 연계" 탭을 참고하세요.

문서 미리보기

파일을 선택하면 내용이 표시됩니다

로드된 문서: 0개

법령정보센터 검색

범위

OC 키는 환경설정(Step 1)에서 설정 - 미설정 시 test 키로 제한 호출

민원/업무 시나리오 입력

분석할 행정 민원 시나리오를 입력합니다. 도메인별 예시를 클릭하거나 직접 작성하세요.

도메인별 시나리오 예시

교통 · 도로한국도로교통공단 · 화성특례시 · SR

안전 · 재난소방청 · 경찰청 · 화성특례시

복지 · 의료 · 고용건강보험심사평가원 · 한국사회보장정보원 · 고용노동부

에너지 · 환경 · 산림한전KDN · 한국산림복지진흥원 · 해양수산부

행정 · 민원 일반국민권익위원회 · 국가데이터처 · 서울특별시

지자체 행정서울특별시 · 대전광역시 · 화성특례시 · 의정부시 · 부천시 · 광양시

산업 · 국방 · 기술국방부 · 한국광해광업공단 · 국가데이터처 · 기술보증기금

시나리오 작성

시나리오 잘 쓰는 법 - 클릭해서 가이드 보기 펼치기 ▾

시나리오에 포함하면 온톨로지 품질이 높아지는 5가지 요소

① 신청자·민원인 정보

누가 신청하는가?
나이·직종·자격 여부·특수상황(장애·수급자 등)

② 업무·민원 유형

무슨 일인가?
허가·신청·갱신·이의신청·단속 등 행위 유형

③ 핵심 날짜·기한

기준일·만료일·경과일수·처리기한 등

④ 예외·특수 조건

장애·저소득·긴급상황·미성년자 등
판단이 달라지는 조건

⑤ 원하는 결과

어떤 정보·처리·판단이 필요한가?
AI가 답해야 할 핵심 질문

작성 예시 (위 도메인 버튼 클릭으로도 자동 채워집니다)

“화성시 도로 OO구간의 인도 블록이 파손되어 보행자 낙상 위험이 있습니다.
신청인: 일반 민원인(60대, 보행 불편). 발생일: 2024-11-01.
처리 요청: ① 긴급 보수 가능 여부, ② 담당 부서 및 처리기한, ③ 야간 임시 안전시설 설치 가능 여부.”

팁: 시나리오가 구체적일수록 Step 4에서 추출되는 트리플과 예외 규칙의 품질이 높아집니다. 여러 시나리오를 추가하면 Step 5에서 공통 상위 온톨로지가 자동 도출됩니다.

민원/업무 처리 시나리오

핵심 엔터티 · 질의 목표 · 스키마 수준 설정 직접 입력하거나, 시나리오 분석 버튼으로 AI 제안을 받으세요

핵심 엔터티 - 선택된 항목이 온톨로지 클래스로 반영됩니다 (클릭하면 해제)

엔터티가 없습니다. 아래에서 직접 추가하거나 AI 분석을 이용하세요.

질의 목표 - 체크한 질문에 답할 수 있는 온톨로지를 설계합니다

스키마 상세 수준

개요구조 파악 수준 중간일반 작업 수준 상세논문 수준

도메인 온톨로지 추출

시나리오별로 독립된 도메인 온톨로지를 추출합니다. 각 탭에서 개별 추출하거나 한번에 모두 추출할 수 있습니다.

시나리오별 스키마 추출

Step 3에서 시나리오를 추가하면 각 시나리오별 탭이 생성됩니다.

상위 온톨로지 추출

각 도메인 스키마에서 공통 추상 개념을 추출하고 subClassOf 관계로 연결합니다. 이것이 온톨로지 통합(Integration)의 핵심입니다. 시나리오가 1개인 경우 이 단계를 건너뛰고 Step 6으로 바로 진행해도 됩니다.

상위 온톨로지 도출

도메인 스키마들의 공통 추상 개념(예: 민원인, 처리기한, 담당기관)을 추출하고 각 도메인 클래스와 subClassOf로 연결합니다.

추론 규칙 확장

도메인 및 상위 온톨로지의 트리플을 조합하여 복합 조건이 발동하는 추론 규칙(SWRL 스타일)을 LLM이 도출합니다.

추론 규칙 도출

CRITICAL 등급의 추론 규칙이 행정 처리의 핵심 분기점입니다. 도메인 스키마 또는 상위 온톨로지 추출 후 실행하세요.

A-Box 인스턴스 데이터 규칙 발동 테스트용 실제 데이터 (T-Box 스키마와 구분)

추론 규칙 발동을 테스트하려면 실제 개별 사례(인스턴스)를 입력하세요. Step 4의 스키마는 구조 정의(T-Box)이므로 인스턴스 데이터(A-Box)가 있어야 규칙이 발동됩니다.

0개 인스턴스

주체 (Subject)	서술어 (Predicate)	객체 (Object)

지식 그래프 시각화 & 질의

추출된 온톨로지 스키마를 인터랙티브 지식 그래프로 시각화하거나, 트리플 패턴 질의로 원하는 관계를 직접 검색합니다.

W3C Layer

L2 owl:Class

L2 상위온톨

L3 ObjectProp

L3 DataProp

L4 트리플

L4 A-Box

L4 파생

L5 CRITICAL

L5 HIGH

L5 MEDIUM

L5 LOW

L5 SHACL

L5 예외규칙

cascade

질의 매칭

그래프 읽는 법 — 초심자 안내 (펼쳐서 확인)

노드(원)와 엣지(화살표)

● 노드 (원·다이아몬드·별)
개념·클래스·규칙·인스턴스 하나. 클릭하면 아래에 세부 카드가 열립니다.

→ 엣지 (화살표 선)
두 노드 사이의 관계(속성). 화살표 방향이 주어→목적어 방향입니다.

W3C Layer별 의미

표시	레이어	의미 · 역할
	L2 owl:Class	도메인 개념 묶음(클래스). 예: `민원인`, `담당부서`
	L2 상위온톨	여러 클래스를 묶는 추상 상위 개념. Step 5에서 추출
	L3 ObjectProp	클래스 간 관계 화살표. 예: `신청한다`, `처리한다`
	L3 DataProp	클래스→값 속성. 예: `처리기한`, `수수료`
	L4 트리플	주어-서술어-목적어 지식 조각 하나. 온톨로지의 기본 단위
	L4 A-Box	실제 개별 사례 데이터. Step 6 추론 엔진의 입력값
	L4 파생	추론 엔진이 기존 트리플에서 새로 도출한 결론 트리플
	L5 CRITICAL	IF-THEN 추론 규칙(별 모양). 중요도 순: CRITICAL > HIGH > MEDIUM > LOW
	L5 HIGH
	L5 MEDIUM
	L5 LOW
	L5 SHACL	데이터 제약 조건(다이아몬드). 대상 클래스에 점선으로 연결됨
	L5 예외규칙	조건 충족 시 일반 규칙 대신 적용되는 예외 처리 규칙

노드·엣지 클릭 시 세부 카드 필드 해설

label노드 이름 — 업무 개념 또는 규칙 식별자 layerW3C 5계층 중 어느 레이어에 속하는지 (L2 ~ L5) S / P / O트리플의 주어(Subject) · 서술어(Predicate) · 목적어(Object) rule_id추론 규칙 고유 번호 (L5 SWRL 노드) SWRL Atom규칙 조건 상세 — triple(트리플 패턴) · threshold(기준값) · swrlb(비교 방향) severitySHACL 위반 등급 또는 SWRL 규칙 중요도 (CRITICAL / HIGH / MEDIUM / LOW) targetClassSHACL 제약이 적용되는 대상 클래스 (L5 SHACL 노드) W3C 배지이 노드가 준수하는 W3C 표준 (RDF 1.1 / OWL 2 DL / SWRL / SHACL)

마우스 휠: 확대/축소 | 드래그: 노드 이동 | 클릭: 세부 정보

트리플 패턴 질의

주체·서술어·객체에 값 또는 ?(와일드카드)를 입력하세요. 조건 행이 여러 개면 AND 조건 - 하나의 트리플이 모든 행의 조건을 동시에 만족해야 결과에 포함됩니다. 실제 SPARQL 서버 연동 없이 현재 메모리의 트리플에 대해 동작합니다.

빠른 입력: Step 4 추출 후 자동 생성됩니다

주체 (Subject)	서술어 (Predicate)	객체 (Object)

파생 트리플 포함

질의를 실행하면 결과가 여기에 표시됩니다.

검증 비교 (A/B/C Benchmarking)

동일한 질문에 대해 순수 LLM(실험 C) · 일반 텍스트 RAG(실험 A) · 온톨로지 스키마 주입 RAG(실험 B) 세 가지 답변을 비교합니다.

검증 질문 입력

테스트 질문 (민원 또는 행정 업무 질문)

실험 C: 순수 LLM (No Context)

비교 실행 버튼을 클릭하면 결과가 표시됩니다.

실험 A: 일반 텍스트 RAG (Baseline)

비교 실행 버튼을 클릭하면 결과가 표시됩니다.

실험 B: 온톨로지 스키마 주입 RAG

비교 실행 버튼을 클릭하면 결과가 표시됩니다.

외부 앱 연동 테스트 가이드

추출된 온톨로지 스키마·추론 규칙·상위 온톨로지를 외부 시스템과 연동하는 방법을 단계별로 안내합니다. Python · LangChain · SPARQL · REST API 연동 코드를 복사해서 즉시 사용할 수 있습니다.

추출된 스키마·규칙을 스키마 JSON 파일로 다운로드한 뒤 외부 시스템에 로드합니다.

다운로드 파일 활용 가이드

combined_schema.json 내부 스키마

도메인 트리플·예외 규칙·추론 규칙이 담긴 도구 내부 JSON 포맷. 원문 확인·세션 데이터 참조용.

ontology_result_final.jsonld ◆ 연동 완성본

W3C JSON-LD 표준 포맷(@context, @graph)으로 변환된 온톨로지. GraphDB 임포트·LangChain 컨텍스트 주입에 바로 활용. 실제 연동에는 이 파일을 사용하세요.

상위 온톨로지(upper_ontology.json)·추론 규칙(inferred_rules.json) 개별 파일은 각 Step에서 단계별 확인용으로만 제공됩니다. 외부 시스템 연동에는 JSON-LD 내보내기 버튼의 .jsonld 파일을 사용하세요.

Extra Exercise - GraphDB 실전 연동 (WSL + Docker)

실습 파이프라인

이 도구 - Turtle 변환 - GraphDB |- SPARQL 질의 |- OWL 추론 |- 그래프 시각화 |- LangChain 연동

① 사전 준비 (Windows WSL2 또는 macOS + Docker Desktop)

Docker Desktop이 설치되어 있어야 합니다. Windows: Docker Desktop 설정 → Use WSL 2 based engine 활성화 확인 후 WSL 터미널(Ubuntu)에서 실행. macOS: Docker Desktop 실행 후 터미널에서 실행. .env 파일에 GOOGLE_API_KEY=AIza...를 저장해 두세요.

② GraphDB Free 컨테이너 실행 (docker-compose.yml)

# docker-compose.yml (바이브 코딩 프롬프트로 AI가 생성)
# services:
#   graphdb:
#     image: ontotext/graphdb:10.x
#     ports: ["7200:7200"]
#     volumes: ["./graphdb-data:/opt/graphdb/home"]

docker compose up -d
# → http://localhost:7200 에서 GraphDB 웹 UI 접속 가능

브라우저에서 http://localhost:7200 에서 GraphDB 웹 UI 확인. 리포지토리 생성은 tier2_setup.py가 자동으로 처리합니다.

③ JSON-LD 파싱 + GraphDB 임포트 (tier2_setup.py)

# tier2_setup.py — 실행 방법: python tier2_setup.py
import requests
from rdflib import Graph

# JSON-LD 파일 파싱 (워크숍 도구 JSON-LD 내보내기 버튼으로 생성)
g = Graph()
g.parse('ontology_result_final.jsonld', format='json-ld')
print(f'로드된 트리플 수: {len(g)}')

# Turtle 직렬화 후 GraphDB REST API 업로드 (리포지토리 자동 생성 포함)
ttl = g.serialize(format='turtle')
repo_url = 'http://localhost:7200/repositories/admin-ontology/statements'
res = requests.post(repo_url, data=ttl.encode(), headers={'Content-Type': 'text/turtle'})
print(f'GraphDB 업로드 완료 — 상태 코드: {res.status_code}')

④ SPARQL + LangChain Graph RAG 연동 (tier2_graph_rag.py)

# tier2_graph_rag.py — 실행 방법: python tier2_graph_rag.py
import os
from dotenv import load_dotenv
from SPARQLWrapper import SPARQLWrapper, JSON
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.schema import SystemMessage, HumanMessage

load_dotenv()  # .env 파일에서 GOOGLE_API_KEY 로드

def sparql_context(question: str) -> str:
    keyword = question.split()[0] if question.split() else ''
    sparql = SPARQLWrapper('http://localhost:7200/repositories/admin-ontology')
    sparql.setQuery(f'''
        PREFIX ont: <http://admin.go.kr/ontology#>
        SELECT ?s ?p ?o WHERE {{
            ?s ?p ?o
            FILTER(CONTAINS(STR(?s), "{keyword}") || CONTAINS(STR(?o), "{keyword}"))
        }} LIMIT 30
    ''')
    sparql.setReturnFormat(JSON)
    rows = sparql.query().convert()['results']['bindings']
    return '\n'.join(f"{r['s']['value'].split('#')[1]} -[{r['p']['value'].split('#')[1]}]-> {r['o']['value'].split('#')[-1]}" for r in rows)

llm = ChatGoogleGenerativeAI(model='gemini-2.0-flash', google_api_key=os.getenv('GOOGLE_API_KEY'))
ctx = sparql_context('민원 처리')
answer = llm.invoke([SystemMessage(content=f'온톨로지 지식:\n{ctx}'), HumanMessage(content='도로 파손 민원 처리 절차를 알려주세요.')])
print(f'[온톨로지 기반] {answer.content}')

바이브 코딩 프롬프트 (Cursor / Claude Code에 붙여넣기)

## 역할
당신은 시니어 Python 백엔드 개발자입니다. 아래 명세대로 즉시 실행 가능한 완전한 코드를 파일별로 작성해 주세요. 모든 코드에 한국어 주석을 포함하세요.

## 파일 컨텍스트
워크숍 도구(nia-worflogy-tool.html)의 JSON-LD 내보내기 버튼으로 생성된 온톨로지 파일을 시스템에 연동합니다.

### JSON-LD 파일 구조 (ontology_result_final.jsonld)
{
  "@context": {
    "owl":  "http://www.w3.org/2002/07/owl#",
    "rdf":  "http://www.w3.org/1999/02/22-rdf-syntax-ns#",
    "rdfs": "http://www.w3.org/2000/01/rdf-schema#",
    "xsd":  "http://www.w3.org/2001/XMLSchema#",
    "sh":   "http://www.w3.org/ns/shacl#",
    "ont":  "http://admin.go.kr/ontology#"
  },
  "@graph": [
    { "@id": "ont:시민", "@type": "owl:Class" },
    { "@id": "ont:시민Shape", "@type": "sh:NodeShape",
      "sh:targetClass": { "@id": "ont:시민" },
      "sh:property": [{ "@type": "sh:PropertyShape",
        "sh:path": { "@id": "ont:제출한다" },
        "sh:minCount": 1, "sh:severity": { "@id": "sh:Violation" } }]
    }
  ]
}

### 성공 출력 예시
로드된 트리플 수: 47
시민 --[제출한다]--> 민원신청서
민원신청서 --[처리한다]--> 담당부서

---

## TIER 1 — 즉시 실행 (Python + pip만 있으면 됨 / Docker 불필요)

### 목표
rdflib로 JSON-LD를 파싱하고, SPARQL 질의를 실행한 뒤, LangChain + Gemini API로 행정 민원 질의응답을 구현합니다.

### 환경
- Python 3.10+  (Windows / macOS / Linux 모두 지원)
- pip install rdflib langchain langchain-google-genai python-dotenv

### 파일 구성
- tier1_query.py   : JSON-LD 로드 + SPARQL 질의 + 트리플 전체 출력
- tier1_chat.py    : LangChain + Gemini API 민원 질의응답
- requirements_tier1.txt
- .env             : GOOGLE_API_KEY=AIza...

### 성공 조건
tier1_query.py 실행 시 "로드된 트리플 수: N개" 출력 후 트리플 목록 표시
tier1_chat.py 실행 시 온톨로지 기반 답변 출력

---

## TIER 2 — GraphDB 완전 연동 (Docker 환경)

### 목표
GraphDB Free 10.x를 Docker로 배포하고, SPARQL 엔드포인트와 LangChain을 연동해 프로덕션 수준 Graph RAG 파이프라인을 구현합니다.

### 환경
- Windows 11 + WSL2 (Ubuntu 22.04) 또는 macOS (Docker Desktop)
- Docker Desktop  (Windows: WSL2 backend 활성화 필수)
- Python 3.12+

### 파일 구성
- docker-compose.yml       : GraphDB Free 10.x, 포트 7200
- tier2_setup.py           : 리포지토리 자동 생성 + Turtle 임포트 (수동 작업 없음)
- tier2_graph_rag.py       : SPARQL -> LangChain -> Gemini 질의응답
- requirements_tier2.txt   : rdflib, requests, SPARQLWrapper, langchain, langchain-google-genai, python-dotenv
- .env                     : GOOGLE_API_KEY=AIza...

### 실행 순서
1. docker compose up -d
2. python tier2_setup.py    (GraphDB 리포지토리 자동 생성 + 온톨로지 업로드)
3. python tier2_graph_rag.py

### 성공 조건
http://localhost:7200/repositories/admin-ontology/statements 에서 트리플 조회 응답 수신
질의응답 시 "[온톨로지 기반]" 접두어가 붙은 답변 출력

---

## 공통 주의사항
- API 키는 .env 파일로 분리 (python-dotenv 사용)
- ontology_result_final.jsonld 는 스크립트와 같은 디렉토리에 위치
- ont: 네임스페이스 = "http://admin.go.kr/ontology#"
- SPARQL PREFIX 선언 필수: PREFIX ont: <http://admin.go.kr/ontology#>
- 모든 코드에 한국어 주석 포함
- 각 파일 첫 줄에 "# 실행 방법:" 주석 블록 포함

아래 코드를 복사하여 Python 환경에서 실행하세요. rdflib 설치: pip install rdflib

rdflib이란?

Python에서 온톨로지(RDF 지식 그래프)를 읽고, 쓰고, 저장하는 라이브러리입니다. 워크숍에서 만든 트리플(주어-서술어-목적어)을 Python 코드로 불러와 분석하거나, GraphDB 같은 외부 데이터베이스로 내보낼 수 있습니다. Python이 처음이어도 아래 코드를 복사·붙여넣기로 바로 실행할 수 있습니다. 터미널에서 pip install rdflib를 먼저 실행하세요.

Excel이 스프레드시트를 여는 것처럼, rdflib는 온톨로지(지식 그래프)를 여는 도구입니다. 데이터의 "형태"만 다를 뿐, 읽고·쓰고·검색하는 개념은 동일합니다.

1단계 - JSON-LD 파싱 및 트리플 조회

from rdflib import Graph

# JSON-LD 내보내기 버튼으로 다운로드한 .jsonld 파일을 동일 디렉토리에 저장 후 실행
# (파일명 예: ontology_result_2026-08-31.jsonld)
g = Graph()
g.parse('ontology_result_final.jsonld', format='json-ld')

print(f'로드된 트리플 수: {len(g)}')

# 전체 트리플 출력 (온톨로지 네임스페이스 제거)
ADMIN = 'http://admin.go.kr/ontology#'
for s, p, o in g:
    s_label = str(s).replace(ADMIN, '')
    p_label = str(p).replace(ADMIN, '')
    o_label = str(o).replace(ADMIN, '')
    if s_label and p_label and o_label:  # 메타데이터 트리플 제외
        print(f'{s_label} --[{p_label}]--> {o_label}')

2단계 - Turtle 형식으로 저장 및 GraphDB 임포트용 변환

# Turtle 직렬화 (GraphDB, Apache Jena 등에 임포트 가능)
g.serialize('ontology.ttl', format='turtle')
print('ontology.ttl 저장 완료')

# N-Triples 직렬화 (대용량 일괄 처리)
g.serialize('ontology.nt', format='nt')
print('ontology.nt 저장 완료')

3단계 - 예외 규칙 자동 평가 (조건 매칭)

import json

with open('inferred_rules.json', encoding='utf-8') as f:
    rules_data = json.load(f)

def evaluate_rules(context: dict, rules: list) -> list:
    """민원 컨텍스트에 해당하는 추론 규칙을 반환"""
    matched = []
    for rule in rules:
        conditions = rule.get('if', {}).get('conditions', [])
        # 간단한 키워드 매칭 (실 운용 시 SPARQL 또는 OWL 추론기 사용)
        if any(c.lower() in str(context).lower() for c in conditions):
            matched.append(rule)
    return matched

# 사용 예시
context = {'민원유형': '도로파손', '긴급도': '높음', '신청인': '일반시민'}
rules = rules_data.get('inference_rules', [])
matched = evaluate_rules(context, rules)
for r in matched:
    print(f"[{r['rule_id']}] {r['rule_name']} → {r.get('then', '')}")

추출된 온톨로지 스키마를 LangChain의 시스템 프롬프트에 주입하는 온톨로지 컨텍스트 주입(Context Injection) 방식입니다. 실제 Graph RAG는 GraphDB 연동 후 SPARQL·Cypher 질의로 관련 서브그래프만 동적 탐색해 주입하는 별도 구성이 필요합니다. pip install langchain langchain-google-genai

Graph RAG란?

RAG(Retrieval-Augmented Generation)는 AI(LLM)가 답변하기 전에 관련 지식을 먼저 제공하는 방법입니다. 일반 RAG가 문서의 텍스트를 보여준다면, Graph RAG는 온톨로지 지식 그래프 - 즉 개념 간의 연결 구조 - 를 보여줍니다. 덕분에 AI가 "민원인이 제출한다 → 담당 부서 → 처리 기한" 같은 관계의 흐름을 이해하고 훨씬 정확하게 답변합니다. LangChain은 이 과정을 쉽게 구현하는 Python 프레임워크입니다.

이 도구의 구현 방식: 아래 코드는 추출한 스키마 전체를 텍스트로 변환해 시스템 프롬프트에 주입하는 컨텍스트 주입(Context Injection) 방식입니다. 실제 Graph RAG는 GraphDB 등 트리플 스토어에서 SPARQL 질의로 관련 서브그래프만 동적으로 탐색·주입하며, 대규모 데이터에서 더 효율적입니다. GraphDB 연동 후 실제 Graph RAG가 동작하는 흐름(SPARQL 조회 → 관련 트리플 반환 → LLM 주입)은 Step 10 > 시퀀스 다이어그램에서 확인할 수 있습니다.

시험 전 교과서 텍스트(일반 RAG)를 보여주는 것과 개념 지도(Graph RAG)를 보여주는 것의 차이입니다. 개념 지도를 보면 연결 관계가 보여 더 정확한 답이 나옵니다.

1단계 - 온톨로지 컨텍스트 생성 함수

import json

def build_ontology_context(schema_path: str, rules_path: str = None) -> str:
    """JSON-LD 스키마를 LLM 시스템 프롬프트용 텍스트로 변환"""
    with open(schema_path, encoding='utf-8') as f:
        schema = json.load(f)

    lines = [f"## 도메인 온톨로지: {schema.get('domain', '행정')}"]
    lines.append("### 핵심 트리플 (지식 관계)")
    for t in schema.get('triples', [])[:20]:  # 상위 20개
        lines.append(f"- {t['subject']} --[{t['predicate']}]--> {t['object']}")

    if rules_path:
        with open(rules_path, encoding='utf-8') as f:
            rules = json.load(f)
        lines.append("### 예외 처리 규칙")
        for r in rules.get('exception_rules', []):
            lines.append(f"- [{r['rule_id']}] IF {'; '.join(r.get('if',{}).get('conditions',[]))} THEN {r.get('then','')}")

    return '\n'.join(lines)

ctx = build_ontology_context('extracted_schema.json', 'inferred_rules.json')
print(ctx[:500])

2단계 - LangChain 온톨로지 스키마 주입 체인 구성

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.schema import SystemMessage, HumanMessage

APIKEY = 'YOUR_GEMINI_API_KEY'  # Step 1에서 저장한 키
llm = ChatGoogleGenerativeAI(model='gemini-2.0-flash', google_api_key=APIKEY)

ontology_ctx = build_ontology_context('combined_schema.json')

def graph_rag_query(question: str) -> str:
    """온톨로지 스키마를 시스템 프롬프트에 주입한 컨텍스트 기반 질의 (Context Injection)
    ※ 실제 Graph RAG는 SPARQL로 서브그래프를 동적 탐색 후 주입하는 방식 (GraphDB 연동 필요)"""
    system = f"""당신은 행정 민원 전문 AI입니다.
아래 온톨로지 지식 구조를 참조하여 정확하게 답변하세요.

{ontology_ctx}

규칙:
- 온톨로지에 명시된 처리 절차와 담당 기관을 반드시 언급할 것
- 예외 규칙이 적용되는 경우 명시적으로 설명할 것
- 불확실한 정보는 추측하지 말 것"""

    response = llm.invoke([SystemMessage(content=system), HumanMessage(content=question)])
    return response.content

# 테스트
answer = graph_rag_query('도로 파손 민원 처리 절차와 기한을 알려주세요.')
print(answer)

3단계 - Neo4j Graph DB 연동 (선택)

# pip install neo4j langchain-community
from neo4j import GraphDatabase
import json

driver = GraphDatabase.driver('bolt://localhost:7687', auth=('neo4j', 'password'))

def load_triples_to_neo4j(schema_path: str):
    with open(schema_path, encoding='utf-8') as f:
        schema = json.load(f)
    # ※ 아래 Cypher는 서술어(predicate)를 'RELATION'이라는 단일 관계 레이블의
    #   type 속성으로 저장하는 단순화 예시입니다.
    #   Cypher의 기본 MERGE 구문은 동적 관계 유형을 지원하지 않기 때문입니다.
    #   실 운용 시에는 APOC 라이브러리의 apoc.merge.relationship()을 사용하면
    #   서술어를 동적 관계 유형으로 처리할 수 있습니다.
    #   예) session.run('CALL apoc.merge.relationship($s,$p,{},{},NULL)', s=...,p=...)
    with driver.session() as session:
        for t in schema.get('triples', []):
            session.run(
                'MERGE (s:Entity {name:$s}) MERGE (o:Entity {name:$o}) MERGE (s)-[r:RELATION {type:$p}]->(o)',
                s=t['subject'], o=t['object'], p=t['predicate']
            )
    print('Neo4j 로드 완료')

load_triples_to_neo4j('extracted_schema.json')

GraphDB · Apache Jena · Blazegraph 등의 트리플 스토어에서 실행 가능한 SPARQL 쿼리 예시입니다.

SPARQL이란?

SPARQL은 온톨로지(RDF 지식 그래프)를 조회하는 질의 언어입니다. 회사 데이터베이스를 SQL로 조회하듯, 온톨로지는 SPARQL로 조회합니다. "민원인과 연결된 모든 담당 부서를 찾아줘" 같은 복잡한 지식 탐색을 몇 줄의 쿼리로 처리할 수 있습니다. GraphDB, Apache Jena, Blazegraph 같은 트리플 스토어에서 바로 실행됩니다.

SQL이 관계형 DB(Excel 같은 표)의 언어라면, SPARQL은 지식 그래프의 언어입니다. SELECT · WHERE · FILTER 구조가 SQL과 비슷해 익숙해지기 쉽습니다.

기본 쿼리 - 특정 주체의 모든 관계 조회

PREFIX admin: <http://admin.go.kr/ontology#>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>

SELECT ?predicate ?object
WHERE {
    admin:민원인 ?predicate ?object .
}
ORDER BY ?predicate

경로 쿼리 - 민원 처리 흐름 전체 조회

PREFIX admin: <http://admin.go.kr/ontology#>

SELECT ?subject ?predicate ?object ?source
WHERE {
    ?subject ?predicate ?object .
    OPTIONAL { ?subject admin:출처 ?source }
    FILTER(
        ?predicate IN (
            admin:제출한다, admin:담당한다, admin:처리기한은,
            admin:통보한다, admin:검토한다, admin:발급한다
        )
    )
}
ORDER BY ?subject ?predicate

subClassOf 계층 탐색 - 상위 온톨로지 연결 확인

PREFIX admin: <http://admin.go.kr/ontology#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>

SELECT ?domainClass ?upperClass
WHERE {
    ?domainClass rdfs:subClassOf ?upperClass .
    FILTER(STRSTARTS(STR(?upperClass), 'http://admin.go.kr/ontology#'))
}
ORDER BY ?upperClass

Python + SPARQLWrapper 실행 예시

# pip install SPARQLWrapper
from SPARQLWrapper import SPARQLWrapper, JSON

sparql = SPARQLWrapper('http://localhost:7200/repositories/admin-ontology')
sparql.setQuery('''
    PREFIX admin: <http://admin.go.kr/ontology#>
    SELECT ?s ?p ?o WHERE { ?s ?p ?o } LIMIT 50
''')
sparql.setReturnFormat(JSON)
results = sparql.query().convert()
for r in results['results']['bindings']:
    print(r['s']['value'], r['p']['value'], r['o']['value'])

기존 RDB(관계형 DB) 데이터 온톨로지 연계 - Direct Mapping / R2RML

Oracle·PostgreSQL·MySQL 등 기존 행정 DB를 온톨로지와 연결하는 W3C 표준 방식입니다. 별도 데이터 이관 없이 RDB 위에서 SPARQL 질의가 가능합니다.

Direct Mapping - 테이블 → 클래스, 컬럼 → 데이터 속성, 외래키 → 객체 속성으로 자동 변환합니다. GraphDB의 Ontop 플러그인(무료) 또는 오픈소스 Ontop-VKG를 사용합니다.

R2RML 매핑 예시:
rr:subjectMap [ rr:template "http://admin.go.kr/complaint/{민원번호}" ; rr:class admin:민원 ] .
rr:predicateObjectMap [ rr:predicate admin:담당부서 ; rr:objectMap [ rr:column "담당부서코드" ] ] .

기존 운영 DB를 그대로 두고 온톨로지 질의 레이어만 추가하므로, 현행 시스템 변경 없이 도입할 수 있습니다.

기존 RDB는 "창고 선반 목록(표)", 온톨로지는 "창고 지도(연결망)"입니다. R2RML은 목록을 지도로 번역하는 규칙집입니다.

GraphDB REST API를 통해 온톨로지를 원격에서 로드하고 조회하는 방법입니다. GraphDB Community Edition은 무료입니다.

GraphDB · REST API 연동이란?

GraphDB는 온톨로지(트리플)를 영구적으로 저장하는 전문 데이터베이스(트리플 스토어)입니다. REST API는 Python 코드에서 HTTP 요청을 보내 GraphDB와 통신하는 방법으로, 마치 카카오맵 API처럼 외부 서비스를 내 코드에서 제어하는 개념입니다. 이 단계가 완료되면 워크숍 도구를 닫아도 온톨로지 데이터가 서버에 살아있습니다. GraphDB Community Edition은 무료이며, 개인 PC에도 설치 가능합니다.

워크숍 도구는 스케치북(임시 작업 공간)이고, GraphDB는 금고(영구 보관)입니다. REST API는 스케치북의 그림을 금고로 옮기는 문(인터페이스)입니다.

GraphDB REST API - 트리플 업로드

import requests, json

GRAPHDB_URL = 'http://localhost:7200'
REPO = 'admin-ontology'

def upload_jsonld(schema_path: str):
    with open(schema_path, encoding='utf-8') as f:
        data = json.load(f)
    headers = {'Content-Type': 'application/ld+json'}
    url = f'{GRAPHDB_URL}/repositories/{REPO}/statements'
    resp = requests.post(url, headers=headers, data=json.dumps(data))
    print(f'업로드 결과: {resp.status_code}')
    return resp.status_code == 204

upload_jsonld('ontology_result_final.jsonld')

GraphDB REST API - SPARQL 질의

def sparql_query(query: str) -> list:
    url = f'{GRAPHDB_URL}/repositories/{REPO}'
    headers = {'Accept': 'application/sparql-results+json'}
    params = {'query': query}
    resp = requests.get(url, headers=headers, params=params)
    data = resp.json()
    return data.get('results', {}).get('bindings', [])

results = sparql_query('SELECT * WHERE { ?s ?p ?o } LIMIT 10')
for r in results:
    print({k: v['value'] for k, v in r.items()})

빠른 시작 체크리스트

Step ① GraphDB Free 다운로드 및 설치 (포트 7200) Step ② GraphDB Workbench에서 저장소 생성: admin-ontology Step ③ 이 도구에서 전체 결과 내보내기 → ontology_result_final.jsonld 저장 Step ④ 위 Python 업로드 코드 실행 → GraphDB 확인 Step ⑤ LangChain 코드로 온톨로지 스키마 주입 질의 테스트 Step ⑥ A/B 비교 결과(Step 8)와 스키마 주입 LangChain 결과 비교 → 성능 확인

이 도구는 브라우저에서 직접 실행되는 로컬 HTML 파일입니다. 학습 편의를 위해 외부 클라우드 LLM API(Gemini / OpenAI)를 호출합니다. 실제 행정 업무에 적용할 때는 아래 보안 가이드를 반드시 검토하세요.

실습 환경 vs 실제 행정망 운영 환경 비교

구분	오늘 실습 환경	실제 행정망 적용 시
LLM API	외부 클라우드 (Gemini/GPT)	내부 sLLM 또는 승인된 G2B API
데이터 저장	브라우저 메모리 (휘발성)	내부망 GraphDB / 온프레미스 서버
민감 데이터	가상 시나리오만 사용 권장	개인정보·비공개 데이터 외부 전송 금지
네트워크	인터넷 연결 필요	행정망(폐쇄망) 내부에서만 동작
이 도구 자체	외부 CDN 의존 (vis.js 등)	내부 서버 배포 또는 오프라인 번들 사용

행정망 도입을 위한 3가지 아키텍처 옵션

① 온프레미스 sLLM

내부 서버에 경량 LLM(예: LLaMA3, Exaone) 설치. 외부 인터넷 차단 상태에서도 작동. 온톨로지 JSON-LD를 내부 시스템 프롬프트에 주입하여 행정 질의 처리.
GPU 서버 필요, 초기 구축 비용 발생.

② 내부망 GraphDB + API

이 도구에서 내보낸 JSON-LD를 내부망 GraphDB(Community Edition 무료)에 적재. 내부 REST API를 통해 행정 시스템과 연동.
상용 클라우드 불필요, 행정망 내 설치 가능.

③ 승인된 G2B AI 서비스 연동

행정안전부 또는 기관 승인 AI API(예: 클로바, HyperCLOVA X 기업형)와 연동. 데이터 처리 계약·보안 심의 필요.
가장 빠른 도입 경로이나 계약·심의 기간 필요.

행정망 도입 전 보안 체크리스트

① 데이터 분류 활용할 조례·지침 데이터의 민감도를 확인 (개인정보 포함 여부, 비공개 등급). ② 망분리 준수 인터넷망에서 작업한 온톨로지 JSON-LD 파일을 행정망으로 이관 시 보안 USB 또는 망연계 솔루션 경유. ③ AI 서비스 보안 심의 외부 LLM API 사용 시 정보보안 담당관 또는 개인정보보호위원회 가이드라인에 따른 심의 진행. ④ 온톨로지 파일 접근 통제 내보낸 JSON-LD 파일에 업무 규칙·예외 조항 포함 시 내부 문서 보안 등급 적용. ⑤ API Key 관리 실습에서 사용한 Gemini/GPT API Key는 내부 시스템에 하드코딩 금지 - 환경변수 또는 Secrets Manager 사용. ⑥ 로그 및 감사 기록 AI가 생성한 행정 안내 결과는 감사 추적을 위해 로그 저장 체계 구축 필요.

참고: 행정 AI 도입 관련 법령·가이드

행정안전부 - 「공공부문 생성형 AI 활용 가이드라인」(2024): 공공기관 AI 서비스 도입 시 데이터 보안·책임 소재 기준 제시.

개인정보보호위원회 - 「AI 시스템 개인정보 보호 자율점검표」: AI가 처리하는 데이터의 개인정보 침해 사전 점검 도구.

국가정보원 - 「국가·공공기관 AI 보안 가이드라인」(2024): 폐쇄망 AI 운영 및 공급망 보안 요구사항.

디지털플랫폼정부위원회 - 「공공 데이터 표준화 및 온톨로지 구축 가이드」: 공공 온톨로지 구축 시 표준 용어·구조 준수 기준.

APPENDIX

시스템 아키텍처 & 프로젝트 가이드

전체 시스템 구조 · 업무-데이터 흐름 · WBS 기간 가이드

강의 마무리 후 참조용 부록입니다. Step 1-9 실습이 진행 메인 일정이며, 이 부록은 현장 실습 대상이 아닙니다. 현장 복귀 후 온톨로지 프로젝트 기획 시 시스템 설계와 일정 수립에 활용하세요.

Steps 1~9에서 구축한 온톨로지가 AI 에이전트 앱과 연동될 때의 전체 시스템 계층 구조입니다.

이 도구가 구현하는 W3C 온톨로지 표준 5계층 아키텍처와 핵심 스펙 레퍼런스입니다.

Layer 1 - RDF 1.1 트리플 (시나리오 / 스키마 추출)

주체(Subject) - 서술어(Predicate) - 객체(Object) 구조. 도구 Step 3-4에서 추출. JSON-LD @graph 출력.
표준: RDF 1.1 Concepts

Layer 2 - OWL 2 DL 클래스/속성 (상위 온톨로지)

owl:Class, owl:ObjectProperty, rdfs:subClassOf. Step 5에서 상위 온톨로지 그룹 도출. T-Box 구성.
표준: OWL 2 Primer

Layer 3 - SWRL 추론 규칙 (추론 엔진)

IF conditions THEN action 패턴의 행정 비즈니스 규칙. Step 6에서 도출 및 실행 (LLM 추론 실행 버튼).
표준: SWRL Submission

Layer 4 - A-Box 인스턴스 (추론 데이터)

실제 행정 사례 데이터. rdf:type으로 클래스 유형 선언. Step 6 추론 엔진 입력. SWRL 클래스 원자 발동 조건.
표준: RDF 1.1 Triples

Layer 5 - SHACL 제약 (GUI 편집 / 검증 / JSON-LD 내보내기)

sh:NodeShape, sh:targetClass, sh:minCount, sh:severity. Step 4 GUI 편집기 + Step 6 추론 후 자동 SHACL 검증 + Step 7 시각화 + JSON-LD 내보내기 포함.
표준: SHACL W3C Rec

JSON-LD @context 예시 (exportJsonLD 출력)

{
  "@context": {
    "owl":  "http://www.w3.org/2002/07/owl#",
    "rdf":  "http://www.w3.org/1999/02/22-rdf-syntax-ns#",
    "rdfs": "http://www.w3.org/2000/01/rdf-schema#",
    "xsd":  "http://www.w3.org/2001/XMLSchema#",
    "sh":   "http://www.w3.org/ns/shacl#",
    "ont":  "http://admin.go.kr/ontology#"
  },
  "@graph": [
    { "@id": "ont:시민", "@type": "owl:Class" },
    { "@id": "ont:시민Shape", "@type": "sh:NodeShape",
      "sh:targetClass": { "@id": "ont:시민" },
      "sh:property": [{
        "@type": "sh:PropertyShape",
        "sh:path": { "@id": "ont:제출한다" },
        "sh:minCount": 1,
        "sh:severity": { "@id": "sh:Violation" }
      }]
    },
    { "@id": "ont:INF_01", "@type": "ont:InferenceRule",
      "ont:swrlCondition": "시민(?x) ∧ 검사만료일경과(?x, true)",
      "ont:swrlAction": "과태료부과(?x, 40000)" }
  ]
}

이 솔루션의 W3C 표준 준수 기준

각 표준이 이 도구에서 어떤 역할을 하고, 어떤 기준으로 검증되는지 정리합니다.

표준	이 솔루션의 역할	핵심 준수 기준	검증 레벨	적용 단계
RDF 1.1	트리플(주어-서술어-목적어) 구조 기반. 모든 지식 표현의 최소 단위	트리플 최소 8개 이상 / `owl:DatatypeProperty` predicate에 `xsd_type` 필수 / (subject, predicate, object) 중복 금지 / Predicate는 반드시 IRI(동사구)	Warning	3 · 4 · 6
OWL 2 DL	클래스 계층(T-Box)과 속성 유형 정의. 온톨로지의 스키마 선언 계층	`owl:ObjectProperty` / `owl:DatatypeProperty` 구분 필수 / subject-domain 일관성(불일치 시 출력 무효) / triple object dangling 방지 / property domain·range dangling 방지	Error Warning	4 · 5 · 6 · 7
RDFS	클래스 계층 관계(`rdfs:subClassOf`)와 속성 domain·range 정의	`subClassOf` 선언 시 상위 클래스 반드시 `classes` 배열에 포함 / 고아 참조(dangling subClassOf) 방지 / Step 5: 2개 이상 도메인에 공통 클래스 누락 금지	Warning	4 · 5
SWRL	IF-THEN 형식의 행정 추론 규칙. Step 4 예외 규칙 및 Step 6 추론 규칙의 구조적 기반	conditions 2개 이상 AND 조건 필수(단일 조건 금지) / 모든 변수 `?` 접두사 필수 / then(결론부) 변수는 conditions에서 먼저 바인딩 필수 / `swrlb` 내 변수 선행 바인딩 필수 / 한국어 무결성(한자·로마자 금지)	Error 위반 시 출력 무효	4 · 6
SHACL	온톨로지 데이터 무결성 검증 제약 선언. GUI 입력 검증 및 JSON-LD 출력에 포함	`sh:NodeShape` / `sh:targetClass` / `sh:minCount` / `sh:severity` 4개 필드 필수 / `path`는 `properties` 배열에 선언된 속성이어야 하며 domain이 targetClass와 일치 / `sh:severity`: `sh:Violation` 또는 `sh:Warning` 만 허용	Warning	4 · 6 · 7 · 9
JSON-LD 1.1	온톨로지 직렬화 포맷. GraphDB 적재 및 Step 9 바이브 코딩 프롬프트의 입력 파일	`@context`에 6개 표준 prefix 필수(owl / rdf / rdfs / xsd / sh / ont) / `@graph` 배열 구조 사용 / 순수 JSON 출력(마크다운 절대 금지)	Info	4 · 7 · 9

검증 레벨: Error 위반 시 AI 출력 전체 무효 | Warning 구조적 위반 - AI 재처리 피드백 전달 | Info 권고 - UI 표시만

단계별 적용 표준 매트릭스

해당 단계에서 표준을 정의하거나 참조·활용하는 경우 / - 해당 없음

Step	RDF 1.1	OWL 2 DL	RDFS	SWRL	SHACL	JSON-LD
Step 4 도메인 온톨로지
Step 5 상위 온톨로지	-			-	-
Step 6 추론 규칙					-	-
Step 7 지식 그래프		-	-	-		-
Step 9 연동 가이드	-	-	-	-