환경 설정

AI API 키를 등록하고 작업 폴더를 설정합니다. API 키는 현재 탭의 sessionStorage에 저장되며 새로고침 후에도 유지됩니다. 인증 요청은 선택한 공급자로 전송되고, 분석 시 문서·시나리오도 모델 입력에 포함됩니다. 키 지우기 버튼으로 직접 삭제할 수 있습니다.

작업 폴더 설정

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

이전 작업 폴더 감지됨

작업 폴더가 생성되었습니다

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 채택 이력 누적 — 통계 분석용)
  docs/ (업로드 문서 자동 저장)
    - [문서파일명]
    - _index.json

AI API 설정

Google AI Studio API 키

모델

추천은 품질·비용·응답 시간 기준입니다. 키 입력 후 모델 목록을 확인하세요.

추천 기준일: 2026-10-02 · 실측 순위 아님 · 공식 모델 안내

모델 제공 여부는 계정과 버전에 따라 다릅니다. Preview 모델은 변경될 수 있으며, 기존 모델은 연결 테스트 후 사용하세요.

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

OpenAI API 키

모델

추천은 품질·비용·응답 시간 기준입니다. 키 입력 후 모델 목록을 확인하세요.

추천 기준일: 2026-10-02 · 실측 순위 아님 · 공식 모델 안내

복합 규칙은 균형형·품질 우선 모델을 권장합니다. 경량 모델로 만든 초안은 근거와 제약 조건을 재검토하세요.

platform.openai.com/api-keys 에서 API 키 발급 · API 키는 sk-proj- 등의 형식입니다. · API 데이터는 기본적으로 모델 학습에 사용되지 않음. 보관 기간은 서비스·계정 설정에 따라 다르며, 기본 악용 모니터링 로그는 최대 30일 보관될 수 있습니다.

Anthropic API 키

워크숍 추천 모델

추천은 품질·비용·응답 시간 기준입니다. 키 입력 후 모델 목록을 확인하세요.

추천 기준일: 2026-10-02 · 실측 순위 아님 · 공식 모델 안내

Claude Console에서 발급한 API 키를 사용합니다. Claude 웹 구독과 API 이용 요금은 별도입니다. 입력한 키로 브라우저에서 Anthropic에 직접 연결하며, 키는 현재 탭 세션에만 저장됩니다.

엔드포인트 URL (Ollama / vLLM / LM Studio)

모델명

OpenAI-compatible API(/v1/chat/completions) 형식을 사용합니다. Ollama는 ollama serve 실행 후 연결하세요. 브라우저 보안 정책상 file:// 환경에서는 CORS 오류가 발생할 수 있습니다.

API 키가 필요 없습니다. 단, file:// 환경에서는 브라우저 CORS 정책으로 로컬 서버 연결이 차단될 수 있습니다. 이 경우 이 HTML 파일을 로컬 웹서버로 서빙하거나(python -m http.server 등), Ollama에 CORS 허용 헤더를 설정하세요.

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. 신청한 API 인증값(OC)을 입력하고 API별 호출 제한을 확인하세요.

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

선택한 폴더의 파일:

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

대국민 알림 가상 예시 데이터 펼치기 ▾

교통·도로 - 한국도로교통공단 · 서울교통공사 · SR

안전·재난 - 소방청 · 경찰청 · 행정안전부

복지·의료 - 국민건강보험공단 · 한국사회보장정보원

고용·산업 - 고용노동부 · 한국산업인력공단

에너지·자연 - 한국전력공사 · 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 검색 (API 키 불필요) (data.go.kr 발급)

• data.go.kr 데이터셋별 활용 신청과 API 설명서를 확인하세요
• 검색 결과는 공식 포털에서 열립니다. 파일 다운로드 또는 개별 API 활용 신청 후 데이터를 불러오세요
• 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

Step 3 시나리오 기반 - 추천 법령 검색어 & 첨부 문서 가이드

시나리오 선택

선택한 시나리오에서 매칭되는 도메인을 찾을 수 없습니다.

민원/업무 시나리오 입력

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

도메인별 가상 시나리오 예시

교통 · 도로한국도로교통공단 · 화성특례시 · SR

안전 · 재난소방청 · 경찰청 · 화성특례시

복지 · 의료 · 고용국민건강보험공단 · 한국사회보장정보원 · 고용노동부

에너지 · 환경 · 산림한국전력공사 · 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

등록된 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 상세세부 모델링 초안

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.

도출된 추론 규칙 추론 규칙: 0개

A-Box 인스턴스 데이터 규칙 적용 검토용 사례 데이터 (직접 입력 또는 LLM 생성 초안)

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)

LLM 규칙 적용 후보 및 로컬 제약 검사 -

지식 그래프 시각화 & 질의

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

도구 표시 레이어

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.

도구 표시 레이어별 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	LLM이 제시한 결론 후보 (원문·입력 사실 대조 필요)
	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 layer이 도구의 시각화 계층 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 참조하는 표준·규칙 어휘 (적합성 인증 아님) (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. 표준 SPARQL의 변수 바인딩·조인 기능은 지원하지 않으며, 외부 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.

지식 그래프 탭으로 이동하면 매칭 노드가 강조 표시됩니다.

검증 비교 (A/B/C Benchmarking)

동일한 질문에 대해 순수 LLM(실험 C) · 일반 텍스트 RAG(실험 A) · 온톨로지 스키마 주입(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

비교 실행 버튼을 클릭하면 결과가 표시됩니다.

Human In the Loop - 어느 답변을 채택하시겠습니까?

LLM 자동 품질 평가

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 환경·파일 경로·저장소·API 권한을 설정한 뒤 검증하여 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 ◆ 연동용 초안

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 — 저장 후 터미널에서 docker compose up -d 실행
# 공식 문서에 제시된 버전 예시입니다. 운영 도입 전 지원 버전·라이선스를 확인하세요.
services:
  graphdb:
    image: ontotext/graphdb:11.0.1
    ports:
      - "127.0.0.1:7200:7200"
    volumes:
      - "./graphdb-data:/opt/graphdb/home"

브라우저에서 http://localhost:7200 으로 접속해 GraphDB 웹 UI 확인. Workbench에서 admin-ontology 리포지토리를 먼저 생성한 뒤 다음 업로드 코드를 실행하세요.

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

# tier2_setup.py — 사전 준비: GraphDB Workbench에서 admin-ontology 저장소 생성
# pip install requests rdflib
import requests
from rdflib import Graph
g = Graph().parse('ontology_result_final.jsonld', format='json-ld')
print(f'로드된 트리플 수: {len(g)}')
res = requests.post(
    'http://localhost:7200/repositories/admin-ontology/statements',
    data=g.serialize(format='turtle').encode('utf-8'),
    headers={'Content-Type': 'text/turtle; charset=utf-8'}, timeout=60)
res.raise_for_status()
print('GraphDB 업로드 완료')

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_core.messages 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 ''
    from rdflib import Literal
    term = Literal(keyword).n3()  # 문자열을 SPARQL 리터럴로 안전하게 표현
    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), {term}) || CONTAINS(STR(?o), {term}))
        }} 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=os.getenv('GEMINI_MODEL', 'gemini-3.8-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 (사용 가능한 버전 태그 확인)를 Docker로 배포하고, SPARQL 엔드포인트와 LangChain을 연동해 교육용 Graph RAG 실습 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 (사용 가능한 버전 태그 확인), 포트 7200
- tier2_setup.py           : 사전에 생성한 리포지토리에 Turtle 임포트
- 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 Workbench에서 리포지토리 생성 후 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 의존성과 입력 파일을 준비한 뒤 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 - 규칙 초안 조회 (자동 판정 아님)

import json
# '통합 스키마 다운로드'에서 받은 파일을 읽습니다.
with open('combined_schema.json', encoding='utf-8') as f:
    data = json.load(f)
for name, schema in data.get('domain_schemas', {}).items():
    for rule in schema.get('exception_rules', []):
        print(name, rule.get('rule_id'), rule.get('if', {}).get('conditions', []), rule.get('then', rule.get('then_action', '')))
for rule in data.get('inferred_rules', []):
    print(rule.get('inference_id'), rule.get('condition'), '->', rule.get('action'))
# 이 코드는 규칙을 조회할 뿐 발동 여부를 판정하지 않습니다.
# SWRL 실행에는 규칙 변환과 지원 추론기, 사실 데이터의 검증이 필요합니다.

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 rdflib 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 관련 관계를 참고할 수 있습니다. 정확성 향상 여부는 별도 평가가 필요합니다. 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 관계를 참고할 수 있습니다. 오류가 줄어드는지는 실제 질문으로 확인해야 합니다.

1단계 - 온톨로지 컨텍스트 생성 함수

from rdflib import Graph
def build_ontology_context(schema_path: str) -> str:
    """내보낸 JSON-LD를 실제 RDF 트리플로 파싱합니다."""
    graph = Graph().parse(schema_path, format='json-ld')
    triples = sorted((s.n3(), p.n3(), o.n3()) for s, p, o in graph)
    # 교육 예시의 고정 길이 제한입니다. 대규모 데이터는 질문별 검색이 필요합니다.
    lines = [' '.join(row) + ' .' for row in triples[:200]]
    return f'교육용 온톨로지 초안 ({len(triples)}개 중 {len(lines)}개):\n' + '\n'.join(lines)
ctx = build_ontology_context('ontology_result_final.jsonld')
print(ctx[:500])

2단계 - LangChain 온톨로지 스키마 주입 체인 구성

from langchain_google_genai import ChatGoogleGenerativeAI
from langchain_core.messages import SystemMessage, HumanMessage

import os
APIKEY = os.environ['GOOGLE_API_KEY']  # 브라우저 키는 Python에 자동 전달되지 않습니다.
llm = ChatGoogleGenerativeAI(model=os.getenv('GEMINI_MODEL', 'gemini-3.8-flash'), google_api_key=APIKEY)

ontology_ctx = build_ontology_context('ontology_result_final.jsonld')

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 rdflib
# NEO4J_USER / NEO4J_PASSWORD 환경변수를 설정하세요.
import os
from rdflib import Graph, Literal
from neo4j import GraphDatabase
graph = Graph().parse('ontology_result_final.jsonld', format='json-ld')
with GraphDatabase.driver('bolt://localhost:7687', auth=(os.environ['NEO4J_USER'], os.environ['NEO4J_PASSWORD'])) as driver:
    with driver.session() as session:
        for subject, predicate, obj in graph:
            session.run(
                'MERGE (s:RDFTerm {value:$s}) MERGE (o:RDFTerm {value:$o}) '
                'SET o.literal=$literal MERGE (s)-[:RELATION {iri:$p}]->(o)',
                s=subject.n3(), p=str(predicate), o=obj.n3(), literal=isinstance(obj, Literal))
# RDF term을 문자열로 옮기는 교육용 예시입니다. OWL 추론 의미가 자동 이전되지는 않습니다.
print('Neo4j 로드 완료')

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

속성 필터 쿼리 - 민원 관련 관계 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

Direct Mapping은 관계형 데이터를 RDF로 변환하는 기본 규칙이며, R2RML은 사용자 정의 매핑 언어입니다. SPARQL 가상 질의에는 Ontop 같은 별도 엔진과 DB 연결 설정이 필요합니다.

R2RML 예시: 가상 테이블 COMPLAINT의 ID와 DEPT_CODE를 매핑합니다. 실제 테이블·컬럼·네임스페이스로 변경하세요.

@prefix rr: <http://www.w3.org/ns/r2rml#> .
@prefix ex: <https://example.org/ontology#> .
<#ComplaintMap> a rr:TriplesMap ;
  rr:logicalTable [ rr:tableName "COMPLAINT" ] ;
  rr:subjectMap [ rr:template "https://example.org/complaint/{ID}" ; rr:class ex:Complaint ] ;
  rr:predicateObjectMap [ rr:predicate ex:departmentCode ;
    rr:objectMap [ rr:column "DEPT_CODE" ] ] .

기존 DB를 활용할 수 있지만 접근 권한, 데이터 형식, 성능과 매핑 정확도를 별도로 검증해야 합니다.

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 Free은 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 Free은 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 JSON-LD 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 / Claude)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/Claude) 또는 로컬 모델	내부 sLLM 또는 승인된 G2B API
데이터 저장	브라우저 저장소 및 선택한 작업 폴더	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	주요 라이브러리 로컬 번들; API·일부 기능은 네트워크 필요	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 AI 활용 관련 최신 지침의 발행일·적용 범위를 기관 공식 자료에서 확인하세요.

개인정보보호위원회 - AI 개인정보 처리 관련 최신 안내와 점검 자료를 공식 홈페이지에서 확인하세요.

국가정보원 - 소속 기관에 적용되는 AI·정보보안 지침을 정보보안 담당자와 확인하세요.

표준 참조 - W3C RDF·RDFS·OWL·SHACL·JSON-LD 원문과 기관별 데이터 표준을 함께 검토하세요. 부록의 표준 링크를 참고하세요.

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 도구를 사용하는 Actor와 기능 관계를 UML Use Case 다이어그램으로 표현합니다. 개발·확장 시 기능 범위와 Actor-기능 연결을 파악하는 데 활용하세요.

담당자의 문서 입력부터 AI 에이전트의 최종 답변까지 업무흐름과 데이터흐름을 보여줍니다.

실제 행정 혁신 온톨로지 기반 AI 시스템 구축 프로젝트를 기준으로, 단계별 권장 기간 비중과 WBS 간트 차트입니다.

이 WBS는 학습 목적 기준입니다. LLM 기반 실무 프로젝트에서는 LLM이 PHASE 2(온톨로지 설계)를 빠르게 초안 생성하지만, 결과물의 정확성 검증 · 할루시네이션 탐지 · 도메인 전문가 승인이 핵심 병목이 됩니다. 실무에서는 데이터 품질과 승인 절차에 따라 PHASE 4(검증 및 개선)에 더 많은 기간이 필요할 수 있습니다. 아래 16주는 일정 작성 예시입니다.

기간 비중 가이드 (총 16주 기준)

PHASE 1 · 2주 (12.5%)

환경 구성 + 문서 수집/전처리

PHASE 2 · 5주 (31.25%)

시나리오 설계 + 온톨로지 추출/검증 - 가장 긴 단계

PHASE 3 · 4주 (25%)

GraphDB 적재 + LangChain Graph RAG 구축

PHASE 4 · 3주 (18.75%)

A/B 검증 + 추론 규칙 튜닝 + 사용자 테스트

PHASE 5 · 2주 (12.5%)

운영 전환 + 담당자 교육 + 문서화

각 단계 AI API 호출의 시스템 프롬프트를 편집할 수 있습니다. 골든 샘플은 코드에 보존되어 언제든 한 번의 클릭으로 복구 가능합니다.

기본 도메인은 수강 기관 업무에 맞게 제공되며 항상 유지됩니다. 추가 도메인(시나리오 분석으로 생성 또는 수동 등록)은 localStorage에 저장되며 삭제 가능합니다.

새 도메인 수동 추가 (고급 사용자용 · 펼쳐서 직접 입력)

도메인 이름 *

트리거 키워드 (쉼표로 구분)

표준	이 솔루션의 역할	표준과 구현의 구분	검증 레벨	적용 단계
RDF 1.1	주어·서술어·목적어 데이터 모델	트리플 최소 개수는 표준 요건이 아닙니다. 중복 문장은 RDF 그래프에서 같은 사실이며 개수가 늘지 않습니다.	로컬 구조 검사	3·4·6
OWL 2 / RDFS	클래스·속성·계층 공리	domain/range는 유형을 추론합니다. 주어·목적어 이름이 domain/range와 같아야 하는 제약이 아닙니다. 전체 OWL 2 DL 일관성은 검사하지 않습니다.	모델링 검토	4·5·6·7
SWRL	교육용 IF-THEN 규칙	W3C Member Submission입니다. 단일 조건·상수·다중 결론을 허용합니다. 도구의 문자열 규칙은 실행 가능한 SWRL 직렬화가 아닙니다.	LLM 검토 후보	4·6
SHACL	제약 초안·일부 로컬 검사	현재 로컬 검사는 명시적 target_class, 단순 path, min_count에 한정됩니다. 미지원 제약·대상 없음은 별도 표시합니다. sh:Info도 표준 심각도이며 severity는 필수가 아닙니다.	제한된 검사	4·6·7·9
JSON-LD 1.1	RDF 직렬화	이 도구는 @context와 @graph를 사용합니다. 여섯 접두사나 @graph가 모든 JSON-LD 문서의 필수 요건은 아닙니다. 외부 시스템 적재 전 스키마·IRI·규칙 표현을 확인하세요.	내보내기 형식	9

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	-	-	-	-