Reasoning & Retrieval
추론 및 검색
대규모 언어 모델(LLM) 기반 추론(Reasoning)과 검색(Retrieval) 기술 연구입니다. Graph RAG, 시맨틱 검색, 프롬프트 엔지니어링을 통해 AI 시스템의 정확성과 신뢰성을 향상시킵니다.
Ontology-Based Reasoning
온톨로지의 형식적 의미론을 활용한 지식 추론. 개념 계층과 관계 제약을 통해 암묵적 지식을 도출하고 논리적 일관성을 보장.
- — Description Logic 기반 형식 추론
- — KG 완전성 검증 및 지식 도출
- — 온톨로지 제약 기반 질의 확장
Graph-Based Retrieval
KG의 그래프 구조를 활용한 의미 기반 검색. 엔티티 간 관계 경로를 따라 다중 홉 질의를 처리하고 맥락적 정확도를 향상.
- — 그래프 탐색 + 벡터 유사도 하이브리드 검색
- — 온톨로지 가이드 검색 전략
- — 도메인 적응형 시맨틱 검색
LLM Harness Engineering
프롬프트 최적화를 넘어 LLM 출력을 구조적으로 제어하는 프레임워크 설계. 생성 단계에서의 제약과 검증으로 신뢰성 확보.
- — 온톨로지 제약 기반 출력 제어
- — 형식 검증을 통한 환각 필터링
- — 구조화된 추론 파이프라인 설계
Key Concepts
연구 접근
- — 형식 방법론(온톨로지, FCA)으로 LLM 추론의 논리적 기반 확보
- — 그래프 구조를 검색과 추론의 공통 인프라로 활용
- — 프롬프트가 아닌 시스템 아키텍처 수준의 신뢰성 설계
핵심 과제
- — LLM 환각의 구조적 제거 (생성 단계 제약, 사후 필터링이 아닌)
- — 도메인 지식의 형식적 표현과 LLM 추론의 통합
- — 검색 정확도와 추론 깊이의 균형