KEYSTONE은 Python, Streamlit, FalkorDB를 활용하여 기업의 분산된 지식을 연결하고 증거 기반으로 AI 지능을 구축하는 프레임워크입니다. 이 시스템은 단순한 검색을 넘어, 상충되는 주장이나 정보를 식별하고 관련 프로젝트, 소유자, 위험 요소와 연결하여 사용자가 비즈니스 맥락을 깊이 있게 조사하도록 돕습니다.
핵심 포인트
KEYSTONE은 FalkorDB 기반의 증거 기반 AI 기업 지능 프레임워크입니다.
단순 검색 대신, 상충되는 주장(disagreement)을 식별하는 것이 핵심 기능입니다.
정보를 개체와 관계(entities and relationships)로 모델링하여 비즈니스 맥락을 제공합니다.
사용자에게 답변과 함께 근거가 되는 증거(evidence)를 제시하여 신뢰도를 높입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
회사들은 매일 제품 계획, 프로젝트 업데이트, 결정 사항, 회의록, 위험 보고서 등 정보를 생성합니다. 문제는 단순히 정보를 찾는 것이 아니라, 서로 다른 정보 조각들이 어떻게 연결되는지 이해하는 것입니다.
제품 출시 계획에 하나의 주장에서는 2026년 12월을 포함하고, 다른 주장에서는 2027년 1월을 포함하는 두 가지 다른 날짜가 있다고 상상해 보세요.
기본 검색은 그 함의를 설명하지 않은 채 두 진술 모두를 반환할 수 있습니다. AI 비서조차도 충분한 증거 없이 하나의 날짜를 답변으로 제시할 수 있습니다.
저는 더 나은 접근 방식을 탐구하고 싶었습니다.
KEYSTONE 소개
KEYSTONE은 Python, Streamlit, 그리고 FalkorDB로 구축된 증거 기반의 AI 기업 지능입니다.
이것의 목표는 사용자가 연결된 회사 지식을 탐색하고, 잠재적으로 상충되는 주장들을 식별하며, 정보를 관련 프로젝트, 소유자 및 위험과 추적할 수 있도록 돕는 것입니다.
KEYSTONE의 원리는 간단합니다:
AI는 단순히 질문에 답해서는 안 됩니다. 사람들에게 답변을 이해하는 데 도움이 되는 증거를 보여줘야 합니다.
왜 FalkorDB인가?
FalkorDB는 KEYSTONE 지식 그래프의 기반입니다.
모든 사실을 고립된 기록으로 취급하기보다는, KEYSTONE은 개체(entities)와 관계(relationships)를 통해 회사 정보를 표현합니다. 문서는 주장을 뒷받침할 수 있고, 사람들은 프로젝트를 소유할 수 있으며, 프로젝트는 위험 및 결정과 연결될 수 있습니다.
이러한 관계들은 애플리케이션이 연결된 증거를 검색하고 사용자가 비즈니스 상황을 조사하는 데 도움을 줄 수 있게 합니다.
그래프는 단순한 시각화가 아닙니다. 이는 프로토타입이 회사 지식을 구성하고 검색하는 방식에서 중심적인 역할을 합니다.
KEYSTONE이 할 수 있는 것들
1. 지식 개요 시각화
대시보드는 문서, 프로젝트, 주장, 사람, 결정, 위험을 포함한 연결된 회사 정보를 표시합니다.
2. 잠재적 충돌 감지
제 데모에서 제품 출시 계획은 두 가지 주장을 포함하고 있습니다:
claim001: 해당 제품 출시는 2026년 12월로 계획되어 있습니다.
claim002: 해당 제품 출시는 2027년 1월로 계획되어 있습니다.
KEYSTONE은 이러한 주장들을 잠재적인 불일치(disagreement)로 표시하고, 사용자가 근거가 되는 증거를 검토하도록 권장합니다.
이는 어느 날짜가 정확하다고 자동으로 가정하지 않습니다. 충돌을 감지하는 것과 이를 해결하는 것은 다른 작업입니다.
3. 프로젝트, 소유자 및 위험 연결하기
프로토타입은 프로젝트 정보와 소유권, 그리고 위험 요소를 연결합니다.
예를 들어, '제품 출시(Product Launch)' 프로젝트가 위험에 처해 있는 것(at risk)으로 표시되며, 식별된 프로젝트 소유자와 해당 위험과 관련된 상충되는 출시 날짜들이 함께 나타납니다.
이는 사용자가 고립된 진술을 넘어 더 넓은 비즈니스 맥락을 조사할 수 있도록 돕습니다.
4. 연결된 증거를 사용하여 질문에 답하기
사용자는 회사 지식에 대해 질문하고 KEYSTONE이 검색한 근거 주장(supporting claims)들을 검사할 수 있습니다.
출시에 대해 질문했을 때, 프로토타입은 증거가 하나의 확정적인 답변을 제시한다고 가장하는 대신, 상충되는 날짜들과 그 출처 문서들을 모두 반환합니다.
제가 배운 것들
관계(Relationships)가 중요합니다
사실들은 연결될 때 더 유용해집니다. 출시 날짜에 대한 주장은 영향을 받는 프로젝트, 소유자, 그리고 관련 위험 요소와 연결될 때 더욱 의미를 갖게 됩니다.
증거(Evidence)가 신뢰도보다 중요합니다
자신감 있게 들리는 답변이 반드시 신뢰할 수 있는 답변은 아닙니다. 저는 불확실성을 가시화하고 사용자가 결론 뒤에 숨겨진 증거를 검사하도록 허용하는 것의 중요성을 배웠습니다.
그래프 데이터베이스는 실제 작업을 수행해야 합니다
FalkorDB를 사용하면서, 그래프 관계가 단순히 시각적 기능으로만 사용되는 것이 아니라 애플리케이션의 실제 동작에 어떻게 기여하는지 생각하게 되었습니다.
배포(Deployment)도 구축 과정의 일부입니다
FalkorDB Cloud에 연결하고 Streamlit 애플리케이션을 배포하면서, 데이터베이스 설정, 환경 변수(environment variables), 자격 증명(credentials), 그리고 프로토타입을 온라인에서 접근 가능하게 만드는 것에 대해 배웠습니다.
한계점(Limitations)은 명확해야 합니다
KEYSTONE은 잠재적인 불일치를 식별하지만, 플래그가 지정된 충돌이 자동으로 어떤 진술이 정확한지 확립하지는 않습니다. 여전히 출처 검토와 추가적인 맥락이 필요할 수 있습니다.
다음 단계는 무엇인가?
KEYSTONE은 프로토타입이며, 탐구해야 할 부분이 더 많습니다. 향후 개선 사항에는 더욱 풍부한 문서 수집(ingestion), 주장(claims)의 시간적 추적(temporal tracking), 보다 진보된 충돌 해결(conflict resolution), 그리고 새로운 정보가 이전 결정에 어떻게 영향을 미치는지에 대한 심층적인 추적 등이 포함될 수 있습니다.
저의 장기적인 목표는 기업 지식을 더욱 연결되고, 추적 가능하며, 의사결정에 유용하게 만드는 것입니다.
마무리 생각
KEYSTONE을 구축하는 과정은 그래프 데이터베이스가 어떻게 더 증거 인식(evidence-aware) AI 애플리케이션을 지원할 수 있는지 탐구하는 데 도움이 되었습니다.
이 프로젝트는 간단한 아이디어를 중심으로 구축되었습니다. 즉, 사람들이 결정을 내릴 때, 그들이 받는 정보의 배경에 있는 증거와 관계를 조사할 수 있어야 한다는 것입니다.
KEYSTONE — 증거를 연결하고, 맥락을 이해하며, 더 나은 정보에 기반한 결정을 내리세요.
Graph Hacks 제작: FalkorDB가 구동하는 AI 에이전트를 위한 맥락(Context).