[4주 완성] RAG의 한계를 뛰어넘는 온톨로지 기반 에이전트 워크샵 ft. LLM Wiki

오프라인 워크숍 모집 마감
2기 오픈 사전 알림 신청

※ 2기 일정 및 개설 여부는 미정이며, 오픈 시 사전 알림 신청자에게 가장 먼저 안내됩니다.
※ 아래 상세 내용은 26년 5월에 모집한 1기 내용으로, 2기 진행 시 상황에 따라 일부 변경될 수 있으니 참고용으로 봐주시기 바랍니다.

2기 사전 알림 신청하기

온톨로지에 관심 있으셨다면
100% 하셨을 고민...

현업에서 마주한 풀리지 않는 난제들
오프라인 워크숍을 통해 딱, 정답만 알려드릴게요.

단순히 정보를 찾는 RAG의 시대는 끝났습니다.
카파시의 LLM Wiki(유연한 RAG)와 온톨로지(단단한 논리)의 결합으로
오답 없는 '뉴로-심볼릭 추론 에이전트'를 실현합니다.

기존 LLM Wiki 방식과 무엇이 다른건가요?

단순한 검색(RAG)을 넘어 온톨로지 기반 추론으로.
에이전트의 할루시네이션의 가능성을 근본적으로 차단합니다.

밀도 높은 성장을 위해,
현업 실무자 딱 30명만 선착순 모집합니다.

온톨로지의 모든 단계를 한 번에 경험할 수 있는
국내 유일 실전 워크샵

이제 '그럴듯한 답변'만 늘어놓는 챗봇의 시대는 끝났습니다.
LLM Wiki + 온톨로지의 결합을 통해 할루시네이션을 근본적으로 차단하고,
스스로 논리적 근거를 제시하는 지능형 추론 에이전트를 구축하는 방법을 알려드릴게요.

* 본 강의에서는 시중의 무거운 추론 도구들의 한계를 극복하기 위해,
강사가 직접 개발한 고성능 논리 엔진인 'Wirelog'를 수강생 전원에게 실습용으로 제공합니다. (오프라인 강의 수강기간 동안 이용 가능)

Point 1

강의 핵심 포인트

온라인으로는 얻기 힘든 실습 몰입 경험
4주 완성 워크샵을 통해 LLM 시대에 최적화된 온톨로지의 전 과정을 경험합니다.

특히 이런 상황에 계신 분들이라면
주목하세요!

Point 2

학습 커리큘럼

온톨로지를 단순한 이론이 아닌, 실무 기술로 전환합니다.
Obsidian(입력) - Ontology(설계) - Wirelog(추론) - Agent(실행)으로 이어지는
할루시네이션 없는 신뢰 가능한 지능형 에이전트를 만드는 전 과정을 함께합니다.

"온톨로지가 옳다는 확신은 있지만,
구현의 한계에 부딪혔던 분들을 위해 준비했습니다."

여러분, 반갑습니다.

아마 여기 계신 분들 대부분은 RAG를 직접 만들어 보셨거나
도입을 고민해 보셨을 것입니다.
그리고 LLM이 문서를 이해하고 답변을 만들어내는 능력이 얼마나
강력한지도 이미 느끼셨을 것입니다. 특히 최근에는 마크다운 기반의 LLM Wiki처럼, 문서를 단순히 검색하는 것이 아니라 AI가 미리 읽고, 연결하고, 관리하는 방식이 중요해지고 있습니다.
훨씬 안정적이고 지속적인 지식 관리가 가능해지기 때문입니다.

이번 4주 워크샵은 바로 이 LLM Wiki를 한 단계 더 발전시키는 과정입니다.
우리는 Claude Code를 활용해 지속적으로 성장하는 지식 베이스를 만들고, 여기에 Ontology-Grounded RAG를 접목할 것입니다.

온톨로지는 단순한 태그가 아니라, 도메인의 개념과 관계를 구조화하는 방식입니다.
무엇이 무엇과 연결되고, 어떤 규칙이 성립하는지를 명확하게 정의합니다.
바로 이 구조가 있어야 Symbolic AI의 추론 엔진이 제대로 동작할 수 있습니다.

추론 엔진은 문장에 직접 적혀 있지 않은 사실을 논리적으로 도출하고,
지식 간의 모순을 검증합니다.
이 역할은 Datalog 기반의 논리 엔진이 담당합니다.

즉, LLM의 언어 능력 위에 온톨로지의 구조와 논리적 추론을 더해, 더 정확하고 신뢰할 수 있는 AI 시스템을 만드는 것입니다.
이번 워크샵에서 여러분은 단순한 코더가 아니라, AI가 스스로 지식을 정리하고 검증하도록 설계하는 지식 엔지니어가 됩니다.

4주 뒤에는 단순한 챗봇이 아니라, 여러분의 데이터를 기반으로 계속 성장하고
스스로 판단하는 강력한 시스템이 로컬 환경에 자리 잡게 될 것입니다.
그 변화를 이번 워크샵에서 함께 만들어 보겠습니다.

ㅣ 타임테이블

* 상기 일정은 진행 과정 및 현장 상황에 따라 일부 변경 될 수 있습니다.

Point 3

실습 내용 자세히 보기

온톨로지 모델링부터 향상된 LLM Wiki 제작까지
어디서도 배울 수 없던 온톨로지 실전 프로젝트

프로젝트 01

RAG에서 '논리 증강 위키’로 (Logic-Augmented LLM Wiki)
기존 RAG의 한계를 인식하고, 왜 '상태가 있는 위키'와 '엄밀한 논리'가 결합되어야 하는지 이해하며,
Claude Code를 통해 자동화된 위키의 뼈대를 구축합니다.

| 주요 학습 포인트
· RAG의 한계 극복: 단순 문서 검색이 아닌, 지식을 '컴파일'하여 저장하는 위키 방식의 필요성 이해
· 에이전트 기반 관리: Claude Code를 도구가 아닌 위키 관리자로 설정하는 방법

| 실습 프로세스
· 환경 구축: Claude Code CLI 설치 및 로컬 작업 디렉토리 연동
· 규칙 설정: CLAUDE.md를 통해 문서 간 양방향 링크 및 규격 자동화 가이드라인 주입
· 지식 컴파일: 비정형 문서(PDF/Text)를 마크다운 위키로 자동 변환 및 문서 간 관계 연결(Bookkeeping)

프로젝트 02

온톨로지 모델링 및 팩트 추출
위키 텍스트 뒤에 숨은 '논리적 뼈대(온톨로지)'를 설계하고,  
LLM을 통해 비정형 텍스트를 정형화된 데이터(Fact)로 자동 변환합니다.

| 주요 학습 포인트
· 온톨로지 설계: 지식 간의 상속, 인과 관계를 추론 엔진이 이해할 수 있는 구조(Tuple)로 정의
· 보안과 정제: 로컬 LLM을 통한 기밀 데이터 처리 및 팩트 추출 프롬프트 최적화

| 실습 프로세스
· 모델링: 도메인 특화 개체(Entity) 및 관계(Relation) 정의
· 데이터 파이프라인: 위키 본문에서 논리 엔진용 .facts 파일(CSV)을 추출하는 자동화 워크플로우 구축
· 동기화:위키 내용 변경 시 백그라운드에서 추론 데이터가 실시간 갱신되도록 연동

프로젝트 03

자연어를 통한 추론 엔진 제어
LLM이 사용자의 의도를 논리 질의로 변환하고 엔진을 실행하여 위키의 지식을 검증/추론하게 합니다.

| 주요 학습 포인트
· 언어의 논리화: LLM이 사용자의 질문을 엄밀한 논리 쿼리(Datalog Rule)로 변환하는 기술
· 자가 수정(Reflection): 추론 오류나 지식 모순 발견 시 스스로 수정하는 루프 구현

| 실습 프로세스
· 브릿지 구현: Claude Code가 CLI를 통해 외부 추론 엔진을 호출하고 결과를 읽어오는 스크립트 작성
· 모순 검증: 위키 내 상충하는 정보를 엔진이 찾아내고 에이전트가 수정을 제안하는 시나리오 테스트
· 쿼리 교정: 쿼리 실패 시 LLM이 스스로 오류를 분석하고 재시도하는 '리플렉션' 파이프라인 구축

프로젝트 04

향상된 LLM Wiki 완성 및 실전 워크플로우
텍스트의 유연함과 논리의 엄밀함이 결합된 '향상된 LLM Wiki'를 최종 완성하고,
각자의 도메인에 적용하여 성과를 공유합니다.

| 주요 학습 포인트
· 지능형 답변 결합: 엔진의 '정확한 팩트'와 LLM의 '풍부한 문맥'을 조합한 고품질 답변 생성
· 지식 확장성: 추론을 통해 도출된 새로운 사실을 다시 위키 문서로 생성하는 순환 구조

| 실습 프로세스
· 파이프라인 최적화: 복잡한 다단계 질문 처리를 위한 최종 답변 로직 고도화
· 개별 프로젝트: 수강생 본인의 실무 데이터를 적용하여 환각 현상(Hallucination) 억제 성능 평가
· 데모 및 공유: 지속 가능한 지식 관리 전략 수립 및 최종 시스템 시연

AFTER

4주 후,
여러분은 이런 역량을 가져갈 수 있어요.

단순히 AI를 활용하는 수준을 넘어, 지식을 논리적으로 구조화하고 AI가 '추론하고 검증'하도록 만드는 능력을 갖추게 됩니다.

데이터의 관계와 의미를 설계하는
아키텍처 설계 능력

· RAG의 '단기 기억 상실'과 '다단계 추론 실패'를 해결하는 지식 컴파일 기반 아키텍처를 설계합니다.
· 단순 텍스트 검색을 넘어 개념과 관계를 엄밀하게 정의하는 논리 증강(Logic-Augmented) 구조를 확립합니다.
· 파편화된 정보를 영구적이고 체계적인 지식 저장소로 구축하는 '상태가 있는 위키' 모델을 설계합니다.

도구에 종속되지 않는
본질적인 구현 능력

· Claude Code CLI를 활용해 에이전트에게 지식 관리 규칙과 양방향 링크 시스템을 부여하는 기술을 익힙니다.
· 확률적 모델(LLM)의 환각을 기호논리(Logic)로 제어하는 심볼릭 AI 결합 원리를 체득합니다.
· 특정 프레임워크에 의존하지 않고 로컬 보안 파이프라인과 에이전트 환경을 직접 구성하는 역량을 확보합니다.

지식을 '추론하는 엔진'으로 연결하는
AI 시스템 구축 능력

· 자연어 질문을 추론 엔진용 쿼리로 변환하여 팩트에 근거한 답변을 도출하는 Text-to-Logic 시스템을 구축합니다.
· 비정형 문서에서 팩트를 자동 추출하고, 온톨로지에 따라 데이터를 정규화하는 파이프라인을 구현합니다.
· 정보 충돌을 스스로 탐지하고 논리적 오류를 수정하는 자가 수정(Reflection) 워크플로우를 완성합니다.

개인과 팀의 의사결정을 지원하는
지식 시스템 활용 능력

· 환각이 억제된 검증된 지식을 바탕으로 팀 단위의 협업과 정교한 의사결정을 지원하는 시스템을 운영합니다.
· 추론으로 발견된 새로운 사실을 AI가 스스로 문서화하여 위키를 성장시키는 자율적 지식 확장 체계를 구축합니다.
· 실무 도메인(규정, 기술 문서 등)에 특화된 논리 위키를 통해 실질적인 생산성 향상을 경험합니다.

강사소개

10년 이상 국가 · 대기업 서비스에 온톨로지를 적용해 온
국내 몇 없는 ‘찐’ 온톨로지 전문가

김정석 강사님
현) 레버플랜트 대표 | 공학박사
(전) SKT Software Engineer
(전) Collabora Software Engineer
(전) LG Software Engineer

주요 프로젝트 및 강연 활동 공공 교통 분야 온톨로지 설계 경험
KRnet2024 강연 (UAM 다중 관제 환경에서 데이터 처리 방안)
지그재그 세미나 강연 (온톨로지 그리고 팔란티어)
온톨로지 GUG 세미나 강연
·UAM 데이터와 Ontology (4회)
·온톨로지와 경로 추적 (6회)

"데이터는 이미 충분합니다. 우리에게 부족한 것은
그 데이터에 담긴 '현업의 질서'를 설계하는 감각 입니다."

안녕하세요, 온톨로지 에이전트 서비스를 가르쳐드릴 김정석입니다.
실무 현장에서 우리가 마주하는 진짜 문제는 데이터를 새롭게 모으는 일이 아닙니다. 데이터는 보통 이미 충분히 쌓여 있습니다.
 정작 현업을 힘들게 하는 건, 그 방대한 데이터가 우리 업무 프로세스와 어떻게 연결되어 있는지 시스템이 전혀 이해하지 못한다는 사실입니다.<> 온톨로지 도입이 번번이 무산되는 이유는 명확합니다. 업무 도메인의 복잡성을 로직과 규칙으로 옮겨내는 과정이 매우 어렵기 때문입니다. 그래서 다들 효용성에는 공감하면서도, 실제 적용 사례를 접하거나 도입을 결정하는 단계에서 멈추곤 합니다.  이번 강의에서는 하나의 가상 서비스를 직접 구축해 나가는 과정을 통해, 실무에서 온톨로지를 어떻게 활용했었는지 그 기록을 가감 없이 꺼내 놓으려 합니다. 이론적 당위성을 나열하기보다,그 실전적인 과정을 보여드리는 데 중점을 두었습니다. 여러분의 도메인과 서비스에 즉시 투영할 수 있는 설계의 감각과 사고방식을 확실히 전달해 드리겠습니다.

| 온톨로지 ‘찐’ 전문가 김정석 강사님의 지식 공유

BENEFIT 01
수강생들을 위한
활용 가이드 VOD 영상

이 정도 규모의 강의들은, 패스트캠퍼스가 아니면 기획할 수 없습니다!

온톨로지 Agent, 내 서비스에 적용하는 방법

하이브리드 아키텍처 총정리

* 종강 후 제공드리는 온라인 강의 [온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축 : 지식그래프&추론]의 part5 영상과 동일합니다.

BENEFIT 02
평생 수강 가능한
온톨로지 온라인 강의 제공

오프라인 워크숍 수강 후, 온톨로지를 더 깊이 탐구하고 싶으신가요? 
평생 수강 가능한 온라인 강의를 함께 제공합니다.

* 강의명 : 온톨로지 기반 프로덕트 레벨 AI Agent 서비스 구축 : 지식그래프&추론
* 이미 해당 온라인 강의를 수강 중인 분들께는 별도의 대체 강의가 제공되지 않는 점 양해 부탁드립니다.

BENEFIT 03
강사님과 수강생이 함께하는
디스코드 커뮤니티

자료공유 & 네트워킹을 통해 더욱 촘촘한 성장을 할 수 있도록 강사님과 수강생이 함께하는 디스코드를 개설합니다.

* 본 커뮤니티는 디스코드를 통해 운영 되며 종강 후 14일까지 지속됩니다.
* 강사님이 현업 중 답변하시기에 답변까지 영업일 기준 3일 내외 시간이 소요될 수 있습니다.
* 강의와 무관한 질문은 답변이 달리지 않을 수 있습니다.

BENEFIT 04
현업의 고민을 함께
온톨로지 1:1 맞춤 컨설팅

수업이 끝나도 프로젝트는 끝나지 않아요! 강의 내용을 바탕으로 드린 과제를 실제 현업 태스크에 직접 적용해보고, 그 결과를 메일로 보내면 강사님의 1:1 피드백을 받으실 수 있습니다.

또한, 각자의 상황에 맞춘 1:1 개별 컨설팅까지 이어져, 강의에서 배운 내용을 진짜 나만의 최적화 성능으로 완성할 수 있습니다. (개별 질문은 오프라인 종강 후 1개월까지만 받습니다.)

06. 일정 및 강의장 소개

단 4주, 배우고 실습하고 완성하는 온톨로지 실전 코스!

실습과 피드백을 거쳐 실제 프로젝트를 운영할 수 있도록 단기간에 전과정을 경험하며, 현업에서 차별화된 기술 경쟁력을 확보합니다.

패캠 강남역 오프라인 과정은
이렇게 진행 됩니다.

강의장

강남역 4번 출구 바로 앞 강의장

강남역 앞 강의장

추후 수강생에게 자세한 주소를 안내드릴 예정입니다.

쾌적한 강의장

강의에 집중할 수 있는 최적의 강의장

Question 1
어떤 분들이 수강하시면 좋을까요?

· 온톨로지를 본인 서비스에 실제로 도입해보고 싶은 니즈를 가진 학습자
· 온톨로지, 지식 그래프, GraphRAG, Agent 등의 개념을 접해봤지만 어디서부터 어떻게 설계해야 할지 막막했던 학습자
· RAG 에이전트를 만들어봤으나, 구조적인 한계를 느낀 개발자·실무자
· 개인 또는 사내 도메인 데이터를 온톨로지 기반으로 구조화하여 실제 서비스(웹/앱)로 구현해보고 싶은 사람

Question 2
사전 지식은 어떻게 되나요?

· AI / LLM / RAG 등에 대한 기본적인 개념 이해
· 바이브 코딩을 1회 이상 경험해본 수강생

Question 3
이 강의를 통해 무엇을 얻어갈 수 있나요?

데이터 구조 설계부터 지식 그래프 구축, 추론 로직을 거쳐 에이전트에 적용하는 전체 파이프라인은 설명 가능하고(XAI) 검증 가능한 AI 서비스를 만들기 위해 선택했던 실무적인 해답입니다. 단순히 결과만 보여주는 방식에서 벗어나, 어떤 규칙과 관계가 작동하여 이런 판단이 도출되었는지 그 이면의 고민들을 함께 짚어볼 것입니다. 

강의가 끝날 무렵, 온톨로지는 더 이상 ‘어려운 학술 용어’가 아닐 것입니다. 복잡한 문제를 명쾌하게 정리하고 AI의 판단을 신뢰 가능한 구조로 만드는 강력한 실무 도구로 여러분 곁에 남을 것입니다. 단순한 기술 검증(PoC)을 넘어, 여러분의 도메인과 서비스에 즉시 투영할 수 있는 설계의 감각과 사고방식을 확실히 전달해 드리겠습니다.

Question 4
강의 수강을 위한 필수 준비물이 있나요?

· 개인 노트북
· Obsidian (개인용 및 일반적인 상업용 모두 무료로 사용 가능)
· Claude code (Pro 요금제 이상 ($20/mo) 권장)

root layout

[모집 종료 후 설문지 모집용] [4주 완성] RAG의 한계를 뛰어넘는 온톨로지 기반 에이전트 워크샵 ft. LLM Wiki

강남역 앞 강의장

쾌적한 강의장