목록으로
교육·학습을 위한 AI 활용
AI 지식그래프와 LoRA 튜닝 모델로 복잡한 기술자료를 연결해 공부한 자기주도 학습 사례
AI 지식그래프와 LoRA 튜닝 모델로 신뢰도 높은 기술자료를 계속 연결·확장해 나만의 기술 백과사전을 구축한 사례
🤖 활용 AI 도구
ChatGPT와 Amazon Bedrock 기반 생성형 AI 모델(Gemma/Claude)을 활용하고, 자체 구축 KG·RAG 검색 파이프라인과 Llama 3.1 기반 LoRA 튜닝 모델을 결합
저는 UAM, 자율주행차, 로봇, 센싱, 통신, AI 등 여러 기술 분야를 공부하면서 논문, 정책자료, 기술문서가 여러 곳에 흩어져 있어 개념을 연결해 이해하기 어렵다는 문제를 느꼈습니다. 단순 검색은 문서를 찾는 데는 도움이 되었지만, 개념 간 관계나 함께 공부해야 할 하위 기술, 관련 시스템을 파악하기에는 한계가 있었습니다.
이를 해결하기 위해 ChatGPT와 Amazon Bedrock 기반 생성형 AI 모델을 활용해 기술문서에서 핵심 개념, 관련 용어, 노드와 엣지 후보를 추출하고, 자체 지식그래프(KG)와 RAG 검색 파이프라인을 구축했습니다. 또한 Llama 3.1 기반 LoRA 튜닝 모델을 결합하여 노드·엣지 추출과 기술 개념 설명의 일관성을 높이는 방식으로 개선했습니다.
이 사례는 일회성 검색 도구가 아니라, 매일 자동으로 신뢰도 높은 자료를 수집하고 데이터베이스를 갱신한 뒤, 자체 LoRA 튜닝 모델을 활용해 새로운 노드와 엣지를 계속 확장하는 구조입니다. 새로 추가된 개념은 기존 지식그래프와 연결되어 학습 범위가 점점 넓어지고, 새로운 자료가 들어올수록 관련 개념과 다음 학습 경로도 함께 갱신됩니다.
구축한 데모에서는 사용자가 UAM, 항공, 드론, 자율주행차, 로봇, 센싱, 통신, 컴퓨터공학, AI 같은 시작 노드를 선택하면 관련 기술자료를 검색하고, KG에 연결된 개념을 바탕으로 핵심 설명과 다음 학습 개념을 제시합니다. 예를 들어 UAM을 선택하면 Urban Air Mobility 관련 자료를 검색하고, K-UAM GC, UAM 가상운용환경 시스템, UAM 맞춤형 관측 체계, UAM 특화 기상관측 같은 연결 노드를 따라가며 학습할 수 있습니다. 로봇이나 센싱 분야도 ROS, DDS, Radar sensor, Forward-facing vision sensor 등 세부 개념으로 이어지도록 구성했습니다.
활용 결과, 자료를 하나씩 수동으로 찾아 읽는 방식에서 벗어나 “신뢰 자료 수집 → 개념 검색 → 관련 자료 확인 → KG 설명 생성 → 연결 노드 학습 → 백서화”의 흐름으로 공부할 수 있게 되었습니다. 특히 낯선 기술 분야를 공부할 때 어떤 개념이 상위 개념이고, 어떤 개념이 하위 시스템·원리·요구조건과 연결되는지 빠르게 파악할 수 있었습니다.
저만의 개선 포인트는 단순 요약 챗봇이 아니라, 검색 결과와 지식그래프를 결합해 학습 경로를 만들어 준 점입니다. 또한 공부한 내용을 다시 기술 백서 형태로 정리해 노드별 설명, 관련 근거, 연결 개념, 요구조건, 리스크를 누적함으로써 저만의 기술 백과사전을 만들어 가고 있습니다.
이 방식은 다른 사람도 자신의 관심 분야 자료를 모아 적용할 수 있습니다. 예를 들어 교사는 수업 준비용 개념 연결 자료를 만들 수 있고, 직장인은 업무 분야의 기술문서나 정책자료를 빠르게 구조화할 수 있으며, 학생은 어려운 주제를 관련 개념 단위로 따라가며 자기주도 학습에 활용할 수 있습니다.
이를 해결하기 위해 ChatGPT와 Amazon Bedrock 기반 생성형 AI 모델을 활용해 기술문서에서 핵심 개념, 관련 용어, 노드와 엣지 후보를 추출하고, 자체 지식그래프(KG)와 RAG 검색 파이프라인을 구축했습니다. 또한 Llama 3.1 기반 LoRA 튜닝 모델을 결합하여 노드·엣지 추출과 기술 개념 설명의 일관성을 높이는 방식으로 개선했습니다.
이 사례는 일회성 검색 도구가 아니라, 매일 자동으로 신뢰도 높은 자료를 수집하고 데이터베이스를 갱신한 뒤, 자체 LoRA 튜닝 모델을 활용해 새로운 노드와 엣지를 계속 확장하는 구조입니다. 새로 추가된 개념은 기존 지식그래프와 연결되어 학습 범위가 점점 넓어지고, 새로운 자료가 들어올수록 관련 개념과 다음 학습 경로도 함께 갱신됩니다.
구축한 데모에서는 사용자가 UAM, 항공, 드론, 자율주행차, 로봇, 센싱, 통신, 컴퓨터공학, AI 같은 시작 노드를 선택하면 관련 기술자료를 검색하고, KG에 연결된 개념을 바탕으로 핵심 설명과 다음 학습 개념을 제시합니다. 예를 들어 UAM을 선택하면 Urban Air Mobility 관련 자료를 검색하고, K-UAM GC, UAM 가상운용환경 시스템, UAM 맞춤형 관측 체계, UAM 특화 기상관측 같은 연결 노드를 따라가며 학습할 수 있습니다. 로봇이나 센싱 분야도 ROS, DDS, Radar sensor, Forward-facing vision sensor 등 세부 개념으로 이어지도록 구성했습니다.
활용 결과, 자료를 하나씩 수동으로 찾아 읽는 방식에서 벗어나 “신뢰 자료 수집 → 개념 검색 → 관련 자료 확인 → KG 설명 생성 → 연결 노드 학습 → 백서화”의 흐름으로 공부할 수 있게 되었습니다. 특히 낯선 기술 분야를 공부할 때 어떤 개념이 상위 개념이고, 어떤 개념이 하위 시스템·원리·요구조건과 연결되는지 빠르게 파악할 수 있었습니다.
저만의 개선 포인트는 단순 요약 챗봇이 아니라, 검색 결과와 지식그래프를 결합해 학습 경로를 만들어 준 점입니다. 또한 공부한 내용을 다시 기술 백서 형태로 정리해 노드별 설명, 관련 근거, 연결 개념, 요구조건, 리스크를 누적함으로써 저만의 기술 백과사전을 만들어 가고 있습니다.
이 방식은 다른 사람도 자신의 관심 분야 자료를 모아 적용할 수 있습니다. 예를 들어 교사는 수업 준비용 개념 연결 자료를 만들 수 있고, 직장인은 업무 분야의 기술문서나 정책자료를 빠르게 구조화할 수 있으며, 학생은 어려운 주제를 관련 개념 단위로 따라가며 자기주도 학습에 활용할 수 있습니다.
