[논문리뷰] EvoOntology: A Self-Evolving Ontology Layer for Data Agents

링크: 논문 PDF로 바로 열기

메타데이터

저자: Meiduo Chong, Shaolei Zhang, Ju Fan, Xiaoyong Du

---

1. Key Terms & Definitions (핵심 용어 및 정의)

• Agent–Data Gap: 에이전트가 외부 데이터(테이블, 문서 등)의 구조나 내용을 사전에 알지 못하여, 데이터를 탐색하기 위해 비효율적인 반복 쿼리를 수행하게 되는 단절 현상을 의미합니다.
• EvoOntology: 데이터 에이전트가 실행 시점에 능동적으로 쿼리할 수 있는 MCP(Model Context Protocol) 서버 기반의 대화형 온톨로지 계층입니다.
• Schema/Content/Tool Layer: 온톨로지를 구성하는 3대 요소로, 각각 데이터 객체 모델, 도메인 지식/데이터 매핑, 그리고 에이전트가 이를 조작하기 위한 실행 가능한 인터페이스를 정의합니다.
• Backbone-conditional Paired Evaluation: 수정된 온톨로지 후보가 성능 향상을 가져오는지 검증하기 위해, 기존 버전과 수정 버전을 동일한 검증 셋에서 비교하여 일정 임계값 이상의 성능 개선이 있을 때만 업데이트를 반영하는 전략입니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

데이터 에이전트가 다양한 이기종 데이터 소스를 처리해야 함에 따라, 에이전트와 데이터 간의 심각한 Agent–Data Gap 문제가 발생하고 있습니다 [Figure 1]. 기존의 방식은 에이전트가 원시 데이터를 무작위로 탐색하거나, 정적인 시맨틱 정보를 컨텍스트에 삽입하는 데 의존합니다. 하지만 이러한 정적 시맨틱 계층은 방대한 데이터를 수용하기 어렵고, 고정되어 있어 다양한 에이전트 행동 패턴에 적응하지 못한다는 한계가 있습니다. 따라서 본 연구는 데이터 에이전트가 능동적으로 상호작용하고, 작업 경험을 통해 스스로 진화하는 적응형 중간 온톨로지 계층의 필요성을 제기합니다.

Figure 1 — 데이터 에이전트를 위한 온톨로지

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 데이터 에이전트의 워크로드를 기반으로 온톨로지를 구축하고 지속적으로 개선하는 EvoOntology 프레임워크를 제안합니다 [Figure 2]. 우선 빌더 에이전트가 작업 데이터를 분석하고 프로브(Probe) 쿼리를 통해 검증된 Evidence-Grounded 온톨로지 초기 상태를 생성합니다. 이후, 에이전트의 실행 궤적(Trajectory)을 분석하여 부족한 지식이나 도구의 결함을 파악하고, 이를 Attribution 기반으로 식별하여 Typed Edit을 수행합니다. 최종적으로는 Backbone-conditional Paired Evaluation을 거쳐 성능이 개선된 업데이트만 반영하는 자가 진화 루프를 통해 에이전트의 행동과 데이터 환경에 최적화된 온톨로지를 유지합니다. 실험 결과, DDR-Bench에서 EvoOntology는 기존 Baseline 대비 Trajectory-Wise 정확도를 최대 26.7% (GPT-5.5 기준)까지 향상시켰으며, BIRD 벤치마크에서도 EX(Execution Accuracy) 점수를 평균 7.4% 개선하며 우수한 성능을 입증했습니다 [Table 1, Table 4]. 이는 기존의 정적 시맨틱 레이어 방식보다 데이터 검색 및 활용 측면에서 월등히 우수한 결과를 보여줍니다.

Figure 2 — EvoOntology 전체 아키텍처

4. Conclusion & Impact (결론 및 시사점)

본 논문은 자율적으로 구축되고 에이전트와의 상호작용을 통해 진화하는 EvoOntology를 도입하여 데이터 에이전트의 효율성을 획기적으로 높였습니다. 에이전트가 온톨로지를 수동적으로 받는 것이 아니라 MCP 서버를 통해 능동적으로 탐색하도록 함으로써 Agent–Data Gap을 근본적으로 해소하였습니다. 이 연구는 데이터 기반 에이전트 시스템이 도메인 지식을 축적하고 고도화하는 새로운 패러다임을 제시하며, 향후 다양한 산업군에서 에이전트의 데이터 이해 능력을 강화하는 핵심 프레임워크로 활용될 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.