그래프 인텔리전스의 시대: 구조로 생각하고 연결로 예측한다

오늘날 데이터는 단순히 양적인 규모를 넘어, 구조적 복잡성이라는 새로운 차원에서 우리를 시험하고 있습니다.

단순한 수치와 표로 설명할 수 없는 관계(Relation), 연결(Connection), 흐름(Flow) 같은 개념은 일반적인 데이터 분석 방식으로는 충분히 포착하기 어렵습니다.

그래프(Graph)/네트워크(Network) 분석이라는 새로운 방식으로 다시 데이터를 바라봐야 하는 이유입니다.

특히, 최근에는 AI 기술과 결합하여 고도화된 전략적 인사이트를 도출하는 ‘그래프 인텔리전스(Graph Intelligence)’로 진화하여, 데이터 기반 의사결정의 필수 요소로 주목 받고 있습니다.

지금 그래프를 주목해야하는 이유

그래프 분석(Graph Analytics)/소셜 네트워크 분석(Social Network Analysis)은 노드(개체)와 링크(관계, 엣지)로 구성된 데이터를 기반으로, 구조적 특성과 관계성을 분석하는 방법론입니다.

소셜 네트워크 분석(Social Network Analysis)은 원래 20세기 초 사회학에서 출발했지만, 온라인 플랫폼과 디지털 기술의 발달로 관계형 데이터가 폭발적으로 증가하면서 이제는 다양한 분야에서 핵심 분석 도구로 자리 잡고 있습니다. 기존 분석 방법으로는 파악이 어려운 '연결 구조’를 이해하는 데 있어, 유일하고도 필수적인 접근법이기 때문입니다.

또한, 최근 '독립된 개별 데이터'를 주로 다루는 전통적인 머신러닝과 딥러닝 모델의 한계를 그래프로 해결하려는 시도의 결과로, 그래프 머신러닝 및 그래프 신경망(Graph Neural Network, GNN)이 등장했습니다. 이를 통해, 기존에 어려웠던 관계성 기반 문제를 해결할 수 있는 기반이 마련되었습니다.

동시에, 연구 및 산업 전반에서도 그래프를 보다 심층적으로 이해하고 활용하려는 수요가 빠르게 증가하고 있습니다. 네트워크 구조와 행위자의 행동, 인지, 맥락 간의 상호작용까지 통합적으로 분석하려는 시도가 활발히 이뤄지고 있습니다. 이러한 흐름은 관계 기반 데이터를 해석하고 예측 가능한 구조로 전환하려는 분석 수요로 이어지고 있습니다.

그래프 분석과 의사 결정 인텔리전스는 이를 위한 필수 금융 역량입니다
: 그래프 분석은 데이터 포인트의 내러티브 클러스터와 그들 간의 관계를 보여줍니다.
Gartner (2024) Gartner CFO & Finance Executive Conference Sydney: Day 1 Highlights.
Retrieved from https://www.gartner.com/en/newsroom/press-releases

그래프 인텔리전스를 이끄는 흐름

1. 그래프 신경망(Graph Neural Network, GNN): 그래프 위에서 학습하는 AI

기존의 머신러닝 모델은 주로 개체(노드)의 고유 특성에 기반하여 학습하는 방식으로, 구조적 관계는 다루기 어렵다는 한계가 있었습니다.

예를 들어, 고객 이탈(서비스 해지) 가능성을 예측할 때, 전통적인 모델은 고객의 연령, 성별, 사용 이력 등 개별 속성(Feature)를 활용합니다. 하지만, 실제로는 고객이 누구와 함께 서비스를 이용하는지, 어떤 행동을 했는지와 같은 관계 정보가 중요한 이탈 요인이 될 수 있습니다.

이러한 문제 해결을 위해 등장한 것이 그래프 신경망(그래프 뉴럴 네트워크)입니다.

그래프 신경망은 '나의 특성은 나와 연결된 이웃의 특성과 상호작용한다'는 핵심 아이디어를 토대로, 노드의 특성과 연결 구조를 동시에 학습하는 그래프 데이터를 위한 딥러닝 모델의 한 종류입니다.

이러한 GNN의 특성 덕분에, 최근 10년 간 GNN에 대한 관심과 연구 논문 수가 폭발적으로 증가하며 해당 분야의 빠른 성장세를 입증하고 있습니다. 또한, GCN(Graph Convolutional Network), GAT(Graph Attention Network), GraphSage 등 세부 알고리즘도 다양하게 등장하고 있습니다.

<영문 문헌 내 Social Network Analysis, Graph Embedding, GNN 언급량 추이>

※Source: Google Books Ngram Viewer

GNN은 노드 분류, 링크 예측, 그래프 분류와 같은 관계 기반 문제를 효과적으로 해결할 수 있으며, 특히 복잡한 구조와 상호작용이 포함된 데이터에서 높은 표현력과 예측 성능을 보입니다.

① 노드 수준의 문제: 노드 분류, 노드 예측

우선, GNN은 노드의 특징(Feature)과 관계 구조의 유사성을 기반으로, 유사한 노드끼리 클러스터링(분류)하거나, 비어 있는 노드 속성을 예측하여 보완하는 데 활용할 수 있습니다.

예를 들어, 소셜 미디어에서는 특정 이용자의 정치 성향을, 그와 연결된 다른 이용자들의 정치 성향을 바탕으로 예측할 수 있습니다..

또한, 웹페이지 간 하이퍼링크 구조를 활용해 웹페이지의 의미론적 카테고리를 더욱 정교하게 분류하거나, 인용 네트워크를 기반으로 문헌·논문의 주제를 분류하는 데에도 활용할 수 있습니다.

참고로, GNN을 통해 라벨이 없는 데이터에 라벨을 부여한 뒤, 이를 일반적인 머신러닝 기법으로 추가 분석하는 방법론도 시도되고 있습니다.

② 링크 수준의 문제: 링크 예측

링크 예측은 두 노드 간에 형성될 가능성이 높은 연결 관계를 예측하는 문제로, 네트워크 데이터 분석에서 매우 중요한 과제 중 하나입니다.

노드 간 관계를 예측함으로써 네트워크 구조를 보완하거나, 미래의 상태를 예상하고 추천 시스템 등에 활용할 수 있습니다.

예를 들어, 넷플릭스, 핀터레스트 등 이용자에게 콘텐츠, 상품, 정보를 추천하는 데 링크 예측 기법을 활용한 것으로 알려져 있고, 테러리스트 혐의 그룹 파악, 지식 그래프 보완, 소셜미디어에서의 친구 추천 등에 적용할 수 있습니다.

③ 그래프 수준의 문제: 그래프 분류

그래프 분류는 전체 그래프 구조의 특성을 예측하거나, 유사한 구조를 가진 그래프끼리 분류하는 문제입니다.

그래프 임베딩을 통해 그래프 정보를 압축 요약하고, 이를 기존의 다른 그래프 수준 정보와 결합해 새로운 속성 예측, 분류, 추천 등에 활용할 수 있습니다.

예를 들어, 특정 질병에 효과가 있는 분자 화합물의 구조 그래프를 학습한 뒤, 다른 분자 화합물이 해당 질병 치료에 효과가 있을지를 예측하는 데 사용할 수 있습니다.

GNN은 이론적 연구나 알고리즘 개발 단계를 넘어, 실제 다양한 분야와 산업 현장의 문제를 해결할 수 있는 솔루션으로써 빠르게 확산되고 있습니다.

대표적인 성공 사례는 우버이츠(UberEats)의 추천 시스템^[1], 핀터레스트(Pinterest)의 PinSage^[2] 추천 모델 입니다. 그 외에도 물리, 화학, 바이오, 헬스케어, 교통 흐름 예측, 소셜 미디어 분석 등에서 그래프 기반 예측 및 탐지 모델이 도입되고 있으며, 이러한 적용은 기존 머신러닝 모델로는 포착하기 어려운 관계 구조 기반 인사이트와 예측 정확도 개선이라는 측면에서 큰 가치를 입증하고 있습니다.

분야	응용 사례
그래프 마이닝	그래프 매칭, 그래프 클러스터링
물리학	물리 시스템 모델링
화학	분자 지문 예측, 화학 반응 예측
생물학	단백질 인터페이스 예측, 약물 부작용 예측, 질병 분류
지식 그래프	지식 베이스 보완, 지식 정렬
그래프 생성	그래프 구조 생성
조합 최적화	경로 최적화, 스케줄링, 작업 할당 등
교통 네트워크	교통 상태 예측
추천 시스템	사용자-아이템 상호작용 예측, 소셜 추천
기타 (구조적)	주식 시장 분석, 소프트웨어 정의 네트워크, AMR 그래프-텍스트 매핑
텍스트	문서 분류, 시퀀스 레이블링, 기계 번역, 텍스트 내 관계 추출, 사건 추출, 사실 검증, 질문 응답, 논리적 추론 등
이미지	사회적 관계 인식, 이미지 분류, VQA, 객체 탐지, 상호작용 탐지, 리전 분류, 시맨틱 분할
기타 (비구조적)	프로그램 검증

※ Source: Zhou, Jie & Cui, Ganqu & Zhang, Zhengyan & Yang, Cheng & Liu, Zhiyuan & Sun, Maosong. (2018).

Graph Neural Networks: A Review of Methods and Applications. 10.48550/arXiv.1812.08434.

2. 그래프 임베딩(Graph Embedding): 그래프를 벡터로 표현하기

대부분의 머신러닝 알고리즘은 특징 벡터(Feature Vector) 형태의 데이터를 학습합니다. 하지만, 그래프 데이터는 노드와 링크를 '행렬(매트릭스)'로 표현하는 고차원 데이터이므로 계산 비용이 많이 들고 활용하기가 어렵다는 문제가 있었습니다.

그래프 임베딩(또는 네트워크 표현 학습)은 그래프의 구조와 속성을 저차원 벡터로 표현하는 기술입니다. 즉, 네트워크에서의 근접성, 유사성이 임베딩 공간에서도 잘 보존되도록 벡터 공간으로 매핑하는 알고리즘을 설계하는 데 중점을 둡니다.

그래프 임베딩(Graph Embedding)은 복잡한 연결 구조를 표준적인 머신러닝 알고리즘이 학습 가능한 형태로 변환함으로써, 다양한 머신러닝/딥러닝 분석 기법을 그래프 데이터에 적용할 수 있도록 해줍니다.

3. 그래프를 위한 설명 가능성(Explainable AI, XAI): 예측과 분류의 요인을 설명

딥러닝 모델은 일반적으로 블랙박스(Black Box) 방식으로 작동하기 때문에, 예측이나 분류 결과가 도출된 과정이나 근거를 이해하기 어렵다는 한계가 있습니다. 이러한 문제를 해소하고자, 최근 몇 년 사이 설명 가능한 인공지능(Explainable AI, XAI)에 대한 관심과 연구가 빠르게 확산되고 있습니다.

그래프 머신러닝(Graph Machine Learning)도 예외는 아닙니다. 오히려 그래프는 하나의 개체나 연결을 넘어, 구조 전체의 맥락(예: 서브그래프, 경로, 집단 구조 등)이 예측에 큰 영향을 미치기 때문에, 노드들이 어떻게 연결되어 결과에 기여했는지, 어떤 관계 구조가 모델의 판단에 결정적이었는지를 설명하는 것이 더욱 중요합니다.

특정 예측 결과에 가장 기여한 서브 그래프(연결 구조 일부)를 추출하여 설명하는 방법(예. GNNExplainer, PGExplainer), 예측 결과에 기여한 이웃 노드 및 연결 관계의 중요도를 활용하는 방법, 노드 또는 링크를 제거하는 등의 시뮬레이션을 통해 변화를 분석하는 방법 등이 연구되고 있습니다.

그래프/네트워크 분석은 현실 세계의 복잡성을 가장 충실하게 반영할 수 있는 모델로, 복잡한 세상을 구조적으로 이해하고, 이를 예측 가능한 통찰로 전환하는 핵심 수단입니다.

최근에는 GNN(Graph Neural Network)을 비롯한 다양한 그래프 기반 모델이 빠르게 발전하고 있으며, 다양한 데이터와 방법론과의 융합을 통해 적용 범위를 지속적으로 넓혀가고 있습니다. 무엇보다 점점 더 상호 연결되고 복잡해지는 오늘날의 데이터 환경을 고려한다면, 관계적 본질을 이해하기 위한 그래프 인텔리전스의 역할은 앞으로 더욱 중요해질 수밖에 없습니다.

하지만, 그래프 인텔리전스가 요구하는 분석 환경을 구축하고, 실제 데이터를 효과적으로 분석하기 위해서는 상당한 시간과 노력이 필요할 수 있습니다.

NetMiner는 이러한 트렌드와 요구를 반영하여, 그래프 머신러닝 워크플로우를 지원하는 차세대 버전으로 업그레이드를 준비하고 있습니다.

별도의 복잡한 학습 과정이 없어도, 그래프 머신러닝에 최적화된 알고리즘과 파이프라인을 누구나 쉽고 직관적으로 활용할 수 있도록 구현되었으니, 곧 NetMiner를 통해 그래프 인텔리전스 시대를 여는 새로운 변화를 직접 경험해 보시기 바랍니다.