An Ontology-Driven Graph RAG for Legal Norms: A Structural, Temporal, and Deterministic Approach

1. 문제 정의 (Problem Statement)

법률 도메인에서 기존 **검색 증강 생성 **(RAG) 시스템은 다음과 같은 근본적인 한계를 겪고 있습니다:

• **구조적 무지 **(Structural Blindness) 법률 문서는 단순한 평면 텍스트가 아니라, 제목, 장, 조, 항 등으로 구성된 엄격한 위계 구조를 가집니다. 기존 RAG 는 이 구조를 무시하고 텍스트를 단순한 청크 (chunk) 로 나누어 검색하므로, 법률의 범위와 의미를 왜곡할 수 있습니다.
• **시간적 무지 **(Temporal Naivety) 법률은 개정, 폐지, 통합 등을 통해 지속적으로 진화합니다. 기존 시스템은 특정 시점에 유효했던 법률 버전을 결정론적으로 찾아내지 못해, 시대에 뒤떨어진 (anachronistic) 이나 사실과 다른 답변을 생성하는 위험이 있습니다.
• 인과관계 및 출처 불명확: 법률 조문의 변경 원인과 그 역사적 경로를 추적 (Provenance) 하기 어렵습니다.

2. 제안된 방법론 (Methodology)

저자는 **구조 인식 시간 그래프 RAG **(SAT-Graph RAG)라는 온톨로지 기반 프레임워크를 제안합니다. 이 프레임워크는 IFLA LRMoo(도서관 참조 모델) 에서 영감을 받은 형식적 온톨로지를 기반으로 합니다.

2.1. 온톨로지 기반 지식 그래프 구조

법률의 추상적 개념과 구체적인 텍스트를 분리하여 다층 구조로 모델링합니다:

1. **Norm **(Work) 추상적인 법적 저작물 (예: "1988 년 브라질 연방 헌법").
2. **Component **(Component Work) 문서 내 위계적 요소 (제목, 장, 조 등) 를 추상적 개념으로 모델링.
3. **Temporal Version **(CTV) 특정 시점의 언어와 무관한 "시간적 스냅샷". 변경되지 않은 구성 요소는 재사용되어 데이터 중복을 방지합니다.
4. **Language Version **(CLV) 특정 언어 (예: 포르투갈어) 로 표현된 구체적인 텍스트.
5. **Action **(Normative Events) 개정, 폐지, 제정 등 입법적 사건을 'Action' 노드로 재현 (Reification) 하여 인과관계를 명시화합니다.

2.2. 그래프 구축 및 효율성

• 구조 인식 분할: 텍스트를 임의로 자르는 대신, 법률 문서의 내재적 위계 (Title, Chapter, Article) 에 따라 세그먼트를 분할합니다.
• **집합 **(Aggregation) 하나의 조항이 수정될 때, 상위 노드 (예: 장) 의 새로운 버전은 수정된 하위 노드만 새로 생성하고, 변경되지 않은 하위 노드는 기존 버전을 **재사용 **(Reuse)하여 효율성을 극대화합니다.
• **다중 측면 검색 **(Multi-aspect Retrieval) 텍스트 내용뿐만 아니라, 메타데이터 (발표일, 관계 법령) 와 입법 사건 (Action) 을 별도의 'Text Unit'으로 변환하여 임베딩합니다. 이를 통해 내용, 속성, 인과 관계 등 다양한 측면에서 검색이 가능합니다.

2.3. 질의 실행 전략 (Planner-Guided Strategy)

LLM 을 '플래너'로 활용하여 복잡한 질의를 구조화된 단계로 분해합니다:

1. 구조 및 시간 제약 조건 정규화: 질의에서 대상 (예: 제 6 조) 과 시간 범위 (예: 1999 년) 를 추출합니다.
2. **범위 결정 **(Scope Resolution) 그래프를 탐색하여 해당 시점에 유효했던 하위 구성 요소들을 식별합니다.
3. 결정론적 버전 선택: 특정 시점에 유효한 CTV(시간적 버전) 를 선택하는 정책 (예: SnapshotLast) 을 적용합니다.
4. 검색 및 생성: 필터링된 텍스트 단위 (Text Units) 를 검색하여 사실에 기반한 답변을 생성하고, 출처와 정책 적용 내역을 명시합니다.

3. 주요 기여 (Key Contributions)

1. 형식적 다층 표현 모델: 추상적 법률 저작물 (Work) 과 시간/언어별 표현 (Expression) 을 분리하여, 특정 시점의 법률 상태를 정밀하게 재구성할 수 있는 기반을 마련했습니다.
2. 효율적인 버전 집합 전략: 변경되지 않은 구성 요소를 재사용하는 집합 모델을 통해 데이터 중복을 제거하면서도 위계적 무결성을 유지합니다.
3. **입법 사건의 재현 **(Reification) 입법 행위 (개정, 폐지 등) 를 검색 가능한 'Action' 노드로 변환하여, 텍스트 변경의 원인과 경로를 직접 질의하고 감사 (Audit) 할 수 있게 했습니다.
4. 다중 측면 검색 전략: 메타데이터와 인과적 사건을 텍스트화하여, 법률의 '내용'뿐만 아니라 '맥락'과 '역사'도 검색 가능한 요소로 만들었습니다.
5. 결정론적 질의 프레임워크: 확률적 검색이 아닌, 그래프 구조와 명시적 정책을 기반으로 한 결정론적 질의 처리를 통해 법적 AI 의 신뢰성과 설명 가능성을 높였습니다.

4. 결과 및 사례 연구 (Results & Case Study)

**브라질 연방 헌법 **(1988 년)을 대상으로 한 사례 연구를 통해 세 가지 핵심 능력을 입증했습니다:

• **시점별 검색 **(Point-in-Time Retrieval) "1999 년 제 6 조에 명시된 사회적 권리는 무엇인가?"와 같은 질문에 대해, 기존 RAG 는 최신 개정안을 포함해 오답을 내는 반면, SAT-Graph RAG 는 1999 년 당시 유효했던 정확한 조항 목록을 결정론적으로 추출했습니다.
• **위계적 영향 분석 **(Hierarchical Impact Analysis) "2010 년 이후 제 2 장 (사회적 권리) 에 변경된 모든 내용을 요약하라"는 질문에 대해, 문서의 위계 구조를 기반으로 변경된 조항들을 자동으로 식별하고 시간순으로 요약하는 것이 가능했습니다.
• **출처 및 인과 관계 재구성 **(Provenance Reconstruction) "식량 (food) 이라는 용어가 제 6 조에 도입된 입법적 경로를 추적하라"는 질문에 대해, 해당 용어가 추가된 특정 개정안 (Constitutional Amendment) 과 그 이전의 버전 체인을 명확한 인과 그래프 (DAG) 로 재구성하여 감사 가능한 보고서를 생성했습니다.

5. 의의 및 시사점 (Significance)

• 신뢰할 수 있는 법적 AI: 법률 분야는 정확성과 감사 가능성이 생명인 고위험 도메인입니다. 본 프레임워크는 환각 (Hallucination) 을 줄이고, 답변의 출처와 시간적 유효성을 명확히 하여 신뢰할 수 있는 AI 시스템을 구축하는 길을 제시합니다.
• 확장성: 헌법뿐만 아니라 계약서, 기술 문서 등 개정과 버전 관리가 필요한 다른 도메인에도 적용 가능한 일반적인 원리를 제공합니다.
• 실용적 가치: 법률 전문가에게 복잡한 역사적 법률 연구 시간을 단축하고, 입법 변경의 영향을 체계적으로 분석할 수 있는 도구를 제공합니다.
• 윤리적 고려: 시스템의 내부 정책 (시간적 범위, 위계 포함 정책 등) 을 투명하게 공개함으로써 사용자의 신뢰를 확보하고, 편향된 데이터나 오류가 발생할 경우 이를 추적하고 수정할 수 있는 기반을 마련했습니다.

결론적으로, 이 논문은 법률 텍스트의 구조적 복잡성과 시간적 진화를 명시적으로 모델링한 그래프 RAG 를 통해, 기존 RAG 시스템이 해결하지 못했던 법적 도메인의 핵심 과제를 해결하는 새로운 패러다임을 제시합니다.