Onto‑LLM 기반 역량 중심 매칭

탤런트시커의 HR Ontology & Skills Graph, Graph‑RAG, Onto‑LLM 혁신과 앞으로의 여정에 대하여

HR은 이제 ‘검색’이 아니라 ‘이해’를 요구합니다

데이터는 넘쳐나지만, 그 속에서 의미를 찾기란 어렵습니다. 오늘날 채용 현장은 역시 동일한 문제에 처해 있습니다. 후보자를 찾을 때 보게 되는 이력서 역시 마찬가지인데, 각자 다른 포맷과 언어로 작성되어 있고, “Data Scientist”, “AI Engineer”, “머신러닝 개발자”처럼 표현이 제각각입니다. 이로 인해 좋은 인재가 단어 하나 차이로 검색되지 않거나, 반대로 관련 없는 후보가 상위에 노출되는 일이 빈번합니다.

이러한 문제는 단순한 기술 문제를 넘어서서 실제 고객이 인재를 찾을 때, 고객(기업)이 실제로 겪는 고통으로 전달됨을 저희는 고객의 데이터와 인터뷰에서 반복적으로 등장한 문제들을 통해 확인할 수 있었습니다. 크게 세 가지로 정리할 수 있었고 이를 해결하기 위해 고민하기 시작했습니다.

1. 검색 피로감 – 필터를 아무리 조정해도 결과가 비슷하고 시간이 너무 오래 걸립니다.
2. 언어 장벽과 다른 직무 표현 – 다국어 이력서와 다른 직무 표현으로 추천이 적절하게 되지 않습니다.
3. AI 신뢰 부족 – 추천 이유와 추론 경로를 제대로 알 수 없어서 결과 자체를 신뢰하는 것이 쉽지 않습니다.

고민 가운데 저는 실질적인 HR과 관련된 데이터 스키마를 아직은 LLM과 같은 AI가 모두 고려해서 추천하기가 어렵고, 각 헤드헌터들이 적절한 사람을 추천하기 위해 가지고 있는 노하우를 기반으로 특화된 분류 체계를 구축하여 이를 해결하고 있지만, LLM은 그러한 Domain Knowledge가 없다는 것을 발견할 수 있었습니다.

따라서, 이 문제를 해결하기 위해 저희는 “Talent Ontology & Skills Graph”라는 HR 특화형 지식 구조를 개발해서 실제로 다양한 수준의 산업 도메인이나 직무에 대한 이해도를 가진 사람들이 길을 찾아갈 수 있도록 도전했습니다.

즉, HR 온톨로지에 실제 헤드헌터들이 인재를 추천하기 위해 활용하는 포인트들을 활용하여 HR 특화형 지식 구조를 입혔고, 이러한 접근의 목표는 단순히 검색 정확도를 높이는 것이 아니라, 실질적으로 다양한 수준의 고객이 AI를 통해 인재의 ‘역량 간 관계를 이해하고 추론하는 구조적 엔진’을 만나 적절한 인재를 찾을 수 있도록 하는 것입니다.

이러한 HR 온톨로지를 구축하고 적절한 인재를 추천하기 위해 어떻게 해야 할까요?

고객의 문제에서 출발한 구조적 접근의 시작

저희 탤런트시커 팀이 마주한 가장 큰 문제는, 이력서마다 구조가 다르고 표현이 제각각이라는 점이었습니다. “Business Intelligence”와 “Data Analytics”가 같은 의미임에도 시스템은 서로 다른 직무로 처리했습니다. 데이터베이스를 분석해 보니, 약 60%의 후보자 정보가 비표준화된 형태로 존재하고 있었습니다. 구조적 불일치는 결국 “좋은 인재를 놓치는 결과”로 이어졌습니다.

또한, 여기에 언어의 장벽이 더해졌습니다. 동일한 역할이라도 국가와 언어마다 쓰이는 표현이 달라서, 단순한 번역을 통해서도 다국어 이력서는 종종 매칭되지 않았습니다. 기존의 번역 시스템으로는 의미의 손실이 발생했고, 글로벌 고객들은 “AI가 언어는 읽지만, 의미는 이해하지 못한다”고 지적했습니다.

최종적으로 가장 큰 문제는, 대부분의 HR 시스템이나 LLM과 같은 AI 자체는 여전히 HR 맥락을 모르는 에이전트에 불과했습니다. “Automation Specialist”와 “Robotics Engineer”는 기술적으로 유사한 직무지만, 단어가 다르다는 이유로 연결되지 않았습니다. 이처럼 “언어의 벽”, “데이터의 벽”, “맥락의 벽”이 동시에 작동하면서, 기업은 인재 데이터의 바다 속에서 ‘진짜 적합한 사람’을 찾지 못하고 있었습니다.

많은 고민들이 더해졌고, 여기서 저희는 하나의 가장 큰 문제를 찾을 수 있었습니다. 이 모든 문제를 하나로 꿰는 공통점은 ‘관계 부재’였습니다. 그래서 저희는 인재 데이터에 관계를 부여하기로 했습니다. 즉, 모든 직무·스킬·산업을 그래프 형태로 연결해, AI가 그 위에서 추론할 수 있는 기반을 만든 것입니다.

따라서, 저는 이 그래프에 단순히 도메인만이 녹아 있는 것이 아니라 실제 헤드헌터들이 쓰는 관계들에 집중해서 중요한 길목들을 선정해 포인트로 지정하고 관계 속의 핵심으로 정하여 HR 도메인과 헤드헌터들의 노하우가 담긴 HR 온톨로지 DB를 개발하고자 했습니다.

기술적 해결 — Ontology, Graph-RAG, 그리고 LLM의 결합

저희 탤런트시의 기술은 두 가지 핵심 축으로 구성되어 있습니다. 첫 번째는 HR Ontology Graph, 두 번째는 Graph-RAG 기반 Onto-LLM입니다.

우선, HR Ontology Graph는 산업, 직업군, 직무, 전문 분야, 하드 스킬과 소프트 스킬을 관계에 기반해 계층적으로 정의했습니다. 예를 들어 “IT 산업군 → 데이터 직무군 → 머신러닝 엔지니어 → Python, TensorFlow, Data Pipeline”으로 이어지는 구조를 AI가 그대로 인식할 수 있습니다.

이 그래프는 한국의 직무 분류 체계와 미국 O*NET 그리고 IOL과 같은 국내 및 국제 공인 직무 체계를 결합해 국가 간 구조적 불일치를 최소화했으며, 또한 저희가 가지고 있는 데이터 체계의 스키마 역시 헤드헌터들의 노하우에 기반해 통합했습니다. 즉, 실질적으로 HR에서 사람을 찾기 위해 길을 잡기 위한 포인트들을 피처로 하여 실질적으로 그래프 체계를 정의하고 저가 가진 데이터를 해당 HR Ontology Graph 스키마로 변환하여 추론 과정에 있어 추론 근거를 명확하게 찾아갈 수 있도록 경로를 개발했습니다.

두 번째 축은 Graph-RAG(Graph-based Retrieval-Augmented Generation)입니다. 이 기술은 단순 텍스트 검색이 아니라, 그래프 내의 노드를 따라가며 논리적 근거를 확보한 상태에서 답을 생성합니다. 예를 들어 “이 후보는 데이터 사이언티스트로 적합한가?”라는 질문이 들어오면, 시스템은 아래와 같은 경로를 거치게 했습니다.

1. 온톨로지 그래프에서 관련 노드를 찾고,
2. 필요한 기술과 경험을 추출한 뒤,
3. 후보자의 경력 경로와 일치도를 비교하고,
4. 최종 적합도를 산출합니다.

이 모든 과정은 노하우와 체계에 담긴 Graph-of-Thought(GoT) 과정을 통해 사전에 저가 정의한 헤드헌터의 노하우를 바탕으로 적합도에 기반해 적절한 인재를 추천할 수 있도록 했습니다. 이러한 구조적 추론은 기존의 LLM이 보였던 ‘즉흥적 생성(hallucination)’을 크게 줄입니다. 모델은 그래프 상의 유효한 경로(valid path)만을 따라가기 때문에, 생성된 결과는 논리적으로 일관되고, 도메인 지식과 정렬되어 있습니다 (Bran et al., 2024; Feng et al., 2025).

데이터가 ‘이해 가능한 구조’로 진화하다

온톨로지 기반 AI 시스템이 도입된 이후, 저희 탤런트시커의 매칭 엔진은 훨씬 더 고객에 가깝게 다가갈 수 있게 되었습니다. 이전에는 같은 데이터를 여러 번 전처리해야 했던 시간이 45% 이상 줄었고, 다국어 환경에서도 매칭 정확도가 28% 향상되었습니다. 무엇보다도, “AI가 왜 이 후보를 추천했는가?”라는 질문에 이제 명확한 답을 할 수 있게 되었습니다.

모델은 단순히 확률적 유사도를 반환하는 것이 아니라, “이 후보는 데이터 엔지니어 → 머신러닝 → Python 경로를 통해 적합하다고 판단되었습니다.”와 같은 추론 경로(reasoning path)에 기반해 설득력 높은 근거를 함께 제시해 줍니다. 이는 고객의 불신을 줄이고, HR 담당자의 의사결정 속도를 높였습니다.

관계를 이해하는 AI와 앞으로의 여정에 대해서

이번 프로젝트를 통해 얻은 가장 큰 교훈은, AI의 신뢰는 데이터의 구조로부터 비롯된다는 점이었습니다. 언어적 번역보다 중요한 것은 의미의 정렬(Semantic Alignment)입니다. 온톨로지는 바로 그 의미를 “관계”로 정의하고, 유지하는 프레임입니다.
또한 LLM이 아무리 강력하더라도, 그 추론이 근거 없는 자유 생성이라면 기업은 신뢰할 수 없습니다. 반대로, 관계 기반 온톨로지 위에서 사고하는 LLM은 통제 가능한 추론을 수행하며, 이는 HR처럼 신뢰와 정확성이 요구되는 분야에서 필수적입니다 (Wei et al., 2023; Edge et al., 2024).
AI가 결과뿐 아니라 그 ‘이유(reason)’를 제시할 때, 채용 담당자는 AI를 파트너로 받아들일 수 있습니다. 탤런트시커의 고객들이 “이제 AI가 아닌, 전문가와 대화하는 기분”이라고 표현한 이유가 바로 여기에 있습니다.

저희의 관계 기반 온톨로지 LLM 엔진은 HR 기술의 새로운 전환점을 상징합니다. 이 시스템은 지식 그래프의 엄밀함과 LLM의 유연한 추론 능력을 결합하여, 구조적이고 설명 가능하며 확장 가능한 인재 매칭 엔진을 구현했습니다.
AI는 이제 단순히 ‘누가 적합한가’를 묻는 것이 아니라, ‘왜 적합한가’, ‘어떤 근거로 그렇게 판단했는가’를 관계 기반으로 설명할 수 있습니다.

이 변화는 단지 기술적 진보가 아니라, 고객의 페인 포인트들이었던 검색 피로, 언어 장벽, AI 불신을 근본적으로 해소하는 패러다임 전환에 대한 올바른 방향이라고 생각합니다. 저가 개발한 탤런트시커 AI는 이제 HR 전문가처럼 사고하고, 구조적으로 추론하며, 투명하게 설명합니다. 이는 HR 산업이 나아가야 할 다음 세대의 방향이자, 탤런트시가 기술로써 증명한 새로운 표준이 되지 않을까요?

이제 채용 담당자는 더 이상 “AI가 추천했으니 믿을 수 있을까?”를 묻지 않습니다. 대신 “이 AI는 왜 이렇게 판단했는가?”를 묻고, 그 답의 적절성이나 데이터상의 한계에 대한 논의를 이야기합니다. 물론 여전히 한계점이 남아 있습니다. 데이터상에서 존재하지 않거나, 또는 채용 담당자들이 질의한 부분을 데이터상에서 우회적으로 답변할 수 있는 부분들이 있는 경우와 같이 완벽한 맥락적 질의에 대한 답변을 할 수 있도록 나아가야 합니다.

참고문헌

Bran, A. M., et al. (2024). Ontology-Retrieval Augmented Generation for Scientific Discovery. ICLR 2025 submission. [EPFL]
Edge, D., et al. (2024). GraphRAG: New Tool for Complex Data Discovery. Microsoft Research Blog.
Wei, J., et al. (2023). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Google Research.
Feng, H., et al. (2025). OntologyRAG: Better and Faster Biomedical Code Mapping. Cambridge University.
Abolhasani, M. S., & Pan, R. (2024). Leveraging LLM for Automated Ontology Extraction and Knowledge Graph Generation. Arizona State University.
Wasi, A. T. (2024). HRGraph: Leveraging LLMs for HR Data Knowledge Graphs. ACL KaLLM Workshop.
Buehler, M. J. (2025). Agentic Deep Graph Reasoning Yields Self-Organizing Knowledge Networks. MIT.