기존 Java 코드로 Amazon Neptune Analytics GraphRAG 구현하기

1. GraphRAG 파이프라인 개요

• 본 글은 기존 Java/Spring 기반 개발 코드의 도메인 지식을 활용하여 Amazon Neptune Analytics와 Amazon Bedrock Knowledge Bases를 연동, GraphRAG를 구현하는 과정을 상세히 안내합니다.
• 핵심은 기존 코드에서 AI와 도메인 전문가의 협업을 통해 그래프 스키마 명세(spec.json)를 추출하는 것입니다.
• 추출된 스키마를 기반으로 Neptune Analytics에 데이터를 적재하고, Bedrock Knowledge Bases를 통해 자연어 질의에 응답하는 GraphRAG 시스템을 구축합니다.

2. 그래프 스키마 설계 및 AI 활용

• AI에게 제공할 파일: 핵심 도메인을 담당하는 Java 소스코드 (ORM 엔티티, 서비스 로직 등).
• AI와의 대화: Anthropic Claude Sonnet 4.5 모델에 소스코드와 함께 프롬프트를 전달하여 그래프 스키마 초안을 생성합니다.
• 도메인 전문가 검토: DB 데이터 분석, 비즈니스 규칙, MSA 환경 등을 고려하여 AI의 초안을 검토하고 수정하며 spec.json을 확정합니다. AI가 80%, 사람이 20%의 역할을 수행합니다.

3. Neptune Analytics 데이터 적재

• spec.json → Neptune CSV 스키마 생성: 확정된 spec.json을 기반으로 Amazon Bedrock 모델을 활용하여 Neptune CSV 파일의 스키마(헤더)를 생성합니다.
• 데이터베이스 → CSV 변환: 생성된 스키마에 맞춰 기존 데이터베이스의 데이터를 CSV 파일로 추출합니다. Kiro와 같은 AI IDE 활용이 가능합니다.
• Neptune Analytics 적재: S3에 업로드된 CSV 파일을 Neptune Analytics 콘솔의 데이터 가져오기 기능을 통해 적재합니다.

4. Amazon Bedrock Knowledge Bases로 GraphRAG 연결

• Knowledge Graph 기반 질의: Knowledge Graph는 노드와 엣지의 네트워크로, 복잡한 관계 기반 질의 처리에 효과적입니다. RAG와 달리 벡터 유사도 검색만으로는 한계가 있습니다.
• Bedrock Knowledge Bases 활용: Neptune Analytics를 GraphRAG 백엔드로 직접 활용 가능하며, 별도 코드 없이 그래프 구조를 활용한 질의가 가능합니다.
• GraphRAG 질의 예시: 분기 탐색, 멀티홉 필터링, 역방향 탐색 등 복잡한 질의를 자연어로 수행하고, 소스 세부 정보를 통해 참조된 그래프 데이터를 추적할 수 있습니다.

핵심 인사이트 및 적용 방안

• 기존 코드 활용: ORM 관계 및 서비스 로직에 이미 그래프 스키마가 내재되어 있습니다. 새로 설계하기보다 기존 지식을 구조화하는 것이 효율적입니다.
• AI와 사람의 협업: AI는 초안 생성에, 전문가는 도메인 개념 정의 및 스키마 범위 설정에 집중합니다.
• spec.json 기반 파이프라인: 하나의 명세(spec.json)가 스키마 설계부터 데이터 적재, GraphRAG 구현까지 전체 파이프라인의 기준이 됩니다.
• 프로젝트 적용: 데이터 모델/로직 코드 준비 → AI 프롬프트 실행 → 전문가 검토/수정 → CSV 생성 및 적재 → Bedrock Knowledge Bases 구성 순으로 적용합니다. 검토/수정 단계에 충분한 시간을 투자하는 것이 Knowledge Graph 품질을 높입니다.
• 확장성: AWS Glue, DMS 등을 활용한 운영 데이터 동기화 및 벡터 검색과 그래프 탐색을 결합한 하이브리드 검색을 고려할 수 있습니다.