[PART I 기초]
CHAPTER 1 시맨틱 격차에 유념하기
_1.1 시맨틱 데이터 모형화의 의미
_1.2 시맨틱 데이터 모형을 개발해서 사용하는 이유
_1.3 잘못된 시맨틱 모형화
_1.4 함정 피하기
_1.5 딜레마 깨기
CHAPTER 2 시맨틱 모형화 요소
_2.1 일반 요소
_2.2 공통 요소와 표준화된 요소
_2.3 요약
CHAPTER 3 시맨틱 현상과 언어적 현상
_3.1 모호성
_3.2 불확실성
_3.3 애매성
_3.4 경직성, 동일성, 단일성, 의존성
_3.5 대칭성, 반전성, 전이성
_3.6 닫힌 세계 가정과 열린 세계 가정
_3.7 의미 변화
_3.8 요약
CHAPTER 4 시맨틱 모형 품질
_4.1 의미 정확성
_4.2 완비성
_4.3 무모순성
_4.4 간결성
_4.5 시의성
_4.6 관련성
_4.7 이해성
_4.8 신뢰성
_4.9 가용성, 융통성, 성능
_4.10 요약
CHAPTER 5 시맨틱 모형 개발
_5.1 개발 활동
_5.2 어휘, 패턴, 모범 모형
_5.3 시맨틱 모형 마이닝
_5.4 요약
[PART II 함정]
CHAPTER 6 나쁜 설명
_6.1 나쁜 이름 부여
_6.2 정의를 생략하거나 나쁜 정의를 부여하기
_6.3 애매성 무시
_6.4 편견과 가정을 문서화하지 않음
_6.5 요약
CHAPTER 7 잘못된 의미
_7.1 나쁜 동일성
_7.2 나쁜 하위 클래스
_7.3 나쁜 공리와 나쁜 규칙
_7.4 요약
CHAPTER 8 잘못된 모형 규격 및 지식 습득
_8.1 잘못된 것을 구축하는 일
_8.2 나쁜 지식 습득
_8.3 규격 및 지식 습득 이야기
_8.4 요약
CHAPTER 9 나쁜 품질 관리
_9.1 품질을 상반 관계로 취급하지 않음
_9.2 품질을 위험과 이익에 연결하지 않음
_9.3 올바른 지표를 사용하지 않음
_9.4 요약
CHAPTER 10 잘못된 애플리케이션
_10.1
시맨틱 데이터 모형을 사용하는 이유
구글은 2012년에 <우리가 만든 지식 그래프로 문자열뿐만 아니라 사물도 검색할 수 있었다>고 발표했고, 가트너는 2018년에 신흥 기술의 하이프 사이클에 지식 그래프를 포함했다고 발표했다. 현재는 구글 외에도 아마존, 링크드인, 톰슨 로이터, BBC, IBM 등 다양한 조직이 시맨틱 데이터 모형을 개발해 자신들의 제품이나 서비스에 접목하고 있다.
이런 회사들이 시맨틱 데이터 모형에 투자하려는 한 가지 이유는 인공지능의 기능, 데이터 과학 애플리케이션의 기능, 서비스의 기능을 높이기 위해서다. 이처럼 시맨틱 응용 기능들 또한 머신러닝 기술과 통계 기술에 기반을 두기는 하지만, 몇 가지 작업을 더 거쳐야 명료한 기호적 지식에 접근할 수 있게 되고 유익해진다.
예를 들어, 인기 퀴즈 쇼인 <제퍼디!>에서 경연을 펼친 왓슨은 질문의 답을 찾을 때 정형화되지 않은 정보에 의존해서 대부분의 증거 분석 작업을 했지만, 일부 구성 부분에서는 지식 기반 방법과 온톨로지 방식을 사용해 특정 지식과 추론 문제를 해결했다. 이렇듯 시맨틱 모형은 일반적으로 이종 데이터나 사일로 데이터의 의미를 표준화하거나 정렬하는 일, 컨텍스트(상황, 맥락,장면적 컨텍스트를 제공하는 일, 분석 등의 용도로 더 잘 검색할 수 있게 하는 일, 상호운용이 되도록 하는 일, 활용할 수 있게 만드는 일 등을 처리한다.
1부에서는 시맨틱 데이터 모형화와 관련된 기본 개념, 현상, 프로세스를 논의하고, 책의 나머지 부분에 관한 분위기를 전반적으로 형성하면서, 책을 읽는 데 참고할 만한 공통적인 기반 사항과 용어를 정리한다.
2부에서는 시맨틱 데이터 모형을 개발해 적용할 때 흔히 빠지기 쉬운 함정을 자세히 살펴보고 이를 효과적으로 피하는 방법과 기술을 구체적으로 거론한다.
3부에서는 논의의 초점을 시맨틱 모형화 함정에서 시맨틱 모형화와 관련된 딜레마로 바꾼 후에, 고유한 장단점이 있는 여러 대안 행동 과정 중에서 어느 하나를 선택해야 하는 상황을
