이미 신뢰하는 시맨틱 모델을 연결하는 단일 컨텍스트 그래프에 에이전트 그라운딩하기

*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 영문 원본을 참고해 주시기 바랍니다.

이런 상황을 상상해 보세요. 경영진 비즈니스 검토를 앞두고 영업 부사장이 AI 어시스턴트에게 "지난 분기 주요 기업 계정의 순수익은 얼마였지?"라고 묻습니다. 단 몇 초 만에 에이전트가 깔끔하게 정리된 차트를 보여줍니다. 문제는 수치가 재무 보고서와 일치하지 않는다는 점입니다. 왜일까요? 에이전트가 취소된 주문을 매출로 집계하고, 검증되지 않은 스테이징 테이블에서 데이터를 가져왔기 때문입니다.

에이전트가 실패한 원인은 모델 자체의 문제나 사용자 질문을 쿼리로 변환하지 못해서가 아닙니다. 비즈니스를 제대로 이해하지 못했기 때문입니다. 진짜 핵심은 이러한 비즈니스 이해가 이미 Looker, dbt, Snowflake, Databricks 또는 SAP 시스템 내에 시맨틱 모델의 형태로 존재한다는 점입니다. 하지만 각 정의가 개별 도구 안에만 갇혀 있다 보니, 에이전트마다 이를 제각각 추측하게 되고 결국 잘못된 결과를 내놓는 경우가 많습니다. 

바로 이 지점에서 Knowledge Catalog가 필요합니다. 이러한 모든 도구의 시맨틱 모델을 하나의 컨텍스트 그래프로 통합하므로, 모든 에이전트가 신뢰할 수 있는 동일한 정의를 바탕으로 작업을 수행합니다. 두 도구가 동일한 측정항목을 서로 다르게 정의하더라도, 각 정의가 출처와 함께 표시되므로 데이터 관리 책임자는 최종 사용자에게 전달되기 전에 이러한 충돌을 조정할 수 있습니다.

오늘 Google Cloud는 확장된 시맨틱 모델 지원 기능의 정식 버전 출시를 발표합니다. 이제 Knowledge Catalog는 Looker LookML, BigQuery Graph(BigQuery 측정값 포함), dbt MetricFlow, Snowflake Semantic Views, Databricks Metric Views, SAP Core Schema Notation(CSN)에서 시맨틱 모델과 측정항목 정의를 기본적으로 수집하고, 데이터를 이동하거나 비즈니스 로직을 새로운 언어로 다시 작성하지 않고도 단일 컨텍스트 그래프에서 스키마, 계보, 데이터 프로필, 비즈니스 용어집, 기타 주요 메타데이터와 연결합니다. 

AI 에이전트를 이러한 모델에 그라운딩하면 분석가가 사용하는 것과 동일한 비즈니스 정의를 얻을 수 있으므로 비즈니스에서 신뢰하는 수치와 일치하는 답변을 제공할 수 있습니다. 실제로 내부 벤치마크에 따르면, Knowledge Catalog에 에이전트를 그라운딩할 경우 정확도는 약 4배 향상되는 반면, 지연 시간은 최대 33%, 토큰 사용량은 최대 75% 줄어드는 것으로 나타났습니다.

통합 컨텍스트 그래프를 사용하면 다음을 수행할 수 있습니다.

• 이미 신뢰하는 시맨틱 모델 재사용: Knowledge Catalog는 데이터가 어디에 있든, 팀이 이미 정의한 측정항목, 필터, 조인 경로를 기반으로 Gemini 에이전트, BigQuery 대화형 분석 및 커스텀 에이전트를 그라운딩합니다.

• 자체 학습된 컨텍스트로 수동 선별된 정의 이상의 가치 제공: Knowledge Catalog는 시맨틱 모델에 포함된 잘 정의된 측정항목 및 KPI 정의를 운영 플레이북, 회의록, 채팅 대화목록, 코드 등 비정형 지식 소스에서 추출한 관련 컨텍스트와 결합합니다. Gemini 기반의 자체 학습 보강 기능은 누락되거나 오래된 컨텍스트를 지속적으로 찾아내어 관리 가능하고 재사용 가능한 컨텍스트 세트로 변환합니다. 이를 통해 정의가 변경되더라도 수동 작업에만 의존하지 않고 에이전트의 컨텍스트를 항상 최신 상태로 유지할 수 있습니다.

• 비즈니스 로직과 엔터프라이즈급 신뢰의 결합: 데이터가 오래되었거나 인증되지 않았다면, 아무리 정확한 수식을 사용하더라도 잘못된 결과가 나올 수밖에 없습니다. Knowledge Catalog가 시맨틱 정의를 데이터 품질 점수, 최신성 신호, 계보와 연결할 수 있는 이유가 바로 여기에 있습니다. 이를 통해 에이전트는 SQL 코드를 단 한 줄이라도 작성하기 전에 해당 데이터를 얼마나 신뢰할 수 있는지 미리 파악할 수 있습니다.

데이터 자산 전반의 단일 컨텍스트 그래프

Knowledge Catalog가 생성하는 컨텍스트 그래프는 데이터 및 시맨틱 자산의 현황을 한눈에 보여주는 연결된 지도와 같습니다. 여기에서 테이블, 시맨틱 모델, 용어집 용어, 데이터 제품은 노드가 되며, 계보, 연관성, 스키마 키, 실제 쿼리 기록에서 추출한 조인 및 시맨틱 모델에 선언된 조인 경로는 이들을 잇는 에지가 됩니다. 수집된 시맨틱스는 기존 거버넌스 및 사용 신호와 함께 동일한 그래프에 배치되므로 에이전트는 한 번의 탐색으로 비즈니스 개념에서 신뢰할 수 있는 수식과 검증된 조인 경로로 이동할 수 있습니다. 각 소스는 비즈니스에 대한 고유한 관점을 추가합니다.

• Looker LookML (정식 버전): Looker Core의 실시간 동기화를 사용하여 모델, Explore, 뷰, 대시보드를 색인화하고 컴파일된 측정항목 SQL, 팬아웃 안전 조인 조건, 필수 필터, 소스 테이블에서 경영진 대시보드까지의 계보를 캡처합니다.

• BigQuery Graph(정식 버전): 네이티브 속성 그래프 정의, 노드 및 에지 테이블, 그래프 측정값, 비즈니스 동의어를 색인화하여 에이전트가 불안정한 다중 테이블 자체 조인 대신 Graph Query Language(GQL) 순회를 통해 연결된 항목을 추론할 수 있도록 합니다.

• dbt MetricFlow(정식 버전): 소스 객체를 dbt 모델 및 MetricFlow 측정항목에 연결하고 dbt 데이터 품질 테스트 결과, 필터, 저장된 쿼리, 최신 상태 SLA, 다운스트림 노출을 함께 제공합니다.

• Horizon Catalog를 통한 Snowflake 시맨틱 뷰(정식 버전): 제휴된 BigQuery 또는 Google Cloud Lakehouse 테이블을 Snowflake Horizon 메타데이터와 페어링하여 시맨틱 뷰 측정기준, 팩트, 측정항목 수식, 관계, 동의어와 함께 데이터 측정항목 함수 품질 스코어카드 및 PII 마스킹 태그를 가져옵니다.

• Unity Catalog를 통한 Databricks 측정항목 뷰(정식 버전): Unity Catalog에서 측정항목 뷰 정의, 측정 공식, 범위 지정 필터, 조인 카디널리티를 테이블 인증 배지 및 Lakehouse Monitoring 프로파일링 결과와 함께 수집합니다.

• SAP Business Data Cloud (BDC)를 통한 SAP Core Schema Notation (CSN)(정식 버전): SAP BDC 데이터 제품이 Google Cloud Lakehouse를 통해 제휴될 때 비즈니스 라벨, 측정기준 및 큐브 모델링 패턴, 기본 집계, 통화 및 단위 바인딩, 키 및 복합 조인 연결, 데이터 민감도 플래그를 캡처합니다.

모든 소스가 동일한 그래프에서 노드 또는 에지로 표시되므로 LookML 조인, dbt 노출, Snowflake 관계 또는 SAP 연결을 나란히 탐색할 수 있으며, 각 소스는 종속된 물리적 테이블에 다시 연결됩니다. 또한 어떤 데이터도 사용자 모르게 덮어쓰지 않습니다. 중복되는 정의는 나란히 유지되며 각각의 출처가 명확히 표시되므로, 데이터 관리 책임자는 단일 버전을 결정하는 데 필요한 모든 정보를 한눈에 파악할 수 있습니다.

컨텍스트를 탐색하고 관리하는 제어 센터인 Knowledge Studio(프리뷰)에서 이 모든 것을 탐색하고 관리할 수 있습니다. 자연어 프롬프트를 사용하여 시맨틱 정의를 포함한 컨텍스트 그래프를 탐색하고, 컨텍스트 그래프 캔버스에서 연결 경로를 따라가며 데이터를 확인할 수 있습니다. 적절한 애셋과 정의를 검증한 후에는 이를 조직 내 특정 사용 사례 및 도메인에 매핑되는 재사용 가능한 컨텍스트 세트로 패키징할 수 있으며, 이렇게 생성된 세트는 Gemini 및 커스텀 에이전트가 프로덕션 환경에서 활용하게 됩니다.

시작하기

그럼 처음에 언급했던 순수익 질문으로 다시 돌아가 보겠습니다. Knowledge Catalog를 사용하면 영업 부사장의 에이전트가 단일 컨텍스트 쿼리를 실행하여 신뢰할 수 있는 애셋을 찾아냅니다. 이 과정에서 도메인 전문가가 정의한 정확한 측정항목 수식과 필터를 적용하고, 시스템 전반의 조인 키를 준수하며, 기본 데이터가 품질 검사를 통과했는지 확인합니다. 무엇보다 보고서의 수치가 정확하다는 점이 가장 큰 장점입니다.

시작하려면  Knowledge Studio에서 컨텍스트 그래프를 탐색해 보고,  Knowledge Catalog 문서를 확인하여 더 많은 소스에 연결해 보세요.