Vega-Lite로 다중 에이전트 시스템 시각화에 생명 불어넣기

Databricks Agent Bricks, Unity Catalog Functions, Vega-Lite가 다중 에이전트 시스템 및 프로그래밍 방식 인터페이스에서 이식 가능하고 거버넌스가 적용된 시각화를 어떻게 지원하는지 알아보세요

Bringing Visualizations to Life in Multi‑Agent Systems With Vega‑Lite

발행일: 2026년 3월 10일

작성자: 브라이언 버크, 호마윤 모라디, 카이오 파리아스 , Elise Gonzales

Summary

에이전트는 시각 자료 대신 테이블을 반환하는 경우가 많아 Microsoft Teams와 같은 도구에 공백이 생깁니다.
Agent Bricks, Unity Catalog Functions, Vega-Lite를 사용하면 에이전트가 생성하고 구체화할 수 있는, 거버넌스가 적용된 이식 가능한 시각화가 가능합니다.
얼리 어답터는 최대 90% 더 빠른 인사이트, 세션당 3~4배 더 많은 질문, 약 2배 더 높은 비기술 사용자 채택률을 경험합니다.

다중 플랫폼 제공의 시각화 과제

팀이 열심히 노력하여 4분기 수익을 정확하게 분석하고 성장 Driver를 식별하는 Supervisor Agent를 구축했습니다. 다음 과제는 Microsoft Teams와 같이 이해관계자가 실제로 근무하는 곳에서 이러한 인사이트를 사용할 수 있도록 만드는 것입니다. 모든 외부 플랫폼은 고유한 시각적 언어를 사용하기 때문에 풍부한 그래픽 답변을 통합하는 것이 어려울 수 있으며, 이로 인해 에이전트가 기본적인 텍스트 테이블을 기본값으로 사용하는 경우가 많습니다.

바로 이 지점에서 Supervisor Agent의 내재된 유연성이 뚜렷한 이점으로 작용합니다. Databricks는 Unity Catalog Functions 및 MCP(모델 컨텍스트 프로토콜)와 같은 도구를 통해 광범위한 사용자 지정을 지원하도록 에이전트 프레임워크를 설계했습니다. Vega-Lite와 함께 이러한 통합을 활용함으로써 개발자는 플랫폼별 한계를 극복하고 이식 가능한 고품질 시각화를 생성할 수 있습니다. 이러한 접근 방식을 통해 Supervisor Agent는 대상 애플리케이션에 관계없이 컨텍스트와 영향력을 유지하는 명확한 그래픽 인사이트를 제공합니다.

Supervisor 아키텍처 이해하기

Agent Bricks는 다중 도메인 쿼리를 처리하기 위해 특화된 도구를 조율하는 감독 에이전트(Supervisor Agent)를 통해 프로덕션급 AI를 지원합니다. 지원되는 Databricks 클라우드 및 리전에서 이 아키텍처를 통해 감독자는 지능적으로 작업을 위임할 수 있습니다.

Genie Spaces: 구조화된 데이터에 대한 자연어 SQL 쿼리를 처리합니다.
지식 어시스턴트 에이전트: 문서 검색 및 분석(RAG)을 수행합니다.
Unity Catalog Functions: 사용자 지정 비즈니스 로직을 캡슐화합니다.
모델 컨텍스트 프로토콜(MCP) 서버: 서드파티 통합을 관리합니다.

이 시스템은 작업 분해에 탁월합니다. “지역별 4분기 수익 비교”와 같은 요청에 대해 Supervisor는 정량적 분석을 Genie로 라우팅하는 동시에 Knowledge Assistant에 컨텍스트 문서를 쿼리합니다.

거버넌스가 적용된 시각화로 다중 에이전트 시스템 확장하기

데이터 에이전트에는 가공되지 않은 데이터를 실행 가능한 시각적 인사이트로 변환하는 신뢰할 수 있는 방법이 필요합니다. Unity Catalog Functions와 Vega-Lite를 결합하여 개발자는 에이전트가 텍스트 및 데이터와 함께 반환하는, 거버넌스가 적용된 이식 가능한 시각화를 생성할 수 있습니다.

Unity Catalog 함수 는 시각화 로직을 중앙에서 관리하고 거버넌스를 적용하여, 에이전트가 구조화된 데이터로부터 차트를 생성하는 안전하고 재사용 가능한 함수를 호출할 수 있도록 합니다.
Vega-Lite 는 간결한 JSON 사양을 사용하여 차트를 선언적으로 설명하므로 에이전트가 명령형 플로팅 코드를 작성하지 않고도 시각화를 생성할 수 있습니다.

이러한 접근 방식을 함께 사용하면 에이전트는 텍스트를 반환하는 것처럼 쉽게 거버넌스가 적용된 시각화를 반환할 수 있습니다. Vega-Lite는 명령형 차트 코드에 비해 구현 오버헤드를 줄일 수 있으며 다음과 같은 추가적인 이점이 있습니다.

API 네이티브 및 이식성: JSON 사양은 API, 앱, 채팅 도구 전반에서 일관되게 렌더링됩니다.
LLM 친화적: 컴팩트한 사양은 일반적으로 제한된 컨텍스트 창에서 생성 및 검증하기가 더 쉽습니다.
자체 검증: 스키마 기반 검증으로 빠른 수정이 가능합니다.
기본 내장 모범 사례: 기본 설정에 따라 명확하고 접근하기 쉬운 차트가 자동으로 생성됩니다.
설계 기반 보안: 선언적 JSON은 생성된 플로팅 코드의 위험을 방지합니다.

Supervisor 워크플로

감독자 에이전트가 이 프로세스를 오케스트레이션합니다. 이는 하위 에이전트에게 검색 및 분석을 위임하고, 거버넌스가 적용되는 후처리를 위해 Unity Catalog 함수를 호출한 다음, 최종 응답을 구성합니다.

정보 흐름:

사용자 쿼리: "지역별 4분기 수익을 비교하고 실적이 가장 우수한 제품을 보여주세요."
감독자: 요청을 분해하여 Genie 및 기타 관련 도구에 위임합니다.
슈퍼바이저: Unity Catalog 함수를 호출하여 구조화된 결과에서 Vega-Lite 사양을 생성합니다.
감독자: 텍스트, 데이터, 시각화 자료를 최종 응답으로 통합합니다.
클라이언트: Vega-Lite 사양을 인라인으로 렌더링합니다.

슈퍼바이저 도구 호출 예시:

Unity Catalog 함수를 통한 구현

한 가지 강력한 구현 전략은 데이터와 차트 요구 사항을 입력으로 받아 유효한 Vega-Lite 사양을 반환하는 Unity Catalog 함수를 사용하는 것입니다.

생성기 함수

UC 함수는 에이전트 출력과 시각화 사이의 변환 계층 역할을 합니다.

입력 데이터(비어 있지 않은 JSON 배열)를 검증합니다.
스키마(범주형 필드와 수량형 필드)를 추론합니다.
요청에서 차트 유형 선택(예: 막대, 선, 분산형)
인코딩, 측정기준, 도움말이 포함된 Vega-Lite JSON 사양을 구성합니다.

클라이언트 측 렌더링

마지막 단계는 사용자를 위해 시각화를 렌더링하는 것이며, 이는 클라이언트 플랫폼에 따라 다릅니다.

웹 애플리케이션: JavaScript에서 vegaEmbed()를 사용하여 JSON 사양을 구문 분석하고 브라우저에서 대화형 차트를 렌더링합니다.

실제 사용 사례 및 이점

금융 서비스, 의료, 영업 분야의 팀들은 더 빠르고 직관적인 의사 결정을 위해 Vega-Lite 기반 에이전트 시스템을 검토하고 있습니다.

사용 사례: Teams의 재무 분석 대시보드

시나리오: CFO가 Microsoft Teams에서 "4분기 실적은 예상과 비교하여 어땠나요?"라고 질문합니다. 지역 및 제품 카테고리별로 분류합니다.”

다중 에이전트 워크플로:

감독자: 요청을 분해하고 Genie 에이전트와 Unity Catalog 함수로 작업을 라우팅합니다.
Genie 실행:
- 에이전트 A는 지역별 수익 데이터와 분산 색상 막대가 있는 막대 차트에 대한 Vega‑Lite 사양을 반환합니다.
- 에이전트 B는 지역별 총계에 대한 카테고리 기여도를 보여주는 제품 카테고리 데이터와 누적 막대 차트 사양을 반환합니다.
통합: 감독자는 이러한 입력들을 결합하여 서술형 인사이트와 대화형 차트가 포함된 일관된 응답을 만듭니다.

결과:

CFO는 외부 대시보드로 이동할 필요 없이 Teams에서 직접 풍부한 응답을 받습니다. 출력에는 주요 Driver에 대한 텍스트 요약(예: '4분기는 북부 지역의 +15%와 소프트웨어 카테고리의 +22%에 힘입어 전체적으로 예측을 8% 초과했으며, 남부 지역은 5% 미달했습니다')이 포함되며, 그 직후에 Vega-Lite 차트가 이어집니다. 사용자는 막대 위로 마우스를 가져가 도구 설명을 통해 정확한 값을 확인할 수 있으며, 이를 통해 대화 컨텍스트를 유지하면서 심층적인 탐색이 가능합니다.

장점

즉각적인 명확성: 표에서 추론하는 대신 추세를 한눈에 파악할 수 있습니다.
대화형 탐색: 마우스 오버 상태와 툴팁으로 필요 시 정확한 값을 확인할 수 있습니다.
워크플로 연속성: 인사이트가 외부 BI 도구가 아닌 Teams 내에 유지됩니다.
인사이트 도출 시간 단축: 시각적 답변의 경우 약 30초 vs. 수동으로 내보내기, 차트 작성, 해석의 경우 약 30분.

다양한 사용 사례에 걸친 예시적인 이점

아래 범위는 초기 파일럿 관찰을 대표하는 것이며, 보편적인 벤치마크가 아닌 방향성 예시로 간주해야 합니다.

메트릭	시각화 없음	Vega-Lite 사용(에이전트 생성)	개선
인사이트 도출 시간	10-15분(쿼리 → 내보내기 → 플롯 → 해석)	30-60초(쿼리 → 즉석 시각화)	80-90% 더 빠름
세션당 답변된 질문 수	2-3(순차적, 차트 생성을 위해 중단 필요)	8-12(즉각적인 시각적 피드백을 통한 빠른 반복)	3-4배 더 많음
비기술 사용자 채택률	30-40%(표 해석에 도움 필요)	70-85% (시각적 인사이트로 명확히 확인 가능)	약 2배의 도입률
에이전트 응답 만족도	3.2/5 (컨텍스트 없는 데이터는 실망스러움)	4.6/5(완전한 인사이트가 가치 있음)	약 40% 더 높음

결론: 다중 에이전트 시스템에서 시각적 인텔리전스 활성화

다중 에이전트 시스템은 복잡한 쿼리를 분석할 수 있지만, 시각 자료가 없으면 텍스트와 표만 반환하는 경우가 많습니다. Vega-Lite와 Unity Catalog 함수를 결합하면 에이전트가 데이터 권한을 존중하면서 여러 애플리케이션에서 렌더링되는, 거버넌스가 적용된 이식 가능한 시각화를 생성할 수 있습니다.

초기 배포에 따르면 인사이트에 시각 자료가 포함될 경우 인사이트 도출 시간이 훨씬 더 빨라지고 도입률이 향상되는 것으로 나타났습니다. 다중 에이전트 시스템이 엔터프라이즈 워크플로의 핵심이 됨에 따라 단순히 답을 계산하는 것뿐만 아니라 시각적으로 보여주는 기능이 필수적이 될 것입니다.

빌드를 시작하려면 Agent Bricks 설명서 를 방문하여 Unity Catalog Functions 가 에이전트 에코시스템을 어떻게 혁신할 수 있는지 알아보세요.

에이전트 시스템에서 Vega-Lite 시각화를 구현하는 것에 대해 궁금한 점이 있으신가요? Databricks 커뮤니티 포럼의 토론에 참여하세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)