데이터 스택에서 Genie 온톨로지 운영화하기

시맨틱 모델을 넘어: AI 에이전트를 위한 공유 비즈니스 컨텍스트 구축

대규모 언어 모델은 추론하는 법은 알지만, 여러분의 비즈니스는 모릅니다. 엔터프라이즈 AI에 필요한 비즈니스 컨텍스트를 제공한다는 것은 단순히 데이터를 연결하는 것 이상을 의미합니다. 에이전트는 정의, 관계, 비즈니스 규칙, 신뢰할 수 있는 소스 및 권한도 이해해야 합니다. Genie Ontology는 모델링된 비즈니스 시맨틱과 팀에서 이미 사용 중인 거버넌스 대상 테이블, 쿼리, 대시보드, 노트북 및 기타 지원되는 자산에서 학습한 컨텍스트를 결합하여 이 격차를 해소합니다. Genie는 권한과 관련성에 따라 해당 컨텍스트의 순위를 매기고, 권한을 적용하며, 답변 시점에 Genie에 가장 유용한 컨텍스트를 전달합니다. 외부 에이전트도 MCP를 통해 Genie의 인텔리전스에 액세스할 수 있습니다.

훌륭한 시맨틱 모델은 신뢰할 수 있는 핵심을 제공합니다. 시맨틱 모델은 의도적으로 정의한 비즈니스 개념을 캡처하며, 온톨로지는 비즈니스가 실제로 어떻게 운영되는지 AI가 이해하는 데 필요한 더 넓은 관계, 지식 및 컨텍스트로 그 기반을 확장합니다. Databricks 용어로는 Unity Catalog Semantics가 Metric Views, Pages, Domains를 결합하여 신뢰할 수 있는 비즈니스 정의를 수립합니다. 그런 다음 Genie Ontology는 기존 자산에서 추론된 컨텍스트를 통합하여 모델링된 핵심을 기반으로 구축되므로, 시맨틱 모델만 제공할 수 있는 것보다 훨씬 더 광범위한 비즈니스 이해를 에이전트에 제공합니다.

핵심은 "머리(head)"를 모델링하고 Genie Ontology가 "꼬리(tail)"를 추론하도록 하는 것입니다. Genie는 첫날부터 자동으로 학습할 수 있는 것부터 시작하여 작동하는 한편, 의도적인 큐레이션을 통해 반드시 정확해야 하는 중요한 정의와 소스를 개선합니다.

다음 6개 레이어는 시간이 지남에 따라 신뢰도를 높이기 위한 점진적인 실천 방법이며, Genie가 가치를 제공하기 시작하기 위한 전제 조건은 아닙니다.

더 깊이 이해하기 위해 각 레이어를 살펴보겠습니다.

레이어 0: 에이전트를 위한 데이터 기반을 올바르게 구축하기

무엇이든 설명하거나 모델링하기 전에, 기본 데이터는 에이전트가 추론할 수 있는 형태여야 합니다. 이 레이어는 깨끗한 데이터 테이블, 올바른 스키마, 실제 엔터티당 하나의 일관된 ID와 같은 물리적 기반에 관한 것입니다. 논리적 비즈니스 모델링은 나중에 레이어 2에서 진행됩니다. 이 레이어는 건너뛰기 쉽지만 나중에 수정하려면 비용이 많이 듭니다. 아무리 좋은 메타데이터나 시맨틱 모델링도 망가진 물리적 기반을 보완할 수 없기 때문입니다.

데이터 기반을 올바르게 구축한다는 것은 다음 두 가지 핵심 영역에 집중하는 것을 의미합니다.

1. 비즈니스 프로세스를 중심으로 내구성 있는 골드(gold) 레이어를 모델링하세요. 여기에는 명확한 세분성(grain)을 가진 팩트(fact)와 재사용 가능하고 정렬된 디멘션(dimension)을 식별하는 것이 포함됩니다. 스타 스키마 또는 하이브리드 모델은 비즈니스 로직을 모든 하류(downstream) 테이블에 복사하지 않고도 팩트와 디멘션의 신뢰할 수 있는 기반을 제공합니다. 그렇다고 에이전트가 원시 디멘션 테이블을 기반으로 추론해야 한다는 의미는 아닙니다. 에이전트가 보는 인터페이스는 더 좁을 수 있으며, 종종 그래야 합니다. 즉, 하나의 도메인에 대해 공통 디멘션을 미리 조인하고, 중요한 필드만 노출하며, 세분성을 문서화하고, 측정값을 표준적으로 정의하는 Metric View 또는 목적에 맞게 구축된 뷰여야 합니다. 레이어 2에서 바로 이를 구축하게 됩니다. 핵심은 에이전트에게 데이터 덤프를 던져주는 것이 아니라, 올바른 모델 위에 소비 표면을 의도적으로 형성하는 것입니다. 넓은 테이블 자체가 문제는 아닙니다. 혼합된 세분성, 중복된 비즈니스 개념, 표준적인 메트릭 정의가 없는 넓은 테이블은 추측을 유발할 뿐입니다.
2. 엔터티를 골든 레코드(golden record)로 정리하세요. "고객"이 영업 부서에서는 활성 계정을 의미하고 지원 부서에서는 지금까지의 모든 계정을 의미한다면, 에이전트는 어떤 정의를 신뢰해야 할지 알 수 없습니다. 동일한 고객이 시스템 전반에서 세 개의 서로 다른 ID를 가지고 있다면 중복 계산될 수도 있습니다. 여러 소스에 걸쳐 동일한 실제 엔터티를 조정하여 한 명의 고객이 하나의 고객으로 인식되도록 하세요.

레이어 1: 메타데이터 풍부하게 만들기

메타데이터는 시맨틱 레이어와 컨텍스트 추출 모두가 데이터를 이해하도록 돕는 서술적 기반입니다. 테이블 이름이 fct_rev_daily이고 컬럼 이름이 rev_amt인 경우, 에이전트는 그 의미를 추측해야 합니다. 동일한 테이블에 "제품별 환불을 제외한 일일 인식 매출"이라는 설명이 있고 컬럼에 "USD 기준 인식 매출"이라는 주석이 있으면 에이전트는 추론할 수 있는 실제 근거를 갖게 됩니다. 좋은 설명은 가장 높은 수익률과 가장 낮은 비용을 자랑하는 투자 중 하나이며, Genie뿐만 아니라 모든 하류 도구를 개선합니다.

수행해야 할 세 가지 필수 단계는 다음과 같습니다.

1. Unity Catalog에 테이블 설명 및 컬럼 주석을 추가하세요. 스키마를 모르는 신입 분석가를 위해 작성하세요. 데이터가 무엇을 나타내는지, 비즈니스 목적이 무엇인지 설명하고 알려진 주의 사항을 표시하세요. 대시보드와 에이전트가 실제로 쿼리하는, 큐레이션되고 비즈니스에 바로 사용할 수 있는 테이블에 노력을 집중하세요.
2. 태그를 적용하여 분류하고 정리하세요. 설명은 서술적 의미를 제공하고, 태그는 분류, 검색 및 거버넌스를 위한 구조화된 신호를 제공합니다. 태그를 사용하여 민감도(PII, PHI, PCI), 소유권, 비즈니스 기능 및 데이터 자산 전반에서 일관되게 이해해야 하는 기타 속성을 캡처하세요. 거버넌스가 적용된 태그를 사용하면 관리자가 승인된 키 및 값 세트를 정의할 수 있으므로 팀마다 분류가 달라지지 않고 일관되게 유지됩니다. 이러한 신호는 나중에 액세스 정책 및 기타 거버넌스 제어에도 반영될 수 있습니다.
3. 양이 너무 많아 수작업이 불가능한 경우 첫 번째 단계를 자동화하세요. Databricks 솔루션 가속기인 dbxmetagen은 대규모 언어 모델을 사용하여 설명을 생성하고, 민감한 데이터를 감지 및 태그 지정하며, 분류를 제안합니다. 사람이 검토하고 승인할 때까지 Unity Catalog에 아무것도 기록되지 않으므로, 판단을 대체하기보다는 작업 속도를 높여줍니다.

레이어 2: 시맨틱 레이어로 비즈니스 모델링하기

메타데이터는 개별 테이블을 설명합니다. 시맨틱 레이어는 그 위에 비즈니스 로직을 정의하므로 가장 중요한 메트릭이 사용되는 모든 곳에서 동일한 의미를 갖게 됩니다. 레이어 0이 물리적 기반을 수립한 곳이라면, 이 레이어는 측정값, 관계, 도메인 및 용어와 같은 논리적 모델을 생성합니다.

중요한 세 가지 단계는 다음과 같습니다.

1. 관계를 선언하세요. 에이전트는 질문에 답하기 위해 테이블을 조인하는데, 테이블이 어떻게 연결되는지 추측해야 한다면 가끔 잘못된 추측을 하게 됩니다. Unity Catalog에서 기본 키(primary key)와 외래 키(foreign key)를 선언하면 에이전트에게 테이블이 어떻게 관련되어 있는지 알려주므로 경로를 임의로 만들어내지 않고 올바르게 조인할 수 있습니다. 이러한 제약 조건은 강제 적용되기보다는 정보 제공용이므로 거버넌스 프로세스를 통해 정확하게 유지해야 하지만, 이를 선언하는 것은 조인 오류를 줄이는 가장 직접적인 방법 중 하나입니다. 관계는 메트릭 자체만큼이나 모델의 중요한 부분입니다.
2. Metric Views를 사용하여 시맨틱 모델을 구축하세요. Metric View는 측정값(총 매출과 같이 집계된 수치)과 디멘션(지역이나 월과 같이 데이터를 세분화하는 방식)을 거버넌스가 적용된 코드로 한 번 정의하는 Unity Catalog 오브젝트입니다. 집계가 미리 고정되지 않고 쿼리 시점에 확인되므로, Metric View를 쿼리하는 소비자는 동일하게 제어된 정의를 사용하게 됩니다. 이는 에이전트가 잘못된 정의를 선택하게 만드는 모호성을 제거하므로 정확성을 위한 가장 중요한 단계 중 하나입니다. 매출, 활성 고객, 핵심 컴플라이언스 측정값과 같이 절대 틀려서는 안 되는 수치인 중요한 KPI를 먼저 Metric Views로 정의하세요.
3. 메트릭에 에이전트용 메타데이터를 추가하세요. Metric Views에는 표시 이름과 동의어가 포함될 수 있으므로 "매출"과 같은 자연어가 올바른 측정값, 통화 및 날짜의 형식 패턴, 예시 쿼리에 매핑됩니다. 이 메타데이터는 Genie Ontology로 전달되므로, 메트릭을 모델링하기 위해 수행하는 작업은 에이전트가 이를 올바르게 찾고 사용하는 데도 도움이 됩니다.
4. 정리 및 문서화. Unity Catalog 도메인 및 하위 도메인은 자산을 비즈니스에 부합하는 컬렉션으로 그룹화하여 컨텍스트의 범위를 유지합니다. 이를 통해 Genie는 전체 자산을 검색하는 대신 관련 비즈니스 영역 내의 자산에 검색을 집중할 수 있으므로 속도와 정확도가 향상됩니다. Unity Catalog 페이지는 비즈니스 사용자 및 에이전트가 추론하는 데 사용하는 공유 비즈니스 용어, 개념 및 정의를 캡처합니다. 각 페이지에는 해당 개념과 연결된 신뢰할 수 있는 자산이 나열되므로, 온톨로지가 질문에서 용어를 해석할 때 전체 자산을 검색하고 추측하는 대신 어떤 테이블, 메트릭 뷰 및 쿼리를 활용해야 하는지 이미 알고 있습니다. 소유자 검토를 통해 이러한 정의의 신뢰성을 유지하며, 사람이 직접 확정하고 검토하기 때문에 온톨로지가 충돌을 해결해야 할 때 추론된 컨텍스트보다 더 큰 권위를 가집니다.

Genie Code로 시맨틱 모델링 자동화하기

물론 시맨틱 모델링 프로세스가 순전히 수동 작업일 필요는 없습니다. 자연어 지침을 사용하여 메트릭 뷰를 생성하고 유지 관리하기 위해 Genie Code를 활용할 수 있습니다. Genie Code 프롬프트에 소스 테이블, 조인, 필드, 측정값 및 필터를 설명하면 저장하기 전에 검토할 수 있도록 YAML을 생성합니다. 또한 Genie Code의 /importBI 기술을 사용하여 Tableau 또는 Power BI 시맨틱 모델을 가져올 수 있으며, 이를 통해 메트릭 뷰가 빌드됩니다. 그런 다음 재사용, 거버넌스, 계보 및 검색 가능성을 위해 이를 Unity Catalog로 승격합니다.

Genie Code는 페이지 초안을 작성할 수도 있습니다. 페이지 편집기에서 도메인을 선택하고 관련 파일, 링크, Unity Catalog 자산 또는 MCP 연결 콘텐츠를 첨부하면 Genie Code가 구조화된 필드와 서식 있는 텍스트 페이지 본문 초안을 작성합니다. 초안을 검토하고 적절한 소스 및 관련 자산을 추가한 다음 저장하거나 게시하세요. 여러 개념의 경우 페이지 대량 가져오기를 사용하세요. Genie Code는 문서 및 소스에서 제안된 페이지를 추출 및 중복 제거하고, 검토를 위해 충돌, 중복 및 신뢰도가 낮은 용어를 표시하며, 승인된 페이지를 향후 편집 및 게시를 위한 초안으로 생성합니다.

레이어 3: 컨텍스트가 풍부한 자산 큐레이션

온톨로지의 추론된 부분은 대시보드, 노트북, SQL 쿼리, Genie 에이전트 및 문서와 같이 팀이 이미 생성한 자산으로부터 학습합니다. 데이터 자산이 더 풍부하고 신뢰할 수 있을수록 추론된 컨텍스트가 더 유용해집니다. 레이어 3은 이러한 자산을 학습할 가치가 있게 만드는 것에 관한 것입니다.

다음은 네 가지 필수 단계입니다.

1. 깊이 있고 잘 활용되는 자산 기반 구축. 문서화가 잘 되어 있고 널리 사용되는 대시보드, 쿼리, Genie 에이전트가 많은 작업 공간은 빈약한 작업 공간보다 온톨로지가 학습할 수 있는 더 많은 자료를 제공합니다. 이러한 자산이 사용되고 개선됨에 따라 컨텍스트 추출에 사용할 수 있는 신호가 더 풍부해집니다.
2. 자산의 컨텍스트 풍부화. 자산이 풍부할수록 온톨로지가 자산으로부터 더 많은 것을 배울 수 있습니다. 정의, 예시 및 지침으로 Genie 에이전트를 풍부하게 만들면 성능이 더 뛰어난 에이전트를 얻을 수 있을 뿐만 아니라 Genie 온톨로지가 전체 자산에서 추출하고 순위를 매길 수 있는 더 강력한 컨텍스트를 제공하게 됩니다. 다른 자산에도 동일하게 적용하세요. Markdown 셀로 노트북을 문서화하고, 저장된 SQL 쿼리에 주석을 달고, AI/BI 대시보드에 설명과 주석을 추가하세요. 이러한 요소들이 결합되어 Genie 온톨로지가 활용하는 풍부하고 롱테일적인 비즈니스 지식을 제공합니다.
3. 신뢰하는 자산 인증. 인증은 메트릭 뷰, Genie 에이전트 또는 노트북과 같은 데이터 및 AI 자산을 검증되고 승인된 것으로 표시하며, 어떤 소스가 신뢰할 수 있는지 결정하는 강력한 신호 역할을 합니다. 인증되고 널리 사용되는 자산은 검증되지 않은 자산보다 더 큰 권위를 가지므로, 신뢰할 수 있는 자산을 인증하는 것은 충돌이 발생할 때 어떤 컨텍스트가 우선할지에 직접적인 영향을 미칩니다. 오래된 자산의 사용을 중단하는 것도 이에 못지않게 중요합니다. 이를 통해 사용자와 에이전트 모두가 더 이상 지원하지 않는 콘텐츠를 사용하지 않도록 유도할 수 있습니다.
4. 민감한 데이터 분류 및 품질 모니터링. 데이터 분류는 민감한 데이터를 식별하고 태그를 지정하여 일관되게 거버넌스를 적용할 수 있도록 하며, 데이터 품질 모니터링은 데이터를 사용하는 사람과 에이전트에게 영향을 미치기 전에 드리프트 및 이상 징후를 감지합니다. 두 가지 모두 온톨로지에 제공되는 자산의 신뢰성을 보장하는 데 도움이 됩니다.

레이어 4: 거버넌스 레이어 구축

거버넌스는 Genie의 답변을 안전하고 신뢰할 수 있게 만드는 요소입니다. 권한에 따라 Genie 온톨로지가 검색할 수 있는 컨텍스트가 결정되므로, 두 사람이 동일한 질문을 하더라도 각자 볼 수 있는 권한에 따라 서로 다른 답변을 받을 수 있습니다.

세 가지 특정 영역에 걸쳐 거버넌스를 살펴보겠습니다.

1. Unity Catalog 액세스 제어로 시작. Unity Catalog의 권한 모델이 기초가 됩니다. 이 모델은 카탈로그, 스키마, 테이블 및 기타 작업 공간 자산에 대한 액세스를 제어하며, Genie 온톨로지는 이러한 권한을 준수합니다. Genie는 질문한 사람에게 볼 수 있는 권한이 있는 콘텐츠만 사용하므로, 사용자에 따라 동일한 질문에 대해 다른 답변이 생성될 수 있습니다. 개인이 아닌 그룹을 통해 액세스를 관리하면 규모가 확장됨에 따라 권한을 더 쉽게 유지 관리할 수 있습니다.
2. 데이터에 필요한 경우 세분화된 제어 추가. 민감한 데이터의 경우 행 수준 보안은 사용자가 볼 수 있는 행을 제한하고, 열 마스킹은 민감한 값을 가립니다. 둘 다 쿼리 실행 시점에 적용됩니다. 속성 기반 액세스 제어를 사용하면 거버넌스가 적용된 태그에서 이러한 보호 조치를 실행할 수 있으므로, 민감도 태그에 연결된 정책이 테이블별로 정의되지 않고 해당 태그가 표시되는 모든 곳에 적용됩니다. 이를 통해 대규모 자산 전반에 걸쳐 행 및 열 수준 보호를 일관되게 적용할 수 있는 확장 가능한 방법을 제공합니다.
3. AI 레이어 거버넌스 적용. Unity AI Gateway는 관리자에게 모델 액세스, 속도 제한, 페이로드 로깅, AI 워크로드에 대한 비용 제어뿐만 아니라 모델로 전송되는 데이터에 대한 안전 및 민감한 데이터 제어를 관리할 수 있는 중앙 집중식 공간을 제공합니다. 이는 사용량이 증가함에 따라 에이전트 동작과 지출을 제어하기 위한 통제 지점 역할을 합니다.

종합하면, 이러한 제어 기능을 통해 온톨로지가 검색할 수 있는 컨텍스트와 이를 수신할 수 있는 사용자가 결정됩니다. 권한이 없는 콘텐츠는 검색에 참여하지 않으므로 답변에 간접적으로 영향을 미칠 수 없습니다.

레이어 5: 평가 및 개선

처음 다섯 개의 레이어는 Genie가 질문에 답변하는 데 사용하는 비즈니스 컨텍스트를 구축합니다. 평가 및 개선 레이어는 비즈니스가 변화함에 따라 해당 컨텍스트를 정확하게 유지합니다. 메트릭이 재정의되고, 테이블이 오래되어 쓸모없게 되며, 새로운 제품이 도입됩니다. 답변 품질을 정기적으로 측정하면 오래되거나 잘못된 답변으로 인해 사용자의 신뢰가 떨어지기 전에 온톨로지를 조정해야 하는 시점을 파악하는 데 도움이 됩니다.

고려해야 할 네 가지 핵심 영역은 다음과 같습니다.

1. 출시 전 경험 검증. 각 우선순위 도메인에 대한 대표적인 비즈니스 질문 세트로 시작하세요. 각 질문에 대한 예상 답변, 신뢰할 수 있는 소스 및 수락 기준을 정의합니다. 그런 다음 Genie One에서 해당 질문을 테스트하여 사용자가 의존하게 될 메트릭 뷰, 페이지, Genie 에이전트, 대시보드, 쿼리 및 기타 소스가 제대로 작동하는지 확인합니다. Genie Agent Benchmarks는 시간이 지남에 따라 개별 Genie 에이전트를 평가할 수 있는 내장된 방법을 제공합니다. 채팅 모드에서 벤치마크는 검증된 SQL 답변과 결과를 비교할 수 있으며, 에이전트 모드에서는 LLM 평가자 및 선택적 평가 기준을 사용하여 응답을 평가합니다. Genie One 및 더 넓게는 Genie 온톨로지의 경우, 팀에서 질문 세트, 실측 자료, 소스 검증, 수동 검토 프로세스 및 수락 임계값을 정의하고 소유해야 합니다. 답변이 실패하면 근본적인 소스나 컨텍스트로 역추적하여 근본 원인을 해결하세요. 이는 메트릭 뷰에서 거버넌스가 적용된 메트릭 로직을 정의하거나, 페이지에서 비즈니스 정의를 명확히 하거나, Unity Catalog 메타데이터를 개선하거나, 자산을 인증 또는 사용 중단하거나, 도메인별 Genie 에이전트의 큐레이션을 세분화하는 것을 의미할 수 있습니다.
2. 답변, 사용량 및 소스 품질 모니터링. Genie Ontology가 활용하는 자산의 모니터링 기능을 사용하세요. Genie Agent Monitor는 개별 Agent 질문, 응답, 피드백, 플래그 지정된 응답 및 사용량 트렌드에 대한 가시성을 제공합니다. Genie One에서는 소스 인용을 통해 사용자와 관리자가 어떤 Ontology 소스가 답변에 기여했는지 검사할 수 있습니다. Query History, 감사 로그 및 청구 시스템 테이블은 SQL 실행, 이벤트 및 사용량에 대한 추가적인 가시성을 제공할 수 있습니다.
3. 적절한 레이어에서 피드백 루프를 닫으세요. 사용자 피드백과 검토 요청을 캡처한 다음, 답변을 담당하는 자산으로 문제를 라우팅하세요. 수정은 비즈니스 의미가 속한 곳에서 이루어져야 합니다:
   • 문제가 비즈니스 정의 또는 동의어인 경우 Page에서 수정합니다.
   • 문제가 거버넌스가 적용된 측정값, 차원, 관계 또는 계산인 경우 Metric View에서 수정합니다.
   • 문제가 소스 자산에 있는 경우 Unity Catalog 메타데이터, 권한, 인증 또는 지원 중단(deprecation)에서 수정합니다.
   • 문제가 해당 Agent의 도메인에 국한된 경우 Genie Agent의 지침, 예시 SQL, SQL 표현식, 신뢰할 수 있는 답변 또는 Knowledge Store에서 수정합니다. Genie Agent에는 추천(thumbs-up) 및 비추천(thumbs-down), 검토 요청, 생성된 SQL 검사, 지침으로 추가, 벤치마크로 추가 등 사용자 피드백을 캡처하고 이에 따라 조치를 취할 수 있는 여러 기본 제공 기능이 있습니다.
4. 자산 전반의 드리프트(drift)를 모니터링하세요. 드리프트는 비즈니스 정의, KPI 로직, 테이블 메타데이터, 조인, 대시보드, 노트북, 파이프라인, Genie Agent 지침, 소스 사용 패턴 등 다양한 곳에서 발생할 수 있습니다. 각 중요 도메인의 자산에 대해 소유자와 검토 주기를 설정하세요. 드리프트를 해결할 때는 이미 구축한 모델을 활용하세요. 신뢰할 수 있는 개념을 위한 Pages, 거버넌스가 적용된 측정값 및 차원을 위한 Metric Views, 조직 및 관리를 위한 Domains, 권장되거나 오래된 항목을 표시하기 위한 인증 또는 지원 중단 등을 활용할 수 있습니다. 소스 테이블, 뷰, 대시보드, 노트북 및 쿼리는 모두 추론된 컨텍스트에 반영되므로 최신 상태로 유지하고, 권한을 사용하여 실험적이거나 폐기된 콘텐츠를 이를 보아서는 안 되는 사람이나 에이전트로부터 격리하세요. Genie Agent의 경우 데이터, 지침, 예시 또는 신뢰할 수 있는 자산에 실질적인 변경이 발생한 후 벤치마크 도구 모음을 다시 실행하세요.

평가는 출시 전 일회성 관문이 아닙니다. 답변을 제공하는 모든 자산에 걸쳐 지속적으로 실천해야 하는 습관입니다. Databricks는 거버넌스가 적용된 시맨틱 자산, 온톨로지 검색 및 인용, Agent 수준의 평가 및 모니터링, 시스템 테이블 원격 측정을 제공합니다. 여러분은 Genie의 신뢰성을 유지하는 그라운드 트루스(ground truth), 소유권, 검토 프로세스 및 정기적인 유지 관리를 제공하기만 하면 됩니다.

하나의 도메인으로 시작하여 확장하기

핵심 요점은 6개의 레이어를 한 번에 모두 구축할 필요는 없다는 것입니다. 서비스를 시작하기 전에 비즈니스 전체를 다루려고 하지 마세요. 실용적인 방법은 먼저 Genie를 사용하기 시작한 다음, 가치가 높은 도메인 하나를 선택하여 가장 중요한 정의, 소스, 거버넌스 및 평가를 의도적으로 강화하는 것입니다. 이는 처음부터 무리하게 모든 것을 해결하려는 것 대신 "배우면서 확장하는" 접근 방식입니다.

첫 번째 도메인을 신중하게 선택하세요. 예측 회의나 계획 주기와 같이 팀이 이미 수작업으로 숫자를 맞추는 데 시간을 허비하고 있는, 반복적이고 마찰이 많은 워크플로우부터 시작하세요. 이러한 곳은 신뢰할 수 있는 답변의 가치가 가장 높고, 무엇이 '정답'인지 이미 알고 있는 영역입니다. 실제로는 좁게 시작하세요. Sales와 같은 도메인 하나와 ARR과 같은 메트릭 하나를 선택한 다음 핵심을 다지세요. 중요 메트릭을 인증하고, 중요한 용어를 정의하고, 권한 있는 자산을 식별하고, 액세스를 제어하고, 중요한 질문을 평가하세요. 그 결과를 바탕으로 다음 도메인으로 나아가세요.

마지막으로 언급한 점은 생각보다 훨씬 중요합니다. 이러한 실천의 목표는 기술적 완벽함 그 자체가 아니라 '신뢰'입니다. 즉, 비즈니스 사용자가 답변을 믿고 조치를 취할 수 있는지 여부입니다. 각 레이어는 이러한 신뢰를 조금씩 쌓아가며, 평가 루프는 이러한 신뢰를 단순한 의견이 아닌 눈으로 확인하고 옹호할 수 있는 것으로 만들어 줍니다.

진행하면서 두 가지 시너지 효과가 나타납니다. 해결된 모든 엔티티, 문서화된 자산, 인증된 메트릭, 용어집 페이지 정의 및 거버넌스가 적용된 데이터 세트는 신뢰할 수 있는 핵심을 강화합니다. 그리고 모든 상호작용을 통해 팀이 개선에 활용할 수 있는 피드백을 발견할 수 있습니다. 그 결과, 시간이 지나면서 쇠퇴하는 것이 아니라 사용할수록 더 향상되는 비즈니스 이해를 공유할 수 있게 됩니다.

Genie Ontology를 운영하는 것은 거대한 모델링 프로젝트가 아닙니다. 이는 데이터 모델, 메타데이터, 비즈니스 시맨틱, 엔터프라이즈 컨텍스트, 거버넌스 및 평가에 대한 지속적이고 단계적인 투자이며, 한 번에 하나의 도메인씩 제공되어 AI가 비즈니스를 진정으로 이해할 수 있도록 돕습니다.

자세히 알아보기

자세히 알아보려면 Genie Ontology 발표 블로그를 읽어보시고, Genie One 및 Genie Agents 웹 페이지를 방문해 보세요. 또한 Metric Views에 대해 자세히 알아보려면 Unity Catalog Semantics 웹 페이지를 확인해 보세요. AI가 비즈니스에 대한 신뢰할 수 있는 공유된 이해를 활용할 때 어떤 일이 가능해지는지 이제 막 확인하기 시작했습니다. 고객들이 Genie Ontology를 사용하여 더 신속하게 의사결정을 내리고, 더 큰 자신감을 가지고 행동하며, 새로운 업무 방식을 만들어가는 모습을 하루빨리 보고 싶습니다.

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