분산된 데이터 자산에서는 컨텍스트가 없는 원시 데이터만으로는 비즈니스 문제를 해결하기가 어렵습니다. 구조화된 데이터베이스, 비구조화된 로그, 분석 측정항목에 비즈니스 의미가 없으면 사용자와 자율 시스템이 컨텍스트 한계에 직면하게 됩니다. 인간 분석가는 데이터 소스를 확인하기 위해 수동 검증을 수행해야 하지만 AI 에이전트는 부정확한 대답 (할루시네이션)을 생성하거나 작업을 실행하지 못하는 경우가 많습니다.
Knowledge Catalog는 메타데이터 관리를 수동 카탈로그에서 활성 컨텍스트의 동적 컨트롤 플레인으로 전환하여 이 문제를 해결합니다. 기술 구조, 비즈니스 규칙, 실제 사용 패턴을 집계하는 Knowledge Catalog는 사용자와 AI 애플리케이션 모두 데이터 애셋을 정확하고 안전하게 검색, 평가, 해석할 수 있도록 지원하는 통합 컨텍스트 레이어를 제공합니다.
컨텍스트란 무엇인가요?
컨텍스트는 데이터 애셋을 설명하는 구조적, 운영적, 의미적 세부정보의 풍부한 패브릭입니다. 이름과 데이터 유형의 독립형 스키마로 테이블을 표현하는 대신 컨텍스트는 데이터의 전체 스토리를 제공합니다.
Knowledge Catalog는 컨텍스트를 다음 레이어로 구성합니다.
기술 메타데이터. 데이터베이스 스키마, 필드 유형, 파티셔닝 키, 보안 태그 (예: ID 및 액세스 관리 (IAM) 정책) 등 소스 시스템에서 직접 수집된 구조적 세부정보입니다.
시맨틱 메타데이터. 데이터의 비즈니스 의미(비즈니스 용어집, 측정항목 관계, 분류, 도메인 용어, 골든 쿼리(올바른 SQL 코드 문에 매핑된 검증된 자연어 질문) 포함)
운영 메타데이터 열 수준 데이터 계보, 실행 프로필, 프로파일링 통계, 데이터 품질 점수 등 시간 경과에 따른 데이터의 동작과 상태
관계 물리적 스토리지 테이블과 개념적 비즈니스 지표 간에 추론되거나 정의된 링크입니다.
신뢰 신호 자산이 공신력 있는 출처인지 확인하는 소유권 및 인증 스탬프와 같은 확인 표시기
상담사 안내 리소스 쿼리 방법과 시점을 자율 도구에 안내하는 비구조적 설명 (예: README 파일, 사용법 메모, 실행 로그)
이러한 레이어를 통합함으로써 Knowledge Catalog는 데이터를 완전히 이해할 수 있도록 지원하여 사일로화되고 문서화되지 않은 데이터와 관련된 운영 병목 현상과 불확실성을 방지할 수 있도록 지원합니다.
데이터 컨텍스트와 메타데이터의 차이점
메타데이터는 기본적인 빌딩 블록을 제공하지만 메타데이터와 컨텍스트는 서로 바꿔 사용할 수 없습니다.
- 메타데이터. 격리된 데이터 애셋의 물리적 구조, 위치, 기술적 속성을 정의하는 설명 속성 (예: 열 이름, 데이터 유형, 파티션 키, 테이블 크기)입니다.
- Context라고 가정합니다. 기술 스키마, 비즈니스 시맨틱, 데이터 관계, 운영 동작, 신뢰 신호를 결합하여 데이터에 의미를 부여하고 추론을 안내하는 합성된 다차원 지식 그래프입니다.
다음 표에서는 수동 메타데이터와 활성 데이터 컨텍스트의 주요 차이점을 보여줍니다.
| 측정기준 | 기술 메타데이터 | 활성 데이터 컨텍스트 |
|---|---|---|
| 핵심 집중 | 물리적 사양 및 스토리지 형식입니다. | 비즈니스 의미, 운영 동작, 관계 |
| 주 | 수동: 엔지니어가 수동으로 조회할 수 있도록 카탈로그 레지스트리에 저장됩니다. | 활성: AI에 의해 지속적으로 보강되고, 쿼리 기록에서 추출되며, LLM 프롬프트를 위해 동적으로 조립됩니다. |
| 기본 소비자 | 데이터베이스 엔진, 데이터 엔지니어, 규정 준수 감사자 | AI 에이전트, 대규모 언어 모델 (LLM), 비즈니스 분석가, 대화형 인터페이스 |
| 기본 목적 | 스토리지 관리, 색인 생성, 규정 준수 확인 | 에이전트 추론 그라운딩, 조인 해결, 할루시네이션 방지 |
예: 메타데이터와 컨텍스트 비교
컨텍스트가 기술 메타데이터를 확장하는 방법을 이해하려면 Knowledge Catalog에서 거래 열을 나타내는 방법을 고려하세요.
1. 기술 메타데이터만
기술 메타데이터는 구조 정보를 제공하지만 비즈니스 로직과 운영 가이드라인이 부족합니다.
- 표:
fact_orders - 열:
disc_val - 데이터 유형:
NUMERIC - 스토리지 속성:
order_date로 파티션을 나눔
이 기술 메타데이터만 사용하는 AI 에이전트는 disc_val이 총 고객 할인액을 나타낸다고 추측할 수 있지만, 이 값에 세금, 제조업체 리베이트 또는 프로모션 쿠폰이 포함되는지 여부는 알 수 없습니다.
2. 보강된 데이터 컨텍스트
Knowledge Catalog는 시맨틱, 관계형, 운영 레이어를 사용하여 기술 메타데이터를 통합 컨텍스트 페이로드로 보강합니다.
- 기술 스키마:
fact_orders.disc_val(NUMERIC). - 시맨틱 정의: 비즈니스 용어집 용어 '프로모션 할인'에 매핑되며, 제조업체 리베이트 및 배송 수당을 제외하고 결제 시 적용되는 고객 할인으로 정의됩니다.
- 발견된 관계:
fact_orders.customer_id를dim_customers.id에,fact_orders.promo_id를dim_promotions.id에 자동으로 연결합니다. - 운영 사용량: 쿼리 기록에 따르면 비즈니스 쿼리의 90% 가
status = 'COMPLETED'로 이 테이블을 필터링하고dim_promotions와 조인합니다. - 신뢰도 및 품질: 자동 데이터 품질 스캔으로 유효성 등급 99.8% 를 획득했으며, 지난 2시간 이내에 데이터가 업데이트되었음이 확인되었습니다.
- 표준 쿼리:
disc_val를 사용하여 인식된 순수익을 계산하는 방법을 보여주는 검증된 SQL 템플릿이 포함되어 있습니다.
이러한 완전한 컨텍스트를 통해 AI 에이전트 또는 데이터 분석가는 수동으로 사람이 검증하거나 엉뚱한 대답을 하지 않고도 쿼리를 정확하게 생성하고 데이터를 해석할 수 있습니다.
컨텍스트 없이 데이터를 사용하는 경우의 문제점
대부분의 엔터프라이즈 데이터에는 필요한 메타데이터가 없어 AI를 위해 검색하거나, 신뢰하거나, 운영하기가 어렵습니다. 구조화된 컨텍스트가 없으면 조직은 다음과 같은 여러 운영상의 병목 현상에 직면합니다.
공동작업의 반복 업무 명확한 비즈니스 정의가 없으면 분석 및 AI 팀이 표에 대한 기본적인 이해를 구축하기 위해 주제 전문가 (SME)와 지속적으로 수동 조정해야 합니다.
컨텍스트 드리프트 표준 문서는 정적이며 시간이 지남에 따라 감소합니다. 지속적인 모니터링이 없으면 오래된 메타데이터로 인해 잘못된 가정이 발생하고 AI 에이전트 워크플로가 중단됩니다.
추론 실패 AI 에이전트와 대규모 언어 모델은 구문상 올바른 SQL 쿼리를 생성할 수 있지만 기본 엔터프라이즈 로직을 준수하지 못하여 비즈니스 관점에서 잘못된 계산을 생성할 수 있습니다.
사일로화된 정보 데이터 세트를 올바르게 필터링하거나 결합하는 방법에 관한 내부 지식이 중앙 인벤토리에 등록되지 않고 문서화되지 않은 스크립트나 대시보드 설정에 갇혀 있습니다.
이러한 운영상의 병목 현상을 극복하고 데이터를 실행 가능하게 만들려면 조직은 데이터 전반에 걸쳐 신뢰할 수 있는 컨텍스트 엔진이 필요합니다.
컨텍스트 관리의 핵심 요소
데이터 자산 전반에서 신뢰할 수 있는 컨텍스트 엔진을 유지하기 위해 Knowledge Catalog는 다음 세 가지 원칙에 따라 작동합니다.
집계
Knowledge Catalog는 기본 제공 데이터베이스, Iceberg REST 카탈로그, 서드 파티 플랫폼 전반에서 메타데이터를 자동으로 수집합니다. 이 도구는 이러한 조각난 입력을 단일 통합 거버넌스 영역으로 통합하여 보안 정책과 분류 정의가 일관되게 상속되도록 지원합니다.
보강
Knowledge Catalog는 AI 기반 수집을 사용하여 컨텍스트 그래프를 지속적으로 업데이트하고 선별합니다. Knowledge Catalog는 트랜잭션 로그, 데이터베이스 스키마, 비즈니스 인텔리전스 모델을 마이닝하여 열 설명과 테이블 관계를 자동으로 검색합니다. 이 지속적인 학습은 데이터 소유자의 기관 지식을 포착하여 애셋에 동적으로 적용합니다.
검색
Knowledge Catalog는 자연어로 데이터 자산을 쿼리할 수 있는 고정밀 시맨틱 검색을 제공합니다. Knowledge Catalog는 권한 그룹 (ACL)과 비즈니스 용어를 이해하므로 사용자와 자율 에이전트 모두 지연 시간이 짧은 관련 데이터 컨텍스트를 찾을 수 있습니다.
메타데이터와 컨텍스트가 Knowledge Catalog에 제공되는 방식
신뢰할 수 있는 컨텍스트 엔진을 구축하기 위해 Knowledge Catalog는 자동화된 플랫폼 커넥터, 지속적인 AI 보강, 확장 가능한 맞춤 인터페이스를 통해 정보를 수집하고 선별합니다.
퍼스트 파티 데이터 소스 및 자동 수집
Knowledge Catalog는 수동 구성 없이 핵심 Google Cloud 서비스에서 구조적 및 운영 메타데이터를 자동으로 수집합니다.
- 데이터베이스 및 분석 웨어하우스 BigQuery, Spanner, Cloud SQL, PostgreSQL용 AlloyDB와 같은 서비스는 테이블 스키마, 필드 데이터 유형, 파티션 키, 클러스터링 사양, 데이터 세트 경계를 비롯한 기술 메타데이터를 지속적으로 동기화합니다.
- 비정형 데이터 통계. Cloud Storage에 저장된 비정형 파일 (예: PDF 문서 또는 정책 매뉴얼)의 경우 Knowledge Catalog는 주요 개념과 엔티티 관계를 추출하는 검색 및 프로파일링 스캔을 실행하여 그래프 프로필을 생성하고 BigQuery에 구조화된 객체 테이블을 등록합니다. 자세한 내용은 비정형 데이터 통계 정보를 참고하세요.
- 기본 제공 BI 시맨틱 및 계보 동기화 Looker(Google Cloud 핵심 서비스)의 경우 Knowledge Catalog가 비즈니스 인텔리전스 애셋을 자동으로 동기화합니다.
- LookML 시맨틱 정의 모델, 탐색, 뷰, 측정기준, 측정값
- BI 대시보드 애셋 대시보드, 대시보드 요소, Look
- 엔드 투 엔드 데이터 계보. 기본 BigQuery 테이블에서 다운스트림 Looker 대시보드까지의 관계 추적 데이터 흐름 자세한 내용은 Knowledge Catalog로 Looker (Google Cloud 핵심 서비스) 리소스 관리를 참고하세요.
- 데이터 통합 및 변환 Datastream과 같은 서비스는 변경 데이터 캡처 (CDC) 스트림 메타데이터와 계보를 캡처하고, Dataform은 테이블 정의와 SQL 변환을 푸시하며, Cortex Framework는 등록된 데이터 제품을 게시합니다.
지속적인 AI 기반 컨텍스트 선별
Knowledge Catalog는 정적 기술 스키마를 넘어 다음과 같은 내장 인텔리전스 엔진을 사용하여 컨텍스트 그래프를 동적으로 업데이트합니다.
- 데이터 통계. BigQuery의 Gemini를 기반으로 하는 데이터 통계는 이전 쿼리 로그, 사용자 트랜잭션, 스키마 패턴을 마이닝하여 자연어 열 설명을 생성하고, 테이블 관계 (예: 조인 키)를 검색하고, 엔터프라이즈 로직을 포착하는 검증된 예시 쿼리('골든 쿼리')를 제안합니다. 자세한 내용은 구조화된 데이터의 데이터 통계 정보를 참고하세요.
- 자동 데이터 프로파일링 및 데이터 품질 스캔은 통계 분포 (예: 고유 수, null 비율, 샘플 값)를 계산하고 규칙 기반 데이터 품질 검사에 따라 데이터를 평가하여 카탈로그 항목에 실시간 상태 점수를 연결합니다. 자세한 내용은 자동 데이터 품질 정보를 참고하세요.
- 자동 데이터 계보. 데이터 파이프라인 전반에서 열 수준 변환 흐름과 작업 실행 기록을 집계합니다. 자세한 내용은 데이터 계보 정보를 참고하세요.
맞춤 메타데이터 수집 및 서드 파티 시스템
맞춤 기술 자료, 서드 파티 거버넌스 도구 또는 온프레미스 시스템이 있는 조직의 경우 Knowledge Catalog는 다음과 같은 유연한 수집 메커니즘을 제공합니다.
- Knowledge Catalog API (CRUD 작업)
CreateEntry,UpdateEntry,CreateAspectType,SetAspectAPI 메서드를 사용하여 외부 애셋을 프로그래매틱 방식으로 등록하고 규정 준수 등급 또는 시스템 문서와 같은 맞춤 메타데이터 측면을 연결합니다. - 맞춤 보강 에이전트 에이전트 개발 키트 (ADK) 또는 LangChain과 같은 에이전트 프레임워크를 사용하여 맞춤 풍부화 에이전트를 빌드합니다. 예를 들어 ADK 에이전트는 내부 위키 또는 Git 저장소에서 기술 문서를 수집하고, LLM을 사용하여 표준화된 비즈니스 용어집 용어로 파싱하고, 카탈로그 항목에 첨부할 수 있습니다. 자세한 내용은 AI 에이전트를 빌드하여 메타데이터 보강하기를 참고하세요.
- 내보내기 및 가져오기 작업 파일 기반 (JSON 또는 CSV) 일괄 내보내기 및 가져오기 워크플로를 사용하여 AI 생성 비즈니스 정의를 검토하고, 데이터 스튜어드와 공동작업하고, 메타데이터를 일괄 업데이트합니다. 자세한 내용은 메타데이터 내보내기를 참고하세요.
퍼스트 파티 및 서드 파티 서비스에서 컨텍스트가 사용되는 방식
서비스와 애플리케이션은 다음과 같은 두 가지 역할로 Knowledge Catalog와 상호작용합니다.
- 메타데이터 제공업체. 기술 메타데이터, 스키마, LookML 정의, 계보를 Knowledge Catalog로 전송하는 서비스 (예: Looker, Cloud SQL, Spanner) 메타데이터 제공업체는 메타데이터를 카탈로그로 푸시하지만 비즈니스 용어집 정의를 자체 사용자 인터페이스로 소비하지는 않습니다.
- 컨텍스트 소비자 비즈니스 정의, 운영 프로필, 거버넌스 규칙을 Knowledge Catalog에서 가져와 추론과 실행의 근거로 삼는 서비스, 개발자 도구, AI 에이전트
애플리케이션과 에이전트가 컨텍스트를 사용할 수 있으려면 먼저 기본적인 비즈니스 용어와 품질 규칙을 설정해야 합니다. 자세한 내용은 기본 데이터 컨텍스트 설정 및 코드형 정책 데이터 품질 워크플로 빌드를 참고하세요.
AI 애플리케이션과 서비스는 다음 메커니즘을 통해 Knowledge Catalog의 컨텍스트를 사용합니다.
기본 제공 퍼스트 파티 (1P) 통합
여러 Google Cloud 서비스가 기본적으로 Knowledge Catalog를 쿼리하여 컨텍스트 인식 AI 환경을 제공합니다.
- BigQuery의 Gemini (대화형 에이전트) BigQuery Studio에 자연어 프롬프트를 입력하면 Gemini가 백그라운드에서 Knowledge Catalog 비즈니스 용어집 정의, 열 설명, 이전 쿼리 관계를 자동으로 쿼리합니다. 이렇게 하면 Gemini가 엔터프라이즈 비즈니스 용어를 기반으로 하므로 생성된 SQL 쿼리에서 올바른 테이블 조인과 측정항목 정의를 사용할 수 있습니다.
- BigQuery의 데이터 엔지니어링 에이전트 Apache Iceberg 및 BigQuery 테이블을 검색하고 쿼리하며, 의미론적 카탈로그 검색을 자동으로 호출하여 애셋 종속성을 해결하고 파이프라인 실행 중에 카탈로그 메타데이터를 생성합니다.
- Vertex AI 및 Agent Builder Vertex AI에서 빌드된 맞춤 생성형 AI 에이전트와 검색 애플리케이션은 카탈로그 메타데이터와 비즈니스 규칙을 사용하여 검증된 엔터프라이즈 사실에 모델 추론을 그라운딩합니다.
- Google Cloud 콘솔 및 비즈니스 UI 최종 사용자와 데이터 관리자는 자연어 시맨틱 검색을 사용하여 애셋을 탐색하고, 대화형 데이터 관계 그래프를 보고, 비즈니스 용어를 관리합니다.
서드 파티 애플리케이션 및 AI 에이전트 생태계
기본 통합이 없는 서비스와 자율 시스템은 개방형 프로토콜과 전용 검색 API를 통해 컨텍스트를 소비합니다.
모델 컨텍스트 프로토콜(MCP)
모델 컨텍스트 프로토콜 (MCP)은 AI 에이전트, 개발자 도구, IDE가 Knowledge Catalog 도구에 직접 연결할 수 있도록 지원하는 개방형 표준입니다. MCP는 테이블 스키마를 검사하고, 용어집 정의를 조회하고, 데이터 품질 점수를 확인하고, 데이터 계보를 추적하는 표준화된 인터페이스를 제공합니다.
Knowledge Catalog는 두 가지 MCP 배포 옵션을 지원합니다.
- 원격 MCP 서버 클라우드 네이티브 에이전트, 서버리스 워크플로, 멀티 에이전트 플랫폼을 위해 Google Cloud (또는 Cloud Run에 배포된) 관리형 엔드포인트입니다. 자세한 내용은 Knowledge Catalog 원격 MCP 서버 사용을 참고하세요.
- 로컬 MCP 도구 상자 개발자 IDE (예: VS Code 및 Cursor) 및 로컬 개발 워크플로와 통합되는 로컬 CLI 프록시 자세한 내용은 로컬 MCP 도구 상자 서버와 함께 Knowledge Catalog 사용 및 로컬 MCP 도구 상자 서버와 함께 데이터 계보 사용을 참고하세요.
LookupContext API로 사전 형식화된 컨텍스트 가져오기
맞춤 AI 파이프라인 및 LLM 애플리케이션의 경우 Knowledge Catalog는 LookupContext API 메서드 (projects/<var>PROJECT_ID</var>/locations/<var>LOCATION</var>:lookupContext)를 제공합니다.
LookupContext 메서드는 에이전트가 스키마를 검사하고, 용어집을 조회하고, 데이터 품질 점수를 가져오고, 쿼리 로그를 검사하기 위해 여러 개의 순차적 호출을 해야 하는 대신 단일 요청에서 서식이 미리 지정된 풍부한 메타데이터 번들을 검색합니다.
LookupContext 메서드의 주요 기능은 다음과 같습니다.
- LLM 지원 형식 LLM 시스템 프롬프트에 직접 삽입하도록 설계된
yaml(기본값),json또는xml로 형식이 지정된 컨텍스트를 반환합니다. - 토큰 예산 설정 (
context_budget). 타겟 문자 예산을 지정할 수 있습니다. API는 모델의 컨텍스트 윈도우에 맞게 메타데이터를 지능적으로 자르고 우선순위를 지정합니다. - 구성 가능한 컨텍스트 뷰
- BASIC. 기본 항목 메타데이터, 스키마, 열 설명, 개요 텍스트, 에이전트 가이드라인을 반환합니다.
- STANDARD. 기본 메타데이터 외에도 컨텍스트 그래프를 탐색하여 다중 테이블 조인 관계, 연결된 비즈니스 용어집 용어 및 동의어, 런타임 사용 패턴, 확인된 샘플 쿼리를 포함합니다.
- 풍부한 운영 및 사용 신호
partitionBy,clusterBy,topReadFields,topFilterFields,topGroupByFields,topSortFields,topAggregations과 같은 쿼리 기록에서 추출한 자세한 사용 통계를 반환합니다. - 검색된 조인 및 표준 쿼리 추론된 테이블 조인 조건 (예:
orders.customer_id = customers.id)과 검증된 예시 SQL 쿼리가 포함됩니다.
자세한 내용은 데이터 애셋의 컨텍스트 가져오기 및 lookupContext REST 참조를 참고하세요.
컨텍스트가 최종 사용자와 AI 에이전트에게 도움이 되는 방식
Knowledge Catalog는 기술 스키마, 비즈니스 시맨틱, 데이터 계보, 품질 측정항목을 활성 컨텍스트 레이어로 통합하여 에이전트형 데이터 클라우드 내에서 범용 컨텍스트를 제공합니다. 모델 컨텍스트 프로토콜 (MCP), 컨텍스트 검색 API, 시맨틱 검색과 같은 개방형 인터페이스를 통해 이 메타데이터를 노출함으로써 Knowledge Catalog는 사용자와 자율 시스템을 모두 지원합니다.
사용자의 수동 신뢰 작업 제거
중앙 집중식 시맨틱 계층이 없으면 데이터베이스 계보와 쿼리 기록을 조사하여 기본적인 비즈니스 질문에 답해야 합니다. 표준 카탈로그는 스키마의 수동 인벤토리 역할을 하므로 측정항목 정의를 수동으로 조회하거나 테이블 정리 상태를 확인해야 합니다.
Knowledge Catalog는 이러한 수동적 거버넌스를 능동적 인텔리전스로 변환합니다. Knowledge Catalog는 데이터 애셋과 함께 품질 점수, 시맨틱 설명, 사용 경고를 직접 표시하여 엔지니어링 검토를 기다리지 않고도 데이터를 신뢰하고 사용할 수 있도록 지원합니다.
자율 에이전트의 기반을 마련하고 동적 거버넌스 사용 설정
AI 에이전트와 대규모 언어 모델 (LLM)은 데이터베이스와 상호작용하기 위해 엄격하고 결정적인 규칙이 필요합니다. 명시적인 시맨틱 컨텍스트가 없으면 에이전트가 열 이름에 대해 잘못된 가정을 하거나 결함이 있는 SQL 쿼리를 생성합니다.
또한 활성 컨텍스트는 메타데이터 관리를 수동 등록처에서 활성 거버넌스 레이어로 전환합니다. 조직은 인증된 비즈니스 규칙, 측정항목, 상담사 지침을 Knowledge Catalog 내에서 직접 정의하여 상담사가 회사 데이터를 검색, 평가, 처리하는 방식을 관리할 수 있습니다.
Knowledge Catalog는 이러한 격차를 해소합니다. 모델 컨텍스트 프로토콜 (MCP) 또는 LookupContext API와 같은 표준 인터페이스를 통해 통합된 활성 컨텍스트 프로필을 AI 애플리케이션으로 내보냅니다. 이 메타데이터를 기반으로 모델을 그라운딩하면 할루시네이션을 최소화하고, 거버넌스 규칙을 적용하며, 자율 작업이 검증된 조직의 사실에 기반하도록 할 수 있습니다.
공유 컨텍스트로 멀티 에이전트 워크플로 조정
멀티 에이전트 프레임워크 (또는 스웜)에서는 별도의 전문 에이전트가 협업하여 복잡한 워크플로를 실행합니다. 이러한 에이전트가 공유 컨텍스트 평면 없이 사일로 환경에서 작동하면 컨텍스트 한계에 직면합니다. 충돌하는 비즈니스 규칙을 사용하거나, 관련 종속 항목을 찾지 못하거나, 중복 검색 노력을 기울일 수 있습니다.
Knowledge Catalog를 중앙 집중식 컨텍스트 레지스트리로 사용하면 멀티 에이전트 스웜을 조정하고 확장할 수 있습니다. Knowledge Catalog에서 스웜을 그라운딩하면 다음과 같은 이점이 있습니다.
공유 비즈니스 시맨틱스. 모든 에이전트가 동일한 비즈니스 의미와 정의를 참조합니다. 예를 들어 데이터 분석 에이전트와 보고 에이전트가 모두 판매 수치가 포함된 표를 가져오는 경우
Gross Merchandise Value (GMV)와 같은 측정항목의 동일한 용어집 정의를 사용하여 일관성을 유지합니다.동적 종속 항목 해결 에이전트는 데이터 계보를 사용하여 업스트림 및 다운스트림 리소스를 프로그래매틱 방식으로 검색할 수 있습니다. 이를 통해 파이프라인 문제 해결 에이전트는 데이터 실패를 소스 테이블로 추적하고 종속 항목 규칙을 하드코딩하지 않고 복구 에이전트에게 작업을 전달할 수 있습니다.
통합 연결 인터페이스 모델 컨텍스트 프로토콜 (MCP)을 사용하면 전체 스웜에 단일 시맨틱 엔드포인트가 노출됩니다. 이렇게 하면 각 개별 상담사에 맞게 맞춤 API 통합을 구성할 필요가 없습니다.
경계 수준 보안 거버넌스 Knowledge Catalog는 사전 구성된 IAM 역할에 대해 에이전트 쿼리를 확인합니다. 이를 통해 에이전트는 액세스 권한이 명시적으로 부여된 리소스 컨텍스트만 가져오므로 스웜 전체에서 데이터가 실수로 노출되는 것을 방지할 수 있습니다.
데이터 컨텍스트 사용 사례
데이터 컨텍스트가 복잡한 문의를 해결하는 방법을 이해하려면 Knowledge Catalog가 실제로 기술, 시맨틱, 운영 레이어를 적용하는 방법을 고려하세요.
전자상거래: 검색 추천 맞춤설정
검색 에이전트는 시즌별 마케팅 캠페인을 제품 인벤토리와 연동하기 위해 비구조화된 프로모션 이메일이 구조화된 제품 카탈로그 및 사용자 거래 표와 어떤 관련이 있는지 이해해야 합니다. Knowledge Catalog는 이러한 항목을 매핑하여 추천 모델이 관련 제품을 실시간으로 추천할 수 있도록 합니다.
제조: 기계 유지관리 최적화
예측 유지관리 모델에는 구조화된 부품 로그를 구조화되지 않은 기술자 수리 가이드 및 실시간 센서 피드와 통합해야 합니다. 부품 번호와 매뉴얼 챕터 간의 관계를 매핑하면 Knowledge Catalog를 통해 분석 시스템에서 장비 피로도를 예측하고 장애가 발생하기 전에 수리를 예약할 수 있습니다.
헬스케어: 임상 시험 데이터 검증
임상 연구 센터는 환자 통계가 엄격한 연구 규칙을 준수하고 환자 동의 기록이 임상 시험 결과 데이터 세트에 직접 매핑되는지 확인해야 합니다. Knowledge Catalog는 동의 파이프라인을 감사하기 위해 열 수준 데이터 계보를 추적하고 연구자에게 데이터 프로필 이상치를 알림으로써 시험 무결성을 유지하는 데 도움을 줍니다.
금융 서비스: 신용 위험 평가
대출 심사 모델은 고객 신용 점수, 거래 내역, 별도의 소스 시스템 전반의 활성 부채 잔액을 사용합니다. Knowledge Catalog는 대출 측정항목의 통합 그래프를 제공하고 데이터 계보를 매핑하여 언더라이팅 도구가 위험 평가에서 인증되고 규정을 준수하는 애셋을 사용하는지 확인할 수 있도록 지원합니다.
통신: 네트워크 운영 진단
자율 네트워크 관리 시스템과 에이전트는 실시간 신호 동작을 분석하고, 성능 저하를 감지하고, 자가 복구 수정 조치를 적용합니다. 이러한 에이전트를 Knowledge Catalog 컨텍스트에 기반함으로써 시스템은 계보 그래프를 통해 네트워크 구성요소를 안전하게 추적하고 기술 로그와 비즈니스 서비스 영역 간의 관계를 매핑할 수 있습니다.