2026년 4월 10일부터 Dataplex Universal Catalog가 Knowledge Catalog로 변경되었습니다. API, 클라이언트 라이브러리, CLI, IAM 이름은 변경되지 않습니다. 자세한 내용은 Google Cloud Knowledge Catalog 소개를 참조하세요.

Google은 AI 기술을 사용하여 콘텐츠를 사용자의 기본 언어로 번역합니다. AI 번역에는 오류가 있을 수 있습니다.

Knowledge Catalog로 기본 데이터 컨텍스트 설정

Knowledge Catalog (이전 명칭: Dataplex Universal Catalog)를 사용하면 정형 메타데이터와 명확한 비즈니스 정의를 데이터 애셋에 직접 연결할 수 있습니다. 이러한 컨텍스트를 제공하면 데이터를 검색할 수 있고, 사용자의 신뢰를 구축하며, AI 에이전트를 그라운딩할 수 있습니다.

데이터 관리 책임자와 비즈니스 분석가를 위한 이 튜토리얼에서는 UI 기반 단계를 완료하여 이러한 워크플로를 자동화하기 전에 표준 비즈니스 용어와 메타데이터 컨텍스트를 빌드합니다. 또한 주요 Knowledge Catalog 개념이 어떻게 함께 작동하는지도 살펴봅니다.

목표

이 튜토리얼에서는 다음을 수행하는 방법을 알아봅니다.

비즈니스 용어집을 사용하여 비즈니스 용어에 대한 단일 정보 소스를 만듭니다.
관점 유형으로 메타데이터를 구조화하고 정리합니다.
관점을 사용하여 데이터 애셋에 메타데이터를 연결합니다.
Knowledge Catalog 검색을 사용하여 이 새로운 구조화된 메타데이터를 통해 필요한 항목을 정확하게 찾습니다.

시작하기 전에

시작하기 전에 다음을 수행합니다.

이 튜토리얼에서 사용할 Google Cloud 프로젝트를 선택합니다.
프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

환경 설정

이 튜토리얼에서는 클라우드에서 실행되는 명령줄 환경인 Cloud Shell을 사용합니다.

Google Cloud 콘솔의 오른쪽 상단 툴바에서 Cloud Shell 활성화를 클릭합니다. 환경을 프로비저닝하고 연결하는 데 몇 분 정도 소요됩니다.
Cloud Shell에서 이후의 모든 명령어가 특정 Google Cloud 프로젝트를 타겟팅하도록 PROJECT_ID 및 LOCATION 변수를 설정합니다.
```
export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export LOCATION="us-central1"
```
참고: Cloud Shell 세션은 가끔 타임아웃됩니다. 셸 스크립트를 실행하기 전에 echo $PROJECT_ID를 실행하여 환경 변수를 확인할 수 있습니다. 명령어가 빈 줄을 반환하면 이 환경 설정 단계에서 내보내기 명령어를 다시 실행합니다.

필요한 Google Cloud 서비스를 사용 설정합니다.

gcloud services enable \
  dataplex.googleapis.com \
  bigquery.googleapis.com

BigQuery 데이터 세트 만들기 및 샘플 데이터 준비

다음 코드를 사용하여 BigQuery 데이터 세트를 만들고 샘플 CSV 트랜잭션을 테이블에 로드합니다. 테이블을 만들면 Knowledge Catalog가 테이블을 검색하고 카탈로그에 테이블의 항목을 만듭니다.

항목은 Knowledge Catalog에서 데이터 애셋을 나타내는 것으로 생각하면 됩니다. 메타데이터를 연결할 수 있는 카탈로그의 레코드와 같습니다. BigQuery 테이블에 직접 컨텍스트를 추가 (또는 보강)하는 대신 Knowledge Catalog의 항목에 추가합니다.

# Create the BigQuery Dataset in the us-central1 region
bq --location=$LOCATION mk --dataset \
    --description "Sample retail data for foundational data context tutorial" \
    $PROJECT_ID:retail_data

# Create a temporary CSV file with the sample data
echo "transaction_id,user_email,gmv,transaction_date
1001,test@example.com,150.50,2025-08-28
1002,user@example.com,75.00,2025-08-28" > /tmp/transactions.csv

# Load the data from the temporary CSV file into a BigQuery table
bq load \
    --source_format=CSV \
    --autodetect \
    retail_data.transactions \
    /tmp/transactions.csv

# (Optional) Clean up the temporary file
rm /tmp/transactions.csv

SELECT 쿼리를 실행하여 설정을 확인합니다.

bq query --nouse_legacy_sql "SELECT * FROM retail_data.transactions"

출력 예시:

+----------------+------------------+-------+------------------+
| transaction_id |    user_email    |  gmv  | transaction_date |
+----------------+------------------+-------+------------------+
|           1001 | test@example.com | 150.5 |       2025-08-28 |
|           1002 | user@example.com |  75.0 |       2025-08-28 |
+----------------+------------------+-------+------------------+

비즈니스 용어집으로 공통 용어 설정

좋은 데이터 컨텍스트는 "이 열 이름은 무엇을 의미하나요?"와 같은 질문에 답하는 명확한 정의에 의존합니다. 예를 들어 개발자는 gmv라는 열이 총거래액을 의미하는지 또는 세금과 반품이 포함되는지 추측할 필요가 없습니다. 비즈니스 용어집은 조직 전체에서 이러한 정의에 대한 단일 정보 소스를 만듭니다. 팀원이나 AI 에이전트가 데이터를 분석할 때 이 정확한 비즈니스 컨텍스트를 상속합니다. 공유 정의는 재무, 영업, 운영과 같은 팀 간에 측정항목을 일치시키고 AI 에이전트가 할루시네이션을 방지하는 데 도움이 됩니다.

용어집을 만들고 첫 번째 용어를 정의하려면 다음 단계를 따르세요.

Google Cloud 콘솔에서 Knowledge Catalog 용어집 페이지로 이동합니다.

용어집으로 이동
비즈니스 용어집 만들기를 클릭합니다.
다음 세부정보를 입력합니다.
- Display name(표시 이름): Retail Business Glossary
- 위치: us-central1 (Iowa)
만들기를 클릭합니다.
카테고리 만들기를 클릭합니다.
카테고리 이름을 Sales Metrics로 지정하고 만들기를 클릭합니다.
판매 측정항목 카테고리를 선택하고 용어 추가를 클릭합니다.
용어 이름을 Gross Merchandise Value로 지정하고 만들기를 클릭합니다.
총거래액 용어를 클릭하여 세부정보 페이지를 엽니다.
개요 옆에 있는 추가를 클릭합니다. 다음 세부정보를 입력합니다. The total value of merchandise sold over a given period of time before the deduction of any fees or expenses. This is a key indicator of e-commerce business growth.
저장을 클릭합니다.

이제 조직 전체의 데이터 항목에 연결할 수 있는 용어집 용어를 만들었습니다.

관점 유형으로 기술 메타데이터 정의

데이터를 사용할 때는 '이 손상된 데이터 세트의 소유자는 누구인가요?' 또는 '이 테이블은 사용이 승인되었나요?'와 같은 질문에 답해야 하는 경우가 많습니다. 비정형 메타데이터 태그는 이러한 질문에 답하려고 하지만 빠르게 오래되거나 일관성이 없어집니다. 예를 들어 한 테이블에는 owner:bob 태그가 지정되고 다른 테이블에는 steward:alice@example.com 태그가 지정될 수 있습니다. 메타데이터를 대규모로 정리하려면 일관된 스키마가 필요합니다.

이때 관점 유형이 필요합니다. 관점 유형은 명확한 규칙과 필수 필드를 설정할 수 있는 메타데이터 청사진입니다. 데이터 관리 책임자에게 유효한 이메일 주소와 같은 표준 필드를 요구하면 다운스트림 스크립트가 메타데이터를 자동으로 검증하고 보호할 수 있습니다.

관점 유형을 만들려면 다음 단계를 따르세요.

Google Cloud 콘솔에서 메타데이터 유형 페이지의 Knowledge Catalog 관점 유형 탭으로 이동합니다.

관점 유형으로 이동
커스텀 탭에서 만들기를 클릭합니다.
다음 세부정보를 입력합니다.
- Display name(표시 이름): Data Asset Context
- 위치: us-central1 (Iowa)
템플릿 섹션에서 필드 추가를 클릭하여 다음 세 필드를 만듭니다.
- 필드 1:
  - Display name(표시 이름): Data Steward
  - 유형: Text
  - 필수 항목: 체크박스를 선택합니다.
  - 텍스트 유형: Plain text
- 필드 2 (필드 추가 클릭):
  - Display name(표시 이름): Data Sensitivity
  - 유형: Enum
  - Is Required: 선택사항으로 둡니다.
  - 값: Public, Internal, Confidential 추가
- 필드 3 (필드 추가 클릭):
  - Display name(표시 이름): Last Review Date
  - Is Required: 선택사항으로 둡니다.
  - 유형: Date and time
저장을 클릭합니다.

이제 데이터 관리 책임자, 민감도 수준, 검토 날짜와 같은 데이터 거버넌스 관련 메타데이터 필드의 관점 유형이 생겼습니다. 다음 섹션에서는 이 필드에 특정 값이 있는 관점을 연결하여 이 스키마를 테이블 항목에 적용합니다.

비즈니스 및 기술 컨텍스트로 항목 보강

열 이름은 축약되거나 모호한 경우가 많습니다. 열을 비즈니스 용어집의 용어에 연결하면 명확하고 일관된 정의가 제공됩니다. 이 단계에서는 Gross Merchandise Value 용어를 gmv 열에 연결하고 관점 유형을 사용하여 테이블 항목에 관점을 연결하여 retail_data.transactions 테이블의 항목을 보강합니다.

열을 비즈니스 용어에 연결

retail_data.transactions의 gmv 열이 무엇인지 명확히 하려면 Gross Merchandise Value 용어에 연결하세요.

Google Cloud 콘솔에서 Knowledge Catalog 검색 페이지로 이동합니다.

검색 페이지로 이동
필터를 클릭하여 필터 패널을 엽니다.
범위에서 현재 프로젝트를 선택합니다.
retail_data.transactions를 검색하고 반환된 트랜잭션 테이블을 클릭합니다.
스키마 탭을 클릭합니다.
gmv 열 옆의 체크박스를 선택하고 비즈니스 용어 추가를 클릭합니다.
Gross Merchandise Value을 선택합니다.

테이블 항목에 관점 연결

비즈니스 용어를 열에 연결하는 것 외에도 테이블 항목에 관점을 연결하여 데이터 소유권 및 민감도와 같은 테이블 수준 메타데이터를 캡처할 수 있습니다.

관점은 메타데이터 필드의 특정 값이 있는 관점 유형의 인스턴스입니다. 항목에 관점을 연결하면 Knowledge Catalog는 일관성을 보장하기 위해 관점 유형에 정의된 스키마와 비교하여 제공된 정보를 확인합니다.

retail_data.transactions 테이블의 소유권과 민감도를 정의하려면 Data Asset Context 관점을 연결합니다.

retail_data.transactions 항목 페이지의 세부정보 탭에서 선택적 관점 옆에 있는 추가를 클릭합니다.
목록에서 Data Asset Context를 선택합니다.
필드에 값을 입력합니다.
- 데이터 관리자: finance-team@example.com
- 데이터 민감도: 내부를 선택합니다.
- Last Review Date(최종 검토일): 오늘 날짜를 선택합니다.
저장을 클릭합니다.

샘플 소매 거래 데이터를 보강하여 Knowledge Catalog에 데이터 컨텍스트의 견고한 기반을 마련했습니다.

보강된 메타데이터를 사용하여 항목 검색

이제 Knowledge Catalog 검색을 사용하여 설정한 비즈니스 컨텍스트를 기반으로 항목을 찾을 수 있습니다. 예를 들어 특정 민감도 수준의 모든 애셋을 찾거나 용어집 용어를 검색하여 기본 테이블을 찾을 수 있습니다.

Google Cloud 콘솔에서 Knowledge Catalog 검색 페이지로 이동합니다.

검색 페이지로 이동
필터를 클릭하여 필터 패널을 엽니다.
범위에서 현재 프로젝트를 선택합니다.
검색창에 Find tables where the Data Asset Context aspect has Internal sensitivity.를 입력합니다.
결과 목록에 retail_data.transactions 테이블이 표시됩니다.
검색창을 지우고 Find tables with the Gross Merchandise Value term attached.를 입력합니다.
gmv 열이 이 비즈니스 용어에 직접 연결되어 있으므로 결과에 retail_data.transactions 테이블이 다시 표시됩니다.

AI 에이전트를 Knowledge Catalog에 연결하면 이 에이전트는 보강된 메타데이터를 자동으로 상속합니다. 예를 들어 에이전트에게 내부 판매 측정항목을 검색하도록 요청하면 에이전트는 데이터 민감도 측면 (내부로 설정)과 연결된 총거래액 용어집 용어를 읽습니다. 이 공유 컨텍스트는 에이전트가 데이터 소스를 확인하고, 액세스 정책을 준수하며, 할루시네이션을 방지하는 데 도움이 됩니다.

삭제

요금이 발생하지 않도록 하려면 이 튜토리얼에서 만든 리소스를 삭제합니다.

샘플 데이터 세트 삭제

샘플 BigQuery 데이터 세트와 모든 테이블을 삭제하려면 다음 명령어를 사용합니다. 이 작업은 되돌릴 수 없습니다.

# Re-run these exports if your Cloud Shell session timed out
export PROJECT_ID=$(gcloud config get-value project)

# Manually type this command to confirm you are deleting the correct dataset
bq rm -r -f --dataset $PROJECT_ID:retail_data

Knowledge Catalog 아티팩트 삭제

Google Cloud 콘솔에서 메타데이터 유형 페이지의 Knowledge Catalog 관점 유형 탭으로 이동합니다.

관점 유형으로 이동
Data Asset Context 관점 유형을 선택하고 삭제를 클릭합니다.
Google Cloud 콘솔에서 Knowledge Catalog 용어집 페이지로 이동합니다.

용어집으로 이동

참고: 용어집 자체를 삭제하려면 먼저 모든 용어와 카테고리를 삭제해야 합니다.
Gross Merchandise Value 용어를 선택하고 삭제를 클릭합니다.
Sales Metrics 카테고리를 선택하고 삭제를 클릭합니다.
Retail Business Glossary를 선택하고 삭제를 클릭합니다.

다음 단계

Knowledge Catalog를 사용한 카탈로그 선별 및 에이전트 빌드에 대해 자세히 알아보려면 다음 리소스를 참조하세요.

관점 관리 및 메타데이터 보강: 관점 관리 및 메타데이터 보강에서 커스텀 스키마를 정의하고 구조화된 메타데이터를 연결하는 방법을 알아봅니다.
비즈니스 용어집 관리: 비즈니스 용어집 관리에서 조직의 표준화된 어휘를 설정하는 방법을 알아봅니다.
Terraform으로 거버넌스: Terraform을 사용하여 커스텀 관점 유형과 용어집을 프로비저닝하는 방법을 알아봅니다.
대규모 용어집 용어 작업: 용어집 및 항목 링크 가져오기 및 내보내기 정보에서 JSON 파일을 사용하여 대량 메타데이터 보강을 수행합니다.
에이전트로 메타데이터 보강: 에이전트를 빌드하여 메타데이터 보강에서 AI 에이전트를 빌드하여 컨텍스트를 추출하고 데이터 애셋을 보강합니다.
더 많은 사용 사례 살펴보기: 사용 사례에서 맞춤설정 가능한 추가 워크플로와 시나리오를 살펴보세요.