Knowledge Catalog는 Gemini 기반 컨텍스트 레이어로, 전체 데이터 자산에 걸쳐 범용 비즈니스 컨텍스트와 능동적 그라운딩 기능을 제공합니다. 구조화된 데이터와 구조화되지 않은 데이터에서 동적 컨텍스트 그래프를 빌드하여 데이터 팀과 개발자가 애셋을 검색하고, 데이터 품질을 검증하고, 생성형 AI 애플리케이션을 안전하게 그라운딩하여 환각 현상을 줄일 수 있도록 지원합니다.
Knowledge Catalog에 대한 자세한 둘러보기는 다음 동영상을 참고하세요.
제공 대상 및 기본 요건
이 개요는 데이터 및 컨텍스트 엔지니어, 데이터 과학자, 데이터 스튜어드, AI 개발자를 위해 마련되었습니다. Knowledge Catalog를 사용하려면 다음 요건을 충족해야 합니다.
BigQuery 또는 Cloud Storage와 같은 데이터베이스 및 스토리지 시스템에 대한 이해
검색 증강 생성 (RAG) 또는 모델 컨텍스트 프로토콜 (MCP)과 같은 생성형 AI 개념에 대한 기본적인 이해
업종별 데이터 복잡성 해결
오늘날 기업에서 데이터는 복잡하고, 분산되어 있으며, 정형 및 비정형 형식으로 존재합니다. 비즈니스 요청은 단일 데이터베이스 스키마 또는 문서 스토어에 매핑되는 경우가 거의 없습니다. 이러한 사일로를 안전하게 정렬하면서 교차 도메인 질문에 즉각적이고 신뢰할 수 있는 답변을 제공하는 것은 주요 운영 과제입니다.
Knowledge Catalog는 이러한 격차를 해소하는 시맨틱 기반 역할을 하여 AI 에이전트와 분석 도구가 근거가 있고 관련성 있는 컨텍스트를 검색할 수 있도록 지원합니다.
주요 사용자 역할
컨텍스트 엔지니어 (데이터 엔지니어) 데이터베이스와 Cloud Storage 전반에서 메타데이터 집계를 자동화하고, 계보를 통해 변환을 추적하고, 보강 및 평가 워크플로를 빌드합니다.
데이터 스튜어드 (거버넌스팀). AI 생성 설명에 대한 휴먼인더루프 검토를 제공하고, 용어집으로 비즈니스 어휘를 표준화하고, 도메인별 컨텍스트를 카탈로그 항목에 연결할 맞춤 측면을 정의하여 메타데이터 품질을 관리합니다.
AI 개발자 MCP 서버 또는 컨텍스트 검색 API를 사용하여 신뢰할 수 있는 엔터프라이즈 데이터 스키마로 LLM 및 AI 애플리케이션을 그라운딩합니다.
업계 사용 사례
다음 표는 실제로 발생하는 복잡한 질문, 기술적 경계를 넘나드는 방식, 지식 카탈로그가 조직에서 이러한 질문에 대처하는 데 어떻게 도움이 되는지를 보여줍니다.
| 업종 | 데이터 및 운영상의 문제 | 해결해야 할 비즈니스 문제 | Knowledge Catalog에서 이 문제를 해결하는 방법 |
|---|---|---|---|
| 전자상거래 |
|
'반품 비율이 높고 배송 시 손상을 나타내는 고객 사진이 있는 전자제품을 찾아 줘.' | 다양한 데이터 형식에 걸친 시맨틱 그라운딩: 트랜잭션 데이터베이스에서 메타데이터를 자동으로 검색하고 Cloud Storage 스토리지 버킷의 비구조화 이미지에 연결하여 AI 도구가 서로 다른 스토리지 시스템에서 쿼리를 해결할 수 있도록 지원합니다. |
| 제조업 |
|
지난 분기 안전 점검에서 탈락한 서부 리전의 머신과 관련된 모든 검사 보고서의 요약을 생성해 줘. | 지역별 비정형 크롤링: 애셋 메타데이터와 함께 비정형 PDF 검사 보고서를 크롤링하고 카탈로그화하여 생성형 AI 에이전트가 지역별로 보고서를 찾고, 컴파일하고, 요약할 수 있습니다. |
| 의료 서비스 |
|
"최근 실험실 활력 징후와 예약 빈도를 볼 때 30일 이내 재입원 위험이 가장 높은 환자는 누구야?" | 데이터 품질 및 계보: 전자 건강 기록 피드 전반에서 라인 수준 데이터 품질 프로파일링 및 계보 지도를 계산하여 임상 예측 모델이 검증된 고품질 환자 활력 징후만 사용하도록 지원합니다. |
| 금융 서비스 |
|
'수익 기준 상위 10개 고객 중 '성능 문제'에 대해 불만을 제기한 고객은 누구이며, 이 문제가 3분기 예측에 어떤 영향을 미치나요?' | 통합 컨텍스트 그래프: 고객 기록, 지원 피드백, 재무 표를 통합하여 자연어 쿼리가 클라이언트 수익 통계를 비정형 피드백 파일과 결합하여 재무 영향을 예측할 수 있습니다. |
이러한 운영상의 문제를 해결하기 위해 Knowledge Catalog는 데이터 엔지니어, 데이터 과학자, AI 개발자가 관리되는 데이터 시스템을 빌드하는 데 도움이 되는 주요 기능을 제공합니다.
모델 컨텍스트 프로토콜 (MCP)로 AI 에이전트의 그라운딩 로컬 또는 원격 MCP 서버를 사용하여 메타데이터, 스키마, 계보, 비즈니스 규칙을 AI 에이전트에 직접 노출합니다. 이러한 서버를 통해 모델은 작업을 제안하기 전에 운영 기대치를 확인할 수 있습니다.
AI 및 분석을 위한 탐색 가속화 자연어 시맨틱 검색을 사용하여 관련 데이터 애셋을 찾습니다. 생성형 요약과 추천을 통해 사용자는 수동 문서 검토를 기다리지 않고 데이터를 찾을 수 있습니다.
비정형 데이터에서 컨텍스트 추출 Cloud Storage의 PDF와 같은 비정형 파일을 자동으로 파싱하여 엔티티와 관계를 추출하고, 이를 BigQuery의 쿼리 가능한 애셋으로 변환하여 대화형 에이전트를 지원합니다.
대규모 데이터 제품 관리 서비스수준계약 (SLA), 계약, 소유권 세부정보, 사용 메모가 포함된 애셋 컬렉션을 검색 및 구독을 위한 단일 관리 단위로 패키징합니다.
Knowledge Catalog 작동 방식
Knowledge Catalog는 3가지 주요 수명 주기를 통해 데이터 관리와 컨텍스트를 통합합니다. 다음 다이어그램은 서비스가 AI 에이전트 그라운딩을 위해 실제 데이터 애셋을 비즈니스 시맨틱에 매핑하는 방법을 보여줍니다.
이러한 메타데이터 개념에 대한 자세한 내용은 메타데이터 정보를 참고하세요.
다음 섹션에서는 메타데이터 수명 주기의 세 가지 기본 요소를 설명하고 소매업체에서 데이터베이스 테이블, 파일, 외부 카탈로그 항목에 이를 적용하는 방법을 보여줍니다.
집계 (검색 및 수집) Knowledge Catalog는 기본 데이터를 이동하지 않고 데이터 전반에서 기술 메타데이터를 자동으로 크롤링하고 색인화합니다.
- 기본 제공 데이터베이스. 자동 카탈로그화는 BigQuery, PostgreSQL용 AlloyDB, Spanner와 같은 플랫폼 전반에서 스키마와 속성을 캡처합니다.
- 관리형 연결 맞춤 파이프라인을 작성하지 않고도 Oracle, PostgreSQL과 같은 외부 시스템이나 Collibra와 같은 파트너 레지스트리에서 정의를 수집합니다.
- 데이터 계보. 파이프라인 전반에서 열 수준 변환을 추적하여 데이터의 출처와 변경 방식을 파악합니다.
- 예: 소매업체에서
orders및order_items테이블과 같은 트랜잭션 데이터베이스 메타데이터를 자동으로 수집하고 Cloud Storage 버킷에 저장된 구조화되지 않은 제품 파일의 색인을 생성합니다. 외부 데이터베이스를 연결하여 검색 가능한 디렉터리 아래에 통합 메타데이터 색인을 설정합니다.
메타데이터 집계 및 데이터 수집에 대해 자세히 알아보기 (클릭하여 펼치기)
- 지원되는 데이터 소스: 자동 수집을 위해 지원되는 모든 Google Cloud 및 외부 소스를 나열합니다.
- 관리형 연결 개요: 외부 시스템에서 기술 스키마를 수집하는 방법을 설명합니다.
- 데이터 계보 추적: 열 수준 파이프라인 변환 및 데이터 흐름을 시각화하는 방법을 설명합니다.
강화 (맥락 선별 및 신뢰 확인) Knowledge Catalog는 기술 구조에 비즈니스 의미를 부여하고 신뢰 신호를 설정합니다.
- AI 생성 통계 Gemini는 쿼리 로그를 분석하여 열 설명, 테이블 요약, 추천 조인을 생성합니다.
- 구조화되지 않은 색인 생성 파일 디렉터리를 크롤링하여 PDF나 이미지와 같은 비구조화된 애셋에서 항목과 연결을 추출합니다.
- 용어집 및 관점 비즈니스 용어와 논리 템플릿을 사용하여 내부 측정항목 이름을 공유 어휘에 매핑합니다.
- 데이터 품질 및 이상 감지 정리 가이드라인을 적용하고 머신러닝 스캔을 실행하여 통계적 이상치 또는 데이터 최신성 문제를 감지하여 주요 신뢰 신호를 생성합니다.
- 거버넌스 검토. 워크플로 검토 프로세스를 사용하여 게시 전에 메타데이터 업데이트를 확인하여 위험을 관리합니다.
- 예: 소매팀은 데이터 통계를 트리거하여 열 설명을 추천하고 데이터 품질 규칙을 실행하여 애셋을 보강합니다. 용어집과 측면을 만들어 비즈니스 정의를 활성 주문에 매핑합니다.
메타데이터 보강 및 신뢰 확인에 대해 자세히 알아보려면 클릭하세요.
- 데이터 통계 구성: 자동 데이터 세트 설명과 요약을 생성하는 방법을 설명합니다.
- 비즈니스 용어집 관리: 표준 용어 및 비즈니스 어휘를 맞춤설정하는 방법을 설명합니다.
- 관점을 사용하여 메타데이터 보강: 논리적 애셋에 구조화된 메타데이터 속성을 연결하는 방법을 보여줍니다.
- 데이터 품질 규칙 재사용: 데이터베이스 검증 규칙을 설정하고 재사용하는 방법을 보여줍니다.
- 데이터 프로파일링 개요: 스키마 이상치 및 통계적 드리프트 스캔을 구성하는 방법을 설명합니다.
검색 및 검색 (액세스 및 그라운딩) AI 애플리케이션과 비즈니스 사용자는 통합 컨텍스트 그래프를 쿼리하여 데이터를 안전하게 액세스합니다.
- 그라운딩 에이전트 LLM 기반 앱과 에이전트를 카탈로그에 연결합니다.
- Context API 지연 시간이 짧은 그라운딩 페이로드 요청을 실행합니다.
- 시맨틱 검색 자연어 쿼리를 사용하여 적절한 애셋을 찾습니다.
- 데이터 패키징. 테이블, 라이선스 세부정보, SLA를 안전한 셀프서비스 데이터 패키지로 번들링합니다.
- 예: 분석가가 자연어 시맨틱 검색을 실행하여 애셋을 찾습니다. AI 애플리케이션은 MCP 서버 또는 컨텍스트 검색 API를 사용하여 이 색인을 안전하게 소비하고 고품질 애셋은 보안 뷰로 패키징됩니다.
컨텍스트 검색 및 에이전트 그라운딩에 대해 자세히 알아보려면 클릭하세요.
- 모델 컨텍스트 프로토콜 (MCP) 개요: 생성형 AI 에이전트와 애플리케이션 레이어를 Knowledge Catalog 컨텍스트에 연결하는 방법을 설명합니다.
- LookupContext를 사용하여 컨텍스트 가져오기: 에이전트 프롬프트를 위한 주요 운영 페이로드를 추출하는 방법을 보여줍니다.
- 애셋 검색: 자연어 시맨틱 쿼리 구문을 사용한 애셋 조회 기능을 설명합니다.
Google Cloud 의 Knowledge Catalog 및 AI 생태계
데이터 기반을 구축할 때는 Knowledge Catalog가 관련 서비스와 어떻게 통합되는지 이해하는 것이 중요합니다.
Google Cloud 데이터베이스 및 모델
- BigQuery. Knowledge Catalog는 BigQuery 데이터 세트, 테이블, 뷰를 자동으로 크롤링하고 색인을 생성합니다. Gemini 기반 데이터 통계를 트리거하여 쿼리 기록을 분석하고, 설명을 게시하고, 검증된 예시 쿼리를 제안합니다.
- Looker (Google Cloud 핵심 서비스) Knowledge Catalog는 Looker 대시보드, Look, LookML 구조(예: 뷰, Explore, 측정기준, 측정값)를 수집합니다. 이 수집은 운영 값이 비즈니스 시맨틱에 매핑되는 방식을 추적하기 위해 계보 매핑을 빌드합니다.
- Lighthouse 런타임 카탈로그 Knowledge Catalog는 오픈소스 Iceberg 워크로드의 런타임 metastore인 Lighthouse와 통합됩니다. Lighthouse 워크로드 위에 기술 메타데이터를 자동으로 색인하여 통합 활성 컨텍스트를 제공합니다.
AI 에이전트 플랫폼 및 어시스턴트
- 대화형 분석 분석 인터페이스는 카탈로그 용어와 조회 도구를 사용하여 사용자가 검증된 그라운딩을 통해 자연어로 비즈니스 측정항목을 쿼리할 수 있도록 지원합니다.
- AI 에이전트용 Gemini 정밀도가 높은 어시스턴트 에이전트는 카탈로그 메타데이터를 사용하여 데이터베이스 조회를 실행하므로 허위 정보를 줄입니다.
- Gemini Enterprise Agent Platform Knowledge Catalog는 타겟 플랫폼 환경 내에서 중앙 데이터 거버넌스 표준 역할을 합니다. Gemini Enterprise Agent Platform과 교차 링크되어 플랫폼의 Agent Registry에 도구와 컨텍스트를 제공합니다.
Google Cloud 데이터베이스 및 AI 서비스 통합
Knowledge Catalog는 다른Google Cloud 제품과 함께 작동하여 데이터 기반을 형성합니다. 다음 표에서는 Knowledge Catalog가 관련 서비스와 통합되고 이를 보완하는 방법을 보여줍니다.
| 서비스 | 기본 역할 | Knowledge Catalog와의 통합 방식 |
|---|---|---|
| Knowledge Catalog | 거버넌스 및 에이전트 컨텍스트 | 데이터 품질 검사 스캔을 실행하고 그라운딩된 스키마를 AI 모델 및 애플리케이션에 노출하는 통합 시맨틱 컨텍스트 그래프 역할을 합니다. |
| BigQuery | 엔터프라이즈 데이터 웨어하우징 | 데이터 세트를 저장, 쿼리, 처리하고 비즈니스 분류 측면을 사용하여 이러한 테이블을 자동으로 크롤링, 색인 생성, 보강합니다. |
| Vertex AI | AI 모델 개발 | 기반 모델을 빌드, 배포, 호스팅합니다. 커스텀 에이전트는 메타데이터 컨텍스트를 검색하여 논리적 추론의 근거를 마련합니다. |
| Cloud Storage | 비구조화된 파일 스토리지 | 비정형 원시 파일을 저장하고, 비정형 탐색 스캔을 자동으로 실행하여 PDF와 이미지를 파싱하여 관계 지도를 빌드합니다. |
시맨틱 및 데이터 형식
에이전트형 시스템을 효과적으로 지시하고 그라운딩하려면 실제 데이터 구조와 의미론적 의미를 구분해야 합니다.
- 시맨틱 데이터와 관련된 비즈니스 의미, 의도, 관계입니다. 기술 스키마는 데이터베이스 유형, 문자 길이, 정수 제약 조건과 같은 구조적 저장소 사양을 정의하지만 시맨틱은 데이터 세트가 실제로 무엇을 나타내는지 설명합니다. 예를 들어
txn_qty이라는 열을 '구매 수량'의 비즈니스 정의에 매핑할 수 있습니다. - 정형 데이터. 정의된 스키마와 관계형 형식으로 저장된 정보입니다. 예로는 BigQuery 테이블, Spanner 데이터베이스, 운영 Postgres 테이블이 있습니다. Knowledge Catalog는 이 메타데이터를 자동으로 크롤링하고 열과 제약 조건을 기록합니다.
- 비정형 데이터. 구조적 스키마가 없는 원시 텍스트 또는 미디어 파일을 포함하는 형식이 지정되지 않은 정보입니다. 예로는 PDF 데이터 시트, 고객 지원 이메일, Cloud Storage에 저장된 이미지가 있습니다. Knowledge Catalog는 구조화되지 않은 데이터 통계를 사용하여 검색 스캔을 실행하여 기본 항목 관계를 추출하고 AI에서 추출한 항목-관계 노드와 에지가 포함된 전문적인 측면인 그래프 프로필에 기록합니다.
에이전트형 데이터 클라우드 컨텍스트 오케스트레이션
Google의 에이전트형 데이터 클라우드 프레임워크 내에서 Knowledge Catalog는 시맨틱 오케스트레이션 플레인 역할을 합니다. 개발자가 프롬프트에 데이터베이스 스키마와 규칙을 수동으로 하드코딩하도록 요구하는 대신 컨텍스트 엔진은 에이전트가 지능적인 결정을 내리는 데 필요한 정확한 시맨틱 컨텍스트를 동적으로 제공합니다.
다음 그림은 Knowledge Catalog가 데이터 컨텍스트를 오케스트레이션하고 제공하는 방법을 보여줍니다.
컨텍스트 오케스트레이션 워크플로는 다음 단계로 구성됩니다.
- 수집 및 검색 운영 데이터베이스, Spanner 및 BigQuery와 같은 웨어하우스, Cloud Storage와 같은 비정형 객체 저장소, Lighthouse와 같은 런타임 metastore는 기술 스키마, 계보 맵, 메타데이터 정의를 Knowledge Catalog에 직접 제공합니다.
- 컨텍스트 매핑 Knowledge Catalog 내에서 이러한 메타데이터 속성은 기술적 측면, 비즈니스 용어집, 검증된 질문을 비롯한 시맨틱 요소에 연결되어 활성 컨텍스트 그래프를 어셈블합니다.
- 전송 인터페이스. AI 애플리케이션과 오케스트레이터는 MCP 또는 직접
LookupContextAPI 엔드포인트와 같은 표준 커넥터를 사용하여 이 통합 컨텍스트 그래프를 프로그래매틱 방식으로 가져옵니다. - 에이전트 그라운딩 에이전트 개발 키트(ADK) 또는 LangChain과 같은 조정 프레임워크는 이 메타데이터 컨텍스트를 LLM 프롬프트에 직접 삽입합니다. 이 주입을 통해 에이전트의 추론이 검증된 조직 규칙에 기반하므로 할루시네이션 없이 데이터베이스를 쿼리하거나 자동화된 작업을 실행할 수 있습니다.
AI 에이전트 프로필
자동화하려는 워크플로에 따라 Knowledge Catalog로 구동되는 다양한 클래스의 에이전트를 빌드할 수 있습니다.
- 데이터 검색 에이전트 이러한 어시스턴트는 사용자가 데이터 에스테이트를 검색하고 탐색하는 데 도움을 줍니다. 키워드 검색 유형을 사용하는 대신 자연어로 된 긴 형식의 인텐트와 제약 조건을 분석하여 가장 관련성 높은 실제 애셋을 가져옵니다.
- 메타데이터 보강 에이전트 이러한 백그라운드 에이전트는 위키, README 파일 또는 채팅 로그에서 비정형 텍스트를 수집하고, 텍스트를 공식 메타데이터로 파싱하고, 메타데이터를 Knowledge Catalog의 측면으로 작성하여 메타데이터를 최신 상태로 유지합니다.
- 데이터 품질 및 파이프라인 에이전트 이러한 자율 에이전트는 품질 규칙을 평가하고, 스키마 드리프트를 감지하고, 데이터 계보 및 프로필 통계를 쿼리하여 데이터 변환 파이프라인을 빌드하거나 복구합니다.
조정 도구
이러한 에이전트를 빌드하고 통합하려면 다음 도구를 사용하세요.
- 모델 컨텍스트 프로토콜 (MCP) 에이전트를 외부 리소스에 연결하기 위한 표준화된 개방형 프로토콜입니다. 원격 MCP 서버 또는 로컬 MCP 툴박스를 사용하여 카탈로그에 연결하도록 에이전트를 구성할 수 있습니다. 자세한 내용은 Knowledge Catalog의 모델 컨텍스트 프로토콜 (MCP) 정보를 참고하세요.
- 에이전트 개발 키트 (ADK) 생성형 AI 에이전트의 빌드, 실행, 테스트를 간소화하고 카탈로그 서비스 API에 대한 기본 바인딩을 제공하는 Google의 프레임워크입니다. 자세한 내용은 ADK 홈페이지를 참고하세요.
- LookupContext API 데이터 애셋의 통합 YAML 또는 JSON 컨텍스트 페이로드를 추출하여 LLM 프롬프트에 직접 삽입할 수 있는 REST 및 gRPC API 엔드포인트 자세한 내용은 LookupContext API를 사용하여 컨텍스트 가져오기를 참고하세요.
MCP로 컨텍스트 액세스
모델 컨텍스트 프로토콜 (MCP)은 AI 에이전트와 도구가 Knowledge Catalog와 같은 데이터 소스에 원활하게 연결할 수 있도록 지원하는 표준화된 브리지입니다. 다음 비교 표를 사용하여 통합에 가장 적합한 옵션을 확인하세요.
| 구현 | 용도 | 주요 세부정보 | 엔드포인트 또는 설정 |
|---|---|---|---|
| 원격 MCP 서버 | 클라우드 중심 배포, Cloud Run과 같은 서버리스 환경, 관리형 외부 서비스 | 로컬 서버 관리가 필요하지 않은 Google 호스팅 엔드포인트입니다. | 엔드포인트: https://dataplex.googleapis.com/mcp설정하려면 원격 MCP 서버 사용을 참고하세요. |
| 로컬 MCP 도구 상자 | 로컬 에이전트 개발, 신속한 프로토타입 제작, VS Code 또는 Cursor와 같은 데스크톱 IDE 통합 | 워크스페이스 환경과 Knowledge Catalog 간의 로컬 프록시 역할을 하는 명령줄 도구입니다. | 바이너리 설치 및 .mcp.json 설정이 필요합니다.설정하려면 로컬 MCP 서버 사용을 참고하세요. |
에이전트형 데이터 컨텍스트 권장사항
신뢰할 수 있는 에이전트형 환경을 구축하려면 Knowledge Catalog에서 메타데이터를 정리하고 쿼리할 때 다음 권장사항을 염두에 두세요.
- 관점 추가 AI 에이전트는 이름만으로는 공식 프로덕션 테이블과 임시 샌드박스 모형을 구분할 수 없습니다. 공신력 있는 데이터 제품을 인증하는 맞춤 신뢰 신호 측면을 정의하고 적용하여 상담사가 이러한 리소스에 대한 쿼리의 우선순위를 지정하거나 제한하도록 지원합니다.
- 컨텍스트 예산을 사용하여 조회 최적화
LookupContextAPI를 호출할 때context_budget매개변수를 지정합니다. API는 지정된 토큰 제약 조건 내에서 계보 및 기본 설명과 같은 가장 중요한 메타데이터를 먼저 최적화하고 맞춥니다. - 조인 경로를 노출하는 관련 리소스 제공 컨텍스트 문의에서 최대 10개의 관련 표 또는 애셋을 나열합니다. 애셋 그룹을 제공하면 컨텍스트 엔진이 조인 경로와 관계를 자동으로 채워 에이전트가 테이블이 인터페이스되는 방식을 이해하는 데 도움이 됩니다.
- 시맨틱 용어집 구조화 비즈니스 용어집에서 용어와 약어를 표준화합니다. 이 표준화를 통해 대화형 도구는 비즈니스별 동의어와 측정항목을 정확하게 해결할 수 있습니다.
- 표준 쿼리 게시 검증된 자연어 쿼리와 올바른 SQL 상응 항목을 Knowledge Catalog 항목에 직접 첨부합니다. 검증된 템플릿을 기반으로 추론하면 텍스트-SQL 에이전트에서 SQL 변환 오류를 방지할 수 있습니다.
Dataplex Universal Catalog에서 Knowledge Catalog로 전환
Dataplex Universal Catalog가 Knowledge Catalog로 발전했습니다. 이 전환에 대한 자세한 내용은 Dataplex Universal Catalog에서 Knowledge Catalog로 전환을 참고하세요.
제한사항
배포를 계획할 때 다음 제한사항을 고려하세요.
지원되는 통합 Knowledge Catalog는 주요 서드 파티 시스템을 지원하지만 특정 자동 시맨틱 추출은 내장 Google Cloud 서비스로 제한될 수 있습니다.
할당량 한도 표준 Google Cloud API 할당량은 컨텍스트 검색 및 메타데이터 추출 작업에 적용됩니다.