오라클 AI 데이터베이스 정리: 자연어로 SQL 부리는 Select AI와 JSON 이중성 뷰

핵심 메시지

• 오라클 AI 데이터베이스는 LLM을 DB 안에 내장해, 일반 문장으로 질문하면 SQL을 생성·실행하고 결과를 설명까지 해주는 'Select AI' 기능을 제공한다.
• LLM이 스키마와 데이터에 로컬로 접근하기 때문에 처리 속도가 빠르고, 접근 제어 계층을 통해 권한 범위 안에서만 결과를 가져온다.
• JSON 이중성 뷰는 관계형 데이터를 MongoDB 스타일의 중첩 객체로 읽고 쓰게 해주는 기능으로, 관계형과 객체 모델 간 매핑을 한 번만 정의해두면 된다.
• 발표자는 Select AI는 사내 임시 조회에, JSON 이중성 뷰는 실제 서비스(프로덕션)에서 더 큰 가치를 낸다고 평가한다.
• 예제 앱은 TanStack Start와 Anthropic 모델을 연결해 두 기능을 도구(tool)로 등록하고, 시스템 프롬프트로 언제 어떤 도구를 쓸지 안내한다.

쉽게 이해하기

이 영상은 '데이터베이스와 대화할 수 있다면 어떨까'라는 질문에서 출발한다. 발표자는 신발 쇼핑몰 예시 DB에 대해 '재고가 15개 미만인 제품의 브랜드·재고·모델명을 보여줘' 같은 문장을 그대로 입력하면, 데이터베이스가 이를 처리해 SQL을 만들고 실행한 뒤 결과를 사람이 읽기 좋은 설명으로 돌려주는 과정을 보여준다. 이 기능이 바로 오라클 AI 데이터베이스에 내장된 'Select AI'다.

동작 원리는 이렇다. 입력된 프롬프트가 데이터베이스 내부의 LLM으로 전달되고, 이 LLM은 전체 스키마와 데이터에 접근할 수 있다. 발표자는 데이터가 원격이 아니라 로컬에 있어 속도 면에서 유리하며, 접근 제어 계층 덕분에 허용된 범위의 결과만 반환된다는 점을 강조한다. 코드에서는 Select AI 실행 함수에 프롬프트와 함께 'SQL을 실행하라' 또는 'SQL을 보여만 줘라' 같은 동작 문자열을 넘겨 제어한다.

두 번째 핵심은 'JSON 이중성 뷰(JSON Relational Duality View)'다. 관계형 테이블에 저장된 데이터를 MongoDB처럼 중첩된 객체 형태로 조회·삽입할 수 있게 해주는 오라클 기능이다. 관계형 모델과 객체 모델 사이의 매핑을 한 번만 만들어두면, 이후에는 계층적 객체 스타일로 레코드를 다룰 수 있다. 예제에서는 고객 한 명을 찾은 뒤, 그 고객의 주문과 주문에 담긴 제품까지 하나의 중첩 JSON으로 한 번에 가져온다.

발표자는 이 둘을 TanStack Start 애플리케이션의 챗봇에 통합한다. 자연어 조회용 도구(Select AI 래퍼)와 고객 프로필 조회용 도구(JSON 이중성 뷰 기반) 두 가지를 정의하고, 각 도구와 매개변수에 설명을 붙여 LLM이 언제 무엇을 호출할지 판단하도록 한다. 이 도구들은 서버에서만 실행되는 서버 도구로 등록된다.

마무리에서 발표자는 현실적 활용처를 짚는다. Select AI는 고객에게 직접 노출하기보다 백엔드 데이터를 살펴보는 사내 임시 쿼리에 더 잘 맞고, JSON 이중성 뷰는 객체 매핑 계층으로 클라이언트 코드를 단순화해 프로덕션에서 더 큰 역할을 할 수 있다고 본다. 이 영상은 오라클의 후원으로 제작되었고, 예제 코드는 설명란의 깃허브 링크에서 받을 수 있다고 안내한다.

주요 인사이트

• LLM을 애플리케이션 계층이 아니라 데이터베이스 안에 두면, 스키마·데이터에 대한 로컬 접근으로 자연어→SQL 변환이 빨라질 수 있다.
• 자연어 질의(Select AI)와 객체형 조회(JSON 이중성 뷰)는 서로를 필요로 하지 않지만, 함께 쓰면 자연어로 대상을 찾고 그 대상의 전체 객체 트리를 한 번에 가져오는 흐름이 가능해진다.
• JSON 이중성 뷰는 관계형 DB의 신뢰성·성능을 유지하면서도 객체를 입출력하게 해, 관계형-객체 매핑과 트랜잭션 관리의 번거로움을 줄여준다.
• 도구(tool)에 명확한 설명과 매개변수 설명을 붙이는 것이 LLM이 올바른 도구를 고르게 하는 핵심이며, 민감한 실행은 서버 도구로 제한하는 것이 안전하다.
• 자연어 조회는 편리하지만 고객 대면보다 내부 분석에 적합하다는 발표자의 구분은, AI 기능을 어디에 배치할지 결정할 때 참고할 만하다.

자주 묻는 질문

관련 AI 소식