AI 에이전트 데이터 그라운딩: 온톨로지 시맨틱 레이어의 3대 축

핵심 메시지

• 에이전트의 성패는 결국 '적시에 올바른 데이터'에 접근하는가에 달려 있는데, 기업에는 수백 개의 DB·스노우플레이크·데이터브릭스·S3가 흩어져 있어 데이터 찾기가 어렵다.
• 팀마다 매번 데이터 소스를 처음부터 다시 배선하면 DRY(반복 금지) 원칙을 깨고, 무언가 바뀔 때마다 모든 에이전트를 수동으로 다시 연결해야 한다.
• 해법은 '더 똑똑한 공유 기반(substrate) 위의 얇은 에이전트'이며, 그 기반은 온톨로지 기반 시맨틱 레이어다.
• 시맨틱 레이어는 세 축으로 구성된다: 사람이 이해하는 비즈니스 온톨로지, 데이터 소스 메타데이터인 기술 온톨로지, 그리고 둘을 잇는 매핑과 에이전트의 실행 트레이스.
• 실행 트레이스가 쌓이면 에이전트는 무엇이 실제로 통했는지 배워 내일은 오늘보다 똑똑해지고, 에이전트 간 학습도 가능해진다.

쉽게 이해하기

이 강연은 AI 엔지니어 컨퍼런스에서 Neo4j의 에밀 아이프렘이 발표한 내용으로, 기업이 여러 에이전트를 확장할 때 부딪히는 데이터 문제를 다룬다. 예시로 은행 계좌 개설을 자동화하는 에이전트를 든다.

그는 에이전트를 크게 두 부분으로 단순화한다. 하나는 의도를 해석하고 계획·실행을 반복하는 비즈니스 로직이고, 다른 하나는 그 일을 하기 위해 접근해야 하는 데이터 소스다. 계좌 개설 에이전트라면 신원 확인을 위해 차량국(DMV) 기록과 여권 검증 서비스 같은 소스를 찾아 연결해야 한다.

문제는 팀마다 이 배선을 처음부터 반복한다는 데 있다. 스타트업이라면 데이터가 하나의 데이터베이스에 있지만, 대기업에는 수백 개의 DB와 스노우플레이크·데이터브릭스·S3가 있고 중복도 많다. 올바른 버전인지, 신뢰할 수 있는지, 접근 권한이 있는지 매번 판단해야 하며, 소스가 바뀌면 모든 에이전트를 수동으로 다시 잇는 비효율이 생긴다. 마크다운 파일·스킬은 해법의 일부일 뿐 전부가 아니다.

제안하는 구조는 '온톨로지 기반 시맨틱 레이어'로, 세 개의 기둥으로 이뤄진다. 첫째는 고객·계좌·직불카드·거래처럼 조직의 핵심 개념과 관계를 사람이 이해하는 이름('f_name'이 아니라 '이름')으로 표현한 비즈니스 온톨로지다. 둘째는 모든 데이터 소스의 스키마·위치 등 메타데이터를 담은 기술 온톨로지이며, 둘 사이를 잇는 매핑이 함께 놓인다. 셋째는 에이전트가 그래프를 따라 실행하며 남기는 실행 트레이스다.

이 세 축은 강연이 앞서 짚은 네 가지 문제를 함께 해결한다. 데이터 소스를 쉽게 발견하고, 관리자의 하향식 큐레이션과 실행 트레이스의 상향식 신호로 신뢰도를 판단하며, 비즈니스 의도와 데이터를 잇는 단일 거버넌스 지점을 두어 반복을 없앤다. 나아가 실행 트레이스로 개별 에이전트와 에이전트 간 학습이 일어나, 수동 배선된 '두꺼운 에이전트'에서 공유 기반 위의 '얇은 에이전트'로 옮겨 갈 수 있다.

주요 인사이트

• 에이전트 확장의 병목은 모델 성능이 아니라 '데이터를 어떻게 신뢰 가능하게 공유하느냐'라는 조직적 문제다.
• 온톨로지의 핵심은 복잡한 형식이 아니라 '조직 구성원 모두가 이해하는 공통 언어'로 개념과 관계를 표현하는 데 있다.
• 비즈니스 온톨로지·기술 온톨로지·매핑을 분리하면, 시스템 오브 레코드가 바뀌어도 상위 의미 계층은 그대로 유지된다.
• 실행 트레이스를 상향식 신뢰 신호로 활용하면, 사람이 정의한 규칙만으로는 얻기 어려운 '실제로 통한 경로'를 축적할 수 있다.
• 마크다운 파일·스킬만으로 데이터 접근을 대체하려는 시도는 확장 단계에서 한계에 부딪힌다.

자주 묻는 질문

관련 AI 소식