생성형 AI는 데이터 센터와 Industry 4.0 설비의 방대한 수치적 원격 측정(telemetry) 데이터를 자연어 접근으로 제공하겠다고 약속하지만, 텍스트-투-쿼리 및 도구 사용 에이전트는 여전히 신뢰하기 어렵습니다. 심지어 최첨단 모델들도 실제 데이터베이스 질문 중 절반도 제대로 답변하지 못하며, 여러 단계가 필요한 운영 관련 질문에 대해서는 훨씬 더 적은 성능을 보입니다. 이는 LLM(대규모 언어 모델)이 이질적인 출처들이 어떻게 상호 관계하는지를 구성해야 하며, 단순히 필드(field)뿐만 아니라 관계까지 환각(hallucinates)하기 때문입니다. 우리는 심볼릭 분리(symbolic separation)를 제안합니다: 깊은 에이전트가 자유롭게 추론하지만, 오직 결정론적 사전 실행 검증을 거친 온톨로지 제약형 가상 지식 그래프(Virtual Knowledge Graph)를 통해서만 데이터에 작용할 수 있게 합니다. 도구 API의 인터페이스 계약과 달리, 이 도메인 의미론적 계약은 복잡한 질문을 LLM이 추론하는 조인(join) 대신 검증된 그래프 순회(graph traversal) 하나로 변환합니다. Neurosymbolic Deep Analyst로 구현되어 49.9 TB의 슈퍼컴퓨터 원격 측정 데이터에 대해 엄격한 워크플로우 및 비-심볼릭 제거 실험(non-symbolic ablation)으로 평가했을 때, 엔드투엔드 작업 성공률을 43%에서 86%로 끌어올리고, 어떤 구문 검사도 잡지 못하는 조용한 데이터 무결성 오류를 방지하며, 토큰 비용을 2.4배 절감하여 더 작은 온프레미스 모델이 더 큰 모델보다 뛰어난 성능을 보이게 합니다.