Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
BigQuery의 Data Science Agent는 자연어 지시만으로 특징량 엔지니어링부터 모델 학습 및 평가까지 ML 워크플로우 전반을 자동화합니다. 복잡한 SQL 작성이나 단계별 고민 없이 에이전트가 쿼리 생성, 실행, 평가를 담당하여 데이터 과학자의 효율성을 높여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Zenn AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기BigQuery 데이터를 사용하여 기계 학습(ML) 모델을 구축하려고 할 때, 다음과 같은 벽에 부딪히기 쉽습니다.
BigQuery의 Data Science Agent를 사용하면 이러한 작업을 자연어(Natural Language)로 지시하면서 진행할 수 있습니다. 특징량 생성부터 모델 학습 및 평가까지, 에이전트가 제안과 실행을 담당해 줍니다.
본 기사에서는 Data Science Agent를 사용하여 특징량 엔지니어링부터 모델 평가까지 전 과정을 수행하는 절차를 설명합니다.
Data Science Agent는 BigQuery Studio에 내장된 AI 에이전트 기능 중 하나입니다. 자연어로 데이터 분석이나 기계 학습 지시를 내리면, SQL이나 ML 함수, AI* 함수를 조합한 쿼리를 자동으로 생성하고 실행 및 평가까지 수행합니다.
다른 에이전트와의 역할 분담은 다음과 같습니다.
| 에이전트 | 주요 용도 |
|---|---|
| Data Engineering Agent | 파이프라인 구축/개수/마이그레이션 |
| ... |
Data Science Agent를 이용하려면 다음 IAM 역할이 필요합니다.
roles/bigquery.dataEditor (데이터셋에 대한 쓰기 권한)roles/bigquery.jobUser (쿼리 실행 권한)roles/bigquery.connectionUser (Vertex AI 연결 사용 권한)roles/aiplatform.user (Vertex AI 모델 사용 권한)Vertex AI 연결 설정은 K-02 「BigQuery에서 AI 기능을 사용하기 위한 IAM 및 Vertex AI 연결 설정」을 참조하십시오.
BigQuery Studio를 열고, 화면 우측 상단의 'Agent' 아이콘을 클릭합니다. 에이전트 패널이 열리면 'Data Science'를 선택합니다.
먼저 데이터셋의 내용을 Agent가 파악하도록 합니다. 여기서는 EC 구매 데이터를 예로 진행하겠습니다.
데이터셋 'analytics.ec_orders'의 개요를 알려주세요.
행 수, 컬럼 목록, 결측치 상황, 주요 통계량을 확인해 주세요.
Agent는 데이터셋을 검색하여 개요 리포트를 반환합니다.
테이블: analytics.ec_orders
행 수: 1,234,567행
기간: 2023-01-01 ~ 2026-09-30
...
이 출력을 바탕으로 다음 특징량 설계로 넘어갑니다.
목적 변수와 특징량의 설계 방침을 Agent에게 전달합니다. 여기서는 '다음 구매가 있을지 여부'를 예측하는 모델을 구축할 것입니다.
목적 변수로 '첫 구매 후 90일 이내에 두 번째 구매를 하는지 여부(is_repeat_90d)'를
정의하는 SQL을 작성해 주세요.
사용자 단위로 집계하고, 모델 학습용 테이블 'analytics.ml_features'에 저장해 주세요.
Agent가 생성한 SQL 예시:
CREATE OR REPLACE TABLE `analytics.ml_features` AS
WITH first_purchase AS (
SELECT
...
다음 특징량을 추가해 주세요.
- 첫 구매 금액
- 첫 구매 카테고리 (원-핫 인코딩 불필요, 카테고리 컬럼 그대로)
...
Agent는 특징량 계산 SQL을 생성하고 기존 테이블에 결합하는 쿼리를 출력합니다.
CREATE OR REPLACE TABLE `analytics.ml_features` AS
WITH first_order_detail AS (
SELECT
...
특징량 테이블이 완성되면, 모델 학습을 Agent에게 지시합니다.
「analytics.ml_features」 테이블을 사용하여,
is_repeat_90d를 목적 변수로 하는 이진 분류 모델을 학습시키세요.
모델 종류는 ROGISTIC_REG를 사용하고,
...
Agent가 생성하는 SQL:
CREATE OR REPLACE MODEL `analytics.models.repeat_predictor_v1`
OPTIONS (model_type = 'LOGISTIC_REG',
...
학습이 완료되면 Agent가 완료 통지를 반환합니다.
학습을 마치면, 모델의 정확도를 Agent에게 평가하게 합니다.
「analytics.models.repeat_predictor_v1」의 평가 지표를 확인해 주세요.
정확도(Precision), 재현율(Recall), AUC를 확인하고, 실무에서 사용할 수 있는 수준인지 판단해 주세요.
Agent의 출력 예시:
평가 결과 (테스트 데이터: 2026-01-01 이후)
정확도 (Precision): 0.71
재현율 (Recall): 0.68
...
각 특징량이 모델에 얼마나 영향을 미치는지 확인해 주세요.
Agent는 ML.GLOBAL_EXPLAIN를 호출하여 특징량 중요도를 반환합니다.
SELECT
feature,
attribution
...
출력 예시:
feature | attribution
first_order_amount | 0.31
pre_order_avg_amount_90d | 0.24
...
첫 구매 금액과 구매 전 행동 이력이 리피트 예측에 가장 효과적임을 알 수 있습니다.
평가가 완료되면, 신규 사용자에게 대한 예측을 실행합니다.
2026-09-01 이후에 처음 구매한 사용자에게,
「analytics.models.repeat_predictor_v1」로 90일 이내 리피트 확률을 예측하고,
결과를 「analytics.repeat_predictions_202609」에 저장해 주세요.
CREATE OR REPLACE TABLE `analytics.repeat_predictions_202609` AS
SELECT
user_id,
...
Agent를 사용한 모델 개선은 다음 사이클로 진행하는 것이 효율적입니다.
SQL의 상세한 작성이나 ML 함수의 구문을 그때그때 찾아볼 필요가 줄어들어, 특징량 설계나 모델 해석 판단에 집중할 수 있게 된다. 다음 K-24에서는 Data Preparation Agent를 사용한 데이터 클렌징을 설명한다.
BigQuery의 데이터 활용 및 AI 기능 도입에 대해 실무 수준의 지원을 제공하고 있습니다. 상담은 여기에서 하세요.
