발표자 Taja(Snowflake 수석 AI 아키텍트)가 에서 **《Snowflake에서의 Ontology: AI가 실제로 데이터를 이해하게 만드는 방법》**이라는 주제로 발표를 진행했습니다 oxed{}

핵심 주제는 다음과 같습니다: Enterprise AI 구축의 어려움은 모델이나 연산 능력이 아니라, AI가 비즈니스 의미론(Semantics)을 진정으로 이해하지 못한다는 점에 있다 oxed{

}
Snowflake 상에 네이티브하게 **온톨로지 (Ontology)**를 구축함으로써 AI Agent에게 구조화된 비즈니스 의미론 계층을 제공할 수 있으며, 이를 통해 AI가 "원시 데이터에 대해 Join 쿼리를 수행하는 단계"를 넘어 "비즈니스 개념에 대해 추론하는 단계"로 도약할 수 있게 합니다 oxed{}

발표의 상세 내용은 다음과 같은 핵심 부분으로 나뉩니다:

1. 핵심 페인 포인트(Pain Point) 및 기본 개념의 구분

• AI는 왜 거짓말을 하는가? 데이터베이스에는 테이블, 외래 키(Foreign Key), 암호화된 컬럼명만 존재하지만, 현실 세계는 객체(사람, 팀, 계약 등)와 그들 사이의 상호 관계에 의해 작동하기 때문입니다 oxed{
  }
  원시 테이블을 AI에게 직접 제공하면, 극도로 복잡한 SQL을 작성하거나 로직이 중복될 뿐만 아니라, AI가 매우 자신만만하게 틀린 답을 내놓는 결과를 초래합니다 oxed{
  }
• 온톨로지 (Ontology) vs 지식 그래프 (Knowledge Graph):
• Ontology는 청사진 (Blueprint)입니다: 어떤 클래스(Class)와 관계(Relationship)가 존재할 수 있는지 규정합니다 (예: "사람"은 "조직"을 위해 일할 수 있고, "선수"는 "사람"의 일종이다) oxed{
  }
  한 번 정의되면 거의 변하지 않습니다 oxed{
  }
• Knowledge Graph는 건축물 (Building)입니다: 청사진을 바탕으로 구축된 구체적인 사실입니다 (예: "음바페"는 "선수"이며, "레알 마드리드"에서 뛰고 있다) oxed{
  }
  사실(Fact)은 이적 시장 등에 따라 빈번하게 변합니다 oxed{
  }
• 핵심 원칙: Ontology는 관계의 규범을 정의하고, Knowledge Graph는 구체적인 사실을 인스턴스화(Instantiation)합니다 oxed{
  }
  두 요소는 저장과 쿼리 측면에서 디커플링(Decoupling)됩니다 oxed{
  }

2. Snowflake 상의 5계층 네이티브 아키텍처

발표자는 "사실은 한 번만 저장하고, 의미론은 설정(Configuration)으로 정의하며, 지능은 협업적 스케줄링을 통해 구현한다"는 5계층 설계를 제안했습니다 oxed{

}

1. Layer 1: 기초 물리 저장소 (Nodes & Edges Table) 단 두 개의 기본 테이블만 사용합니다: Nodes 테이블은 존재하는 모든 사물을 저장하고, Edges 테이블은 사물 간의 연결을 저장하며, 모두 Variant 컬럼으로 설계되었습니다 [

   ]. 새로운 엔티티 유형(예: 심판)이 추가되어도 스키마 (Schema)를 수정할 필요 없이 즉시 삽입할 수 있습니다 [
   ].

2. Layer 2: 온톨로지 메타데이터 구성 (Ontology Metadata) 코드를 작성할 필요 없는 순수 선언적 구성(Declarative configuration) 방식이며, 상속 트리(예: "선수"와 "코치"는 "사람"을 상속받음)와 제약 관계를 정의합니다 [

   ]. 비즈니스 로직이 변경될 경우, 메타데이터 한 줄만 새로 추가하면 됩니다 [
   ].

3. Layer 3: 자동 컴파일러 및 뷰 생성 (Compiler & Generated Views) 스토어드 프로시저 (Stored Procedure)를 통해 Layer 2의 메타데이터를 자동으로 읽어 들여, 다형성 통합 뷰 (Polymorphic unified views)를 컴파일하여 생성합니다 (예: 선수와 코치를 "사람"이라는 추상적 개념으로 자동 통합) [

   ]. 다운스트림 (Downstream)에서의 코드 수정은 전혀 필요하지 않습니다 [
   ].

4. Layer 4: 세 가지 목적별 전용 시맨틱 모델 (3 Purpose-Built Models)

5. 지식 그래프 모델 (Concrete): 매우 빠르고 구체적인 속성 쿼리에 적합합니다 (예: "누가 레알 마드리드에서 뛰고 있는가") [

   ].

6. 온톨로지 모델 (Abstract / Polymorphic): 유형을 넘나드는 다형적 추상 추론에 적합합니다 (예: "누가 레알 마드리드에서 일하는가"라고 질문하면 선수와 코치를 동시에 반환 가능) [

   ].

7. 거버넌스 모델 (Governance): 시스템 자기 기술 (Self-describing)을 위해 사용되며, 권한과 모델 범위를 제어합니다 [

   ].

8. Layer 5: Cortex Agent 조정 및 스케줄링 계층
   두뇌 역할을 하는 지휘자 (Conductor)로서, 자연어 질문에 대한 의도 파악 (Intent recognition)을 수행하고, 가장 적합한 시맨틱 도구 또는 그래프 순회 엔진을 호출하여 결과를 병합해 반환합니다 [

   ].

3. 자동화 배포 도구: Ontology Stack Builder

5계층 아키텍처를 구축하는 복잡성을 해결하기 위해, Snowflake는 Ontology Stack Builder (Koko Skills 도구)를 출시했습니다 [

]:

• 대화형 워크플로우: 데이터 테이블 스키마 (Schema)를 자동으로 분석하여 클래스와 관계를 추천합니다 [
  ].
• 시각적 편집: 시각적 그래프 에디터를 제공하여 노드를 드래그 앤 드롭하고, 관계를 그리며, 커버리지를 확인할 수 있습니다 [
  ].
• 원클릭 생성 및 배포: 설계를 확정하면 SQL을 자동으로 생성하고, Layer 1-3 뷰를 배포하며, Cortex Agent를 구성합니다 [
  ].
• 인간 참여형 (Human-in-the-loop): 7개의 검증 게이트 (Gates)를 통해, 과거 수 주 또는 수개월이 걸리던 구축 과정을 1시간 이내로 단축합니다 [
  ].

4. 요약 및 3가지 핵심 요약

1. 의미론적 정의의 명시화 (Explicit Semantic Definition): 사실은 단 한 번만 저장하며, 의미론(Semantics)을 메타데이터로 정의하여 컴파일러가 뷰(View)를 생성하도록 합니다 [
   ].
2. 다각적 관점의 분리 (Multi-perspective Routing): 속도(지식 그래프 모델), 추론(온톨로지 모델), 그리고 신뢰성(거버넌스 모델)을 모두 고려합니다 [
   ].
3. 의도 기반 스케줄링 (Intent-driven Scheduling): SQL을 하드코딩하는 대신, 에이전트(Agent)가 지능적으로 쿼리를 라우팅합니다 [
   ].