네트워크 시스템 장애가 발생했을 때, 관측 가능성 (Observability) 데이터를 사용하여 근본 원인 분석 (Root Cause Analysis, RCA)을 자동으로 수행하는 것은 네트워크 시스템의 신뢰성을 보장하는 데 매우 중요합니다. 최근 LLM 기반 에이전트들은 고급 추론 (Reasoning) 및 자율 탐색 (Autonomous Exploration)을 통해 이 진단 프로세스를 자동화할 수 있는 가능성을 보여주었습니다. 그러나 기존의 관측 가능성 프레임워크는 파편화된 데이터 사일로 (Data Silos), 호환되지 않는 스키마 (Schemas), 그리고 불충분한 시맨틱 메타데이터 (Semantic Metadata)로 특징지어지는 구식 상태로 남아 있으며, 이로 인해 에이전트가 효과적인 RCA에 필요한 복잡한 관계를 구축하는 데 어려움을 겪고 있습니다. 이러한 과제를 해결하기 위해, 우리는 관측 가능성을 데이터 중심 (Data-centric) 모델링에서 객체 중심 (Object-centric) 모델링으로 전환하는 통합 온톨로지 프레임워크인 UModel을 제시합니다. UModel은 이기종 텔레메트리 (Telemetry), 엔티티 (Entities), 그리고 전문가 지식이 객체로 표준화되고 시맨틱 그래프 (Semantic Graphs)를 통해 상호 연결되는 가상 온톨로지 계층을 구축합니다. 또한, 에이전트가 시스템 토폴로지 (Topologies)를 자율적으로 탐색하고 멀티모달 (Multimodal) 데이터를 상관 분석할 수 있도록 하는 파이프라인 기반 쿼리 인터페이스인 U-SPL을 도입합니다. UModel을 사용하여 "AIOps 2025 Challenge" 데이터셋을 재모델링한 결과, 근본 원인 위치 파악 (Root Cause Localization)의 정밀도가 8% 향상되었으며, 이는 향상된 데이터 조직화가 다운스트림 태스크 (Downstream Tasks)의 정확도를 크게 높일 수 있음을 입증합니다. UModel은 확장 가능한 모델링 프레임워크를 제공하며, Alibaba Cloud에 1년 이상 배포되어 수만 명의 사용자에게 서비스를 제공하고, 초당 수백만 건의 연산을 유지하며, 1초 미만의 쿼리 지연 시간 (Query Latency)을 달성했습니다.