한눈에 보기
| 항목 | 내용 |
|---|---|
| 핵심 메시지 | 데이터의 양·청결도가 아닌 의미·관계·맥락의 구조화가 핵심 |
| 4대 축 | 데이터플랫폼 · 시맨틱 레이어 · 품질관리 · 운영 체계 |
| 핵심 도구 | 온톨로지 · 지식그래프 · CQ(Competency Question) |
| 적용 대상 | SR AI Assistant, 데이터 플랫폼 PoC |
1. 기본 관점: 왜 AI-Ready Data인가
AI를 업무에 제대로 활용하기 위해서는 LLM이나 RAG를 도입하는 것만으로는 부족합니다. AI가 업무 데이터를 이해하고, 관계를 파악하며, 규칙에 따라 판단하고, 답변의 근거까지 설명할 수 있는 데이터 기반이 먼저 마련되어야 합니다.
AI-Ready Data 기반의 4대 축
┌─────────────────────────────────────────────────────────────┐
│ AI-Ready Data 기반 │
├──────────────┬──────────────┬──────────────┬──────────────┤
│ 데이터플랫폼 │ 시맨틱 레이어 │ 품질관리 │ 운영 체계 │
│ │ │ │ │
│ 수집·저장·처리│ 의미·관계 │ 신뢰성 보장 │ Agentic AI │
│ (정형+비정형)│ 부여 계층 │ │ 지속 운영 │
└──────────────┴──────────────┴──────────────┴──────────────┘핵심 AI-Ready Data의 본질은 데이터를 많이 모으는 것이 아니라, AI가 이해할 수 있는 형태로 데이터의 의미와 관계를 구조화하는 것입니다.
2. AI 활용을 위한 데이터 기반 구성
2.1 데이터플랫폼 — 데이터 확보·처리 기반
AI가 활용할 수 있는 데이터를 안정적으로 확보하고 처리하는 기반입니다. 정형 데이터뿐만 아니라 문서 기반의 비정형 데이터까지 함께 수집·처리할 수 있어야 합니다.
주요 구성 요소
- 데이터 파이프라인
- 데이터 수집체계
- 비정형 데이터 처리
- 데이터 카탈로그 통합
- 정형·비정형 데이터 저장소
- 데이터 검색 및 조회 기반
⚠️ 데이터플랫폼만으로는 AI가 업무 의미를 이해하기 어렵습니다. 반드시 이후 시맨틱 레이어와 연계되어야 합니다.
2.2 시맨틱 레이어 — 업무 의미·관계 정의 ⭐ 핵심
데이터플랫폼이 데이터를 모으고 처리한다면, 시맨틱 레이어는 그 데이터가 업무적으로 무엇을 의미하는지를 정의합니다.
주요 구성 요소
- 메타정보 관리
- 용어사전 및 업무 규칙 관리
- 온톨로지 관리 ← 시맨틱 레이어의 중심
- 지식그래프 관리
- 지식베이스 관리
- 데이터 디스커버리
온톨로지의 역할
온톨로지는 업무 개념, 용어, 속성, 관계, 규칙을 정의하는 체계입니다. 단순히 테이블과 컬럼 구조를 설명하는 것이 아니라, AI가 업무를 이해할 수 있도록 비즈니스 의미를 구조화합니다.
예시: SR 도메인 온톨로지
충전소 ──[보유]── 거래처
│ │
│ └─[적용]── 계약조건 ──[포함]── 할인단가
│ └── 수송비
│ └── 지원기회비용
│
└─[담당]── SR 담당자이 관계가 지식그래프로 표현되면 AI는 단순 검색을 넘어 관계 기반 질의와 추론을 수행할 수 있습니다.
2.3 품질관리 — 신뢰성 보장
단순 정합성만으로는 부족합니다. AI 답변의 근거가 되는 데이터가 최신인지, 출처가 명확한지, 기준정보가 일관되는지까지 관리되어야 합니다.
주요 관리 대상
| 영역 | 내용 |
|---|---|
| 데이터 품질 평가 | 정합성, 완전성, 정확성 검증 |
| 마스터 데이터 관리 | 기준정보 일관성 확보 |
| 데이터 리니지 관리 | 데이터 출처·흐름 추적 |
| 출처 및 근거 추적 | 답변 근거 데이터 명시 |
| 기준정보 정합성 관리 | 코드·용어 표준화 |
| 변경 데이터 적시 반영 | 실시간 동기화 |
| 답변 가능 질문 기준 품질 측정 | CQ Coverage |
AI 품질의 새로운 기준: CQ (Competency Question)
AI 품질은 화면이나 기능 구현 여부만으로 판단하기 어렵습니다. 실제 업무 질문에 정확히 답변할 수 있는지를 기준으로 봐야 합니다.
품질 검증을 위한 CQ 예시
- ❓ 특정 충전소의 손익이 왜 악화되었는가?
- ❓ 거래조건 변경 이력은 무엇인가?
- ❓ 할인단가 상승이 수익성에 어떤 영향을 주었는가?
- ❓ 지원기회비용이 증가한 사유는 무엇인가?
→ 이러한 질문에 근거와 함께 답할 수 있는지가 핵심 품질 기준이 됩니다.
2.4 운영 체계 — Agentic AI 지속 운영
Agentic AI는 단순 챗봇과 달리 여러 시스템을 조회하고, 도구를 호출하며, 업무 맥락을 유지하고, 정책에 따라 행동합니다.
주요 구성 요소
| 영역 | 구성 요소 |
|---|---|
| 실행 환경 | Agent 실행 환경 관리 |
| 명령·도구 | Prompt 및 Tool 관리 |
| 맥락·기억 | Context 및 Memory 관리 |
| 거버넌스 | 권한 및 정책 관리 |
| 연계 | MCP 기반 외부 시스템 연계 |
| 추적·평가 | 모니터링 및 감사 이력, 답변 품질 평가 |
| 개선 | 사용자 피드백 반영, 변경관리, 기술 내재화 |
🔍 운영의 핵심 AI가 어떤 데이터를 참고했고, 어떤 도구를 사용했으며, 어떤 기준으로 답변했는지를 추적할 수 있어야 업무 의사결정에 활용 가능한 신뢰성을 확보할 수 있습니다.
3. 기존 데이터 기반 AI의 한계
기존 방식은 데이터가 존재하더라도 AI가 이를 제대로 이해하지 못하는 문제가 있습니다. 데이터는 ERP, POS, 영업 시스템, 문서 저장소 등에 흩어져 있고, 업무 의미와 관계는 사람의 경험이나 문서 속에 암묵적으로 존재합니다.
AI가 마주하는 네 가지 한계
| # | 한계 | 설명 |
|---|---|---|
| 1 | 맥락 이해 부족 | 업무 용어·지표의 의미를 알지 못해 질문 의도 파악 실패 |
| 2 | 관계 연결 불가 | 충전소·거래처·계약조건·실적·담당이력 등을 연결 해석 불가 |
| 3 | 규칙 추론 불가 | 할인·지원·보상·정산·예외 조건 등 비즈니스 규칙 추론 불가 |
| 4 | 근거 설명 불가 | 어떤 데이터·정책에 근거했는지 설명 불가 → 의사결정 활용 어려움 |
🎯 결론 AI 활용의 전제는 데이터 자체가 아니라, 데이터를 AI가 이해 가능한 의미 구조로 전환하는 것입니다.
4. 시맨틱 레이어와 온톨로지 설계 방향
시맨틱 레이어는 온톨로지와 지식그래프를 통해 구체화됩니다.
- 온톨로지: 업무 개념과 규칙을 정의
- 지식그래프: 개념 간 관계를 연결
핵심 원칙: 업무 질문에서 출발
온톨로지 설계는 기술 구조가 아닌 업무 질문에서 출발해야 합니다. 먼저 AI가 답해야 할 질문을 정의하고, 그 질문에 답하기 위해 필요한 개념·데이터·관계·규칙을 도출하는 방식이 적절합니다.
온톨로지 설계 4단계 절차
┌─────────────┐ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 1. 핵심 │ → │ 2. 정형 │ → │ 3. 비정형 │ → │ 4. 정렬· │
│ 질문 정의 │ │ 기본 개념 │ │ 개념 확장 │ │ 검증 │
│ (CQ) │ │ │ │ │ │ │
└─────────────┘ └─────────────┘ └─────────────┘ └─────────────┘Stage 1. 핵심 질문 정의 (CQ 생성)
현업이 실제로 묻고 싶은 질문을 정리합니다.
예시 CQ
- TMC 감소 원인
- 거래조건 변경 이력
- 특정 충전소의 수익성 악화 원인
- 지원기회비용 증가 사유
Stage 2. 정형 데이터 기반 기본 개념 도출
- 기존 테이블·컬럼 구조 활용
- 데이터 카탈로그·기준정보 활용
- 기본적인 업무 개념과 속성 정리
Stage 3. 비정형 데이터 기반 개념 확장
- 품의서, 계약서, 정책 문서
- 회의록, 업무 매뉴얼
- → 암묵적 규칙과 관계 추가 도출
Stage 4. 정렬 및 검증
- 중복 개념 제거
- 용어 통일
- 계층 구조와 관계 정리
- 정의한 CQ에 실제로 답할 수 있는지 확인
- 도메인 전문가 검토를 통한 보완
⚙️ 운영 원칙 온톨로지를 일회성 산출물로 만들지 않는 것이 중요합니다. 업무 기준, 정책, 데이터 구조가 변경되면 온톨로지도 함께 갱신되어야 합니다.
5. 업무 적용 관점
SR AI Assistant나 데이터 플랫폼 PoC 관점에서 이 구조를 그대로 적용 가능합니다. 핵심은 단순 자연어 질의 기능 구현이 아니라, SR 업무를 AI가 이해할 수 있는 데이터 구조로 정리하는 것입니다.
5.1 데이터플랫폼 관점
우선 정리: 정형 데이터 — SAP, BIS, HMS, POS, OCB, 오피넷
확장 대상: 비정형 데이터 — 품의서, 계약서, 정책 문서, 회의록, 업무 매뉴얼
5.2 시맨틱 레이어 관점
Site Code 중심의 기준정보를 중심에 배치하고, 다음 개념 간 관계를 구조화합니다.
┌── 충전소
│
├── 거래처
│
Site Code ───────┼── 계약조건 ─── 거래조건 변경 이력
│
├── SR 담당 이력
│
└── 판매실적 ─── 수송비
─── 지원기회비용
─── 임대손익5.3 품질관리 관점
데이터 적재 완료 여부가 아닌 실제 업무 질문에 답할 수 있는지를 기준으로 평가합니다.
- ✅ 특정 충전소의 수익성 악화 원인을 근거와 함께 설명 가능한가?
- ✅ 거래조건 변경의 영향을 추적 가능한가?
- ✅ 할인단가 상승 사유를 정책·이력 기반으로 설명 가능한가?
- ✅ 지원기회비용 증가 원인을 다중 데이터 연결로 해석 가능한가?
5.4 운영 관점
향후 Agentic AI 확장을 위해 다음을 함께 고려합니다.
- 권한 및 정책 관리
- Prompt / Tool 관리
- MCP 기반 시스템 연계
- 모니터링 및 답변 평가
- 사용자 피드백 반영 체계
6. 아키텍처 관점
아키텍처는 데이터플랫폼, 시맨틱 레이어, LLM 레이어, Agent 운영 환경이 분리되면서도 유기적으로 연계되는 구조가 적절합니다.
레이어 구성
┌─────────────────────────────────────────────────────────┐
│ Agent 운영 환경 │
│ MCP · Tool · Memory · Policy · Evaluation │
└─────────────────────────────────────────────────────────┘
↓ ↑
┌─────────────────────────────────────────────────────────┐
│ LLM 레이어 │
│ 자연어 이해 · 응답 생성 │
└─────────────────────────────────────────────────────────┘
↓ ↑
┌─────────────────────────────────────────────────────────┐
│ 시맨틱 레이어 │
│ 메타데이터 · 벡터 검색 · 온톨로지 · 지식그래프 │
└─────────────────────────────────────────────────────────┘
↓ ↑
┌─────────────────────────────────────────────────────────┐
│ 데이터플랫폼 │
│ 수집 · 처리 · 카탈로그 · 품질관리 │
└─────────────────────────────────────────────────────────┘
↓ ↑
┌─────────────────────────────────────────────────────────┐
│ 데이터 레이어 │
│ 정형 데이터 · 비정형 데이터 저장소 │
└─────────────────────────────────────────────────────────┘AWS 서비스 매핑 (참고)
| 레이어 | AWS 서비스 |
|---|---|
| 데이터 레이어 | S3, RDS, DynamoDB |
| 시맨틱 레이어 | Glue, OpenSearch, Neptune |
| LLM 레이어 | Bedrock, Knowledge Base |
| Agent 운영 환경 | AgentCore, MCP |
💡 중요한 것은 특정 AWS 서비스 자체가 아니라, 데이터플랫폼 - 시맨틱 레이어 - 품질관리 - 운영 체계가 하나의 흐름으로 연결되는 구조를 갖추는 것입니다.
7. 종합 정리
AI-Ready Data 기반 = 선행 조건
AI가 업무에 활용되기 위한 선행 조건으로 다음 4가지가 함께 설계되어야 합니다.
| 영역 | 본질 | 핵심 산출물 |
|---|---|---|
| 데이터플랫폼 | 데이터 수집·처리 기반 | 정형·비정형 통합 파이프라인, 카탈로그 |
| 시맨틱 레이어 | 업무 의미와 관계 정의 | 온톨로지, 지식그래프, 용어사전 |
| 품질관리 | 데이터 신뢰성 보장 | CQ Coverage, 리니지, 출처 추적 |
| 운영 체계 | Agentic AI 지속 운영 | 권한·정책, MCP, 모니터링, 평가 |
시맨틱 레이어의 의의
특히 시맨틱 레이어는 온톨로지와 지식그래프를 통해 구현되며, AI가 다음을 이해할 수 있도록 만드는 핵심 계층입니다.
- 업무 용어
- 데이터 관계
- 비즈니스 규칙
- 답변 근거
PoC 추진 방향
향후 SR AI Assistant나 데이터 플랫폼 PoC에서도 단순 데이터 적재나 자연어 질의 구현에 그치지 않고, 다음 흐름을 함께 고려하여 추진해야 합니다.
현업 질문 기반 CQ 정의
↓
기준정보 및 용어 정리
↓
정형·비정형 데이터 통합
↓
온톨로지 및 관계 구조 설계
↓
답변 품질 검증 (CQ Coverage)
↓
운영 체계 구축핵심 체크리스트
PoC 또는 본 사업 추진 시 다음 항목을 확인하세요.
데이터플랫폼
- 정형 데이터 소스(SAP, BIS, HMS, POS 등) 통합 완료
- 비정형 데이터(품의서, 계약서, 매뉴얼 등) 수집 체계 마련
- 데이터 카탈로그 통합 운영
시맨틱 레이어
- 현업 질문 기반 CQ 목록 정의
- Site Code 중심 기준정보 정리
- 핵심 개념 간 관계 구조화 (온톨로지)
- 지식그래프 구축
품질관리
- CQ Coverage 측정 체계 마련
- 데이터 출처·근거 추적 가능
- 마스터 데이터 일관성 검증
운영 체계
- 권한·정책 관리 체계
- Prompt·Tool 관리
- 모니터링 및 답변 평가 프로세스
- 사용자 피드백 반영 루프