{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"ko","description":"AI 옵저버빌리티의 개념, 작동 방식, 그리고 프로덕션 환경에서 LLM 및 에이전틱 AI를 모니터링하는 데 필요한 지표, 트레이스, 평가 방법을 알아보세요.","title":"AI 옵저버빌리티란? 지표, 트레이싱 및 LLM 모니터링 | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ko/artificial-intelligence/observability/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},":items":{"experiencefragment-banner":{"id":"experiencefragment-6cbc9698be","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/observability"},"experiencefragment-header":{"id":"experiencefragment-bb281365c8","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/observability"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont":{"id":"flexible-column-container-bc7bf1097c","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-523aa82020",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-995220e61c","items":[{"id":"breadcrumb-995220e61c-item-6486f44734","link":{"valid":true,"url":"/ko/"},"active":false,"current":false,"title":"한국어",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-995220e61c-item-bbf96f220b","link":{"valid":true,"url":"/ko/artificial-intelligence/"},"active":false,"current":false,"title":"인공지능",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-995220e61c-item-da3db64adc","link":{"valid":true,"url":"/ko/artificial-intelligence/observability/"},"active":true,"current":true,"title":"AI 옵저버빌리티",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-9ff569d7bf","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-6d2d1563c6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_463561420":{"id":"text-81d1cbc83c","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003E기본 가이드\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-d5661fb2ff","additionalClasses":"hub-hero__headline","type":"heading1","lines":["AI 옵저버빌리티: 프로덕션 AI의 신뢰와 통제"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-2b53d1655d","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EAI 시스템이 비즈니스 크리티컬 워크플로우로 확산되면서, 조직은 이러한 시스템이 어떻게 동작하는지 파악하고 그 동작을 통제할 수 있는 방법이 필요합니다. AI 옵저버빌리티는 장애 문제 해결, 품질 개선, 프로덕션 AI의 안정적인 운영에 필요한 트레이스, 지표, 평가, 거버넌스 근거를 팀에 제공합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-e2c52d04f5",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-c2b0bc124a","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","alt":"Laurie MacPherson","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","테크니컬 라이터, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-f45530f3d5","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/jiyun-kim/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"약력 보기"},"image":{"id":"image","height":"567","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7298322-b642-462f-a1ea-e4319d26238d/jiyun-kim-photo.jpg?quality=85&preferwebp=true","alt":"David Gaule","lazyEnabled":true,"width":"425",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Jiyun Kim","SEO Specialist, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_463561420","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-e395e63fd0",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-ad3eadc237","youtubeVideoId":"YL-B7bck-sI","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-5284f83c94","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-187223c9f6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-c5d12d7f3f","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EAI 옵저버빌리티 주제:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-f07d5545d6","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/observability/model-monitoring/\"\u003EML 모델 모니터링\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-c0cb07c911","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-dbf413f0d1","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EAI 옵저버빌리티의 정의\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EAI 옵저버빌리티는 AI 시스템에 계측, 트레이싱, 평가 체계를 적용하여 입력, 데이터, 프롬프트, 모델, 도구, 애플리케이션 로직이 프로덕션 환경에서 각 출력을 어떻게 형성하는지 팀이 이해할 수 있도록 하는 실무 방식입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-cb218b48e6","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/\"\u003E인공지능\u003C/a\u003E이 고객 지원, 재무 분석, 규정 준수 워크플로우 또는 경영진의 의사결정에 영향을 미치는 상황에서, 잘못된 출력은 곧 비즈니스 리스크로 이어집니다. 그러나 대부분의 엔터프라이즈 AI 배포 환경에서는 시스템이 왜 특정 답변을 생성했는지, 문제가 발생했을 때 어떻게 대응해야 하는지에 대한 가시성이 놀라울 정도로 부족합니다.\u003C/p\u003E\r\n\u003Cp\u003E인공지능 옵저버빌리티는 프로토타입이라는 통제된 환경을 벗어난 이후의 AI 시스템 동작을 조직이 점검할 수 있는 방법을 제공합니다. 실제 운영 환경에서는 출력이 모델 자체뿐 아니라 프롬프트, 정책, 도구 호출, 지연 시간, 요청 시점에 이용 가능한 거버넌스가 적용된 데이터에 따라서도 달라지기 때문입니다. 옵저버빌리티는 팀이 이러한 동작을 이해하고, AI 시스템을 신뢰할 수 있는지를 판단하는 핵심 질문에 답할 수 있도록 돕습니다. 시스템은 실제로 무엇을 하고 있는가? 그 이유는 단순합니다. 신뢰할 수 있는가?\u003C/p\u003E\r\n\u003Cp\u003E옵저버빌리티는 AI를 블랙박스에서 대규모로 지속적으로 관찰, 측정, 검증, 관리할 수 있는 시스템으로 전환시키는 요소입니다. 비즈니스 크리티컬 데이터를 기반으로 AI를 운영하는 조직에게 옵저버빌리티는 신뢰할 수 있는 엔터프라이즈 AI를 구축하는 토대입니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-observability":{"id":"title-v2-467c1b05b4","additionalClasses":"anchor-title anchor-title--what-is-ai-observability","type":"heading2","lines":["AI 옵저버빌리티란?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-observability_0":{"id":"text-3cac7f1143","text":"\u003Cp\u003EAI 옵저버빌리티는 AI 시스템에 계측, 평가, 트레이싱 체계를 적용해 입력에서 출력에 이르는 전체 경로에 걸쳐 시스템의 동작을 팀이 이해할 수 있도록 하는 실무 방식입니다. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003E생성형 AI\u003C/a\u003E 애플리케이션의 경우, 이 경로에는 사용자 프롬프트, 검색된 문서, 모델 응답, 도구 호출, 중간 추론 단계, 지연 시간, 토큰 사용량, 비용, 평가 점수 등이 포함될 수 있습니다. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-agents/\"\u003E에이전틱 시스템\u003C/a\u003E의 경우에는 에이전트가 수행한 작업의 시퀀스, 선택한 도구, 그 과정에서 액세스한 데이터까지 포함될 수 있습니다.\u003C/p\u003E\r\n\u003Cp\u003EAI 옵저버빌리티는 일반적으로 네 가지 역량을 기반으로 합니다.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-transparency/\"\u003E\u003Cb\u003E투명성\u003C/b\u003E\u003C/a\u003E\u003Cb\u003E:\u003C/b\u003E 팀은 AI 시스템의 동작에 대한 가시성을 확보해야 프롬프트, 검색된 컨텍스트, 모델 응답, 도구 호출, 애플리케이션 로직이 워크플로우 전반에서 어떻게 상호 작용하는지 파악할 수 있습니다. 가시성은 문제가 어디에서 발생했는지, 이를 해결하기 위해 무엇을 다뤄야 하는지를 명확히 보여줍니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E측정 가능성:\u003C/b\u003E 조직은 AI 출력이 지원 대상 워크플로우에 대해 정확하고, 관련성이 있으며, 근거가 있고, 안전하며, 적시에 제공되고, 비용 효율적인지 평가할 수 있는 일관된 방법을 갖춰야 합니다. 측정 가능성은 팀이 프롬프트, 모델, 검색 전략, 구성을 추측이 아닌 근거를 바탕으로 비교할 수 있는 기반을 제공합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E거버넌스 적용 가능성:\u003C/b\u003E AI 시스템은 엔터프라이즈 통제 범위 내에서 운영되어야 합니다. 즉, 액세스 정책을 준수하고, 승인된 데이터 소스를 사용하며, 평가 결과를 기록하고, 장애를 조사할 수 있는 충분한 트레이스 근거를 확보해야 한다는 의미입니다. AI가 규제 대상 워크플로우에 통합되고 민감 데이터를 다루게 되면서, 옵저버빌리티는 별도의 엔지니어링 과제가 아니라 거버넌스의 일부가 되어야 합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E설명 가능성:\u003C/b\u003E 비즈니스 사용자, 감사자, 개발자, 경영진은 결과물을 신뢰하기 전에 그것이 어떻게 생성되었는지 이해할 필요가 있습니다. 설명 가능성은 모델의 모든 내부 세부 사항을 공개해야 한다는 의미가 아니라, 팀이 조사·개선·보완할 수 있도록 입력, 컨텍스트, 의사결정 경로, 평가 근거를 제시하는 것을 의미합니다.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_what-is-ai-observability_0":{"id":"card-v2-9948f18633","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["고객 사례: TS Imagine"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/ko/customers/all-customers/case-study/ts-imagine/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--3b812ed0-848d-4714-96e8-ce82ea5f8ebb/ts-imagine%25403x.png?quality=85&preferwebp=true","alt":"TSImagine Logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ETS Imagine은 Snowflake와 Snowflake Cortex AI를 활용해 500곳이 넘는 금융 서비스 고객사 전반에 걸쳐 데이터, 팀, 기술을 통합하는 동시에 비즈니스 전반에서 생성형 AI 활용 사례를 확장하고 있습니다. TS Imagine은 Snowflake의 RAG 기반 워크플로우와 Streamlit in Snowflake를 통해 수동 이메일 모니터링을 자동화하고, 고객 지원 분류 및 지식 탐색을 가속화했으며, 외부 LLM API 대비 AI 비용을 30% 절감하고 연간 4,000시간의 수작업을 절약했습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_ai-observability-vs-ml-monitoring-vs-model-monitoring":{"id":"title-v2-aea68e5ae9","additionalClasses":"anchor-title anchor-title--ai-observability-vs-ml-monitoring-vs-model-monitoring","type":"heading2","lines":["AI 옵저버빌리티 vs. ML 모니터링 vs. 모델 모니터링"],":type":"snowflake-site/components/title-v2"},"text_ai-observability-vs-ml-monitoring-vs-model-monitoring_0":{"id":"text-bb21567aa2","text":"\u003Cp\u003EAI 옵저버빌리티는 모델 모니터링 및 ML 모니터링과 겹치는 부분이 있지만, 그 범위는 더 넓습니다.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003E모델 모니터링은 배포된 모델에 초점을 맞춥니다:\u003C/b\u003E 팀은 모델의 예측이 여전히 정확한지, 입력 데이터에 드리프트가 발생했는지, 지연 시간이 변화하고 있는지, 모델이 예상하는 서비스 수준 목표를 충족하고 있는지를 추적합니다. 이는 사기 감지, 이탈 예측, 수요 예측과 같이 명확한 정답 데이터를 갖춘 다수의 지도 학습 기반 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/\"\u003E머신러닝\u003C/a\u003E(ML) 시스템 모니터링의 핵심입니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EML 모니터링은 파이프라인 전반으로 관점을 확장합니다.\u003C/b\u003E 피처가 늦게 도착하거나, 레이블 지정이 지연되거나, 스키마 변경으로 변환 작업이 중단되거나, 배치 작업으로 결측값이 발생하는 경우 모델 성능이 저하될 수 있습니다. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/observability-vs-monitoring/\"\u003EML 모니터링\u003C/a\u003E은 데이터 품질, 피처 신선도, 파이프라인 상태, 예측 동작 등 모델 주변의 운영 경로 전반을 추적합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EAI 옵저버빌리티는 AI 시스템 전체를 다룹니다:\u003C/b\u003E \u003Ca href=\"https://www.snowflake.com/ko/fundamentals/large-language-model/\"\u003E대규모 언어 모델\u003C/a\u003E(LLM) 애플리케이션에서 모델은 더 큰 체인 안의 한 구성 요소일 뿐입니다. \u003Ca href=\"https://www.snowflake.com/ko/fundamentals/rag/\"\u003ERAG\u003C/a\u003E 앱은 다섯 개의 문서를 검색해 그중 세 개를 프롬프트에 전달하고, LLM을 호출한 뒤 가드레일을 적용해 응답을 워크플로우에 기록할 수 있습니다. 에이전트는 작업을 계획하고, 검색 도구를 호출하고, 테이블을 쿼리하고, 결과를 요약하고, 다른 도구를 호출한 뒤 추천을 생성할 수 있습니다. 옵저버빌리티는 최종 답변뿐만 아니라 트레이스 전체를 포착해야 합니다.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003E\u003Ci\u003E모델 개발과 배포부터 프로덕션 환경에서의 모니터링 및 관리까지, 팀이 머신러닝 수명 주기를 어떻게 운영화하는지 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps 가이드\u003C/a\u003E에서 확인해 보세요.\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_the-three-pillars-of-observability":{"id":"title-v2-f6cf360aef","additionalClasses":"anchor-title anchor-title--the-three-pillars-of-observability","type":"heading2","lines":["옵저버빌리티의 3가지 핵심 요소"],":type":"snowflake-site/components/title-v2"},"text_the-three-pillars-of-observability_0":{"id":"text-b92294e087","text":"\u003Cp\u003E옵저버빌리티의 전통적인 3가지 핵심 요소는 로그, 지표, 트레이스입니다. 이 세 가지는 AI 시스템에도 여전히 적용되지만, 관찰 대상은 다릅니다. 서비스 오류, CPU 사용량, API 지연 시간만 살펴보는 것을 넘어, 팀은 프롬프트, 검색된 문서, 모델 응답, 임베딩 동작, 토큰 사용량, 도구 호출, 그라운디드니스 점수, 사람의 피드백까지 함께 점검해야 합니다.\u003C/p\u003E\n\u003Ch3\u003E로그\u003C/h3\u003E\n\u003Cp\u003E이벤트 수준에서 로그는 프롬프트 템플릿, 사용자 쿼리, 모델 이름, 응답 메타데이터, 검색 쿼리, 선택된 문서, 도구 호출, 정책 결정, 오류 메시지, 피드백을 기록할 수 있습니다. 엔터프라이즈 환경에서는 이러한 기록 자체에도 거버넌스가 필요합니다. 프롬프트와 응답에는 독점 데이터, 규제 대상 정보, 내부 비즈니스 컨텍스트가 포함될 수 있으므로 보존, 마스킹, 역할 기반 액세스가 설계 단계부터 반영되어야 합니다.\u003C/p\u003E\n\u003Cp\u003E잘 설계된 로그 기록은 옵저버빌리티가 관리되지 않은 또 다른 민감 데이터의 원천이 되지 않도록 하면서도 팀이 조사에 필요한 충분한 세부 정보를 확보할 수 있게 해줍니다. 일부 워크플로우에서는 기본적으로 메타데이터만 저장하고, 승인된 조사 상황에서만 전체 프롬프트와 응답 콘텐츠에 제한적으로 액세스를 허용하는 방식이 될 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E지표\u003C/h3\u003E\n\u003Cp\u003E시간이 지남에 따라 지표는 시스템이 안정적으로 유지되고 있는지를 보여줍니다. 지연 시간, 처리량, 오류율, 요청량, 토큰 사용량, 요청당 비용은 운영 측면을 포착합니다. 그라운디드니스, 답변 관련성, 컨텍스트 관련성, 사실적 정확성, 거부율, 유해성, 완전성, 일관성은 AI 품질 측면을 더 폭넓게 반영합니다.\u003C/p\u003E\n\u003Cp\u003EML 워크플로우에서는 데이터 드리프트, 예측 드리프트, 개념 드리프트가 모델이 여전히 익숙한 조건에서 작동하고 있는지 팀이 판단하는 데 도움이 됩니다. 모델이 정형화된 피처와 알려진 결과에 의존하는 경우, 모집단 안정성 지수(PSI), 피처 기여도, SHAP 값 등이 이러한 분석을 뒷받침할 수 있습니다. 출력이 언어 기반이며 단일 레이블이 아닌 컨텍스트를 기준으로 평가되는 경우가 많은 생성형 AI에서는, 평가 지표가 답변이 검색된 정보를 얼마나 잘 활용했는지 또는 특정 작업 기준을 얼마나 충족했는지를 채점해야 할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E추적\u003C/h3\u003E\n\u003Cp\u003E단일 요청 내에서 트레이스는 시스템의 한 단계에서 다음 단계로 이어지는 흐름을 따라갑니다. 기본적인 챗봇에서는 프롬프트, 모델 호출, 응답을 의미할 수 있습니다. RAG 애플리케이션에서 트레이스에는 원래 질문, 검색 쿼리, 순위가 매겨진 청크, 프롬프트 구성, 추론 호출, 평가 결과, 최종 답변이 포함될 수 있습니다. 에이전틱 워크플로우에서는 스팬이 계획 수립, 도구 선택, 도구 응답, 재시도, 중간 출력까지 포괄할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E트레이스의 가치는 시퀀스를 보존한다는 데 있습니다. 답변이 잘못된 정책을 인용한 경우, 팀은 잘못된 문서가 검색되었는지, 올바른 문서가 검색되었지만 무시되었는지, 아니면 올바른 컨텍스트를 받았음에도 모델이 근거 없는 텍스트를 생성했는지를 확인할 수 있습니다. 에이전트가 단순한 질문에 답하는 데 45초가 걸리는 경우, 트레이스를 통해 그 시간이 모델 추론에 소요되었는지, 느린 도구 때문인지, 반복적인 검색 때문인지, 아니면 에이전트 계획의 루프 때문인지 파악할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E\u003Ci\u003E신뢰할 수 있는 생성형 AI를 뒷받침하는 아키텍처를 Snowflake의 Chief Data & Analytics Officer인 Anahita Tafvizi가 직접 설명합니다:\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_the-three-pillars-of-observability_0":{"id":"embed-8ee59903c7","youtubeVideoId":"gA-R_MgZQAk","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_identifying-ai-drift":{"id":"title-v2-e954bdefc5","additionalClasses":"anchor-title anchor-title--identifying-ai-drift","type":"heading2","lines":["AI 드리프트 식별"],":type":"snowflake-site/components/title-v2"},"text_identifying-ai-drift_0":{"id":"text-34e611c5c0","text":"\u003Cp\u003EAI 시스템이 정형 데이터, 비정형 문서, 임베딩, 런타임 컨텍스트를 결합함에 따라 드리프트는 여러 지점에서 나타날 수 있습니다.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003E데이터 드리프트:\u003C/b\u003E 입력 데이터가 시간이 지남에 따라 변화합니다. 작년 티켓으로 학습된 고객 지원 분류기는 새로운 제품 카테고리, 새로운 용어 또는 새로운 에스컬레이션 패턴을 접하게 될 수 있습니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E개념 드리프트:\u003C/b\u003E 입력값과 결과 간의 관계가 변화합니다. 사기 탐지 모델은 특정 유형의 악용 패턴을 학습했더라도, 이후 새로운 수법이 등장하면서 기존 상관관계의 신뢰성이 떨어질 수 있습니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E예측 드리프트:\u003C/b\u003E 출력 분포가 변화합니다. 예를 들어, 이전에는 사례의 10%를 고위험으로 분류하던 모델이 이제는 35%를 그렇게 분류하는데, 비즈니스에서는 이러한 변화를 예상하지 못한 경우입니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E임베딩 드리프트:\u003C/b\u003E 데이터, 모델 또는 임베딩 전략이 변경되면 벡터 표현도 함께 변화합니다. RAG 시스템에서는 이러한 변화가 어떤 문서가 검색되는지, 그리고 두 콘텐츠가 시스템에서 얼마나 유사하게 인식되는지에 영향을 미칠 수 있습니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E데이터 품질 드리프트:\u003C/b\u003E 결측값, 지연된 업데이트, 스키마 변경, 중복 레코드는 모델 자체가 변하지 않더라도 시스템이 사용하는 데이터에 영향을 미칩니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-fairness/\"\u003E\u003Cb\u003E공정성\u003C/b\u003E\u003C/a\u003E \u003Cb\u003E및 편향 드리프트:\u003C/b\u003E 모델 동작은 사용자 그룹, 지역, 제품 라인 또는 언어 패턴에 따라 다르게 변화할 수 있습니다. 옵저버빌리티는 품질, 거부 동작 또는 오류율이 특정 집단에 편중되어 나타나는지 여부를 팀이 감지하는 데 도움이 됩니다.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_identifying-ai-drift_0":{"id":"text-4f015d15e3","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003E자주 하는 실수\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E모니터링만으로는 충분하지 않습니다. 모니터링은 언제 무엇이 변했는지를 보여줄 수 있지만, 왜 변했고 어떻게 해결해야 하는지를 이해하는 데 필요한 로그, 지표, 트레이스, 평가 결과는 옵저버빌리티가 제공합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_llm-and-agentic-ai-observability":{"id":"title-v2-e429645e63","additionalClasses":"anchor-title anchor-title--llm-and-agentic-ai-observability","type":"heading2","lines":["LLM 및 에이전틱 AI 옵저버빌리티"],":type":"snowflake-site/components/title-v2"},"text_llm-and-agentic-ai-observability_0":{"id":"text-52931be09a","text":"\u003Cp\u003ELLM 옵저버빌리티는 챗봇, 문서 어시스턴트, 요약 워크플로우, 코딩 어시스턴트, text-to-SQL 인터페이스, RAG 애플리케이션 등 대규모 언어 모델을 사용하는 시스템의 동작에 초점을 맞춥니다. 이러한 시스템에서 품질은 단순히 모델 응답만으로 결정되지 않습니다. 팀은 애플리케이션이 올바른 컨텍스트를 검색했는지, 올바른 프롬프트를 구성했는지, 적절한 통제를 준수했는지, 그리고 유용하고 근거가 있으며 거버넌스가 적용된 답변을 생성했는지 파악해야 합니다.\u003C/p\u003E\n\u003Ch3\u003ERAG 파이프라인 추적\u003C/h3\u003E\n\u003Cp\u003ERAG 파이프라인에서는 모델이 응답을 생성하기 전에 답변의 방향이 결정됩니다. 쿼리가 모호할 수도 있고, 검색 계층이 관련 없는 문서를 반환할 수도 있으며, 프롬프트에 올바른 문서는 포함되었지만 이를 인용하라는 지시가 누락되었을 수도 있습니다. 모델은 그럴듯하게 들리지만 검색된 컨텍스트로 뒷받침되지 않는 답변을 생성할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E그라운디드니스 점수는 이러한 유형의 실패를 표시하는 데 도움이 될 수 있지만, 문제가 시스템의 어느 지점에서 발생했는지는 트레이스가 보여줍니다. 쿼리, 검색된 문서, 순위가 매겨진 청크, 프롬프트 구성, 모델 응답, 평가 결과를 수집함으로써 팀은 문제가 검색, 컨텍스트 선택, 프롬프트 설계, 모델 동작 중 어디에서 시작되었는지 확인할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E프롬프트, 응답, 비용 및 지연 시간 모니터링\u003C/h3\u003E\n\u003Cp\u003E프롬프트 및 응답 트레이싱은 개발자가 요청 경로를 점검할 수 있는 방법을 제공합니다. 스팬은 단일 트레이스 안에서 검색, 모델 호출, 도구 호출 및 기타 작업을 수집할 수 있으므로, 팀은 별도의 로그에서 워크플로우를 재구성하지 않고도 각 단계를 살펴볼 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E토큰 사용량 모니터링은 특히 애플리케이션이 긴 프롬프트를 전송하거나, 과도한 컨텍스트를 검색하거나, 반복되는 도구 호출을 순환할 때 비용과 성능을 이해하는 데 도움이 됩니다. 지연 시간 지표는 응답이 느린 원인이 검색, 추론, 오케스트레이션 또는 외부 서비스 중 어디에 있는지 보여줍니다. 이러한 신호들은 함께 활용될 때, 팀이 품질, 속도, 비용을 별개의 문제로 다루지 않고 애플리케이션을 튜닝할 수 있도록 돕습니다.\u003C/p\u003E\n\u003Ch3\u003E에이전트 단계 및 도구 호출 수집\u003C/h3\u003E\n\u003Cp\u003E에이전틱 AI 옵저버빌리티는 에이전트가 단순히 프롬프트에 답변만 하는 것이 아니기 때문에 또 다른 계층을 추가합니다. 에이전트는 검색 도구를 호출하고, 정형 테이블에 쿼리를 실행하고, 문서를 열고, 결과를 요약하며, 후속 질문을 할지 여부를 결정하는 일련의 작업을 수행할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E옵저버빌리티는 이러한 시퀀스를 수집하여, 에이전트가 적절한 도구를 선택했는지, 올바른 데이터에 접근했는지, 적절한 시점에서 작업을 중단했는지를 팀이 확인할 수 있도록 해야 합니다. 이러한 단계별 기록이 없다면, 에이전트의 최종 응답은 그 이면의 워크플로우가 비효율적이거나 근거가 부족하거나 의도된 정책 범위를 벗어났더라도 문제없어 보일 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E생성형 AI 텔레메트리 표준화\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://opentelemetry.io/\" target=\"_blank\"\u003EOpenTelemetry\u003C/a\u003E는 LLM 및 에이전틱 AI 옵저버빌리티의 중요한 표준화 지점으로 자리 잡고 있습니다. OpenTelemetry의 생성형 AI 시맨틱 컨벤션은 모델 호출, 토큰 수, 그리고 조직이 옵트인하는 경우 프롬프트 콘텐츠, 컴플리션, 도구 호출, 도구 결과를 포함하여 생성형 AI 작업을 어떻게 기록할 수 있는지를 정의합니다.\u003C/p\u003E\n\u003Cp\u003EAI 애플리케이션은 여러 프레임워크, 모델, 인프라 계층에 걸쳐 있는 경우가 많기 때문에, 공통 텔레메트리 모델은 시스템 간 동작을 비교하고, 계측 패턴을 재사용하며, 파편화된 옵저버빌리티 스택을 방지하는 데 필수적입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-to-implement-ai-observability":{"id":"title-v2-aa76ff94ac","additionalClasses":"anchor-title anchor-title--how-to-implement-ai-observability","type":"heading2","lines":["AI 옵저버빌리티 구현 방법"],":type":"snowflake-site/components/title-v2"},"text_how-to-implement-ai-observability_0":{"id":"text-02e10adcb3","text":"\u003Cp\u003EAI 애플리케이션을 계측하기 전에, 팀은 시스템이 프로덕션에서 무엇을 입증해야 하는지를 먼저 결정해야 합니다. 예를 들어, 고객 지원 어시스턴트는 답변이 최신 정책 콘텐츠에서 도출되었음을 입증해야 할 수 있고, 재무 어시스턴트는 어떤 테이블, 지표 정의, 보고 기간이 차이 분석 설명을 구성했는지를 보여줘야 할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E워크플로우의 요구 사항이 무엇을 수집해야 하는지를 결정합니다. 저위험 워크플로우에서는 경량 피드백, 샘플링된 트레이스, 기본적인 품질 점검만으로도 충분할 수 있습니다. 규제 대상이거나 비즈니스 크리티컬 워크플로우에서는 프롬프트, 모델 또는 검색 방식 변경 사항이 프로덕션에 반영되기 전에 더 깊이 있는 트레이싱, 더 엄격한 평가 데이터 세트, 액세스가 통제된 기록, 명확한 승격 기준이 필요할 가능성이 큽니다.\u003C/p\u003E\n\u003Ch3\u003E텔레메트리로 실행 경로 계측하기\u003C/h3\u003E\n\u003Cp\u003E계측은 시스템을 관찰 가능하게 만드는 로그, 지표, 트레이스를 수집합니다. AI 시스템의 경우, 이는 모델을 둘러싼 애플리케이션 경로, 즉 프롬프트, 검색, 도구 호출, 모델 응답, 평가 점수, 지연 시간, 토큰 사용량, 사용자 피드백을 계측하는 것을 의미합니다.\u003C/p\u003E\n\u003Cp\u003ERAG 애플리케이션의 경우, 사용자 프롬프트, 검색 쿼리, 검색된 컨텍스트, 프롬프트 구성, 모델 응답, 평가 점수, 지연 시간, 비용이 포함됩니다. 에이전트의 경우에는 계획 수립, 도구 호출, 중간 결과, 재시도, 중지 조건도 포함됩니다.\u003C/p\u003E\n\u003Ch3\u003E베이스라인 및 알림 설정\u003C/h3\u003E\n\u003Cp\u003E트레이스와 지표가 수집되기 시작하면 베이스라인은 지연 시간, 비용, 그라운디드니스, 거부율, 답변 관련성, 드리프트 지표 등 품질과 성능의 정상 범위를 팀에 제공합니다. 이러한 베이스라인은 워크플로우마다 다르므로 일반적인 기준이 아닌 해당 태스크를 반영해야 합니다.\u003C/p\u003E\n\u003Cp\u003E알림은 모든 편차가 아닌 유의미한 변화에 초점을 맞춰야 합니다. 더 풍부한 컨텍스트를 추가한 뒤 토큰 사용량이 소폭 증가하는 것은 예상 가능한 반면, 프롬프트 변경 이후 그라운디드니스가 급격히 떨어진다면 조사가 필요합니다.\u003C/p\u003E\n\u003Ch3\u003E피드백 루프 구축\u003C/h3\u003E\n\u003Cp\u003EAI 옵저버빌리티는 개선으로 이어져야 합니다. 평가 결과는 프롬프트 변경, 검색 튜닝, 모델 선택, 가드레일 조정, 데이터 품질 개선의 방향을 제시할 수 있습니다. 사용자 피드백은 테스트 데이터의 공백을 파악하는 데 도움이 됩니다. 트레이스 분석은 에이전트가 작업을 반복하거나 잘못된 도구를 선택하거나 검색된 컨텍스트를 활용하지 못하는 지점을 드러낼 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E이러한 루프는 생성형 AI에서 특히 중요합니다. 품질은 종종 비교를 통해 판단되기 때문입니다. 팀은 새로운 프롬프트, 모델, 임베딩 전략, 추론 구성이 의도한 태스크에 대해 애플리케이션을 개선했는지 확인해야 합니다. Snowflake의 AI Observability는 LLM, 프롬프트, 추론 구성에 걸친 평가를 나란히 비교할 수 있도록 지원하며, 이를 통해 팀은 특정 구성을 프로덕션으로 승격하기 전에 응답 품질을 평가할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E가능한 부분은 표준화하기\u003C/h3\u003E\n\u003Cp\u003EAI 애플리케이션이 여러 팀으로 확산되면 옵저버빌리티는 빠르게 파편화될 수 있습니다. 어떤 팀은 애플리케이션 데이터베이스에 프롬프트를 기록하고, 다른 팀은 대시보드에서 비용을 추적하며, 또 다른 팀은 노트북에 평가 결과를 보관합니다. 텔레메트리, 평가 데이터 세트, 지표, 트레이스 형식을 표준화하면 조직 전반에서 시스템을 비교하고 운영 패턴을 재사용하는 데 도움이 됩니다.\u003C/p\u003E\n\u003Cp\u003EOpenTelemetry는 텔레메트리 계층을 지원할 수 있고, 거버넌스 체계가 갖춰진 데이터 플랫폼은 평가 데이터, 액세스 통제, 모니터링 기록, 트레이스 스토리지에 도움을 줄 수 있습니다. 모든 AI 애플리케이션을 동일한 설계에 맞추라는 뜻이 아닙니다. 모든 프로덕션 AI 시스템이 팀이 평가하고 개선하는 데 충분한 증거를 남기도록 하는 것이 목적입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_how-to-implement-ai-observability_0":{"id":"text-9308ac7a98","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003E팁\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E실행 경로 전반, 즉 프롬프트, 검색, 도구 호출, 모델 응답, 평가 점수, 지연 시간, 토큰 사용량, 피드백을 조기에 계측하여 팀이 프로덕션 환경의 AI를 문제 해결하고 구성을 비교하며 거버닝하는 데 필요한 증거를 확보하도록 하십시오.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_why-ai-observability-on-snowflake":{"id":"title-v2-6f05f3b1f1","additionalClasses":"anchor-title anchor-title--why-ai-observability-on-snowflake","type":"heading2","lines":["Snowflake에서 AI 옵저버빌리티가 필요한 이유"],":type":"snowflake-site/components/title-v2"},"text_why-ai-observability-on-snowflake_0":{"id":"text-0fa285fd5a","text":"\u003Cp\u003E엔터프라이즈 AI에서는 답변을 생성하는 데 사용된 데이터와 그 답변을 평가하는 데 필요한 증거가 서로 가까이 있어야 합니다. 소스 데이터, 프롬프트, 트레이스, 평가, 액세스 정책이 서로 연결되지 않은 시스템에 흩어져 있으면, 모든 조사는 재구성부터 시작하게 됩니다. 어떤 버전이 실행되었는지, 어떤 컨텍스트가 검색되었는지, 어떤 정책이 적용되었는지, 어떤 구성이 변경되었는지를 되짚어야 합니다.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake AI 데이터 클라우드에서 \u003Ca href=\"https://www.snowflake.com/ko/product/features/cortex/\"\u003ESnowflake Cortex AI\u003C/a\u003E는 거버넌스가 적용된 엔터프라이즈 데이터에 대한 생성형 AI 기능을 팀에 제공하며, Snowflake AI Observability는 생성형 AI 애플리케이션과 에이전트에 대한 체계적인 평가, 비교, 트레이싱을 지원합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_building-trust-through-observable-ai":{"id":"title-v2-273ee5cc03","additionalClasses":"anchor-title anchor-title--building-trust-through-observable-ai","type":"heading2","lines":["관찰 가능한 AI로 신뢰 구축하기"],":type":"snowflake-site/components/title-v2"},"text_building-trust-through-observable-ai_0":{"id":"text-930acba4b9","text":"\u003Cp\u003EAI 시스템이 비즈니스 프로세스 안으로 더 깊이 들어감에 따라, 신뢰는 각 결과물의 이면에 있는 경로를 조직이 얼마나 잘 살펴볼 수 있는가에 달리게 됩니다. 트레이스, 평가 점수, 검색된 문서, 모델 구성은 사후에 챙기는 엔지니어링 세부 사항이 아닙니다. 이는 팀이 AI 시스템이 의존하는 데이터, 정책, 워크플로우에 대한 통제력을 잃지 않으면서 시스템을 개선할 수 있도록 하는 기록입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_building-trust-through-observable-ai_0":{"id":"text-b50e9e4e20","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003E핵심 요약\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EAI 옵저버빌리티는 프롬프트, 데이터, 검색된 컨텍스트, 모델, 도구 호출, 애플리케이션 로직이 각 결과물을 어떻게 형성하는지 추적함으로써, 팀이 프로덕션 AI를 신뢰하는 데 필요한 가시성을 제공합니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-ai-observability","text_what-is-ai-observability_0","card_v2_what-is-ai-observability_0","title_ai-observability-vs-ml-monitoring-vs-model-monitoring","text_ai-observability-vs-ml-monitoring-vs-model-monitoring_0","title_the-three-pillars-of-observability","text_the-three-pillars-of-observability_0","yt_the-three-pillars-of-observability_0","title_identifying-ai-drift","text_identifying-ai-drift_0","callout_identifying-ai-drift_0","title_llm-and-agentic-ai-observability","text_llm-and-agentic-ai-observability_0","title_how-to-implement-ai-observability","text_how-to-implement-ai-observability_0","callout_how-to-implement-ai-observability_0","title_why-ai-observability-on-snowflake","text_why-ai-observability-on-snowflake_0","title_building-trust-through-observable-ai","text_building-trust-through-observable-ai_0","callout_building-trust-through-observable-ai_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-5e74df3fe4",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-d053c34c56","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E이 가이드의 주요 내용\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-07b9ee42e0","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-ai-observability\"\u003EAI 옵저버빌리티란?\u003C/li\u003E\u003Cli data-anchor=\"ai-observability-vs-ml-monitoring-vs-model-monitoring\"\u003EAI 옵저버빌리티 vs. ML 모니터링 vs. 모델 모니터링\u003C/li\u003E\u003Cli data-anchor=\"the-three-pillars-of-observability\"\u003E옵저버빌리티의 3가지 핵심 요소\u003C/li\u003E\u003Cli data-anchor=\"identifying-ai-drift\"\u003EAI 드리프트 식별\u003C/li\u003E\u003Cli data-anchor=\"llm-and-agentic-ai-observability\"\u003ELLM 및 에이전틱 AI 옵저버빌리티\u003C/li\u003E\u003Cli data-anchor=\"how-to-implement-ai-observability\"\u003EAI 옵저버빌리티 구현 방법\u003C/li\u003E\u003Cli data-anchor=\"why-ai-observability-on-snowflake\"\u003ESnowflake에서 AI 옵저버빌리티가 필요한 이유\u003C/li\u003E\u003Cli data-anchor=\"building-trust-through-observable-ai\"\u003E관찰 가능한 AI로 신뢰 구축하기\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-96a58a0822","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-063c5c57a4","additionalClasses":"hub-faq__headline","type":"heading2","lines":["자주 묻는 질문"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-047bca85c8","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EAI 옵저버빌리티에 대한 주요 질문에 Snowflake 전문가가 답합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-ef702fecf3","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"AI 옵저버빌리티와 모니터링의 차이점은 무엇인가요?","richText":"\u003Cp\u003E모니터링은 드리프트 신호, 지연 시간 급증, 비용 상승 또는 품질 점수 하락 등 시스템이 임계값을 넘는 시점을 보여줍니다. AI 옵저버빌리티는 트레이스, 로그, 지표, 평가를 수집하여 팀이 변화가 발생한 원인을 조사할 수 있도록 하며, 여기에는 출력의 배경이 되는 프롬프트, 검색된 컨텍스트, 모델 응답, 도구 호출, 구성 세부 정보가 포함됩니다.\u003C/p\u003E"},{"title":"AI 옵저버빌리티의 세 가지 핵심 요소는 무엇인가요?","richText":"\u003Cp\u003E세 가지 핵심 요소는 로그, 지표, 트레이스입니다. AI 시스템에서 로그는 프롬프트, 검색 쿼리, 도구 호출, 오류와 같은 이벤트를 캡처합니다. 지표는 그라운디드니스, 관련성, 지연 시간, 토큰 사용량, 비용, 드리프트와 같은 동작을 추적합니다. 트레이스는 검색, 프롬프트 구성, 모델 추론, 도구 사용을 포함하여 요청부터 응답까지의 실행 경로를 보여줍니다.\u003C/p\u003E"},{"title":"LLM 옵저버빌리티란 무엇인가요?","richText":"\u003Cp\u003ELLM 옵저버빌리티는 대규모 언어 모델을 사용하는 애플리케이션에 초점을 맞춥니다. 프롬프트, 응답, 검색된 컨텍스트, 도구 호출, 할루시네이션 또는 그라운디드니스 신호, 토큰 사용량, 지연 시간, 비용을 캡처하여 팀이 프로덕션 워크플로우에서 품질을 평가하고 실패를 조사할 수 있도록 합니다.\u003C/p\u003E"},{"title":"AI 옵저버빌리티는 모델 드리프트를 어떻게 감지하나요?","richText":"\u003Cp\u003EAI 옵저버빌리티는 시간 경과에 따른 입력, 출력, 임베딩, 예측, 성능의 변화를 추적하여 드리프트를 감지합니다. 데이터 드리프트, 개념 드리프트, 예측 드리프트, 임베딩 드리프트는 서로 다른 원인을 시사할 수 있으며, 트레이스와 평가 결과를 통해 팀은 문제가 모델, 소스 데이터, 검색 계층, 애플리케이션 로직 또는 사용자 행동 중 어디에서 비롯되는지 판단할 수 있습니다.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-a3ad18e0f1","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-5ffc85827a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-b5e95d1df3","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI 리소스 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-92ffbb6179","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-528eb37a9f","tagText":"블로그","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/observe-by-snowflake-ai-observability-at-scale/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["Observe by Snowflake: 옵저버빌리티와 AI 데이터 클라우드의 만남"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-989c3dd3b1","tagText":"가이드","tagColor":"#AAE5EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/getting-started-with-ai-observability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["AI 옵저버빌리티 시작하기"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-bb3b84eb87","tagText":"블로그","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ai-observability-trust-cortex-enterprise/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["Snowflake Cortex AI의 AI 옵저버빌리티 및 평가 기능 활용을 통한 엔터프라이즈 AI의 신뢰도 제고"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-183e288f81","tagText":"블로그","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/agentic-ai-ready-enterprise-data/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["엔터프라이즈 AI의 민주화:  데이터 기반 혁신을 더욱 가속화하고 간소화하는 Snowflake의 새로운 AI 기능"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-35abcda1d4","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-e702542b57",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-69701b8652","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["AI 주제 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-e611c2da48","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003E인공지능의 모든 영역을 깊이 있게 살펴보세요\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-59607cf967","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-ec19c3dad4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-af9f7b6cd4","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["AI 거버넌스"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EAI 위험, 책임, 준수 및 운영 통제를 관리하기 위한 프레임워크, 정책 및 감독 모델.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-3fca3a89fb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-7bb564516f","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["머신러닝"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E경험을 통해 자동으로 학습하고 개선되는 알고리즘을 이해합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-012d9761b8",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-88948f5ff4","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["AI 투명성"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E명확한 설명서, 설명 가능성, 거버넌스 통제를 통해 AI 의사 결정을 이해할 수 있도록 합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-62c8987e24","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-382eddc12f",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-a4ab3754cf","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-cf00f8ef9a","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-6f3526cb8c","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-1edfbeb090","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/observability"},"experiencefragment":{"id":"experiencefragment-269b054a71","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/observability"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/ko/artificial-intelligence/observability","isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ko/artificial-intelligence/observability","language":"ko","category":"general","pageName":"AI 옵저버빌리티 프로덕션 AI의 신뢰와 통제","contentTags":[]},"locale":"ko"}