Snowflake Semantic View Autopilot: 단 몇 분 만에 완성하는 AI 기반 시맨틱 모델링

AI에 최적화된 데이터를 위해서는 거버넌스가 적용되고 신뢰할 수 있는 시맨틱이 필수적입니다. 오늘 Snowflake는 기존 쿼리와 BI 자산을 기반으로 시맨틱 뷰를 자동 생성하는 시스템인 Semantic View Autopilot(SVA)의 정식 출시(GA)를 발표합니다.

문제의 본질은 LLM이 아닌 ‘정의’

2025년, AI 에이전트를 구축하던 팀들은 아무리 뛰어난 모델이라도 일관되지 않은 비즈니스 로직 앞에서는 한계를 드러낸다는 사실을 깨달았습니다. 문제는 AI의 역량이 아니라, 데이터 정의에 있었습니다.

VTS의 엔지니어링 부문 SVP인 Prashanth Sanagavarapu는 서로 다른 숫자가 발생하는 문제를 방지하기 위해 “일관된 시맨틱 계층을 구축하고 유지하는 데 상당한 수작업이 필요했다”고 말합니다. Snowflake가 Semantic View Autopilot을 개발한 이유도 바로 여기에 있습니다. 거버넌스가 적용되고 신뢰할 수 있는 시맨틱 계층을 자동으로 생성하기 위해서입니다.

Simon AI의 CTO인 Matt Walker는 다음과 같이 설명합니다. “Semantic View Autopilot은 AI 시스템에 일관되고 거버넌스가 적용된 비즈니스 지표에 대한 공통된 이해를 형성합니다. 이를 바탕으로 고객은 신뢰할 수 있는 개인화 경험과 AI 기반 인게이지먼트를 실현할 수 있습니다.”

Snowflake가 시맨틱 뷰 생성을 자동화하는 방식

시맨틱 뷰는 단순한 데이터 구조를 넘어, 데이터의 의미와 의도에 관한 컨텍스트를 제공합니다. LLM이 데이터를 비즈니스 개념으로 해석하는 방식을 정의합니다. 하지만 시맨틱 뷰를 만드는 과정은 대개 시간이 많이 들고, 수작업에 크게 의존합니다.

데이터 팀의 목표는 일관된 로직입니다. 그러나 수작업으로 정의를 생성하는 것은 큰 부담이 됩니다. 예를 들어 제품 팀은 ‘월 반복 매출(MRR)’을 한 가지 방식으로 정의하지만, 재무 팀은 일회성 설정 비용을 제외할 수 있습니다. 이러한 숨겨진 규칙은 배포 이후 데이터 정합성이 어긋나는 시점에야 비로소 드러납니다.

SVA는 이러한 격차를 시맨틱 뷰 생성과 거버넌스를 자동화함으로써 해소합니다. 엔지니어가 처음부터 정의를 코딩할 필요 없이, SVA는 쿼리 이력과 신뢰할 수 있는 BI 자산에서 학습한 내용을 바탕으로 후보 지표와 필터를 제시합니다. 팀은 이를 검토하고 인증한 뒤 배포함으로써 기존에 몇 주가 걸리던 작업을 몇 분 만에 완료할 수 있습니다.

작동 방식: 합의된 패턴에서 학습

SVA의 핵심 원칙은 시맨틱 정의가 이미 쿼리 이력, 데이터 사용 패턴 및 대시보드 안에 존재한다는 점입니다. 이를 통해 시맨틱 모델링은 코딩에서 큐레이션 작업으로 전환됩니다. 팀은 SVA가 제시한 로직을 검토하는 데만 집중하면 됩니다. 이렇게 관리된 정의는 Snowflake Cortex Analyst, Cortex Agents, Snowflake Intelligence에서 보다 정확하고 신뢰할 수 있는 결과를 제공하는 기반이 됩니다.

SVA는 다음의 세 가지 핵심 신호를 분석합니다.

패턴 인식과 합의 기반 로직 추출

SVA는 쿼리 패턴과 자연어 질문을 분석하는 클러스터링 알고리즘을 활용해, 합의된 비즈니스 로직을 식별합니다. ‘활성 사용자(active user)’처럼 서로 다른 정의가 상충하는 경우에도, SVA는 가장 보편적인 패턴을 찾아 표준 정의로 제안합니다.

예를 들어 200개 이상의 쿼리에서 user_engagement_score > 50 AND last_login_days < 30 조건으로 활성 사용자를 계산하고 있다면, 최근에 다른 방식의 쿼리가 실행됐다 하더라도 SVA는 이 조건을 표준 필터로 제안합니다.

신뢰도 높은 소스를 활용한 다중 신호 학습

가장 신뢰도가 높은 소스는 이미 검증된 비즈니스 로직이 축적된 기존 BI 대시보드입니다. SVA는 현재 Tableau를 최초의 지원 BI 도구로 제공하고 있으며, 20곳 이상의 OSI 파트너를 통해 더 많은 도구가 추가될 예정입니다. SVA를 사용하면 정적 대시보드를 몇 분 만에 대화형 AI로 전환할 수 있습니다(핸즈온 랩 참고).

또한 팀은 신뢰할 수 있는 SQL 쿼리를 직접 업로드할 수도 있습니다. SVA는 쿼리에서 관계와 지표를 추출하고, 향후 재사용을 위해 검증된 쿼리로 저장합니다. 모든 과정이 Snowflake 내부에서 실행되므로, 실제 데이터를 기반으로 분석이 가능합니다. 이뿐만 아니라, 컬럼 카디널리티를 통해 관계 유형을 파악하고, 정확도 향상을 위해 Cortex Search 서비스 추가와 같은 안을 제시합니다.

사용 패턴 변화에 따른 지속적 개선

SVA는 사용 패턴을 지속적으로 모니터링함으로써 시맨틱 뷰를 최신 상태로 유지합니다. 예를 들어 조직이 신규 구독 티어인 ‘Pro’를 출시하면, subscription_tier = 'pro' 조건이 포함된 새로운 쿼리를 감지하고 이를 정의에 반영하도록 제안합니다. 이를 통해 비즈니스 규칙이 변화하더라도 일관된 답변을 유지할 수 있습니다.

BI에서 AI 에이전트로의 전환에는, LLM의 가정이 아니라 실제 데이터 사용을 바탕으로 한 시맨틱 기반이 필요합니다. Semantic View Autopilot은 거버넌스와 컨텍스트를 갖춘 AI로 전환하는 가장 빠른 경로입니다. 현재 Cortex Analyst가 제공되는 모든 Snowflake 리전에서 바로 사용할 수 있습니다.

지금 바로 시작해 보세요. 계정에서 SVA를 사용해 보고, Cortex Analyst를 위한 시맨틱 뷰 생성에 관한 모범 사례를 확인해 보시기 바랍니다.