데이터 리니지 도구: 비교 전에 확인해야 할 핵심 기준

데이터 리니지(혹은 데이터 계보) 도구는 데이터가 소스 시스템에서 변환을 거쳐 팀이 의존하는 테이블, 모델, 다운스트림 자산으로 이동하는 과정을 추적합니다. 이러한 도구는 컬럼 수준 메타데이터와 종속성 관계를 캡처하여 데이터의 출처, 변환 방식, 그리고 업스트림 단계에서 변경이 발생했을 때 어떤 영향이 발생하는지를 팀이 파악할 수 있도록 지원합니다.

데이터 환경이 더욱 분산되고 데이터 거버넌스 요구 사항이 강화되었으며 AI 프로그램이 데이터 프로비넌스와 책임성에 대한 새로운 요구를 추가하면서 이러한 기능의 중요성은 몇 년 전보다 더욱 커졌습니다. 데이터 리니지 도구 시장에 대한 수요는 시장 전망에서도 확인할 수 있습니다. 한 시장 분석에 따르면 데이터 리니지 도구 시장은 2025년 67억 달러에서 2035년 655억 달러 규모로 성장할 것으로 예상되며, CAGR은 25.6%에 달합니다.

이 가이드는 데이터 리니지 도구가 수행하는 역할, 가장 중요한 역량, 주요 도구 유형의 차이, 그리고 독립 실행형 플랫폼, 개방형 프레임워크, 플랫폼 네이티브 계보 중 어떤 방식이 적합한지 결정하기 전에 평가해야 할 요소를 설명합니다.

부실한 데이터 계보 추적으로 인해 조직이 직면하는 문제는 일반적으로 데이터 환경이 확장되고 거버넌스가 더욱 복잡해지면서 나타납니다.

Gartner에 따르면 AI의 영향으로 61%의 조직이 데이터 및 분석 운영 모델을 발전시키거나 재검토하고 있으며, 29%는 향후 12~18개월 내에 데이터 자산 관리 방식과 거버넌스 정책 적용 방식을 전면 개편할 계획이라고 답했습니다. 이러한 수치는 데이터 계보 도구의 중요성이 커지고 있는 배경을 보여줍니다. 변화는 더 많아지고 거버넌스 압박은 커지는 반면, 불투명한 데이터 흐름을 용인할 여지는 줄어들고 있습니다.

데이터 계보는 추상적인 신뢰성 문제를 검증 가능한 경로로 전환함으로써 이러한 과제를 해결하는 데 도움을 줍니다. 보고서의 내용이 잘못된 경우 팀은 변환 과정을 역추적해 문제와 원인을 파악할 수 있습니다. 스키마 변경이 제안되면 어떤 대시보드, 데이터 제품 또는 모델이 영향을 받을지 사전에 확인할 수 있습니다. 또한 감사인이 민감 데이터가 수집 단계에서 보고 단계까지 어떻게 이동했는지 묻는 경우 데이터 계보를 통해 그 경로를 제시할 수 있습니다.

규제 역시 중요한 요인입니다. 특히 조직이 AI를 운영 환경에 적용하면서 그 중요성이 더욱 커지고 있습니다. EU 인공지능법에 따르면 일부 규정 위반에 대한 벌금은 최대 3,500만 유로 또는 전 세계 연간 매출의 7% 중 더 높은 금액까지 부과될 수 있습니다. 모든 데이터 계보 구축이 AI 규제를 위한 것은 아니지만 방향성은 분명합니다. 조직은 데이터 프로비넌스, 변환 과정 및 사용 내역에 대한 방어 가능한 기록을 점점 더 요구받고 있습니다.

그 결과 데이터 계보 도구는 이제 데이터 거버넌스, 데이터 품질, 감사 대응 준비 및 제공 속도가 교차하는 지점에 자리 잡고 있습니다. 데이터 계보 도구는 문서화 계층을 추가하는 것이 아니라 무슨 일이 발생했는지 파악하는 데 소요되는 시간을 줄여 팀이 더 빠르게 업무를 수행할 수 있도록 지원합니다.

데이터 리니지 도구는 깊이, 아키텍처 및 운영 모델 측면에서 차이가 있지만, 우수한 플랫폼은 공통된 핵심 기능을 갖추고 있습니다. 실질적인 가치를 제공하려면 데이터 계보 도구는 메타데이터를 자동으로 수집하고 적절한 수준의 세부 정보로 종속성을 추적하며, 팀이 해결하려는 운영 및 거버넌스 관련 질문을 지원할 수 있어야 합니다.

데이터 계보 도구의 첫 번째 역할은 데이터 흐름을 가시화하는 것입니다. 단순해 보일 수 있지만 실제로 하나의 지표는 여러 조인, 중간 뷰, 예약된 작업 및 여러 시스템에 분산된 BI 모델에 의존할 수 있습니다.

우수한 계보 시각화 기능은 사용자가 양방향으로 탐색할 수 있도록 지원합니다. 문제가 있는 대시보드를 조사하는 엔지니어는 원인 파악을 위해 업스트림 방향으로 추적하여 소스와 문제를 발생시킨 변환 경로를 확인해야 합니다. 반면 변경 계획을 검토하는 데이터 스튜어드는 다운스트림 방향으로 추적하여 영향 범위를 파악해야 합니다. 최고의 도구는 두 가지 탐색을 모두 쉽게 지원하며, 사용자가 상황에 따라 테이블 수준 보기와 컬럼 수준 보기 사이를 자유롭게 전환할 수 있도록 합니다.

현대의 데이터 환경은 변화 속도가 매우 빠르기 때문에 수동 메타데이터 워크플로우에 의존하기 어렵습니다. 따라서 자동화된 메타데이터 수집은 필수적인 기반 요소입니다. 데이터 계보 도구는 데이터 변환, 오케스트레이션 및 데이터 활용이 이루어지는 시스템에서 메타데이터를 지속적으로 수집해야 합니다.

일부 플랫폼은 이를 실시간 또는 준실시간으로 수행하는 반면, 일부는 예약된 배치 방식으로 업데이트합니다. 어느 경우든 목표는 동일합니다. 데이터 계보를 수작업으로 유지해야 하는 별도 프로젝트가 아니라 실제 시스템 활동의 자연스러운 결과물로 만드는 것입니다.

영향 분석은 데이터 계보가 운영 측면에서 실질적인 가치를 제공하기 시작하는 영역입니다. 팀이 컬럼을 삭제하거나 조인 조건을 변경하거나 모델을 재작성하기 전에 무엇이 이에 의존하고 있는지 파악해야 합니다.

테이블 수준 계보는 이러한 질문에 일부 답할 수 있지만 많은 환경에서는 충분하지 않습니다. 하나의 테이블이 수십 개의 보고서에 사용되더라도 실제로 해당 컬럼을 사용하는 보고서는 두 개뿐일 수 있습니다. 컬럼 수준 계보는 범위를 좁히고 의사 결정을 더 안전하게 만듭니다. 이를 통해 팀은 변경 사항을 더욱 정밀하게 관리할 수 있으며, 그 결과 대시보드 오류와 예기치 못한 인시던트를 줄이고 필요한 변경 작업도 더욱 자신 있게 수행할 수 있습니다.

KPI가 예상치 못하게 변동했을 때 가장 어려운 부분은 문제의 시작 지점을 찾는 것입니다. 근본 원인 분석은 역방향 추적성에 의존합니다. 즉, 어떤 소스가 변경되었는지, 어떤 변환에서 잘못된 로직이 적용되었는지, 어떤 작업이 지연되었는지, 또는 어떤 파생 오브젝트가 문제를 이어받았는지를 파악해야 합니다. 데이터 계보는 이러한 원인을 파악하는 과정을 단축합니다. 노트북을 열고, SQL을 직접 구문 분석하고, 주변에 컨텍스트를 물어보는 대신 팀은 종속성 체인을 직접 살펴볼 수 있습니다.

데이터 계보는 거버넌스 컨텍스트를 함께 전달할 수 있을 때 훨씬 더 유용해집니다. 예를 들어 업스트림 컬럼에 지정된 민감도 태그는 해당 컬럼이 여러 단계의 변환을 거쳐 다른 팀이 사용하는 파생 테이블로 생성되더라도 사라져서는 안 됩니다.

태그 전파와 정책 적용이 중요한 이유가 여기에 있습니다. 데이터 계보 경로는 데이터에 연결된 태그, 분류 정보 및 처리 요구 사항을 보여줄 수 있어야 하며, 이상적으로는 태그가 누락되었는지, 상속되었는지 또는 일관되지 않은지도 확인할 수 있어야 합니다. 예를 들어 Snowflake에서는 계보 기능을 통해 업스트림 및 다운스트림 컬럼 간의 태그 누락 또는 불일치를 확인할 수 있으며, 태그 참조를 처리하기 위한 계보 인식 기능도 제공합니다.

감사에서는 데이터 계보 다이어그램이 있는지 여부를 묻는 경우가 거의 없습니다. 대신 특정 필드가 어떻게 이동했는지, 무엇이 해당 필드를 변환했는지, 어떤 통제가 적용되었는지, 그리고 그 과정에서 누가 액세스했는지를 입증할 수 있는지를 확인합니다.

이 때문에 규정 준수 중심의 계보는 검토 가능하고, 재현 가능하며, 실제 시스템 활동과 연결되어 있어야 합니다. GDPR, HIPAA, CCPA 또는 BCBS 239와 같은 프레임워크를 준수하는 조직의 경우, 계보는 정책과 구현을 연결하는 증거 경로를 제공할 수 있습니다. 이를 통해 데이터 스튜어드와 규정 준수 팀은 민감 데이터가 어떻게 처리되었는지 구체적으로 설명할 수 있으며, 의도된 프로세스에 대한 가정에 의존할 필요가 없습니다.

AI가 요구 수준을 높이는 이유는 다운스트림 오브젝트가 더 이상 대시보드나 보고서에 그치지 않기 때문입니다. 이제는 피처 뷰, 학습 데이터 세트, 모델 버전 또는 배포된 추론 서비스일 수 있으며, 각각 고유한 수명 주기와 위험 프로필을 가집니다.

이러한 환경에서 데이터 계보는 ML 파이프라인 전반의 프로비넌스를 추적해야 합니다. 여기에는 소스 테이블, 피처 뷰, 데이터 세트, 등록된 모델 및 배포된 모델 서비스가 포함됩니다. 이는 조직이 데이터의 출처뿐 아니라 해당 데이터가 모델 형성에 어떤 영향을 미쳤는지, 그리고 그 모델이 현재 어디에서 사용되고 있는지까지 설명해야 하는 상황에서 점점 더 필요로 하는 수준의 가시성입니다.

Snowflake에서 데이터 계보가 어떻게 제공되는지 직접 확인하려면 Snowsight를 사용한 Snowflake 데이터 계보를 참조하세요.

시장은 매우 다양하지만 대부분의 데이터 계보 도구는 실질적으로 네 가지 범주로 구분할 수 있습니다. 이들 간의 차이는 적용 범위, 아키텍처, 그리고 신뢰할 수 있는 계보 그래프를 구축하고 유지하기 위해 필요한 노력의 수준에 있습니다.

이러한 플랫폼은 데이터 계보를 보다 광범위한 데이터 거버넌스 운영 모델의 한 구성 요소로 취급하는 경향이 있습니다. 일반적으로 단순한 가시성을 넘어 데이터 스튜어드십, 인증, 정책 워크플로우 및 조직 전반의 감사 증적까지 요구되는 경우 가장 강점을 발휘합니다.

이러한 수준의 기능은 특히 규제가 엄격한 환경에서 큰 가치를 제공할 수 있지만, 일반적으로 더 많은 구축 작업이 필요하기 때문에 가시적인 성과를 얻기까지 시간이 더 오래 걸릴 수 있습니다.

이 범주의 도구는 일반적으로 속도, 사용성 및 자동화에 중점을 둡니다. 이러한 도구는 일반적으로 웨어하우스, 변환 도구 및 BI 시스템 전반에 걸친 데이터 계보를 확보해야 하지만, 이를 위해 장기간의 전사 프로젝트를 추진하기는 어려운 팀을 위해 설계된 경우가 많습니다.

실제로 이러한 도구는 더 간편한 온보딩, 직관적인 사용자 인터페이스 및 빠른 가치 실현으로 이어지는 경우가 많습니다. 또한 협업 기능, 데이터 자산 검색 및 컬럼 수준 가시성은 매우 발전된 반면, 규정 준수 관련 기능은 상대적으로 덜 포괄적일 수 있습니다.

오픈소스 프레임워크는 구현을 직접 통제하려는 조직에 적합합니다. 아키텍처가 고도로 사용자 지정되어 있거나, 예산 민감도가 높거나, 팀이 이미 강력한 내부 엔지니어링 역량을 보유한 경우 좋은 선택이 될 수 있습니다.

예상 가능한 트레이드오프가 존재합니다. 라이선스 비용에서 절감한 만큼 통합, 유지 관리 및 운영 책임에 더 많은 비용을 투입해야 하는 경우가 많습니다. 오픈 소스 데이터 계보는 강력할 수 있지만, 조직이 해당 프레임워크를 장기적으로 어떻게 운영할지 이미 명확히 알고 있지 않다면 신뢰할 수 있는 계보 가시성을 확보하는 가장 빠른 방법인 경우는 드뭅니다.

내장형 계보는 워크로드가 이미 실행되고 있는 위치에서 시작된다는 점에서 상황을 바꿉니다. 이를 통해 계보 기록을 실제 실행 컨텍스트에 더욱 가깝게 둘 수 있습니다. 플랫폼 네이티브 접근 방식은 사후적으로 데이터 이동을 재구성하는 대신, 플랫폼 내부에서 실행되는 쿼리, 변환 및 파이프라인의 자연스러운 결과로 데이터 계보를 수집할 수 있습니다.

네이티브 계보는 일반적으로 생성된 플랫폼 내부에서 가장 강력한 가시성을 제공하지만, 공급업체들이 외부 계보 기능과 확장된 카탈로그 기능을 추가하면서 이러한 경계는 점점 유연해지고 있습니다.

예를 들어 Snowflake Horizon에서는 Snowsight에서 계보를 확인할 수 있으며, 오브젝트 수준 및 컬럼 수준 추적을 지원합니다. 또한 외부 계보뿐 아니라 저장 프로시저와 태스크에 대한 계보도 사용할 수 있습니다.

추가 연동형 데이터 계보 도구는 여러 시스템에 연결해 메타데이터를 수집하고, 활동 내역을 분석하며, 원래 하나의 운영 환경으로 설계되지 않은 여러 시스템 간의 변경 사항을 동기화해 계보 정보를 구성해야 합니다. 이러한 방식도 효과적으로 작동할 수 있지만, 커넥터 지원 범위, 데이터 수집 지연, 메타데이터 드리프트, 그리고 관계를 직접 관찰하지 못하고 추론에 의존해야 하는 사각지대와 같은 과제가 따를 수 있습니다.

내장형 계보는 다르게 작동합니다. 계보가 데이터 플랫폼에 네이티브로 구현되어 있으면 플랫폼은 내부에서 발생하는 쿼리, 오브젝트 종속성, 변환, 태스크, 거버넌스 조치 같은 활동으로부터 관계를 캡처할 수 있습니다. 계보 기록은 사후에 다른 곳에서 가져오는 것이 아닙니다.

이 차이는 최신성, 운영 활용도는 물론 신뢰에도 영향을 미칩니다. 예를 들어 스키마 변경을 계획하는 다운스트림 팀은 하룻밤 사이에 다섯 개의 파이프라인이 실행되고 당일 아침 두 개의 뷰가 수정되었다면, 전날의 종속성 맵에 의존할 수 없습니다.

거버넌스 측면에서도 장점이 있습니다. 데이터 계보, 태깅, 액세스 제어 및 데이터 품질 관련 메타데이터가 동일한 환경에 존재할 경우, 팀은 단순히 데이터 흐름을 확인하는 데서 그치지 않고 필요한 조치를 신속하게 수행할 수 있습니다.

그렇다고 추가 연동형 도구가 더 이상 필요 없다는 의미는 아닙니다. 하지만 그렇다고 해서 구매자가 플랫폼 네이티브 계보를 단순히 또 하나의 기능으로 봐서는 안 됩니다. 플랫폼 네이티브 계보는 아키텍처 측면에서 근본적으로 다른 접근 방식으로 이해해야 합니다. 플랫폼이 계보를 직접 관찰할 수 있다면 운영 모델은 일반적으로 더 단순해지고, 생성되는 계보 정보도 더욱 최신 상태를 유지할 수 있습니다.

넓은 의미에서 데이터 계보란 데이터가 환경 전반에서 어떻게 이동하고, 변경되고, 재사용되는지를 보여주는 기록을 의미합니다. 기술 계보와 비즈니스 계보는 이러한 흐름을 바라보는 서로 다른 두 가지 관점이면서도 상호 보완적인 관계에 있습니다.

기술 계보 관점은 대개 엔지니어가 가장 먼저 필요로 하는 정보입니다. 기술 계보는 소스 시스템, 수집 작업, 변환 로직, 데이터 웨어하우스 오브젝트, 태스크, 뷰, 시맨틱 계층 및 데이터를 사용하는 자산까지 포함한 물리적인 데이터 흐름을 보여줍니다. 문제가 발생했을 때 어떤 프로세스가 데이터를 처리했는지, 그리고 어떤 순서로 처리했는지를 파악하는 데 필요한 지도가 바로 기술 계보입니다.

비즈니스 계보는 다른 대상과 다른 질문에 초점을 맞춥니다. 비즈니스 계보는 데이터 요소를 해당 데이터가 지원하는 비즈니스 프로세스, 지표 정의, 통제 또는 의사결정과 연결합니다. 매출 테이블은 스테이징, 변환, 리포팅 계층을 거치는 명확한 기술 경로를 가질 수 있습니다. 그러나 비즈니스 계보는 대시보드가 어떤 버전의 ‘예약 매출'을 사용하는지, 해당 지표의 책임 소유자가 누구인지, 그 지표가 외부 보고용으로 인증되었는지를 알려줍니다.

또한 추적 방향도 고려해야 합니다. 순방향 계보는 소스나 변환에서 시작해 다운스트림 종속성을 추적하므로 영향 분석과 릴리스 계획에 유용합니다. 역방향 계보는 보고서, 피처 또는 모델 출력에서 시작해 업스트림으로 추적하여 값의 출처를 확인하며, 근본 원인 분석, 감사 및 신뢰성 검증에 유용합니다.

대부분의 조직은 기술 계보와 비즈니스 계보를 모두 필요로 하며, 일반적으로는 기술 계보가 먼저 성숙해집니다. 비즈니스 컨텍스트가 없는 기술 계보는 컬럼이 여섯 단계의 변환을 거쳤다는 사실은 알려줄 수 있지만, 그 결과 생성된 지표가 재무 마감 프로세스에 사용하도록 승인되었는지는 알려주지 못합니다. 기술적 추적성이 없는 비즈니스 계보는 KPI의 의미는 알려줄 수 있지만, 값이 잘못되었을 때 이를 어떻게 디버깅해야 하는지는 알려주지 못합니다. 효과적인 거버넌스는 두 계보의 결합에 달려 있습니다.

적합한 리니지 도구는 조직이 실제로 실행하는 환경을 포착하고, 팀에 필요한 세부 수준을 드러내며, 그 가시성을 실제 거버넌스와 운영 의사 결정으로 연결할 수 있어야 합니다.

먼저 데이터 수집 방식을 살펴봐야 합니다. 이 도구는 SQL, ETL 로직, 오케스트레이션 메타데이터 및 BI 종속성을 자동으로 분석할 수 있는가, 아니면 수작업 매핑에 크게 의존하는가? 환경 변화가 많을수록 부분적인 자동화에 따른 비용은 커집니다.

범위를 면밀히 확인해야 합니다. 이 도구는 웨어하우스, 파이프라인, 대시보드 및 ML 워크플로우 전반에 걸쳐 데이터를 추적할 수 있는가, 아니면 스택의 특정 영역에서만 강점을 보이는가? 계보 그래프의 가치는 결국 얼마나 많은 공백을 없앨 수 있는지에 달려 있습니다.

테이블 수준 계보도 유용하지만, 많은 운영 환경에서는 그것만으로 충분하지 않습니다. 영향 분석, 민감 데이터 처리 및 문제 해결에는 컬럼 수준의 정밀성이 필요한 경우가 많으며, 특히 자산의 일부만 변경의 영향을 받는 경우에는 더욱 그렇습니다.

데이터 계보는 용어집 용어, 소유자, 태그, 액세스 정책 및 데이터 품질 신호와 연결될 때 더욱 운영에 활용할 수 있는 정보가 됩니다. 이러한 맥락이 없으면 팀은 데이터의 경로는 알 수 있지만, 해당 자산을 안전하게 사용할 수 있는지 판단하는 데 필요한 정보는 여전히 부족할 수 있습니다.

인터페이스는 모든 사용자가 조인과 DAG를 기준으로 사고한다고 가정해서는 안 됩니다. 분석가, 데이터 스튜어드 및 거버넌스 책임자는 원시 구현 세부 정보를 확인하지 않고도 계보 경로를 탐색하고, 종속성을 이해하며, 소유자를 확인할 수 있어야 합니다.

어떤 조직은 SaaS 운영 모델을 필요로 하는 반면, 어떤 조직은 하이브리드 환경이나 더 엄격한 배포 통제를 요구합니다. 배포 모델은 단순한 인프라 선호 사항이 아닙니다. 이는 온보딩 속도, 보안 검토, 유지 관리 오버헤드 및 도구 운영에 필요한 내부 지원 수준에 영향을 미칩니다.

AI가 로드맵의 일부라면, 해당 도구가 모델 프로비넌스, 피처 계보 및 소스 데이터와 모델 아티팩트 간의 추적성을 지원하는지 평가해야 합니다. 이러한 역량은 아직 시장 전반에서 균일하게 제공되지 않지만, 그 중요성은 분기마다 커지고 있습니다.

마지막으로, 데모 환경이 아니라 신뢰할 수 있는 계보 커버리지를 확보하는 데 얼마나 걸리는지 확인해야 합니다. 광범위한 계보를 제공한다고 하더라도 수개월에 걸친 커넥터 작업, 메타데이터 정비 및 수작업 큐레이션이 필요한 도구가 적합한 선택일 수는 있습니다. 다만 그러한 비용은 처음부터 명확하게 드러나야 합니다.

적합한 데이터 리니지 도구를 선택하는 것은 전체 작업의 일부에 불과합니다. 시간이 지나도 유용한 데이터 리니지를 유지하려면 조직은 전략적인 구현 접근 방식도 갖춰야 합니다.

데이터 계보 프로그램이 가장 빠르게 정체되는 방법은 모든 것을 동일하게 중요하게 취급하는 것입니다. 보고, 고객 대상 제품, 규제 의무 또는 영향력이 큰 운영 의사결정에 실질적인 영향을 미치는 자산부터 시작해야 합니다. 이렇게 하면 계보 범위가 완전히 확보되기 전이라도 조직이 데이터 계보를 활용할 이유가 생깁니다.

수동 데이터 계보는 환경이 계속 변화하기 때문에 시간이 지나면서 정확성이 떨어집니다. 자동화된 수집은 문제 해결, 감사 및 변경 사항 관리를 지원할 수 있을 만큼 데이터 계보를 최신 상태로 유지하는 데 도움이 됩니다.

계보 경로는 경로상 오브젝트의 소유자, 관련 용어집 정의, 민감도 분류, 새로 고침 예상 주기, 정책 컨텍스트를 포함할 때 더 유용해집니다.

데이터 계보가 데이터 엔지니어링만을 위해 구현되면, 거버넌스나 운영 전반의 활용을 지원하기에는 지나치게 기술적인 수준에 머무르는 경우가 많습니다. 지표, 보고서 및 거버넌스가 적용된 데이터 제품을 사용하는 사람들을 충분히 이른 단계부터 참여시켜야 데이터 계보 모델이 시스템상의 이동뿐 아니라 비즈니스적 의미도 반영할 수 있습니다.

데이터 계보는 살아 있는 메타데이터여야 합니다. 새로운 파이프라인, 플랫폼 변경 및 조직 변화는 모두 기록된 경로가 여전히 완전한지, 그리고 여전히 유용한지에 영향을 미칩니다. 자동화 수준이 높은 환경이라도 핵심 도메인에 대해서는 주기적인 검토가 필요합니다.

우수한 데이터 계보 프로그램은 변경 검토, 정책 설계, 마이그레이션 계획 및 데이터 스튜어드십 워크플로우 과정에서 데이터 계보를 활용합니다. 이를 통해 거버넌스는 문제가 발생한 후 조사하는 수단이 아니라, 데이터 환경 운영 방식의 일부가 됩니다.

데이터 계보 도구의 궁극적인 목적은 불확실성을 줄이는 것입니다. 데이터가 어떻게 이동했는지, 무엇이 변경되었는지, 어떤 다운스트림 자산이 이에 의존하는지, 그리고 거버넌스 의무가 경로를 따라 어디까지 적용되는지를 파악할 수 있도록 지원합니다. 데이터 환경이 더욱 분산되고 AI가 새로운 프로비넌스 요구 사항을 도입함에 따라 이러한 가시성을 선택 사항으로 간주하기는 점점 더 어려워지고 있습니다. 최적의 도구는 조직의 아키텍처, 운영 모델 및 거버넌스 성숙도에 따라 달라지지만, 평가 기준 자체는 대체로 일관되게 유지됩니다.

Horizon Catalog를 사용하여 AI 거버넌스 프레임워크를 구축하는 방법은 다음 영상을 통해 확인할 수 있습니다.