GeoSQL, LLM에 지리공간 분석 스킬 이식

GeoSQL은 Claude, Codex, GitHub Copilot과 같은 LLM(대규모 언어 모델)에 지리공간 데이터 분석 능력을 더하는 스킬이다. 데이터 과학자와 분석가가 PostGIS, BigQuery, Snowflake, Wherobots(지리공간 데이터베이스 플랫폼)에서 데이터를 다룰 때 LLM이 더 정확한 쿼리를 생성하고 결과를 분석하도록 돕는다.

설치 방식은 파이썬(Python) 인터랙티브 모드를 통해 지원 에이전트에 직접 설치하는 형태다. 설치 후에는 VS Code Copilot이나 Copilot CLI에서 GeoSQL을 호출해 사용할 수 있다. 시각화 도구로는 Dekart(Kepler.gl의 오픈소스 백엔드)를 활용한다. 사용자는 Dekart를 도커(Docker) 명령어로 로컬에 실행하거나, 자체 인프라에 호스팅하거나, Dekart Claude를 선택해 사용할 수 있다.

인증 체계는 사용자의 로컬 CLI 인증(bq, snow, dekart)을 그대로 사용한다. 이 방식 덕분에 데이터 웨어하우스의 접속 자격 증명(Credentials)이 에이전트로 전송되지 않고 로컬에서 처리된다. 별도의 SaaS 계정 없이 100% 로컬 또는 자체 호스팅 환경에서 작동하는 것이 특징이다.

'지도 기반 루프'를 통한 기하학적 오류 수정

이번 도구의 핵심은 '지도 기반 루프(map-in-the-loop)'라는 검증 방식에 있다. 기존의 LLM 기반 지리공간 분석은 텍스트로만 결과를 검증했으나, GeoSQL은 렌더링된 지도를 도구 호출(Tool call) 형태로 에이전트에게 제공한다. 에이전트는 생성한 쿼리의 결과가 지도상에 어떻게 나타나는지 직접 확인하고, 오류가 있다면 스스로 수정하는 루프를 수행한다.

이 방식은 특히 텍스트만으로는 잡아내기 어려운 '기하학적 클래스 오류(geometry-class errors)'를 해결하는 데 효과적이다. 예를 들어, 동네 단위의 폴리곤(Polygon)을 대도시권 경계로 오인하거나, 겹쳐진 피처(Feature)를 중복 계산하는 경우, 혹은 좌표 참조 시스템(CRS)에서 잘못된 조인 키(Join key)를 선택하는 상황 등이 이에 해당한다. 에이전트가 지도를 통해 시각적으로 확인하면 이러한 실수를 인지하고 즉시 교정할 수 있다.

성능 측정 결과, 지도 기반 루프를 적용했을 때 텍스트 전용 검증 방식보다 지리공간 작업 성능이 4배 향상된 것으로 나타났다. GeoSQL이 제공하는 재현 가능한 평가 세트(eval suite)에 따르면, 턴당 평균 3,085개의 토큰을 사용하며 처리 시간은 턴당 72초가 소요된다. 단순히 에이전트가 답변을 내놓았는지가 아니라, 비용 가드레일 준수 여부, 검증 단계 수행, 결과의 정확성 등을 구체적으로 검증하는 구조를 갖췄다.

실무자가 주목할 데이터 제어권과 검증 방식

한국의 AI 실무자와 개발자가 주목할 지점은 데이터 보안과 인프라 제어권이다. 많은 기업이 클라우드 기반 LLM 도입 시 데이터 유출을 우려하지만, GeoSQL은 로컬 CLI 인증을 사용해 자격 증명이 외부로 나가지 않도록 설계했다. 또한 SaaS 계정 없이 자체 호스팅이 가능하다는 점은 폐쇄망이나 엄격한 보안 정책을 가진 환경에서도 지리공간 분석 에이전트를 구축할 수 있는 선택지를 제공한다.

도입 시점의 판단 기준은 '텍스트 기반 프롬프팅'의 한계를 느끼는 지점이 될 것이다. 지리공간 데이터는 좌표계나 도형의 중첩 같은 시각적 요소가 중요하므로, 단순한 SQL 생성 능력을 넘어 '시각적 피드백 루프'가 결합되었을 때 실질적인 정확도가 올라간다는 점이 확인되었다.

결국 실무자는 LLM에게 정답을 요구하는 방식에서, LLM이 지도를 통해 자신의 결과물을 스스로 검증하게 만드는 '도구 활용 루프' 설계로 관점을 전환해야 한다. GeoSQL이 보여준 4배의 성능 향상은 모델의 파라미터 크기를 키우는 것이 아니라, 적절한 시각적 도구를 연결해 검증 단계를 추가했을 때 얻을 수 있는 실질적인 이득을 보여준다.