Amazon Quick가 이번 주 엔터프라이즈 데이터 분석 가속화를 위한 5가지 신규 기능을 공개했다. 자연어 질문을 통해 수백만 행의 데이터에서 즉시 답을 찾는 Dataset Q&A(데이터셋 질의응답)가 핵심이다. 분석가가 쿼리를 작성하고 검증하던 기존의 대기 시간이 초 단위로 줄어든다.

데이터셋 질의응답과 보안 정책의 통합

사용자가 채팅 에이전트나 Quick Space(분석 자산 통합 공간)에 자연어로 질문하면 시스템이 SQL(구조화 질의 언어)을 생성해 실행한다. 샘플링 없이 수백만 행의 전체 데이터셋을 대상으로 결과를 도출하며, 처리 시간은 수 초 내외다.

시스템은 질문에 포함된 모호성을 스스로 해결한다. 예를 들어 성장이라는 단어가 거래량, 고객 수, 매출, 단위 중 무엇을 의미하는지 판단하고, 분석가가 메타데이터로 제공한 비즈니스 정의를 적용해 SQL을 작성한다. 이는 단순히 열 이름을 추측하는 것이 아니라 도메인의 실제 의미론을 반영하는 방식이다.

주목할 점은 기존 대시보드에 설정된 행 및 열 수준 액세스 정책(데이터 접근 권한 제어 방식)이 AI 생성 쿼리에도 그대로 적용된다는 것이다. 별도의 추가 설정 없이 사용자 신원에 따라 데이터 접근 범위가 제한되므로, 보안 거버넌스를 유지하며 즉각적인 답변을 얻을 수 있다.

비즈니스 맥락 주입과 추론 과정의 가시화

예전에는 매출이나 활성 고객 같은 용어의 정확한 기준을 분석가가 수동으로 설명하거나 쿼리에 직접 반영해야 했다. 이제는 Dataset Enrichment(데이터셋 보강 기능)를 통해 매출은 반품 후 순매출 기준이라는 식의 자연어 지침이나 기존 데이터 카탈로그, 팀 위키 같은 메타데이터 파일을 직접 업로드할 수 있다. 열 수준에서는 필드를 논리적 폴더로 구성하고 엣지 케이스(예외 상황)를 주석으로 달 수 있다.

반면, 결과의 신뢰성을 확보하기 위해 Chat Explanations(채팅 설명 기능)가 도입되었다. 사용자는 AI가 어떤 도구를 호출했는지, 어떤 SQL을 생성하고 필터를 적용했는지, 어떤 가정을 세웠는지에 대한 전체 추론 체인을 확인할 수 있다. 기술적 배경이 없는 이해관계자를 위한 평문 요약도 함께 제공된다.

에이전트 시스템은 의미론적 계층(Semantic layer, 데이터의 의미를 정의한 층)을 통해 구조화된 자산을 검색한다. 사용자가 에스컬레이션에 대해 질문했을 때 관련 대시보드에 티켓이라는 용어가 사용되었다면, 시스템은 키워드 일치가 아닌 의도와 맥락을 해석해 적절한 데이터 소스를 찾아낸다.

15,000명 규모 커뮤니티의 성능 검증

AWS Technical Field Communities(AWS 기술 현장 커뮤니티) 프로그램이 이 기능을 도입해 실무에 적용했다. 15,000명 이상의 멤버를 대상으로 테스트한 결과, 쿼리 정확도가 48% 이상 향상되었다. 특히 질문 후 답변을 얻기까지 걸리는 해결 시간이 기존 90분에서 5분 미만으로 단축되었다.

BI(비즈니스 인텔리전스, 기업 데이터 분석) 엔지니어가 벤치마크 질문을 던지고 추론 과정을 검토하며 가드레일(AI 답변 범위 제한 장치)을 조정하는 개발 시간이 크게 줄었다. 수 주가 소요되던 반복 테스트 과정이 집중적인 몇 차례의 세션으로 압축되었다.

데이터 분석의 병목이었던 분석가 대기 시간을 제거함으로써 기업 데이터의 실시간 의사결정 구조가 바뀐다.