ETL 없이 Aurora와 Redshift를 잇는 시맨틱 레이어

기업의 CRM 시스템과 빌링 시스템은 동일한 고객을 서로 다른 레코드로 정의하여, 같은 질문에도 부서마다 다른 수치를 내놓는 데이터 파편화 문제를 야기한다. Stardog는 Semantic AI Application과 Amazon Bedrock AgentCore를 결합해 ETL(추출, 변환, 적재) 과정 없이 Amazon Aurora와 Amazon Redshift에 분산된 데이터를 통합 쿼리하는 AI 에이전트를 구현했다. Amazon Aurora에는 운영 레코드가 저장되고 Amazon Redshift에는 분석 이력이 저장되며, Amazon S3와 Amazon Athena, Apache Iceberg 같은 오픈 테이블 포맷까지 통합 대상에 포함된다.

엔터프라이즈 분석 시장은 지난 20년간 정기 보고서에서 대시보드로, 다시 셀프 서비스 BI로 진화하며 비즈니스 질문과 신뢰할 수 있는 답변 사이의 시간을 단축하려 노력했다. 하지만 셀프 서비스 BI조차 데이터 엔지니어가 미리 구축한 모델에 의존해야 했으며, 준비된 데이터셋 외부의 질문은 여전히 인간 분석가가 병목 지점이 되는 구조였다. Stardog의 시맨틱 레이어는 데이터를 물리적으로 이동시키지 않고 가상으로 연결함으로써, 데이터 동기화 주기에 따른 최신성 저하와 파이프라인 유지 비용 문제를 해결하고 실시간 Customer 360 뷰를 제공한다.

SPARQL과 SQL을 오가는 실시간 데이터 조인 구조

사용자가 자연어로 질문을 입력하면 모델이 의도를 해석하고, Stardog가 이를 SPARQL(표준 그래프 쿼리 언어)로 변환하여 데이터 소스에 전달한다. Stardog 시맨틱 레이어는 변환된 SPARQL을 각 데이터 소스에 최적화된 SQL로 다시 변환해 실시간으로 데이터를 조인하고 결과를 도출한다. 이 구조에서 시맨틱 레이어는 온톨로지(Ontology) 기반의 뷰 역할을 수행하며, 비즈니스 개념과 관계, 속성 및 규칙을 단 한 번만 정의하여 모든 에이전트가 재사용하게 한다.

Stardog는 모든 비즈니스 엔티티에 IRI(국제화 자원 식별자)라는 고유한 URL 스타일 식별자를 부여해 데이터를 표가 아닌 지식 그래프 형태로 연결한다. 모델이 직접 SQL을 작성할 경우 파편화된 데이터로 인해 서로 충돌하거나 설명 불가능한 오답을 내놓을 위험이 크지만, 시맨틱 레이어가 중간에서 비즈니스 규칙을 적용해 쿼리를 생성하므로 답변의 일관성을 확보한다. 데이터는 원래의 저장소에 그대로 머물러 있으며, 의미 계층에서 정의된 매핑을 통해 런타임에 필요한 행(Row)만 호출하는 방식으로 작동한다.

모델·의미·런타임으로 분리된 3계층 아키텍처

신뢰할 수 있는 분석 답변을 위해 시스템은 모델 계층, 의미 계층, 런타임 계층의 세 가지 영역으로 역할을 분리했다. 모델 계층의 Anthropic Claude Sonnet 4.6는 Amazon Bedrock API를 통해 전체적인 워크플로를 계획하고, 쿼리 결과를 바탕으로 최종 답변을 자연어로 작성하는 역할을 수행한다. 모델은 언어 능력은 뛰어나지만 기업 내부의 세부 비즈니스 규칙은 알지 못하므로, 계획 수립과 인터페이스 역할에 집중한다.

의미 계층의 Stardog 연합 지식 그래프는 `Big_Spender`와 같은 비즈니스 규칙을 내부적으로 처리하여 모델의 프롬프트에 의존하지 않고도 정확한 데이터를 추론한다. 이 계층은 어떤 데이터가 관련 있는지 판단하고, SPARQL을 각 소스의 SQL로 재작성하며, 공유 식별자를 기반으로 행을 조인하는 실질적인 추론 작업을 담당한다. 이를 통해 모델의 환각 가능성을 낮추고 비즈니스 정의가 변경될 때 수백 개의 프롬프트를 수정하는 대신 레이어의 설정만 변경하면 되는 운영 효율성을 제공한다.

런타임 계층의 Amazon Bedrock AgentCore는 인바운드 인증, 호스팅, 도구 자격 증명 관리를 통합 제공하는 매니지드 서비스로 에이전트를 구동한다. 기업은 보안 및 거버넌스 요구사항에 따라 Amazon EKS, Amazon ECS, AWS Lambda와 같은 컴퓨팅 옵션을 선택해 Stardog 배포 환경을 유연하게 구성할 수 있다. AgentCore는 복잡한 인프라 설정 없이도 에이전트가 시맨틱 레이어와 통신하고 도구 권한을 관리할 수 있는 운영 표면을 제공한다.

RAG의 한계를 넘는 에이전틱 분석의 판단 기준

Amazon Bedrock Knowledge Bases를 활용한 RAG(검색 증강 생성)는 정책 문서나 매뉴얼 같은 텍스트 기반 검색에는 효율적이지만, 실시간 레코드를 조인해야 하는 분석형 질문에는 취약하다. 예를 들어 특정 매출 기준 이상의 고객 구매 패턴을 분석하는 작업은 단순한 문서 조각 찾기가 아니라, 여러 시스템에 흩어진 라이브 레코드를 조인하고 일관된 비즈니스 규칙을 적용해야 하는 영역이다. RAG가 텍스트 매칭에 집중한다면, 시맨틱 레이어는 비즈니스 메트릭과 컨텍스트를 제공해 분석의 정확도를 높인다.

에이전틱 분석(Agentic Analytics)은 AI 에이전트가 데이터 위에서 스스로 추론하고 쿼리를 작성하며, 결과가 만족스럽지 않을 경우 스스로 평가하고 수정하는 반복 프로세스를 수행한다. 이는 단순한 챗봇을 넘어 주니어 분석가가 수행하던 데이터 추출과 1차 가공 업무를 자동화하는 구조로 전환됨을 의미한다. 또한 시맨틱 레이어는 행(Row) 및 열(Column) 단위의 액세스 정책을 준수하여, 권한이 없는 사용자가 민감한 매출 내역이나 고객 정보에 접근하는 것을 원천적으로 차단하는 정교한 거버넌스를 구현한다.

실무자는 도입 전, 현재의 분석 환경이 단순 문서 검색으로 해결 가능한지 아니면 복합 데이터 조인과 정교한 비즈니스 규칙 적용이 필수적인지 먼저 판단해야 한다. 특히 수치 불일치로 인한 부서 간 커뮤니케이션 비용이 시스템 구축 비용을 상회하는 시점이라면, 시맨틱 레이어를 통한 통합 쿼리 구조로의 전환이 실무적 해답이 된다.