Why encore?
검색 팝업창

Blogs

Find New Value and get trendy information

엔코아 블로그에서는 최신 기술 트렌드, 엔코아 제품과 서비스 관련 정보 등
다양한 정보를 확인할 수 있습니다.

AI 에이전트에게 필요한 '통역 용어집', 시맨틱 모델
2026.11.10 15:53
  • 작성자 관리자
  • 조회 49
AI
에이전트에게 필요한 '통역 용어집',
시맨틱 모델
시맨틱 모델은 개념, 물리 매핑, 인스턴스 규칙의 세 층으로 짭니다.
이 글에서는 자동 생성과 편집을 오가며 이 모델을 에이전트가 믿고 '통역'할 수 있는 용어집으로 다듬는 과정을 살펴봅니다.
에이전트에게 데이터베이스 접속 권한만 주는 것은 통역사를 용어집 없이 전문 회의장에 들여보내는 것과 같습니다.
통역사는 말이 유창해도 그 업계에서만 쓰는 용어를 모르면 그럴듯한 오역을 내놓습니다. 에이전트도 마찬가지입니다.
여기서 에이전트란 질문을 받아 스스로 도구를 골라 쓰며 일을 처리하는 AI를 말합니다. 에이전트는 SQL을 능숙하게 씁니다.
하지만 이 회사에서 '해지 고객'이 무엇을 뜻하는지는 모릅니다.
이 '통역 용어집'에 해당하는 것이 시맨틱 모델(Semantic Model)입니다. 시맨틱 모델은 비즈니스 개념과 그 관계를 정리합니다.
각 개념이 실제 데이터의 어디에 있는지, 어떤 조건에서 유효한지도 기계가 읽을 수 있게 담습니다.
조직의 데이터가 어떤 의미로 이어져 있는지 보여 주는 것이 '데이터 맥락 지도'입니다.
에이전트가 질문을 받을 때마다 실제로 펼쳐 보는 것은 바로 이 용어집입니다.
이번 글에서는 용어집을 어떤 층으로 짜는지, 어떻게 자동으로 만들고 고치는지, 에이전트가 이를 어떻게 쓰는지 차례로 살펴보겠습니다.

 

 
01
용어집 없는 통역사가 내놓는 답
구독형 서비스를 운영하는 A사를 예로 들어 보겠습니다. 누군가 에이전트에게 "지난달 해지 고객 수는?"이라고 묻습니다.
에이전트는 계약 테이블에서 상태코드 CNTR_STAT_CD가 '09'(해지)인 건을 세어 답합니다. 쿼리 문법에는 흠잡을 데가 없습니다.
하지만 A사의 실무 정의는 다릅니다. 해지했다가 철회해 다시 활성화된 건은 빼야 합니다. 논리 삭제 표시(DEL_YN = 'Y')가 붙은 건도 제외 대상입니다. 기준일 역시 '해지 신청일'이 아니라 해지가 실제로 발효되는 '해지 효력일'(TRMN_DT)입니다. 결국 에이전트가 낸 숫자는 재무팀 보고서와 어긋납니다.
문제는 SQL 실력이 아니라 의미를 모른다는 데 있습니다. 사람은 오래 일하며 쌓은 암묵지로 이 간극을 메웁니다. 에이전트는 명시된 맥락만 씁니다. 그래서 이 오역은 오류 메시지가 아니라 그럴듯한 숫자의 모습으로 조용히 나옵니다. 문법은 맞는데 답은 틀린, 말하자면 '정확하게 틀린 답'입니다. 에이전트 도입 초기 검증 단계에서 이런 유형을 가장 자주 봅니다.

02
용어집의 세 층: 표제어, 원문 표현, 용례
좋은 통역 용어집에는 세 가지가 함께 실립니다. 표제어와 뜻풀이, 원문에 실제로 나오는 표현, 그리고 용례와 사용 조건입니다. 시맨틱 모델도 같은 세 층으로 짭니다.
첫째는 시맨틱(개념) 층으로, 표제어와 뜻풀이에 해당합니다. 이 층에는 다음이 담깁니다.
• 고객·계약·해지 같은 클래스
• 각 개념의 속성
• '고객이 계약을 보유한다' 같은 관계
• '이탈 고객'과 '해지 고객'이 같은 말이라는 동의어 정보
이 층은 흔히 온톨로지(Ontology)로 표현합니다. 온톨로지는 개념과 개념 사이의 관계를 형식적으로 정의한 체계입니다.
둘째는 물리 매핑 층입니다.
개념이 실제로 어느 테이블과 컬럼에 있는지, 어떤 경로로 조인되는지를 적습니다. 같은 '계약'이 여러 시스템에 흩어져 있을 때 이 층이 답합니다. 코드값 '09'가 무엇을 뜻하는지 풀어야 할 때도 마찬가지입니다.
셋째는 인스턴스 규칙 층으로, 용례와 사용 조건에 해당합니다.
어떤 레코드가 그 개념의 '진짜 구성원'인지 판정하는 조건입니다. 유효 기간, 제외 조건, 계산식이 여기에 속합니다. 데이터 모델은 흔히 논리적(logical) 모델과 물리적(physical) 모델로 나눠 생각합니다. 에이전트에게는 그 위에 '판정' 층이 하나 더 필요한 셈입니다.
층 용어집 대응 답하는 질문 '해지 고객' 예시 빠지면 생기는 오역
시맨틱(개념) 표제어·뜻풀이 무엇인가? 해지 고객 = 이탈 고객 동의어를 다른 개념으로 오해
물리 매핑 원문 표현 어디에 있나? CNTR_STAT_CD, TRMN_DT 엉뚱한 테이블 조회
인스턴스 규칙 용례·사용 조건 언제 해당하나? 효력일 기준, 재활성화 제외 정확하게 틀린 숫자
세 층을 한 개념에 대해 적으면 대략 다음과 같습니다.
1
concept: 해지고객
2
synonyms: [이탈고객, 해지자]
3
mapping:
4
table: TB_CNTR
5
columns: {status: CNTR_STAT_CD, terminated_at: TRMN_DT}
6
join: TB_CUST.CUST_ID = TB_CNTR.CUST_ID
7
rules:
8
- CNTR_STAT_CD = '09'
9
- DEL_YN != 'Y'
10
- exclude: 해지 후 재활성화 건
11
- period_basis: TRMN_DT # 해지 효력일 기준
이 구분은 새로운 발명이 아닙니다. W3C 표준도 세 층을 나눠 다뤄 왔습니다. 
A사 ‘해지 고객’ 정의 예시
01
시맨틱(개념) 층
표제어·뜻풀이
개념 · 속성 · 관계 · 동의어
무엇인가?
→
해지 고객
↔
이탈 고객
동의어
고객
— 보유 →
계약
개념 간 관계
02
물리 매핑 층
원문 표현
테이블 · 컬럼 · 조인 경로 · 코드
어디에 있나?
→
TB_CUST — CUST_ID — TB_CNTR
CNTR_STAT_CD = '09' → 해지 상태
TRMN_DT → 해지 효력일
03
인스턴스 규칙 층
용례·사용 조건
유효 기간 · 제외 조건 · 계산식
언제 해당하나?
→
✓ 해지 효력일 기준으로 기간 적용
✓ 해지 후 재활성화 건 제외
✓ 논리 삭제 건 제외 DEL_YN ≠ 'Y'
뜻 + 위치 + 조건 → 에이전트가 읽는 통역 용어집
세 층을 함께 관리해야 질문을 같은 기준으로 해석할 수 있습니다.
개념, 물리 매핑, 인스턴스 규칙이 겹쳐야 하나의 표제어가 완성됩니다.

03
자동 생성: 기계가 뽑는 용어 후보
기존에는 모델러가 백지에서 이 용어집을 그렸습니다. 최근에는 기계가 초안을 내고 사람이 검토하는 쪽으로 무게가 옮겨가고 있습니다.
자동 생성의 재료는 대개 조직 안에 이미 있습니다.
• DB 카탈로그(테이블·컬럼·외래키): 클래스와 관계 후보
• 메타데이터·표준 용어사전·코드 정의서: 개념명, 동의어, 코드값 해석
• 쿼리 로그·BI 리포트 정의: 자주 쓰는 조인 경로와 필터, 즉 인스턴스 규칙 후보
• LLM 추론: 설명 초안과 매핑 제안. 확신도와 근거 출처를 함께 남기게 해야 뒤의 검토가 수월합니다.
자동 생성은 분명 빠릅니다. 하지만 스키마만 보고 만든 모델은 물리 구조를 이름만 바꿔 베낀 사본에 그치기 십상입니다.
외래키가 정의되지 않은 레거시 시스템이나 약어투성이 컬럼 앞에서는 추측이 섞입니다.
특히 인스턴스 규칙은 데이터에 드러나지 않는 업무 지식이라 자동으로 뽑아내기가 가장 어렵습니다.
그래서 자동 생성의 품질은 재료, 곧 거버넌스 산출물의 품질에 비례합니다. 표준 용어와 코드 정의서가 잘 관리된 조직일수록 초안도 정확합니다. 'AI Ready Data'란 AI가 곧바로 활용할 수 있도록 의미와 맥락이 정돈된 데이터를 말합니다.
그 출발점이 결국 메타데이터 관리라는 이야기이기도 합니다.

04
편집: 후보를 '합의된 뜻'으로 확정하는 감수
자동 생성의 진짜 가치는 완성본에 있지 않습니다. 사람이 판단할 대상을 빠르게 눈앞에 꺼내 놓는 데 있습니다.
감수를 거치지 않은 용어 목록은 아직 용어집이 아닙니다. 편집 환경은 최소한 다음 요건을 갖춰야 합니다.
• 세 층을 오가며 고칠 수 있어야 합니다. 개념을 고치면 연결된 매핑과 규칙의 영향 범위가 보여야 합니다.
• 확신도가 낮은 항목부터 검토하는 큐가 필요합니다. 데이터 스튜어드의 승인·반려 흐름도 있어야 합니다. 데이터 스튜어드는 데이터의 정의와 품질을 책임지는 담당자입니다.
• 버전 관리와 변경 이력을 남겨야 합니다. 그래야 에이전트의 답이 어느 버전을 근거로 했는지 추적할 수 있습니다.
• 편집 결과를 다음 자동 생성에 되먹여 같은 오류가 반복되지 않게 해야 합니다.
'해지 고객'에 대입해 보면 차이가 분명합니다. 자동 생성은 CNTR_STAT_CD = '09'라는 조건까지는 제안할 수 있습니다. 쿼리 로그에서 DEL_YN 필터를 찾아낼 수도 있습니다. 그러나 '재활성화 건 제외'와 '효력일 기준'은 업무 담당자가 편집해야 확정됩니다.
물론 편집에 욕심을 내면 모델링이 끝나지 않는 프로젝트가 됩니다. 전사 용어를 한 번에 정의하려다 지쳐 멈추는 경우를 자주 봅니다. 에이전트가 실제로 받을 질문 범위, 즉 도메인 1~2개부터 좁게 시작하는 편이 현실적입니다.
01
기존 데이터 자산
메타데이터 · 용어사전
DB 스키마 · 코드 정의
쿼리 로그 · BI 리포트
조직 안의 기존 자산
→
02
자동 초안 생성
개념 · 관계 후보
테이블 · 컬럼 매핑
규칙 · 근거 · 확신도
기계가 후보를 제안
→
03
스튜어드 검토
낮은 확신도 우선 검토
업무 정의 · 제외 조건 확인
승인 · 반려 및 영향 검토
사람이 의미를 확정
→
04
버전 배포
승인된 모델 버전
변경 이력 · 근거 보존
에이전트 · MCP 도구에 제공
승인본을 운영에 적용
 
 
 
05
운영 피드백
오답 · 드리프트 · 편집 결과를 다음 초안에 반영
 
 
 
기계가 후보를 뽑고, 사람이 의미를 확정합니다.
기계가 후보를 뽑고 사람이 확정하며, 그 결과가 다음 초안의 재료가 됩니다.

05
통역사는 용어집을 이렇게 펼쳐 봅니다
잘 감수된 용어집을 받은 에이전트는 질문 하나를 다음 순서로 처리합니다.
1. 질문 속 용어를 개념으로 해석합니다. '이탈 고객'이라는 말을 '해지 고객'으로 알아듣는 단계입니다.
2. 관계를 따라 필요한 개념을 연결합니다.
3. 물리 매핑을 바탕으로 쿼리를 생성합니다.
4. 인스턴스 규칙을 적용하고 결과를 검증합니다.
5. 답과 함께 근거를 제시합니다. 어떤 개념과 규칙을 썼는지, 모델 버전은 무엇인지 밝힙니다.
이 과정을 잇는 통로로 MCP(Model Context Protocol)가 주목받고 있습니다. MCP는 LLM이 외부 도구와 데이터에 일관된 방식으로 접근하도록 정한 개방형 프로토콜입니다. 시맨틱 모델을 MCP 도구로 노출할 수 있습니다. 개념 검색, 매핑 조회, 규칙 검증 같은 도구입니다.
그러면 에이전트는 스키마를 직접 뒤지는 대신 용어집을 찾아보며 일합니다. 업계도 같은 방향을 보고 있습니다. 지난해 9월 스노우플레이크·세일즈포스·dbt 랩스 등은 'OSI(Open Semantic Interchange)' 이니셔티브를 발표했습니다. 시맨틱 정의를 도구끼리 주고받을 수 있게 하는 개방형 표준이 목표입니다.
효용은 세 가지입니다.
• 일관성: 누가 물어도 같은 정의로 답합니다.
• 설명 가능성: 답과 함께 근거를 내놓습니다.
• 변경 내성: 물리 구조가 바뀌어도 매핑만 고치면 됩니다.
다만 한계도 분명합니다. 대표적인 것이 드리프트(drift)입니다. 스키마나 업무 규칙은 바뀌는데 용어집이 따라가지 못하는 현상을 말합니다. 또 에이전트는 용어집에 없는 질문을 받으면 다시 추측으로 돌아갑니다. 따라서 모르는 개념은 모른다고 답하도록 설계해야 합니다. 규칙 검증 단계가 늘어나는 만큼 응답이 느려질 수 있다는 점도 감안해야 합니다.

06
용어집을 완성하는 것은 감수자입니다
용어집 없이 회의장에 들어간 통역사는 유창하게 틀립니다. 에이전트에게 시맨틱 모델이 필요한 이유도 같습니다. 표제어(개념), 원문 표현(물리 매핑), 용례(인스턴스 규칙)가 모두 갖춰져야 비로소 '통역 용어집'이 됩니다. 자동 생성은 표제어 후보를 빠르게 모으는 일입니다. 그 후보를 쓸 수 있는 용어집으로 만드는 일은 감수가 맡습니다. 시작은 작아도 충분합니다. 먼저 에이전트가 가장 많이 받을 질문 10개를 뽑아 보시길 권합니다. 그리고 각 질문의 핵심 개념이 세 층 중 어디까지 정의돼 있는지 점검합니다. 인스턴스 규칙이 사람 머릿속에만 있는 개념이 첫 편집 대상입니다.

다만 용어집은 한 번 만들고 끝나는 산출물이 아닙니다. 스튜어드 역할과 변경 관리 체계 없이 도입하면 용어집은 금세 낡고 오역도 다시 시작됩니다. 에이전트의 통역을 믿을 수 있게 하는 것은 기계가 뽑은 후보의 양이 아닙니다. 사람이 감수한 의미입니다.

 

이 글은 AI와 함께 고민하고 다듬어 완성한 포스팅입니다.