AI 시대 · CH13

AI가 읽는 데이터: 시맨틱 레이어와 계보

사내 AI 챗봇이 "지난주 매출 얼마야?"에 답하려면 매출이 어떤 테이블의 어떤 계산인지 알아야 합니다. 이 정의를 만들고 관리하는 일이 2026년 데이터 엔지니어의 새 업무로 커졌습니다. dbt 2.0의 컬럼 계보를 직접 뽑아 봅니다.


왜 정의가 필요한가

같은 "매출"이라도 취소를 빼는지, 배송비를 넣는지에 따라 숫자가 달라집니다. AI에게 테이블만 주면 그럴듯한 SQL을 쓰지만 기준이 매번 바뀔 수 있습니다. 그래서 "매출 = 취소 제외 주문의 수량×단가" 같은 정의를 한곳에 적고, AI가 그 정의를 찾아 쓰게 합니다. 이것을 시맨틱 레이어, 범위를 넓혀 개념 사이 관계까지 담으면 온톨로지라고 부릅니다.

dbt 2.0으로 컬럼 계보 뽑기

dbt 2.0은 프로젝트 정보를 Parquet 파일로 내보냅니다(dbt 정보 스키마). strict 정적 분석을 켜면 컬럼 단위 계보도 들어갑니다.

dbt compile --profiles-dir . --static-analysis strict --generate-info-schema
ls target/info_schema/v1/      # dbt.models.parquet, dbt.column_lineage.parquet 등 30여 개
SELECT parent_node_unique_id, parent_column_name, child_column_name, evolution
FROM 'target/info_schema/v1/dbt.column_lineage.parquet'
WHERE child_node_unique_id = 'model.shop.fct_daily_sales'
  AND child_column_name = 'revenue' AND evolution IN ('copy', 'mod');

model.shop.stg_orders   | qty   | revenue | mod
model.shop.stg_products | price | revenue | mod

"revenue는 stg_orders의 qty와 stg_products의 price를 계산(mod)해서 만들었다"는 답이 파일에서 바로 나옵니다. scan으로 표시된 행은 필터나 조인 조건으로만 쓰인 컬럼입니다(status, customer_id 등). 이 Parquet 파일을 DuckDB로 조회할 수 있으니, AI 에이전트에게 "이 숫자는 어디서 왔나"를 물을 때 근거로 줄 수 있습니다.

같은 흐름의 2026년 도구

NVIDIA Auto-Ontology

2026년 11월 공개(Apache 2.0). 사내 DB 메타데이터로 온톨로지 초안을 자동으로 만들고, 사람이 검수(certify)한 뒤 MCP로 에이전트에 제공합니다. 답할 수 없는 질문은 먼저 "답할 수 없다"고 확인합니다.

DuckDB 2.0 에이전트 모드

Claude Code·Codex 같은 코딩 에이전트가 DuckDB CLI를 실행하면 표를 짧게 줄이고 오류를 JSON으로 알립니다. DuckDB 팀 실험에서 모델이 읽을 출력이 59% 줄었습니다.

dbt 정보 스키마

위 실습. 모델·컬럼·테스트·실행 결과를 Parquet으로 남겨 에이전트와 사람이 같은 근거를 봅니다.

NVIDIA Auto-Ontology와 DuckDB 에이전트 모드는 직접 돌리지 않았습니다. 공식 저장소·블로그 내용으로만 소개합니다. Auto-Ontology의 기본 설정은 NVIDIA API 키가 필요합니다.

이것만 기억하세요

AI가 쓸 데이터에는 정의와 출처가 함께 있어야 합니다. 지표 정의를 한곳에 적고, 컬럼 계보로 "어디서 왔나"를 답할 수 있게 만듭니다.

다음
14. 포트폴리오와 면접
이어보기 →