[Databricks Data + AI Summit 2026] AI Agent 시대의 분석 플랫폼: Databricks Agentic Analytics 전략

Databricks Data + AI Summit 2026의 'Agentic Analytics on Databricks Lakehouse' 세션을 정리한 글이다. AI가 질문-데이터 탐색-분석-보고서 생성까지 전 과정을 수행하는 Agentic Analytics 시대에 데이터 플랫폼이 어떻게 변해야 하는지를 4계층 아키텍처로 설명한다.

핵심 포인트

Agentic Analytics의 3대 과제: Accuracy(정확성), Governance(거버넌스), Scale(규모)
4계층 아키텍처: Lakehouse RT(실시간 컴퓨팅) → Unity AI Gateway(거버넌스) → GenAI Ontology with OntoRank(시맨틱) → Agent Choice(Genie/Agent Bricks/Genie MCP)
GenAI Ontology: 엔터프라이즈 비즈니스 컨텍스트(용어·지표·프로세스·권한)를 AI가 이해할 수 있는 형태로 연결
실증: Claude Code와 Codex가 동일한 GenAI Ontology를 통해 동일한 결과 반환 — 모델 교체 시에도 일관성 보장
Unity AI Gateway: 모든 에이전트 행동의 Trace·감사 가능성(Auditability) 확보
데이터팀 문제: 질문은 계속 늘어나지만 팀 규모는 그대로 → Agentic Analytics로 확장

상세 정리

가상 시나리오(Jess): 글로벌 여행사 Analytics 책임자, 경영진으로부터 "스위스 예약 완료율", "APJ 이탈률 원인" 등 수십 개 질문 → 데이터팀 포화 상태
Layer 1 (Lakehouse RT): Reyden 엔진 기반 실시간 BI 서빙 및 운영 분석, 데이터 이동 없이 밀리초 응답
Layer 2 (Unity AI Gateway): 에이전트별 모델·비용·보안·접근 정책 중앙 관리, 모든 요청 감사 로그
Layer 3 (GenAI Ontology + OntoRank): 비즈니스 용어와 데이터 간 의미 연결, 동일 단어를 부서별로 다르게 해석하는 문제 해결, OntoRank로 관련도 높은 데이터 우선 제공
Layer 4 (Agent Choice): Genie(자연어 분석), Agent Bricks(워크플로우 자동화), Genie MCP(외부 AI 도구와 연동)
라이브 데모: Claude Code vs Codex → 동일 GenAI Ontology 경유 → 동일 결과 → 모델 벤더 종속 탈출
Scale 해결: 하나의 온톨로지 설정으로 수백 개 에이전트에 일관된 비즈니스 컨텍스트 제공
Trace/Auditability: 어떤 에이전트가 어떤 데이터에 접근해 무슨 결론을 냈는지 전 과정 추적 가능

왜 읽나에이전트가 데이터를 조회하고 보고서를 생성하는 시대에, 모델을 바꿔도 일관된 결과를 보장하는 GenAI Ontology와 4계층 아키텍처가 어떻게 작동하는지 구체적으로 파악할 수 있다.

농심NDS 블로그

원문은 여기서 이어서 읽을 수 있어요

원문 읽기

읽음 (0)

·takedown 요청

[Databricks Data + AI Summit 2026] AI Agent 시대의 분석 플랫폼: Databricks Agentic Analytics 전략

이 글과 비슷한

에이전틱 SDLC를 QA 엔지니어링 마인드셋으로 구축하기

보안 업무를 위한 AI 에이전트 플랫폼 「SAGE」 개발기 1편: 판단은 사람에게 남기는 설계

실리콘투의 사내 지식 MCP 게이트웨이 구축기