AI에 “지난달 매출이 얼마나 늘었나요?”라고 물었을 때, 어느 숫자를 기준으로 답해야 할까요. 주문액을 볼지, 취소와 환불을 제외한 실매출을 볼지에 따라 결과가 달라집니다. 데이터가 여러 시스템에 흩어져 있다면 같은 이름의 지표를 서로 다르게 계산할 수도 있습니다. AI가 숫자를 찾아도 그 숫자가 조직에서 어떤 의미로 쓰이는지 모르면 답변을 업무에 활용하기 어렵습니다.
최근 NVIDIA는 Auto Ontology를 오픈 소스로 공개했습니다. NVIDIA는 기업 AI가 회사 데이터를 업무에 활용하려면 그 데이터가 비즈니스에서 어떤 의미를 갖는지 이해해야 한다고 설명합니다. Auto Ontology는 서로 다른 시스템의 데이터 용어와 관계, 출처를 정리해 AI가 확인된 업무 기준으로 정보를 조회하도록 돕습니다. 이러한 사례는 엔터프라이즈 AI에서 데이터의 ‘의미’를 다루는 일이 얼마나 중요해졌는지 보여줍니다.
현업 담당자는 같은 수치를 보고도 고객 유형, 운영 조건, 이전 조치, 업무 상황에 따라 다르게 해석하고 다른 판단을 내립니다. Enhans가 주목하는 지점은 바로 여기에 있습니다. AI가 데이터를 찾은 다음, 그 데이터를 어떤 조건에서 어떻게 해석해야 하는지까지 업무에 연결하는 것입니다.
NVIDIA Auto Ontology, 데이터의 의미를 어떻게 정리하는가
Auto Ontology는 기업의 데이터베이스와 메타데이터를 바탕으로 데이터가 어디에 있고, 서로 어떻게 연결되며, 어떤 정의를 따르는지 정리합니다. NVIDIA는 생성된 온톨로지 초안을 현업 전문가가 검토하고 다듬어 승인하도록 안내합니다. AI가 질의를 만들 때는 이렇게 확인한 정의와 데이터 출처를 참고하고, 생성한 질의가 그 정의에 맞는지도 검증합니다.
가령 ‘매출’이라는 요청에 여러 테이블과 계산 방식이 걸려 있다면, AI는 어떤 지표를 써야 하는지부터 알아야 합니다. 취소 주문을 포함하는지, 어느 시점을 기준으로 집계하는지, 결과가 어느 데이터에서 왔는지를 함께 확인해야 숫자에 근거를 붙일 수 있습니다.
NVIDIA는 이 맥락을 AI가 활용할 수 있도록 MCP 등으로 제공하는 방식도 공개했습니다. 기업이 AI를 데이터에 연결할 때는 조회 결과의 의미와 출처까지 확인할 수 있어야 합니다. 그래야 AI가 찾은 숫자를 업무의 언어로 설명할 수 있습니다.
숙련자의 판단 기준은 기록된 데이터 밖에도 있습니다
매출 지표를 해석할 때 취소 여부와 집계 시점을 확인하듯, 설비 이력을 업무에 활용할 때도 기록이 만들어진 당시의 조건을 알아야 합니다. 예를 들어 두 설비에 같은 이상 신호가 나타났더라도 가동 조건과 직전 정비 내용이 다르면 다음에 확인할 항목이 달라질 수 있습니다. 정비 기록에는 교체한 부품과 조치 결과가 남아 있지만, 숙련자가 왜 그 부품을 먼저 의심했고 어떤 점검 결과로 다른 원인을 제외했는지는 빠져 있을 수 있습니다.
이때 AI가 과거 기록에서만 유사 사례를 찾아 제시하면 담당자는 현재 상황과 맞는 사례인지 다시 판단해야 합니다. 과거 사례를 현재 업무에 적용하려면 당시의 증상과 조치, 그리고 그러한 조치를 선택했던 조건도 알아야 합니다. 어떤 신호를 먼저 봤는지, 어떤 조건에서 가설을 바꿨는지, 언제 추가 점검이나 담당자의 확인이 필요했는지를 알아야 과거 사례를 현재 업무에 적용할 수 있습니다.
이런 기준은 실제로 있었던 한 건의 상황을 놓고 숙련자가 무엇을 보고, 어느 시점에 판단을 바꾸고, 최종 조치를 어떻게 선택했는지 확인해야 합니다. 기록에 남은 사실과 담당자의 판단, 예외 조건을 구분하는 과정이 필요합니다.
Enhans는 현업이 판단을 바꾼 순간까지 확인합니다
Enhans의 FDE(Forward Deployed Engineer, 현장 배치 엔지니어)는 업무 데이터를 살펴보면서 현업 담당자가 판단에 사용한 단서와 조건을 함께 확인합니다. 예를 들어 “이 신호가 나오면 항상 부품을 교체하나요?”라는 질문에 답이 명확하지 않다면, 해당 조치를 결정하기 전에 확인하는 운전 조건과 점검 결과를 다시 묻는 식입니다. 같은 표현을 쓰는 담당자 사이에서도 적용 기준이 다른지 확인해야 합니다.
실제 현장에서 정형화된 판단 기준에서 벗어난 모호한 예외 사례를 발견했을 때 누구에게 무엇을 확인할지, 정리한 지식이 실제 데이터 조회와 답변에 반영되는지, 업무 기준이 바뀌면 이전 답변은 어떻게 다시 점검할지까지 정의가 되어야 합니다. 온톨로지에 업무 용어와 관계를 한번 설계한 뒤에도 현업의 확인이 계속해서 필요한 이유입니다.
Enhans는 설비 상태와 작업 이력에 숙련자가 확인한 운전 조건과 판단 기준을 연결해 온톨로지로 정리합니다. AgentOS에서는 이 기준을 AI의 이력 조회와 담당자의 검토가 이어지는 업무 흐름에 활용할 수 있습니다. AI가 유사 사례와 당시의 조건을 제시하면 담당자는 현재 설비에도 적용할 수 있는지 살펴보고 다음 점검이나 조치를 결정합니다.
정리된 업무 맥락이 실제 답변에 쓰이는지 확인해야 합니다
업무 지식을 정리했다고 해서 AI가 언제나 그 기준을 적용하는 것은 아닙니다. 데이터 설명과 실제 값이 어긋나거나, 담당자가 확인한 기준이 조회 과정에 반영되지 않으면 그럴듯한 답변에도 잘못된 해석이 섞일 수 있습니다. 기준이 바뀐 뒤 이전 방식으로 만든 답변이 계속 쓰이지 않는지도 살펴봐야 합니다.
기업이 온톨로지를 업무에 활용할 때는 다음을 확인할 수 있어야 합니다.
- 데이터의 의미: AI가 참조한 지표와 자료가 현업에서 사용하는 정의와 일치하는가
- 판단의 조건: 답변에 사용된 기준과 예외가 현재 업무 상황에 맞는가
- 기준의 변경: 담당자가 기준을 수정했을 때 조회와 답변도 다시 확인할 수 있는가
이러한 사항은 담당자가 AI의 답을 받아들일지, 추가 자료를 찾을지, 직접 판단해야 할지를 정하는 데 도움이 됩니다. AI의 답을 실제 업무에 쓰려면 어떤 데이터와 업무 기준에서 나왔는지 확인할 수 있어야 합니다.
엔터프라이즈 AI, 현업과 함께 관리하는 업무 맥락이 중요해집니다
NVIDIA Auto Ontology처럼 데이터의 의미를 정리하는 도구가 공개되면서, 기업은 만들어진 기준을 누가 검토하고 어느 업무에 적용할지 살펴봐야 합니다. 설비 이상 사례를 제시받은 담당자가 당시의 운전 조건과 판단 근거를 확인하고 다음 점검을 결정할 수 있어야 합니다.
새로운 예외가 생기거나 업무 기준이 바뀌었을 때 누가 이를 반영하고, AI의 답변을 다시 확인할지도 정해야 합니다. Enhans가 현업의 판단 기준을 데이터에 연결하고 실제 업무에서 쓰이는지 살피는 이유입니다. 온톨로지를 구축한 뒤에도 현업이 기준을 확인하고 갱신할 수 있어야 AI의 답변을 업무에 활용할 수 있습니다.
in solving your problems with Enhans!
We'll contact you shortly!