Vega-Lite와 Unity Catalog를 활용한 멀티 에이전트 시스템의 시각화 구현 방법

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

멀티 에이전트 시스템은 복잡한 분석을 수행할 수 있지만, 결과물을 텍스트나 표 형식으로만 반환하여 가독성이 떨어지는 한계가 있다. Databricks는 이를 해결하기 위해 Unity Catalog Functions와 Vega-Lite를 활용하여 에이전트가 직접 시각화 명세(JSON)를 생성하도록 하는 아키텍처를 제안한다. 이 방식은 MS Teams와 같은 외부 플랫폼에서도 일관된 차트를 렌더링할 수 있게 하며, 데이터 거버넌스를 유지하면서도 사용자 경험을 개선한다. 실제 도입 시 인사이트 도출 속도가 최대 90% 향상되고 비전공자의 AI 채택률이 2배 가까이 증가하는 효과가 확인되었다.

배경

멀티 에이전트 시스템 기본 개념, JSON 데이터 구조 이해, SQL 기초 지식

대상 독자

AI 에이전트 및 데이터 분석 플랫폼 개발자

의미 / 영향

AI 에이전트의 결과물이 단순 텍스트를 넘어 시각화로 확장됨에 따라 기업 내 의사결정 속도가 빨라질 것이다. 특히 거버넌스가 적용된 시각화 생성 방식은 엔터프라이즈 환경에서 AI 도입의 보안 및 신뢰성 문제를 해결하는 데 기여할 것이다.

섹션별 상세

멀티 에이전트 시스템의 시각화 한계와 해결책: 기존 에이전트는 MS Teams 등 외부 플랫폼의 시각적 언어 차이로 인해 표 형식의 답변에 의존하는 경향이 있다. Databricks는 Supervisor Agent 아키텍처에 Unity Catalog Functions와 Model Context Protocol(MCP)을 통합하여 플랫폼에 구애받지 않는 휴대용 시각화 자료를 생성한다.

Supervisor Agent 아키텍처의 구성 요소: 시스템은 작업을 지능적으로 위임하는 Supervisor를 중심으로 Genie Spaces(자연어 SQL), Knowledge Assistant(RAG), Unity Catalog Functions(커스텀 로직), MCP 서버(외부 통합)로 구성된다. 지역별 매출 비교와 같은 요청이 들어오면 Supervisor는 Genie에게 데이터 분석을 맡기고 동시에 지식 어시스턴트에게 관련 문서를 찾도록 명령한다.

멀티 에이전트 시스템의 구성도 — Diagram중앙의 Multi-Agent Supervisor가 Genie Spaces, Knowledge Assistant, Unity Catalog Functions, MCP 서버 등 다양한 서브 에이전트와 도구에 작업을 위임하고 결과를 취합하는 구조를 보여준다.

Vega-Lite를 활용한 거버넌스 기반 시각화: Vega-Lite는 차트를 선언적으로 설명하는 간결한 JSON 명세를 사용하여 에이전트가 복잡한 코드를 작성하지 않고도 시각화를 생성할 수 있게 한다. 이 방식은 API 네이티브하며 LLM이 생성하고 검증하기에 적합한 구조를 가지고 있어 보안성과 이식성이 뛰어나다.

시각화 생성 및 렌더링 워크플로우: 사용자의 쿼리가 입력되면 Supervisor가 작업을 분해하여 서브 에이전트에게 전달하고, 결과 데이터를 기반으로 Unity Catalog 함수를 호출하여 Vega-Lite 명세를 생성한다. 최종적으로 클라이언트 앱은 vegaEmbed()와 같은 라이브러리를 사용해 JSON 명세를 대화형 차트로 렌더링하여 사용자에게 보여준다.

sql

SELECT pscope_catalog.mas_viz.generate_vega_lite_spec(
  'bar chart showing Q4 revenue by region',
  '[{"region":"North","revenue":2400000}, {"region":"South","revenue":1800000}]'
) AS vega_spec;

Unity Catalog 함수를 사용하여 자연어 설명과 데이터를 기반으로 Vega-Lite 시각화 명세를 생성하는 SQL 예시

사용자 쿼리부터 시각화 렌더링까지의 시퀀스 다이어그램 — Diagram사용자의 질문이 Supervisor를 거쳐 Genie Agent에서 SQL로 실행되고, UC Function을 통해 Vega-Lite JSON으로 변환되어 클라이언트 앱에서 렌더링되는 전체 단계를 상세히 설명한다.

Unity Catalog 내 시각화 생성 함수의 상세 정보 화면 — Screenshotgenerate_vega_lite_spec 함수의 파라미터(차트 설명, 데이터 샘플)와 반환 타입, 그리고 실제 SQL 호출 예시를 포함한 관리 화면을 보여준다.

실제 도입 효과 및 메트릭: 금융 서비스 분야의 시범 운영 결과, 인사이트 도출 시간은 기존 10-15분에서 30-60초로 약 80-90% 단축되었다. 시각적 피드백 덕분에 세션당 질문 수가 3-4배 증가했으며, 표 해석에 어려움을 겪던 비전공자들의 사용률이 약 2배 높아졌다.

에이전트가 생성한 지역별 매출 바 차트 — Chart에이전트가 Vega-Lite 명세를 통해 생성한 실제 시각화 결과물의 예시로, 북부 지역의 매출이 가장 높음을 직관적으로 보여준다.

실무 Takeaway

멀티 에이전트 시스템에 Vega-Lite JSON 명세를 도입하면 플랫폼 제약 없이 일관된 대화형 차트를 제공하여 사용자 경험을 개선할 수 있다.
시각화 로직을 Unity Catalog Functions로 캡슐화하여 에이전트가 안전하고 재사용 가능한 방식으로 차트를 생성하도록 거버넌스를 강화해야 한다.
텍스트 요약과 시각화 자료를 결합하여 제공할 경우 비전공자 사용자의 AI 도구 채택률을 최대 2배까지 높일 수 있다.

언급된 리소스

문서Agent Bricks Documentation