Mazda가 Databricks Lakehouse를 활용해 혁신적인 데이터 인텔리전스를 산업 현장에 도입한 사례

섹션별 상세

Mazda는 서비스 정보(SI) 문서와 차량 이력 데이터를 결합하여 상담원이 복잡한 진단 절차를 신속하게 파악할 수 있도록 돕는 RAG 시스템을 설계했다.

시스템 아키텍처는 프론트엔드(Streamlit)와 AI 에이전트가 코드 및 도구를 공유하도록 설계되어, VIN 입력 시 차량 컨텍스트를 즉시 주입하거나 필요시 도구를 호출하는 유연한 실행 모드를 지원한다.

Unity Catalog를 활용하여 데이터 거버넌스를 통합하고, 사용자 정의 함수(UDF)를 통해 VIN 또는 진단 코드에 따른 정밀한 문서 필터링을 구현함으로써 검색의 정확도를 높였다.

MLflow 3의 GenAI 평가 프레임워크를 도입하여 정성적인 피드백 중심의 개발에서 데이터 기반의 테스트 주도 개발(TDD) 방식으로 전환하고 성능을 객관적으로 검증했다.

다국어 임베딩 모델과 LLM의 번역 능력을 활용하여 핵심 아키텍처의 변경 없이도 다양한 시장으로 서비스를 확장할 수 있는 기반을 마련했다.

검색 증강 생성(RAG): — 외부 지식 베이스에서 관련 정보를 검색하여 대규모 언어 모델의 응답 생성에 활용하는 기법이다. 모델의 학습 데이터에 없는 최신 정보나 특정 기업의 내부 문서를 참조할 수 있게 하여 답변의 정확도를 높이고 환각 현상을 줄이는 데 필수적이다.
유니티 카탈로그(Unity Catalog): — Databricks 플랫폼에서 제공하는 통합 거버넌스 솔루션으로, 데이터와 AI 자산에 대한 중앙 집중식 접근 제어 및 감사를 수행한다. 정형 데이터뿐만 아니라 모델, 벡터 인덱스 등에 대한 보안을 일관되게 관리하여 엔터프라이즈 환경의 규정 준수를 돕는다.
벡터 검색(Vector Search): — 텍스트나 이미지를 고차원 벡터로 변환하여 의미적 유사성을 기반으로 정보를 찾는 기술이다. 키워드가 일치하지 않더라도 문맥상 유사한 내용을 찾아낼 수 있어 RAG 시스템의 핵심적인 검색 엔진 역할을 수행한다.
사용자 정의 함수(User Defined Function): — 사용자가 특정 로직을 수행하기 위해 직접 작성한 함수로, 데이터베이스 쿼리나 데이터 파이프라인 내에서 호출 가능하다. 이 아티클에서는 차량 식별 번호(VIN)에 따라 검색 범위를 제한하는 정밀한 필터링 로직을 구현하는 데 사용되었다.