AI on Your Lakehouse: 컨텍스트를 위한 그래프 형태 구축 워크숍

벡터 검색과 Text2SQL의 한계를 극복하기 위해 Neo4j를 활용해 데이터에 그래프 구조를 입혀 AI 에이전트의 컨텍스트 이해도를 높이는 실전 방법론.

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

TL;DR

벡터 검색과 Text2SQL은 데이터의 파편화된 정보만을 제공할 뿐, 엔티티 간의 복잡한 관계나 전체적인 맥락을 파악하지 못해 AI 에이전트가 잘못된 답변을 내놓는 경우가 많다. 이 워크숍은 데이터에 트리, 테마, 경로라는 세 가지 그래프 형태를 입혀 에이전트가 데이터 구조를 탐색하고 숨겨진 패턴을 이해하도록 돕는 방법론을 제시한다. Neo4j와 GDS를 활용해 데이터에 구조적 컨텍스트를 부여함으로써, 에이전트는 단편적인 검색을 넘어 데이터 간의 연결성을 바탕으로 더욱 정확하고 추론 가능한 답변을 생성할 수 있다.

챕터별 상세

00:00

소개: 쿼리가 아닌 형태(Shapes)로 제공되는 컨텍스트

벡터 검색과 Text2SQL은 데이터의 단편적인 조각만 제공하여 에이전트가 맥락을 이해하지 못하고 잘못된 답변을 생성하는 원인이 된다. 데이터에 그래프 형태를 입히면 에이전트가 데이터의 구조와 관계를 파악할 수 있다. 트리, 테마, 경로라는 세 가지 그래프 형태를 통해 에이전트의 데이터 탐색 능력을 강화한다.

벡터 검색은 의미론적 유사성만 찾고, Text2SQL은 구조화된 데이터만 조회할 뿐 데이터 간의 복잡한 관계를 에이전트에게 설명하지 못하는 한계가 있다.

06:25

구축할 세 가지 그래프 형태

데이터를 그래프로 모델링할 때 세 가지 핵심 형태를 사용한다. 트리는 데이터의 목차 역할을 하여 에이전트가 데이터 구조를 탐색하게 한다. 커뮤니티는 데이터 내 숨겨진 테마를 발견한다. 경로는 엔티티와 문서 간의 연결성을 추적한다.

그래프 데이터베이스는 노드, 관계, 속성으로 데이터를 표현하여 복잡한 연결 관계를 효율적으로 쿼리할 수 있다.

10:56

환경 설정: Codespaces와 Neo4j

GitHub Codespaces 환경에서 Neo4j를 설정하고 워크숍에 필요한 데이터를 로드한다. 환경 파일(.env)에 Anthropic API 키와 BigQuery 자격 증명을 입력하여 에이전트가 데이터에 접근할 수 있도록 구성한다.

Codespaces는 클라우드 기반 개발 환경으로, 로컬 설정 없이 즉시 코드를 실행할 수 있다.

21:47

스키마, 공유 용어 및 조인 경로

데이터 웨어하우스의 스키마를 분석하고 테이블 간의 관계를 정의한다. 워크주문, 차량, 부품, 절차 등 테이블 간의 외래 키 관계를 파악하여 그래프 모델링의 기반을 마련한다.

데이터 웨어하우스의 스키마는 테이블 간의 관계를 정의하는 설계도와 같다.

45:25

형태 1: 데이터 목차(트리) 구축

비정형 문서 데이터를 트리 구조로 변환하여 에이전트가 목차를 통해 데이터를 탐색하도록 한다. 문서 내 섹션 간의 계층 구조를 파악하고, 각 노드에 URI를 부여하여 상위-하위 관계를 명확히 한다.

트리 구조는 계층적 데이터를 표현하는 데 적합하며, 루트 노드에서 리프 노드까지의 경로를 통해 데이터의 위치를 식별한다.

python

MATCH path = (root)-[:HAS*0..25]->(e)

트리 구조에서 특정 깊이까지 노드를 탐색하는 Cypher 쿼리 예시

59:48

MCP를 통한 에이전트 서비스

구축된 그래프를 MCP(Model Context Protocol) 서버를 통해 에이전트에게 제공한다. 에이전트는 MCP를 통해 그래프 데이터베이스에 쿼리를 날리고, 필요한 컨텍스트를 동적으로 가져온다.

MCP는 AI 에이전트가 외부 도구와 데이터를 표준화된 방식으로 연결하는 프로토콜이다.

1:22:54

형태 2: 커뮤니티를 통한 테마 발견

Leiden 알고리즘을 사용하여 그래프 내에서 밀접하게 연결된 노드 그룹(커뮤니티)을 탐지한다. 이를 통해 문서 간의 숨겨진 테마와 패턴을 자동으로 분류한다.

커뮤니티 탐지는 그래프 내에서 밀도가 높은 노드들의 집합을 찾아내어 데이터의 구조적 특징을 파악하는 기법이다.

1:31:09

계층적 커뮤니티와 테마 명명

탐지된 커뮤니티를 계층적으로 분석하여 상위 테마와 하위 테마를 구분한다. 각 커뮤니티에 포함된 노드들의 특징을 분석하여 테마의 이름을 유추하거나 에이전트가 이해할 수 있는 형태로 구조화한다.

python

CALL gds.graph.project('graph', '*', '*')

GDS 라이브러리를 사용하여 그래프를 메모리에 로드하는 명령어

1:43:22

형태 3: 연결 및 교차 링크

문서 간의 상호 참조 관계를 그래프의 엣지로 표현하여 연결성을 강화한다. 특정 문서가 다른 문서의 섹션을 참조하는 경우를 링크로 연결하여 에이전트가 문서 간을 이동하며 정보를 수집하게 한다.

1:50:20

에이전트의 아웃라인 및 테마 활용

에이전트가 구축된 트리와 테마 정보를 활용하여 질문에 답변하는 과정을 시연한다. 에이전트는 목차를 탐색하고, 커뮤니티 테마를 통해 관련 문서를 찾으며, 링크를 따라 정보를 수집한다.

1:55:05

마무리: 테마 유형과 실시간 연결

워크숍 내용을 요약하고, 테마와 연결 구조가 어떻게 에이전트의 추론 능력을 향상시키는지 정리한다. 향후 데이터가 업데이트될 때 그래프를 유지 관리하는 방안을 논의한다.

용어 해설

GraphRAG: — 지식 그래프를 활용하여 RAG 시스템의 검색 성능을 높이는 기법. 벡터 검색이 놓치기 쉬운 엔티티 간의 복잡한 관계와 구조적 맥락을 그래프 구조를 통해 에이전트에게 제공하여 답변의 정확도를 향상시킨다.
Model Context Protocol: — AI 모델이 외부 데이터나 도구와 상호작용하기 위한 표준화된 인터페이스. 에이전트가 데이터 소스에 접근하고 필요한 컨텍스트를 동적으로 가져올 수 있도록 지원한다.
Leiden Algorithm: — 그래프 데이터에서 커뮤니티(군집)를 탐지하는 알고리즘. 네트워크 내 노드들의 연결 밀도를 기반으로 의미 있는 그룹을 찾아내어 데이터의 숨겨진 테마를 발견하는 데 사용된다.

언급된 리소스

튜토리얼Workshop Repository

문서Zach Blumenfeld LinkedIn

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 07. 23.수집 2026. 07. 23.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.