상담 문의

서비스 / Platform & AI / Data Engineering for AI

AI가 우리 회사의 언어를 이해하도록

업무 유즈케이스에서 출발해 개념·관계·규칙을 정의하고, 표준 용어와 메타데이터를 거쳐 실제 데이터와 연결한 비즈니스 온톨로지를 구축합니다. 데이터를 읽기만 하던 AI가 맥락까지 이해하게 됩니다.

Challenges

AI는 연결했는데, 우리 데이터를 이해하지 못한다면

  • 생성형 AI에 DB를 연결했는데 CUST_MST, NET_AMT 같은 이름을 이해하지 못해요
  • "매출"을 물으면 부서마다 다른 정의 중 어느 것으로 답했는지 알 수 없어요
  • Text-to-SQL과 RAG 정확도가 시연 수준에서 더 오르지 않아요
  • AI 답변의 근거가 어느 데이터에서 왔는지 추적할 수 없어요

Structure

질문이 데이터로 답이 되는 4개 층

거버넌스로 만든 IT 메타·비즈니스 메타 위에 개념·관계와 규칙을 쌓고, 시맨틱 매핑으로 층을 이어 지식 그래프로 구현. AI의 질문은 이 층을 따라 해석돼 실제 데이터로 답합니다.

L4

Rules · Constraints

규칙·제약

업무 판단 기준은 추론 규칙으로, 데이터가 지켜야 할 조건은 제약으로 정의

VIP 고객 ⇐ 최근 12개월 순매출 상위 1%주문에는 고객 1명 필수

OWL 공리 · SHACL

L3

Concepts · Relations

개념·관계

유즈케이스 용어를 분류체계로 정리하고 액터·오너·이벤트·지표 개념과 관계를 모델링

고객 ⊃ 개인 · 법인고객 —주문한다→ 주문 —포함한다→ 상품주문 —집계된다→ 순매출

SKOS 분류체계 · OWL 클래스·관계

↕ 시맨틱 매핑 · R2RML — 개념을 비즈니스 메타와 IT 메타(스키마)에 연결
L2

Business Meta

비즈니스 메타거버넌스 자산 재사용

거버넌스에서 만든 IT 메타를 비즈니스 메타(비즈 용어·지표·디멘전·Owner)와 연결

순매출 = 판매금액 − 반품 − 할인Owner: 영업기획

데이터 표준 · 지표 사전

L1

IT Meta

IT 메타거버넌스 자산 재사용

표준사전 기반 DB·테이블·컬럼·코드값과 데이터 흐름(Lineage)의 도출

SALES_TXN.NET_AMTCUST.GRADE_CD

메타데이터 관리 시스템 · 데이터 모델

Knowledge Graph 매핑된 스키마에서 데이터를 추출·적재하는 파이프라인으로 지식 그래프 구현

Example · 질문 추적

“지난 분기 VIP 고객이 가장 많이 산 상품은?”

  1. 01개념 해석'VIP 고객'은 규칙(L4)으로, '산 상품'은 고객–주문–상품 관계(L3)로 해석
  2. 02정의 확인순매출 지표 정의와 Owner(L2) 확인
  3. 03데이터 위치매핑으로 SALES_TXN.NET_AMT 등 실제 테이블·컬럼(L1) 확정
  4. 04질의 실행지식 그래프는 SPARQL, DB는 Text-to-SQL로 조회

생성된 질의 · Text-to-SQL (예시)

SELECT p.PROD_NM, SUM(s.NET_AMT) AS NET_SALES
FROM   SALES_TXN s
JOIN   PRODUCT p ON p.PROD_ID = s.PROD_ID
-- VIP_CUST: L4 규칙으로 도출한 VIP 고객
WHERE  s.CUST_ID IN (SELECT CUST_ID FROM VIP_CUST)
  AND  s.TXN_DT BETWEEN '2026-07-01' AND '2026-09-30'
GROUP BY p.PROD_NM
ORDER BY NET_SALES DESC;
답 + 근거사용한 규칙·지표 정의·테이블 경로를 답과 함께 제시(추론 리니지)
규칙 · VIP 고객 L4관계 · 고객–주문–상품 L3지표 · 순매출 L2컬럼 · SALES_TXN.NET_AMT L1

이런 역량 질문(CQ) 목록이 곧 검증 기준. 정답률을 측정하며 온톨로지를 보완. 예시는 설명을 위한 가상의 개념입니다.

Text-to-SQLRAG · 사내 지식 검색AI 에이전트 · MCP 연계답변 근거 추적(추론 리니지)

Our Approach

이미 만든 표준·메타 자산 위에 쌓는 온톨로지

거버넌스로 정리한 표준 용어, 메타데이터, 데이터 모델을 온톨로지의 출발점으로 재사용하고, 완성된 온톨로지도 오너·변경관리 체계로 운영합니다.

개념부터 새로 그리는 방식

업무 개념도는 그럴듯하지만 실제 테이블·컬럼과 연결되지 않고 검증 기준도 없어, AI 답의 정확도를 확인하기 어려움

표준·메타 위에 쌓는 방식

역량 질문으로 범위와 검증 기준을 먼저 정하고, 표준 용어·메타 매핑 위에 개념과 규칙을 정의. 개념이 곧 데이터로 연결

AI Ready Data의 4가지 조건(의미 명확성, 메타 정보 확대, 품질 보장, 통제 가능성)은 Data Governance 페이지 참고

Legatoz Way × Ontology Engineering

온톨로지 공학 방법론으로 구축

요구사항 명세 → 개념화 → 형식화 → 구현 → 평가 → 유지보수로 이어지는 온톨로지 공학 흐름을 Legatoz Way 4단계로 수행합니다.

단계하는 일핵심 기법
01Assess진단요구사항 명세 비즈니스 유즈케이스에서 온톨로지가 답할 역량 질문(Competency Question)과 범위 정의
지식 자산 진단 표준 용어·비즈니스 메타·데이터 모델, 재사용할 표준 온톨로지 점검
Use Case · Competency Question
02Design설계개념화 용어를 분류체계로 정리하고 액터·오너·이벤트·지표 등 개념과 관계 모델링
형식화 추론을 위한 공리·규칙, 데이터 검증을 위한 제약조건 정의
SKOS · OWL · SHACL
03Build구축·이행시맨틱 매핑 온톨로지 개념을 비즈니스 메타와 IT 메타(스키마)에 매핑
지식 그래프 구축 매핑된 스키마의 데이터를 추출·적재하는 파이프라인, RAG·Text-to-SQL·AI 에이전트(MCP) 연계
R2RML · Knowledge Graph · MCP
04Embed내재화CQ 기반 검증 자연어·SPARQL·Text-to-SQL 질의로 역량 질문의 답이 정확한지 측정하고 피드백
온톨로지 거버넌스 오너·변경관리·버전 관리로 업무 변화에 맞춰 진화
정확도 지표 · 변경관리

Deliverables

주요 산출물

역량 질문(CQ)·요구사항 명세비즈니스 온톨로지 모델(분류체계·개념·규칙)시맨틱 매핑 정의지식 그래프·데이터 파이프라인AI 연계(RAG·Text-to-SQL·MCP)CQ 기반 검증 리포트

Projects

관련 프로젝트

표준·메타데이터를 AI 활용 기반으로 만든 사례

Data Governance(표준화, 비즈니스 메타)Data Quality데이터 분석 PlatformData Engineering for AI

데이터 거버넌스 체계 수립 및 표준화

물류 전문 기업 · 2026.03 – 2026.09

데이터 인텔리전트 플랫폼(Databricks Lakehouse) 구축 사업에서 거버넌스·표준화 담당. MSA 모듈별로 흩어진 물류 데이터의 집계 기준·용어·코드를 하나로 정리하고, 관리체계·표준·품질·구조·흐름·보안 6개 영역의 거버넌스 수립.

상세 보기

과제

MSA 모듈별 데이터 사일로, 표준화되지 않은 집계 기준·용어·코드, 관리체계 부재로 인한 낮은 데이터 신뢰도

수행 내용

  • 현황 진단으로 10대 시사점 도출
  • 데이터 오너십·R&R, 표준 사전·명명규칙, CTQ·DQI 품질 기준, 영역별 관리 지침 수립
  • 비즈니스 메타(비즈니스 용어, 지표, 디멘션 등) 도출
  • 플랫폼 거버넌스 기능 요구사항 정의, 시스템화까지 지원

기대 성과

  • 데이터 표준 준수율 100% 확보, 표준 사전·명명규칙을 신규 플랫폼에 적용
  • 물동량(M/T)·선적일 기준으로 전사 집계 기준을 단일화해 부서 간 수치 불일치 해소
  • 핵심 품질항목 12개 KPI 모니터링과 메타데이터 등록으로 Text2SQL 등 AI 활용 기반 마련
Data ArchitectureData Governance(메타데이터)Data Engineering for AI

차세대 마케팅 플랫폼 데이터 기획

통신 기업 · 2026.01 – 진행 중

차세대 마케팅 프로그램에 구현할 데이터 기반 기획. 통계 재구축 방향부터 비즈니스 메타데이터·KM·Process Mining 기반 구조, 고객 360 행동 데이터 수집 표준까지.

상세 보기

과제

차세대 마케팅 프로그램에서 구현해야 할 데이터 기반 기획

수행 내용

  • 차세대 마케팅 프로그램 통계 재구축 방향 수립
  • 데이터 기반 구조(비즈니스 메타데이터, KM, Process Mining) 기획
  • C360(고객 360) 지향 행동 데이터 수집 표준화 기획

기대 성과

  • 차세대 마케팅 프로그램의 데이터 자산 관리 방향 수립

Contact

데이터 고민을 들려주세요

지금 상황을 알려주시면 어디서부터 시작할지 함께 정리해 드립니다.

상담 신청 →
EMAIL
contact@legatoz.com
TEL
050-5535-0500
ADDRESS
서울 마포구 양화로 186 LC타워 5층

Contact

상담 신청

남겨 주신 내용을 확인하고 담당 컨설턴트가 연락드립니다.

개인정보 수집·이용 안내 수집 항목: 회사명, 성함, 이메일, 문의 내용(필수), 연락처·관심 분야(선택) · 목적: 상담 신청 확인과 회신 · 보유 기간: 상담 완료 후 1년. 동의하지 않을 수 있으나, 이 경우 상담 신청을 할 수 없습니다. 개인정보처리방침