핵심 요약
- 기업들이 AI 도입에 실패하는 주된 이유는 AI가 스스로 부서마다 파편화된 데이터와 상이한 용어의 차이를 해결해 줄 것이라는 오해에서 비롯되며, 이를 해결하기 위해 데이터에 비즈니스 문맥을 부여하는 시멘틱 뷰와 AI 레디 데이터 구축이 필수적이다.
- 스노우플레이크는 데이터의 복사 없이 여러 엔진이 동일한 데이터를 활용할 수 있게 하는 아파치 아이스버그 포맷과 중앙화된 거버넌스(호라이즌 카탈로그 등)를 단일 플랫폼으로 제공하여, 비전문가도 자연어로 데이터를 다루고 AI 에이전트를 안전하게 운영할 수 있는 환경을 지원한다.
- KB국민은행, 아모레퍼시픽, GS 건설, 네오위즈 등의 국내 주요 기업들은 데이터 사일로 해소, 시멘틱 레이어 적용, 그리고 휴먼 인더 루프(Human-in-the-loop) 설계를 통해 단순 테스트 단계를 넘어 실제 비즈니스 성과를 창출하는 AI 전환(AX)을 달성하고 있다.
주요 내용
1. 스노우플레이크 월드투어 서울 개요 및 핵심 메시지
- 행사 의의: 미주 및 유럽 등 글로벌에서 진행되는 스노우플레이크의 가장 큰 연례 행사로, 한국에서는 5년 차를 맞이함. 샌프란시스코 글로벌 서밋의 신기술과 국내 기업 활용 사례를 공유하는 자리.
- 핵심 메시지 (“Making AI for Business”): AI를 실제 데이터와 접목하여 성과를 내기 위해 ① 데이터를 AI가 이해할 수 있는 상태로 준비, ② 전 구성원이 AI를 통해 손쉽게 데이터 접근, ③ 보안과 통제된 거버넌스 안에서의 작동이라는 3가지 핵심 요소가 필요함.
2. 키노트 및 AI 프로젝트 성공의 조건 (데이터의 중요성)
- 실패 원인: AI 프로젝트가 실패하는 이유는 “데이터 문제는 AI가 알아서 할 것”이라는 오해 때문이며, 부서별 시스템 및 용어의 차이(사일로화, 메타데이터 부재)가 AI 도입의 걸림돌임.
- KB국민은행 사례: 검색하는 AI에서 ‘행동하는 AI’로 가기 위해 신뢰할 수 있는 데이터와 엄격한 거버넌스·컴플라이언스가 필요함을 강조함. 모델 성능보다 데이터 기반(AI Ready Data)이 핵심임.
- 스노우플레이크의 3단계 접근 (Cortex 등): 분산된 데이터 수집 및 정제 ➔ 비즈니스 컨텍스트(문맥) 부여 ➔ 자연어 질의 인터페이스 제공을 단일 플랫폼으로 제공.
3. 트랙 1: 파편화된 데이터를 AI가 이해할 수 있는 상태로 만들기 (데이터 준비)
- 아모레퍼시픽 사례: 브랜드별·채널별 흩어진 데이터를 모으고, 시멘틱 매니저를 통한 시멘틱 뷰와 온톨로지 기술을 적용하여 코드를 모르는 현업 담당자도 채팅창을 통해 매출 트렌드 등을 분석할 수 있는 AI 환경을 구축함.
- 위메이드 플레이(게임) 사례: 대용량 로그 데이터를 평탄화하고 단일 소스화 및 시멘틱화 작업을 거침. 아파치 아이스버그 테이블과 카탈로그 연동을 통해 데이터 복사 없이 AWS S3 환경에서 실시간 데이터 환경을 유지함.
4. 트랙 2: 전사적 AI 활용 (누구나 쓰는 AI)
- GS 건설 사례: 건설업의 복잡한 데이터를 AI로 자동화하여 현장 직원들이 AI가 정리한 결과물을 확인하고 승인하는 방식으로 업무를 전환, 레디 데이터 생성 시간을 2주 이상에서 하루 이틀로 단축함.
- 네오위즈(게임) 사례: 독립된 게임 IP별로 컴퓨팅(웨어하우스)은 따로 쓰되, 스노우플레이크를 통해 거버넌스와 보안 규칙은 통합 적용하여 경합 없이 안전하게 데이터를 분석함.
5. 트랙 3: AI 시대의 데이터 엔지니어링
- 뱅크샐러드 사례: 대규모 금융 앱 데이터 검증 및 반복되는 배치 복구 작업의 한계를 극복하기 위해 스노우플레이크 기반의 자동화 환경을 구축하고 운영 리소스를 절감함.
- 데이터 스트림: 오픈소스 카프카 운영의 복잡성(사이징, 파티션 관리 등)을 덜어내고, 스노우플레이크가 인프라를 관리하며 토픽 중심의 실시간 데이터 스트리밍을 지원하는 구조를 소개함.
- 네페스(제조업) 사례: 정형 데이터와 텍스트 기반 비정형 데이터를 코텍스 어낼리틱스와 코텍스 서치로 최적화하고, 사람이 검증하는 휴먼 인더 루프(Human-in-the-loop)를 설계함.
6. 트랙 4: 에이전틱 엔터프라이즈 AI를 위한 플랫폼 구축 (확장성·개방성·거버넌스)
- 플랫폼 요건: 확장성(워크로드별 독립 리소스 할당), 개방성(아파치 아이스버그 등 오픈 포맷 지원), 거버넌스(호라이즌 카탈로그를 통한 민감 데이터 자동 필터링 및 동적 마스킹).
- 토스플레이스 사례: 아파치 아이스버그 오픈 포맷을 채택하여 데이터 복제 없이 스노우플레이크와 스타락스 엔진을 유연하게 조합함.
- KT 사례: 전사 직원의 1/4 이상이 사용하는 환경에서, 도구가 달라도 지표와 정의는 하나로 통일하는 단일 지표 정의 체계(시멘틱 레이어)를 구축함.
타임스탬프별 핵심 포인트
| 시간 | 핵심 내용 | |—|—| | 00:00 | 스노우플레이크 월드투어 서울 행사 소개 및 ‘Making AI for Business’ 핵심 메시지 | | 07:11 | KB국민은행 사례를 통해 본 AI 프로젝트 실패 원인과 ‘행동하는 AI’를 위한 데이터 중요성 | | 13:42 | 스노우플레이크의 시멘틱 뷰(Semantic View)와 의미 부여 레이어를 통한 데이터 맥락 이해 | | 19:15 | 아모레퍼시픽 사례: 시멘틱 뷰와 온톨로지를 활용한 현업 중심의 AI 분석 환경 구축 | | 27:30 | 위메이드 플레이 사례: 아이스버그 테이블을 활용한 게임 로그 데이터 복사 없는 실시간 분석 | | 35:20 | GS 건설 사례: 건설 현장 데이터의 AI 자동화 및 코텍스 에이전트를 통한 자연어 업무 처리 | | 42:15 | 코텍스 코드(COCO)를 활용한 비전문가의 대시보드 제작 및 데이터 접근 경계 허물어짐 | | 47:10 | 네오위즈 사례: 멀티 웨어하우스를 통한 독립적 분석과 통합 거버넌스 체계 운영 | | 54:00 | 뱅크샐러드 사례: 데이터 엔지니어의 반복 배치 복구 한계 극복 및 자동화 환경 구축 | | 59:00 | 스노우플레이크 데이터 스트림 소개: 카프카 인프라 관리를 대체하는 실시간 데이터 스트리밍 | | 01:05:00 | 네페스 사례: 제조업의 정·비정형 데이터 분석과 휴먼 인더 루프(Human-in-the-loop) 설계 | | 01:14:00 | 에이전틱 엔터프라이즈를 위한 플랫폼 조건 (확장성, 개방성, 거버넌스 및 호라이즌 카탈로그) | | 01:18:20 | 토스플레이스 사례: 아파치 아이스버그와 폴라리스 카탈로그를 통한 멀티 엔진(스노우플레이크-스타락스) 연동 | | 01:23:00 | KT 사례: 대규모 조직에서의 시멘틱 레이어 파편화 문제 해결과 단일 지표 정의 체계 구축 | | 01:29:00 | 패널들의 최종 소감: AI는 테스트 단계가 아니며, 작은 유스케이스부터 빠르게 시작해 비즈니스 문제를 해결해야 함 |
결론 및 시사점
- AI 도입의 성패는 모델의 성능이 아니라 기업 내부 데이터가 AI가 이해할 수 있는 상태(AI Ready)로 정제되어 있는지에 달려 있다.
- 시멘틱 뷰와 아파치 아이스버그 같은 기술을 통해 데이터 복제 없이 단일 소스를 유지하면서 비즈니스 문맥을 통일하는 것이 차세대 데이터 플랫폼의 핵심 조건이다.
- 기업들은 완벽한 준비를 기다리기보다 효과가 클 것으로 기대되는 특정 업무 영역부터 AI 에이전트를 적용하고, 철저한 거버넌스 안에서 전사적 확장을 도모해야 한다.
추가 학습 키워드
- 시멘틱 레이어 / 시멘틱 뷰 (Semantic Layer / Semantic View)
- 아파치 아이스버그 (Apache Iceberg)
- 스노우플레이크 코텍스 (Snowflake Cortex)
- 데이터 스트림 (Data Streams)
- 휴먼 인더 루프 (Human-in-the-loop)
기본 정보
| 항목 | 내용 | |—|—| | 채널 | 티타임즈TV | | 카테고리 | 경제 | | 게시일 | 2026-10-10 | | 영상 길이 | 1:18:30 | | 처리 엔진 | gemini-3.5-flash-lite+transcript | | 원본 영상 | YouTube에서 보기 |