에이전트용 분석

에이전트 지향 분석 개념

"에이전트"란 무엇인가?

AI 에이전트는 단순한 작업 실행(또는 함수 호출)을 넘어 진화한 디지털 어시스턴트로 이해할 수 있습니다. 이들은 문맥을 이해하고 의사 결정을 내리며, 특정 목표를 향해 의미 있는 행동을 수행할 수 있습니다. 에이전트는 다양한 입력 (텍스트, 미디어, 데이터)을 처리하고 상황을 분석한 뒤 그 정보를 활용해 유용한 작업을 수행하는 「감지-사고-행동(sense-think-act)」 루프(예: ReAct 에이전트)를 기반으로 동작합니다. 가장 중요한 점은, 애플리케이션 도메인에 따라 이론적으로 다양한 수준의 자율성을 가질 수 있으며, 사람의 감독이 필요할 수도 있고 필요하지 않을 수도 있다는 점입니다.

이 흐름을 바꾼 결정적 계기는 Large Language Models(LLMs)의 등장입니다. AI 에이전트라는 개념은 이미 오래전부터 존재했지만, GPT 시리즈와 같은 LLM은 에이전트가 「이해」하고 소통하는 능력을 대폭 향상시켰습니다. 마치 이들이 갑자기 「인간」 언어에 더 유창해져서, 요청을 파악하고 모델이 학습한 내용에서 관련 있는 문맥 정보를 끌어와 응답할 수 있게 된 것과 같습니다.

AI 에이전트의 초능력: "Tools"

이러한 에이전트는 「Tools」에 대한 접근을 통해 진가를 발휘합니다. Tools는 에이전트가 작업을 수행할 수 있는 능력을 부여하여 AI 에이전트를 강화합니다. 이제 이들은 단순한 대화형 인터페이스를 넘어 숫자 계산, 정보 검색, 고객 커뮤니케이션 관리 등 실제로 작업을 완료할 수 있습니다. 이는 문제를 해결하는 방법을 설명만 할 수 있는 사람과 실제로 문제를 해결할 수 있는 사람의 차이에 비유할 수 있습니다.

예를 들어, ChatGPT에는 기본적으로 검색 도구가 탑재되어 있습니다. 검색 제공자와의 통합을 통해 모델은 대화 중에 웹에서 최신 정보를 가져올 수 있습니다. 이를 통해 응답을 사실 검증하고, 최근 이벤트와 데이터를 조회하며, 학습 데이터에만 의존하지 않고 최신 정보를 제공할 수 있습니다.

Tools는 Retrieval-Augmented Generation(RAG) 파이프라인 구현을 단순화하는 데에도 사용할 수 있습니다. AI 모델이 학습 중에 배운 내용에만 의존하는 대신, RAG는 모델이 응답을 생성하기 전에 관련 정보를 가져오도록 합니다. 예를 들어, AI 어시스턴트를 활용해 고객 지원을 돕는 경우(예: Salesforce AgentForce, ServiceNow AI Agents)를 생각해 볼 수 있습니다. RAG가 없으면, 에이전트는 일반적인 사전 학습 지식만으로 질문에 답변합니다. 하지만 RAG를 사용하면, 고객이 최신 제품 기능에 대해 묻는 경우 시스템은 응답을 작성하기 전에 최신 제품 문서, 릴리스 노트, 과거 지원 티켓을 검색합니다. 이렇게 하면 답변은 AI 모델이 활용할 수 있는 최신 정보에 기반하게 됩니다.

추론 모델

AI 분야에서 또 다른, 그리고 아마도 가장 흥미로운 발전 중 하나는 추론 모델의 등장입니다. OpenAI o1, Anthropic Claude, DeepSeek-R1과 같은 시스템은 프롬프트에 응답하기 전에 「생각(thinking)」 단계를 도입함으로써 보다 체계적인 접근 방식을 취합니다. 즉시 답을 생성하는 대신, 추론 모델은 Chain-of-Thought(CoT)와 같은 프롬프트 기법을 사용하여 문제를 여러 각도에서 분석하고, 단계를 나누어 사고하며, 필요할 때 사용 가능한 도구를 활용해 문맥 정보를 수집합니다.

이는 추론 능력과 실용적인 도구를 결합해 보다 복잡한 작업을 처리할 수 있는 더 강력한 시스템으로의 전환을 의미합니다. 이 영역에서 최근 사례 중 하나는 OpenAI의 deep research 도입입니다. 이는 온라인에서 복잡한 다단계 연구 작업을 자율적으로 수행할 수 있는 에이전트입니다. 이 에이전트는 텍스트, 이미지, PDF를 포함한 다양한 소스에서 정보를 처리하고 통합하여 5~30분 안에 종합적인 보고서를 생성합니다. 이는 전통적으로 사람이 몇 시간에 걸쳐 수행하던 작업에 해당합니다.

AI 에이전트를 위한 실시간 분석

회사 CRM 데이터를 포함한 실시간 분석 데이터베이스에 접근할 수 있는 에이전트형 AI 어시스턴트를 예로 들어 보겠습니다. 사용자가 가장 최신(분 단위까지)의 매출 추세에 대해 질문하면, AI 어시스턴트는 연결된 데이터 소스에 쿼리를 보냅니다. 그런 다음 데이터를 반복적으로 분석하여 전월 대비 성장률, 계절적 변동, 새롭게 부상하는 제품 카테고리와 같은 의미 있는 패턴과 추세를 식별합니다. 마지막으로 핵심 결과를 설명하는 자연어 응답을 생성하며, 종종 이를 보완하는 시각화도 함께 제공합니다. 이처럼 주요 인터페이스가 채팅 기반인 경우, 이러한 반복적 탐색이 관련 인사이트를 추출하기 위해 대량의 데이터를 스캔하는 일련의 쿼리를 발생시키므로 성능이 중요합니다.

몇 가지 특성 때문에 실시간 데이터베이스는 이러한 워크로드에 특히 적합합니다. 예를 들어 실시간 분석 데이터베이스는 실시간에 가까운 데이터와 함께 동작하도록 설계되어, 새로운 데이터가 도착하자마자 이를 처리하고 인사이트를 거의 즉시 제공할 수 있습니다. 이는 AI 에이전트에 매우 중요하며, 시기적절하고 관련성 높은 의사결정을 내리기 위해 최신 정보가 필요할 수 있습니다.

핵심 분석 기능 또한 중요합니다. 실시간 분석 데이터베이스는 대규모 데이터셋에 대해 복잡한 집계와 패턴 탐지를 수행하는 데 뛰어난 성능을 발휘합니다. 주로 원시 데이터 저장 또는 조회에 집중하는 운영 데이터베이스와 달리, 이러한 시스템은 막대한 양의 정보를 분석하는 데 최적화되어 있습니다. 이는 추세를 파악하고 이상 징후를 탐지하며 실행 가능한 인사이트를 도출해야 하는 AI 에이전트에 특히 적합합니다.

실시간 분석 데이터베이스는 대화형 쿼리에 대해 빠른 성능을 제공하는 것이 기대되며, 이는 채팅 기반 상호작용과 빈번한 탐색형 워크로드에 필수적입니다. 이러한 데이터베이스는 대용량 데이터와 높은 쿼리 동시성 환경에서도 일관된 성능을 보장하여, 반응성이 뛰어난 대화와 더 매끄러운 사용자 경험을 가능하게 합니다.

마지막으로, 실시간 분석 데이터베이스는 궁극적인 「데이터 싱크 (data sink)」 역할을 하며, 가치 있는 도메인별 데이터를 단일 위치에 효과적으로 통합하는 경우가 많습니다. 서로 다른 소스와 형식에 걸친 핵심 데이터를 하나의 체계 아래 함께 배치함으로써, 이러한 데이터베이스는 AI 에이전트가 운영 시스템과 분리된 통합된 도메인 정보 뷰에 접근할 수 있도록 보장합니다.

이러한 특성 덕분에 실시간 데이터베이스는 이미 대규모 AI 데이터 검색(use case)을 지원하는 데 중요한 역할을 하고 있습니다 (예: OpenAI의 Rockset 인수). 또한 무거운 연산 작업을 오프로드하여 AI 에이전트가 빠른 데이터 기반 응답을 제공할 수 있도록 지원합니다.

이는 인사이트 측면에서 AI 에이전트를 위한 선호되는 「컨텍스트 제공자」로서 실시간 분석 데이터베이스의 위치를 확고히 합니다.

새로운 사용자 페르소나로 부상하는 AI 에이전트

실시간 분석 데이터베이스를 활용하는 AI 에이전트를 이해하는 한 가지 유용한 방식은, 이들을 새로운 범주의 사용자, 혹은 제품 관리자 관점에서 말하는 「사용자 페르소나(user persona)」로 인식하는 것입니다.

데이터베이스 관점에서 보면, 잠재적으로 무제한에 가까운 수의 AI 에이전트가 사용자를 대신하거나 또는 자율적으로, 동시에 대량의 쿼리를 실행하여 조사를 수행하고, 반복적인 연구와 인사이트를 정교화하며, 작업을 수행하게 될 것으로 예상할 수 있습니다.

여러 해에 걸쳐, 실시간 데이터베이스는 시스템에 직접 연결되거나 미들웨어 애플리케이션 계층을 통해 연결되는, 사람이 직접 상호작용하는 사용자에 맞게 적응해 왔습니다. 대표적인 페르소나 예로는 데이터베이스 관리자, 비즈니스 애널리스트, 데이터 사이언티스트, 또는 데이터베이스 위에 애플리케이션을 구축하는 소프트웨어 개발자가 있습니다. 업계는 이들의 사용 패턴과 요구 사항을 점진적으로 이해해 왔고, 자연스럽게 다양한 사용 사례를 충족하기 위해 인터페이스, 연산자, UI, 포맷, 클라이언트, 그리고 성능을 제공해 왔습니다.

이제 질문은 「AI 에이전트의 워크로드를 수용할 준비가 되었는가?」가 됩니다. 이러한 사용 패턴을 위해, 어떤 구체적인 기능을 다시 고민하거나 처음부터 새로 만들어야 하겠습니까?

ClickHouse는 완전한 기능을 갖춘 AI 경험을 제공하는 것을 목표로 하는 다양한 기능을 통해, 이러한 질문 가운데 일부에 대해 빠르게 해답을 제시하고 있습니다.

ClickHouse.ai

ClickHouse Cloud에 곧 제공될 기능에 대한 자세한 내용은 ClickHouse.ai를 참조하십시오.