ทันเอไอ

연구진, AI 에이전트가 기업 데이터베이스를 더 정확히 이해하도록 돕는 ISEE 시스템 개발

Purdue University, Adobe, UW–Madison의 Interactive Semantic Enrichment 시스템이 데이터 필드 설명에 도메인 지식을 보강해 AI 에이전트가 데이터베이스를 더 정확하게 다룰 수 있게 함

LLM(Large Language Model, 대규모 언어 모델) 기반 AI 에이전트가 데이터 이해, 탐색, 검색 등 데이터 작업에 점점 더 많이 활용되면서, 특히 기업급 데이터베이스에서 정확도가 떨어지는 문제가 자주 발생하고 있다. 그 원인이 항상 모델 자체에 있는 것은 아니다. 모호하거나 불완전한 필드 설명(field descriptions)에서 비롯되는 경우가 많은데, 예를 들어 회사 고유의 명명 방식을 쓴 필드의 실제 의미는 직원들의 도메인 지식(domain knowledge) 속에만 존재하고 공식적으로 기록된 적이 없는 경우가 흔하다.

이러한 공백을 해결하기 위해 Yuan Tian, Yiru Chen, Rakesh R. Menon을 비롯한 Purdue University, Adobe, University of Wisconsin—Madison 연구팀은 ISEE(Interactive SEmantic Enrichment) 시스템을 제안했다. 해당 연구는 arXiv의 cs.AI/cs.IR 분야에 공개됐다. 이 시스템은 인터랙티브 방식으로 작동하는데, 필드 설명을 입력받으면 ISEE가 점수 시스템으로 그 설명의 품질을 평가한 뒤 사용자로부터 지식을 수집하고, 사용자와 협력해 필드의 의미를 더욱 완전하게 다듬는다.

연구팀은 모호한 필드 설명이 데이터를 올바른 엔티티에 연결하는 entity linking 같은 후속 작업(downstream tasks)에 직접적인 영향을 미친다고 지적했다. 각 필드가 실제로 무엇을 의미하는지 이해하지 못하면 AI 에이전트가 쉽게 실수하는 유형의 작업이다.

사용자 연구와 정성 평가 결과, ISEE는 데이터 필드 설명의 정확도를 실제로 높여주며, 일반적인 기본 방식과 비교해 사용자의 인지 부하(cognitive load)도 줄여주는 것으로 나타났다. 즉, 사용자가 모든 것을 처음부터 스스로 생각하고 기록하느라 애쓸 필요가 없다는 뜻이다.

다만 이번 연구는 arXiv에 프리프린트로 공개된 초기 단계 연구로, 아직 공식적인 동료 평가(peer review)를 거치지 않았으며 세부 실험 수치도 초록에 공개되지 않았다. 실제 산업 현장 적용 여부는 좀 더 지켜봐야 할 것으로 보인다.