엔비디아가 기업 데이터의 항목이 무엇을 뜻하고 서로 어떻게 연결되는지 자동으로 정리하는 ‘오토 온톨로지’를 공개했다. 기업용 AI 개발 도구인 Agent Knowledge Foundation의 구성 요소다. 소스코드는 GitHub에 Apache 2.0 라이선스로 공개돼 기업과 개발자가 활용할 수 있다.
고객·주문·매출 데이터가 여러 데이터베이스에 나뉘어 있을 때, 오토 온톨로지는 데이터 구조와 메타데이터를 살펴 업무상 의미와 관계를 정리한다. ‘매출’이 할인이나 환불을 포함하는지처럼 기업마다 다를 수 있는 계산 기준도 데이터 항목과 연결한다. 이미 보유한 온톨로지나 데이터 정의 체계를 연결해 쓸 수도 있다.
이 정보를 이용하면 AI 에이전트는 자연어 질문에 맞는 데이터를 찾고, 정의된 기준을 확인한 뒤 데이터베이스 조회 언어인 SQL을 만들고 실행할 수 있다. 답을 낼 정보가 부족하면 추가 설명을 요청하도록 돕고, 조회에 사용한 SQL과 처리 과정도 보여준다. 기업 담당자는 자동으로 만들어진 데이터 정의를 검토하고 승인할 수 있다.
문서 검색과는 무엇이 다른가?
검색증강생성(RAG)은 주로 관련 문서를 찾아 답변에 활용한다. 오토 온톨로지는 표나 데이터베이스처럼 구조가 정해진 정보의 의미와 계산 규칙을 다룬다. 두 방식은 함께 쓸 수 있으며, 엔비디아는 모델 컨텍스트 프로토콜(MCP)과 API를 통한 기존 에이전트 연결도 지원한다고 밝혔다.
이번 기능은 Agent Knowledge Foundation이라는 더 큰 도구 묶음에 들어간다. 엔비디아가 소개한 이 기반에는 데이터 처리용 CUDA-X 라이브러리와 검색 모델 Nemotron Retriever, Kumo 계열 오픈 모델 등이 포함된다. 엔비디아는 기존 데이터를 옮기거나 업무 시스템을 다시 만들지 않고도 기업 데이터와 기존 통제 체계를 유지하며 쓸 수 있다고 설명한다.
엔비디아에 따르면 자사 공급망 조직은 Palantir Foundry, Ontology, AIP를 통해 이 기반을 활용하고 있다. Databricks는 Kumo Anomaly와 Genie Ontology를 결합해 맥락을 반영하는 에이전트를 지원하고, Snowflake는 자사 노트북 환경에서 Kumo 모델을 쓸 수 있도록 하고 있다. 다만 이는 도입 사례이지, 오토 온톨로지가 답변 정확도를 얼마나 높였는지를 보여주는 독립 검증 결과는 아니다.
정확도 개선은 아직 확인이 필요하다
AI Times에 따르면 엔비디아는 자체 테스트에서 온톨로지 생성 시간을 90% 줄였다고 밝혔다. 그러나 AI 에이전트 답변의 정확도가 얼마나 개선됐는지는 구체적인 수치로 제시하지 않았다. 데이터 정의를 자동 생성하더라도 기업 담당자의 검토와 승인이 필요하다는 점도 실제 도입 때 고려해야 한다.
기업용 데이터 플랫폼 업체들도 비슷한 문제를 풀려 하고 있다. 델은 오토 온톨로지를 활용할 통합 시맨틱 계층을 2027년 상반기에 출시하겠다고 발표했다. 스노우플레이크도 기업 용어와 지표, 데이터 관계를 관리하는 Business Ontology를 공개하고 프리뷰를 예고했다. 기업 AI 경쟁이 모델뿐 아니라 회사 내부 데이터의 의미를 제대로 읽는 능력으로 넓어지고 있다.
왜 중요한가
기업의 데이터로 매출이나 고객 수를 조회하는 직원은 회사가 정한 계산 기준에 맞춘 답을 받을 가능성이 생긴다. 다만 엔비디아가 답변 정확도 개선 수치를 공개하지 않았고 자동 생성 정의도 검토가 필요해, 실제 업무에서 얼마나 믿을 만한지는 확인되지 않았다.
