🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

AWS는 조직의 데이터 관계, 비즈니스 규칙, 도메인 지식을 에이전트가 안전하게 활용하도록 지식 그래프와 개방형 메타데이터 계층을 중심으로 한 컨텍스트 인텔리전스 기능들을 발표했다.

📌 핵심 요약

• 원문은 AI 에이전트의 판단 신뢰도가 에이전트가 접근하고 추론할 수 있는 컨텍스트의 품질에 달려 있다고 설명한다. 현재 컨텍스트는 데이터 레이크, 웨어하우스, 레이크하우스, 데이터베이스, 스트림, 문서화되지 않은 조직 지식에 흩어져 있어 이를 안전하게 연결하는 계층이 필요하다는 문제의식에서 출발한다.
• AWS Context는 기존 데이터의 관계를 자동으로 지식 그래프로 매핑하고, 에이전트가 런타임에 관리된 데이터 관계, 비즈니스 규칙, 도메인 지식에 접근할 수 있도록 agentic search를 제공하는 신규 서비스로 소개된다. 데이터 관리자는 콘솔에서 추론된 관계를 검토하고 운영 환경으로 승격하며 업무 정의와 사용 규칙을 붙일 수 있다.
• AWS Context는 Amazon Quick에서 쓰이던 지식 그래프 기술을 조직 단위의 공유 컨텍스트 계층으로 확장한다. 또한 AWS Glue Data Catalog, Amazon SageMaker Unified Studio, AWS Lake Formation과 통합되어 권한과 비즈니스 규칙을 적용하고, 핵심 메타데이터를 Amazon S3의 Apache Iceberg 형식으로 게시해 여러 도구에서 활용할 수 있게 한다.
• AWS Glue Data Catalog에는 비즈니스 컨텍스트와 시맨틱 검색 기능이 프리뷰로 추가된다. 테이블, 뷰, 컬럼에 비즈니스 설명, 용어집, 사용자 정의 메타데이터, 외부 문서나 런북을 가리키는 skill assets를 연결함으로써 사람과 에이전트가 데이터의 의미와 사용법을 더 정확히 이해하도록 돕는다.
• Amazon S3 Annotations는 일반 제공 기능으로 발표되었으며, S3 객체에 풍부하고 질의 가능한 비즈니스 컨텍스트를 직접 붙이고 이를 S3 Iceberg 테이블에 저장한다. 원문은 이러한 기능들이 에이전트를 위한 데이터 레이크처럼 작동하는 컨텍스트 기반을 만들고, 조직 규모의 데이터 활용과 에이전트 의사결정을 지원한다고 결론짓는다.

🧩 주요 포인트

1. 원문은 AI 에이전트의 판단 신뢰도가 에이전트가 접근하고 추론할 수 있는 컨텍스트의 품질에 달려 있다고 설명한다. 현재 컨텍스트는 데이터 레이크, 웨어하우스, 레이크하우스, 데이터베이스, 스트림, 문서화되지 않은 조직 지식에 흩어져 있어 이를 안전하게 연결하는 계층이 필요하다는 문제의식에서 출발한다.
2. AWS Context는 기존 데이터의 관계를 자동으로 지식 그래프로 매핑하고, 에이전트가 런타임에 관리된 데이터 관계, 비즈니스 규칙, 도메인 지식에 접근할 수 있도록 agentic search를 제공하는 신규 서비스로 소개된다. 데이터 관리자는 콘솔에서 추론된 관계를 검토하고 운영 환경으로 승격하며 업무 정의와 사용 규칙을 붙일 수 있다.
3. AWS Context는 Amazon Quick에서 쓰이던 지식 그래프 기술을 조직 단위의 공유 컨텍스트 계층으로 확장한다. 또한 AWS Glue Data Catalog, Amazon SageMaker Unified Studio, AWS Lake Formation과 통합되어 권한과 비즈니스 규칙을 적용하고, 핵심 메타데이터를 Amazon S3의 Apache Iceberg 형식으로 게시해 여러 도구에서 활용할 수 있게 한다.
4. AWS Glue Data Catalog에는 비즈니스 컨텍스트와 시맨틱 검색 기능이 프리뷰로 추가된다. 테이블, 뷰, 컬럼에 비즈니스 설명, 용어집, 사용자 정의 메타데이터, 외부 문서나 런북을 가리키는 skill assets를 연결함으로써 사람과 에이전트가 데이터의 의미와 사용법을 더 정확히 이해하도록 돕는다.
5. Amazon S3 Annotations는 일반 제공 기능으로 발표되었으며, S3 객체에 풍부하고 질의 가능한 비즈니스 컨텍스트를 직접 붙이고 이를 S3 Iceberg 테이블에 저장한다. 원문은 이러한 기능들이 에이전트를 위한 데이터 레이크처럼 작동하는 컨텍스트 기반을 만들고, 조직 규모의 데이터 활용과 에이전트 의사결정을 지원한다고 결론짓는다.

🧠 상세 정리

1. 에이전트 신뢰의 전제는 컨텍스트

원문은 AI 에이전트가 얼마나 지능적인지는 결국 어떤 컨텍스트 위에서 추론할 수 있는지에 달려 있다고 전제한다. 하지만 기업의 컨텍스트는 데이터 레이크, 데이터 웨어하우스, 레이크하우스, 데이터베이스, 스트림, 그리고 문서화되지 않은 제도적 지식에 흩어져 있다. 사용자는 에이전트가 내리는 결정을 신뢰하고 싶지만, 에이전트가 필요한 배경 정보와 관계를 안전하게 접근하지 못하면 그런 신뢰는 성립하기 어렵다. 따라서 글은 에이전트에게 필요한 컨텍스트를 제공하면서도 통제와 거버넌스를 유지하는 것이 핵심 과제라고 설명한다.

2. AWS Context의 기본 역할

AWS Summit New York City에서 소개된 AWS Context는 기존 데이터 전반의 관계를 자동으로 지식 그래프로 매핑하는 서비스로 설명된다. 이 서비스는 agentic search를 제공해 조직의 AI 에이전트가 런타임에 관리된 데이터 관계, 비즈니스 규칙, 도메인 지식에 접근할 수 있도록 한다. 데이터 스튜어드와 큐레이터는 콘솔에서 추론된 관계를 검토하고, 적절한 관계를 운영 환경으로 승격하며, 비즈니스 정의나 사용 규칙 같은 도메인별 지식을 붙일 수 있다. 즉 단순 검색 기능이 아니라 에이전트가 조직의 데이터 의미망을 해석하도록 돕는 관리형 컨텍스트 계층으로 제시된다.

3. 개인 지식 그래프에서 조직 지식 그래프로의 확장

원문은 AWS Context가 Amazon Quick을 구동하는 지식 그래프 기술을 확장한다고 설명한다. Amazon Quick에서는 수많은 사용자가 데이터셋, 대시보드, 메타데이터를 카탈로그화한 운영 지식 그래프와 상호작용하며, 이 그래프는 사용 패턴을 학습해 상호작용을 더 똑똑하게 만든다. AWS Context는 이러한 개인 중심 지식 그래프를 조직 전체가 공유하고 관리할 수 있는 컨텍스트 계층으로 확장한다. 기존 Amazon Quick 사용자는 AWS Context 활성화 시 단일 사용자의 그래프를 넘어선 기업 지식 그래프, 교차 시스템 관계, 비즈니스 규칙, 큐레이션된 컨텍스트를 활용할 수 있다고 설명된다.

4. 데이터 카탈로그와 권한 체계의 통합

AWS Context는 AWS Glue Data Catalog, Amazon SageMaker Unified Studio, AWS Lake Formation과 통합된다고 원문은 밝힌다. 이를 통해 팀은 지식 그래프를 비즈니스 규칙과 권한에 맞춰 관리하고, AI 지원 또는 수동 큐레이션을 통해 새로운 컨텍스트를 추가할 수 있다. 또한 컨텍스트 계층의 핵심 요소는 Amazon S3에 Apache Iceberg 형식으로 게시되어 고객이 Iceberg 호환 도구를 자유롭게 사용할 수 있다. 별도의 인프라를 프로비저닝하거나 검색 파이프라인을 직접 구축하지 않아도, 관리 콘솔에서 몇 번의 클릭으로 에이전트용 컨텍스트 수집과 큐레이션을 시작할 수 있다는 점이 강조된다.

5. 사용 패턴을 통해 학습하는 컨텍스트 계층

AWS Context는 에이전트가 사용할수록 더 똑똑해지는 구조로 소개된다. 에이전트가 그래프를 질의하면 어떤 소스가 올바른 결과를 냈는지, 어떤 조인 경로가 자주 쓰이는지, 어떤 큐레이션된 규칙이 적용되는지를 관찰한다. 이 정보는 실제 사용량을 바탕으로 소스의 순위를 매기고, 조직 전체에 학습 결과를 공유하는 데 활용된다. 예를 들어 한 에이전트가 올바른 조인 경로를 찾거나 스키마 모호성을 해결하면, 다른 에이전트도 사람이 매번 그래프를 다시 큐레이션하지 않아도 그 결과를 활용할 수 있다는 흐름이다.

6. 개방성과 이식성을 위한 Apache Iceberg 기반 설계

원문은 AWS Context가 구조화 데이터와 비구조화 데이터의 핵심 메타데이터를 Amazon S3 Tables의 Apache Iceberg 형식으로 게시한다고 설명한다. 이를 통해 사용자는 Amazon Athena, Amazon Redshift, Apache Spark 또는 Iceberg 호환 엔진으로 컨텍스트를 질의할 수 있고, 그 위에 다운스트림 시스템을 만들거나 감사하고 이전할 수도 있다. 또한 AWS 외부의 서드파티 카탈로그와도 연결되도록 설계되어 여러 시스템의 컨텍스트를 같은 그래프 안으로 가져올 수 있다. 에이전트는 agentic search API와 MCP 도구를 통해 이 컨텍스트를 질의하며, 원문은 컨텍스트가 질의 가능하고 이식 가능하며 고객에게 귀속되는 형태로 유지된다고 강조한다.

7. 신원 기반 접근 제어와 감사 가능성

원문은 운영 환경에 투입되는 에이전트마다 어떤 데이터에 접근할 수 있는지, 그리고 실제로 무엇을 어떤 권한으로 접근했는지 증명할 수 있어야 한다는 거버넌스 문제를 제기한다. AWS Context는 모든 질의를 identity-aware하게 만들어 이 문제에 대응한다고 설명된다. 각 호출은 호출 사용자의 IAM 및 Lake Formation 권한을 상속하도록 설계되어, 에이전트는 해당 신원이 접근 권한을 가진 관계만 보고 탐색할 수 있다. 접근이 신원 체계를 통해 이뤄지기 때문에 모든 상호작용은 감사 가능하며, 보안 및 컴플라이언스 팀은 기존 통제 방식으로 에이전트의 접근 내역과 권한 근거를 확인할 수 있다.

8. Glue Data Catalog의 비즈니스 컨텍스트와 skill assets

AWS Glue Data Catalog에는 비즈니스 컨텍스트와 시맨틱 검색 기능이 프리뷰로 발표되었다. 고객은 Glue의 테이블, 뷰, 컬럼에 비즈니스 설명, 용어집, 사용자 정의 메타데이터를 추가하고, 카탈로그 밖에 저장된 추가 컨텍스트를 제공하는 skill assets와 연결할 수 있다. 이 비즈니스 컨텍스트가 기술 메타데이터와 함께 인덱싱되면, Glue Search API를 통해 비즈니스 의미 기준으로 데이터를 더 빨리 찾고, 에이전트는 의미를 추측하기보다 신뢰된 정의에 기반해 추론할 수 있다. skill assets는 S3, git 저장소, 위키 등에 있는 AI 스킬, 가이드 문서, 팀 런북의 URI를 참조해 데이터 사용법, 조인 키, 필터, 쿼리 패턴, 주의사항을 점진적으로 가져오게 하는 장치로 설명된다.

9. Amazon S3 Annotations와 객체 단위 컨텍스트

Amazon S3 Annotations는 S3 객체에 풍부하고 질의 가능한 비즈니스 컨텍스트를 직접 붙이는 일반 제공 기능으로 소개된다. 기존의 객체 태그와 사용자 정의 메타데이터는 접근 제어나 업로드 시점의 작은 정보에는 적합하지만, 데이터 위에 에이전트를 구축하려는 고객은 훨씬 더 많은 메타데이터를 붙이고 변화시키길 원한다고 원문은 설명한다. S3 Annotations는 객체당 최대 1GB의 컨텍스트를 지원하고, 컨텍스트를 수정할 수 있으며, 복사와 복제 작업 시 객체와 함께 이동하고 객체 삭제 시 함께 제거된다. 별도 메타데이터 데이터베이스를 만들거나 동기화 문제를 관리하지 않아도 되며, annotation tables를 활성화하면 주석이 관리형 Iceberg 테이블로 흘러가 Athena, Redshift, Iceberg 호환 엔진, S3 Tables MCP 서버를 통해 활용될 수 있다.

🧾 핵심 주장 / 시사점

• 원문의 핵심은 에이전트 성능 자체보다 에이전트가 접근하는 조직 컨텍스트의 품질, 연결성, 거버넌스가 신뢰 가능한 의사결정의 기반이라는 점이다.
• AWS Context, Glue Data Catalog의 비즈니스 컨텍스트, S3 Annotations는 각각 조직 관계 그래프, 데이터 카탈로그 의미 계층, 객체 단위 메타데이터라는 서로 다른 수준에서 에이전트가 사용할 수 있는 컨텍스트를 확장한다.
• Apache Iceberg, S3 Tables, MCP 도구, 신원 기반 권한 상속이 반복적으로 등장하는 것은 컨텍스트 계층을 폐쇄적인 내부 기능이 아니라 질의 가능하고 감사 가능하며 이식 가능한 운영 자산으로 만들려는 방향을 보여준다.

✅ 액션 아이템

• 분산된 데이터 레이크·웨어하우스·레이크하우스·문서화되지 않은 조직 지식을 AWS Context로 묶어 컨텍스트 품질이 판단 신뢰도에 미치는 영향을 점검한다.
• 데이터 관리자가 추론된 관계를 콘솔에서 검토·승격한 뒤 업무 정의와 비즈니스 규칙을 붙여 에이전트 런타임 접근 경로에 일관되게 반영한다.
• Glue Data Catalog의 비즈니스 컨텍스트와 시맨틱 검색 프리뷰, S3 Annotations를 S3 Iceberg 메타데이터로 연동해 다중 도구에서 재사용되는지 실증한다.

❓ 열린 질문

• AWS Context의 공유 컨텍스트 계층이 조직 단위로 확장될 때 기존 에이전트 판정 규칙은 어디에서 달라지는가?
• 콘솔 기반 승인 후 운영 승격된 관계·규칙이 권한 적용에서 미검출 누락을 만들 가능성은 어느 지점에서 발생할 수 있는가?
• S3 Annotations를 Iceberg 테이블로 게시할 때 용어집·외부 문서·런북 skill assets의 유지관리 범위는 어떻게 정해야 하는가?