Databricks on todai

Lakebase branching for CI/CD: lessons from 100 PR databases

Sun, 01 Nov 2026 06:25:00 +0900

안녕하세요 여러분! 개발을 하거나 코드를 수정할 때, “진짜 실제 데이터로 테스트해 볼 수는 없을까?” 하고 고민해 보신 적 있으신가요?

매번 똑같은 데이터를 복사해서 쓰려니 시간이 너무 오래 걸리고, 그렇다고 대충 만든 가짜 데이터로 테스트하자니 실제 환경에서 에러가 터질까 봐 불안하죠. 오늘은 이런 고민을 시원하게 해결해 준 흥미로운 기술 적용 사례를 소개해 드릴게요!

전체 글 정리

1. 20분 걸리던 데이터 복사가 단 몇 초 만에?

기존의 문제점: 스노클 AI 팀은 개발자들이 코드를 고치고 테스트할 때마다 실제 프로덕션(운영) 데이터베이스를 복사해 사용하고 싶어 했어요. 하지만 전체 데이터를 복사하는 데만 무려 20분이나 걸려서 개발 흐름이 뚝뚝 끊겼답니다.
레이크베이스의 등장: 데이터브릭스의 서버리스 Postgres 데이터베이스인 레이크베이스(Lakebase)는 깃(Git) 브랜치처럼 데이터베이스를 순식간에 복제할 수 있는 기능을 제공해요.

2. 복사 없이 가볍게 쓰는 카피온라이트(Copy-on-write) 기술

데이터를 통째로 복사하는 게 아니라, 원본을 그대로 둔 채 변경되는 부분만 따로 기록하는 방식을 사용해요.
1테라바이트에 달하는 거대한 데이터베이스라도 단 몇 초 만에 독립된 나만의 테스트 공간을 만들 수 있죠.
사용하지 않을 때는 컴퓨터 자원이 꺼지고, 저장 공간도 실제로 수정된 부분만 차지하기 때문에 비용 부담도 확 줄어듭니다.

3. 알아서 척척 정리해 주는 자동 삭제 기능

개발 테스트나 AI 작업이 끝나면 브랜치를 지워야 하는데요. 깜빡하고 삭제하지 않더라도 정해진 시간이 지나면 자동으로 사라지도록 설정(TTL)할 수 있어요.
덕분에 쓰레기 데이터가 쌓이지 않고 깔끔하게 유지된답니다.

이용 방법 / 활용 방안

독립된 PR 테스트 환경 만들기: 개발자가 새로운 코드(Pull Request)를 열면 자동으로 메인 데이터베이스를 복제해 테스트 공간을 만들고, 테스트가 끝나면 싹 지워버리는 방식으로 활용할 수 있어요. 다른 테스트와 꼬일 일도 없고 실제 데이터로 안전하게 검증이 가능하죠.
AI 에이전트의 안전한 놀이터: 스스로 SQL을 짜고 데이터를 다루는 AI 에이전트에게 각각 독립된 브랜치를 쥐여주세요. 실수를 하더라도 원본 데이터는 안전하니까 안심하고 마음껏 실험을 시켜볼 수 있답니다.

데이터를 통째로 복사하느라 소중한 시간을 날리던 시절은 이제 안녕이네요! 여러분이라면 이 순식간에 복제되는 데이터베이스 기능을 어디에 가장 먼저 써보고 싶으신가요?

Databricks and SAP unleash end-to-end data & AI capabilities to level up enterprise AI transformation

Sat, 31 Oct 2026 06:00:00 +0900

요즘 AI 기술 정말 대단하지만, 막상 우리 회사 업무에 바로 쓰려고 하면 뭔가 아쉬운 적 없으셨나요? AI는 똑똑한데 우리 회사가 어떻게 돌아가는지는 잘 모르기 때문인데요. 포춘 500대 기업의 90% 이상이 사용하는 SAP 시스템 속에 바로 그 알짜배기 비즈니스 데이터가 담겨 있답니다. 데이터브릭스와 SAP가 손을 잡고 이 문제를 시원하게 해결할 소식을 들고 왔어요! 🏢✨

전체 글 정리

1. SAP 데이터와 AI의 만남

SAP와 데이터브릭스는 지난해 SAP 비즈니스 데이터 클라우드에 데이터브릭스 플랫폼을 내장한 SAP 데이터브릭스를 선보였어요.
아디다스, 잘란도 같은 글로벌 기업들이 이미 이 기능을 활용해 AI를 구축하고 있죠.
이번에 발표된 차세대 협력을 통해 기업들은 SAP 데이터에 훨씬 더 쉽고 성능 좋게 접근할 수 있게 되었어요.

2. 복잡한 과정 없이 간편하게

기존에는 SAP 데이터를 가져오려면 복잡한 추출 파이프라인을 따로 만들고 관리해야 했어요. 이 과정에서 데이터가 복사되거나 중요한 비즈니스 맥락이 사라지기도 했죠.
새로 발표된 SAP 애플리케이션 데이터 파운데이션을 이용하면 클라우드 환경에서 SAP 애플리케이션 데이터에 간편하게 접근할 수 있답니다.
복잡한 구축 과정 없이도 주문 이력을 가져와 외부 데이터와 결합하고 수요 예측 모델 등을 만들 수 있어요.

3. 실제 기업들의 활용 사례

트럭 및 버스 부품 제조사인 SAF-Holland는 이 기술을 활용해 1억 개가 넘는 고객 및 배송 데이터를 하나로 모았어요.
머신러닝을 이용해 배송 일정의 신뢰도를 예측하고 있으며, 기존 방식보다 분석 속도를 5배나 빠르게 끌어올렸답니다.
복잡한 SAP 데이터를 바탕으로 공급망 인사이트를 몇 주가 아니라 단 몇 분 만에 얻고 있어요.

이용 방법 / 활용 방안

기존 데이터 파이프라인 정비하기: 기업의 중요한 데이터가 SAP에 담겨 있다면, 커스텀 추출 파이프라인을 유지하는 데 들어가는 수고를 줄이고 클라우드 기반의 통합 방안을 검토해 보세요.
AI에 업무 맥락 더하기: 단순히 AI를 도입하는 것을 넘어, 회사의 실제 업무 흐름과 주문 이력 같은 비즈니스 데이터를 AI와 결합해 수요 예측이나 재무 마감 이상 감지 등에 활용할 수 있습니다.
전문가 팀과 상담하기: SAP나 데이터브릭스 계정 팀을 통해 새로운 SAP 애플리케이션 데이터 파운데이션과 확장된 기능을 확인하고 우리 회사에 맞는 도입 경로를 계획해 보세요.

기업의 핵심 데이터와 뛰어난 AI 플랫폼이 만났을 때 어떤 시너지가 날지 기대되지 않으시나요? 여러분이라면 이 기능을 회사의 어떤 업무에 가장 먼저 써보고 싶으신가요?

Wealth Management Client Onboarding Needs More Than AI

Sat, 31 Oct 2026 04:40:00 +0900

자산관리 계좌를 만들 때 생각보다 시간이 꽤 오래 걸려서 답답하셨던 적 있으신가요? 🏦

우리는 은행이나 증권사에 서류를 내고 나면 모든 과정이 알아서 착착 진행될 거라고 기대하지만, 실제 내부에서는 수많은 부서와 시스템이 따로 노느라 진땀을 뺀다고 해요. AI가 일 처리를 아무리 빠르게 도와줘도 부서 간에 손발이 안 맞으면 결국 계좌 개설은 늦어질 수밖에 없죠. 오늘은 이 복잡한 과정을 매끄럽게 이어주는 똑똑한 해결책에 대해 이야기해 볼게요!

전체 글 정리

1. 계좌 개설이 느려지는 진짜 이유

고객의 여정은 하나이지만, 내부 시스템은 고객관리, 서류, 자격 심사, 규제 확인 등으로 쪼개져 있어요.
여러 팀과 시스템이 제각각 일하다 보니, 다음 단계로 넘어갈 때마다 앞서 한 일을 처음부터 다시 확인하거나 조율하느라 시간이 낭비돼요.
AI가 서류를 빨리 읽거나 요약해 줘도, 부서 간의 빈틈을 메우지 못하면 전체 속도는 빨라지지 않는답니다.

2. 해결의 열쇠, 통합 사례 맥락

데이터브릭스 플랫폼은 서류 증거, 현재 진행 상황, 완료된 보안 검토, AI 에이전트의 활동 기록 등을 한눈에 볼 수 있도록 모아줘요.
버전 관리가 가능해서 무엇이 언제 바뀌었는지, 이전 작업을 다시 확인해야 하는지 명확하게 알 수 있죠.
이를 통해 담당 직원이나 AI는 전체 역사를 일일이 짜맞추지 않고도 현재 상태를 바로 파악할 수 있어요.

3. AI 에이전트와 사람의 협업 구조

관리자 역할을 하는 에이전트가 전체 진행 상황을 읽고 다음에 무엇을 해야 할지 판단해요.
서류가 누락되면 고객 안내 메일을 준비하고, 사람이 직접 확인해야 할 순간에는 담당자를 불러오죠.
최종 결정과 책임은 여전히 사람이 맡고, AI는 잡다한 조율과 기록을 도와서 투명성과 안정성을 높여요.

이용 방법 / 활용 방안

우리 회사에 적용할 첫 번째 길 찾기: 복잡하고 지연이 잦은 업무 구간을 하나 골라 파일럿 프로젝트를 시작해 보세요.
역할과 책임 명확히 하기: 데이터, 컴플라이언스, 기술 부서 리더들이 모여 어떤 서류가 필요하고 누가 최종 결정을 내릴지 미리 기준을 세워야 해요.
전체 여정 기준으로 성과 측정하기: 단순히 일 하나가 빨라졌는지가 아니라, 고객이 계좌를 완전히 개설하기까지 전체 시간이 줄었는지, 직원들이 반복 업무에서 벗어났는지 확인해 보세요.

여러분이라면 이렇게 똑똑하게 연결되는 시스템을 어떤 업무에 가장 먼저 써보고 싶으신가요?

Deliberate decisions and enterprise AI value

Sat, 31 Oct 2026 04:30:00 +0900

요즘 회사에서 인공지능(AI) 도입해야 한다는 이야기 정말 많이 들리죠? 하지만 막상 해보려고 하면 어디에 먼저 투자해야 할지, 기술은 빠르게 변하는데 어떻게 방향을 잡아야 할지 고민이 참 많으실 거예요. 기술이 가능하냐 마느냐의 문제를 넘어, 진짜 중요한 결정을 내려야 할 때 어떤 점을 고려해야 하는지 데이터브릭스와 데이터아이큐의 보고서를 통해 함께 살펴볼까요?

전체 글 정리

1. 시범 운영을 넘어선 실제 운영 준비하기

AI 성공적인 시범 운영이 곧바로 실무 도입 준비가 끝났음을 의미하지는 않아요.
실제 업무에 AI를 적용할 때는 보안, 지원, 사용자 채택, 거버넌스, 유지 비용 등 눈에 보이지 않던 비용과 운영 모델을 철저히 따져봐야 한대요.
단기적인 실험 결과를 넘어 지속 가능하게 유지될 수 있는지 꼼꼼히 점검하는 것이 중요해요.

2. 비즈니스 가치 중심의 투자와 포트폴리오 관리

사방에서 쏟아지는 AI 도입 요구에 전부 다 대응할 수는 없어요.
명확한 비즈니스 문제를 정의하고, 기업 규모의 가치가 있는 일을 우선순위에 두어야 하죠.
모든 투자가 똑같은 방식으로 성과를 내는 것은 아니기 때문에, 여러 초기 시도를 포트폴리오처럼 관리하면서 성과에 따라 투자를 조절하거나 방향을 바꿀 수 있어야 해요.

3. 명확한 책임 소재와 비즈니스 오너십

AI 도입은 어느 한 팀만의 몫이 아니에요.
승인된 활용 사례가 있다면, 그 결과와 운영 결과, 지속적인 비용까지 책임질 수 있는 명확한 비즈니스 오너가 있어야 해요.
의사결정 권한이 분명해야 AI 도입이 새로운 문제를 만들지 않고 실질적인 해결책이 될 수 있답니다.

4. 인간의 권한과 전문성 유지하기

AI가 많은 일을 처리할수록 사람은 문제를 정의하고 결과를 해석하는 데 더 많은 시간을 쓰게 돼요.
중요한 순간에 사람이 AI의 결과물을 검토하고 반박하거나 멈출 수 있는 명확한 권한과 시간을 가지고 있어야 해요.
자동화가 편하다고 해서 조직이 꼭 가져가야 할 전문성까지 없애버리면 장기적으로 위험할 수 있답니다.

이용 방법 / 활용 방안

새로운 AI 프로젝트를 승인하기 전에 이 프로젝트가 어떤 비즈니스 성과를 바꾸는지 먼저 연결 지어 생각해보세요.
당장의 기술 도입에만 몰두하지 말고, 운영 비용과 보안, 그리고 사후 관리를 책임질 사람이 누구인지 명확히 정해두는 것이 좋아요.
모든 것을 완벽하게 계획하려 하기보다 목적이나 기준 같은 고정할 부분은 지키되, 기술 선택이나 역할은 유연하게 바꾸는 태도를 가져보세요.

여러분이라면 회사의 중요한 결정을 내릴 때 어떤 점을 가장 먼저 기준으로 삼고 싶으신가요?

Announcing General Availability of Real-Time Mode for Spark Declarative Pipelines on Databricks

Fri, 30 Oct 2026 07:30:04 +0900

데이터 분석이나 데이터 처리 작업에 관심이 있으신가요? 갑자기 실시간 데이터 처리 기술 소식이 들리면 복잡하게 느껴지시죠? 오늘은 데이터브릭스에서 발표한 반가운 업데이트 소식을 쉽고 간단하게 풀어드릴게요.

전체 글 정리

실시간 모드 정식 출시

데이터브릭스는 스파크 선언형 파이프라인에서 실시간 모드가 이제 정식으로 제공된다고 발표했어요.
이 기능은 데이터를 밀리초 단위로 아주 빠르게 처리할 수 있도록 돕는 기술이에요.

기존 방식과의 차이점과 장점

데이터를 끊어서 처리하던 기존 방식에서 벗어나, 데이터를 지속해서 흐르게 만들고 모든 단계를 동시에 실행해요.
덕분에 별도의 복잡한 엔진을 따로 쓰지 않아도 되며, 데이터 품질 관리나 오류 복구 같은 선언형 파이프라인의 이점을 그대로 누릴 수 있답니다.

다양한 실시간 활용 분야

사기 탐지, 실시간 맞춤형 추천, 실시간 특징 계산 등 빠른 의사결정이 필요한 작업에 유용하게 쓰일 수 있어요.
다양한 실시간 저장소와 연결하여 데이터를 곧바로 활용할 수 있는 환경을 제공해요.

이용 방법 / 활용 방안

이번에 정식 출시된 실시간 모드는 특히 빠른 대응이 생명인 업무에서 큰 힘을 발휘해요. 예를 들어 쇼핑몰에서 사용자의 최근 검색 기록을 바탕으로 즉시 상품을 추천하거나, 금융 거래에서 이상 징후를 빠르게 포착해 내는 작업에 활용해 볼 수 있죠. 개발 중인 파이프라인 설정에서 연속 모드를 켜고 관련 설정을 지정하는 방식으로 적용할 수 있으니, 실시간 데이터 처리가 필요했던 분들이라면 눈여겨보시면 좋겠어요.

Smarter cost controls for serverless

Fri, 30 Oct 2026 00:00:00 +0900

안녕하세요 독자 여러분! 클라우드 서비스를 쓰다 보면 “이번 달엔 비용이 얼마나 나왔을까?” 하고 가슴이 철렁 내려앉을 때가 있죠?

데이터브릭스에서 서버레소스 환경을 쓰시는 분들에게 아주 반가운 소식이 있어요. 서버레소스 컴퓨팅을 쓰면서도 비용을 꼼꼼하게 관리하고 예산 안에서 안전하게 쓸 수 있는 기능들이 더 좋아졌답니다. 어떤 내용인지 함께 가볍게 살펴볼까요?

전체 글 정리

1. 서버레소스를 위한 비용 관리의 필요성

전통적인 방식에서는 컴퓨터(서버) 대수나 인스턴스 종류를 직접 제한해서 비용을 조절했어요.
하지만 서버레소스 환경에서는 복잡한 서버 관리를 서비스 제공 쪽에서 알아서 해주기 때문에, 기계를 만지는 대신 **사람과 작업(워크로드)**을 기준으로 비용을 통제해야 한답니다.
플랫폼 팀에서는 비용을 정확히 나누는 속성(Attribution), 누가 쓸 수 있는지 정하는 접근 권한(Entitlements), 그리고 지출 한도를 막는 **제한(Limits)**의 세 가지가 필요해요.

2. 태그를 통한 비용 추적 (Attribution)

서버레소스 환경에서도 컴퓨터에 태그를 붙이면 그 태그가 청구서까지 그대로 이어져요.
시스템 테이블과 계정 콘솔 대시보드를 통해 복잡한 SQL을 쓰지 않고도 팀별 비용을 한눈에 확인할 수 있답니다.
현재 서버레소스 컴퓨팅 태그 기능은 베타 버전으로 제공 중이에요.

3. 모니터링과 예산 설정 (Observability)

비용이 얼마나 나가는지 실시간으로 추적하고 모니터링할 수 있어요.
예산이 특정 금액을 넘어가면 이메일 알림을 받을 수 있고, 일별 지출에 대한 SQL 알림도 설정할 수 있답니다.
AWS, Azure, Google Cloud 전반에서 이 모니터링 기능들을 지금 바로 사용할 수 있어요.

4. 접근 제어와 사용량 제한 (Access Control & Rate Limits)

누가 서버레소스를 쓸 수 있는지 권한을 정하는 접근 제어 기능이 정식 출시(GA)되었어요.
기본적으로 안전한 모델로 설정되어 있어서, 관리자가 직접 그룹을 지정해 특정 사용자만 서버레소스를 쓰도록 관리할 수 있답니다.
비용 한도를 정하는 요율 제한(Rate Limits) 기능도 베타 버전으로 함께 제공되고 있어요.

이용 방법 / 활용 방안

팀별 예산 관리하기: 대시보드를 통해 우리 팀이 서버레소스를 얼마나 쓰고 있는지 정기적으로 확인하고, 예산 초과 알림을 설정해 보세요. 깜짝 놀랄 만한 비용 폭탄을 미리 막을 수 있답니다.
접근 권한 정리하기: 관리자 페이지에서 서버레소스 컴퓨팅 사용 권한을 검토하고, 꼭 필요한 사용자나 그룹에게만 권한을 부여해 안전하게 환경을 운영해 보세요.

비용 걱정 없이 서버레소스를 더 스마트하게 쓸 수 있는 방법들이 생겼네요. 여러분이라면 이 비용 관리 기능들을 어디에 가장 먼저 적용해보고 싶으신가요?

How Procore is powering construction analytics with OpenSharing

Thu, 29 Oct 2026 09:29:00 +0900

건설 현장의 복잡한 데이터, 한눈에 파악하기 어렵고 흩어져 있어서 답답하셨던 적 있으신가요? 오늘은 전 세계 수많은 건설 현장을 하나로 연결하는 프로코어가 어떻게 데이터를 더 똑똑하게 나누고 있는지 그 이야기를 살짝 들려드릴게요.

전체 글 정리

1세대 분석 시스템의 한계

기존에는 SQL 서버와 공개 API를 활용해 데이터를 추출했어요.
하지만 하루에 최대 3번까지만 데이터를 최신화할 수 있어서 실시간으로 변하는 건설 현장 상황을 반영하기엔 속도가 턱없이 부족했죠.
복잡한 API 호출 방식 때문에 비용도 많이 들고 에러가 나기도 쉬웠답니다.

새로운 데이터 플랫폼의 탄생

프로코어는 데이터브릭스의 오픈셰어링 기술을 도입해 새로운 분석 시스템을 구축했어요.
데이터를 복잡하게 가공해서 넘기는 대신, 깔끔하게 정리된 데이터를 다양한 클라우드 환경에서 안전하게 공유할 수 있게 되었답니다.
보안과 권한 관리가 철저해서 건축주와 시공사가 필요한 정보만 골라 볼 수 있어요.

눈에 띄게 좋아진 점들

데이터 최신화 횟수 제한이 사라져서 현장 매니저들이 원하는 만큼 최신 데이터를 받아볼 수 있게 되었어요.
기존보다 훨씬 더 많은 양의 데이터를 두 배나 빠르게 고객들에게 제공할 수 있게 되었죠.
사내 데이터 팀도 복잡한 파이프라인을 하나로 합쳐서 훨씬 효율적으로 일할 수 있게 되었답니다.

이용 방법 / 활용 방안

내가 쓰는 업무 툴에서 건설 현장 데이터를 바로 확인하고 싶다면 이번 사례를 눈여겨보세요. 파워BI, 태블로 등 각자 익숙한 프로그램 그대로 프로코어의 데이터를 불러와서 쓸 수 있거든요. 복잡하게 파일을 옮길 필요 없이, 필요한 데이터만 쏙쏙 골라 엑셀이나 전용 대시보드에 띄워놓고 프로젝트 진행 상황을 실시간으로 점검해 볼 수 있답니다.

Voice Agents are here. Context turns them into real customer value.

Thu, 29 Oct 2026 03:00:00 +0900

음성으로 기업과 소통하는 일이 점점 더 당연해지는 요즘, 갑자기 이런 기술 소식 들리면 어렵게 느껴지시죠?

오늘은 데이터브릭스가 소개한 스마트한 음성 에이전트 기술을 아주 쉽고 친근하게 정리해 드릴게요.

전체 글 정리

1. 음성 에이전트의 핵심은 바로 문맥(Context)이에요

음성으로 대화하는 AI는 이제 쉽게 만들 수 있지만, 진짜 중요한 건 상대가 누구인지 아는 것이에요.
고객이 전화했을 때 주문 내역이나 상황을 AI가 바로 알고 있어야 진짜 도움이 되는 대화가 가능해진답니다.
데이터브릭스는 기업이 이미 가지고 있는 안전한 데이터와 AI를 연결해, 고객 맞춤형 대화를 실시간으로 만들어줘요.

2. 대화를 듣는 귀와 생각을 하는 두뇌의 만남

음성 에이전트는 크게 두 부분으로 나뉘어요. 음성을 인식하고 말해주는 ‘대화 파트’와 상황을 판단하는 ‘두뇌 파트’예요.
데이터브릭스는 안전하게 보관된 기업 데이터를 바탕으로 AI가 올바른 판단을 내릴 수 있는 든든한 두뇌 역할을 맡아요.
인터넷상의 일반적인 지식이 아니라, 우리 회사 규정과 고객 정보에 딱 맞는 답변만 골라서 해줄 수 있죠.

3. 빠르고 똑똑한 판단과 철저한 보안

AI는 찰나의 순간에 빠르게 결정을 내리는 빠른 생각과, 꼼꼼하게 고민하는 느린 생각을 동시에 활용해요.
모든 대화와 결정 과정은 안전하게 기록되기 때문에 담당 팀이 나중에 품질을 검토하고 서비스를 개선하는 데 쓸 수 있어요.
민감한 의료나 금융 관련 주제는 애초에 사람이 직접 응대하도록 안전장치도 마련되어 있답니다.

이용 방법 / 활용 방안

가장 자주 들어오는 반복 업무부터 시작해보세요: 주문 조회나 예약 변경처럼 매일 반복되는 단순한 전화 문의에 먼저 적용해보는 것이 좋아요.
사람에게 자연스럽게 넘겨주기: AI가 해결하기 어려운 복잡한 불만 사항이나 민감한 대화는 완벽한 대화 기록과 함께 상담원에게 부드럽게 연결할 수 있어요.
90일 파일럿 프로젝트 도전: 데이터브릭스가 제공하는 청사진을 바탕으로, 딱 하나의 팀과 하나의 채널에서 먼저 소규모로 테스트를 시작해보세요.

에이전트가 내 정보를 찰떡같이 이해하고 반겨준다면 정말 편리할 것 같지 않나요?

Vital Skills: Upskilling Genie Code with Healthcare and Life Sciences skills

Wed, 28 Oct 2026 04:00:00 +0900

데이터 분석을 할 때 코딩 대신 말로 편하게 대화할 수 있다면 얼마나 좋을까요? AI 코딩 도구가 점차 똑똑해지고 있지만, 막상 의료나 생명과학처럼 전문적인 분야를 다룰 때는 뭔가 아쉬운 점이 있었죠. 오늘은 데이터브릭스의 AI 코딩 에이전트인 지니 코드에 헬스케어와 생명과학 전문 지식을 불어넣어 주는 바이탈 스킬스 소식을 소개해 드릴게요.

전체 글 정리

1. 지니 코드와 바이탈 스킬스의 만남

지니 코드: 코딩 대신 대화로 데이터 및 AI 작업을 수행할 수 있도록 돕는 데이터브릭스 최적화 코딩 에이전트예요.
보안과 거버넌스: 유니티 카탈로그와 연동되어 기업의 데이터를 정확히 이해하고 플랫폼의 보안 규칙을 그대로 따라요.
바이탈 스킬스의 필요성: 일반 AI 코딩 도구는 의료나 생명과학 분야의 까다로운 임상 기준이나 전문 지식을 놓치기 쉬운데, 바이탈 스킬스가 이 간극을 메워줘요.

2. 현장 전문가의 노하우를 담다

전문가 수준의 지식: 생체통계학자, 프라이버시 담당자 등의 노하우를 패키지 형태의 플레이북으로 제공해요.
성능 검증: 공인된 생물omedical 데이터 분석 벤치마크 테스트에서 바이탈 스킬스를 적용한 경우가 훨씬 더 정확하고 신뢰성 높은 결과를 보여주었어요.
환자 코호트 및 보고서 작성: 자연어로 환자 집단을 정의해 코호트를 만들고, 프리젠테이션 빌더를 통해 결과를 쉽게 공유할 수 있어요.

3. 복잡한 모델 배포와 맞춤형 평가

생물학 파운데이션 모델: 다루기 까다로운 오픈소스 단백질 구조나 단일세포 모델을 안전하게 배포하고 실행할 수 있도록 도와줘요.
맞춤형 평가 도구: 헬스케어 업무 특성에 맞는 평가 환경을 구축하여 결과와 행동 양식을 꼼꼼하게 검증해요.
오픈소스와 확장성: 기본 제공되는 스킬 외에도 필요에 따라 직접 수정하거나 새로운 스킬을 만들 수 있어요.

이용 방법 / 활용 방안

현업 분석가: 복잡한 코딩을 몰라도 자연어로 환자 그룹(코호트)을 정의하거나 필요한 지표를 계산해 대시보드와 보고서까지 매끄럽게 연결해 보세요.
과학자와 연구원: 다루기 어려운 오픈소스 바이오 모델을 직접 구축하고 배포하는 과정에서 빠뜨리기 쉬운 준비 단계들을 안전하게 챙겨갈 수 있어요.
개발 및 관리자: 유니티 게이트웨이를 통해 검증된 스킬을 동료들과 공유하고, 필요에 따라 입맛에 맞게 커스텀하여 활용할 수 있답니다.

데이터 분석과 AI가 현업의 전문성과 만날 때 어떤 시너지가 나는지 조금은 감이 오시죠? 여러분이라면 이 똑똑한 도구를 의료나 생명과학 분야의 어떤 작업에 가장 먼저 써보고 싶으신가요?

From spot fixes to measured gains: improving document extraction accuracy with ai_extract and MLflow Prompt Registry

Wed, 28 Oct 2026 03:00:00 +0900

문서에서 필요한 정보를 척척 뽑아주는 AI 기능, 써보신 적 있으신가요? 📄 가끔은 한 군데를 고치면 엉뚱한 곳에서 오류가 나거나, 전체 정확도가 오히려 떨어져서 당황스러울 때가 있죠.

오늘은 AI 문서 추출 기능을 더 똑똑하고 안정적으로 활용할 수 있는 체계적인 관리 방법을 소개해 드릴게요!

전체 글 정리

1. 스키마와 프롬프트의 역할 나누기

필드별 규칙(예: 특정 형식의 값이나 허용된 목록)은 스키마에 담아두는 것이 좋아요.
문서 전체에 적용되는 공통 규칙(예: 무시해야 할 영역 지정 등)은 글로벌 프롬프트에 작성하세요.
역할에 맞게 구분해 두면 수정하기도 편하고 오류도 줄어든답니다.

2. 버전 관리와 체계적인 평가

프롬프트와 스키마를 코드 안에 직접 넣어두면 작은 수정에도 전체 코드를 다시 배포해야 해서 번거로워요.
레지스트리를 활용해 버전을 따로 관리하면 코드 수정 없이도 안전하게 업데이트나 원래대로 되돌리기가 가능해요.
실제 검토된 데이터를 기준으로 테스트 그룹을 만들고, 정확도뿐만 아니라 빠진 데이터가 없는지(커버리지) 함께 꼼꼼히 확인해 보세요.

3. AI 도구를 활용한 자동화

지니 코드 같은 자동화 도구를 활용하면 어떤 필드가 가장 약한지 분석하고, 스키마와 지침을 반복해서 개선할 수 있어요.
사람이 직접 일일이 수정하기 번거로운 과정을 도구의 도움을 받아 훨씬 효율적으로 처리할 수 있죠.

이용 방법 / 활용 방안

실무에서 문서를 대량으로 처리해야 할 때 이 방식을 적용해 볼 수 있어요. 예를 들어, 거래명세서나 주문서 같은 다양한 양식의 PDF에서 데이터를 추출할 때 무작정 수정하기보다는 기존에 검토 완료된 문서들을 모아 ‘테스트 세트’를 먼저 만들어 보세요.

Unlocking Investment Insights Without Migrating Your Data: Lakehouse Federation

Wed, 28 Oct 2026 03:00:00 +0900

안전한 데이터 관리가 중요해진 요즘, 혹시 우리 회사 데이터와 외부 데이터를 함께 분석해야 하는데 보안이나 복사 문제로 고민해 본 적 있으신가요?

데이터를 이리저리 옮기지 않고도 필요한 곳에서 바로 분석할 수 있는 편리한 방법이 있다고 해요. 오늘 소개해 드릴 기술을 통해 어떻게 가능해지는지 함께 알아볼까요?

전체 글 정리

데이터 이동 없는 똑똑한 연결 방식

기업의 중요한 자산 정보나 고객 정보는 보통 외부 유출을 막기 위해 보안이 철저한 내부 서버에 안전하게 보관되어 있어요.
반면 시장 분석에 필요한 외부 데이터는 클라우드에 있는 경우가 많아, 그동안은 데이터를 클라우드로 복사하거나 복잡한 파이프라인을 만들어야 하는 불편함이 있었죠.
데이터브릭스 레이크하우스 페더레이션을 이용하면 데이터를 이리저리 옮기거나 복사할 필요 없이, 원래 있던 그 자리 그대로 두고 필요한 외부 데이터와 바로 연결해 조회할 수 있답니다.

간단한 설정으로 완성하는 통합 분석

데이터브릭스 화면에서 몇 번의 클릭만 거치면 외부 데이터베이스와 안전하게 연결되는 통로를 만들 수 있어요.
이렇게 연결된 외부 데이터는 마치 원래 내 공간에 있던 것처럼 자연스럽게 나타나고, 실시간으로 원본 데이터를 조회하게 됩니다.
클라우드 마켓플레이스에서 제공하는 다양한 금융 정보 등도 간단한 신청 과정을 거치면 내 작업 공간에서 바로 구독하여 함께 활용할 수 있어요.

복잡한 과정 없이 대시보드와 대화형 조회까지

내부의 민감한 자산 데이터와 클라우드의 외부 시장 데이터를 하나의 SQL 쿼리로 동시에 묶어서 조회할 수 있습니다.
별도의 저장 공간을 따로 만들거나 복잡한 데이터 가공 과정을 거칠 필요가 없어서, 대시보드를 만들거나 고칠 때도 항상 최신 상태의 원본 데이터를 불러오게 되죠.
자연어 기반의 대화형 도구를 연결해 두면, 전문적인 쿼리 작성법을 몰라도 누구나 쉽게 필요한 정보를 질문하고 답을 얻을 수 있습니다.

이용 방법 / 활용 방안

이번 금융 자산 관리 사례처럼 민감한 내부 정보를 철저히 보호하면서 최신 외부 정보를 함께 참고해야 하는 업무에 안성맞춤이에요.
예를 들어 의료 기관이라면 환자의 민감한 기록을 안전하게 지키면서 외부 의약품 정보와 결합해 치료 가이드를 만들 수 있고, 제조 기업이라면 공장의 실시간 기계 데이터와 클라우드의 공급망 데이터를 함께 분석할 수 있답니다.
데이터를 굳이 옮기거나 복잡한 파이프라인을 유지 관리할 필요 없이, 있는 그대로의 데이터를 연결해 효율적으로 분석하는 관점을 적용해 보세요.

데이터를 한곳에 다 모으거나 복잡하게 옮기지 않고도 필요한 분석을 척척 해낼 수 있다면 업무가 훨씬 편해지겠죠? 여러분이라면 이 기능을 어떤 데이터와 조합해보고 싶으신가요?

BigQuery to Databricks: A Strategic Framework

Tue, 27 Oct 2026 20:07:53 +0900

갑자기 대용량 데이터를 다루는 시스템을 다른 곳으로 옮겨야 한다면, 생각만 해도 머리가 지끈거리지 않으시나요? 🗂️ 데이터 분석 환경을 바꿀 때 무작정 한 번에 옮기려다간 큰 혼란이 생기기 마련인데요. 오늘은 복잡한 데이터 이전 작업을 차근차근 성공으로 이끄는 전략을 함께 살펴볼게요!

전체 글 정리

1. 프로세스: 한 번에가 아니라 단계별로 나누어 이동하기

전체 시스템을 한 번에 바꾸는 방식은 위험이 너무 크기 때문에 피해야 해요.
현재 사용 중인 데이터 현황을 먼저 분석하고, 가치가 높으면서 복잡도가 낮은 작업부터 순차적으로 물결처럼(Wave) 나누어 이동하는 것이 핵심이랍니다.
두 시스템을 동시에 운영하는 듀얼 오퍼레이션 기간을 거치며, 명확한 성공 기준을 달성하면 기존 시스템을 바로 종료해서 비용을 아낄 수 있어요.

2. 기술: 오픈 포맷을 활용한 데이터와 로직 전환

데이터는 구글 클라우드 스토리지 등에 오픈 포맷으로 안전하게 옮겨요.
SQL 쿼리나 변환 로직은 수동으로 일일이 바꾸기보다는 도구나 자동화 툴을 활용해 실수를 줄이고, 데이터의 정확성을 꼼꼼하게 검증해야 한답니다.
통합 거버넌스 도구를 사용하면 데이터를 옮기기 전에 권한부터 먼저 설정할 수 있어서 누가 어떤 데이터를 볼 수 있는지 안전하게 유지할 수 있어요.

3. 사람: 협업 문화를 만들고 새로운 기술 익히기

SQL 분석가와 데이터 과학자가 서로 다른 공간에서 일하던 벽을 허물고, 하나의 작업 공간에서 함께 일할 수 있는 환경을 만들어줘요.
자연어로 코드를 만들어주는 AI 도구 등의 도움을 받으면, 팀원들이 새로운 시스템에 훨씬 자연스럽고 빠르게 적응할 수 있답니다.
체계적인 교육과 자격증 과정을 통해 팀 전체의 역량을 차근차근 끌어올려 보세요.

이용 방법 / 활용 방안

데이터 이전을 고민 중이라면 무작정 코드를 뜯어고치기보다, 오픈소스 툴을 활용해 현재 우리 팀이 실제로 어떤 데이터를 자주 쓰는지 파악하는 진단부터 시작해보세요. 모든 걸 한 번에 바꾸려 하지 말고, 대시보드나 ETL 중 가장 급한 부분부터 차례대로 단계를 밟아가면 훨씬 안정적으로 새로운 환경에 안착할 수 있답니다.

Unify your productivity and AI data with Lakeflow Connect

Tue, 27 Oct 2026 08:20:12 +0900

사내 문서, 업무 도구, 이메일 속에 흩어져 있는 데이터들을 하나로 모으는 일이 얼마나 번거로운지 공감하시나요? 회사가 커질수록 업무 도구는 늘어나고, 그 안에 갇힌 지식들을 한데 모으기란 정말 어려운 일이죠.

데이터브릭스에서 선보인 레이크플로우 커넥트(Lakeflow Connect)는 바로 이 문제를 해결하기 위해 등장했어요. 사내에 흩어진 업무 데이터를 깔끔하게 모아서 AI 에이전트가 똑똑하게 일할 수 있는 기반을 만들어준답니다.

전체 글 정리

흩어진 업무 데이터를 하나로 모으는 레이크플로우 커넥트

위키, 프로젝트 관리 도구, 이메일, 문서함 등 일상 업무에서 쓰이는 다양한 생산성 도구의 데이터를 손쉽게 가져올 수 있어요.
클릭 몇 번이나 간단한 API 설정만으로 복잡한 파이프라인 구축 없이 데이터를 통합 관리할 수 있는 것이 장점이에요.
수집된 데이터는 유니티 카탈로그(Unity Catalog)에 안전하게 저장되어 분석 준비를 끝마치게 돼요.

기업들이 실제로 활용하는 모습

토요타 파이낸스 호주 지사는 지라(Jira) 데이터를 데이터브릭스로 가져와 유지보수 걱정 없는 데이터 파이프라인을 구축했어요.
백신 관리 기업 백스케어(VaxCare)는 컨플루언스(Confluence) 커넥터를 이용해 사내 지식 기반을 AI 챗봇의 답변 자료로 활용하고 있어요.
M3 어카운팅은 깃허브(GitHub)와 셰어포인트(SharePoint)를 연동해 개발자와 제품 문서 데이터를 한눈에 파악하고 있답니다.

AI 모델 사용량까지 한눈에 관리하기

주요 파운데이션 모델 제공업체들과의 커넥터도 지원해요.
우리 회사가 AI 모델을 얼마나 쓰는지, 비용은 얼마나 드는지 통합된 시각으로 파악할 수 있어요.
이를 통해 AI 투자의 성과를 측정하고 관련 보고서 작성도 쉽게 할 수 있죠.

이용 방법 / 활용 방안

사내에 흩어진 문서나 프로젝트 기록을 모으기 위해 매번 복잡한 개발을 할 필요가 없어져요. 개발자가 아니더라도 평소 사용하는 업무 툴과 AI 분석 도구를 연결해 사내 지식 기반의 똑똑한 AI 어시스턴트를 만들고 싶다면 눈여겨볼 만한 기술이에요. 방대한 업무 데이터를 자연어 질문으로 쉽게 찾아보고 싶을 때 활용해보세요.

How to teach with Databricks Free Edition

Tue, 27 Oct 2026 04:40:00 +0900

안녕하세요, 여러분! 혹시 데이터나 AI 관련 공부를 하거나 수업을 들으면서 비싼 프로그램 비용이나 복잡한 설치 과정 때문에 머리가 아팠던 적 있으신가요?

학교에서 배우는 툴과 실제 회사가 쓰는 툴이 달라서 막막하셨다면, 오늘 이 이야기를 주목해 주세요! 비용 부담 없이 브라우저로 바로 쓸 수 있는 특별한 교육용 플랫폼 소식을 준비했답니다.

전체 글 정리

데이타브릭스 무료 버전이란?

학생과 교육자, 그리고 데이터 공부를 하는 누구나 평생 무료로 쓸 수 있는 플랫폼이에요.
신용카드 등록이나 복잡한 클라우드 계약 없이, 웹 브라우저만 켜면 바로 시작할 수 있어서 복잡한 서버 설정이 필요 없답니다.
실제 기업들이 현업에서 쓰는 플랫폼과 똑같기 때문에, 공부한 기술이 사회에 나가서도 그대로 이어져요.

수업과 과제는 어떻게 진행할까요?

교수자나 학생은 기존에 쓰던 학습 관리 시스템이나 깃허브를 통해 과제 파일을 쉽게 나눠줄 수 있어요.
학생들이 각자의 작업 공간에서 과제를 끝내고 제출하거나, 여러 명이 실시간으로 동시에 접속해 그룹 과제를 함께 할 수도 있죠.
용량이 큰 데이터는 클라우드 저장소나 오픈 공유 기능, 그리고 무료 마켓플레이스를 통해 간편하게 연결할 수 있답니다.

이용할 때 알아두어야 할 점

이 무료 버전은 학습용으로 만들어져서 하루 동안 쓸 수 있는 컴퓨팅 자원에 제한이 있어요.
혹시라도 하루 허용량을 넘기면 그날은 잠시 멈췄다가 다음 날 다시 시작되니 걱정하지 않으셔도 돼요.
1년에 세 번까지 이용 한도를 늘릴 수 있는 찬스가 있으니, 시험 기간이나 마감 직전에도 안심하고 과제를 이어갈 수 있답니다.

이용 방법 / 활용 방안

수업에 바로 적용해 보기: 기존에 클라우드 기반 메모장 환경을 쓰던 수업이라면 어디든 이 플랫폼을 붙여볼 수 있어요. 통계 실습이나 데이터베이스, 비즈니스 분석, AI 프로젝트까지 여러 과목에서 하나의 툴로 통일해서 쓸 수 있답니다.
실전 감각 키우기: 학생들이 복잡한 코딩을 할 때 인공지능 도우미의 도움을 받아 코드를 만들고 오류를 고칠 수 있어요. 진짜 실무 환경을 미리 경험해 보는 셈이죠.
먼저 체험해 보기: 선생님이라면 먼저 직접 무료 계정을 만들고 기초 과정을 수료해 보세요. 내가 먼저 편해져야 학생들에게도 더 자신 있게 추천해 줄 수 있으니까요!

데이터나 AI 기술은 눈 깜짝할 사이에 변하고 있는데, 학교 수업은 따라가기 벅차셨죠? 돈 한 푼 들이지 않고 진짜 현업 기술을 배울 수 있는 이런 방법, 여러분이라면 수업이나 스터디에 어떻게 활용해 보고 싶으신가요?

Building live intelligence: Databricks AI Search supports Streaming Tables, Materialized Views, and Managed tables using Iceberg

Tue, 27 Oct 2026 03:03:59 +0900

안녕하세요 여러분! 데이터나 인공지능 관련 소식 들리면 왠지 복잡하고 어렵게 느껴지시죠?

오늘은 데이터브릭스 AI 검색 기능에 아주 반가운 업데이트가 있어서 알기 쉽게 소개해 드리려고 해요. 복잡한 데이터 변환 과정 없이 다양한 형식의 데이터를 AI 검색에 바로 연결할 수 있게 되었답니다.

전체 글 정리

다양한 데이터 소스 기본 지원

AI 검색 기능이 기존 델타 테이블뿐만 아니라 스트리밍 테이블, 구체화된 뷰, 그리고 아이스버그 기반의 관리형 테이블까지 기본으로 지원하기 시작했어요.
이제 실시간 데이터나 개방형 포맷의 데이터를 AI 검색 애플리케이션에 바로 가져다 쓸 수 있습니다.

실시간 데이터와 최신성 유지

실시간으로 변하는 재고나 사용자 활동 같은 데이터는 추가 전용 스트리밍 테이블로 흘려보낼 수 있어요.
AI 검색이 새로운 기록이 도착하는 대로 바로바로 색인화하기 때문에, 최신 데이터를 반영한 검색 경험을 만들 수 있답니다.

맞춤형 상태 관리와 오픈 포맷 활용

구체화된 뷰를 사용하면 여러 소스의 데이터를 합치고 필터링해서 맞춤형 상태를 만들 수 있어요.
관리형 아이스버그 테이블을 데이터 변환이나 이동 없이 직접 검색 소스로 사용할 수 있어서, 대규모 분산 데이터 환경에서도 아주 편리합니다.

복잡한 파이프라인 제거

예전에는 데이터를 변환하고 동기화하기 위해 별도의 중간 단계를 만들고 관리해야 했어요.
이제는 AI 검색이 소스에 직접 연결되므로, 중간 단계를 없애고 복잡한 동기화 작업을 줄일 수 있습니다.

이용 방법 / 활용 방안

이번 업데이트로 우리가 얻을 수 있는 가장 큰 장점은 바로 ‘번거로움의 해소’예요.

The media industry is becoming a prediction economy

Mon, 26 Oct 2026 22:36:46 +0900

미디어와 마케팅 업계에서 이제는 “누가 광고를 봤는지"를 세는 것보다 “그 광고가 무엇을 바꾸었는지” 그 결과를 증명하는 것이 훨씬 중요해지고 있어요. 📊 광고와 마케팅의 중심이 단순한 관심도 측정에서 실질적인 성과 예측으로 이동하는 이 흐름을 업계에서는 예측 경제라고 부른답니다.

갑자기 이런 변화가 찾아오니 조금 어렵게 느껴지시죠? 하지만 걱정하지 마세요. 핵심 내용만 알기 쉽게 정리해 드릴게요.

전체 글 정리

1. 관심도 경제에서 예측 경제로의 전환

과거의 광고는 노출 횟수나 클릭 수처럼 단순한 관심을 측정하는 데 집중했어요.
하지만 이제는 마케팅 비용을 쓰기 전에 고객이 무엇을 원할지 미리 예측하고 그 가치를 증명하는 능력이 중요해졌습니다.
많은 기업의 마케팅 책임자(CMO)들은 흩어져 있는 데이터 때문에 마케팅 성과를 제대로 증명하기 어렵다고 말해요.

2. 똑똑한 AI 에이전트와 데이터의 역할

최근 각광받는 AI 에이전트는 믿을 수 있고 잘 정리된 데이터가 뒷받침되지 않으면 제대로 작동하기 어렵습니다.
실제로 한 대형 반려동물용품 소매업체는 고객 데이터를 활용해 개인화된 메시지를 보낸 결과, 예약과 자동 주문 건수가 눈에 띄게 늘어나는 성과를 거두었어요.
이는 단순히 더 똑똑한 AI 모델을 썼기 때문이 아니라, 흩어져 있던 데이터가 하나로 잘 모였기 때문이랍니다.

3. 예측 경제를 위한 네 가지 핵심 요소

맥락(Context): AI와 에이전트가 고객과 비즈니스를 정확하게 이해할 수 있도록 전체 데이터를 하나로 모으는 것
통제(Control): 사람뿐만 아니라 AI 에이전트도 안전하게 데이터를 다룰 수 있도록 철저한 보안과 기준을 세우는 것
비용(Cost): AI를 사용할 때 무조건 토큰을 많이 쓰는 것이 아니라, 비즈니스 가치에 맞춰 합리적으로 예산을 관리하는 것
선택(Choice): 특정 기술에 묶이지 않고 상황에 맞는 다양한 AI 모델과 오픈 포맷을 자유롭게 활용할 수 있는 것

이용 방법 / 활용 방안

작은 성공 사례부터 시작해 보세요: 모든 문제를 한 번에 해결하려고 하기보다, 휴면 고객 깨우기나 타겟 고객 설정처럼 명확한 목표를 하나 정해 AI와 데이터를 적용해 보는 것이 좋아요.
데이터를 한곳으로 모으는 것부터: 마케팅 팀과 데이터 팀이 따로 노는 대신, 고객 정보를 한눈에 볼 수 있는 통일된 기반을 마련해 보세요.
비즈니스와 기술의 조화: 비즈니스를 잘 아는 사람은 기술에 조금 더 관심을 갖고, 기술을 아는 사람은 비즈니스 목표에 집중하면서 차근차근 데이터 활용 범위를 넓혀가면 됩니다.

결국 성공적인 마케팅과 광고의 미래는 잘 정리된 데이터 위에서 올바른 예측을 해내는 것에 달려 있어요. 여러분이라면 이 똑똑한 데이터 예측 기능을 어디에 가장 먼저 써보고 싶으신가요?

Built for Agents: The Case for Spark Declarative Pipelines

Sat, 24 Oct 2026 04:00:00 +0900

요즘 업무 자동화를 위해 AI를 정말 많이 쓰시죠? 그런데 AI가 직접 코드를 짜서 데이터를 정리하는 파이프라인을 만들 때, 어떤 방식을 써야 할지 고민되셨을 거예요.

최근 흥미로운 테스트 결과가 나와서 소개해 드리려고 해요. AI 에이전트에게 데이터 파이프라인을 만들게 했을 때, 일일이 순서를 지시하는 절차적 방식보다 원하는 결과만 정의해 주는 선언형 방식이 훨씬 더 똑똑하고 경제적이었다고 해요. 어떤 차이가 있는지 함께 살펴볼까요?

전체 글 정리

1. AI 시대에 주목받는 두 가지 방식

절차적 방식: 데이터 처리를 위해 무엇을 먼저 하고 어떤 순서로 할지 하나하나 단계별로 지시하는 방식이에요. 직접 실행해 보기 전에는 오류를 알기 어렵죠.
선언형 방식: 우리가 원하는 최종 결과가 무엇인지만 설명하고, 구체적인 실행 방법은 시스템에 맡기는 방식이에요. LLM에게 프롬프트를 주는 것과 비슷하답니다.

2. 미리 검사해서 아낀 시간과 비용

절차적 코드는 에러를 찾으려면 일단 컴퓨터 자원을 써서 실행해 봐야 해요. 반면 선언형 코드는 실행하기 전에 미리 구조적 오류를 점검할 수 있답니다.
테스트 결과, 선언형 방식은 사전 검증 덕분에 오류를 미리 잡아내어 컴퓨터 자원 소모를 무려 34배나 줄였어요.

3. 더 짧고 깔끔해진 코드 길이

완성된 코드를 비교해보니 선언형 파이프라인은 절차적 파이프라인의 절반 수준으로 길이가 짧았어요.
코드가 짧고 일관성이 유지되니 사람이 직접 리뷰하거나 유지보수하기에도 훨씬 수월했답니다.

4. 비용과 한계점

선언형 방식은 AI가 코드를 다듬는 과정에서 텍스트 토큰 비용이 절차적 방식보다 약 2.3배 더 들었어요. 하지만 금액으로 환산하면 미미한 수준이에요.
다만 실행 전 검사는 잘못된 구조만 잡아낼 뿐, 논리적인 실수(엉뚱한 결과를 내는 것)는 사람의 검토가 여전히 필요해요.

이용 방법 / 활용 방안

AI와 일할 때는 결과 중심 명세가 유리해요: AI에게 복잡한 코딩 순서를 일일이 지시하기보다, “이러한 데이터를 만들어줘"라는 식으로 목표를 명확하게 정의해 주는 것이 오류를 줄이는 지름길이에요.
실행 전 검증 기능 활용하기: 코드를 무작정 실행해서 에러를 확인하는 방식 대신, 실행 전에 구조적 문제를 미리 걸러낼 수 있는 시스템을 적극적으로 도입해보세요. 불필요한 컴퓨팅 자원 낭비를 크게 막을 수 있답니다.

데이터를 다루는 일은 언제나 꼼꼼함이 필요하죠. 여러분이라면 AI와 함께 일할 때 어떤 방식을 더 선호하시나요?

Real-time energy trading and analytics on Databricks

Sat, 24 Oct 2026 04:00:00 +0900

전기나 가스 같은 에너지를 사고파는 시장, 상상해보신 적 있나요? 가격이 시시각각 변하고 1초가 아니라 밀리초 단위로 결정을 내려야 하는 숨 가쁜 곳이죠. 최근에는 거래 단위까지 더 촘촘해지면서 다뤄야 할 데이터가 어마어마하게 늘어났다고 해요.

갑자기 이런 복잡한 소식을 들으면 어렵게 느껴지시죠? 데이터가 늦게 반영되면 과거 데이터로 위험을 계산하게 되어 큰 손실로 이어질 수 있거든요. 그래서 오늘은 실시간 거래와 AI 분석을 하나의 플랫폼에서 척척 해내는 똑똑한 방식에 대해 쉽게 이야기해 볼게요.

전체 글 정리

1. 실시간 거래와 분석을 하나로 묶는 이유

에너지 거래 시장은 가격 변동이 심하고 거래 주기가 짧아 속도가 생명이에요.
보통은 실시간 거래용 시스템과 분석용 시스템을 따로 쓰지만, 이러면 데이터가 어긋나거나 복잡해지는 문제가 생겨요.
하나의 통합된 플랫폼을 쓰면 실시간 데이터와 과거 데이터가 같은 곳을 바라보게 되어 훨씬 효율적이랍니다.

2. 핵심 기술과 작동 방식

실시간 스트리밍 기술이 시장 데이터를 빠르게 받아오고, 데이터베이스 역할을 하는 공간에 착착 쌓아줘요.
이 데이터를 바탕으로 실시간 거래 화면을 보여주기 때문에 위험 감지나 가격 변동을 즉시 눈으로 확인할 수 있어요.
머신러닝 모델도 같은 데이터를 바로 쓰기 때문에, 따로 모델을 옮기는 복잡한 과정 없이 정확한 예측 결과를 화면에 띄울 수 있죠.

3. 보안과 관리를 한 번에 해결하는 거버넌스

데이터의 권한과 이력을 관리하는 기능이 전체 시스템에 공통으로 적용돼요.
대시보드를 보든, AI 분석을 하든, 실시간 거래를 하든 모두 같은 기준의 보안과 관리를 받기 때문에 따로 설정할 번거로움이 없어요.
자연어로 질문하면 답변해주는 기능도 있어서 분석가들이 데이터를 더 쉽게 활용할 수 있답니다.

이용 방법 / 활용 방안

복잡한 시스템 이야기를 들으니 우리 일상과는 거리가 멀어 보이시죠? 하지만 핵심은 서로 다른 일을 할 때 데이터를 따로 두지 않고 하나로 모으는 효율성에 있어요.

The new economics of AI cost management

Fri, 23 Oct 2026 04:14:24 +0900

안녕하세요 여러분! 최근 회사에서 AI 쓰시는 분들 많으실 텐데요. 혹시 “우리 회사 AI 비용이 왜 이렇게 많이 나오지?” 하고 깜짝 놀라신 적 없으신가요?

초기에는 무조건 AI를 많이 쓰는 게 유행이었지만, 이제는 쓴 만큼 진짜 가치를 내고 있는지 고민해봐야 할 때가 되었답니다. 오늘은 Databricks의 전문가가 알려주는 AI 비용 관리의 핵심 팁을 아주 쉽게 정리해 드릴게요! 💡

전체 글 정리

1. ‘많이 쓰기’에서 ‘가치 있게 쓰기’로의 변화

과거에는 AI를 얼마나 많이 쓰는지(토큰 사용량)가 능력처럼 여겨졌어요.
하지만 무작정 쓰기만 하다 보니 의미 없는 작업으로 비용만 낭비하는 부작용이 생겼죠.
이제는 AI 비용 대비 얻어낸 실질적인 가치와 성과(ROI)를 따져보는 것이 훨씬 중요해졌답니다.

2. 똑똑한 모델 선택과 비용 최적화

모든 작업에 가장 비싸고 좋은 모델을 쓸 필요는 없어요.
전체 작업의 5~10% 정도만 최고급 모델이 필요하고, 나머지는 더 저렴한 모델로도 충분히 해결할 수 있어요.
스마트 라우팅 기술을 활용하면 작업의 난이도에 맞춰 실시간으로 적절한 모델을 골라주기 때문에 성능은 유지하면서 비용을 크게 아낄 수 있답니다.

3. 불필요한 정보 줄이기와 안전장치 마련

AI에게 너무 많은 문서를 한 번에 넘겨주면 비용도 낭비되고 AI도 혼란스러워해요.
꼭 필요한 정보만 그때그때 가져다 쓰게 만드는 것이 요령이에요.
무분별한 비용 폭탄을 막기 위해 팀별 예산 한도를 설정하고, 예산의 70%를 쓰면 자동으로 저렴한 모델로 우회시키는 등의 안전장치를 두는 것이 좋답니다.

이용 방법 / 활용 방안

사용 내역 꼼꼼히 태그하기: AI를 사용할 때 어떤 프로젝트나 작업에 쓰였는지 꼬리표(태그)를 달아보세요. 나중에 어떤 일에 비용이 얼마나 쓰였는지 정확히 알 수 있어요.
상황에 맞는 모델 골라 쓰기: 간단한 번역이나 요약은 가벼운 모델을 쓰고, 복잡한 기획이나 코딩은 고성능 모델을 쓰는 식으로 구분해 보세요.
중앙 집중식 관리 시스템 활용하기: 여러 팀이 AI를 쓴다면 모든 요청이 하나의 통로를 거치도록 시스템을 구축해 전체 사용량을 한눈에 모니터링해 보세요.

여러분이라면 앞으로 AI를 쓰실 때 어떤 부분의 비용을 가장 먼저 아껴보고 싶으신가요?

The Fraud Analyst AI Coworker: Detecting Telecom Fraud in Real-Time on One Platform

Fri, 23 Oct 2026 03:30:00 +0900

요즘 스마트폰 하나로 은행 업무부터 본인 인증까지 다 해결하시죠? 그런데 내 스마트폰 번호가 해커들의 타겟이 된다면 어떨까요?

통신 사기 피해 규모가 매년 엄청나게 불어나고 있어요. 범죄자들은 몇 분 만에 순식간에 계정을 가로채는데, 정작 사기를 막아야 하는 보안 시스템은 어젯밤에 돌린 작업 결과만 기다리느라 한 박자씩 늦는 경우가 많답니다.

사기는더 교묘해지는데 시스템은 따라가지 못하는 답답한 상황, 과연 어떻게 해결할 수 있을까요?

전체 글 정리

1. 진화하는 통신 사기와 기존 시스템의 한계

통신 사기 피해 금액이 전 세계적으로 수십억 달러에 달하며 계속 커지고 있어요.
유심(SIM) 바꿔치기나 계정 탈취 같은 사기는 단 몇 분 만에 벌어지지만, 기존의 탐지 시스템은 하루 전 데이터를 바탕으로 움직여 실시간 대응이 어려워요.
사기꾼들은 계속 수법을 바꾸는데, 시스템이 이를 따라가지 못해 진짜 위협을 놓치기 쉽답니다.

2. 데이터가 쪼개져 있어서 생기는 문제

통신사들은 고객 정보, 요금, 네트워크 기록 등 방대한 데이터를 가지고 있어요.
하지만 이 데이터들이 여러 시스템에 나뉘어 있어서 사기 징후를 한눈에 파악하기가 아주 어렵답니다.
실시간으로 거래를 처리하는 시스템과 과거 데이터를 분석하는 시스템이 따로 놀다 보니, 중요한 순간에 정보가 제때 전달되지 못하는 거예요.

3. 하나의 플랫폼에서 해결하는 데이터브릭스의 접근법

데이터브릭스는 실시간 거래 처리와 데이터 분석 기능을 하나의 플랫폼으로 합쳤어요.
복잡한 데이터 복사 과정 없이 실시간으로 위험을 감지하고, AI 에이전트가 분석가의 업무를 도와 사기 패턴 변화에 즉시 대응할 수 있게 만들었죠.
통신사들이 사기를 더 빠르고 정확하게 막을 수 있도록 데이터 수집부터 분석, 대시보드까지 전 과정을 지원하는 솔루션을 제공해요.

이용 방법 / 활용 방안

실시간 탐지 시스템 구축하기: 복잡한 데이터 동기화 과정 없이, 실시간으로 들어오는 거래 정보를 빠르게 분석해 이상 징후를 즉시 차단하는 데 활용할 수 있어요.
AI를 활용한 보안 분석: AI 기술을 더해 보안 담당자들이 과거의 사고 기록을 쉽게 분석하고, 수많은 가짜 경고 속에서 진짜 위협을 빠르게 골라내도록 도울 수 있답니다.

오늘 소식은 보안과 데이터 처리가 얼마나 긴밀하게 맞물려 있어야 하는지 잘 보여주는 것 같아요. 여러분이라면 이런 스마트한 기술을 어디에 먼저 적용해보고 싶으신가요?

The AI Bill is coming

Fri, 23 Oct 2026 03:12:49 +0900

개발 업무 속도를 높이려고 AI 코딩 도구를 도입했는데, 어느 날 보니 비용이 눈덩이처럼 불어난 적 있으신가요?

데이터브릭스의 공동 창업자 패트릭 웬델이 최근 인터뷰에서 AI 코딩 비용이 폭증했던 경험과 이를 해결한 노하우를 공개했어요. AI 생산성은 놓치지 않으면서도 비용을 똑똑하게 관리하는 방법, 함께 살펴볼까요?

전체 글 정리

1. AI 코딩 도구 도입과 비용 폭탄의 위기

데이터브릭스는 개발 속도를 높이기 위해 직원들에게 가장 비싸고 좋은 AI 모델과 무제한 토큰을 제공했어요.
하지만 사용량이 늘어나면서 비용이 상상 이상으로 불어나는 ‘지출 폭탄’ 문제를 마주하게 되었죠.
무조건 쓰게 두기만 하면 수익보다 비용이 더 커질 수 있다는 걸 깨닫고 직접 관리에 나서게 되었어요.

2. 비용을 잡기 위한 현실적인 대책들

무작정 사용을 막아버리면 개발자의 흐름이 끊기고 개인 계정을 쓰는 부작용이 생겨요.
대신 경고를 보내고, 승인을 거치게 하거나, 저렴한 모델로 자연스럽게 전환하는 방식을 택했어요.
팀원들에게 본인의 사용 금액을 투명하게 공유하는 것만으로도 비용의 10%를 아낄 수 있었답니다.

3. 비용을 최대 90까지 낮춘 핵심 비결

가장 큰 효과를 본 것은 성능이 좋으면서도 가격이 저렴한 신규 모델이 나올 때마다 빠르게 작업 환경을 갈아탄 거예요.
복잡한 문제에는 비싸고 똑똑한 모델을 쓰고, 단순한 작업에는 저렴한 모델을 자동으로 연결해 주는 라우팅 시스템을 도입했어요.
이 모든 트래픽을 한곳에서 관리하는 ‘컨트롤 레이어(게이트웨이)‘를 만든 것이 비용 절감의 일등 공신이었죠.

이용 방법 / 활용 방안

우리 회사의 AI 지출 현황 파악하기: 어디에 돈이 쓰이고 있는지 팀별, 모델별로 먼저 투명하게 확인해보세요.
상황에 맞는 모델 선택하기: 모든 일에 가장 비싼 최고급 모델을 쓸 필요는 없어요. 단순 반복 작업은 저렴한 모델로도 충분하답니다.
지출 가시화하기: 개발자들에게 비용이 얼마나 드는지 투명하게 보여주면, 자연스럽게 더 효율적인 방식을 고민하게 돼요.

여러분이라면 회사의 AI 사용 비용이 갑자기 늘어날 때 어떤 방법을 가장 먼저 써보고 싶으신가요?

Databricks AI Runtime and NVIDIA make it easier to customize open models with enterprise data

Wed, 21 Oct 2026 20:30:00 +0900

AI 기술을 우리 회사에 딱 맞게 쓰고 싶은데, 복잡한 장비 설정 때문에 망설여진 적 있으신가요?

인공지능을 구동하려면 막대한 성능의 그래픽 장치인 GPU가 필요한데요. 이 장치를 직접 관리하고 데이터를 연결하는 과정이 원래는 꽤 까다롭고 번거로웠어요. 하지만 최근 데이터브릭스와 엔비디아가 손을 잡고, 복잡한 인프라 관리 걱정 없이 누구나 쉽게 내 기업 데이터로 오픈소스를 입맛에 맞게 고칠 수 있는 환경을 만들었다고 해요. 어떤 내용인지 함께 살펴볼까요?

전체 글 정리

1. GPU 관리 걱정 없는 AI 런타임 출시

데이터브릭스의 AI 런타임 서비스가 정식 출시되었어요.
엔비디아의 소프트웨어와 서버리스 GPU 환경을 결합해, 복잡한 서버 인프라를 직접 관리하지 않아도 모델을 훈련하고 실험할 수 있답니다.
보안이 중요한 기업 데이터에 안전하게 접근하면서도 대규모 분산 훈련을 원활하게 수행할 수 있어요.

2. 다양한 도구와 오픈 모델 지원

엔비디아의 Nemotron 같은 오픈소스 모델을 기업의 실제 업무 데이터에 맞춰 세밀하게 조정할 수 있어요.
도커 컨테이너를 지원하므로 개발자가 평소 쓰던 환경 그대로 가져와서 작업할 수 있고, 엔비디아의 최적화된 도구들도 편하게 쓸 수 있죠.
훈련 과정에서 생기는 오류를 자동으로 진단해 주는 기능도 포함되어 있어 작업 속도가 훨씬 빨라져요.

3. 데이터 관리부터 실전 배포까지 한 번에

데이터 접근 권한 관리부터 실험 결과 추적, 성능 모니터링까지 하나의 플랫폼 안에서 모두 해결할 수 있어요.
훈련이 끝난 맞춤형 모델은 곧바로 실시간 서비스로 배포할 수 있어서 아이디어를 빠르게 현업에 적용할 수 있답니다.

이용 방법 / 활용 방안

이번에 공개된 기능들은 기업의 고객 응대 시스템이나 데이터 분석 업무에 아주 유용하게 쓰일 수 있어요. 예를 들어, 과거에 쌓아둔 고객 상담 기록을 바탕으로 우리 회사 제품이나 전문 용어를 찰떡같이 알아듣는 맞춤형 인공지능 챗봇을 만들고 싶을 때 활용하기 딱 좋죠.

AI Runtime is Generally Available

Wed, 21 Oct 2026 20:20:00 +0900

안녕하세요 독자 여러분! AI 모델을 만들 때 복잡한 컴퓨터 장비 세팅 때문에 지치신 적 있으신가요? 오늘은 AI 개발 과정을 훨씬 가볍고 빠르게 만들어줄 반가운 소식을 가지고 왔어요.

데이터브릭스에서 AI 개발을 더 쉽고 안전하게 도와주는 AI 런타임이라는 기능을 공식적으로 선보였다고 해요. 데이터가 있는 곳에서 바로 강력한 GPU 장비를 활용할 수 있게 된 거죠. 과연 어떤 장점들이 있는지 함께 살펴볼까요?

전체 글 정리

귀찮은 장비 관리는 이제 그만

AI 팀이 그동안 장비 오류를 해결하고 고성능 GPU를 확보하느라 많은 시간을 허비했는데요.
이제는 데이터브릭스가 직접 GPU를 준비하고 관리해 주기 때문에, 연구원들은 오롯이 모델 성능을 높이는 일에만 집중할 수 있어요.
실제로 한 기업은 대규모 학습 시간이 며칠에서 이틀 수준으로 획기적으로 줄어드는 효과를 보았답니다.

어디서나 편하게 쓰는 개발 도구

명령어 도구나 메모장 같은 익숙한 환경에서 바로 GPU를 호출해 사용할 수 있어요.
복잡하게 환경을 세팅할 필요 없이 코드를 넣기만 하면 몇 초 만에 학습을 시작할 수 있답니다.
다양한 주요 프레임워크와 호환되어 기존에 쓰던 코드를 그대로 가져와 쓸 수 있어요.

철저한 보안과 데이터 관리

따로 분리된 시스템에서 GPU를 관리하면 데이터 유출 위험이 생길 수 있죠.
이 기능은 기업의 기존 데이터 보안 체계와 자연스럽게 연결되어 안전하게 작업을 보호해 줘요.
누가 어떤 작업에 예산을 쓰는지 비용 추적도 한눈에 확인할 수 있답니다.

이용 방법 / 활용 방안

기존 워크플로우와 연결하기: 데이터브릭스를 이미 사용하고 계신다면, 몇 줄의 설정만 추가해서 기존 데이터 파이프라인과 GPU 작업을 매끄럽게 연동할 수 있어요.
빠른 실험과 오류 수정: 학습 과정에서 문제가 생겼을 때 로그를 빠르게 확인하고 수정할 수 있는 도구가 포함되어 있어, 여러 번의 실험을 더 빠르게 반복해 볼 수 있답니다.

AI 개발 속도를 획기적으로 높여주는 이번 소식, 여러분이라면 이 편리한 기능을 활용해서 어떤 멋진 아이디어를 실험해 보고 싶으신가요?

Deploy RFD4-Proteina on Databricks

Wed, 21 Oct 2026 13:42:46 +0900

생명과학 연구를 하거나 단백질 디자인에 관심이 있으신가요? 갑자기 신약 개발이나 AI 모델 이야기 들리면 너무 복잡하게 느껴지시죠?

오늘은 데이타브릭스 환경에서 엔비디아와 워싱턴 대학교 단백질 디자인 연구소가 함께 만든 오픈 모델을 어떻게 활용할 수 있는지 알기 쉽게 정리해 드릴게요.

전체 글 정리

단백질 디자인 모델의 도입과 특징

RFD4-Proteina 소개: 엔비디아 BioNeMo 오픈 모델로, 유용한 단백질 디자인 아이디어를 실제 테스트 가능한 구조로 바꾸는 데 도움을 줘요.
동시 생성 방식: 아미노산 서열과 전체 원자 구조를 한 번에 생성하며, 안정성이나 결합력 같은 필요한 속성에 맞춰 디자인을 유도할 수 있어요.
연구 데이터와의 연결: 데이타브릭스의 제네시스 워크벤치(Genesis Workbench)를 통해 연구 데이터를 단백질 디자인 워크플로우와 연결할 수 있답니다.

인프라 부담을 줄여주는 실행 환경

서버리스 GPU 연산: 데이타브릭스 AI 런타임(AIR)을 통해 복잡한 GPU 클러스터 구축 없이 엔비디아 가속 기능을 편리하게 쓸 수 있어요.
보안과 거버넌스: 민감한 연구 데이터를 외부로 유출하지 않고 안전한 환경에서 모델을 실행하고 실험 데이터를 관리할 수 있죠.
다양한 워크벤치 예시: 항체 디자인과 백신 디자인 등 미리 구축된 워크플로우를 참고해 시작할 수 있어요.

자연어로 쉽게 다루는 개발 도구

데이타브릭스 지니 코드: 자연어 프롬프트를 이용해 데이터 및 머신러닝 워크플로우를 만들고 디버깅할 수 있어요.
에이전트 툴킷: 생물학적 모델과 과학 도구를 위한 전문적인 지침과 스크립트를 제공해 복잡한 과정을 도와줘요.
실험 관리 기능: 모델 버전과 설정, 평가 결과를 MLflow와 유니티 카탈로그를 통해 안전하게 추적하고 재사용할 수 있어요.

이용 방법 / 활용 방안

작은 규모로 먼저 시작하기: 제네시스 워크벤치 저장소를 탐색하고, 하나의 타겟과 명확한 디자인 목표를 정해 작은 규모의 실험부터 시작해 보세요.
자연어 활용하기: 복잡한 코딩 대신 일상적인 영어 프롬프트를 활용해 노트북을 만들고 원하는 디자인 조건을 테스트해 볼 수 있어요.
보안 유지하며 실험하기: 보유하고 있는 연구 데이터와 모델을 안전한 환경에서 연결하여 실험 결과와 평가 기록을 체계적으로 비교해 보세요.

연구를 진행할 때 여러분이라면 이 단백질 디자인 기능을 어떤 실험에 가장 먼저 써보고 싶으신가요?

MemCurrent: Designing Persistent Memory for Production Agents

Wed, 21 Oct 2026 03:15:47 +0900

인공지능(AI) 에이전트를 실제로 써보면서 “이전 대화를 왜 이렇게 자주 까먹지?” 하고 답답하셨던 적 있으신가요?

우리가 일을 할 때 지난 실수를 기억하고 노하우를 쌓듯, AI도 똑똑하게 기억할 수 있다면 훨씬 유용할 텐데요. 오늘은 복잡한 AI 에이전트가 과거의 대화와 경험을 효율적으로 기억해 성능을 확 끌어올려 주는 기술인 MemCurrent에 대해 쉽게 알아볼게요!

전체 글 정리

1. AI에게도 ‘기억력’이 중요한 이유

AI 에이전트를 만들 때 개발자들은 보통 ‘정확한 답변’과 ‘낮은 비용 및 속도’ 사이에서 고민하게 돼요.
모든 과거 대화를 다 기억하게 하면 비용이 너무 많이 들고, 반대로 다 잊어버리면 반복적인 실수를 하게 되죠.
핵심은 필요한 기억만 남기고, 어떻게 유지하며, 어떻게 활용할지 결정하는 것이랍니다.

2. MemCurrent의 두 가지 기억 창고

에피소드 기억: AI가 작업한 원본 대화 기록을 차곡차곡 쌓아두는 공간이에요.
파생 기억: 대화 속에서 중요한 내용만 쏙쏙 뽑아 정리한 구조화된 파일과 색인(목차)이에요.
이 두 가지를 조합해 AI가 시작할 때부터 자기가 무엇을 알고 있는지 파악할 수 있게 돕는답니다.

3. 세 가지 접근 방식의 조화

플러그인: 세션이 시작될 때 자동으로 기억 색인을 불러와요.
도구: AI가 필요할 때 직접 기억을 검색하거나 수정할 수 있어요.
오프라인 백그라운드 파이프라인: 뒤에서 혼자 묵묵히 기억을 정리하고 중복을 없애주는 똑똑한 역할을 해요.

4. 실제 테스트 결과는 어땠을까?

기존 방식이나 기억이 아예 없는 경우와 비교했을 때, 정확도와 효율성 면에서 훨씬 뛰어난 성과를 보여주었어요.
특히 복잡한 기업 업무 환경에서 AI가 예전 실수를 반복하지 않도록 막아주고, 처리 시간을 획기적으로 줄여주었답니다.

이용 방법 / 활용 방안

반복적인 작업 자동화에 활용하기: 매번 처음부터 설명해야 했던 업무 지침이나 규칙을 AI 기억 속에 저장해 두면, 다음부터는 긴 설명 없이도 알아서 척척 처리하게 만들 수 있어요.
실수 방지 노트로 쓰기: AI가 엉뚱한 실수를 했을 때 교훈을 기억하도록 설정해 두면, 똑같은 실수를 반복하는 확률을 크게 줄일 수 있답니다.
개발자가 아니더라도, 우리가 일상에서 쓰는 AI 비서가 내 취향이나 지난 대화 내용을 기억하고 맞춤형 답변을 주는 원리가 바로 이런 기술에서 비롯된다고 이해하시면 돼요.

AI가 과거의 경험을 바탕으로 점점 더 똑똑해지는 모습을 보니 신기하지 않으신가요? 여러분이라면 이 똑똑한 기억 기능을 일상 속 어떤 일에 가장 먼저 써보고 싶으신가요?

Introducing Agent Memory on Databricks

Wed, 21 Oct 2026 02:26:56 +0900

인공지능(AI) 비서랑 대화하다 보면, “아까 그 얘기 또 해야 하네?” 하고 답답했던 적 혹시 없으신가요?

AI가 지난 대화를 자꾸 까먹으면 매번 똑같은 설명과 교정을 반복하게 되죠. 개발자들도 이 문제를 해결하려고 머리를 싸매곤 했는데요. 이번에 데이타브릭스에서 AI가 사용자의 중요 정보와 선호도를 기억해 똑똑하게 일할 수 있도록 돕는 기능을 선보였어요. 어떤 내용인지 함께 살펴볼까요?

전체 글 정리

AI에게 기억력이 필요한 이유

기억력이 없는 AI는 중요한 사실을 매번 새로 찾아내거나 사용자의 선호도를 잊어버리고, 이미 고쳐준 실수를 반복하는 문제가 있어요.
개발자들이 직접 기억장치를 만들려고 해도 어디에 저장하고 어떻게 불러와야 할지 복잡한 고민이 생기죠.
데이타브릭스는 이런 번거로움을 덜어주기 위해 AI가 핵심 사실과 작업 방식을 기억할 수 있는 기능을 내놓았어요.

똑똑하고 효율적인 기억 구조

데이타브릭스의 에이전트 메모리는 ‘MemCurrent’라는 최신 연구 아키텍처를 기반으로 만들어졌어요.
대화 내용을 자동으로 기록하고 불러오는 기능, AI가 필요할 때 꺼내 쓰는 도구, 그리고 백그라운드에서 기억을 깔끔하게 정리해 주는 똑똑한 파이프라인이 합쳐져 있답니다.
내부 테스트 결과, 이 기억 구조를 적용한 AI는 실제 업무에서 성공 확률이 약 3배 높아졌고 사용하는 데이터 양도 31% 줄었다고 해요.

안정적이고 빠른 실행 환경

이 모든 기능은 레이크베이스(Lakebase) 기반으로 작동해서 속도가 매우 빠르고 안정적이에요.
별도의 복잡한 시스템을 따로 구축할 필요 없이 기존 작업 환경에서 바로 활용할 수 있는 것이 큰 장점이죠.
이미 자연어 분석 서비스인 지니(Genie)에도 이 기술이 적용되어 안정성을 입증받았어요.

이용 방법 / 활용 방안

기존 에이전트에 기억 더하기: 개발 도구(CLI)를 활용하면 단 몇 분 만에 기존 에이전트나 새로 만드는 에이전트에 기억 기능을 붙일 수 있어요.
맞춤형 서비스 경험하기: 사용자와의 이전 대화 내용을 기억하기 때문에, 다음 접속부터는 AI가 내 취향과 이전 작업 내역을 반영해 훨씬 자연스럽고 개인화된 답변을 제공해요.
실무 적용 검토하기: 데이타브릭스의 에이전트 개발 플랫폼을 통해 데모 수준에 머물던 AI 기능을 실제 업무와 일상생활에 유용한 수준으로 업그레이드해 볼 수 있어요.

AI가 매번 내 지난 대화를 기억하고 알아서 척척 맞춰준다면 업무 속도가 훨씬 빨라질 것 같죠? 여러분이라면 이 기억하는 AI 기능을 어떤 일에 가장 먼저 써보고 싶으신가요?