블로그로 돌아가기
ChatGPT
Perplexity
사용자는 분석이 제품의 다른 모든 것과 마찬가지로 빠르고, 상황에 맞으며, 제품 워크플로 내에서 작동하기를 기대합니다. 기존 대시보드는 설정 및 전문 지식이 필요합니다. 대부분의 AI 도구는 깊이를 희생하고 속도를 높여 일시적인 답변을 제공합니다.
AI 생성 대시보드는 이러한 격차를 해소합니다. 질문을 지속 가능하고 재사용 가능한 보기로 변환하여 기존 분석 스택 내에서 작동합니다. 이 문서에서는 프로덕션 팀이 대시보드를 구축하는 방법과 아키텍처 선택이 AI 대시보드가 확장되거나 실패하는지 여부를 결정하는 이유를 설명합니다.
AI 생성 대시보드는 무엇입니까?
대부분의 팀은 이 용어를 듣고 차트를 반환하는 채팅 창을 떠올립니다. 이러한 관점은 핵심을 놓치고 있습니다. 진정한 변화는 인터페이스가 아니라 시스템이 생성하는 결과물입니다.
AI 생성 대시보드는 사용자 정의 쿼리에서 생성되거나 수정된 지속적인 대시보드입니다. 시스템은 의도를 해석하고, 데이터를 선택하고, 시각화를 선택하고, 레이아웃 메타데이터를 빌드합니다. 출력은 다른 임베디드 대시보드와 같이 작동합니다. 지속 가능하며 필터 및 드릴 작업을 지원하고 기존 권한 및 데이터 모델을 통해 실행됩니다. 임베디드 대시보드 제품 내의 임베디드 대시보드와 같이 작동합니다. 지속 가능하며 필터 및 드릴 작업을 지원하고 기존 권한 및 데이터 모델을 통해 실행됩니다.
AI 생성 대시보드와 대화형 출력의 차이점은 생성 후에도 얼마나 잘 유지되는지입니다.
- 초기 질문 이후에도 지속되며 저장하고 공유할 수 있습니다.
- 표준 대시보드와 마찬가지로 필터, 드릴 작업 및 시각적 편집을 지원합니다.
- 수동으로 빌드된 대시보드와 동일한 권한 및 데이터 모델을 통해 실행됩니다.
이 정의가 중요한 이유는 많은 도구가 응답 생성에서 중단되기 때문입니다. 차이점을 이해하면 오늘날 대부분의 AI 대시보드가 구축되는 방식과 그 접근 방식이 종종 실패하는 이유를 알 수 있습니다.
AI 생성 대시보드는 오늘날 일반적으로 어떻게 구축됩니까?
대부분의 AI 대시보드 구현은 동일한 패턴을 따릅니다.
- 사용자가 자연어로 질문을 입력합니다.
- 모델은 프롬프트를 해석하고 쿼리를 생성합니다.
- 시스템은 해당 쿼리를 데이터베이스에 대해 실행합니다.
- 결과는 차트 또는 간단한 응답으로 렌더링됩니다.
이러한 접근 방식은 종종 다음과 같은 레이블로 나타납니다. 대화형 분석 또는 증강 분석 데모 속도를 최적화합니다. 직관적이고 분석 스택을 변경하지 않고도 빠르게 가치를 보여주기 때문에 사용하기 편리합니다.
문제점은 결과가 현재 시점에만 존재한다는 것입니다. 사용자는 결과를 수정, 저장 또는 나중에 다시 사용할 수 없습니다. 이러한 제한 사항은 팀이 데모를 넘어 일상적인 사용으로 전환하려고 할 때 분명해집니다.
대부분의 AI 생성 대시보드가 엔터프라이즈 및 SaaS 제품에서 실패하는 이유는 무엇입니까?
AI 대시보드는 빠른 응답을 위해 최적화되어 있기 때문에 데모에서 인상적으로 보입니다. 동일한 디자인은 제품이 실제 보안, 확장성 및 거버넌스 제약 조건에 직면하면 문제가 발생합니다.
대부분의 실패는 데이터 노출에서 시작됩니다. 많은 AI 기반 대시보드는 언어 모델에서 생성된 임시 쿼리에 의존합니다. 이는 프로덕션 시스템에서 예상되는 보안 사례를 우회하므로, 임베디드 분석과 관련된 보안에 대한 논의에서 설명된 바와 같습니다. 임베디드 분석과 보안 그리고 더 광범위한 분석과 보안에 대한 우려. 일단 권한 및 감사 가능성이 중요해지면 신뢰도가 빠르게 저하됩니다.
다중 테넌트 SaaS 제품은 훨씬 더 엄격한 제한 사항에 직면합니다. 단일 프롬프트는 테넌트 경계, 역할 기반 액세스 및 데이터 격리를 존중해야 합니다. 대화형 대시보드는 각 요청이 새로운 유출 지점이 되기 때문에 이 부분에서 어려움을 겪습니다. 이는 임베디드 분석에서 다중 테넌트 데이터를 분석한 결과에서 설명됩니다. 임베디드 분석에서 다중 테넌트 데이터때문에 각 요청이 새로운 유출 지점이 됩니다.
사용자 경험 문제는 그 뒤를 바짝 따릅니다. 외부 도구나 iframe에 렌더링된 대시보드는 사용자를 워크플로에서 벗어나게 합니다. 컨텍스트 전환은 채택률을 낮추고 연속성을 방해하며, 이는 임베디드 분석과 iframe을 비교한 결과에서 강조된 일반적인 문제입니다. 임베디드 분석 대 iframe사용자는 분석을 제품의 일부로 인식하지 않게 됩니다.
이러한 실패는 근본적인 원인을 공유합니다. AI는 분석 라이프사이클 내에서가 아니라 외부에서 작동합니다. 이러한 격차가 팀이 접근 방식을 재고하고 AI가 기존 제어 내에서 작동하는 아키텍처를 찾게 되는 이유를 설명합니다.
AI 생성 대시보드를 보호하는 방법
많은 팀은 AI가 유용하려면 데이터에 직접 액세스해야 한다고 생각합니다. 이러한 믿음은 위험을 초래하고 채택을 늦춥니다. 안전한 AI 기반 대시보드는 다른 경로를 따르며, 이 경로는 제어를 제품 내에 유지합니다.
가장 안전한 접근 방식은 AI를 데이터 계층에서 완전히 제거하는 것입니다. 데이터베이스에 쿼리하는 대신 AI는 분석 메타데이터로 작동합니다. 이 차이는 미묘하지만 AI가 프로덕션 시스템에서 작동할 수 있는지 여부를 결정합니다.
AI는 SQL을 생성해서는 안 됩니다.
일부 AI 도구는 SQL을 동적으로 생성합니다. 이러한 디자인은 데이터베이스를 예측할 수 없는 동작과 권한 격차에 노출시킵니다. 잘 테스트된 모델조차도 규칙을 우회하는 쿼리를 생성할 수 있습니다.
더 안전한 패턴은 AI가 분석 SDK 모델을 사용하여 대시보드 정의를 생성하는 것입니다. 이러한 정의는 실행이 아닌 구조와 의도를 설명합니다. 모든 대시보드는 여전히 수동으로 빌드된 대시보드와 동일한 실행 경로를 따릅니다.
대시보드는 기존 보안 컨텍스트를 통해 실행되어야 합니다.
제품은 이미 액세스 규칙을 적용합니다. 이러한 규칙을 AI에 대해 대체하면 보안 취약점이 발생합니다.
안전한 AI 대시보드는 승인된 데이터 소스에 대해서만 실행됩니다. 사용자 컨텍스트는 테넌트 격리 및 역할 기반 액세스를 포함하여 자동으로 적용됩니다. AI는 사용자가 이미 가지고 있는 범위를 넘어서는 가시성을 확장할 수 없습니다.
이 접근 방식은 AI 분석 이 엔터프라이즈 제품에서 어떻게 작동해야 하는지 반영합니다. 인텔리전스는 기존 시스템에 적응합니다.
AI가 해석할 수 있는 내용을 제어합니다.
모든 데이터를 AI에 노출해서는 안 됩니다. 팀은 AI가 참조할 수 있는 내용을 제한할 수 있어야 합니다. 테이블, 뷰 또는 필드를 화이트리스트에 추가하면 유용성을 줄이지 않고 범위를 제한할 수 있습니다.
도메인 언어도 중요합니다. 비즈니스 용어를 승인된 필드 및 정의에 매핑할 수 있습니다. 이렇게 하면 정확성이 향상되는 동시에 탐색 범위를 제한할 수 있습니다. 거버넌스는 사후 관리가 아닌 구성의 일부가 됩니다.
이 모델은 엔터프라이즈 보안 기대치와 일치합니다. AI는 여전히 유용하지만 자율적이지는 않습니다.
사용자 쿼리에서 AI 생성 대시보드로, 단계별로
사용자는 거의 차트를 요청하지 않습니다. 그들은 의사 결정에 필요한 질문을 반영하는 질문을 합니다. 과제는 해당 의도를 제품이 실행하고 재사용할 수 있는 것으로 변환하는 것입니다.
효과적인 AI 기반 대시보드 워크플로는 자연어를 지침이 아닌 시작점으로 취급합니다. 시스템은 사용자의 의도를 해석하고, 구조를 구축한 다음 기존 분석 런타임에 의존하여 나머지를 처리합니다.
1단계: 사용자 의도 해석
첫 번째 작업은 사용자가 무엇을 하려고 하는지 이해하는 것입니다. 단일 입력은 컨텍스트에 따라 매우 다른 작업을 나타낼 수 있습니다.
일반적인 의도 범주에는 다음이 포함됩니다.
- 새 대시보드 만들기
- 기존 대시보드 편집
- 시각화 분석
- 대시보드 요약
예를 들어 ”판매 및 주문 대시보드 만들기”는 생성을 나타냅니다. ”총 판매량 위젯 추가”는 수정을 나타냅니다. 정확한 의도 분류가 중요한 이유는 각 경로가 다른 워크플로를 트리거하기 때문입니다. 이 단계를 수행하지 않으면 시스템이 추측하고 사용자는 빠르게 신뢰를 잃습니다.
2단계: 대시보드 메타데이터 생성
의도가 명확해지면 시스템은 쿼리 수준이 아닌 메타데이터 수준에서 대시보드 정의를 구축합니다.
AI는 다음을 정의합니다.
- 필드 및 측정값
- 집계
- 시각화 유형
- 레이아웃 규칙
예를 들어 ”국가별 판매 트리맵 추가”하면 새 위젯 정의가 생성됩니다. 메타데이터는 해당 위젯이 어떻게 표시되고 작동해야 하는지 설명합니다. 아직 데이터가 실행되지 않습니다. 이 분리를 통해 AI 기반 대시보드는 예측 가능하고 감사 가능하게 유지할 수 있습니다.
3단계: 분석 런타임을 통해 실행
메타데이터가 준비되면 실행이 시작됩니다. 대시보드는 제품에서 오늘날 사용하는 기존 임베디드 분석 파이프라인을 통해 렌더링됩니다.
이 단계에서 보안 및 거버넌스가 적용됩니다. 쿼리는 승인된 데이터 소스에 대해서만 실행됩니다. 필터, 행 수준 규칙 및 사용자 컨텍스트가 자동으로 적용됩니다. AI는 자체적으로 쿼리를 실행하지 않으므로 모든 검사를 우회하지 않습니다.
출력은 시스템의 다른 대시보드와 동일하게 작동합니다. 사용자는 예상대로 드릴다운, 필터링 및 상호 작용할 수 있습니다.
4단계: 대시보드 유지 및 재사용
마지막 단계는 출력을 자산으로 만듭니다. 대시보드를 저장하고 공유하며 나중에 다시 사용할 수 있습니다.
이는 실제 워크플로에서 중요합니다. 사용자는 분석 중에 대시보드를 만들고 ”이 대시보드를 요약”하여 리더십 회의에서 사용할 수 있습니다. 동일한 대시보드는 탐색과 통신을 모두 지원합니다. 시간이 지남에 따라 AI 기반 대시보드는 제품의 분석 계층의 일부가 되어 일회성 답변이 됩니다.
AI 지원 대시보드 편집 및 발전
대시보드는 거의 최종 상태로 유지되지 않습니다. 팀은 질문이 변경됨에 따라 메트릭을 조정하고, 컨텍스트를 추가하고, 보기를 재구성합니다. 대부분의 도구는 이러한 변경 사항을 재구축으로 처리하므로 마찰이 발생하고 채택이 느려집니다.
AI는 반복을 대체하는 대신 지원할 때 이러한 패턴을 변경합니다. 사용자는 처음부터 시작하는 대신 기존 항목을 조정합니다.
자연어를 사용하여 기존 대시보드 편집
대시보드가 있으면 대부분의 변경 사항은 점진적입니다. 사용자는 편집기를 열거나 레이아웃 규칙을 이해하고 싶어하지 않습니다. 그들은 필요한 변경 사항을 설명하고 싶어합니다.
일반적인 편집 요청에는 다음이 포함됩니다.
- “총 판매량 위젯 추가”
- “국가별 판매 트리맵 추가”
- “지역별 전역 필터 추가”
각 요청은 기존 대시보드 메타데이터를 업데이트합니다. 위젯은 컨텍스트 내에 나타나고, 레이아웃은 자동으로 조정되며, 권한은 변경되지 않습니다. 이 접근 방식은 대시보드를 안정적으로 유지하면서 빠른 반복을 허용합니다.
생성이 아닌 분석을 위해 AI 사용
생성은 관심을 끌지만 분석은 가치를 제공합니다. 팀은 종종 새로운 차트보다 설명이 더 필요합니다.
AI는 단일 시각화 또는 전체 대시보드를 분석할 수 있습니다. 사용자는 리더십 검토 전에 ”이 대시보드를 요약”하라고 요청할 수 있습니다. 시스템은 기존 위젯을 검사하고 현재 데이터를 기반으로 명확한 내러티브를 생성합니다.
이렇게 하면 재작업을 피할 수 있습니다. 대시보드 자체가 설명 및 토론의 소스가 됩니다.
대시보드에서 의사 결정 내러티브로
대시보드는 종종 제품 외부의 의사 결정을 지원합니다. 임원진은 인터페이스가 아닌 요약이 필요합니다.
AI는 이러한 격차를 해소하는 데 도움이 됩니다. 운영을 위해 생성된 대시보드는 관리자를 위한 간략한 설명을 생성할 수 있습니다. 해당 요약은 제품 내에 있거나 이메일 또는 보고서로 이동할 수 있습니다.
팀은 한 번 구축한 다음 필요에 따라 출력을 조정합니다. 이를 통해 중복을 줄이고 분석을 실제 의사 결정과 일치시킬 수 있습니다.
도메인별 언어 및 비즈니스 컨텍스트가 AI 생성 대시보드를 개선하는 방법
모델은 보안 규칙을 따르면서도 잘못된 출력을 반환할 수 있습니다. 이는 사용자의 언어가 데이터의 언어와 일치하지 않을 때 발생합니다. 정확도는 비즈니스 용어를 데이터 필드에 얼마나 잘 매핑하느냐에 따라 달라집니다.
일반적인 언어가 AI 대시보드를 망치는 이유
사용자는 스키마 레이블이 아닌 비즈니스 용어로 말합니다. 그들은 “매출”, “주문” 또는 “활성 계정”을 요청합니다. 데이터베이스에는 다른 이름과 정의가 저장될 수 있습니다.
이러한 격차는 모호성을 야기합니다. 시스템은 잘못된 필드 또는 지표를 선택할 수 있습니다. AI 기반 대시보드는 권한이 올바르더라도 일관성이 없어 보일 수 있습니다. 시스템에 어휘를 가르쳐서 이 문제를 해결할 수 있습니다.
비즈니스 용어를 데이터 필드에 매핑
간단한 별칭 레이어를 사용하여 언어를 정렬할 수 있습니다. 비즈니스에서 용어의 의미를 정의한 다음 특정 필드에 매핑합니다.
예를 들어 팀은 “주문 ID” 대신 “빨리빨리”라고 말할 수 있습니다. 해당 매핑이 없으면 시스템이 추측합니다. 매핑이 있으면 시스템이 예측 가능하게 작동합니다.
다음은 구현할 수 있는 실용적인 설정 흐름입니다.
- 티켓 및 통화에서 사용자가 실제로 말하는 비즈니스 용어를 나열합니다.
- 각 용어를 필드 그룹이 아닌 하나의 필드에 매핑합니다.
- 의미와 사용법을 명확히 하는 짧은 설명을 추가합니다.
- 매핑을 구성 파일 또는 메타데이터 서비스에 저장합니다.
- 해당 테넌트 또는 작업 공간에 대한 AI 초기화 중에 매핑을 로드합니다.
- 누락된 항목을 기록하여 시간이 지남에 따라 어휘를 확장할 수 있도록 합니다.
이 접근 방식은 추측을 줄이고 반복성을 향상시킵니다. 또한 매핑이 명시적으로 유지되므로 검토가 더 쉬워집니다.
화이트리스팅을 통한 범위 제한
어휘는 시스템이 올바른 것을 선택하도록 돕습니다. 범위 제어는 잘못된 것을 선택하지 못하도록 방지합니다.
화이트리스팅은 AI가 참조할 수 있는 항목을 제한합니다. 특정 테이블, 뷰 또는 주제 영역에 대한 액세스를 제한할 수 있습니다. 이렇게 하면 의도치 않은 탐색이 줄어들고 응답 품질이 향상됩니다. AI 기반 대시보드는 사용자 및 테넌트 간에 일관성을 유지합니다.
AI 및 벡터 검색을 사용하여 기존 대시보드 재사용
AI가 분석에 참여하면 팀은 빠르게 패턴을 인식합니다. 모든 질문이 새로운 것을 생성합니다. 시간이 지남에 따라 대시보드가 늘어나고 답변이 달라지며 신뢰도가 떨어집니다.
이 문제는 열악한 모델에서 비롯되지 않습니다. 모든 질문을 생성 요청으로 취급하는 데서 비롯됩니다. AI 기반 대시보드는 재사용이 기본이 될 때만 확장됩니다.
매번 새로운 대시보드를 생성하는 것이 실패하는 이유
모든 질문에 대한 새 대시보드를 생성하는 것은 처음에는 유용하게 느껴집니다. 즉각적인 요청을 해결하고 생산적으로 보입니다. 시간이 지남에 따라 노이즈가 발생합니다.
여러 대시보드는 동일한 질문에 대해 약간 다른 방식으로 답변합니다. 팀은 올바른 대시보드를 알 수 없게 됩니다. 사용자는 신뢰를 잃고 수동 검사로 돌아갑니다. 해결 방법은 알려진 신뢰할 수 있는 자산을 지속적인 재생성보다 우선시하는 것입니다.
메타데이터를 사용하여 대시보드에 의미를 포함
대시보드에는 이미 구조가 포함되어 있습니다. 제목, 위젯, 필터 및 레이아웃은 모두 의도를 나타냅니다. 해당 의도는 메타데이터로 캡처되면 검색 가능해집니다.
각 대시보드는 설명적인 컨텍스트를 저장할 수 있습니다. 여기에는 대시보드가 답변하는 내용, 지원하는 질문 및 사용 방법이 포함됩니다. 해당 메타데이터는 대시보드 정의와 함께 저장되며 대시보드가 변경될 때 업데이트됩니다. AI 기반 대시보드는 이제 격리된 출력이 아닌 검색 가능한 자산이 됩니다.
새로 구축하는 대신 대시보드를 찾기
다음은 실제 작동 방식입니다.
팀은 “주문 및 판매 개요”라는 기존 대시보드를 가지고 있습니다. 여기에는 총 주문, 총 판매 및 국가별 판매가 포함됩니다. 대시보드에는 또한 대시보드가 답변하는 일반적인 질문을 설명하는 메타데이터가 저장되어 있습니다.
사용자가 “총 주문 수는 얼마입니까?”라고 질문합니다. 새 것을 생성하는 대신 시스템은 기존 대시보드를 벡터 유사성을 사용하여 검색합니다. 질문을 저장된 대시보드 메타데이터와 비교하고 신뢰도 점수가 가장 높은 항목을 반환합니다.
신뢰도가 높으면 시스템은 기존 대시보드 또는 해당 대시보드의 특정 위젯을 로드합니다. 사용자는 즉시 신뢰할 수 있는 결과를 얻습니다. 중복이 발생하지 않습니다. AI 기반 대시보드는 이제 무한한 변형을 위한 팩토리가 아닌 검증된 분석에 대한 검색 계층처럼 작동합니다.
AI 생성 대시보드 플랫폼으로서의 Reveal
많은 팀은 가장 어려운 결정이 모델 선택이라고 생각합니다. 실제로 실제 과제는 아키텍처입니다. AI 기반 대시보드는 AI가 분석 계층 내에서 작동하고 외부에서 작동하지 않을 때만 확장됩니다.
이 문서에서는 프로덕션 준비가 된 AI 대시보드에 필요한 사항을 보여줍니다. 의도가 생성을 주도하고, 메타데이터가 구조를 정의하고, 기존 보안이 액세스를 적용하고, 재사용이 확산을 방지합니다. 이러한 요소가 연결되면 대시보드는 내구성이 뛰어난 제품 자산이 됩니다.
이것이 그 뒤에 있는 모델입니다. Reveal.
- AI 기반 대시보드는 제품 내에서 완전한 브랜딩 제어 기능을 갖춘 상태로 실행됩니다.
- AI는 기존 보안 모델을 유지하면서 메타데이터에서 작동합니다.
- 사용자는 자연어를 통해 대시보드를 생성, 편집, 분석 및 재사용할 수 있습니다.
- 제품 팀은 브랜딩, UX 및 배포를 제어합니다.
SaaS 팀 및 ISV의 결과는 실용적입니다. 사용자는 더 빠르게 답변을 얻고, 팀은 대시보드 유지 관리를 줄이며, 제품이 성장함에 따라 분석이 일관성을 유지합니다.
AI 분석의 힘을 확인하십시오.
Reveal을 통해 임베디드 분석의 새로운 시대로 진입하십시오.
