생성형 AI 분석

생성형 AI 분석이란 무엇입니까?

생성형 AI 분석은 대규모 언어 모델(LLM)을 사용하여 비즈니스 데이터를 분석하고 설명, 요약 또는 권장 사항과 같은 새로운 텍스트 출력을 생성합니다. 차트 또는 수동 쿼리에만 의존하는 대신 서술적 통찰력을 생성하여 기존 보고를 확장합니다. 이 맥락에서 분석을 위한 생성형 AI는 별도의 BI 도구를 통해가 아니라 제품 내에서 작동합니다. 임베디드 분석 별도의 BI 도구를 통해가 아니라

이 접근 방식은 임베디드 BI의 한 형태로, 분석 기능이 기존 사용자 인터페이스에 내장됩니다. 사용자는 이미 사용하고 있는 애플리케이션 내에서 데이터를 탐색하고 이해할 수 있습니다. 시스템은 대시보드를 사람이 보는 것처럼 해석하고, 일반적인 언어로 질문에 답변하고, 변경 사항, 원인 및 다음 단계를 설명합니다.

생성형 AI 분석의 작동 방식

생성형 AI 분석은 사용자의 질문을 해석하고, 데이터 구조를 읽고, 수행할 작업을 결정합니다. 모델은 대시보드 생성, 차트 요약 또는 추세 설명과 같은 의도를 식별합니다. 그런 다음 제품의 기존 로직을 사용하여 데이터를 가져오고 처리하므로 결과는 사용자의 권한과 일치합니다.

Reveal에서 AI 레이어는 관리되는 데이터 소스 와 함께 작동하며 고객 환경 내에서 실행됩니다. 원시 SQL을 생성하지 않습니다. 대신 기존 인증, 필터링 및 보안 규칙을 통해 흐르는 대시보드 정의를 만듭니다. 이를 통해 모든 요청에 대해 사용자 컨텍스트를 유지합니다.

팀은 검색을 사용하여 저장된 메타데이터를 사용하여 기존 대시보드를 찾을 수 있습니다. 모델은 인덱싱된 자산을 검색하고, 가장 일치하는 항목을 반환하고, 표준 SDK 프로세스를 통해 렌더링합니다. 이 접근 방식은 자연어 쿼리를 기존 워크플로우를 우회하지 않고 운영 BI에 연결합니다.

Reveal은 이를 지원하기 위해 AI 기능 를 제공하며, 이를 통해 제품 내에서 대화형 쿼리, 프로그래밍 방식 제어 및 통찰력 생성을 통합할 수 있습니다.

생성형 AI 분석의 실제 적용 사례

생성형 AI 분석은 많은 제품 워크플로우에 나타납니다. 다음 예제는 사용자가 복잡한 보고 도구를 배우지 않고도 통찰력을 어떻게 상호 작용하는지 보여줍니다.

• “지난해의 판매 및 주문 분석 대시보드를 만드십시오.”와 같은 일반적인 언어 요청에서 대시보드를 만듭니다.

• 새 위젯 또는 특정 차트 유형을 요청하여 임베디드 대시보드에d 를 추가합니다.

• 사용자가 이메일 또는 채팅을 위해 지표를 짧은 설명으로 바꿀 수 있도록 단일 시각화를 요약합니다.

• 추세, 패턴 및 성과 변화를 설명하는 전체 대시보드 요약 또는 분석을 생성합니다.

• 필터를 추가하거나 편집기를 열지 않고 보기를 조정하는 등 자연어를 통해 대시보드를 편집합니다.

• 저장된 AI 메타데이터를 통해 여러 대시보드를 검색할 때 기존 시각화를 반환합니다.

이러한 패턴은 제품 내에서 더 강력한 데이터 기반 스토리텔링 을 지원합니다. 이를 통해 사용자는 변경 사항, 변경 이유 및 다음에 중요한 사항을 빠르게 이해할 수 있습니다.

분석을 위한 생성형 AI의 이점

생성형 AI 분석은 팀이 제품에 복잡성을 추가하지 않고도 사용자가 통찰력에 더 빠르게 액세스할 수 있도록 지원합니다. 이러한 이점은 반복 사용, 갱신 및 명확한 가치를 중요하게 생각하는 SaaS 및 ISV 플랫폼에 가장 중요합니다. 사용량 및 제품 분석.

주요 이점은 다음과 같습니다.

• 사용자가 일반적인 언어로 직접 질문할 수 있으므로 데이터 팀에 대한 수요를 줄입니다.

• 차트를 명확한 설명으로 변환하여 비기술 사용자가 데이터를 이해하도록 돕습니다.

• 일반적인 질문에 대한 더 빠른 답변을 통해 의사 결정을 가속화합니다.

• 동일한 임베디드 SDK 및 AI 의도를 여러 화면에서 사용하여 개발 작업을 줄입니다.

• 통찰력을 더 쉽게 찾고 컨텍스트 내에서 사용할 수 있도록 하여 제품 채택을 늘립니다.

이러한 이점은 더 강력한 제품 사용을 지원하고 최종 사용자를 위한 명확한 결과를 제공하는 분석 기능을 통해 새로운 경로를 열어줍니다. 데이터 수익 창출을 위한 과제 및 고려 사항

생성형 AI 분석은 제품 팀이 제어해야 하는 새로운 위험을 발생시킵니다. 이러한 위험은 개인 정보 보호, 정확성 및 거버넌스를 중심으로 하며, AI가 애플리케이션 내에서 어떻게 실행되어야 하는지를 결정합니다.

데이터 개인 정보 보호가 가장 먼저 고려해야 할 사항입니다. 팀은 모델이 실행되는 위치와 어떤 데이터가 환경 내에 유지되어야 하는지 결정해야 합니다. Reveal은 추론을 고객 인프라 내에 유지하고 모든 AI 요청에 대해 기존 보안 규칙을 적용하여 이 문제를 해결합니다. 다음 과제는 정확성입니다. 모델은 불완전하거나 부정확한 답변을 반환할 수 있으므로 팀은 종종 신뢰도 점수, 모델 테스트 및 샘플 검사를 사용하여 중요한 워크플로우를 보호합니다.

거버넌스 및 신뢰성도 중요합니다. 팀은 모델 동작을 추적하고, 감사 기록을 저장하고, 모든 통찰력에 대한 데이터 거버넌스를 관리해야 합니다. 대기 시간은 사용자 신뢰에 영향을 미치므로 성능 조정 및 모델 선택 모두 중요한 역할을 합니다. Reveal은 메타데이터 화이트리스트 및 도메인별 재정의와 같은 컨트롤을 추가하여 AI를 안내하고 결과를 기본 데이터 구조와 일치시킵니다.

이러한 문제는 생성형 AI 분석과 기존 분석 워크플로우 간에 명확한 대조를 만듭니다.

생성형 AI 대 기존 분석

생성형 AI 분석은 사용자가 데이터를 탐색하는 방식을 변경합니다. 기존 분석은 준비된 대시보드와 수동 쿼리에 의존합니다. 생성형 시스템은 결과를 설명하고, 변경 사항을 강조하고, 일반적인 언어로 질문에 답변하는 레이어를 추가합니다. 이러한 변화는 사용자가 통찰력과 상호 작용하는 방식과 팀이 분석 기능을 설계하는 방식에 영향을 미칩니다.

이 비교는 많은 팀이 기존 대시보드를 대체하는 대신 생성형 AI를 기존 대시보드와 결합하는 이유를 보여줍니다. 이는 통찰력에 대한 새로운 진입점이 되며, 기존 분석 방식의 대체재가 아닙니다.

임베디드 분석에서 생성형 AI

생성형 AI는 사용자가 이미 작업하는 제품 내에서 실행될 때 가장 큰 가치를 얻습니다. 이 모델은 통찰력을 작업과 가깝게 유지하고 도구 간 전환의 마찰을 줄입니다. 또한 제품 팀이 AI의 동작 방식, 결과가 표시되는 방식 및 데이터가 보호되는 방식을 완전히 제어할 수 있습니다.

임베디드 아키텍처에서 애플리케이션은 분석 SDK 및 API 기반 분석을 사용하여 AI 의도를 기존 화면에 연결합니다. 사용자는 운영 작업 옆에서 질문을 하고 동일한

또는 대시보드 보기에 업데이트된 차트 또는 설명을 받을 수 있습니다. 이 패턴은 사용자를 별도의 BI 포털로 강제하지 않고도 대화형 대시보드 및 안내 흐름을 지원합니다. 형식화된 출력을 위한 임베디드 보고서를 지원합니다. 배포 또한 경험을 형성합니다. 많은 팀은

를 자체 환경에서 실행하고 자체 계정에서 모델에 연결합니다. 이를 통해 모든 고객 데이터를 승인된 Reveal 및 보안 규칙 내에 유지합니다. 또한 데이터 소스 를 지원하며, 생성형 기능이 호스트 제품의 디자인과 일치합니다. 화이트 라벨 분석은이러한 기능은

임베디드 분석 ROI를 개선합니다. 수동적인 시각적 요소를 대화형 진입점으로 전환하여 사용자가 더 빠르게 통찰력을 얻을 수 있도록 합니다. 잘 수행되면 생성형 AI는 워크플로우 외부에 있는 별도의 기능이 아니라 임베디드 분석 위에 구축된 운영 레이어가 됩니다. 통합 분석: 정의 및 작동 방식 | Reveal 용어집