생성형 AI 분석이란 무엇인가요?
생성형 AI 분석은 대규모 언어 모델(LLMs)을 사용하여 비즈니스 데이터를 분석하고 설명, 요약 또는 권장 사항과 같은 새로운 텍스트 출력을 생성합니다. 이는 차트나 수동 쿼리에만 의존하는 대신 서사적 통찰력을 생성하여 기존 보고 기능을 확장합니다. 이 맥락에서 분석을 위한 생성형 AI는 별도의 BI 도구를 통하기보다는 임베디드 분석을 통해 제품 내에서 작동합니다.
이 접근 방식은 분석 기능이 기존 사용자 인터페이스에 내장되는 임베디드 BI 형태입니다. 사용자는 이미 사용하고 있는 애플리케이션의 맥락 내에서 데이터를 탐색하고 이해할 수 있습니다. 시스템은 사람이 이해하는 방식으로 대시보드를 해석하여, 평이한 언어로 질문에 답하고 변경 사항, 원인 및 다음 단계를 설명합니다.
생성형 AI 분석 작동 방식
생성형 AI 분석은 사용자의 질문을 해석하고, 데이터 구조를 읽고, 어떤 작업을 수행할지 결정합니다. 모델은 대시보드 생성, 차트 요약 또는 추세 설명과 같은 의도를 식별합니다. 그런 다음 제품의 기존 로직을 사용하여 데이터를 가져오고 처리하므로, 결과는 사용자의 권한과 일치하게 유지됩니다.
Reveal에서는 AI 계층이 관리되는 데이터 소스와 함께 작동하며 고객 환경 내에서 실행됩니다. 이는 원시 SQL을 생성하지 않습니다. 대신, 이미 구현된 일반적인 인증, 필터링 및 보안 규칙을 거쳐 흐르는 대시보드 정의를 생성합니다. 이를 통해 모든 요청에 대해 사용자 컨텍스트가 유지됩니다.
팀은 저장된 메타데이터를 사용하여 기존 대시보드를 찾기 위해 검색 기능을 사용할 수 있습니다. 모델은 인덱싱된 자산을 검색하고, 가장 가까운 일치 항목을 반환하며, 표준 SDK 프로세스를 통해 렌더링합니다. 이 접근 방식은 확립된 워크플로우를 우회하지 않으면서 자연어 쿼리를 운영 BI에 연결합니다.
Reveal은 대화형 쿼리, 프로그래밍 방식 제어 및 제품 내 통찰력 생성을 통합하는 AI 기능으로 이 프로세스를 지원합니다.
생성형 AI 분석 실제 사례
생성형 AI 분석은 많은 제품 워크플로우에서 나타납니다. 다음 예시는 사용자가 복잡한 보고 도구를 학습하지 않고 통찰력과 어떻게 상호 작용하는지 보여줍니다.
-
“작년 판매 및 주문 분석 대시보드를 생성해 주세요”와 같은 평이한 언어 요청으로 대시보드 생성.
-
단일 시각 자료를 요약하여 사용자가 메일이나 채팅용 짧은 서사로 측정 항목을 전환할 수 있도록 함.
-
추세, 패턴 및 성능 변화를 설명하는 전체 대시보드 요약 또는 분석 생성.
-
편집기를 열지 않고 필터를 추가하거나 보기 조정과 같이 자연어를 통해 대시보드 편집.
-
사용자가 저장된 AI 메타데이터를 통해 여러 대시보드를 검색할 때 기존 시각 자료 반환.
이러한 패턴은 제품 내에서 더 강력한 데이터 기반 스토리텔링을 지원합니다. 이는 사용자에게 무엇이 바뀌었는지, 왜 바뀌었는지, 그리고 다음에 무엇이 중요한지 빠르게 이해할 수 있는 방법을 제공합니다.
분석을 위한 생성형 AI의 이점
생성형 AI 분석은 팀이 제품에 복잡성을 추가하지 않으면서 사용자에게 통찰력에 더 빠르게 접근할 수 있도록 돕습니다. 이러한 이점은 반복 사용, 갱신 및 고객 대상 분석에서 명확한 가치에 의존하는 SaaS 및 ISV 플랫폼에 가장 중요합니다.
주요 이점은 다음과 같습니다:
-
사용자가 자연어로 직접 질문할 수 있으므로 데이터 팀의 수요를 줄입니다.
-
차트를 명확한 설명으로 전환하여 비기술적 사용자가 데이터를 이해하도록 돕습니다.
-
일상적인 질문에 대한 더 빠른 답변으로 의사 결정을 가속화합니다.
-
여러 화면에서 동일한 임베디드 SDK 및 AI 의도를 사용하여 개발 작업을 줄입니다.
-
통찰력을 찾고 컨텍스트에서 사용하는 것을 쉽게 만들어 제품 채택률을 높입니다.
이러한 이점은 더 강력한 제품 사용을 지원하고 최종 사용자에게 명확한 결과를 제공하는 분석 기능을 통해 데이터 수익화를 위한 새로운 경로를 열어줍니다.
과제 및 고려 사항
생성형 AI 분석은 제품 팀이 통제해야 하는 새로운 위험을 도입합니다. 이러한 위험은 개인 정보 보호, 정확성 및 거버넌스를 중심으로 하며, 애플리케이션 내부에서 AI가 어떻게 실행되어야 하는지를 결정합니다.
데이터 개인 정보 보호가 첫 번째 문제입니다. 팀은 모델이 어디에서 실행되어야 하며 어떤 데이터가 자체 환경 내에 남아 있어야 하는지 결정해야 합니다. Reveal은 추론을 고객 인프라 내에 유지하고 모든 AI 요청에 대해 기존 보안 규칙을 적용함으로써 이를 해결합니다. 정확성은 다음 과제입니다. 모델은 불완전하거나 부정확한 답변을 반환할 수 있으므로, 팀은 종종 높은 영향도의 워크플로우를 보호하기 위해 신뢰도 점수, 모델 테스트 및 간헐적 점검을 사용합니다.
거버넌스와 신뢰성 또한 중요합니다. 팀은 모델 동작을 추적하고, 감사 기록을 저장하며, 모든 통찰력에 대한 데이터 거버넌스를 관리해야 합니다. 지연 시간은 사용자 신뢰에 영향을 미치므로, 성능 튜닝과 모델 선택 모두 역할을 합니다. Reveal은 AI를 안내하고 결과를 기본 데이터 구조와 일치시키는 데 도움이 되는 메타데이터 화이트리스트 및 도메인별 재정의와 같은 제어를 추가합니다.
이러한 문제들은 생성형 AI 분석과 기존 분석 워크플로우 사이에 명확한 대조를 만듭니다.
생성형 AI 대 기존 분석
생성형 AI 분석은 사용자가 데이터를 탐색하는 방식을 변화시킵니다. 기존 분석은 준비된 대시보드와 수동 쿼리에 의존합니다. 생성형 시스템은 결과를 설명하고, 변경 사항을 강조하며, 평이한 언어로 질문에 답하는 계층을 추가합니다. 이러한 변화는 사용자가 통찰력을 다루는 방식과 팀이 분석 기능을 설계하는 방식을 변화시킵니다.
이 비교는 많은 팀이 생성형 AI를 기존 대시보드를 대체하는 대신 결합하는 이유를 보여줍니다. 이는 확립된 분석 관행의 대체재가 아니라 통찰력으로 가는 새로운 진입점이 됩니다.
임베디드 분석에서의 생성형 AI
생성형 AI는 사용자가 이미 작업하는 제품 내부에서 실행될 때 가장 큰 가치를 얻습니다. 이 모델은 통찰력을 작업과 가깝게 유지하고 도구 간 전환의 마찰을 줄입니다. 또한 제품 팀에게 AI가 작동하는 방식, 결과가 나타나는 방식, 데이터가 보호되는 방식에 대한 완전한 제어권을 부여합니다.
임베디드 아키텍처에서 애플리케이션은 분석 SDK 및 API 기반 분석을 사용하여 AI 의도를 기존 화면에 연결합니다. 사용자는 운영 작업 옆에 질문을 하고 동일한 임베디드 보고 또는 대시보드 보기 내에서 업데이트된 차트나 설명을 받을 수 있습니다. 이 패턴은 사용자를 별도의 BI 포털로 강제하지 않으면서 대화형 대시보드와 안내 흐름을 지원합니다.
배포 또한 경험을 형성합니다. 많은 팀이 자체 환경에서 Reveal을 실행하고 자체 계정의 모델에 연결합니다. 이는 모든 고객 데이터를 승인된 데이터 소스 및 보안 규칙 내에 유지합니다. 또한 생성형 기능이 호스트 제품의 디자인과 일치하는 화이트 라벨 분석을 지원합니다.
이러한 기능들은 수동적인 시각 자료를 사용자가 통찰력에 더 빨리 도달하도록 돕는 대화형 진입점으로 전환하여 임베디드 분석 ROI를 개선합니다. 잘 수행될 경우, 생성형 AI는 워크플로우 외부에 있는 별도의 기능이 아니라 임베디드 분석 위에 있는 운영 계층이 됩니다.
