대부분의 엔터프라이즈 AI 프로젝트는 생산이 중단되며, 그 이유는 일반적으로 그 뒤에 있는 데이터 때문입니다. AI 지원 데이터가 없으면 AI 시스템은 귀하의 정보에 액세스할 수 있지만 이를 추론할 방법은 없습니다.
전통적인 엔터프라이즈 데이터 인프라는 고정된 스키마와 사일로 시스템 내에서 고정된 입력을 취하고, 고정된 워크플로우를 따르고, 고정된 출력을 반환하는 결정론적 소프트웨어용으로 구축되었습니다.
AI 시스템은 다르게 작동합니다. 당신은AI 에이전트목표를 정하고 어떤 데이터를 가져올지 결정하고, 자체 단계를 계획하고, 자체적으로 조치를 취합니다. 그러나 오늘날 대부분의 기업 데이터는 이러한 비결정적 자율성을 지원하지 않습니다.
가트너 보고서63%의 조직은 AI에 대한 올바른 데이터 관리 관행을 갖추고 있지 않거나 갖추고 있는지 확신하지 못합니다. 회사는 2026년까지 조직이 AI 지원 데이터가 부족한 AI 프로젝트의 60%를 포기할 것이라고 예측합니다.
AI 이니셔티브를 프로덕션으로 전환하는 조직에는 구축, 유지 관리 및 신뢰할 수 있는 AI 지원 데이터가 필요합니다. 지식 계층은 AI가 탐색하고, 이해하고, 추론할 수 있는 데이터를 제공함으로써 그 기반을 제공합니다.
이 가이드의 추가 내용:
-
- AI 지원 데이터는 상황에 따라 달라집니다.
-
- AI 지원 데이터는 유연함
-
- AI 지원 데이터가 표준화되었습니다.
-
-
- 유연하고 표준화된 기업 지식을 위한 지식 그래프
-
- 상황별 에이전트 메모리에 대한 컨텍스트 그래프
-
- 그래프 검색 및 다단계 추론을 위한 GraphRAG
-
-
- 더 정확한 답변
-
- 설명 가능한 추론
-
- 통제 가능한 AI
-
-
- Klarna는 AI 보조 도입률 85%를 위해 내부 지식을 연결합니다.
-
- Data²는 분석가에게 설명 가능한 GraphRAG 증거 추적을 제공합니다.
-
- Cummins, 그래프로 AI 지원 디지털 코어 구축
-
-
- 1. 사용 사례 및 그래프 스키마 정의
-
- 2. 구조화된 소스와 구조화되지 않은 소스로부터 지식 그래프 구축
-
- 3. 데이터 색인화 및 검색 패턴 설정
-
- 4. AI가 학습할 수 있도록 컨텍스트 그래프 구축
-
- 5. 사용 사례 성공 여부를 평가하고 개선합니다.
-
- AI 지원 데이터를 위한 지식 계층 구축
- AI 지원 데이터 FAQ
AI 지원 데이터란 무엇입니까?
간단히 말해서, AI 지원 데이터는 AI 에이전트가 정확하고 설명 가능하며 관리 가능한 결과를 생성하기 위해 안정적으로 추론하고, 결정하고, 조치를 취하는 데 사용할 수 있는 데이터입니다.
데이터를 AI에 적합하게 만드는 것은 세 가지 특성으로 요약됩니다. 즉, 상황에 맞고 유연하며 표준화되어야 합니다. 각 품질은 상담원이 데이터를 탐색하고 데이터로 유용한 작업을 수행할 수 있는지 여부에 영향을 미칩니다.
AI 지원 데이터는 상황에 따라 달라집니다.
상황별 데이터는 AI 에이전트에 대한 개별 사실뿐만 아니라 서로 간의 연결도 노출합니다. 즉, 에이전트는 가치 있는 의미를 추가하는 데이터 포인트와 주변 컨텍스트를 모두 확인합니다.
환불 요청을 처리하는 고객 지원 담당자를 상상해보세요. 컨텍스트 없이 주문 세부 정보를 별도로 검색하고 규칙서를 살펴봅니다. 출력은 좋게 말하면 일반적이고 최악의 경우에는 잘못되어 고객을 만족시키지 못합니다.
상황별 데이터를 사용하여 동일한 상담원이 연결을 탐색하고 주문, 고객의 구매 패턴, 지원 내역, 계약 조건 및 과거에 유사한 사례가 어떻게 해결되었는지 검색합니다. 이제 이 특정 고객의 상황을 추론하고 그에 따라 행동할 수 있습니다.
AI 지원 데이터는 유연함
AI 사용 사례가 발전함에 따라 유연한 데이터가 조정됩니다. 이는 에이전트가 데이터베이스 리팩터링을 기다리지 않고 새로운 신호를 포착할 수 있음을 의미합니다.
이탈 위험이 있는 고객에게 플래그를 지정하기 위해 AI 에이전트를 시작한다고 상상해 보세요. 두 달 후, 비즈니스에서는 에이전트가 최근에 계정 관리자를 변경한 고객과 갱신이 다가오는 구독 계층을 평가하기를 원합니다. 이는 원래 모델링하지 않은 두 가지 신호입니다. 유연한 데이터가 없으면 이러한 신호를 추가한다는 것은 고객, 계정 및 구독 테이블 간의 스키마 마이그레이션과 이탈 파이프라인의 모든 쿼리에 대한 재작성을 의미합니다. 개선된 에이전트는 다음 스프린트가 아닌 다음 분기에 출시됩니다. AI 이니셔티브의 추진력이 느려집니다.
유연한 데이터를 사용하면 팀에서 두 개의 새 레이블을 모델에 추가하고 이를 기존 엔터티에 연결하기만 하면 에이전트가 연결을 통해 새 신호를 수신할 수 있습니다. 한 달 후 기업에서 다음 사용 사례를 요청하면 팀에서는 이를 빠르게 추가합니다. AI 이니셔티브는 데이터베이스가 따라잡을 때까지 기다리지 않고 사용 사례의 속도에 맞춰 움직입니다.
AI 지원 데이터가 표준화되었습니다.
표준화된 데이터는 모든 소스에서 하나의 일관된 의미를 전달합니다. 결과적으로 에이전트는 런타임에 ID를 연결하는 대신 일관된 세계관을 바탕으로 추론합니다.
고객의 최근 활동을 요약하도록 요청받은 상담원을 상상해 보세요. CRM에서 고객 기록(ID가 문자열임), 청구 시스템에서 최신 송장(동일한 사람이 정수 ID를 가짐) 및 최근 지원 티켓(UUID)을 가져옵니다. 상담원은 어떤 레코드가 같은 사람에게 속하는지 추측해야 합니다. 여기에 지연 시간, 비용, 실제로 한 고객에게 속하지 않은 데이터에서 요약을 조립하는 데 따른 위험이 추가됩니다. 그 실수는 다운스트림 결정에 곧바로 반영됩니다.
표준화된 데이터를 통해 고객은 하나의 표준 정의를 갖게 됩니다. 다른 모든 고객 데이터는 관계를 통해 정식 정의에 매핑됩니다. 상담원은 고객, 주문, 공급자 및 작업에 필요한 모든 것에 대한 일관된 보기를 얻기 위해 이러한 연결을 순회합니다. 데이터 표류로 인한 환각 위험이 사라집니다. 신뢰할 수 있는 보다 정확하고 일관된 답변을 얻을 수 있습니다.
AI 지원 데이터에 지식 계층이 필요한 이유
어떻게 결정을 내리는지 생각해 보세요. 당신의 두뇌는 사실을 고립된 행에 저장하지 않습니다. 여러 사실을 맥락(현재 상황, 과거 경험, 관련 지식)과 연결하여 올바른 결정을 내립니다. AI 시스템에는 데이터에 대해 동일한 방식으로 연결하고 추론하는 데 도움이 되는 구조도 필요합니다.
A 지식층기존 데이터 인프라와 AI 시스템 사이에 위치하여 데이터가 AI용으로 준비됩니다. 그래프는 지식 계층의 구조를 제공하여 상담원이 데이터를 탐색하고, 이해하고, 추론할 수 있도록 해줍니다.
AI 지원 아키텍처는 지식 계층을 사용하여 하나의 관리 기반에서 기존 시스템, 검색 및 에이전트 메모리를 연결합니다. 기존 운영 데이터베이스 및 비정형 콘텐츠 저장소의 데이터를 기업 지식 그래프로 수집하고, 엔터티를 추출하고, 빠른 검색을 위해 벡터 임베딩으로 색인을 생성합니다. 시스템은 가상 그래프를 사용하여 지식 그래프의 맥락에서 데이터 웨어하우스를 읽어 마이그레이션 없이 인텔리전스를 도출합니다. 에이전트는 추가 컨텍스트를 위해 대화 및 결정 내역을 그래프에 기록하여 모든 것을 기존 지식에 연결합니다. 그런 다음 AI는 현재 데이터 인프라 위에 있는 이 지식 계층에서 추론합니다.
이를 위해 지식 계층은 지식 그래프, 컨텍스트 그래프 및 GraphRAG를 포함한 여러 구성 요소를 사용합니다.
유연하고 표준화된 기업 지식을 위한 지식 그래프
귀하의 비즈니스 데이터는 CRM, ERP, 창고 및 수십 개의 데이터베이스에 분산되어 있습니다. 에이지식 그래프구조화된 소스와 구조화되지 않은 소스에서 데이터를 가져오고, 동일한 엔터티가 일관되게 인식되도록 엔터티를 확인하고, 엔터티 간의 연결을 매핑하고, 비즈니스 온톨로지를 반영하는 메타데이터로 엔터티와 관계를 강화하고, 모두 하나의 탐색 가능한 그래프로 저장합니다.
이것이 AI의 장기 기억이 됩니다. 귀하의 비즈니스가 알고 있는 모든 것이 서로 연결되어 있으며 한 곳에서 사용할 수 있습니다. AI는 관계를 탐색하고 메타데이터를 사용하여 추론함으로써 모든 관련 지식을 쉽게 탐색할 수 있습니다. 그러나 비즈니스 지식만으로는 에이전트가 중간 단계에 도달할 수 있습니다.
상황별 에이전트 메모리에 대한 컨텍스트 그래프
비즈니스 지식을 통해 상담원이 중간에 도착할 수 있습니다. 시간이 지나도 안정적으로 작동하려면 에이전트는 결정한 내용, 조치한 내용, 배운 내용을 기억해야 합니다.
A 컨텍스트 그래프두 가지 추가 메모리 유형으로 지식 그래프를 확장합니다.
- 단기 기억은 진행 중인 대화, 즉 사용자가 방금 요청한 내용, 열려 있는 작업, 이번 차례에 에이전트가 수집한 컨텍스트 등을 캡처합니다.
- 추론 메모리는 에이전트가 시도한 계획, 호출한 도구, 관찰한 결과, 첫 번째 시도가 실패한 후 제공한 수정 사항 등 에이전트의 결정 내역을 캡처합니다. 모든 결정은 그래프를 통해 추적 가능한 경로가 됩니다.
단기 및 추론 메모리는 명시적인 관계로 연결된 비즈니스 지식과 동일한 그래프에 있습니다. 모든 결정과 행동은 재생되고, 감사되고, 학습될 수 있습니다.
장기기억, 단기기억, 추론기억이 합쳐져 완전한 기억을 이룬다.에이전트 메모리모든 프로덕션 AI 시스템에 필요한 것입니다. 또한 에이전트는 쿼리 시 해당 메모리에서 올바른 컨텍스트를 검색해야 합니다. 이를 위해서는 GraphRAG가 필요합니다.
그래프 검색 및 다단계 추론을 위한 GraphRAG
표준 벡터RAG의미론적 유사성을 기반으로 텍스트 청크를 검색합니다. 간단한 질문의 경우 답변이 비슷한 구절에 나타날 수 있습니다. 그러나 의존하는 복잡한 질문다단계 추론, "주문 내역을 기준으로 볼 때 이 고객의 공급업체 위험은 무엇입니까?" 단일 텍스트 구절과 일치하지 않을 수 있습니다. AI는 고객을 조회하고, 고객의 주문과 제품을 검토하고, 해당 제품을 공급업체에 연결하고, 배송 내역을 평가하여 정보에 입각한 답변을 제공해야 합니다.
그래프RAGAI 에이전트는 지식 그래프의 관계 체인을 통해 여러 홉을 탐색하여 의미상 유사하지 않더라도 모든 관련 정보를 찾을 수 있습니다. 보다 정확하고 근거 있는 답변에 도달하기 위해 다단계 추론을 수행합니다.
AI 지식 계층의 이점
격리된 데이터를 상호 연결된 그래프로 대체함으로써 AI 에이전트에 전체적인 맥락과 복잡한 추론에 필요한 지식 계층을 제공할 수 있습니다. 이러한 아키텍처 변화로 인해 더욱 정확하고 설명 가능하며 관리 가능한 AI 결과가 탄생합니다.
더 정확한 답변
지식 그래프를 기반으로 한 AI는 의미상 유사한 텍스트만 검색하는 것이 아니라 관련 사실을 검색할 수 있습니다. AI는 답변을 생성하기 전에 관계를 따라 질문에 필요한 컨텍스트를 수집할 수 있습니다. 에이2026년 5월 IDC 연구Neo4j 지식 그래프에 AI를 접지하면 환각 비율이 평균 44% 감소했으며, 한 생명과학 고객은 환각 비율이 20~40%에서 2~5%로 감소한 것으로 나타났습니다.
설명 가능한 추론
AI 에이전트가 컨텍스트를 검색하기 위해 경로를 따라갈 때 해당 경로가 기록됩니다. 에이전트가 어떤 엔터티를 검색했는지, 어떤 관계를 통과했는지, 어떤 도구를 호출했는지, 어떤 사실이 답변을 뒷받침했는지 보여줄 수 있습니다. 이를 통해 AI의 추론을 쉽게 추적, 시각화 및 검토할 수 있습니다.
통제 가능한 AI
거버넌스는 프롬프트에만 의존할 수 없습니다. 지식 계층은 데이터 아키텍처에서 정의, 계보, 권한, 규칙 및 의사 결정 추적을 명시적으로 만듭니다. 팀에서는 액세스할 수 있는 데이터 에이전트를 제어하고, 사용한 내용을 추적하고, 출력이 생성된 방식을 감사할 수 있습니다. 사용 사례가 증가함에 따라 팀이 거버넌스 모델을 처음부터 다시 구축하도록 강요하지 않고도 동일한 그래프가 새로운 엔터티 및 관계로 발전할 수 있습니다.
사례 연구: 엔터프라이즈 생산 시스템의 AI 지원 데이터
데이터 관리 관행을 살펴보면 AI 지원 기업의 공통점은 무엇입니까? 그들은 모든 데이터를 하나의 창고나 데이터베이스로 옮기려는 시도를 중단하고 소스 전반에 걸쳐 엔터티, 관계 및 의미를 매핑하는 지식 계층을 구축합니다.
Klarna는 AI 보조 도입률 85%를 위해 내부 지식을 연결합니다.
Klarna의 조직적 지식은 Salesforce 및 Workday를 포함하여 1,200개 이상의 SaaS 시스템에 분산되어 있습니다. 이러한 단편화로 인해 AI 답변을 근거로 삼는 것이 더 어려워졌습니다.
이를 해결하기 위해 Klarna는 Kiki를 만들었습니다.Neo4j 지식 그래프 기술로 구동되는 내부 AI 도우미OpenAI 대규모 언어 모델과 통합됩니다. Kiki는 사람, 프로젝트, 프로세스 및 시스템 전반에 걸쳐 지식을 연결합니다.
Kiki는 출시 이후 250,000건이 넘는 문의에 응답했으며 직원의 85%가 Klarna를 사용하고 있으며 Klarna는 1,200개 이상의 SaaS 시스템을 더 이상 사용하지 않습니다.
"분할되고 단편화되고 분산된 기업 데이터 세계를 LLM에 제공하면 LLM이 매우 혼란스러워질 것입니다."
Data²는 분석가에게 설명 가능한 GraphRAG 증거 추적을 제공합니다.
Data²는 관계형 데이터베이스가 관계 전반에 걸쳐 분석하는 데 어려움을 겪는 시추 보고서, 시설 기록, 유지 관리 로그와 같은 비정형 소스에 귀중한 정보가 있는 경우가 많은 고위험 국방, 인텔리전스 및 에너지 데이터와 함께 작동합니다.
Data² 팀은 Neo4j AuraDB에 구축된 지식 그래프를 갖춘 분석 및 추론 플랫폼인 reView를 개발했습니다. 플랫폼질문 답변 및 증거 검토를 위해 Neo4j GraphRAG를 사용합니다., 언어 모델이 잘못된 데이터를 수집하는 것을 방지하는 데 도움이 되는 별도의 증거와 질문 그래프가 있습니다. 분석가는 각 대답 뒤에 있는 증거를 자세히 조사하고 시스템이 어떻게 결론에 도달했는지 따를 수 있습니다.
Data²는 reView가 분석가 워크로드의 50%를 확보할 것으로 추정합니다.
Cummins, 그래프로 AI 지원 디지털 코어 구축
Cummins는 서로 다른 시스템에 걸쳐 100년이 넘는 레거시 데이터를 연결해야 했습니다. 직원들은 도구와 소스 전반에 걸쳐 데이터를 수집하는 데 업무 시간의 50~70%를 소비했습니다.
단편화 문제를 해결하기 위해 회사는클라우드 플랫폼, 마인드 맵인 Neo4j Knowledge Layer 및 AI 샌드박스를 사용하여 AI 지원 디지털 코어를 구축했습니다.. 이 시스템은 중국의 건설 현장이 미국 창고의 특정 엔진 구성 요소에 어떻게 영향을 미칠 수 있는지와 같은 상황별 관계를 매핑하기 위해 온톨로지를 사용하여 Snowflake, Databricks 및 기타 소스 전반에 걸쳐 데이터를 연결합니다.
그 결과, 데이터 랭글링 시간이 60%에서 10%로 단축되었습니다. 마인드맵에 자연어 질문을 함으로써 2주 이내에 관세 및 공급 위험을 완화할 수 있었습니다.
5단계로 데이터를 AI 지원으로 만드는 방법
AI에 적합한 데이터를 만들려면 AI가 안정적으로 추론하고 행동하는 데 필요한 연결되고 상황에 맞는 기반인 지식 계층을 구축해야 합니다.
하나의 AI 사용 사례와 필요한 데이터로 시작한 다음 거기서부터 진행하세요. 이 실용적인 시퀀스는 비즈니스에서 실제로 대답해야 하는 질문에 대한 엔터티, 관계, 컨텍스트 및 검색 패턴을 모델링할 수 있으므로 광범위한 데이터 현대화 프로그램보다 더 유용합니다.
1. 사용 사례 및 그래프 스키마 정의
이탈할 가능성이 있는 고객 식별, 특정 주문에 위험을 초래하는 공급업체 식별, 상담원이 권장해야 하는 지원 응답, 특정 사례에 적용되는 내부 정책 등 AI 시스템이 지원해야 하는 질문이나 작업을 선택합니다.
엔터티, 엔터티 간의 관계 및 해당 속성을 포함하여 사용 사례를 지원하는 데이터 스키마를 정의합니다. 고객으로 간주되는 대상, 고객이 주문, 공급업체, 지원 티켓, 계약 또는 계정 소유자와 어떻게 관련되는지, 적용되는 정의, 규칙 및 권한을 결정합니다. 사용 사례를 중심으로 도메인을 모델링한 다음 더 많은 질문이 나타나면 스키마를 확장하세요.
2. 구조화된 소스와 구조화되지 않은 소스로부터 지식 그래프 구축
데이터 소스를 수집합니다. 실제 파이프라인은 엔터티를 추출하고, 중복을 해결하고, 엔터티 간의 관계를 추가하고, 메타데이터를 추가하고, 데이터를 지식 그래프에 수집해야 합니다.
전체 기업을 한 번에 모델링하려고 하지 마십시오. 사용 사례를 해결하려면 가치가 높은 데이터부터 시작하세요. 그래프 스키마는 유연하므로 큰 리팩토링 없이 쉽게 적응할 수 있습니다.
3. 데이터 색인화 및 검색 패턴 설정
질문마다 다른 검색 경로가 필요하며 대부분의 프로덕션 시스템은 둘 이상을 사용합니다. 더 강력한 검색 설정은 매번 모든 소스를 쿼리하는 대신 각 질문을 올바른 패턴으로 라우팅합니다.
벡터 또는 전체 텍스트 인덱스는 AI 에이전트가 정확한 진입점을 찾는 데 도움이 됩니다. Cypher 쿼리 템플릿은 에이전트가 일반적인 검색 경로를 보다 빠르고 안정적으로 처리하는 데 도움이 됩니다.
4. AI가 학습할 수 있도록 컨텍스트 그래프 구축
프로덕션 AI에는 상태 저장 메모리가 필요합니다. 검색된 증거, 호출된 도구, 관찰된 결과 및 내린 결정을 포함하여 작업 중에 발생한 일을 기록해야 합니다. 컨텍스트 그래프는 AI에게 대화 기록 및 의사 결정 추적에 대한 메모리를 제공하며 모두 지식 그래프에 연결됩니다.Neo4j 에이전트 메모리대화를 저장하고, 지식 그래프를 구축하고, 이전 에이전트 활동에 대한 추론을 지원하기 위한 그래프 기반 패턴을 제공합니다.
5. 사용 사례 성공 여부를 평가하고 개선합니다.
AI 시스템이 받을 것으로 예상되는 가장 일반적인 질문이나 사용 사례에 대한 평가 세트를 구축하세요. 사용 사례의 성공 기준을 정의하고 답변 관련성, 컨텍스트 관련성, 컨텍스트 회상, 대기 시간, 토큰 비용 등의 평가 지표를 선택합니다. 결과가 기준을 충족하지 않으면 1~4단계를 반복하고 반복합니다. 성공 기준을 충족할 때까지 매 반복 후에 평가하여 개선 또는 회귀를 측정합니다.
AI 지원 데이터를 위한 지식 계층 구축
단편화되고 중단되기 쉬운 실험에서 프로덕션 수준의 인텔리전스로 전환하는 데 기존 데이터 인프라를 제거할 필요가 없습니다. 그것은지식층이는 이미 구축한 것 위에 위치합니다.
데이터베이스 및 웨어하우스에서 CRM 및 지원 티켓에 이르기까지 엔터프라이즈 데이터의 관계, 컨텍스트 및 의미를 매핑함으로써 지식 계층은 AI에 필요한 메모리와 추론 기반을 제공합니다.
Neo4j는 엔터프라이즈 AI를 위한 지식 계층입니다. 그래프 및 AI 기능의 모듈식 포트폴리오를 통해 현재 데이터 인프라와 함께 작동합니다.
- Neo4j 그래프 데이터베이스데이터를 노드와 관계로 저장하므로 애플리케이션은 조인을 통해 관계가 많은 모든 질문을 강요하는 대신 직접 연결을 따를 수 있습니다.
- Neo4j 그래프 데이터 과학표면 패턴에 65개 이상의 그래프 알고리즘과 그래프 기반 ML 파이프라인을 추가하고 영향을 평가하며 그래프 구조를 다운스트림 모델의 기능으로 전환합니다.
- Neo4j AuraDB그래프 데이터베이스 워크로드를 완전 관리형 클라우드 서비스로 실행합니다.
- Neo4j 에이전트 메모리지속적인 비즈니스 지식을 대화 기록, 결정, 각 상호 작용의 추론 추적과 연결하여 상담원에게 상태 저장 메모리를 제공합니다.
- Neo4j GraphRAG Python 패키지AI는 그래프를 탐색하여 관련 사실을 검색하고 다중 홉 추론을 수행할 수 있습니다.
- Neo4j 가상 그래프기존 창고 및 레이크하우스 환경의 데이터를 지식 그래프의 엔터티에 연결하여 마이그레이션 없이 인텔리전스를 추가합니다.
더 자세히 알아보려면 다음 리소스를 사용하세요.
- 개발자 가이드: 지식 그래프를 구축하는 방법
- 필수 GraphRAG
- 컨텍스트 그래프: AI 에이전트에 세 가지 유형의 메모리가 필요한 이유
AI 지원 데이터 FAQ
AI 지원 데이터는 AI 에이전트가 정확하고 설명 가능하며 관리 가능한 결과를 생성하기 위해 신뢰할 수 있는 추론, 결정 및 조치를 취하는 데 사용할 수 있는 데이터입니다.
AI는 다양한 정보가 서로 어떻게 연관되어 있는지 이해하지 못한 채 데이터에 액세스할 수 있기 때문에 많은 AI 프로젝트가 실패합니다. 프로덕션 AI 시스템에는 일관된 데이터 정의, 연결된 컨텍스트, 통제된 액세스, 사용자 질문에 적합한 검색 패턴이 필요합니다.
AI 지원 데이터는 상황에 맞게 유연하고 표준화되어야 합니다. 상황별 데이터는 관계를 드러냅니다. 유연한 데이터는 사용 사례가 발전함에 따라 조정됩니다. 표준화된 데이터는 소스 전체에 걸쳐 엔터티와 개념에 일관된 의미를 제공합니다.
지식 계층은 AI가 탐색하고, 이해하고, 추론할 수 있도록 기존 시스템 전체의 데이터를 연결합니다. 엔터티를 표준화하고, 관계를 매핑하고, 컨텍스트를 추가하고, 내구성 있는 메모리를 제공하고, 다단계 추론을 가능하게 합니다.
AI 지원 데이터를 위한 지식 계층을 구축하세요. 특정 사용 사례부터 시작하세요. AI 시스템에 필요한 엔터티, 관계, 규칙 및 데이터 소스를 정의합니다. 비즈니스 지식을 그래프로 수집하세요. 대화 및 추론 컨텍스트를 위한 에이전트 메모리를 설정합니다. GraphRAG 검색 패턴을 구현합니다. 평가하고 개선하세요.