feat: Wiki 지식 자산 업데이트 - UX Scenarios, Frontend, Game Design, Topics 추가 [2026-05-08]

2026-05-08 19:52:07 +09:00
parent 9dd3d40662
commit 5ba5a55c78
3984 changed files with 334557 additions and 28839 deletions
@@ -1,32 +1,9 @@
 ---
-id: HARNESS-RES-2026-05-012
-title: 액티브 메타데이터 (Active Metadata)
-category: "10_Wiki/Topics/Infrastructure"
-status: verified
-confidence_score: 0.95
-tags: [harness, data-governance, metadata, freshness, data-quality, mcp]
-created_at: 2026-05-05
-updated_at: 2026-05-08
+redirect_to: "[[데이터_엔지니어링_및_가상_인프라_표준]]"
+canonical_id: "wiki-2026-0508-001"
 ---

-# 액티브 메타데이터 (Active Metadata)
+# Redirect

-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "데이터의 자의식: 정적인 데이터 설명을 넘어, 실시간 최신성, 인증 상태, 스키마 변화를 에이전트에게 능동적으로 전달하여 환각과 오작동을 예방하는 동적 거버넌스 정보."
-
-## 📖 구조화된 지식 (Synthesized Content)
-*   **실시간 데이터 상태 모니터링**: 액티브 메타데이터는 데이터 시스템을 지속적으로 모니터링하여 메타데이터의 최신성을 자동으로 유지한다 [1]. 스키마 상태, 실시간 인증(Certification) 상태, 데이터 최신화(Freshness) 신호가 구조화된 컨텍스트로 제공되어 에이전트가 데이터의 유효성을 추측할 필요가 없게 만든다 [1].
-*   **하네스의 구조적 한계 보완**: 대부분의 하네스 프레임워크는 에이전트의 실행 방식(어떻게)을 제어하지만, 입력 데이터의 무결성(무엇을)은 검증하지 못한다 [3]. 액티브 메타데이터는 이러한 틈을 메워 에이전트가 컨텍스트를 읽기 전 신뢰성을 판정하는 통제된 데이터 기반(Governed data substrate) 역할을 수행한다 [3, 4].
-*   **MCP를 통한 지식 전달**: 메타데이터, 데이터 계약, 리니지 정보는 모델 컨텍스트 프로토콜(MCP) 서버를 통해 하네스에 제공된다 [5]. 하네스는 MCP 인터페이스를 통해 별도의 거버넌스 로직 없이도 구조화된 컨텍스트를 직접 쿼리할 수 있다 [5].
-
-## ⚖️ 트레이드오프 및 고려사항
-*   **오케스트레이션 기능의 부재**: Atlan과 같은 액티브 메타데이터 시스템은 에이전트 실행을 직접 제어하거나 메모리를 관리하는 도구가 아니다 [6]. 따라서 반드시 LangGraph나 CrewAI와 같은 제어 프레임워크와 결합하여 사용해야 한다 [4, 6].
-*   **초기 설계 및 비용 부담**: 잘못된 데이터로 인한 오작동은 사후 디버깅이 매우 어렵다 [7]. 따라서 엔터프라이즈 환경에서는 프로토타입 단계부터 데이터 품질 인프라를 함께 설계해야 하는 기술적 복잡성과 초기 투자 비용이 수반된다 [7, 8].
-
-## 🔗 지식 연결 (Graph)
- **상위 개념**: [[Data Governance]], [[Data Quality Layer]]
- **유사 개념**: [[Schema Drift (스키마 표류)]], [[Data Lineage]], [[MCP (Model Context Protocol)]]
- **관련 프로젝트**: [[Atlan]], [[ConnectAI]]
-
---
-*Last updated: 2026-05-08*
+이 문서는 Canonical 문서인 [[데이터_엔지니어링_및_가상_인프라_표준]]으로 통합되었습니다.
+모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
@@ -1,32 +1,9 @@
 ---
-id: HARNESS-RES-2026-05-013
-title: 스키마 표류 (Schema Drift)
-category: "10_Wiki/Topics/Infrastructure"
-status: verified
-confidence_score: 0.96
-tags: [harness, data-quality, schema-drift, governance, data-contract]
-created_at: 2026-05-05
-updated_at: 2026-05-08
+redirect_to: "[[데이터_엔지니어링_및_가상_인프라_표준]]"
+canonical_id: "wiki-2026-0508-001"
 ---

-# 스키마 표류 (Schema Drift)
+# Redirect

-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "에이전트 신뢰성의 소리 없는 파괴자: 데이터 소스의 구조가 예고 없이 변경되어 에이전트가 오염된 컨텍스트를 읽게 만듦으로써, 작업 완료 시점에야 발견되는 치명적 오작동을 유발하는 현상."
-
-## 📖 구조화된 지식 (Synthesized Content)
-*   **에이전트 생산 실패의 주요 원인**: 스키마 표류는 엔터프라이즈 환경에서 에이전트 실패를 유발하는 가장 흔한 근본 원인 중 하나이다 [1]. 실제로 프로젝트의 약 88%가 생산 단계 도달에 실패하는데, 이는 모델의 지능 부족보다 스키마 불일치 및 컨텍스트 표류 등 하네스 환경의 결함 때문인 경우가 많다 [5].
-*   **오케스트레이션 프레임워크의 한계**: LangGraph, Semantic Kernel 등은 에이전트의 실행 방식(어떻게)은 관리하지만, 읽어 들이는 데이터(무엇을)는 검증하지 않는다 [1, 2]. 따라서 스키마가 변형된 데이터가 아무런 유효성 검사 없이 에이전트에게 전달되는 구조적 공백이 존재한다 [4, 6].
-*   **데이터 컨트랙트(Data Contracts)의 필요성**: 문제를 해결하려면 데이터가 컨텍스트 윈도우에 진입하기 전 스키마 계약을 강제하는 거버넌스 계층이 필수적이다 [3]. 이를 통해 에이전트가 잘못된 결과를 출력하기 전, 데이터를 읽는 시점에 선제적으로 스키마 표류를 감지할 수 있다 [3].
-
-## ⚖️ 트레이드오프 및 고려사항
-*   **사후(Post-hoc) 모니터링의 한계**: AgentOps나 Langfuse는 실행 이후를 기록하므로 잘못된 결과의 '발생'은 알 수 있으나, 불량 입력 데이터(스키마 표류 등) 자체를 방지하거나 근본 원인을 즉각 식별하는 데는 한계가 있다 [4].
-*   **아키텍처 복잡성 증가**: 스키마 표류를 막기 위해서는 오케스트레이션 고도화 외에도 별도의 거버넌스된 데이터 기저(Governed data substrate)가 요구된다. 이는 데이터 계약 및 인증 인프라 구축을 위한 초기 비용과 시스템 복잡성을 증가시킨다 [3, 4, 8].
-
-## 🔗 지식 연결 (Graph)
- **상위 개념**: [[Data Quality Layer]], [[Data Governance]]
- **유사 개념**: [[Active Metadata]], [[Data Contracts]], [[Hallucination (환각)]]
- **관련 프로젝트**: [[Atlan]], [[ConnectAI]]
-
---
-*Last updated: 2026-05-08*
+이 문서는 Canonical 문서인 [[데이터_엔지니어링_및_가상_인프라_표준]]으로 통합되었습니다.
+모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
@@ -1,36 +1,9 @@
 ---
-id: HARNESS-RES-2026-05-001
-title: 데이터 품질 계층 (Data Quality Layer)
-category: "10_Wiki/Topics/Infrastructure"
-status: verified
-confidence_score: 0.95
-tags: [harness, data-quality, governance, ai-agent, mcp]
-created_at: 2026-05-05
-updated_at: 2026-05-08
+redirect_to: "[[데이터_엔지니어링_및_가상_인프라_표준]]"
+canonical_id: "wiki-2026-0508-001"
 ---

-# 데이터 품질 계층 (Data Quality Layer)
+# Redirect

-## 📌 한 줄 통찰 (The Karpathy Summary)
-> "AI 에이전트의 '쓰레기 입력, 쓰레기 출력(GIGO)' 문제를 해결하는 필터: 오케스트레이션 중심의 에이전트 환경에서 데이터의 최신성, 정합성, 출처를 실시간으로 인증하여 환각 현상을 원천 차단하는 신뢰 인프라 계층."
-
-## 📖 구조화된 지식 (Synthesized Content)
-*   **구조적 공백과 거버넌스의 필요성:** LangGraph, CrewAI, AutoGen 등 2026년의 주요 에이전트 하네스 프레임워크들은 에이전트가 실행되는 방식(제어 계층)만을 관리하며, 입력되는 데이터의 신뢰성, 최신성, 인증 여부를 검증하는 기능은 제공하지 않는다 [1-5]. AI 거버넌스 연구에 따르면, 흔히 모델의 '환각(Hallucination)'으로 치부되는 문제의 상당수는 실제로는 일관성 없거나 기한이 지난(stale), 혹은 불완전하게 복제된 데이터 소스에서 기인한다 [6, 7]. 맥킨지(McKinsey)의 조사에서도 에이전트형 AI 구현에 소요되는 시간의 80%가 프레임워크 구성이 아닌 데이터 엔지니어링과 거버넌스 작업에 쓰이며, 기업 10곳 중 8곳이 데이터 한계를 확장의 가장 큰 장애물로 지목하고 있다 [6-8].
-*   **데이터 품질 계층의 필수 구성 요소:** 에이전트 파이프라인의 신뢰성을 확보하기 위해 도입되는 데이터 품질 인프라(예: Atlan)는 에이전트의 컨텍스트 윈도우에 정보가 들어가기 전에 다음과 같은 기능을 제공해야 한다 [9-13].
-    *   **액티브 메타데이터 (Active Metadata):** 데이터 시스템을 지속적으로 모니터링하여 메타데이터의 최신성, 실시간 인증 상태, 스키마 상태를 에이전트에게 구조화된 컨텍스트로 전달한다 [11].
-    *   **데이터 계약 (Data Contracts):** 데이터가 하네스 환경에 유입되기 전 스키마 계약을 강제하여, 에이전트가 변형된 스키마(Schema drift)를 읽고 잘못된 결과를 내기 전에 선제적으로 오류를 차단한다 [11].
-    *   **데이터 리니지 (Data Lineage):** 컬럼(Column) 단위의 데이터 계보를 추적하여 에이전트가 정보의 원천을 확인할 수 있도록 한다. 이를 통해 출력 오류 발생 시 문제의 근본 원인이 모델인지, 프롬프트인지, 원본 데이터인지 명확히 식별할 수 있다 [12].
-    *   **인증 상태 (Certification Status):** 데이터 스튜어드가 데이터를 인증하고, 에이전트가 인증된 데이터만 참조하도록 구성하여 기업 환경에서 발생하는 주요 실패 유형을 제거한다 [12].
-    *   **MCP 서버 (MCP Server):** 이러한 활성 메타데이터, 계약, 리니지 정보를 모델 컨텍스트 프로토콜(MCP)을 통해 쿼리할 수 있도록 노출시켜 다양한 하네스와 연결한다 [13].
-
-## ⚖️ 트레이드오프 및 고려사항
-*   **사후 모니터링 및 오케스트레이션 도구의 근본적 제약:** 에이전트 프레임워크가 제공하는 오케스트레이션이 아무리 고도화되더라도, 에이전트가 검증되지 않거나 변형된 데이터를 읽는다면 이를 프레임워크 수준에서 보완할 방법이 없다는 치명적인 한계가 존재한다 [14]. AgentOps나 Langfuse와 같은 사후 모니터링(Post-hoc observability) 도구를 활용하더라도, 이는 에이전트가 잘못된 입력을 바탕으로 행동했다는 사후 기록만을 제공할 뿐 원본 소스에서 나쁜 데이터가 유입되는 것을 방지하지는 못한다 [4, 5, 15, 16]. 
-*   **인프라 구성의 복잡성과 비용 증가:** 결과적으로 기업이나 개발팀은 에이전트 하네스 도구와는 별개로, Atlan과 같은 거버넌스가 적용된 데이터 기반 구조(Governed data substrate)를 구축해야 하는 추가적인 인프라 부담을 안게 된다 [9, 10, 17, 18]. 특히 규제가 심한 산업 분야에서는 이러한 데이터 인증 인프라가 단순한 선택 사항이 아니라, 규정 준수(Compliance)를 위한 필수적인 감사 추적 요구사항으로 작용하여 에이전트 AI 시스템을 프로덕션 환경에 배포하는 데 높은 진입 장벽과 초기 투자 비용을 요구하게 된다 [13, 19].
-
-## 🔗 지식 연결 (Graph)
- **상위 개념**: [[AI Infrastructure]], [[Data Governance]]
- **유사 개념**: [[Schema Drift (스키마 표류)]], [[Active Metadata]]
- **관련 프로젝트**: [[ConnectAI]], [[Skybound Protocol]]
-
---
-*Last updated: 2026-05-08*
+이 문서는 Canonical 문서인 [[데이터_엔지니어링_및_가상_인프라_표준]]으로 통합되었습니다.
+모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.