Files

T

koriweb d8a80f6272 chore(wiki): dangling 링크 canonical 정규화 (768파일/1200건)

이름만 다른(표기 변형) [[위키링크]]를 대상 문서의 canonical 제목으로 치환해
끊겼던 1,200개 링크를 연결. 제목/파일명 정규화 일치만 적용하고 별칭 매칭은
과병합 위험으로 제외(애매성 가드). 원본은 _link_reconcile_backup/ 에 백업.
도구: Datacollect/scripts/link_reconcile_apply.mjs

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

2026-06-08 12:24:15 +09:00

6.2 KiB

Raw Blame History

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, tech_stack

title

데이터_엔지니어링_표준

📌 한 줄 통찰 (The Karpathy Summary)

"데이터의 흐름은 공학이고, 파이프라인은 생명선이다." 원천 데이터의 수집부터 정제, 저장, 그리고 분석에 이르기까지 전 과정의 신뢰성을 확보하고, 데이터 품질 계층(Data Quality Layer)을 통해 AI 에이전트의 판단 근거를 견고히 하는 현대적 데이터 아키텍처 구축 표준.

📖 구조화된 지식 (Synthesized Content)

추출된 패턴:

'저장과 연산의 분리(Separation of Storage and Compute)' 및 '스키마 우선 설계(Schema-First Design)'를 통해 확장성과 무결성을 동시에 확보한다. 특히 AI 에이전트 환경에서는 데이터의 최신성과 인증 상태를 실시간으로 검증하는 '데이터 품질 계층'이 필수적이다.

세부 내용:

데이터 엔지니어링 아키텍처:
- Cloud Native Data Warehouse (Snowflake): 다중 클러스터 공유 데이터 아키텍처를 통해 무한한 확장성을 확보. 데이터 공유(Data Sharing) 기능을 활용하여 복제 없이 실시간 협업 수행.
- Hybrid Data Access (Firebase Data Connect): NoSQL의 민첩성과 SQL(PostgreSQL)의 엄격함을 결합. GraphQL 인터페이스를 통해 복잡한 관계형 데이터를 타입 안전하게 처리.
데이터 품질 및 거버넌스 (Data Quality Layer):
- 액티브 메타데이터 (Active Metadata): 데이터 시스템을 지속적으로 모니터링하여 최신성 및 인증 상태를 에이전트에게 컨텍스트로 제공.
- 데이터 계약 (Data Contracts): 스키마 변경(Schema Drift)을 선제적으로 감지하고 차단하여 AI 에이전트의 환각 현상 방지.
- 데이터 리니지 (Data Lineage): 컬럼 단위의 계보 추적을 통해 오류 발생 시 원천 소스 식별.
가상 인프라 운영:
- SaaS 중심 운영: 복잡한 서버 관리 대신 완전 관리형 서비스를 활용하여 '데이터의 가치' 창출에 집중.
- MCP 기반 연동: 활성 메타데이터와 리니지 정보를 모델 컨텍스트 프로토콜(MCP)을 통해 에이전트와 동기화.

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

대규모 데이터 파이프라인이나 분석 플랫폼(Snowflake 등)을 설계할 때.
AI 에이전트가 참조할 데이터의 신뢰성을 보장하기 위한 거버넌스 체계를 구축할 때.
관계형 데이터베이스를 현대적인 GraphQL 환경에서 통합 관리해야 할 때.

언제 이 지식을 쓰면 안 되는가:

데이터 관계가 매우 단순하고 무결성이 중요하지 않은 소규모 토이 프로젝트.

이 지식을 적용할 때의 권장 절차:

스키마 정의: 모든 데이터 모델링의 시작은 명확한 스키마 정의(GraphQL/SQL)에서 출발.
저장/연산 분리: 비용 효율성과 확장성을 고려하여 스토리지와 컴퓨팅 자원을 분리 운영.
거버넌스 통합: 데이터 파이프라인 초기 단계에 품질 검증 및 리니지 추적 메커니즘 삽입.
인증 자동화: 에이전트가 사용할 데이터 소스에 대한 '인증 상태'를 자동 업데이트.

⚖️ 트레이드오프 및 고려사항

복잡성 vs 제어력: 완전 관리형 SaaS(Snowflake, Firebase)는 운영 편의성을 제공하지만, 세부적인 성능 튜닝이나 인프라 비용 제어 측면에서 제약이 있을 수 있음.
보안 vs 접근성: 데이터 거버넌스가 강화될수록 데이터 접근 속도와 사용자 편의성이 저하될 수 있으므로, 'Zero Trust' 기반의 정교한 접근 제어 정책 병행 필요.

🧪 검증 상태 (Validation)

정보 상태: verified
출처 신뢰도: B
검토 이유: 해당 없음

🧬 중복 검사 (Duplicate Check)

기존 유사 문서: Snowflake-Data-Warehousing, Principles-of-Data-Connect, 데이터 품질 계층 (Data Quality Layer), 데이터 엔지니어링 표준, Schema Drift 등
처리 방식: MERGE
처리 이유: 파편화되어 있던 데이터 창고 아키텍처, 실시간 데이터 연동 기술, 데이터 거버넌스 및 품질 관리 표준을 하나로 통합하여 '데이터 엔지니어링' 도메인의 단일 진실 공급원(Single Source of Truth)으로 구축함.

🔗 지식 연결 (Graph)

Parent: 10_Wiki/Topics
Related: 백엔드_엔지니어링_및_데이터베이스_설계, 보안_및_시스템_신뢰성_표준, 데이터_사이언스_및_ML_엔지니어링
Redirects: Data-Engineering, Snowflake

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	데이터 엔지니어링 및 가상 인프라 관련 파편화된 자산 통합 및 v3.0 규격 적용	CREATE	B

⚠️ 모순 및 업데이트 (Contradictions & Updates)

과거 데이터와의 충돌: 없음
정책 변화: 없음

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

(TODO)

선택 B를 써야 할 때:

(TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

[안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)

6.2 KiB Raw Blame History