WEBVTT

00:00:00.000 --> 00:00:12.980
코파일럿은 혼란스러워하지 않습니다. 단지 순종적일 뿐이죠. 회사의 4분기 실적이 급등했다는 그럴듯한 문구는 결함이 아닙니다. 잘못 설계된 데이터가 만들어낸 결과물일 뿐입니다. 이것이 바로 쓰레기를 넣으면 자신있게 쓰레기가 나오는 효과입니다.

00:00:13.160 --> 00:00:23.740
마이크로소프트 패브릭이 당신이 직접 거짓말쟁이를 기웠군요 라고 점잖게 말하는 방식이죠. 테이블 속에 담긴 불일치한 데이터들이 프롬프트 문맥에 스며들어 코파일럿은 기꺼이 환각을 만들어냅니다. 무슨 일이 벌어지고 있는지 설명해드리죠.

00:00:23.740 --> 00:00:31.960
중복된 조인 누락된 시멘틱 진실인 양포장된 미완성 메달리온 네이어가 널려있습니다. 그런 상태로 코파일럿에게 통찰을 구하지만 ai는 추론하지 않고 단지 재구성할 뿐입니다.

00:00:32.120 --> 00:00:43.980
패브릭이 잘못된 메타 데이터를 주입하면 코파일럿은 분석이라는 탈을 쓴 선명한 꿈을 보여줍니다. 오늘은 왜 이런 일이 생기는지 데이터 모델의 어느 부분이 잘못되었는지 그리고 코파일럿이 이야기를 지어내지 않도록 재구축하는 법을 알려드리겠습니다.

00:00:43.980 --> 00:00:52.020
영상이 끝날 때 쯤엔 정확하고 설명 가능하며 마침내 신뢰할 수 있는 ai를 갖게 될 것입니다. 지능이라는 착각 코파일럿이 거짓말하는 이유

00:00:52.020 --> 00:01:00.280
사람들은 코파일럿이 무언가를 알고 있다고 기대합니다. 하지만 아닙니다. ai는 메타 데이터와 문맥 그리고 패브릭 내에 정의된 취약한 관계 설정을 바탕으로 패턴을 매칭할 뿐입니다.

00:01:00.460 --> 00:01:07.420
지능과 대화한다고 생각하겠지만 사실은 거울을 보고 있는 것과 같습니다. 모호한 데이터를 주면 ai는 그 모호함을 더 화려하게 포장해서 그대로 되돌려줍니다.

00:01:07.420 --> 00:01:17.480
진짜 문제는 여기에 있습니다. 대부분의 패브릭 구현 방식은 스키마 설계를 뒷전으로 미룹니다. 잘못된 키로 조인된 팩트 테이블, 일관성 없는 측정 지표, 완전히 누락된 설명들이 문제초.

00:01:17.480 --> 00:01:26.680
코파일럿은 이 혼란을 마치 구두점 없는 문장을 읽는 ai처럼 해석합니다. 어디에 의미를 부여해야 할지 추측할 뿐입니다. 결과는 그럴듯하게 들리겠지만 치명적으로 틀릴 수 있습니다.

00:01:26.900 --> 00:01:36.480
골드레이어의 한쪽 소스의 수익과 다른 소스의 총 매출이 표준화되지 않은 상태로 섞여있다고 가정해보죠. 코파일럿은 비슷한 컬럼명을 발견하고 지나치게 친절하게도 이 둘을 합쳐버립니다.

00:01:36.480 --> 00:01:45.120
지난 분기 수익이 얼마였지? 라고 물으면 세분화 수준이 다른 지표를 합치고 호환되지 않는 스케일의 평균을 계산해 매우 자신있게 제시합니다.

00:01:45.320 --> 00:01:55.000
차트는 전문적으로 보이지만 수학적 근거는 허구입니다. 이런 착각은 말투에서 비롯됩니다. 자연어는 이해하고 있는 것처럼 들리지만 코파일럿의 자연스러운 응답은 통계적 모방을 가릴 뿐입니다.

00:01:55.180 --> 00:02:02.160
질문을 던져도 모델은 사실관계를 검증하지 않습니다. 단지 패턴, 가능성 있는 조인, 그럴듯한 컬럼, 읽기 좋은 텍스트를 검색할 뿐입니다.

00:02:02.160 --> 00:02:09.300
엄격한 데이터 개보나 시멘틱 거버넌스가 없다면 추론할 수 없는 부분은 스스로 지어냅니다. 결국 무대 장치만 갖춘 당신의 스키마일 뿐입니다.

00:02:09.500 --> 00:02:22.840
패브릭은 이런 착각을 심화시킵니다. 패브릭 위 데이터 에이전트는 메타 데이터를 통해 문맥을 전달함으로 관계의 공백, 누락된 외래키, 태그되지 않은 차원, 모호한 측정 지표명은 필수 조건이 아닌 선택적 힌트로 지급됩니다.

00:02:23.060 --> 00:02:28.920
모델은 논리가 아닌 패턴 환성으로 그 빈틈을 채워넣습니다. 지역과 날짜별로 매출을 결합하라는 의미였나요?

00:02:28.920 --> 00:02:35.440
지리적인 느낌이 나는 무엇이든 매출과 결합해버릴지도 모릅니다. 그러면 생성된 sql은 그 엉터리 명령에 순순히 응하게 되죠.

00:02:35.620 --> 00:02:40.920
사용자는 인터페이스가 요청구문을 민주화 해주기 때문에 속아 넘어갑니다. 문장을 입력하면 결과물이 시각화되어 돌아오니까요.

00:02:41.060 --> 00:02:47.400
사용자는 이해했을 거라 생각하지만 모델은 통계적인 안개 속에서 작동합니다. 제약을 적게 정의할수록 그 거짓말은 더 친절하게 들립니다.

00:02:47.620 --> 00:02:51.100
가장 중요한 인식의 전환은 이것입니다. 코파일럿은 예언자가 아닙니다.

00:02:51.300 --> 00:02:55.180
인식론도 진실에 대한 개념도 없으며 오직 메타 데이터로 만든 거울일 뿐입니다.

00:02:55.180 --> 00:03:01.180
데이터 모델을 언어적 확률 공간으로 변환할 뿐입니다. 구조적인 모든 결함이 의미론적 환각이 됩니다.

00:03:01.460 --> 00:03:06.060
스키마가 일관되지 않은 곳에서 ai는 존재하지 않는 일관성을 환각해냅니다.

00:03:06.300 --> 00:03:13.220
그리고 비극은 예견된 수순입니다. 경영진은 마이크로소프트 패브릭에서 나왔다는 이유만으로 검증되었다고 느끼는 허구에 근거해 결정을 내립니다.

00:03:13.460 --> 00:03:18.840
일관성 없는 변환으로 골드계층이 흔들리면 코파일럿은 그 흔들림을 확신에 찬 이야기로 부풀립니다.

00:03:18.840 --> 00:03:27.180
모델의 유창함은 파이프라인의 부패를 감춥니다. 코파일럿을 반사 엔진으로 생각하십시오. 그 지능은 스키마의 품질에서 시작해 품질에서 끝납니다.

00:03:27.400 --> 00:03:33.060
조인이 엉망이거나 개보가 끊겼거나 의미론이 불분명하면 불확실성을 확실성으로 반사합니다.

00:03:33.300 --> 00:03:41.980
그래서 해결책은 프롬프트 엔지니어링이 아니라 아키텍처 위생에서 시작되어야 합니다. 코파일럿 이 아키텍처만큼만 진실하다면 어디서부터 부패가 시작되는지 해부해봅시다.

00:03:41.980 --> 00:03:48.300
메달리온 신화. 브론즈가 골드를 오염시킬 때 모든 데이터 엔지니어는 메달리온 아키텍처를 경전처럼 읍졸입니다.

00:03:48.480 --> 00:03:53.980
브론즈, 실버, 골드, 원시, 정제, 신뢰. 이론적으로는 혼돈에서 명료함으로 나아가는 여정이죠.

00:03:54.700 --> 00:03:58.960
각 계층이 모호함을 닦아내 어 데이터가 진실의 후광을 얻을 때까지요.

00:03:59.260 --> 00:04:06.620
실제로는 많은 이들이 브론즈에서 골드로 정제 과정 없이 원시적인 불일치를 급행으로 실어나르는 놀이공원 미끄럼틀을 만듭니다.

00:04:06.780 --> 00:04:10.460
가장 밑바닥부터 시작해보죠. 브론즈는 데이터를 내려놓는 착륙지점입니다.

00:04:10.460 --> 00:04:14.120
파켓 파일, csv, iot 수집 등 우리 조직의 화석기록과 같습니다.

00:04:14.380 --> 00:04:17.340
보기 좋을 필요는 없습니다. 그저 온전히 기록하기만 하면 됩니다.

00:04:17.640 --> 00:04:20.940
하지만 사람들은 브론즈가 격리구역 이지 활성성분이 아니라는 사실을 잊곤 합니다.

00:04:21.140 --> 00:04:28.120
게으른 지름길, 직접 커리, 혹은 변환로직 누락으로 인해 원시적 인후물이 위로 스며들면 코파일럿에게 가공되지 않은 소음을 맥락으로 제공하는 셈입니다.

00:04:28.320 --> 00:04:31.300
네, 환각을 일으킬 겁니다. 그럴만한 이유가 충분하죠.

00:04:31.500 --> 00:04:33.720
꿈일기를 건네주고는 감사를 해달라고 했으니까요.

00:04:33.880 --> 00:04:36.020
실버는 그 슬러지를 정제하기 위한 계층입니다.

00:04:36.020 --> 00:04:42.120
이곳에서 중복은 사라지고, 스키마는 정렬되고, 데이터 타입이 일치하며, 유니버설 키가 비로소 고객이 무엇인지 정의합니다.

00:04:42.280 --> 00:04:46.160
하지만 대부분의 패브릭 설정을 보면 실버는 성의 없는 변명에 가깝습니다.

00:04:46.320 --> 00:04:49.800
빠른 조인, 취약한 조회, 문서화되지 않은 변환들 뿐이죠.

00:04:49.960 --> 00:04:51.360
핑계는 항상 똑같습니다.

00:04:51.560 --> 00:04:55.520
골드에서 고치면 돼. 그건 사전을 뒤늦게 출판해서 문법을 고치려는 것과 같습니다.

00:04:55.840 --> 00:04:58.480
골드 계층에 도달할 때 쯤이면 신뢰라는 착각이 생겨납니다.

00:04:58.720 --> 00:05:00.600
골드에 있는 모든 것은 분석적으로 보이죠.

00:05:00.600 --> 00:05:04.280
깔끔한 테이블, 비즈니스 친화적 인 이름, 자신감이 넘치는 대시보드들까지요.

00:05:04.400 --> 00:05:10.680
하지만 그 이면에는 맞지 않는 변환, 동기화되지 않은 타임스탬프, 브론즈까지 거슬러 올라가는 아이디 충돌이 쌓여 있습니다.

00:05:10.940 --> 00:05:13.860
패브릭의 메타 데이터는 그러한 관계를 자동으로 추적합니다.

00:05:14.080 --> 00:05:17.420
코파일럿이 자연어를 해석할 때 어떤 관계를 위존하는지 아시나요?

00:05:17.640 --> 00:05:18.380
전부 다입니다.

00:05:18.660 --> 00:05:21.320
따라서 계보가 거짓 이면 모델은 기만을 상속받게 됩니다.

00:05:21.600 --> 00:05:22.980
실제 사례를 하나 들어보죠.

00:05:23.140 --> 00:05:25.580
두 개의 예약 시스템에서 들어오는 트랜잭션 데이터가 있습니다.

00:05:25.580 --> 00:05:28.540
둘 다 브론즈 계층으로 유입되는데 키 형식이 약간 다릅니다.

00:05:28.720 --> 00:05:31.800
하나는 숫자형 여행 아이디를 쓰고 다른 하나는 문자가 섞여 있죠.

00:05:32.020 --> 00:05:36.320
실버 계층에서 누군가 표준화를 위해 잘라낸 하위 문자열로 이너조인을 수행해 병합했습니다.

00:05:36.640 --> 00:05:38.540
기술적으로는 데이터를 통합한 셈이죠.

00:05:38.780 --> 00:05:41.640
하지만 의미론적으로는 유령 같은 일치 항목을 만들어낸 것입니다.

00:05:41.840 --> 00:05:46.820
이제 코파일럿은 완전히 다른 맥락의 트랜잭션을 포함한 평균 여행 수익을 자신있게 계산합니다.

00:05:47.060 --> 00:05:50.560
정확한 넌센스, 정확한 구문, 그러나 조작된 의미론이죠.

00:05:50.560 --> 00:05:55.100
이것이 바로 메달리온 신화, 즉 계층을 나누면 자동으로 순도가 보장된다는 생각입니다.

00:05:55.280 --> 00:05:57.640
계층은 그 안의 규율만큼만 진실할 수 있습니다.

00:05:57.880 --> 00:06:00.120
브론즈는 날 것 그대로의 엔트로피를 드러내야 합니다.

00:06:00.340 --> 00:06:02.420
실버는 오염 제거를 확실히 수행해야 합니다.

00:06:02.620 --> 00:06:05.120
골드는 인증된 비즈니스 로직을 나타내야 합니다.

00:06:05.360 --> 00:06:07.620
수동 재정에 나 임시방편은 없어야 하죠.

00:06:07.800 --> 00:06:11.260
그 연결고리가 끊기면 개선은 사라지고 제기적 오염이 그 자리를 대신합니다.

00:06:11.480 --> 00:06:13.360
물론 코파일럿은 이 중 아무것도 모릅니다.

00:06:13.600 --> 00:06:17.200
패브릭 모델이 개보라고 주장하는 것은 무엇이든 가져와 인과관계라고 가정하죠.

00:06:17.200 --> 00:06:20.600
골드의 한 컬럼이 일관성 없는 세 가지 소스의 하이브리드를 참조한다면

00:06:20.600 --> 00:06:22.680
AI는 이를 하나의 개념으로 봅니다.

00:06:22.860 --> 00:06:25.360
3월의 매출이 왜 급증했지? 라고 물어보세요.

00:06:25.600 --> 00:06:27.620
실버 계층의 경계를 설정하라고 지시하지 않았기 때문에

00:06:27.620 --> 00:06:32.480
AI는 지역, 통화, 시간대와 상관없이 3월로 표시된 모든 기록을 합산하는 SQL을 흔쾌히 생성합니다.

00:06:32.640 --> 00:06:34.440
AI는 거짓말을 하는 게 아닙니다.

00:06:34.640 --> 00:06:37.400
여러분의 집단적 태만을 유창한 허구로 번역하고 있을 뿐이죠.

00:06:37.600 --> 00:06:41.500
이것이 바로 데이터 개보가 단순한 메타 데이터가 아니라 코파일럿의 GPS인 이유입니다.

00:06:41.500 --> 00:06:46.240
각 변환, 조인, 지표 정의는 데이터의 진실로 돌아가는 빵 부스러기 길과 같습니다.

00:06:46.540 --> 00:06:48.460
패브릭은 개보를 시각적으로 추적하지만

00:06:48.460 --> 00:06:50.900
검증 없는 개보는 연필로 그린 지도와 같습니다.

00:06:51.240 --> 00:06:53.980
AI는 그 흐릿한 선들을 절대적인 진리로 읽어냈죠.

00:06:54.140 --> 00:06:55.480
그러니 검증을 강제하세요.

00:06:55.680 --> 00:06:58.380
브론즈와 실버 사이에는 자동화된 스키마 테스트를 실행하세요.

00:06:58.580 --> 00:06:59.700
아이디는 일치하는가?

00:06:59.840 --> 00:07:01.000
널값은 처리되었는가?

00:07:01.120 --> 00:07:02.500
데이터 타입은 일관적인가?

00:07:02.640 --> 00:07:04.740
실버와 골드 사이에는 조인 감사를 수행하세요.

00:07:04.940 --> 00:07:06.840
1대1 대응 기대치를 검증하십시오.

00:07:06.840 --> 00:07:10.540
집계 드리프트를 모니터링하고 컬럼 수준의 개보 연속성을 확인하세요.

00:07:10.740 --> 00:07:14.440
이것들은 관료적인 절차가 아니라 AI 정확도를 위한 생존 도구입니다.

00:07:14.620 --> 00:07:16.840
코파일럿의 커리가 검증된 계층을 통과할 때

00:07:16.840 --> 00:07:19.140
그것은 무질서가 아닌 규율을 상속받습니다.

00:07:19.380 --> 00:07:21.140
아이러니하게도 아주 흥미로운 결과죠.

00:07:21.260 --> 00:07:22.940
코파일럿으로 분석을 자동화하고 싶었겠지만

00:07:22.940 --> 00:07:25.920
그것이 의존하는 기반은 여전히 구식의 위생관리를 필요로 하니까요.

00:07:26.040 --> 00:07:28.020
쓰레기를 넣으면 방당한 쓰레기가 나옵니다.

00:07:28.240 --> 00:07:31.420
아키텍처를 도덕 철학으로 정제 과정을 제한이 아닌 위무로 여기지 않는 한

00:07:31.420 --> 00:07:33.080
진실한 AI를 가질 수는 없습니다.

00:07:33.080 --> 00:07:36.320
완벽한 계층을 갖췄더라도 코파일럿은 여전히 비틀거릴 수 있습니다.

00:07:36.460 --> 00:07:39.520
데이터의 존재를 안다고 해서 그 의미를 아는 것은 아니기 때문입니다.

00:07:39.700 --> 00:07:42.760
완벽한 파이프라인도 의미가 비어있는 모델을 만들 수 있습니다.

00:07:43.020 --> 00:07:44.940
여기서 숫자와 의미를 이어줄 누락된 번역가

00:07:44.940 --> 00:07:47.340
즉 데이터가 구축을 잊어버린 뇌인 의미계층

00:07:47.340 --> 00:07:49.080
시맨틱 레이어 이 필요합니다.

00:07:49.300 --> 00:07:52.400
사라진 뇌, 의미계층, 그리고 맥락의 결핍

00:07:52.400 --> 00:07:55.960
이 지점이 대부분의 패브릭 구현 사례에서 말 그대로 이성을 잃는 곳입니다.

00:07:56.200 --> 00:07:57.940
의미계층은 데이터 모델의 뇌이지만

00:07:57.940 --> 00:08:00.620
많은 조직이 이를 장식용 부품처럼 취급합니다.

00:08:00.800 --> 00:08:03.700
그들은 테이블이 존재하면 의미는 자동으로 따라온다고 생각합니다.

00:08:03.860 --> 00:08:04.600
틀렸습니다.

00:08:04.780 --> 00:08:06.960
테이블은 기억이고 의미로는 이해입니다.

00:08:07.160 --> 00:08:09.420
그 계층이 없다면 코파일럿은 외국 여행자가

00:08:09.420 --> 00:08:11.380
거리 표지판을 읽는 것처럼 숫자를 읽습니다.

00:08:11.580 --> 00:08:14.700
발음은 하지만 맥락은 전혀 모르는 상태로 당당하게 말이죠.

00:08:14.880 --> 00:08:16.020
제대로 정의해봅시다.

00:08:16.220 --> 00:08:18.240
패브릭 위 의미 모델은 코파일럿에게

00:08:18.240 --> 00:08:20.940
데이터의 이름뿐만 아니라 그 의미를 알려줍니다.

00:08:21.160 --> 00:08:24.440
이는 컬럼라벨을 비즈니스 로직으로 변환하는 사전입니다.

00:08:24.440 --> 00:08:27.500
매출은 환불을 제외한 판매액의 합계가 됩니다.

00:08:28.200 --> 00:08:31.320
고객은 회계 연도 기준의 고유 구매자 아이디가 됩니다.

00:08:31.620 --> 00:08:34.020
이것이 없다면 코파일럿은 이 단어들을 단지

00:08:34.020 --> 00:08:35.740
우연히 일치하는 토큰으로 취급합니다.

00:08:35.920 --> 00:08:38.120
총 매출을 물어봤는데 어느 날은 총 수입을

00:08:38.120 --> 00:08:40.200
다음 날은 숙매출을 내놓을 수도 있습니다.

00:08:40.440 --> 00:08:43.140
변덕스러운 게 아니라 언어적으로 갈 곳을 잃은 것입니다.

00:08:43.380 --> 00:08:47.000
진실은 위미 모델이 인간의 언어와 DAX 또는 SQL 로직 사이에서

00:08:47.000 --> 00:08:48.580
이중 언어 통역사 역할을 한다는 점입니다.

00:08:48.760 --> 00:08:50.260
위도와 연산을 일치시켜줍니다.

00:08:50.500 --> 00:08:52.320
그게 없으면 코파일럿은 추측해야 합니다.

00:08:52.320 --> 00:08:55.360
그리고 거대 언어 모델은 악명 높을 정도로 자신만만한 추측가입니다.

00:08:55.360 --> 00:08:57.720
그들은 정확한 결합이 아닌 확률적인 결합을 조립하며

00:08:57.720 --> 00:08:59.980
비즈니스 정의보다 컬럼 이름을 훨씬 더 신뢰합니다.

00:09:00.120 --> 00:09:02.740
어떤 모델에서는 예약, 부킹즈, 이 예약 건수를 의미합니다.

00:09:02.900 --> 00:09:04.860
다른 모델에서는 완료된 여행 횟수를 의미합니다.

00:09:05.020 --> 00:09:06.500
코파일럿에게의 둘은 동의어입니다.

00:09:06.700 --> 00:09:09.240
분기별 예약을 물어봤더니 두 가지를 모두 제공할 것입니다.

00:09:09.400 --> 00:09:10.760
효율적으로 틀린 답을 말이죠.

00:09:10.940 --> 00:09:12.200
두 아키텍처를 비교해보세요.

00:09:12.460 --> 00:09:15.100
순수한 데이터 웨어하우스에서 코파일럿은 테이블을 직접 들여다봅니다.

00:09:15.300 --> 00:09:16.940
날짜, 금액, 유형을 봅니다.

00:09:17.160 --> 00:09:19.000
그저 명사일 뿐 맥락은 제로입니다.

00:09:19.000 --> 00:09:20.500
그 다음 패턴을 맞춥니다.

00:09:20.680 --> 00:09:24.480
매출은 금액과 같고, 지역은 지리처럼 보이는 필드와 같다고 판단합니다.

00:09:24.680 --> 00:09:27.680
반면, 의미 모델에서는 그러한 필드들이 체계화되어 있습니다.

00:09:27.960 --> 00:09:32.340
매출 금액에는 범위, 통화, 집계 로직을 정의하는 DAX 측정값이 포함됩니다.

00:09:32.540 --> 00:09:34.640
지역에는 명확하게 고정된 관계가 있습니다.

00:09:34.940 --> 00:09:38.220
따라서 같은 질문을 던져도 코파일럿은 어둠 속에서 더듬거리지 않습니다.

00:09:38.400 --> 00:09:40.360
당신이 닦아놓은 밝은 길을 걸어갈 뿐입니다.

00:09:40.520 --> 00:09:43.900
태브릭 위 2025년 도구 상자는 심지어 이를 위한 강력한 무기까지 제공합니다.

00:09:43.900 --> 00:09:52.060
저지연 모델링을 위한 다이렉트 레이크, 측정 로직을 위한 DAX, 언어적 유연성을 위한 동의어, 일관성을 위한 계산 그룹이 그것입니다.

00:09:52.220 --> 00:09:54.060
동의어를 유연한 어휘로 생각하세요.

00:09:54.340 --> 00:10:00.120
사용자가 순이익, 넷 인컴이라고 말하는데 측정값은 이익, 프라핏이라면, 열 이름을 바꾸지 말고 코파일럿에게 번역을 가르치세요.

00:10:00.280 --> 00:10:05.020
계산 그룹은 문법을 강화하여 시간 인텔리전스나 통화 변환이 일관되게 적용되도록 합니다.

00:10:05.240 --> 00:10:07.740
이들이 모여 언어 모델의 근거 시스템을 형성합니다.

00:10:07.980 --> 00:10:10.040
하지만 제대로 연결하는 사람은 거의 없습니다.

00:10:10.040 --> 00:10:13.860
데이터를 패브릭에 쏟아붓고 코파일럿 위 AI가 미묘한 차이를 해석할 것이라 가정하죠.

00:10:14.000 --> 00:10:15.820
스포일러를 드리자면, 그렇지 않습니다.

00:10:16.020 --> 00:10:18.800
모델은 도덕적 확신으로 KPI를 추론하지 않습니다.

00:10:19.000 --> 00:10:20.740
메타데이터 태그를 통해 추론합니다.

00:10:20.980 --> 00:10:26.280
측정값을 레이블링하거나 관계를 설명하거나 계산 순서를 지정하지 않으면, 코파일럿은 즉흥적으로 처리합니다.

00:10:26.460 --> 00:10:30.200
즉흥 연주는 재즈클럽에서는 매력적이지만, 기업 분석에서는 재앙입니다.

00:10:30.420 --> 00:10:32.420
그렇다면 의미체계를 어떻게 강화할까요?

00:10:32.600 --> 00:10:34.500
모델 어휘를 감사하는 것부터 시작하세요.

00:10:34.500 --> 00:10:38.580
모든 측정값은 중앙에 저장되고 보편적으로 참조되는 일관된 정의가 필요합니다.

00:10:38.700 --> 00:10:41.420
보고서마다 열 이름을 바꾸고 싶은 충동을 참으세요.

00:10:41.600 --> 00:10:43.860
대신 의미계층에서 별칭을 사용하세요.

00:10:44.080 --> 00:10:49.100
연간 누계, 이동 평균, 환율 등 모든 공통 논리에 대한 계산 그룹을 만드세요.

00:10:49.300 --> 00:10:53.980
그런 다음, 코파일럿 위 자연어 엔진이 자체적 인상관관계를 만들어내지 않도록 동의어를 추가하세요.

00:10:54.180 --> 00:10:57.080
이제 의미체계와 코파일럿 위 지침 아키텍처를 연결하세요.

00:10:57.320 --> 00:11:01.280
패브릭은 데이터 소스 지침과 에이전트 지침이라는 두 가지 제어 수준을 제공합니다.

00:11:01.280 --> 00:11:05.840
데이터 소스 지침은 스키마 세부 정보, 조인, 측정값 참조, 선호하는 이름을 명확히 하고,

00:11:06.200 --> 00:11:08.760
에이전트 지침은 어조, 형식, 제약 조건을 관리합니다.

00:11:08.920 --> 00:11:12.940
이들은 의미 론적 정렬에 전적으로 의존하는 근거 프롬프트를 통해 상호작용합니다.

00:11:13.140 --> 00:11:15.140
의미 모델이 총 매출을 명확하게 정의하면,

00:11:15.560 --> 00:11:19.640
코파일럿 이 SQL을 작성할 때 데이터 소스 지침이 해당 정의를 강제할 수 있습니다.

00:11:19.880 --> 00:11:23.720
에이전트 지침은 응답이 간결하게 유지되거나, 표 형식이거나, 요약되도록 합니다.

00:11:23.940 --> 00:11:26.360
이들을 결합하면 혼란을 프로토콜로 대체하게 됩니다.

00:11:26.360 --> 00:11:29.640
위미 체계가 없으면 코파일럿의 모든 답변은 즉흥적인 것입니다.

00:11:29.780 --> 00:11:32.020
위미 체계가 있으면 각 응답은 증거가 됩니다.

00:11:32.260 --> 00:11:34.980
프롬프트를 조정하는 것이 아니라 논리를 가르치는 것입니다.

00:11:35.140 --> 00:11:37.160
코파일럿에게 일관된 사전을 제공하면,

00:11:37.360 --> 00:11:40.380
불확실성이 숨을 곳이 없어 짐으로 정확도가 급상승합니다.

00:11:40.600 --> 00:11:42.280
이제 코파일럿 이 언어를 이해했으니,

00:11:42.700 --> 00:11:45.500
정직하게 유지하는 행동규칙인 규율을 가르칠 차례입니다.

00:11:45.700 --> 00:11:48.620
기계, 데이터, 에이전트 지침을 위한 규율입니다.

00:11:48.780 --> 00:11:51.020
코파일럿 이 마침내 여러분의 어휘를 이해했더라도,

00:11:51.440 --> 00:11:52.420
여전히 예절은 필요합니다.

00:11:52.420 --> 00:11:55.620
위미 체계는 의미를 가르치고, 지침은 행동을 가르칩니다.

00:11:55.820 --> 00:11:59.960
마이크로소프트 패브릭에서는 두 개의 뚜렷한 가죽근을 통해 그러한 행동이 형성됩니다.

00:12:00.140 --> 00:12:02.200
데이터 소스 지침과 에이전트 지침입니다.

00:12:02.420 --> 00:12:05.580
하나는 개를 구조화하고, 다른 하나는 가구를 물어뜯지 않도록 훈련합니다.

00:12:05.780 --> 00:12:08.420
스키마 별명령인 데이터 소스 지침부터 시작하세요.

00:12:08.640 --> 00:12:10.460
이들은 데이터와 가장 가까운 곳에 위치하며,

00:12:10.560 --> 00:12:12.920
코파일럿에게 모델을 해석하는 방법을 정확히 알려줍니다.

00:12:13.100 --> 00:12:15.160
앞서 언급한 날씨 조인의 혼란을 기억하시나요?

00:12:15.360 --> 00:12:17.700
데이터 소스 지침을 통해 그 문제를 해결할 수 있습니다.

00:12:22.420 --> 00:12:25.660
이는 모델의 추측을 없애고, 위무사항으로 대체합니다.

00:12:25.860 --> 00:12:30.100
패브릭은 코파일럿 E-SQL이나 DAX를 작성할 때마다 해당 선언을 읽어,

00:12:30.180 --> 00:12:32.500
모든 쿼리가 올바른 키를 통해 연결되도록 합니다.

00:12:32.680 --> 00:12:38.180
이를 엔터티 간의 연결 방식을 정의하는 관계형 헌법이자 변경 불가능한 법적 텍스트라고 생각하십시오.

00:12:38.340 --> 00:12:41.100
이러한 지침은 동의어와 측정값 정의도 처리합니다.

00:12:41.320 --> 00:12:45.820
분석가들이 총 매출, 공정 금액, 총 수입을 혼용해서 사용한다고 가정해봅시다.

00:12:46.040 --> 00:12:48.260
사람에게는 이 모든 것이 거의 같은 의미입니다.

00:12:48.440 --> 00:12:51.540
코파일럿에게는 이들이 관심을 끌기 위해 경쟁하는 서로 다른 변수일 뿐입니다.

00:12:52.420 --> 00:12:53.920
이를 정렬할 수 있습니다.

00:12:54.100 --> 00:12:57.240
총 매출이 언급될 때마다 총 공정 금액을 사용하도록 설정합니다.

00:12:57.440 --> 00:13:01.180
이제 AI는 의미론적 도박을 멈추고 일관된 답변을 내놓기 시작합니다.

00:13:01.380 --> 00:13:04.500
범주형 분석을 위한 버킷팅 로직도 정의할 수 있습니다.

00:13:04.780 --> 00:13:08.480
사용자가 온도별 매출을 질문할 때 미리 범위를 지정할 수 있습니다.

00:13:08.760 --> 00:13:14.720
32도 미만은 결빙, 53도까지는 추움, 53도에서 72도는 온화함 등으로 설정합니다.

00:13:14.980 --> 00:13:20.300
그렇지 않으면 코파일럿은 무수한 숫자 값을 반환하여 사용자를 세부적인 정보에 늪해 빠뜨리게 됩니다.

00:13:20.300 --> 00:13:25.580
이러한 버킷을 지침해 직접 포함하면 예측 가능한 집계와 재현 가능한 로직이 생성됩니다.

00:13:25.760 --> 00:13:29.820
여기서 진정으로 하는 일은 잠재적인 메타 데이터를 명시적인 규칙으로 변환하는 것입니다.

00:13:30.020 --> 00:13:34.860
패브릭 위 데이터 에이전트는 커리를 구성하기 전에 이를 전달하며 이를 변경 불가능한 절대 진리로 취급합니다.

00:13:35.040 --> 00:13:40.580
이러한 지침이 누락되면 이전 커리에서 왜곡된 결과가 나오거나 잘못된 질문에 대해 완벽하게 유효한 SQL이 생성됩니다.

00:13:40.580 --> 00:13:46.280
올바르게 작성된 데이터 지침을 사용하면 코파일럿의 커리는 언어적 확률이 아닌 비즈니스 규칙에 고정됩니다.

00:13:46.480 --> 00:13:50.860
이제 한 단계 위인 에이전트 지침, 즉 LLM 행동을 위한 예절 교육으로 넘어가겠습니다.

00:13:51.160 --> 00:13:56.700
데이터 원본 지침이 코파일럿에게 데이터의 의미를 알려준다면 에이전트 지침은 어떻게 응답해야 할지를 지시합니다.

00:13:56.920 --> 00:13:59.240
이는 표현 스타일과 분석 범위를 정의합니다.

00:13:59.480 --> 00:14:01.060
항상 간결한 표로 요약하세요.

00:14:01.260 --> 00:14:02.620
와 같이 지시할 수 있습니다.

00:14:02.880 --> 00:14:06.240
또는 여러 소스가 존재할 경우 집계전의 출처를 명확히 하세요.

00:14:06.380 --> 00:14:07.180
라고 할 수 있습니다.

00:14:07.180 --> 00:14:12.580
본질적으로 여러분은 코파일럿을 열정만 앞선 인터넷에서 규율 있는 분석가로 변모시키는 것입니다.

00:14:12.740 --> 00:14:16.200
데이터 에이전트 튜닝에서 상위 5개 행 규칙을 고려해 보십시오.

00:14:16.340 --> 00:14:21.040
수천 개의 레코드를 반환하는 대신 사용자가 요청하지 않는 한 상위 5개만 표시하세요.

00:14:21.200 --> 00:14:21.980
라고 지시합니다.

00:14:22.240 --> 00:14:27.420
AI는 간결함을 강제하여 관리자가 데이터 소설을 끝없이 스크롤하지 않도록 합니다.

00:14:27.620 --> 00:14:31.700
또 다른 유용한 지침으로 응답 상단에 항상 요약을 제공하세요.

00:14:32.000 --> 00:14:32.420
가 있습니다.

00:14:32.800 --> 00:14:34.620
이는 메타 코멘터리 역할을 합니다.

00:14:34.620 --> 00:14:41.120
코파일럿은 자신이 보여주는 내용을 설명하여 사용자가 측정 값, 조인, 필터가 기대치와 일치하는지 확인할 수 있게 합니다.

00:14:41.280 --> 00:14:45.380
이는 보이지 않는 추론을 보이는 확신으로 바꾸며 신뢰를 형성하는 데 매우 중요합니다.

00:14:45.580 --> 00:14:47.180
이 상호작용에 주목하십시오.

00:14:47.320 --> 00:14:50.940
데이터 지침은 사실을 정의하고 에이전트 지침은 목소리를 정의합니다.

00:14:51.160 --> 00:14:53.580
이 둘은 합쳐져 코파일럿 위 윤리강령을 구성합니다.

00:14:53.800 --> 00:14:57.620
데이터 에이전트는 질문에 답할 때 마다이 지침들을 결합하여 복합 프롬프트를 만듭니다.

00:14:57.800 --> 00:14:59.560
언어 모델은 마음대로 행동하지 않습니다.

00:14:59.820 --> 00:15:01.800
여러분이 설정한 규칙을 통해 스스로를 제어합니다.

00:15:01.800 --> 00:15:03.700
이제 거버넌스가 등장할 차례입니다.

00:15:03.880 --> 00:15:06.740
이러한 지침들이 제각각 흩어진 개인용 사본 속에 머물러선 안 됩니다.

00:15:07.000 --> 00:15:09.300
모든 패브릭 사용자가 취향대로 동의어를 수정한다면

00:15:09.300 --> 00:15:12.400
수개월에 걸쳐 없애려 했던 언어의 혼란을 다시 불러오는 꼴이 됩니다.

00:15:12.600 --> 00:15:15.320
분기별 검토 때마다 수익에 대한 정의는 5가지가 나오고

00:15:15.320 --> 00:15:17.100
합의는 하나도 이루어지지 않을 것입니다.

00:15:17.300 --> 00:15:20.820
지침 세트를 중앙화하고 패브릭 관리 작업 영역을 통해 개시하며

00:15:20.820 --> 00:15:24.340
동료 검토를 거쳐 검증하고 버전 관리로 보호하십시오.

00:15:24.460 --> 00:15:27.600
거버넌스 없는 유연성은 혁신을 가장한 반항일 뿐입니다.

00:15:27.600 --> 00:15:31.180
물론 이러한 규칙도 검증하지 않으면 퇴색되기 마련입니다.

00:15:31.340 --> 00:15:34.780
지침 품질을 코드 품질처럼 다루는 것이 현명한 접근 방식입니다.

00:15:34.980 --> 00:15:37.580
수정할 때마다 코파일럿 위 동작을 테스트하십시오.

00:15:37.680 --> 00:15:39.560
캐시를 삭제한 후 같은 질문을 두 번 던져

00:15:39.560 --> 00:15:41.540
동일한 SQL을 생성하는지 확인하십시오.

00:15:41.680 --> 00:15:44.560
생성된 쿼리를 검토하여 강제 조잉과 올바른 측정 값이

00:15:44.560 --> 00:15:45.900
반영되었는지 확인하십시오.

00:15:46.060 --> 00:15:48.580
출력 값이 달라진다면 지침을 다시 검토하십시오.

00:15:48.740 --> 00:15:51.220
마이크로소프트 위 엔지니어들 조차의 튜닝이 과학보다는

00:15:51.220 --> 00:15:52.440
예술에 가깝다고 인정합니다.

00:15:52.440 --> 00:15:55.060
이는 끊임없는 디버깅을 듣기 좋게 표현한 말이죠.

00:15:55.240 --> 00:15:57.240
이때 예제커리가 구원군이 되어줍니다.

00:15:57.460 --> 00:15:59.300
이는 가드레일에 대한 패브릭 위 해답으로

00:15:59.300 --> 00:16:02.460
공통적인 분석 위도에 대해 정형화된 SQL 조각을

00:16:02.460 --> 00:16:03.760
하드코딩 할 수 있게 해줍니다.

00:16:03.980 --> 00:16:05.600
온도구간 별총 수익을 구하려면

00:16:05.600 --> 00:16:07.120
항상 지리 및 날짜를 기준으로

00:16:07.120 --> 00:16:09.120
이중조인을 수행해야 한다고 가정해봅시다.

00:16:09.280 --> 00:16:11.120
이를 예제커리로 기록해두는 것입니다.

00:16:11.380 --> 00:16:12.980
사용자가 그와 유사한 질문을 하면

00:16:12.980 --> 00:16:15.120
코파일럿은 즉흥적 인생성 대신

00:16:15.120 --> 00:16:16.960
여러분의 정확한 로직을 재사용합니다.

00:16:16.960 --> 00:16:20.060
이는 미리 승인된 양식을 발행하는 것과 같은 AI 버전으로

00:16:20.060 --> 00:16:21.700
항상 올바르게 작성되며

00:16:21.700 --> 00:16:23.420
창의적인 오류를 범할 여지가 없습니다.

00:16:23.720 --> 00:16:26.080
시간이 지나면 이러한 예제커리 라이브러리를 구축하여

00:16:26.080 --> 00:16:27.580
코파일럿을 일반 사용자에서

00:16:27.580 --> 00:16:29.460
도메인 전문가로 탈바꿈시킬 수 있습니다.

00:16:29.680 --> 00:16:31.440
이를 근육기억처럼 생각하십시오.

00:16:31.600 --> 00:16:33.220
AI는 자유로운 발상이 아니라

00:16:33.220 --> 00:16:36.380
반복과 제약을 통해 무엇이 옳은지 점진적으로 학습합니다.

00:16:36.620 --> 00:16:37.960
하지만 아무리 뛰어난 지침도

00:16:37.960 --> 00:16:39.780
아키텍처의 결함을 보완할 수는 없습니다.

00:16:40.080 --> 00:16:41.700
데이터 파이프라인이 일관되지 않은

00:16:41.700 --> 00:16:44.340
메달리온 계층이나 누락된 시멘틱 때문에 흔들린다면

00:16:44.340 --> 00:16:47.900
모든 가드레일은 가라앉는 배 위에서 하는 엄숙한 연설에 불과합니다.

00:16:48.060 --> 00:16:50.960
지침은 언어를 제어할 뿐 진실을 지어낼 수는 없습니다.

00:16:51.260 --> 00:16:53.280
그렇기에 튜닝은 폐수형 루프가 됩니다.

00:16:53.580 --> 00:16:57.500
아키텍처는 신뢰성을, 시멘틱은 의미를, 지침은 복종을 정의합니다.

00:16:57.700 --> 00:16:59.540
실용적인 워크플로우는 이렇습니다.

00:16:59.760 --> 00:17:01.260
깔끔한 메달리온 계층을 구축하고

00:17:01.260 --> 00:17:02.980
정밀한 시멘틱 모델을 정의하며

00:17:02.980 --> 00:17:05.300
그러한 정의를 데이터 소스 지침에 인코딩하고

00:17:05.300 --> 00:17:07.860
에이전트 지침을 통해 코파일럿 위 성향을 조정하고

00:17:11.700 --> 00:17:13.800
경영진의 분노 섞인 이메일을 피하게 해줍니다.

00:17:14.000 --> 00:17:15.720
그러니, 네, 규율이 중요합니다.

00:17:15.920 --> 00:17:18.500
그것은 화려하지도 AI 마법 같은 것도 아닙니다.

00:17:18.680 --> 00:17:21.660
그저 규칙 준수, 캐시 삭제, 일관성 테스트,

00:17:21.980 --> 00:17:25.520
그리고 AI가 여전히 총 매출을 총 운임 더하기 환불 더하기 기적이라고

00:17:25.520 --> 00:17:27.760
주장할 때 겪는 자존감 확인 작업일 뿐입니다.

00:17:27.940 --> 00:17:29.300
하지만 일단 규율이 정착되면

00:17:29.300 --> 00:17:31.560
코파일럿은 놀라울 정도로 신뢰할 수 있게 됩니다.

00:17:31.800 --> 00:17:33.980
환각현상은 줄어들고 조인은 제대로 작동하며

00:17:33.980 --> 00:17:36.220
데시보드는 더 이상 여러분을 현혹하지 않을 것입니다.

00:17:36.220 --> 00:17:38.080
패브릭 내부의 규칙을 수정할 수는 있지만

00:17:38.080 --> 00:17:41.100
코파일럿 위 정직성은 여전히 패브릭을 넘어선 아키텍처,

00:17:41.400 --> 00:17:43.100
즉 데이터 자산 전체의 진실을 관리하는

00:17:43.100 --> 00:17:44.700
체계적인 거버넌스에 달려있습니다.

00:17:44.840 --> 00:17:47.020
바로 그 점이 우리가 다음에 살펴볼 내용입니다.

00:17:47.180 --> 00:17:49.820
체계적인 해결책, 검증 가능한 진실을 위한 구축입니다.

00:17:50.020 --> 00:17:51.100
한 걸음 물러나 보겠습니다.

00:17:51.440 --> 00:17:52.580
모든 튜닝과 동의어 설정,

00:17:52.900 --> 00:17:55.500
AI 수능 훈련 후에도 변하지 않는 잔혹한 사실이 하나 있습니다.

00:17:55.740 --> 00:17:58.780
코파일럿 위 진실은 여러분 생태계의 무결성에 달려있다는 점입니다.

00:17:58.960 --> 00:18:01.120
훈련하고 꾸짖고 명확한 지침으로 보상할 수는 있지만

00:18:01.120 --> 00:18:02.900
패브릭을 둘러싼 아키텍처에서

00:18:02.900 --> 00:18:06.200
데이터 부패가 스며든다 면 AI는 여전히 정중하게 거짓말을 할 것입니다.

00:18:06.320 --> 00:18:09.520
필요한 것은 체계적인 치료법, 거버넌스, 계보 강화,

00:18:09.780 --> 00:18:13.100
그리고 거짓말을 물리적으로 불가능하게 만드는 아키텍처 적 규율입니다.

00:18:13.260 --> 00:18:16.080
아키텍처 수준에서 패브릭은 그 위와 아래의 모든 요소가

00:18:16.080 --> 00:18:19.580
데이터 위생이라는 동일한 도덕적 나침반을 공유할 때만 성공할 수 있습니다.

00:18:19.820 --> 00:18:21.360
그 시작은 스키마 강화입니다.

00:18:21.620 --> 00:18:24.680
레이크하우스와 웨어하우스의 모든 데이터 세트에는 정의된 키,

00:18:24.980 --> 00:18:26.640
데이터 유형, 관계가 필요합니다.

00:18:26.640 --> 00:18:29.980
엔티티가 어떻게 맞물리는지 설명하는 변경 불가능한 계약이죠.

00:18:30.140 --> 00:18:33.480
한 테이블의 드리프트가 골드 레이어로 조용히 번져나가서는 안됩니다.

00:18:33.660 --> 00:18:36.200
대신 스키마 강화가 코드 린터처럼 이를 포착하여

00:18:36.200 --> 00:18:38.400
정의가 일치할 때까지 수집을 중단시킵니다.

00:18:38.580 --> 00:18:40.240
실제로 이는 개발을 늦추는 것이 아니라

00:18:40.240 --> 00:18:44.280
코파일럿 위 답변으로 전의되기 전에 보이지 않는 데이터 부패를 방지합니다.

00:18:44.480 --> 00:18:46.640
다음으로 시멘틱 버전 관리를 도입하십시오.

00:18:46.780 --> 00:18:48.900
데이터 모델을 소프트웨어처럼 다루는 것입니다.

00:18:49.140 --> 00:18:52.780
정의를 수정하거나 열 이름을 변경하거나 측정 수식을 바꾸거나

00:18:52.780 --> 00:18:55.340
관계를 조정할 때 마다 버전을 높이십시오.

00:18:55.440 --> 00:18:58.820
패브릭은 수익은 총액에서 할인을 뺀 것이라는 정의가

00:18:58.820 --> 00:19:03.300
수익은 세후 순액으로 바뀌는 철학적 영향을 자동으로 인식하지 못합니다.

00:19:03.520 --> 00:19:04.800
인간이 해야 할 일입니다.

00:19:05.020 --> 00:19:06.640
버전 관리는 계보 기록을 보존하여

00:19:06.640 --> 00:19:10.080
어떤 코파일럿 답변이 구식 시멘틱에 의존했는지 추적할 수 있게 합니다.

00:19:10.300 --> 00:19:13.540
그렇지 않으면 거짓 정보가 언제 유통되기 시작했는지 절대 감사할 수 없습니다.

00:19:13.840 --> 00:19:15.980
이제 강제 적용 사항을 문서화와 연계하십시오.

00:19:16.120 --> 00:19:19.380
마이크로소프트 퍼뷰나 온레이크 데이터 카탈로그는 단순히 장식용이 아닙니다.

00:19:19.380 --> 00:19:22.380
이는 스키마 기억 상실을 방지하는 조직의 기억 장치입니다.

00:19:22.540 --> 00:19:24.540
이러한 카탈로그에 인증된 데이터 세트만이

00:19:24.540 --> 00:19:27.600
코파일럿과 파워비아이를 위한 유일한 허용 소스로 작동합니다.

00:19:27.780 --> 00:19:31.540
이를 공증된 엔티티, 즉 진실을 법적으로 보장하는 표현으로 생각하십시오.

00:19:31.680 --> 00:19:34.900
데이터 세트가 인증되지 않았다면 코파일럿은 이를 건드려서는 안 됩니다.

00:19:35.120 --> 00:19:37.720
퍼뷰의 메타 데이터를 패브릭의 데이터 에이전트와 통합하면

00:19:37.720 --> 00:19:41.140
모든 AI 기반 커리가 검증 가능한 출처를 인용하도록 보장할 수 있습니다.

00:19:41.380 --> 00:19:45.520
누군가 이 숫자는 어디서 왔나요? 라고 물을 때 실제로 답변할 수 있게 됩니다.

00:19:45.520 --> 00:19:50.040
시스템 전반의 컨텍스트 연속성을 위해 미러링과 디지털 트윈 모델링을 활성화하십시오.

00:19:50.160 --> 00:19:54.400
미러링은 SQL 서버, 코스모스 DB, 포스트그레스 QL과 같은 외부 소스를

00:19:54.400 --> 00:19:57.400
실시간으로 패브릭에 복제하여 스키마와 최신성을 보존합니다.

00:19:57.600 --> 00:20:00.620
이는 데이터 지연과 불일치에 대한 패브릭의 면역체계입니다.

00:20:00.860 --> 00:20:04.260
새로 도입된 디지털 트윈 모델링은 이를 한층 더 발전시킵니다.

00:20:04.440 --> 00:20:08.520
물리적 환경이나 비즈니스 환경에 실제 디지털 대응물을 구성합니다.

00:20:08.520 --> 00:20:15.200
코파일럿은 이러한 트윈을 커리하여 공장 생산량이 운송 지연에 미치는 영향과 같은 관계를 파악할 수 있습니다.

00:20:15.440 --> 00:20:19.140
이를 통해 추론의 근거를 구식이 아닌 동기화된 현실에 둘 수 있습니다.

00:20:19.420 --> 00:20:22.380
하지만 아무리 뛰어난 아키텍처라도 시간이 지나면 표류하기 마련입니다.

00:20:22.560 --> 00:20:25.540
그렇기 때문에 AI 위 출력값이 진실의 원천과 일치하는지 확인하는

00:20:25.540 --> 00:20:28.300
정기적인 진실성 감사, 트루스 오디트를 수행해야 합니다.

00:20:28.480 --> 00:20:33.520
대표적인 커리를 선택하여 수동으로 또는 저장된 SQL을 통해 다시 실행하고 결과를 비교합니다.

00:20:33.520 --> 00:20:39.580
차이가 발생하면 아키텍처의 엔트로피, 손상된 연결, 측정값의 변동 또는 만료된 계보를 나타냅니다.

00:20:39.780 --> 00:20:42.780
이것을 코파일럿에 대한 거짓말 탐지기 테스트라고 생각하십시오.

00:20:42.920 --> 00:20:48.420
분기별로 수행하면 불신이 이 사회에서의 당혹감으로 커지기 전에 명령세트와 위미체계를 재조정할 수 있습니다.

00:20:48.680 --> 00:20:55.100
중요한 점은 BI, 코파일럿, 패브릭 작업 영역 등 분석 스택의 모든 계층이 단일 위미 원본에서 데이터를 가져와야 한다는 것입니다.

00:20:55.320 --> 00:20:56.780
쉐도 데이터 세트는 적입니다.

00:20:57.080 --> 00:21:02.160
위협적인 부서가 더 빠르게 움직이기 위해 모델을 복제할 때마다 또 다른 진실의 방원이 생성됩니다.

00:21:02.160 --> 00:21:08.220
갑자기 파워 BI, 코파일럿, 엑셀 코파일럿 이 동일한 수익 수치에 대해 서로 조금씩 다른 언어로 이야기하게 됩니다.

00:21:08.420 --> 00:21:16.520
해결책은 단일 모델로 위미체계를 중앙 집중화하고 다운스트림 소비자에게는 읽기 전용으로 노출하며 데이터 세트 인증에 정책 준수를 고정하는 것입니다.

00:21:16.700 --> 00:21:21.160
영업팀의 존이 가 맞춤형 지표를 원한다면 사이드 채널이 아닌 거버넌스를 통해 협상해야 합니다.

00:21:21.360 --> 00:21:23.240
마지막으로 학습 루프를 닫으십시오.

00:21:23.380 --> 00:21:28.180
거버넌스는 정적인 서류 작업이 아니라 인간 분석가와 AI 에이전트 간의 지속적인 대화입니다.

00:21:28.180 --> 00:21:33.860
인간이 조정하고 코파일럿 이 실행하고 인간이 검증하며 코파일럿은 업데이트된 컨텍스트를 통해 개선됩니다.

00:21:34.000 --> 00:21:37.520
각 반복 과정을 통해 시스템은 진실된 실행이 무엇인지 학습합니다.

00:21:37.740 --> 00:21:41.900
시간이 지남에 따라 이 피드백은 보이지 않는 인프라, 즉 정확성의 발판이 됩니다.

00:21:42.180 --> 00:21:44.880
이러한 성숙도에 도달하면 놀라운 일이 벌어집니다.

00:21:45.040 --> 00:21:51.400
코파일럿은 예측 불가능한 오라클처럼 느껴지는 대신 빠르고 일관되며 정책을 준수하는 주니어 분석가처럼 행동하기 시작합니다.

00:21:51.400 --> 00:21:57.900
환각 현상은 AI가 갑자기 정직해졌기 때문이 아니라 부정직함이 더 이상 구조에 맞지 않기 때문에 사라집니다.

00:21:58.040 --> 00:22:03.180
진실이 가장 저항이 적은 길이 되었으므로 시스템적 해결책은 화려함이 아니라 거버넌스입니다.

00:22:03.420 --> 00:22:07.900
스키마 적용은 뼈대를 곧게 유지하고, 의미론적 버전 관리는 기록을 기억하며,

00:22:08.360 --> 00:22:12.700
퍼뷰 인증은 무결성을 보호하고, 단일 소스 의미 체계는 일관성을 유지합니다.

00:22:12.920 --> 00:22:17.580
미러링은 현실과 투영을 연결하고, 진실성 감사는 둘 다 동기화된 상태로 유지합니다.

00:22:17.580 --> 00:22:21.360
그 사이에서 코파일럿은 꾸며 낼 필요 없이 단순히 보고만 하면 됩니다.

00:22:21.560 --> 00:22:25.680
구조적으로 진실을 강제했다면 인사이트를 자동화할 권리를 얻은 것이며,

00:22:25.720 --> 00:22:30.160
이는 설득이 아닌 설계에 의해 기계가 진실을 말하도록 가르치는 마지막 교훈으로 이어집니다.

00:22:30.320 --> 00:22:35.700
코파일럿에게 진실을 말하도록 가르치기, 코파일럿은 신뢰할 수 없는 것이 아니라 순종적이었던 것입니다.

00:22:35.900 --> 00:22:38.740
당신이 코딩한 그 어떤 혼란 애도 충실하게 답변했습니다.

00:22:39.040 --> 00:22:45.500
그 요리는 아키텍처, 일관된 의미 체계, 명시적인 지침을 제공하면 도덕성이 아닌 필연성에 의해 환각을 멈추게 됩니다.

00:22:45.500 --> 00:22:47.060
변치 않는 공식이 있습니다.

00:22:47.060 --> 00:22:52.680
깔끔한 메달리온 레이어와 시멘틱 규율, 그리고 통제된 지침이 더해지면 검증 가능한 AI 위 진실이 완성됩니다.

00:22:52.820 --> 00:22:57.060
원천 데이터의 모호함을 제거하고, 의미를 정확히 문서화하며, 출력을 주기적으로 테스트하세요.

00:22:57.260 --> 00:23:00.240
그러면 코파일럿은 사실 만을 비추는 깨끗한 거울이 될 것입니다.

00:23:00.400 --> 00:23:04.660
귀하의 패브릭 에스테이트에서 여전히 모순된 정보가 들린다면, 지금이 바로 감사를 시작해야 할 때입니다.

00:23:04.840 --> 00:23:10.040
스키마 계약을 강화하고, 데이터 세트를 인증하며, 시멘틱을 버전 관리하고, 분기별 진실성 감사를 수행하십시오.

00:23:10.040 --> 00:23:14.280
그러면 코파일럿이 자신감 넘치는 즉흥 연기자에서 계산 가능한 동료로 변호하는 모습을 확인하실 수 있습니다.

00:23:14.440 --> 00:23:16.500
정확성은 마법이 아니라 관리의 결과입니다.

00:23:16.720 --> 00:23:19.900
거짓이 물리적으로 통과할 수 없을 만큼 견고한 구조를 구축하십시오.

00:23:20.040 --> 00:23:23.800
그렇게 하면 앞으로의 모든 프롬프트는 이야기가 아닌 명확한 사실을 도출할 것입니다.

00:23:23.800 --> 00:23:29.040
이 영상으로 시간을 절약했거나 잠재적인 곤란을 피했다면, M365쇼를 구독하여 보답해주세요.

00:23:29.200 --> 00:23:32.440
저희는 마이크로소프트 AI를 실제로 신뢰할 수 있게 만드는데 특화되어 있습니다.

00:23:32.680 --> 00:23:35.720
다음 튜토리얼에서는 코파일럿 정확성 엔지니어링을 더 깊이 다룰 예정입니다.

00:23:35.860 --> 00:23:37.500
효율성은 규율을 지키는 자이건입니다.

00:23:37.680 --> 00:23:38.500
계속 지켜봐주세요.
