AWS가 Snowflake의 시맨틱 뷰(Semantic View)와 Amazon QuickSight를 연동하는 통합 아키텍처를 공개했다. 이 통합은 AI 챗 에이전트와 BI 대시보드가 서로 다른 수치를 보여주는 이른바 ‘라스트 마일 갭(last-mile gap)’ 문제를 해결하는 데 초점을 맞춘다. 현재 많은 기업에서 각 애플리케이션이 비즈니스 로직을 개별적으로 보유해, 같은 영화 조회수를 묻는 질문에 대시보드와 AI 에이전트가 제각각 다른 값을 반환하는 상황이 빈번하게 발생하고 있다.
핵심은 Snowflake의 시맨틱 뷰를 공통 정의 레이어로 활용하는 방식이다. 시맨틱 뷰는 테이블·관계·지표·차원 등의 비즈니스 정의를 데이터 레이어에 직접 부착하는 Snowflake 스키마 오브젝트로, SQL·BI·AI 엔드포인트 모두가 동일한 정의를 상속한다. AWS의 시연 사례에서는 영화 리뷰 데이터를 Amazon S3에서 Snowflake로 적재한 뒤 시맨틱 뷰를 정의하고, Snowflake Cortex Analyst의 자연어 질의와 QuickSight 대시보드가 동일한 결과를 반환하는 것을 확인했다. 이를 통해 AI 환각(hallucination) 리스크도 줄어드는 효과가 있다고 AWS는 밝혔다.
통합 구현은 크게 다섯 단계로 진행된다. 먼저 Snowflake 환경에 노트북을 임포트해 데이터를 적재하고 시맨틱 뷰를 정의한다. 이어 Cortex Analyst로 자연어 질의를 검증한 뒤, 제공된 Python 패키지 또는 AWS CloudShell에서 스크립트를 실행해 QuickSight 데이터셋을 자동 생성한다. 마지막으로 QuickSight에서 동일한 자연어 질문으로 시각화를 생성하고, Cortex Analyst 결과와 수치가 일치하는지 교차 검증한다. 전체 실습에 소요되는 시간은 60~90분, AWS와 Snowflake 합산 예상 비용은 10달러 미만이라고 AWS는 안내했다.
이 구조의 장점은 시맨틱 모델을 개별 AI·BI 레이어가 아닌 핵심 데이터 플랫폼에 위치시킨다는 점이다. Snowflake 시맨틱 뷰는 오브젝트 수준 접근 제어를 지원하므로, SQL·BI·AI 엔드포인트 전반에 걸쳐 승인된 거버넌스를 적용할 수 있다. Snowflake는 또한 AI 시맨틱 데이터의 벤더 중립적 표준을 지향하는 OSI(Open Semantic Interchange) 이니셔티브를 추진 중이며, QuickSight 데이터스토리·가상 시나리오 분석 등 고급 기능과의 연동도 향후 확장 방향으로 제시됐다.
