Hologres, 에이전틱 멀티모달 검색 분석 플랫폼

개요: Hologres는 처음에 OLAP 분석과 온라인 Serving을 겨냥해 일체형 실시간 데이터 웨어하우스 엔진으로 자리매김했다. 멀티모달 수요가 증가하면서 전문 검색과 벡터 검색이 역량 범위에 포함되었고, Agent 시대에 이르러 한 걸음 더 나아가 Agent와 모델에 필요한 데이터 인프라가 되었다. 현재의 역량은 두 계층으로 나눌 수 있다. 첫 번째 계층은 구조화·반구조화·비구조화 데이터를 대상으로 OLAP, KV, 벡터, 전문 검색, 그래프, 공간 지리 등의 쿼리와 검색을 아우르는 전(全)모달 실시간 데이터 웨어하우스 엔진이고, 두 번째 계층은 장기 기억 서비스와 관측 가능 데이터 기반을 포함한 Agent 및 모델 인프라다.

이러한 포지셔닝을 중심으로 Hologres의 AI 역량은 세 방향으로 전개된다. Object Table, Dynamic Table, AI Function을 통해 멀티모달 데이터를 처리하고, AI 어시스턴트를 통해 데이터 웨어하우스 개발과 운영·유지보수의 진입 장벽을 낮추며, 다시 장기 기억 서비스를 통해 Agent의 세션 간 기억을 지원한다. 아래에서는 이 세 가지 주선(主線)을 차례로 펼쳐 본다.

실시간 데이터 웨어하우스에서 AI 데이터 기반으로: 먼저 멀티모달 데이터를 하나의 체계에 담기

멀티모달을 하려면 첫 단계는 서로 다른 모달의 데이터를 읽을 수 있도록 지원하는 것이다. Hologres의 방식은 세 가지 유형의 데이터 소스를 연결하는 것이다. 구조화·반구조화 데이터는 Hologres 내부에 직접 저장할 수 있고, 텍스트·벡터·JSON 등 검색을 겨냥한 데이터 역시 네이티브로 지원한다. MaxCompute, Paimon, Iceberg 등 레이크 또는 오프라인 데이터 웨어하우스에 있는 데이터는 외부 접근 방식으로 연결한다. 이미지, PDF, PPT, 동영상 등 OSS에 저장된 비구조화 데이터는 Object Table과 파일 디렉터리로 매핑을 구성한다. 원래 내부 테이블, 데이터 레이크, 객체 스토리지에 흩어져 있던 데이터가 이로써 동일한 후속 처리 체인으로 흘러 들어온다.

데이터가 들어온 뒤 가공과 계산은 주로 두 컴포넌트에 의존한다. AI Function은 모델을 호출하여 파싱, 청킹, Embedding, 음성-텍스트 변환, 콘텐츠 생성 등 AI 가공을 완수하는 역할을 맡고, Dynamic Table은 증분 계산과 데이터 웨어하우스 계층화를 담당한다. 예를 들어 OSS 디렉터리에 이미지가 계속 추가될 때 Dynamic Table은 새로 추가된 부분만 처리하고 전량 계산을 반복해서 수행할 필요가 없다. 처리 결과는 계속 Hologres에 저장되어 포인트 조회, OLAP, 전문 검색, 벡터 및 하이브리드 검색 등의 방식으로 외부에 서비스를 제공한다.

AI Function: 멀티모달 가공, 모델 호출, 하이브리드 검색을 하나의 SQL 체인에 담기

AI Function의 사용 경로는 단 세 단계다. Hologres 모델 리소스를 구매하고, 콘솔에서 모델을 배포한 뒤, 표준 SQL로 호출한다. 원래 Python과 모델 호출, 그리고 여러 데이터 체인을 함께 동원해야 완수할 수 있던 작업이 이제는 SQL 개발 체계로 직접 수렴된다. 사용 비용은 시나리오와 강하게 연관된다. 텍스트 분류, 요약 등 경량 시나리오는 일평균 약 10만~50만 Token, 시맨틱 검색과 실시간 리스크 관리는 약 50만~200만 Token, 대규모 벡터화나 복잡한 생성은 약 200만~1000만 Token이다.

AI Function은 흔한 AI 데이터 처리 역량을 SQL 함수로 직접 캡슐화한다. ai_parse_document, ai_extract, ai_transcribe는 문서 파싱, 정보 추출, 음성 전사를 담당하고, ai_fix_grammar, ai_similarity, ai_analyze_sentiment, ai_classify, ai_summarize, ai_translate, ai_rank는 텍스트 교정, 유사도, 감정 분석, 분류, 요약, 번역, 정렬을 아우른다. ai_gen은 콘텐츠 생성에 쓰이고, ai_embed, ai_chunk, ai_mask는 각각 벡터화, 텍스트 청킹, 민감 정보 비식별화를 완수한다.

이로써 파일 파싱, 텍스트 처리부터 Embedding과 콘텐츠 생성까지 모두 SQL 개발 흐름에 직접 끼워 넣을 수 있고, 별도의 AI 데이터 처리 체인을 추가로 구축할 필요가 없다.

이미지 검색을 예로 들면, 이미지 파일은 먼저 OSS에 저장되고, 모델 배포가 끝난 뒤 SQL로 Object Table과 Dynamic Table을 생성하여 이미지 경로와 변환된 벡터가 테이블에 기록된다. 하위 단계에서는 텍스트로 이미지 검색, 즉 "a red car in the rain"을 입력하면 가장 근접한 이미지를 검색하는 것을 지원할 뿐 아니라 이미지로 이미지 검색도 지원한다. 과거에는 여러 시스템과 여러 데이터 체인이 있어야 완수할 수 있던 데이터 가공, 인덱스 구축, 쿼리가 이제는 SQL 체계 안에서 통일적으로 유지·관리된다. 영상 데모 >> 한 SaaS 시스템의 유사 티켓 추천 시나리오에서 티켓, 계약 등 비구조화 데이터는 먼저 ai_parse_document로 파싱되고, 이어 ai_chunk로 청킹되고 ai_embed로 벡터를 생성한 뒤, 최종적으로 벡터 검색과 전문 검색의 이중 경로 리콜·정렬을 거쳐 Top 1을 반환한다. 성능 측면에서 하이브리드 검색의 단일 동시성 평균 Latency는 72.8ms로 다른 검색 시스템 대비 40% 향상되었다. 40 동시성에서는 14만 건 평가 세트의 총 처리 시간이 1080.43초이고 평균 Latency는 불과 7.6ms이며, 쿼리 정확도는 84.46%에 달한다. 더 중요한 것은 데이터를 더 이상 다른 검색 시스템으로 내보낼 필요가 없어 데이터 동기화의 개발과 운영·유지보수가 사라졌고, 데이터 웨어하우스 팀과 알고리즘 팀이 동일한 데이터 체계에서 협업할 수 있게 되었다는 점이다.

다음으로 리테일 시나리오를 보자. 한 대형 체인 편의점은 진열대, 상품, 고객, 매장 등의 데이터에 대한 멀티모달 검색과 분석을 원하며, 그중 하나의 전형적 요구는 상품 진열 스마트 인식이다. 각 매장은 규정된 진열대 템플릿에 따라 상품을 진열해야 하고, 시스템은 매장 진열대 점검 사진과 진열대 템플릿을 비교하여 오진열, 결품 등의 이상을 인식한다.

이 배후에는 진열대 기초 데이터, 진열대 템플릿 데이터, 상품 기초 데이터 등 구조화 정보와 함께 진열대 이미지, 점검 사진, 템플릿 시뮬레이션 이미지, 상품 이미지 등 비구조화 데이터가 동시에 관련된다. 데이터가 Hologres에 연결된 뒤 진열대 템플릿은 먼저 구조화 처리를 완료하고, 이미지는 저장과 벡터화를 거친 뒤 Qwen3-VL과 결합하여 멀티모달 비교 검증을 수행하고, 최종적으로 차이 데이터 목록을 생성한다. 전체 흐름은 SQL로 두 가지 유형 데이터의 결합 검색과 분석을 완수할 수 있으며, 차이 검증 정확도는 90%를 넘는다. 고객 입장에서 이는 기존 데이터 플랫폼이 더 이상 테이블 데이터만 처리하는 것이 아니라 멀티모달 데이터 웨어하우스의 역할도 맡기 시작했음을 의미한다.

개조 후에는 Object Table이 원본 소재를 읽고, ai_gen이 신규 소재와 스토리보드 스크립트를 생성하며, 다시 비디오 모델을 호출하여 생성을 완수하고, 사람이 확인한 뒤 게재하며, 효과 데이터가 회귀 분석된다. 소재, 생성, 게재가 이로써 연결되고, 캐릭터 변형, 스토리보드, 비디오 등 자산은 초 단위 또는 분 단위 산출을 실현할 수 있으며 일괄 생성도 지원한다.

음성 시나리오는 비구조화 음성 데이터를 직접 분석하기 어렵다는 문제를 해결한다. 고객 서비스, 게임, 스마트 드라이빙, 의료, SaaS, 크로스보더 비즈니스 등의 업종은 통화, 회의, 원격 지원 녹음이 대량으로 축적되어 있는 경우가 많고, 이를 검색 가능한 데이터로 추가 전환할 필요가 있다.

Hologres는 Object Table로 OSS의 원본 음성을 읽고, 바이롄(百錬) 대형 모델을 호출하여 화자 인식, 언어 인식, ASR 전사를 완수하고, 결과를 음성 테이블에 기록하여 애플리케이션 계층이 감정 분석, 티켓 생성 등의 처리를 계속할 수 있게 한다. 원래 사람이 직접 듣고 정리해야 했던 녹음이 이로써 조회 가능하고 분석 가능한 데이터 자산으로 전환된다.

AI 어시스턴트: 데이터 웨어하우스 경험을 실행 가능한 Skills로 캡슐화하기, 단순한 질의응답이 아니라

AI Function이 "Hologres for AI"라면, AI 어시스턴트는 "AI for Hologres"에 해당한다. 그 목표는 데이터 웨어하우스의 입문, 개발, 운영·유지보수, 데이터 분석의 진입 장벽을 낮추는 것이다. 이러한 시나리오를 중심으로 시스템은 지식 질의응답, 데이터 웨어하우스 개발, 데이터 웨어하우스 운영·유지보수 등의 Agent를 제공하고, Holo Skills, 메타 창고, 지식 베이스와 결합하여 다양한 작업을 완수한다.

사용자가 AI 어시스턴트를 개통하고 대상 인스턴스를 연관시키면, 콘솔이나 HoloWeb에서 자연어로 작업을 시작할 수 있다. CPU 진단을 예로 들면, 인스턴스와 시간 범위만 선택하면 모델이 내장 Skill에 따라 단계적으로 실행한다. 데이터를 수집하고 진단 보고서를 출력하며, 보고서는 기초 정보, 인스턴스 상태 판단, 실행 가능한 제안을 포괄한다. 슬로우 Query 진단도 같은 사고방식을 따른다. 먼저 필요한 데이터를 수집한 뒤, 축적된 경험과 Skill을 결합하여 원인 분석과 튜닝 방향을 출력한다.

진단 외에도 역량은 프리세일즈 기술 방안 컨설팅, 제품 스펙 추천, 기능 문의 응대, 데이터 웨어하우스 구축, SQL 생성과 튜닝, 비용 거버넌스, 자연어 데이터 접근, 리포트 시각화, 데이터 해석 등의 작업까지 포괄한다. 핵심은 이러한 진단 흐름과 데이터 웨어하우스 경험이 범용 질의응답에만 의존하는 것이 아니라 Agent가 호출할 수 있는 단계로 조직된다는 점이다.

영상 데모 >>

내부 컴포넌트는 물론 소스 코드까지 더 깊이 들어가 문제를 위치시킬 수 있는지에 대해서는, AI를 통해 문제排查(문제 추적·진단)를 더 쉽게 만드는 것이 정해진 목표이지만 Hologres는 클로즈드 소스 제품이라 소스 코드 수준의 정보는 보안 문제와 연관되므로 관련 역량은 점진적으로 추진될 것이다. AI 어시스턴트는 보안 경계 안에서 데이터 웨어하우스 진단의 자동화 범위를 지속적으로 확대할 것이다.

장기 기억 서비스: Agent의 상호작용 과정을 지속적으로 리콜 가능한 데이터로 바꾸기

장기 기억 서비스는 "Hologres for AI"에 해당하며, 두 가지 문제를 해결하려 한다. 기기 간, 세션 간 정보 망각과, 기업 내부 경험의 공유가 어렵다는 점이다. 방식은 사람과 Agent의 상호작용에서 유효한 정보를 추출하여 검색 가능한 데이터 계층에 영속화하는 것이다. 전형적인 응용으로는 전자상거래 쇼핑 Agent, AI 학습 보조, 금융·재테크 어드바이저, 그리고 기업 내부의 협업 오피스와 AI Coding이 있다.

전체 체인은 "추출—저장—리콜—주입" 네 단계로 나뉜다. 사람과 모델의 상호작용에서 발생한 컨텍스트는 먼저 언어 모델이 기억 요점을 추출하고, 이어 Embedding 모델을 통해 벡터로 변환된다. 기억 텍스트와 기억 벡터는 함께 Hologres의 멀티모달 기억 저장소에 기록된다. 이후의 매 상호작용마다 현재 질문은 먼저 기억 저장소에서 관련 내용을 검색하고, 리콜된 기억을 이번 모델 호출에 주입하며, 세션 간 정보가 이로써 현재 작업으로 되돌아온다. 서비스 계층은 Mem0 표준 인터페이스로 역량을 외부에 제공하며, OpenClaw, Hermes, AI Coding 등 Agent 모두 접속할 수 있다. 전체 방안은 LLM, Embedder, Rerank, Hologres HGraph/벡터 엔진 등의 컴포넌트도 포함한다.

제품 특성으로 내려가면, 장기 기억 서비스는 빠른 통합, 완전 관리형, 원스톱, 높은 확장성, 고성능을 내세운다. Mem0 프레임워크와 호환되어 API로 접속할 수 있고, 서비스가 완전 관리형이라 여러 컴포넌트를 연결하는 운영·유지보수 부담이 없으며, 기억 정련과 벡터·전문 검색·그래프·스칼라 융합 검색을 지원한다. 클라우드 네이티브 분산 아키텍처에 기반하여 수백억 건 규모의 기억 데이터를 지탱할 수 있고, 기억이 실시간으로 기록되어 쓰면 바로 조회할 수 있으며, 벡터·전문 검색·그래프 검색 모두 밀리초 수준이다. 최종적으로 세 가지 목표를 지향한다. 기억의 망각 없음, Agent 공유, 무운영.

영상 데모 >> AI 학습 지원 시나리오를 예로 들면, 교사, 학생, 학부모는 서로 다른 기억 접근 요구에 대응한다. 학부모가 학생의 기초 정보와 학습 목표를 입력하고, 교사가 단어 받아쓰기, 수업 중 테스트, 가정作业(숙제) 등 단계적 피드백을 지속적으로 기록하면, 이 정보들이 실시간으로 기억으로 침전된다. 학부모가 다시 최근 학습 상태를 물으면, 모델은 과거 기억을 결합하여 성과를 요약하고 후속 행동을 제시하며, 동일한 기억 묶음을 바탕으로 학습 계획을 수립한다.

기업 내부의 AI Coding도 유사한 사고방식을 따른다. 과거에는 연구개발 과정에서 최종적으로 침전되는 것이 주로 코드였다. 그러나 Agent가 코드를 작성하는 과정에서 "왜 이렇게 작성했는지, 어떻게 한 단계씩 작성해 나갔는지"가 사람과 Agent의 상호작용 컨텍스트에 남는다. 이 부분의 기억을 추출하고 영속화하면 연구개발 과정 자체도 기업의 중요한 자산이 된다.

더 나아가 보면, 제조업 등 시나리오에서 가장 먼저 해결해야 할 것은 데이터 수집과 침전이다. 차량 인터넷을 예로 들면, 센서 신호, 주행 영상과 이미지 등의 데이터가 먼저 수집·저장된 뒤에야 모델 학습, 고장 진단 등의 작업에 사용할 수 있다. 산업 시나리오도 마찬가지로, 먼저 어떤 데이터가 가치 있는지, 어떤 하드웨어로 수집할지를 판단하고, 데이터를 지속적으로 침전시켜야 AI 강화가 발휘될 기반이 생긴다.

멀티모달 데이터 가공과 검색에서 AI 어시스턴트로, 다시 Agent 장기 기억으로, Hologres의 AI 지향 역량은 데이터 처리에서 데이터 사용과 Agent 실행까지 줄곧 확장되어 왔다. 역량은 확장되고 있지만 기반은 변하지 않았다. 최하층은 언제나 통일된 데이터 저장, 실시간 처리와 검색이며, 상층은 점점 더 많은 Agent 지향 시나리오를 담아내고 있다.

알리바바 클라우드 빅데이터 AI 기술

757

글

398k

읽음

570

팔로워