2026-02-11 NICE ZINIDATA - D.Flow Agentic AI

D.Flow Agentic AI 기술 미팅

1. 미팅 개요

항목	내용
일시	2026-02-11 10:00-11:00
장소	나이스지니데이타 (외부 미팅)
참석자	(NICE ZINIDATA) 권종일 팀장, 송하석 매니저, 김현규 매니저 / (AWS) 방지산
주제	D.Flow Agent 고도화 방향 논의

관련 자료:

고객 미팅 준비 문서: 지니데이타_AWS_미팅_내용_260211.pdf
기술 가이드: 온톨로지와 그래프DB - 기술 가이드

2. D.Flow 현황 및 목표

2.1 D.Flow란?

NICE ZINIDATA의 AI 챗봇 서비스로, 데이터 분석가들이 자연어로 데이터를 조회하고 분석할 수 있도록 지원

2.2 최종 목표

데이터 분석가가 데이터 분석을 편하게 할 수 있는 도구
SMUS(데이터 플랫폼)와의 연계
서비스에 올린 데이터가 SMUS에도 동기화

2.3 벤치마킹 레퍼런스

팀장님이 공유한 참고 서비스: Fabi.ai

사용자가 데이터를 직접 추가 가능
Python 코드 생성으로 데이터 추출 지원

3. 현재 고민 사항

3.1 LLM의 의미적 한계

"LLM이 데이터를 분석하는데 의미적으로 한계가 있지 않을까?"

테이블/컬럼 간의 관계성을 LLM이 충분히 이해하지 못함
그래프DB, 온톨로지 도입 필요성 검토 중

3.2 실 데이터 적용 미비

"내 업무에 적용해서 사용을 안해봤다"

문제	원인
임시 데이터로만 테스트	실 데이터 적용 시 보안 이슈 우려
LLM 노출 위험	민감 데이터가 외부 LLM에 전송될 수 있음

해결 방안: 나이스홀딩스 온프레미스 모델 활용

gpt-oss-120b 모델을 온프레미스에서 운영 가능

3.3 업무 자동화 니즈

현재 지니데이타 사업팀/분석 부서는 **재플린(Zeppelin)**에서 업무 진행

사전 작업 → 데이터 조회 → 분석 → 시각화
이 과정을 자동화하고 싶음
테이블과 컬럼 간의 관계를 이해하는 것이 핵심

4. 고객 요청 사항

4.1 D.Flow 개선 계획 (3월 내 적용 예정)

"AWS에서 제안한 D.Flow를 내부에 적용하는 것"

팀장님 언급: "D.Flow 앞단을 손볼 예정"

4.2 AWS에게 요청

"단계별 작업들에 대해서 정의를 같이 도와줄 수 있을까요?"

요청	세부 내용
계획 수립 지원	현재 계획이 구체적이지 않아 일부 기능만 테스트 중
노하우 적용	분석 노하우를 어떻게 D.Flow에 녹여낼 것인가
문서화	개요, 프로세스, 각 단계별 설명 정리

5. SA 가이드 (권고사항)

5.1 그래프DB 도입 시 고려사항

그래프DB를 바로 적용하기 전에 검토 필요:

고려사항	설명
경영진 의사결정 포인트 부족	어떤 문제/한계(실제 성능 지표)에 부딪쳐서 그래프DB가 필요한가?
그래프DB 필요성 검증	분석가들이 자연어 쿼리 시 복잡한 관계성 때문에 RDB JOIN 성능 이슈가 있는가?
현재 구조 개선 가능성	Prompt에 테이블/컬럼 관계성을 Context로 전달하여 Text2SQL 성능 개선 가능

5.2 권장 접근법: 점진적 도입

[현재] Text2SQL
    ↓ (1단계: 관계 메타데이터 추가)
[개선] Text2SQL + 온톨로지 Context
    ↓ (2단계: 성과 검증 후)
[고도화] 그래프DB 구축

핵심 전략:

온톨로지 정의 먼저 - 테이블/컬럼 간의 관계성을 명시적으로 정의
현재 Text2SQL에 적용 - 관계 메타데이터를 Context로 주입
성과 측정 - 개선된 쿼리 정확도, 응답 품질 확인
그래프DB 자산화 - 정의된 온톨로지가 향후 그래프DB 구축의 기반이 됨

5.3 Agent 역할 제안

"데이터 분석 전에 계획을 하는데 있어서 Agent가 팀원처럼 같이 질문을 하고, 그걸 바탕으로 계획을 함께 세우고 진행"

6. Q&A

Q1: 관계성 정의 시 PK가 필요한가요?

A: 기존 RDB의 스키마 구조는 잊고, 데이터 간의 관계성에 초점을 맞춰서 온톨로지를 정의해야 합니다. 이후 그래프DB 구축 시에는 RDB 구조가 아닌 온톨로지 중심으로 최적화된 구조를 만들어야 합니다.

Q2: 분석 결과 시각화에서 차트 타입이 고정인데, 어떻게 해야 하나요?

A: LLM이 동적으로 차트를 생성하도록 해야 합니다.

차트 타입 옵션만 제공
분석 결과를 보고 LLM이 적합한 차트 타입을 판단
자동으로 시각화 생성

7. 실제 분석 과제 사례: 독립기념관 프로젝트

지니데이타 분석가들의 실제 프로젝트 진행 방식을 이해하고, 향후 Agent에 노하우를 녹여낼 수 있는 레퍼런스

7.1 프로젝트 개요

항목	내용
발주처	NIA (가명정보활용 지원사업)
수요기관	독립기념관
공급기관	나이스지니데이타
기간	3-4개월
투입	분석가 1.5명
범위	데이터 수급 → 데이터 분석 → 결과 분석 → 천안시 결과 공유

7.2 분석 프로세스

1. 표본 추출 및 선정 기준 수립
    ↓
2. 방문객 특성 파악 (나래비 시각화)
    ↓
3. 분석 의견 작성 (시각화만으로는 다르게 해석 가능)
    ↓
4. Z-Score 등 통계 분석
    ↓
5. 결과 도출 및 제언 (예: 버스 노선 개선 방향)

7.3 주요 인사이트

방문객 특성: 중년층 중심, 키즈맘, 시니어 순
동반 형태: 자녀 동반 가구 중심 (데이터로 명확히 증명)
이동 수단: 대중교통, 자차 중심

7.4 분석 노하우

원칙	설명
기준 선 수립	분석 전 기준을 마련하고 표본 선정
시나리오 정의	분석 목적 명확화 (대중교통 활성화 vs 상권 활성화)
예측 주의	예측은 항상 조심스럽게 접근
한계 명시	전체를 대신할 수 없는 표본임을 인지

8. Action Items

우선순위	할 일	담당	마감
High	D.Flow 고도화 문서 작성 (개요, 프로세스, 단계별 설명)	AWS (방지산)	2026-02-18
High	온톨로지 기반 Text2SQL 개선 가이드 작성	AWS (방지산)	2026-02-18
Medium	SFDC Opportunity 생성 요청	Sales (moonhyeo)	-
Medium	내부 적용 계획 수립	NICE ZINIDATA	2026-03 내

9. Next Steps

AWS 제공 예정
- D.Flow 고도화 로드맵 문서
- 온톨로지 정의 → Text2SQL Context 적용 가이드
- 단계별 작업 정의서
NICE ZINIDATA 진행 예정
- D.Flow 앞단 개선 (3월 내)
- 실 데이터 적용 테스트 (온프레미스 LLM 활용)
- 분석가 노하우 정리 (독립기념관 사례 기반)

Follow-up

D.Flow 고도화 문서 작성 및 공유
SFDC Opportunity 생성 요청 (Sales: jkryu)
다음 미팅 일정 조율