<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:media="http://search.yahoo.com/mrss/"><channel><title>데이터베이스</title><link>https://cloud.google.com/blog/ko/products/databases/</link><description>데이터베이스</description><atom:link href="https://cloudblog.withgoogle.com/blog/ko/products/databases/rss/" rel="self"></atom:link><language>ko</language><lastBuildDate>Mon, 16 Nov 2026 02:07:25 +0000</lastBuildDate><image><url>https://cloud.google.com/blog/ko/products/databases/static/blog/images/google.a51985becaa6.png</url><title>데이터베이스</title><link>https://cloud.google.com/blog/ko/products/databases/</link></image><item><title>에이전트형 데이터 클라우드 커넥터로 Gemini에서 대화형 분석 활용하기</title><link>https://cloud.google.com/blog/ko/products/data-analytics/query-enterprise-data-in-gemini-with-data-cloud-connectors/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/query-enterprise-data-in-gemini-with-data-cloud-connectors?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;현재 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-data-cloud"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;프리뷰&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 버전으로 제공되는 Gemini for business의 데이터 클라우드 커넥터를 사용하면 비즈니스 사용자와 분석가가 자연어로 실시간 엔터프라이즈 데이터를 직접 쿼리할 수 있습니다. 대부분의 조직에서 데이터 관련 질문은 분석가가 처리할 수 있는 속도보다 훨씬 빠르게 늘어납니다. 이로 인해 프로젝트는 티켓 대기열에 쌓이고, 리더는 데이터 대신 추측에 의존하게 되며, 관리되지 않는 스프레드시트가 팀 전체로 확산됩니다. 초기 생성형 AI 도구는 데이터에 대한 대화형 액세스를 약속했지만, 복잡한 스키마에서 정확한 SQL을 생성하거나 거버넌스 규칙을 준수하는 데 어려움을 겪는 경우가 많았습니다. 데이터 클라우드 커넥터를 사용하면 행 및 열 수준 보안을 적용하고 최종 사용자 인증 정보를 준수하면서 작업공간에서 거버넌스가 적용된 데이터를 직접 쿼리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈 데이터를 쿼리하는 새로운 방법&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini는 두 가지 경로를 통해&lt;/span&gt;&lt;a href="https://cloud.google.com/use-cases/data-cloud-agents#conversational-analytics-agents"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;대화형 분석&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 일상적인 워크플로에 직접 통합합니다.&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/data-agents/conversational-analytics"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;대화형 분석 에이전트&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하면 특정 사용 사례에 대한 질문에 효과적으로 답변할 수 있도록 컨텍스트와 요청 사항이 포함된 데이터 에이전트를 만들 수 있으며,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;데이터 클라우드 커넥터&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하면 Gemini로 실시간 데이터를 직접 쿼리할 수 있습니다. 최종 사용자는&lt;/span&gt;&lt;a href="https://cloud.google.com/bigquery"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(프리뷰)&lt;/span&gt;&lt;a href="https://cloud.google.com/spanner"&gt;&lt;span style="vertical-align: baseline;"&gt; 그리고 &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://cloud.google.com/alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://cloud.google.com/sql"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud SQL&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(프리뷰)과 같은 운영 데이터베이스에서 직접 데이터를 가져오고&lt;/span&gt;&lt;a href="https://cloud.google.com/looker"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Looker&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(프리뷰)에서 거버넌스가 적용된 데이터를 가져올 수 있습니다. 발견 사항을 일상적인 도구로 바로 만들 수 있습니다. 예를 들어 쿼리 결과를 Google 문서로 만들거나, Gmail의 이메일 초안 또는 Google 슬라이드의 발표 자료로 변환하는 것이 가능합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/1_-_Ask_natural-language_questions_with_Data_Cloud_connectors.gif"
        
          alt="1 - Ask natural-language questions with Data Cloud connectors"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;데이터 클라우드 커넥터를 사용하여 엔터프라이즈 데이터 전반에서 자연어로 질문하세요.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 클라우드 커넥터의 작동 방식&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터 클라우드 커넥터는&lt;/span&gt;&lt;a href="https://cloud.google.com/products/knowledge-catalog"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;와 연동하여 관련 데이터를 찾고, 질문을 해석하고, 사용자 ID로 권한 범위가 지정된 쿼리를 실행합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_-_Knowledge_Catalog_prompt_interpretatio.max-1000x1000.png"
        
          alt="2 - Knowledge Catalog prompt interpretation and source discovery"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;Knowledge Catalog는 사용자 프롬프트를 해석하고 쿼리에 적합한 데이터 소스를 식별합니다.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Gemini에 질문하면 시스템은 다음 기능을 사용하여 검색, 시맨틱 해석, 쿼리 실행을 조정합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;자연어 질문: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;일상 언어로 탐색 질문을 합니다(예: '이번 달에 모든 방한 제품의 판매량은 얼마인가요?'). 최종 사용자는 사용할 테이블이나 프로젝트를 알 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;시맨틱 검색:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Gemini는 사용 패턴과 같은 주요 속성을 고려해 Knowledge Catalog를 검색하고 조직 내 자산 전반에서 후보 데이터를 찾아냅니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;컨텍스트 매핑:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 시스템은 기술 메타데이터, 비즈니스 용어집, 시맨틱 모델을 사용하여 일상 용어를 정확한 데이터베이스 구조에 매핑합니다. 예를 들어 '방한 제품'을 전자상거래 카탈로그의 스웨터, 코트, 재킷과 같은 특정 카테고리로 해석합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;권한 인식 실행:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Gemini는 SQL 쿼리를 생성하고 사용자 인증 정보로 커넥터를 통해 실행하며, 기존 행 및 열 수준 데이터베이스 권한을 준수합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_-_Step-by-step_flow_from_Gemini_prompt_t.max-1000x1000.png"
        
          alt="3 - Step-by-step flow from Gemini prompt to query execution"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;Gemini에서 쿼리 실행까지 사용자 프롬프트의 단계별 흐름&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 데이터 자산을 정확하게 탐색하려면 언어 모델에 원시 데이터베이스 액세스 권한과 함께 비즈니스 컨텍스트가 필요합니다. Knowledge Catalog는 기술 메타데이터, 비즈니스 로직, 테이블 관계, 검증된 쿼리를 포함한&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/knowledge-catalog-self-learning-context-enrichment-for-ai-agents?e=0&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;선별된 컨텍스트 번들&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 제공하여 쿼리 정확성을 개선하는 동시에 지연 시간과 토큰 소비를 줄입니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/4_-_Navigating_the_context_graph_in_Knowledge_Catalog.gif"
        
          alt="4 - Navigating the context graph in Knowledge Catalog"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;Knowledge Catalog에서 컨텍스트 그래프를 시각적으로 탐색합니다.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 분석은 오랫동안 물리적 경계로 인해 파편화되어 왔습니다. 독점 사일로에 갇힌 데이터, 클라우드 객체 스토리지의 개방형 레이크하우스 테이블, 멀티 클라우드 환경에 분산된 데이터 세트 등이 그 예입니다. BigQuery 커넥터는 네이티브 BigQuery 스토리지를 넘어 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/borderless-lakehouse-integrates-with-gemini?e=0&amp;amp;hl=ko"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;경계 없는 레이크하우스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 대화형 분석을 제공하여 이러한 환경을 단일 대화형 인터페이스로 통합합니다. 이를 통해 BigQuery를 사용하여 개방형 테이블 형식(Apache Iceberg, Delta Lake, Parquet 포함)과 AWS 또는 Azure의 크로스 클라우드 데이터 세트를 쿼리할 수 있습니다. 커넥터는 BigQuery 및 Knowledge Catalog에서 세분화된 액세스 정책을 이어받으므로, 네이티브 테이블이나 개방형 레이크하우스 파일을 쿼리할 때 행 및 열 수준 액세스 제어가 적용됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/5_-_Cross-cloud_querying_across_BigQuery_and_AWS_S3_in_Gemini.gif"
        
          alt="5 - Cross-cloud querying across BigQuery and AWS S3 in Gemini"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;Gemini는 AWS Glue 페더레이션 카탈로그를 통해 BigQuery 및 AWS S3 전반의 데이터에 액세스하여 일상 언어로 질문에 답변합니다.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;커넥터와 데이터 에이전트 비교 및 선택&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;직접적인&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;데이터 클라우드 커넥터&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 일상 언어로 데이터를 쿼리하는 것 외에도&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/data-agents/conversational-analytics"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;대화형 분석 에이전트&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 이러한 경험을 지원할 수 있습니다. 데이터 클라우드 커넥터가 사용자에게 탐색 및 임시 분석 기능을 제공한다면, 대화형 분석 에이전트는 조직 내 데이터팀이 직접 빌드하고 인증한 범위 지정 에이전트입니다. 이러한 에이전트는 BigQuery, Looker와 같은 데이터 클라우드 제품과 Spanner, AlloyDB, Cloud SQL 등 운영 데이터베이스 전반에서 빌드할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 사전 구성된 에이전트를 활용하면 특정 데이터 하위 집합으로 범위를 한정하여, 거버넌스가 철저히 적용된 다단계 전략 분석을 수행할 수 있습니다. 이를 통해 규정 준수 요건을 충족하는 것은 물론, 보고에 필요한 예측 가능한 결과도 확보할 수 있습니다. 이러한 데이터 에이전트는 Gemini에 게시하여 사용하거나 API를 통해 기업에서 자체 대화형 앱을 빌드하는 데 사용할 수도 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 접근 방식은 상호 보완적입니다. Gemini 직접 연결은 중앙 데이터팀에서 만들어 게시한 관련 에이전트도 함께 제안하므로, 사용자는 커넥터를 활용해 임시 분석을 수행할지 아니면 범위가 지정된 에이전트를 사용할지 직접 선택하면 됩니다. 각 워크로드에 적합한 접근 방식을 선택할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 제공되는 액세스 제어 및 거버넌스&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터 클라우드 커넥터 쿼리는 최종 사용자의 ID로 실행됩니다. 임원 급여 데이터나 보호 대상 의료 기록에 대한 액세스 권한이 없는 직원은 자연어 프롬프트를 사용해 해당 데이터를 쿼리할 수 없습니다. 에이전트는 Knowledge Catalog에서 액세스 권한이 있는 메타데이터만 검색하고 계정에 실행 권한이 있는 쿼리만 실행합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 클라우드 커넥터를 만드는 방법&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;관리자는 Gemini 관리 콘솔에서 데이터 클라우드 커넥터를 구성할 수 있습니다. 이후 관리자는 BigQuery, 운영 데이터베이스 또는 Looker의 데이터 세트에 대한 기본 읽기 전용 연결을 설정할 수 있으며, 이때 Knowledge Catalog는 자동으로 사용 설정됩니다. 구성이 완료되면 최종 사용자는 Gemini에서 커넥터를 사용 설정하여 일상 언어로 데이터를 쿼리하고 보고서를 작성할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/6_connected_data_stores.gif"
        
          alt="6 - Creating a connected data store in Gemini Enterprise"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="1l55c"&gt;Gemini에서 연결된 데이터 스토어를 생성하고 처음 사용할 때 승인하세요.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-bigquery"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-spanner"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-cloud-sql"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud SQL&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 커넥터에 대한 설정 문서가 제공되며 Looker도 프리뷰 버전으로 제공됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터를 Gemini 데이터 스토어에 복사하는 데이터 수집 모드와 달리 데이터 클라우드 커넥터는 페더레이션 쿼리 모드를 사용하여 데이터를 복사하거나 색인을 생성하지 않고도 있는 그대로 쿼리합니다. 이때 Knowledge Catalog를 자동으로 사용하여 액세스 가능한 메타데이터를 검색하고 비즈니스 컨텍스트를 조회합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;커스텀 MCP 대신 데이터 클라우드 커넥터를 사용해야 하는 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;공개 또는 자체 관리형 모델 컨텍스트 프로토콜(MCP) 서버를 연결하는 방식과 비교할 때, 퍼스트 파티 데이터 클라우드 커넥터는 다음과 같은 두 가지 주요 이점을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;대답 품질 향상을 위한 기본 제공되는 스킬:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 데이터 클라우드 커넥터에는 BigQuery 및 운영 데이터베이스를 위한 고급 SQL 및 AI 함수 생성과 같이 각 데이터 엔진에 맞게 사전 구성된 에이전트 스킬이 포함되어 있어, 쿼리 정확성과 대답 품질을 개선할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;단계별 설정 및 관리형 인증:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 퍼스트 파티 커넥터는 Google Cloud 데이터베이스 및 BigQuery에 대해 관리형 인증이 포함된 단계별 설정 환경을 제공하므로, MCP 미들웨어를 배포하거나 Google Cloud 서비스용 OAuth 클라이언트 구성을 직접 관리할 필요가 없습니다. 또한 BigQuery 쿼리 실행을 위한 기본 Google Cloud 결제 프로젝트를 지정하는 등 커넥터별 설정을 통해 관리자가 거버넌스를 시행하고 쿼리 비용을 관리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터 클라우드 커넥터를 사용하면 백로그 대기 없이 엔터프라이즈 데이터 소스에서 필요한 답을 바로 찾을 수 있습니다. 시작하려면&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/enterprise/docs/connectors/connect-data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;데이터 클라우드 커넥터 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 검토하거나&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/gemini/data-agents/conversational-analytics"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;대화형 분석 에이전트&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 대해 알아보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 16 Nov 2026 04:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/data-analytics/query-enterprise-data-in-gemini-with-data-cloud-connectors/</guid><category>BigQuery</category><category>Databases</category><category>AI &amp; Machine Learning</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>에이전트형 데이터 클라우드 커넥터로 Gemini에서 대화형 분석 활용하기</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/data-analytics/query-enterprise-data-in-gemini-with-data-cloud-connectors/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Leigha Reid</name><title>Senior Product Manager, Data Cloud</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mohsin Imam</name><title>Senior Product Manager, Data Cloud</title><department></department><company></company></author></item><item><title>Google의 에이전트형 데이터 클라우드로 에이전트를 대규모로 지원하는 새로운 기능</title><link>https://cloud.google.com/blog/ko/products/databases/whats-new-across-googles-agentic-data-cloud/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/whats-new-across-googles-agentic-data-cloud?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;얼마 전까지만 해도 에이전트 시대에 접어들고 있었지만, 오늘날 조직은 프로덕션 환경에서 에이전트를 실행하여 상당한 가치를 창출하고 있습니다. 새로운 수익원을 확보하고, 효율성을 개선하고, 위험을 관리할 수 있는 기회는 기업 리더가 에이전트를 통해 운영 방식을 혁신할 수 있는 가장 중요한 요소입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이것이 바로 Google Cloud가&lt;/span&gt;&lt;a href="https://cloud.google.com/data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트형 데이터 클라우드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 구축한 이유입니다. 이는 폐쇄적인 환경 간의 장벽을 허물어 모든 데이터를 활용하고, 높은 정확성과 신뢰성을 제공하며, 저렴한 비용으로 선제적으로 운영되도록 설계된 실행 시스템입니다. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;PayPal, Siemens, Telus, Vodafone, Walmart&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 등 선도적인 조직은 이미 Google Cloud와 함께 비즈니스 성과를 창출하고 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘은 Google의 에이전트형 데이터 클라우드에 대한 주요 업데이트를 공유해 드리고자 합니다. Google Cloud는 어디서나 에이전트를 지원하고, 엔터프라이즈 컨텍스트에 그라운딩하여 정확하고 신뢰할 수 있는 답변을 제공하며, 실무자와 비즈니스 사용자 모두에게 향상된 에이전트 중심 경험을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;경계 없는 레이크하우스로 에이전트를 위한 모든 데이터 활성화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 데이터는 멀티 클라우드 환경, 온프레미스 시스템, Confluent, SAP, Salesforce, Workday와 같은 SaaS 플랫폼 등 모든 곳에 존재합니다. 개방형 Apache Iceberg 형식을 기반으로 빌드된&lt;/span&gt;&lt;a href="https://cloud.google.com/products/lakehouse"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;경계 없는 레이크하우스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하면 데이터가 어디에 있든 모든 데이터를 활용할 수 있으므로 에이전트가 하나의 거버넌스 적용 기반을 갖출 수 있습니다. 데이터를 이동하거나, 커넥터를 연결하거나, 예상치 못한 가변 이그레스 수수료를 지불할 필요 없이 인프라부터 모델까지 모든 레이어에서 조정된 스택을 사용할 수 있습니다. 실제로 관리 중인 Apache Iceberg 데이터는 지난 한 해 동안 3배 이상 증가했습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘 Google Cloud는 경계 없는 레이크하우스에 대한 몇 가지 새로운 개선사항을 발표합니다. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;이제 Gemini가&lt;/strong&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/borderless-lakehouse-integrates-with-gemini?e=48754805&amp;amp;hl=ko"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;경계 없는 레이크하우스에서 직접 작동&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하므로 비즈니스 사용자는 자연어를 사용해 여러 클라우드에 있는 레코드를 쿼리할 수 있으며, 에이전트는 추론을 그라운딩하고 비즈니스 워크플로를 실행할 수 있습니다. 이제 정식 버전으로 제공되는&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-cross-cloud-data-access"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;AWS 및 Azure용 Cross-Cloud Interconnect 및 캐싱&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하면 비공개 보안 연결을 통해 클라우드 간에 데이터를 쿼리할 수 있으며 가변적인 이그레스 비용이 발생하지 않습니다. 원격 클라우드 데이터를 쿼리하면 레이크하우스가 검색된 데이터 블록을 Google Cloud 내에 로컬로 자동 캐시합니다. 또한 고객은 Databricks Unity, Snowflake Horizon, AWS Glue와의 개방형 Iceberg 카탈로그 제휴뿐만 아니라 SAP, Workday, Salesforce와의 제로 카피 통합도 사용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI에 컨텍스트를 제공하기 위해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;경계 없는 레이크하우스는 Knowledge Catalog와 직접 통합&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;되어 클라우드 스토리지에 분산된 비정형 데이터를 자동으로 색인화합니다. 이를 통해 에이전트는 정확성을 유지하는 데 필요한 컨텍스트를 확보할 수 있으며, 토큰 비용을 관리하여 지능적이고 지속 가능한 에이전트 전략을 수립할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;"Delivery Hero의 talabat은 Amazon S3 테이블의 단일 사본 Apache Iceberg 데이터를 BigQuery에 제휴하는 경계 없는 레이크하우스를 구현하여 데이터 이동 비용을 약 40% 절감하는 동시에 스트리밍 트랜잭션 이벤트가 생성된 후 몇 분 이내에 두 클라우드에서 모두 쿼리할 수 있게 되었습니다."&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;-&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Harish Ramesh, Delivery Hero talabat 선임 데이터 엔지니어&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 즉각적인 조치를 취하려면 과거 분석 데이터와 실시간 트랜잭션 데이터에 동시에 액세스할 수 있어야 합니다. 이에 따라 오늘 Google Cloud는 경계 없는 레이크하우스와 통합된 새로운 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;를 발표합니다&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;. &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/direct-iceberg-access-in-alloydb?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB의 직접 Iceberg 액세스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하면 이제 ETL 파이프라인이나 복사본 없이 클라우드 스토리지에 저장된 Iceberg 테이블을 직접 쿼리하고 단일 PostgreSQL 쿼리에서 실시간 운영 데이터를 과거 레이크하우스 데이터와 조인할 수 있습니다. AlloyDB의 트랜잭션 기능과 직접적인 Iceberg 테이블 액세스를 결합하면 시스템이 트랜잭션 데이터와 분석 데이터를 효율적으로 연결하여 에이전트의 엄격한 요구사항을 충족할 수 있습니다. 이 기능은&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/about-lakehouse-catalogs"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;와 완전히 통합되어 AlloyDB에 Iceberg 테이블을 다른 테이블과 함께 등록할 수 있습니다. 모든 항목이 Knowledge Catalog에 자동으로 표시되므로 에이전트가 동일한 거버넌스 적용 컨텍스트를 얻을 수 있습니다. AlloyDB의 Iceberg 직접 액세스는 집계 쿼리에서 Amazon의 동급 PostgreSQL 호환 서비스보다 최대 7배 더 빠릅니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 경계 없는 전략을 완성하는 정식 버전의 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/spanner/omni"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner Omni&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 온프레미스, 에지 노드, 멀티 클라우드 환경 전반에서 하이브리드 에이전트형 애플리케이션에 Google 수준의 일관성, 확장성, 멀티 모델 기능을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈 컨텍스트에 모든 에이전트를 그라운딩하여 정확하고 신뢰할 수 있는 답변 제공&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트의 정확성은 그라운딩된 비즈니스 컨텍스트에 따라 달라집니다.&lt;/span&gt;&lt;a href="https://cloud.google.com/products/knowledge-catalog"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 Google Cloud의 범용 컨텍스트 엔진으로, 원시 데이터를 공유 비즈니스 컨텍스트로 변환하여 에이전트가 더 높은 정확성, 신뢰성, 토큰 효율성을 바탕으로 답변하고 작업을 수행할 수 있도록 지원합니다. 오늘 Google Cloud는&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; 자체 학습, 재사용 가능한 컨텍스트 세트, 새롭게 설계된 사용자 경험&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;을 통해 AI 기반 컨텍스트 큐레이션 기능을 확장하여 Knowledge Catalog를 한 단계 더 발전시켰습니다.&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;이를 통해 컨텍스트 레이어가 비즈니스의 변화에 맞춰 자동으로 빌드되고 발전하는 동시에 사용자가 데이터 거버넌스를 완전히 제어할 수 있습니다. 내부 벤치마크에 따르면 Knowledge Catalog는 AI 에이전트의 정확성을 약 4배 높이고 지연 시간을 최대 33% 줄이며 토큰 사용량을 최대 75% 줄입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기업의 조직 지식 중 상당 부분은 데이터베이스 외부의 운영 플레이북, 문서, 티켓에 존재하며, 에이전트의 컨텍스트는 사람들이 실제로 질문하는 내용을 중심으로 큐레이션해야 합니다. 프리뷰 버전으로 제공되는 Knowledge Catalog의 새로운&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/knowledge-catalog-self-learning-context-enrichment-for-ai-agents?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;자체 학습 보강&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;기능을 사용하면 에이전트가 컨텍스트 큐레이션이라는 까다로운 작업을 수행할 수 있습니다. Knowledge Catalog는 Google Workspace, GitHub, Jira, Confluence, SharePoint와 같은 비정형 소스를 지속적으로 마이닝하여 사용자 의도와 사람 및 에이전트의 모든 상호작용을 학습함으로써 컨텍스트 격차를 해소하고 컨텍스트를 자동으로 발전시킵니다. 또한 도메인 지식을 재사용 가능한&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/how-the-open-knowledge-format-can-improve-data-sharing?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Open Knowledge Format&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(OKF) 컨텍스트 세트로 패키징하여 컨텍스트 엔지니어와 데이터 관리 책임자가 이렇게 보강된 컨텍스트를 손쉽게 관리할 수 있도록 지원합니다. 데이터 관리 책임자와 데이터팀을 위해 프리뷰 버전으로 제공되는&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/knowledge-catalog/docs/knowledge-studio"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog의 새로운 스튜디오 환경&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;도 도입했습니다. 이 환경은 자연어로 컨텍스트를 탐색하고, 클라우드 환경과 SaaS 애플리케이션 전반에서 전체 데이터 자산을 시각화하며, 전체 버전 관리 및 롤백을 통해 제안된 보강 업데이트를 검토, 감사, 승인할 수 있는 대화형 사용자 인터페이스를 제공합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/4-Navigating_the_context_graph_visually_in_Knowledge_Studio_OFTQhZt.gif"
        
          alt="4-Navigating the context graph visually in Knowledge Studio"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="y40pb"&gt;대화형 컨텍스트 탐색과 상호작용형 그래프를 보여주는 Knowledge Catalog의 새로운 스튜디오 환경&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/ai-machine-learning/welcome-to-gemini-at-work-2026?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;이제 Gemini에서 프리뷰 버전으로 제공되었던 Knowledge Catalog가 기본적으로 사용 설정&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;된다는 소식도 발표했습니다. 이제 모든 데이터 관련 질문이 거버넌스가 적용된 비즈니스 컨텍스트에 자동으로 그라운딩됩니다. BigQuery, AlloyDB, Cloud SQL 또는 Spanner를 연결하면 Knowledge Catalog가 각 사용자의 액세스 권한에 따라 SQL을 생성하기 전에 비즈니스 용어를 확인하고, 신뢰할 수 있는 테이블을 찾고, 조인 경로를 결정합니다. 이를 통해 조직은 에이전트가 공유되고 등록된 컨텍스트 세트를 활용하여 일관된 정확성, 짧은 지연 시간, 토큰 비용 절감을 실현할 수 있으므로 엔터프라이즈 규모로 에이전트를 배포할 수 있다는 확신을 갖게 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;마지막으로, 중요한 비즈니스 정의를 LLM의 추측에 맡길 수 없기 때문에 Knowledge Catalog는 데이터를 이동하지 않고도 BigQuery, Looker(LookML), Databricks, Snowflake, dbt, SAP의 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/expanded-semantic-model-support-in-knowledge-catalog?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;신뢰할 수 있는 시맨틱 모델에 에이전트를 그라운딩&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하며, 이 기능은 현재 정식 버전으로 제공됩니다. 에이전트가 재무팀을 위해 순수익을 계산하든 운영팀을 위해 고객 이탈을 계산하든, 비즈니스팀이 신뢰하는 것과 정확히 동일한 거버넌스 적용 공식을 사용합니다. 또한 Knowledge Catalog는 메타데이터 검색 및 제휴를 Oracle AI Database@Google Cloud, Snowflake, Databricks Unity Catalog와 Atlan 및 Collibra 등의 서드 파티 카탈로그로 확장하여 이미 투자한 카탈로그를 기반으로 모든 에이전트가 전체 데이터 자산을 보편적으로 이해할 수 있도록 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트를 통한 실무자 경험 혁신&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는 데이터 전문가와 비즈니스팀의 업무 방식을 재정의하고 있습니다. 보조 어시스턴트의 지원을 받으며 개별적으로 업무를 수행하던 실무자들을 이제 의도 기반 비즈니스 성과를 이끌어내는 자율 에이전트의 오케스트레이터로 격상시키고 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;최근에 열린&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/ai-machine-learning/welcome-to-gemini-at-work-2026?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Gemini at Work&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 이벤트에서 Google Cloud는 기술팀과 일반 비즈니스 사용자를 위해 Gemini에 두 가지 새로운 특화 기능을 도입했습니다. 데이터 및 ML 엔지니어를 위해 Google Cloud는 모든 데이터 과학자와 데이터 엔지니어를 지원하는 머신러닝 스킬과 도구를 통해 Gemini를 확장하고 있습니다. 엔지니어가 원하는 결과를 일상적인 언어로 설명하면 Gemini가 PySpark 코드를 생성하고, 이를 편집하고 테스트할 수 있는 노트북을 제공하고, 모델을 학습시키고, 파이프라인 문제를 스스로 진단하고 수정합니다. 비즈니스 사용자의 경우 조직의 누구나 질문만 하면 신뢰할 수 있는 실시간 운영 보고서를 생성할 수 있습니다. Gemini는 BigQuery 및 Knowledge Catalog와 통합된 운영 보고 스킬을 사용하여 쿼리를 구성하고 저장합니다. 한 번 저장된 보고서는 필요할 때마다 언제든지 추가 토큰 비용 없이 다시 실행할 수 있으며, 매번 일관되고 검증된 답변을 얻을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;자체 도구를 사용하려는 개발자를 위해 최근 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/data-agent-kit-brings-data-skills-and-tools-to-your-ide-or-cli"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Data Agent Kit&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 정식 버전이 출시되었습니다. 이 도구는 Google 데이터 클라우드 도구를 VS Code, Claude Code, Antigravity와 같이 개발자가 선호하는 IDE 및 CLI에 직접 통합하여 콘솔 간 이동과 ETL 상용구 작성의 필요성을 없애줍니다. 실무자는 네이티브 MCP 도구를 활용하여 비즈니스 의도를 정의하고 에이전트가 데이터 파이프라인을 생성, 조정, 테스트하도록 할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트 규모에 맞게 빌드된 데이터 인프라 엔지니어링&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;조직이 워크플로 전반에서 협업하는 수백만 개의 에이전트로 확장함에 따라 기존 데이터베이스 아키텍처는 한계에 직면하고 있습니다. 이에 에이전트 규모에 맞게 특별히 설계된 맞춤형 인프라를 소개합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;빠른 테스트와 프로토타입 제작을 가속화하기 위해 오늘&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/introducing-alloydb-express-for-rapid-testing-and-prototyping?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB Express&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;프리뷰 버전을 발표합니다. 이는 매우 빠른 개발 속도가 필요한 빌더와 코딩 에이전트를 위해 설계된 새로운 AlloyDB 버전입니다. 2초 미만의 즉각적인 프로비저닝, Scale-to-zero 방식의 일시중지 및 재개, 안전한 비공개 IP 연결, 통합된 관측 가능성 기능을 제공하며, 1~2개의 vCPU와 20GB의 스토리지를 사용하는 소규모 공간 구성도 지원합니다. 이제 AlloyDB는 에이전트 개발 및 테스트를 위한 개발자 중심의 PostgreSQL 환경을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 환경을 위해 최근 프리뷰 버전으로 발표된&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/announcing-postgresql-for-agents-in-alloydb?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB의 에이전트용 PostgreSQL&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;은 수천 개의 협업 AI 에이전트가 완전한 워크로드 격리를 통해 실시간 트랜잭션 데이터를 쿼리할 수 있도록 지원합니다. &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트형 데이터베이스 아키텍처&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 통해 에이전트는 밀리초 미만의 I/O와 초당 테라비트의 합산된 스캔 처리량을 달성하여 초당 300만 개 이상의 쿼리를 지원할 수 있습니다. 컴퓨팅은 활성 추론 세션에 따라 자동으로 확장되며, 유휴 상태일 때는 프로덕션 시스템에 영향을 주지 않고 0으로 축소됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오픈소스 데이터 인프라를 실행하는 경우 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/managed-service-for-apache-spark"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Managed Service for Apache Spark&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 Lightning Engine의 추가 개선을 통해 시중의 대안 솔루션보다 가격 대비 성능이 3배 이상 뛰어난 이점을 제공합니다. &lt;/span&gt;&lt;a href="https://spark.apache.org/releases/spark-release-4-0-0.html" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spark 4.0&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 최근 개선사항에는 추가 비용 없이 시작 시간을 단축하는 기능이 포함되어 있어 대화형 워크로드와 소규모 배치 ETL 작업에 유용합니다. 또한&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/managed-spark/docs/tiers"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;프리미엄 등급&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;은 업그레이드된 하드웨어와 Lightning Engine의 소프트웨어 가속을 결합하여 성능을 향상시키며, 이 기능은 기본적으로 사용 설정되어 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;마지막으로, Google Cloud는 에이전트 규모에 맞게&lt;/span&gt;&lt;a href="https://cloud.google.com/bigquery"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 지속적으로 개선했습니다. 지난 한 해 동안 Google Cloud는 유연한 확장, 기본 제공되는 워크로드 가속화와 같은 지능형 최적화를 통해 쿼리 속도를 40% 이상 높이고 쿼리 처리 비용을 50% 이상 절감했습니다.&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery Graph&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;가 정식 버전으로 출시되어 ETL 없이 관계형 테이블에서 직접 페타바이트 규모의 그래프 분석을 수행할 수 있습니다. 조직은 데이터를 노드와 에지로 모델링하여 데이터를 별도의 그래프 데이터베이스로 이동하지 않고도 복잡하고 숨겨진 관계를 발견할 수 있습니다. 오늘부터 Google 연구팀의 새로운 모델 두 가지가 BigQuery에서 기본적으로 실행됩니다. 첫 번째는 현재 프리뷰 버전으로 제공되는&lt;/span&gt;&lt;a href="https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TimesFM 3.0&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;으로, 학습시키거나 관리할 커스텀 모델 없이 SQL에서 직접 예측을 생성할 수 있습니다. 두 번째는 역시 프리뷰 버전으로 제공되는&lt;/span&gt;&lt;a href="https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TabFM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;으로, 예측 머신러닝을 BigQuery에 직접 가져옵니다. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 발표 외에도 Google Cloud는 더 광범위한 데이터 생태계 전반에서 핵심 성능, 비용 관리, 운영 복원력을 지속적으로 개선하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터 자산을 능동적인 실행 시스템으로 전환할 준비가 되셨나요? Google Cloud의&lt;/span&gt;&lt;a href="https://cloud.google.com/data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트형 데이터 클라우드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 페이지를 살펴보고,&lt;/span&gt;&lt;a href="https://cloud.google.com/resources/offers/data-strategy-workshop"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;데이터 전략 워크숍에 등록&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하고,&lt;/span&gt;&lt;a href="https://cloud.google.com/free"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud와 함께 무료로 에이전트형 엔터프라이즈를 구축&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;해 보세요.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloudonair.withgoogle.com/events/trusted-agents-real-outcomes-agentic-data-cloud" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Trusted Agents, Real Outcomes&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 디지털 이벤트에서 에이전트형 데이터 클라우드의 비전과 최신 혁신 기술을 확인하실 수도 있습니다. 포트폴리오의 실제 작동 방식을 확인하고, Yahoo의 실제 청사진을 통해 배우고, 데이터베이스, 데이터 분석, BI 전반의 제품 리더들이 진행하는 심층 분석 세션을 살펴보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Thu, 12 Nov 2026 04:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/whats-new-across-googles-agentic-data-cloud/</guid><category>Data Analytics</category><category>Databases</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/FallMomentumNov4BlogHero.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Google의 에이전트형 데이터 클라우드로 에이전트를 대규모로 지원하는 새로운 기능</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/FallMomentumNov4BlogHero.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/whats-new-across-googles-agentic-data-cloud/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sirish Chandrasekaran</name><title>VP, Product Strategy &amp; Growth, Data Cloud</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Raj Pai</name><title>VP, Product Management</title><department></department><company></company></author></item><item><title>PostgreSQL용 AlloyDB에서 직접 Iceberg 액세스를 통해 운영 데이터와 Lakehouse 데이터 통합</title><link>https://cloud.google.com/blog/ko/products/databases/direct-iceberg-access-in-alloydb/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/direct-iceberg-access-in-alloydb?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;올바른 비즈니스 의사 결정을 내리려면 운영 데이터베이스의 실시간 비즈니스 상태와 레이크하우스 또는 데이터 웨어하우스와 같은 분석 시스템에 저장된 과거 컨텍스트라는 두 가지 종류의 데이터가 필요합니다. 전통적으로 이러한 시스템은 분리되어 있었지만, 이제는 빠르게 통합되고 있습니다. 이에 따라 오늘 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 Iceberg에 직접 액세스하는 기능의 프리뷰 버전을 발표합니다. 이제 개발자는 단일 SQL 쿼리만으로 AlloyDB에서 직접 Cloud Storage 버킷에 저장된 Apache Iceberg 테이블을 쿼리하고 이를 실시간 운영 데이터와 조인할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 동기화&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 및&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-real-time-data-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse 제휴&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 정식 버전을 발표합니다. 이러한 기능을 통해 AlloyDB는 경계 없는 Lakehouse와 세 가지 방식으로 연동할 수 있으며, 이를 통해 모든 엔진에서 데이터의 개방형 사본 하나를 사용할 수 있습니다.예를 들어 &lt;/span&gt;&lt;a href="https://cloud.google.com/customers/etsy-lakehouse"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Etsy&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 경계 없는 Lakehouse로 3페타바이트의 데이터를 통합하여 데이터를 이동 없이 조인함으로써 파이프라인 쿼리 속도를 60% 향상했습니다. AlloyDB에서 사용할 접근 방식은 데이터가 있는 위치와 애플리케이션이 데이터를 읽는 방식에 따라 달라집니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;직접 Iceberg 액세스:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; AlloyDB 열 기반 엔진으로 가속화된 Iceberg 테이블을 그대로 읽을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 동기화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 지연 시간에 가장 민감한 워크로드를 위해 AlloyDB에서 레이크하우스 데이터를 제공하며, 사용자가 설정한 일정에 따라 데이터가 새로고침됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse 제휴:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery에서 처리를 수행하여 네이티브 BigQuery 테이블을 그대로 쿼리합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이번 출시를 통해 앱과 에이전트는 커스텀 파이프라인을 빌드하거나 관리하지 않고도 운영 데이터와 레이크하우스 데이터를 함께 처리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/AlloyDB.max-1000x1000.png"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="z1v26"&gt;AlloyDB 및 경계 없는 Lakehouse: Apache Iceberg 및 BigQuery 데이터를 제자리에서 쿼리하거나 AlloyDB에 동기화하여 실시간 애플리케이션과 AI 에이전트가 운영 데이터와 레이크하우스 데이터에 함께 액세스할 수 있도록 제어합니다.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;조치 시점의 의사 결정&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB와 경계 없는 Lakehouse 간의 이러한 통합을 통해 과거 컨텍스트가 실시간 트랜잭션과 함께 제공되므로 커스텀 파이프라인을 빌드하거나 관리할 필요 없이 작업 시점에 의사 결정을 내릴 수 있습니다. 예를 들면 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;사기 및 위험:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 사기 방지 에이전트가 결제를 승인하기 전에 데이터베이스에 저장된 최근 30일 기록 외에도 Iceberg에서 5년간의 고객 거래 내역을 대조하여 확인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;맞춤설정:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 쇼핑 에이전트가 쇼핑객이 페이지에 머무는 동안 레이크하우스에 저장된 평생 가치 및 반품 내역과 실시간 장바구니 데이터를 결합하여 적절한 혜택을 선택합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;유동 가격:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 가격 책정 에이전트가 AlloyDB의 실시간 인벤토리와 레이크하우스에 저장된 수년간의 수요 및 날씨 기록을 결합하여 상황 변화에 따라 가격을 조정합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 제품:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 데이터팀이 선별된 테이블을 Iceberg에 한 번만 게시하면 수십 개의 애플리케이션이 각자 사본을 유지할 필요 없이 그대로 테이블을 읽습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;각각의 경우 기록은 레이크하우스에 유지되고 의사 결정은 데이터베이스에서 이루어집니다. 에이전트는 AlloyDB에서 사용자가 부여한 테이블과 권한만 사용하여 사용자를 대신해 작업을 수행합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;세 가지 통합 방식을 각각 자세히 살펴보겠습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB에서 직접 Iceberg 액세스(프리뷰)&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;직접 Iceberg 액세스를 사용하면 AlloyDB가 버킷 경로 또는 Lakehouse 런타임 카탈로그를 사용하여 Cloud Storage에서 직접 Apache Iceberg 테이블을 읽습니다. Iceberg 테이블을 한 번만 등록하면 실시간 운영 테이블과의 조인을 포함하여 다른 PostgreSQL 테이블과 마찬가지로 쿼리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Register five years of transaction history stored as Iceberg\r\nCREATE TABLE transaction_history (\r\n  customer_id BIGINT, category TEXT, amount NUMERIC, ts TIMESTAMPTZ)\r\nUSING iceberg\r\nWITH (uri = &amp;#x27;gs://my-bucket/warehouse/payments/transaction_history&amp;#x27;);\r\n\r\n\r\n-- Compare the payment in flight with the customer&amp;#x27;s history\r\nSELECT t.amount,\r\n       AVG(h.amount) AS usual_spend,\r\n       MAX(h.amount) AS largest_past_purchase\r\nFROM recent_transactions t                -- live, in AlloyDB\r\nJOIN transaction_history h                -- five years, in Iceberg\r\n  ON h.customer_id = t.customer_id AND h.category = t.category\r\nWHERE t.transaction_id = &amp;#x27;TX-1001&amp;#x27;\r\nGROUP BY t.amount;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d7062d0d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;AlloyDB는 Iceberg 테이블을 제자리에서 읽고, 나머지 레이크하우스와 동일한 사본을 사용하여 실시간 운영 데이터와 조인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Iceberg 지원은 AlloyDB에 기본 제공되며 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/columnar-engine/about"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 열 기반 엔진&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;으로 가속화되므로 레이크하우스 데이터에 대한 쿼리가 빠르게 처리됩니다. 이러한 쿼리는 애플리케이션과 동일한 데이터베이스 인스턴스에서 실행되며, 별도의 리더 인스턴스를 관리할 필요가 없고, 팀이 레이크하우스에 게시한 최신 데이터를 읽습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Storage의 1TB 데이터 세트를 대상으로 한 테스트에서 AlloyDB의 직접 Iceberg 액세스는 집계 쿼리에서 Amazon의 유사한 PostgreSQL 호환 서비스보다 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;최대 7배 더 빠르고&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;, 오픈소스 PostgreSQL 확장 프로그램보다 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;최대 3.5배 더 빠른&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 것으로 나타났습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;최저 지연 시간 읽기를 위한 AlloyDB 동기화(정식 버전)&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;모든 테이블을 제자리에서 읽을 필요는 없습니다. 예를 들어 소매업체 위험 점수는 매 결제 전에 확인되지만, 데이터팀이 야간에 다시 계산할 때만 변경됩니다. 이와 같이 모든 요청에서 읽고 일정에 따라 새로고침되는 데이터는 AlloyDB의 로컬 테이블로 관리할 때 가장 빠르게 처리됩니다. 문제는 별도의 파이프라인을 빌드하고 유지보수하지 않고도 해당 사본을 최신 상태로 유지하는 것입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 동기화&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 BigQuery에서 AlloyDB로 레이크하우스 데이터를 한 번 또는 일정에 따라 복사하고 최신 상태로 유지합니다. 이 사본은 로컬 AlloyDB 테이블이므로 앱에서 다른 테이블만큼 빠르게 읽을 수 있으며, 색인을 생성하거나, 읽기 풀에서 제공하거나, 열 기반 엔진 및 벡터 검색과 함께 사용할 수 있습니다. BigQuery 콘솔 또는 SQL에서 클릭 한 번으로 동기화를 시작할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Keep merchant risk scores refreshed every hour\r\nSELECT alloydb_sync.create_bq_sync_table(\r\n  &amp;#x27;my-project.risk.merchant_risk_scores&amp;#x27;,\r\n  &amp;#x27;merchant_risk_scores&amp;#x27;,\r\n  INTERVAL &amp;#x27;1 hour&amp;#x27;);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e56a7d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse 제휴(정식 버전)&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이미 BigQuery에 수년간의 분석 기록이 축적된 조직의 경우&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-real-time-data-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse 제휴&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 통해 AlloyDB가 네이티브 BigQuery 테이블을 제자리에서 쿼리하고, 단일 쿼리로 실시간 운영 데이터와 조인할 수 있습니다. AlloyDB는 필터, 집계, 제한을 BigQuery로 푸시하고, BigQuery는 대부분의 처리를 수행하고 결과만 다시 전송합니다. 또한 이러한 쿼리에 대해 비용이 청구되는 프로젝트를 설정하고 쿼리를 사용할 수 있는 역할을 제한할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Loyal Guru와 같은 Google Cloud 고객들이 이미 이러한 방식으로 AlloyDB와 BigQuery를 함께 사용하고 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;"AlloyDB는 BigQuery와 같은 다른 Google Cloud 제품과 함께 단순한 대응을 넘어 플랫폼 기능을 지속적으로 개선하고 새로운 트렌드를 예측하는 데 필요한 민첩성과 성능을 제공합니다."&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; - &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;하비 페르난데스, Loyal Guru 공동 설립자 겸 CTO&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;적절한 접근 방식을 선택하고 시작하세요&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;운영 시스템과 분석 시스템의 융합이 일어나고 있습니다. Google Cloud 환경에서 이 접근 방식을 선택하는 방법은 사용 사례에 따라 다릅니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;직접 Iceberg 액세스:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 앱이 Iceberg의 과거 데이터를 실시간 데이터와 조인할 때 가장 적합하며, AlloyDB 열 기반 엔진으로 가속화됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;사용해 보기:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; PostgreSQL 18 인스턴스에서 직접 Iceberg 액세스를 사용 설정하고 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/access-iceberg-data-from-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB에서 Iceberg 데이터에 액세스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;해 보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 동기화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 앱이 지속적으로 읽고 가장 짧은 지연 시간이 필요한 테이블에 가장 적합합니다. 사본은 마지막 새로고침 시점의 최신 상태입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;빌드:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery에서 테이블을 선택하고 Google Cloud 콘솔 또는 psql을 사용하여&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/sync-bigquery-data-to-alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB에 동기화&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하도록 설정합니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse 제휴:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; BigQuery 테이블에 저장되어 BigQuery에서 처리되는 네이티브 기록에 가장 적합합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;시작하기:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/alloydb/docs/configure-access-real-time-data"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery의 실시간 데이터에 대한 AlloyDB 액세스 구성&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 따르세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;자세한 내용은&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/choose-access-bigquery-data-from-alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB에서 BigQuery 데이터에 액세스하는 방법 선택하기&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 참고하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 11 Nov 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/direct-iceberg-access-in-alloydb/</guid><category>BigQuery</category><category>Data Analytics</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>PostgreSQL용 AlloyDB에서 직접 Iceberg 액세스를 통해 운영 데이터와 Lakehouse 데이터 통합</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/direct-iceberg-access-in-alloydb/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Nikhil Gaekwad</name><title>Product Management Lead, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Bala Narasimhan</name><title>Group Product Manager, Databases</title><department></department><company></company></author></item><item><title>AlloyDB Express: 개발자와 코딩 에이전트를 위한 즉각적인 Scale-to-zero PostgreSQL</title><link>https://cloud.google.com/blog/ko/products/databases/introducing-alloydb-express-for-rapid-testing-and-prototyping/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/introducing-alloydb-express-for-rapid-testing-and-prototyping?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터베이스는 AI 기반 소프트웨어 개발 속도를 따라잡는 데 어려움을 겪고 있습니다. 그간 여러 엔지니어링팀과 플랫폼팀과 협업하는 과정에서 느린 데이터베이스 프로비저닝으로 인해 코딩 에이전트 작업이 지연되고, 복잡한 구성으로 인해 CI/CD 테스트 파이프라인에 병목 현상이 발생하며, 사내 앱을 샌드박스 환경에서 프로덕션 환경으로 전환하는 과정에서 난관에 부딪히는 사례를 확인할 수 있었습니다. 지금까지 시장에는 에이전트에 적합한 기능과 타협 없는 엔터프라이즈급 보안 및 확장성을 모두 갖춘 PostgreSQL 서비스가 없었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 문제를 해결하기 위해 개발자와 AI 코딩 에이전트에 특화되어 설계된 새로운 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 서비스인 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB Express&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;의 프리뷰 버전을 발표하게 되어 기쁩니다.&lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; AlloyDB Express는 몇 초 만에 데이터베이스를 가동하고 유휴 상태일 때 자동으로 일시중지하여 신속한 AI 기반 개발과 강력한 엔터프라이즈 인프라 사이의 간극을 해소합니다. 결과적으로 애플리케이션 빌드를 가속화하고 프로덕션 규모로 손쉽게 확장할 수 있는 안전하고 비용 효율적인 데이터베이스 환경이 마련됩니다. 무료 등급으로 시작하고 사용한 만큼만 비용을 지불하면 됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB Express는 AI 에이전트에 최적화된 데이터베이스로, 다음과 같은 이점을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;2초 이내에 데이터베이스 생성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;gcloud&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; CLI, REST API, MCP, Terraform 또는 콘솔을 사용하여 2초 이내에 바로 사용할 수 있는 PostgreSQL 데이터베이스를 생성할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Scale-to-zero:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 15분 동안 활동이 없으면 데이터베이스가 자동으로 일시중지되므로 유휴 상태에서는 컴퓨팅 비용이 발생하지 않습니다. 새로운 쿼리가 들어오면 몇 초 만에 자동으로 재개됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AI와 보안 기능을 기본 제공하는 엔터프라이즈급 환경:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 벡터, 텍스트, 하이브리드 검색을 비롯한 엔터프라이즈 AI 기능을 활용하여 AI 애플리케이션을 신속하게 빌드할 수 있으며 기본 제공되는 엔터프라이즈 보안 가드레일의 보호를 받습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;무료로 시작하고 사용한 만큼만 지불:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 매월 제공되는 무료 사용량으로 시작하고, 사용량이 증가하면 실제 사용한 만큼만 비용을 지불하면 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;클릭 한 번으로 프로덕션 규모로 업그레이드:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 앱을 프로덕션 환경에 배포할 준비가 되면 클릭 한 번으로 기존 데이터베이스를 AlloyDB로 업그레이드할 수 있습니다. 데이터, 스키마, 사용자, 연결 문자열은 그대로 유지하면서 엔터프라이즈급 고가용성(HA), 읽기 복제본, 재해 복구(DR) 기능을 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;보안 타협 없는 개발 가속화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB Express는 셀프서비스 방식의 신속한 프로비저닝과 함께 엔터프라이즈급 보안을 기본 제공합니다. 앱 빌더와 코딩 에이전트는 수동 설정 없이 완전히 격리된 PostgreSQL 데이터베이스를 즉시 프로비저닝할 수 있으므로 모든 테스트와 프로토타입을 각각의 전용 데이터베이스에서 실행할 수 있습니다. 플랫폼 및 보안 관리자는 IAM, 네트워크, 조직 정책을 중앙에서 한 번만 정의하면 됩니다. 그러면 개발자나 코딩 에이전트가 생성하는 모든 AlloyDB Express 데이터베이스에 회사의 보안 가드레일이 자동으로 적용됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;개발자와 AI 에이전트 중 누가 코드를 작성하든 기본 제공되는 다음 보호 메커니즘을 통해 보안이 유지됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;안전한 기본 연결로 노출 최소화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; IP 주소를 마스킹하고 명시적으로 허용하기 전까지 인바운드 트래픽을 차단하는 공개 DNS 엔드포인트를 사용하여 데이터가 공개 인터넷에 노출되지 않도록 보호합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;비공개 VPC 네트워킹을 통한 내부 통합 보호: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Private Service Connect(PSC) 또는 비공개 DNS를 사용하여 내부 워크로드를 안전하게 연결합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;세분화된 액세스 제어를 갖춘 최소 권한 원칙 적용: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud IAM, VPC 서비스 제어, 네이티브 PostgreSQL 역할을 활용하여 에이전트와 사용자 권한을 필요한 범위로 제한합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB Express의 기본 제공 AI 기능&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;외부 벡터 저장소나 복잡한 설정에 의존하는 데이터베이스와 달리 AlloyDB Express는 엔터프라이즈 AI 도구를 데이터베이스에 직접 삽입하므로 개발자가 기능 개발에 집중할 수 있습니다.  AI 애플리케이션 개발을 가속화하는 데 다음과 같은 도구를 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;빠른 벡터 검색(pgvector HNSW 및 Google의 ScaNN 색인):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 운영 데이터와 함께 벡터 임베딩을 저장하고 검색하여 시맨틱 검색, 추천 엔진, 에이전트 메모리(RAG)를 구현할 수 있으며 별도의 벡터 데이터베이스에 데이터를 동기화할 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;SQL 쿼리 내에서 Gemini 모델에 직접 액세스:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 표준 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;SELECT&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 및 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;INSERT&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 문 내에서 텍스트 또는 이미지 임베딩을 즉시 생성하고 시맨틱 필터링, 순위 지정, 요약 작업(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.if&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.rank&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.generate&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;)을 실행합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;자연어를 SQL로 변환:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 개발자와 AI 에이전트가 기본 제공되는 AlloyDB Studio와 자연어 API를 사용해 일반적인 영어로 질문하면 몇 초 만에 쿼리 생성, 실행, 개선이 수행됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;무료 등급으로 시작하고 사용한 만큼만 지불&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB Express는 간단하고 직관적인 요금 체계를 제공하며, 비활성 상태에서는 Scale-to-zero를 실행합니다. 데이터는 안전하게 유지되며 새로운 쿼리가 들어오면 데이터베이스가 즉시 다시 활성화됩니다. 요금 체계를 간단히 살펴보면 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;활성 컴퓨팅:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 컴퓨팅 단위 시간(CU-hr)당 $0.115, 초 단위로 청구됨&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;일시중지된 컴퓨팅:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 15분 넘게 유휴 상태인 경우 시간당 $0.00&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;스토리지 사용량:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; GB당 월 $0.30이며, 데이터가 실제로 사용하는 디스크 공간에 대해서만 요금이 청구됨&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 Google Cloud에서는 매월 50CU를 무료로 사용할 수 있는 무료 등급을 제공하므로 부담 없이 시작할 수 있습니다. 자세한 내용은&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/express-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB Express 가격 책정&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 참조하세요.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB Express는 현재 프리뷰 버전으로 제공됩니다. &lt;/span&gt;&lt;a href="http://console.cloud.google.com/"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud 콘솔&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 사용해 보거나&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/express-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB Express 문서 페이지&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 시작하는 방법을 자세히 알아보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 11 Nov 2026 06:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/introducing-alloydb-express-for-rapid-testing-and-prototyping/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AlloyDB Express: 개발자와 코딩 에이전트를 위한 즉각적인 Scale-to-zero PostgreSQL</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/introducing-alloydb-express-for-rapid-testing-and-prototyping/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Ravi Murthy</name><title>Sr. Director of Engineering, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Gopal Ashok</name><title>Group Product Manager, Databases</title><department></department><company></company></author></item><item><title>마이그레이션 그 이상: 디스크 축소를 위한 Database Migration Service 사용</title><link>https://cloud.google.com/blog/ko/products/databases/use-dms-to-shrink-cloud-sql-for-sql-server-disk/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/use-dms-to-shrink-cloud-sql-for-sql-server-disk?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터베이스 엔지니어는 '데이터베이스 마이그레이션'이라는 말을 들으면 일반적으로 일회성 온보딩 경로, 즉 데이터베이스를 온프레미스 환경에서 클라우드로 또는 서로 다른 클라우드 제공업체 간에 이동하는 것을 떠올립니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;하지만 Google Cloud의&lt;/span&gt;&lt;a href="https://cloud.google.com/database-migration"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Database Migration Service&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(DMS)는&lt;/span&gt;&lt;a href="https://medium.com/google-cloud/optimize-cloud-sql-for-sql-server-with-database-migration-service-f2a399ea6e07" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;SQL Server용 Cloud SQL을 소스로&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 지원합니다. 이를 통해 Google Cloud 내 SQL Server 고객은 기존과는 다른 강력한 운영 패턴을 활용할 수 있습니다. DMS는 동일한 프로젝트, 여러 프로젝트 또는 여러 리전에서 Cloud SQL 인스턴스 간에 지속적이고 다운타임이 짧은 데이터베이스 복제를 지원하므로 스토리지 관리와 같은 2일 차 운영을 위한 일상적인 유틸리티로 사용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 게시물에서는 SQL Server용 Cloud SQL과 함께 DMS를 활용하는 운영상의 강력한 사용 사례인 최소한의 애플리케이션 다운타임으로 디스크 축소를 실행하는 방법을 살펴봅니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;디스크를 축소해야 하는 이유는 무엇인가요?&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;많은 프로덕션 환경에서 데이터베이스 스토리지는 한 방향, 즉 위로만 이동합니다. Cloud SQL &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/instance-settings#automatic-storage-increase-2ndgen"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;자동 스토리지 증가&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;와 같은 기능은 예기치 않은 트래픽 급증, 대규모의 일괄 가져오기, 색인 유지보수 또는 임시 스테이징 로드 중에 공간 부족으로 인해 서비스가 중단되는 것을 방지하는 데 필수적입니다. 마찬가지로 애플리케이션의 수명 주기 동안 이전 레코드를 보관처리하거나, 오래된 데이터를 영구 삭제하거나, 사용하지 않는 색인을 삭제할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터가 삭제되면 SQL Server는 데이터 파일(.mdf, .ndf) 내의 여유 공간을 향후 쓰기 작업에 재사용할 수 있는 것으로 표시합니다. 마찬가지로 로그 자르기는 트랜잭션 로그 파일(.ldf) 내의 공간을 확보합니다. 그러나 데이터베이스 파일 자체는 AUTO_SHRINK가 구성되지 않는 한 최대 사용 공간을 계속 유지합니다. 이 설정은 일반적으로 심각한 색인 단편화 및 성능 오버헤드로 인해 프로덕션에는 권장하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://learn.microsoft.com/en-us/sql/t-sql/database-console-commands/dbcc-shrinkfile-transact-sql?view=sql-server-ver17" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DBCC SHRINKFILE&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하여 데이터베이스 파일에 대한 수동 축소 작업을 수행하면 SQL Server 파일에서 사용하지 않는 공간을 기본 디스크로 다시 해제할 수 있습니다. 데이터베이스 파일을 축소한 후에도 Cloud SQL 영구 디스크는 할당된 최대 용량을 유지합니다. 조만간 데이터베이스가 할당된 디스크 공간으로 다시 확장될 가능성이 낮다면 디스크 자체를 축소하여 지속적인 스토리지 비용을 줄이는 것이 좋습니다. 특히 다음과 같은 시나리오에서는 더욱 그렇습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;주요 데이터 보관처리 또는 영구 삭제 후:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 이전 데이터를 콜드 스토리지 또는 BigQuery로 영구적으로 이동했으며 이제 활성 데이터 세트가 최대 크기의 일부에 불과합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;일회성 스토리지 급증 복구:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 통제 불가한 트랜잭션, 대규모 데이터 마이그레이션 또는 임시 스테이징 로드로 인해 스토리지 자동 증가가 트리거되었고 이로 인해 더 이상 필요하지 않은 프로비저닝된 디스크 용량에 대해 테라바이트 단위로 비용을 지불합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;리팩터링 또는 스키마 최적화 후:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 모놀리식 데이터베이스에서 테이블을 별도의 서비스로 분할하거나, 사용하지 않는 대규모 색인을 삭제하거나, 데이터 압축을 적용했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;아래 쿼리를 사용하면 데이터베이스의 각 데이터베이스 파일에 할당된 용량과 사용 가능한 여유 공간을 모두 검사할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;SELECT \r\n    DB_NAME() AS [DatabaseName],\r\n    name AS [LogicalName],\r\n    type_desc AS [FileType],\r\n    -- Allocated size on disk (converted from 8KB pages to MB)\r\n    CAST(size / 128.0 AS DECIMAL(18, 2)) AS [AllocatedSize_MB], \r\n    -- Actually used space inside the file\r\n    CAST(FILEPROPERTY(name, &amp;#x27;SpaceUsed&amp;#x27;) / 128.0 AS DECIMAL(18, 2)) AS [UsedSpace_MB], \r\n    -- Free space left in the allocated file\r\n    CAST((size - FILEPROPERTY(name, &amp;#x27;SpaceUsed&amp;#x27;)) / 128.0 AS DECIMAL(18, 2)) AS [FreeSpace_MB],    \r\n    -- Percentage of allocated space that is used\r\n    CAST((FILEPROPERTY(name, &amp;#x27;SpaceUsed&amp;#x27;) * 100.0) / size AS DECIMAL(18, 2)) AS [SpaceUsed_Percent]\r\nFROM sys.database_files;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e400890&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Monitoring에서 다음과 같은 주요 Cloud SQL 측정항목을 모니터링하여 프로비저닝된 디스크 할당량이 실제 디스크 사용량을 크게 초과하는지 확인하면 디스크 축소 기회를 파악할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;database/disk/bytes_used&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;: 데이터베이스 파일과 로그가 현재 사용 중인 실제 디스크 공간의 양을 추적합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;database/disk/quota&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;: 인스턴스에 할당된 총 디스크 프로비저닝 용량을 나타냅니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL은 할당되지 않은 디스크 공간을 회수할 수 있는 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/about-storage-shrink"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;스토리지 축소 기능&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 기본으로 제공하며, 이 기능은 워크로드가 계획된 유지보수 기간을 허용할 수 있는 경우에 잘 작동합니다. 그러나 기본 디스크 축소에는 할당된 총 디스크 크기에 비례하는 인스턴스 다운타임이 필요합니다. 즉, 멀티 테라바이트 드라이브의 경우 몇 시간 동안 오프라인 유지보수가 필요할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 SLA가 연장된 다운타임을 수용할 수 없는 경우 Database Migration Service(DMS)는 다운타임을 최소화할 수 있는 대안을 제공합니다. 데이터베이스를 더 작고 적절한 크기의 디스크가 있는 새로 프로비저닝된 Cloud SQL 인스턴스에 지속적으로 복제하면 애플리케이션이 온라인 상태를 유지하는 동안 사용하지 않는 스토리지를 회수할 수 있으며, 짧은 컷오버 기간만 필요합니다. 이 접근 방식으로 컷오버 기간을 짧게 유지할 수 있는 이유를 이해하기 위해 먼저 DMS가 어떻게 내부적으로 SQL Server용 Cloud SQL 인스턴스 간에 데이터를 복제하는지 살펴보겠습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;DMS의 내부 작동 방식: SQL Server용 Cloud SQL 인스턴스 간 복제&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DMS를 효과적으로 활용하려면 기본 복제 메커니즘을 이해하는 것이 좋습니다. SQL Server용 Cloud SQL 인스턴스 간에 마이그레이션할 때 DMS는 네이티브 SQL Server 로그 전달과 유사한 동기화 프로세스를 조정합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_oV7twdV.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;초기 전체 백업: 선택한 사용자 데이터베이스의 초기 전체 백업(.bak)을 캡처하고 대상 인스턴스에 복원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;지속적인 로그 백업: 트랜잭션 로그 백업(.trn)을 지속적으로 캡처하고 적용하여 대상 인스턴스를 거의 실시간으로 동기화합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;동기화는 사용자 데이터베이스 수준에서 이루어지므로 로그인, 연결된 서버, SQL Server 에이전트 작업과 같이 데이터베이스 외부에 있는 객체는 대기 인스턴스에 자동으로 복제되지 않습니다. 따라서 서버 수준 객체는 수동으로 마이그레이션해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;다운타임을 최소화하는 디스크 축소&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 지속적 복제 파이프라인을 사용하면 긴 유지보수 기간을 거치지 않고도 할당되지 않은 스토리지를 회수할 수 있습니다. 인스턴스가 오프라인 상태인 동안 기존 디스크를 축소하는 대신, 프로덕션 애플리케이션이 온라인 상태를 유지하는 동안 워크로드를 적절한 크기의 디스크가 있는 새로 프로비저닝된 Cloud SQL 인스턴스로 마이그레이션합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_tYQzUPq.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;DMS 디스크 축소 워크플로&lt;/strong&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;적절한 크기의 더 작은 디스크로 새 대상 인스턴스를 프로비저닝합니다(트랜잭션 로그와 향후 데이터 증가를 위해 충분한 여유 공간을 남겨둠).&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;기존 Cloud SQL 인스턴스를 소스로 사용하여 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/database-migration/docs/sqlserver/csql-sql-server-src-guide"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;연속 DMS&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 작업을 시작합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 애플리케이션이 중단 없이 실행되는 동안 복제가 따라잡을 수 있도록 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;간단한 컷오버 수행: 애플리케이션 트래픽을 중지하고, 최종 트랜잭션 로그를 적용하고, DMS에서 대상 인스턴스를 승격하고, 애플리케이션을 다시 가리킵니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;비교: 기본 축소와 DMS 마이그레이션&lt;/span&gt;&lt;/h4&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_lOKgFLx.max-1000x1000.png"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;위의 비교에서 볼 수 있듯이 DMS는 사용자 데이터베이스 수준에서 워크로드를 새 인스턴스로 마이그레이션하므로 원활한 컷오버를 위해서는 데이터와 함께 서버 수준 객체 및 사용자 매핑을 마이그레이션해야 합니다. 런북에 포함해야 할 필수 컷오버 전후 단계를 살펴보겠습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;컷오버 전후 필수사항: 데이터베이스 복제 그 이상 &lt;/strong&gt;&lt;/h3&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;컷오버 전 준비: 서버 수준 객체 마이그레이션&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DMS는 사용자 데이터베이스 수준에서 작동하므로 서버 수준 객체는 자동으로 복제되지 않습니다. 컷오버 전에 대상 인스턴스에서 수동으로 만들어야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/export-logins"&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;sp_help_revlogin&lt;/code&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하여 소스에서 로그인을 스크립팅하고 대상 인스턴스에서 다시 만듭니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;SQL Server 에이전트 작업 및 서버 수준 객체: DMS는 서버 인스턴스 상태가 아닌 데이터베이스를 복제하므로 사용자 데이터베이스 외부의 객체는 소스에서 스크립팅하여 대상 Cloud SQL 인스턴스에 배포해야 합니다. SQL Server Management Studio(SSMS)에서 소스 인스턴스에 연결하고 객체 탐색기에서 객체로 이동한 후 마우스 오른쪽 버튼을 클릭하고 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Script [Object] as &amp;gt; CREATE To &amp;gt; New Query Window / File&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;을 선택합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;SQL Server 에이전트 작업(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;SQL Server Agent &amp;gt; Jobs&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;): 생성된 스크립트를 검사하여 작업 단계가 온프레미스 파일 경로 또는 지원되지 않는 OS 종속 항목을 참조하지 않는지 확인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;연결된 서버(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Server Objects &amp;gt; Linked Servers&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;): 정확히 동일한 스크립팅 접근 방식을 따릅니다. 배포하기 전에 Cloud SQL 인스턴스에서 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;cloudsql.linked_servers&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 데이터베이스 플래그를 사용 설정해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;확장 이벤트(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;Management &amp;gt; Extended Events &amp;gt; Sessions&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;): 동일한 스크립팅 접근 방식을 따릅니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;TDE가 사용 설정된 인스턴스의 경우 미리 소스에서 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/use-tde#export-tde-certificate"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TDE 인증서를 내보내고&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 대상에서 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/use-tde#import-external-tde-certificate"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TDE 인증서를 가져와야&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 합니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;인스턴스 구성(예: 데이터베이스 플래그, Active Directory, Entra ID 구성 등): 소스 설정과 정확히 일치하도록 대상 인스턴스에서 수동으로 구성해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Polybase를 사용하는 경우 데이터베이스 범위 사용자 인증 정보가 올바르게 작동하려면 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/configure-external-data-sources#manage-the-dmk"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;DMK를 다시 암호화&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;컷오버 후 해결: 분리된 데이터베이스 사용자 해결&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;서버 인스턴스에 없거나 잘못 구성된 SQL Server 로그인에 매핑된 데이터베이스 사용자는 인증할 수 없습니다. 이를 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;분리된 사용자&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;라고 합니다. 대상 인스턴스에서 생성된 로그인은 마이그레이션된 데이터베이스에 보존된 소스 SID와 일치하지 않는 고유한 보안 식별자(SID)를 갖게 되므로 기본적으로 사용자는 분리됩니다. 이 문제는 컷오버 후 대상 데이터베이스가 온라인 상태가 될 때 수동으로 다시 매핑하여 해결할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;분리된 사용자 감지 및 재매핑: &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/export-logins"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;sp_help_revlogin&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하면 로그인 마이그레이션 중에 SID가 보존되지만, 다른 방법을 통해 대상 인스턴스에 로그인을 만들면 새로운 서버 수준의 SID가 생성됩니다. 이러한 SID는 DMS로 복원된 사용자 데이터베이스에 보관된 소스 SID와 다르기 때문에 데이터베이스 사용자는 컷오버 후 분리 상태가 되며 다시 매핑해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p style="padding-left: 80px;"&gt;&lt;span style="vertical-align: baseline;"&gt;1. 분리된 사용자 감지: 각 대상 사용자 데이터베이스에 연결하고 Microsoft의 공식 &lt;/span&gt;&lt;a href="https://learn.microsoft.com/en-us/sql/sql-server/failover-clusters/troubleshoot-orphaned-users-sql-server?view=sql-server-ver17#detect-orphaned-users" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;분리된 사용자 문제 해결 가이드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 진단 쿼리를 실행합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;SELECT dp.type_desc, dp.sid, dp.name AS user_name\r\nFROM sys.database_principals AS dp\r\nLEFT JOIN sys.server_principals AS sp ON dp.sid = sp.sid\r\nWHERE sp.sid IS NULL AND dp.authentication_type_desc = &amp;#x27;INSTANCE&amp;#x27;;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5eb10f10&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p style="padding-left: 80px;"&gt;&lt;span style="vertical-align: baseline;"&gt;2. 분리된 사용자 수정(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ALTER USER&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;): 쿼리에서 반환된 각 데이터베이스 연결 해제 사용자에 대해 해당 데이터베이스의 컨텍스트 내에서 다음 문을 실행하여 주 구성원과 해당 권한을 새 Cloud SQL 서버 로그인에 깔끔하게 다시 매핑합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;ALTER USER [user_name] WITH LOGIN = [login_name];&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5eb13390&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;요약 및 다음 단계&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;DMS는 온프레미스 환경에서 Google Cloud로의 일회성 브리지 그 이상입니다. Cloud SQL 엔지니어의 툴킷에서 2일 차 운영을 위한 다목적 도구입니다. 엄격한 프로덕션 SLA로 인해 기본 디스크 축소를 위한 긴 유지보수 기간을 확보할 수 없는 경우, DMS는 안정적인 관리형 복제 파이프라인을 제공하여 최소한의 다운타임으로 스토리지 사용 공간을 적절한 크기로 조정하고 인프라 비용을 절감할 수 있도록 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;SQL Server용 Cloud SQL을 DMS 소스로 구성하려면 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/database-migration/docs/sqlserver/csql-sql-server-src-guide"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;공식 문서를 살펴보세요&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;. Google Cloud에서 SQL Server를 처음 실행하는 경우 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/sqlserver/introduction"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;SQL Server용 Cloud SQL 소개&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 확인해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 10 Nov 2026 12:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/use-dms-to-shrink-cloud-sql-for-sql-server-disk/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>마이그레이션 그 이상: 디스크 축소를 위한 Database Migration Service 사용</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/use-dms-to-shrink-cloud-sql-for-sql-server-disk/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Nithin Tomson</name><title>Database Engineer</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Adi Shtatfeld</name><title>Senior Product Manager</title><department></department><company></company></author></item><item><title>Oracle AI Database@Google Cloud의 최신 혁신 기술로 에이전트형 엔터프라이즈 지원</title><link>https://cloud.google.com/blog/ko/products/databases/oracle-ai-databasegoogle-cloud-whats-new-at-oracle-ai-world/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/oracle-ai-databasegoogle-cloud-whats-new-at-oracle-ai-world?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;수십 년 동안 글로벌 공급망과 재무 원장부터 결제 엔진에 이르기까지 기업의 핵심 운영은 Oracle 데이터베이스의 성능과 트랜잭션 무결성에 의존해 왔습니다. 오늘 라스베이거스에서 열린&lt;/span&gt;&lt;a href="https://www.oracle.com/ai-world/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle AI World&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 Google Cloud와 Oracle은 Oracle AI Database@Google Cloud,&lt;/span&gt;&lt;a href="https://cloud.google.com/data-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google의 에이전트형 데이터 클라우드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;, Gemini Enterprise 간의 통합을 강화하여 AI 컴퓨팅 및 인프라(Oracle Cloud Infrastructure를 통한 Google TPU 제공 포함), 엔터프라이즈 데이터, 에이전트 AI를 아우르는 AI 스택 전반에서 파트너십을 확대한다고 발표했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle의 미션 크리티컬 운영 데이터와 애플리케이션을 BigQuery, Gemini Enterprise, Gemini 모델을 비롯한 Google Cloud의 데이터 및 AI 생태계와 통합함으로써 기업은 정적 분석을 넘어 자율적인 에이전트형 워크플로를 구축할 수 있습니다. 이 아키텍처는 기존의 데이터 사일로를 허물어 에이전트가 실제 작업을 수행하는 데 필요한 기본 엔터프라이즈 데이터에 직접적이고 안전하게 실시간으로 액세스할 수 있도록 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트 AI를 위한 기본 구성요소&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 수준의 에이전트 AI를 실현하려면 모델 자체의 성능만으로는 부족합니다. 강력한 데이터베이스 연결, 통합 데이터 거버넌스, 풍부한 시맨틱 컨텍스트가 유기적으로 결합된 기반이 필요합니다. Google Cloud Next '26에서 처음 발표된 다음 핵심 기능은 Oracle AI Database@Google Cloud에서 대화형 인텔리전스, 엔드 투 엔드 거버넌스, 자율 에이전트 환경을 빌드하기 위한 핵심 기반이 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/oracle/database/docs/use-oracledatabase-mcp"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Data API를 사용하는 원격 MCP 서버&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;: IAM으로 관리되는 ExecuteSQL Data API를 기반으로 하는 Oracle 워크로드용 원격 모델 컨텍스트 프로토콜(MCP) 서버가 이제 정식 버전으로 제공됩니다. 이 두 기능은 AI 에이전트, Google Cloud 서비스, 엔터프라이즈 애플리케이션이 SQL을 안전하게 실행하고 Oracle 데이터베이스와 직접 상호작용할 수 있는 통합된 표준 인터페이스를 제공합니다. 이 기능은 Secret Manager를 통해 데이터베이스 사용자 인증 정보를 자동으로 확인하고 Google Cloud IAM 정책을 적용하므로 커스텀 자연어-SQL 미들웨어, 배스천 VM 또는 일반 텍스트 비밀번호가 필요하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/knowledge-catalog/docs/introduction"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog 통합&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;: 현재 프리뷰 버전으로 제공되는 Google Cloud의 Knowledge Catalog 통합 기능은 Oracle 데이터베이스와 더 광범위한 Google 에이전트형 데이터 클라우드 전반에 걸쳐 엔터프라이즈 메타데이터 검색 및 거버넌스를 통합합니다. 스키마와 비즈니스 메타데이터를 자동으로 카탈로그화하여 조직은 일관된 액세스 제어를 시행하고, 데이터 출처를 추적하며, 에이전트가 복잡한 운영 데이터를 정확하게 추론하는 데 필요한 풍부한 시맨틱 컨텍스트를 제공할 수 있습니다.이 기능을 신청하려면 &lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSf3gSDItjmOSsusMr-3opC8Yzfq8cc1mo8onkNTnyuDVAiIJA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기를 클릭&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Oracle AI Database@Google Cloud용 Gemini 커넥터&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는 앞서 설명한 기본 기능을 기반으로 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Oracle AI Database@Google Cloud용 Gemini 커넥터&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;의 프리뷰 버전도 발표합니다. 이러한 기본 통합을 통해 비즈니스 사용자와 개발자는 Gemini 앱 내에서 바로 자연어로 질문하여 Oracle AI Database@Google Cloud의 Oracle 데이터베이스와 직접 상호작용할 수 있습니다. Gemini는 백그라운드에서 Knowledge Catalog를 자동으로 활용하여 각 사용자에게 액세스 권한이 부여된 관리형 Oracle 데이터에서만 응답을 검색하고 그라운딩합니다. 이를 통해 복잡한 운영 데이터베이스를 엔터프라이즈 보안을 저해하지 않으면서 직관적인 대화형 환경으로 전환할 수 있습니다.이 기능을 신청하려면 &lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSf3gSDItjmOSsusMr-3opC8Yzfq8cc1mo8onkNTnyuDVAiIJA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기를 클릭&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하세요. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemini의 Oracle, Oracle의 Gemini&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud와 Oracle은 직접적인 데이터베이스 쿼리를 넘어 더 광범위한 애플리케이션 계층에서 에이전트형 워크플로를 연결하고 있습니다. 이를 위해 Oracle 데이터를 Gemini Enterprise로 가져오고 Gemini 모델을 Oracle 애플리케이션에 기본적으로 임베딩하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Gemini Enterprise의 Oracle:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 현재 제공되는 Gemini Enterprise의 Oracle은 대화형 분석, 크로스 클라우드 데이터베이스 커넥터, 도메인 인식 에이전트를 도입하며, 여기에는 Gemini Enterprise의 새로운 Oracle AI Database Agent가 포함됩니다. 135개 이상의 사전 빌드된 운영 및 개발자 스킬과 일반 텍스트 사용자 인증 정보를 사용하지 않는 표준화된 MCP 연결을 기반으로 기업은 커스텀 SQL이나 불안정한 미들웨어 없이 JD Edwards, E-Business Suite, NetSuite, Oracle Fusion 전반에서 멀티 에이전트 워크플로를 조정할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Oracle 애플리케이션의 Gemini 모델&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 이와 동시에 Gemini의 첨단 추론 기능이&lt;/span&gt;&lt;a href="https://www.oracle.com/kr/news/announcement/oracle-to-make-gemini-models-available-2026-07-30/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle Fusion AI Agent Studio&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.oracle.com/kr/news/announcement/oracle-extends-fusion-agentic-applications-with-introduction-of-fusion-claw-2026-09-29/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Fusion Claw&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;, Oracle Fusion Applications, NetSuite에 직접 내장되어 Oracle 데이터베이스 인텔리전스와 Gemini의 에이전트 기능을 결합함으로써 트랜잭션 레코드 시스템 전반에서 작업 실행을 자동화합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;파트너 지원 에이전트형 청사진:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 조직이 이러한 관리된 워크플로를 신속하게 배포할 수 있도록 Google Cloud와 Oracle은&lt;/span&gt;&lt;a href="https://digitalfoundations.argano.com/jde-resolution-studio-on-google-cloud-marketplace#gemini-agents" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Argano&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.prnewswire.com/news-releases/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Automus&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.calfus.com/resources/category/press-release/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Calfus&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.hcltech.com/press-release" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;HCL&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://newsroom.ibm.com/announcements" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;IBM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.infosys.com/newsroom/press-releases.html" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Infosys&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.ltm.com/insights/povs/from-legacy-infrastructure-constraint-to-an-intelligent-erp-platform" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;LTM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.pythian.com/news/pythian-announces-integration-with-gemini-to-help-accelerate-cloud-migration-for-oracle-applications?hs_preview=tpYkZgFR-225190305614" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Pythian&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.tcs.com/who-we-are/newsroom" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TCS&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://www.tessell.com/blog/tessell-agentic-database-lifecycle-management-gemini" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Tessell&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 비롯한 파트너 및 글로벌 시스템 통합업체와 협력하고 있습니다. 이들은 프로덕션 수준의 에이전트형 아키텍처를 위한 사전 빌드된 운영 스킬, 커스텀 MCP 커넥터, 업계 청사진을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;레이크하우스, 스트리밍, 제휴를 통한 선택의 폭 확대&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;각 기업은 Oracle 운영 데이터를 BigQuery 및 AI 워크로드에 연결할 때 고려해야 할 아키텍처 우선순위, 지연 시간 기준, 거버넌스 요구사항이 저마다 다릅니다. Google Cloud와 Oracle은 일률적인 통합 패턴을 적용하는 대신 다양한 데이터 통합 옵션을 제공하여 고객이 워크로드와 사용 사례에 가장 적합한 방식을 선택하거나 여러 방식을 결합할 수 있도록 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud Borderless Lakehouse와 Oracle AI Lakehouse의 양방향 통합&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;현대적인 엔터프라이즈 데이터 아키텍처는 점차 멀티 클라우드화되고 개방형 표준을 기반으로 구축되고 있습니다. Google Cloud와 Oracle은 전략적 파트너십을 바탕으로 올해 초 개방형 Apache Iceberg 표준을 기반으로 한 크로스 클라우드 데이터 상호 운용성을 지원하는 핵심 혁신 기술을 선보였습니다. 바로 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Google의 Borderless Lakehouse와&lt;/strong&gt;&lt;a href="https://www.oracle.com/autonomous-database/autonomous-ai-lakehouse/" rel="noopener" target="_blank"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle AI Lakehouse&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 통합입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 통합을 통해 Borderless Lakehouse는 두 플랫폼에서 지원하는 카탈로그와 스토리지를 활용하여 퍼블릭 클라우드나 온프레미스 환경 어디에서든 Oracle AI Lakehouse가 만든 Apache Iceberg 테이블을 읽을 수 있게 되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘 Google Cloud는 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Cloud Borderless Lakehouse에 대한 Oracle 액세스(프리뷰)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 통해 완전한 양방향 통합을 구현함으로써 한 단계 더 발전했습니다. 이제 Oracle Autonomous AI Database와 Google의 Borderless Lakehouse(BigQuery 및 Managed Spark 기반)는 Google Cloud Storage의 공유 Apache Iceberg 테이블에서 직접 쿼리하고 쓰기/DML 작업을 실행할 수 있으므로 ETL이나 데이터 복제가 전혀 필요하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 양방향 통합은 DBMS_CATALOG를 통해 Oracle에 통합된 Lakehouse 런타임 REST 카탈로그를 활용하여 개방형 표준 스토리지 프레임워크를 제공하는 동시에 분석팀(BigQuery 및 Gemini 사용)과 운영팀(Oracle SQL 사용)이 통합된 단일 정보 소스를 기반으로 협업할 수 있도록 지원합니다. &lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSf3gSDItjmOSsusMr-3opC8Yzfq8cc1mo8onkNTnyuDVAiIJA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기를 클릭&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하여&lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSf3gSDItjmOSsusMr-3opC8Yzfq8cc1mo8onkNTnyuDVAiIJA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;이 기능을 신청할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;OCI GoldenGate를 사용한 1초 미만의 CDC 스트리밍&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;대규모 분석 및 AI를 위해 BigQuery 내에서 미션 크리티컬 운영 데이터를 지속적으로 반영하려는 조직은 실시간 변경 데이터 캡처(CDC)를 통해 즉각적인 경쟁 우위를 확보할 수 있습니다. &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/oracle/database/docs/deploy-and-connect"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;기본 OCI GoldenGate 통합&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하면 테이블 블록을 건드리거나 트랜잭션 워크로드에 추가적인 오버헤드를 발생시키지 않고도 Oracle 재실행 로그에서 CDC 이벤트를 직접 추출할 수 있습니다. 트랜잭션은 Google Cloud의 비공개 네트워크를 통해 BigQuery 관리형 테이블로 직접 안전하게 스트리밍되므로 1초 미만의 분석 최신성을 제공하여 Gemini, Feature Store, 실시간 비즈니스 인텔리전스 대시보드를 지원하는 동시에 온프레미스 환경에서 Oracle AI Database@Google Cloud로의 마이그레이션을 간소화합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle을 사용한 BigQuery 쿼리 제휴&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터를 이동하지 않고 필요할 때 운영 데이터를 확인하거나 가끔씩 교차 자산 조인을 수행해야 하는 워크로드의 경우 프리뷰 버전으로 제공되는 Oracle과의 BigQuery 쿼리 제휴 기능을 사용하면 실시간 Oracle 데이터베이스에 대해 인플레이스 방식으로 바로 분석을 실행할 수 있습니다. 데이터팀은 EXTERNAL_QUERY 함수를 사용하여 BigQuery 쿼리, 대시보드, 파이프라인에서 직접 네이티브 Oracle SQL을 실행하여 실시간 트랜잭션 레코드를 검색하고 페타바이트 규모의 BigQuery 데이터 세트와 손쉽게 조인할 수 있습니다. 이 제로 카피 접근 방식은 임시 조회, 일중 위험 보고, 실시간 사기 감지를 위한 중복 데이터 저장 및 ETL 유지보수를 제거하여 운영을 간소화하고 총소유비용(TCO)을 낮춥니다. 이 기능을 신청하려면 Google Cloud 계정팀에 문의하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;p&gt; &lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table style="width: 100.032%;"&gt;&lt;colgroup&gt;&lt;col style="width: 17.7461%;"/&gt;&lt;col style="width: 25.4447%;"/&gt;&lt;col style="width: 15.5278%;"/&gt;&lt;col style="width: 15.6564%;"/&gt;&lt;col style="width: 25.4467%;"/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;아키텍처 옵션&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;메커니즘&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 최신 상태 및 지연 시간&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;Oracle OLTP에 미치는 영향&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;주요 사용 사례&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;양방향 Borderless Lakehouse&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lakehouse 런타임 REST 카탈로그(DBMS_CATALOG) 및 Glue Federation을 통해 공유되는 Apache Iceberg 테이블&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;실시간 공유 스토리지(제로 카피)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;없음(공유 분석 스토리지 레이어)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;멀티 클라우드 개방형 상호 운용성, 공급업체 종속 없는 통합 BigQuery/Spark/Oracle SQL 액세스&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;OCI GoldenGate를 통한 실시간 CDC&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Storage Write API를 통해 BigQuery로 지속적인 로그 기반 스트리밍&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;거의 실시간/1초 미만&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;없음(재실행 로그에서 비침습적 추출)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery의 미션 크리티컬 운영 반영, 실시간 AI Feature Store, 지속적인 ML 및 BI 파이프라인&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery 쿼리 제휴(프리뷰)&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery Connection API를 통해 EXTERNAL_QUERY를 사용하여 인플레이스 방식으로 쿼리 실행&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;주문형/실시간 인플레이스 방식&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;가변적(쿼리에 따라 다름)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;간헐적인 임시 쿼리, 제로 카피 조회, 교차 자산 조인, 규제 보고&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;글로벌 확장 및 공공 부문 규정 준수&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는 고객이 어디에서 사업을 운영하든 고객을 지원할 수 있도록 새로운 리전과 인증을 추가하여 Oracle AI Database@Google Cloud의 세계적인 물리적 입지와 규정 준수 범위를 지속적으로 확장하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/oracle/database/docs/regions-and-zones#exadata"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;새로운 리전 출시&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;europe-west12-a&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;(이탈리아 토리노) 및 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;northamerica-south1-b&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;(멕시코 케레타로) 리전이 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;새롭게 운영을 시작했습니다&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;. 이러한 리전은 밀라노, 아이오와, 상파울루, 도쿄, 시드니, 뭄바이 등의 글로벌 허브와 함께 매우 짧은 지연 시간의 액세스와 로컬 데이터 레지던시를 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;FedRAMP High 인증&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle은 Oracle AI World에서 Oracle AI Database@Google Cloud에 대한 FedRAMP High 인증을 추진할 계획이라고 발표했습니다. 이 이니셔티브를 통해 미국 정부 및 공공 부문 기관은 Google Cloud Assured Workloads 내의 전용 인프라에서 Oracle Exadata Database Service를 사용하여 규제 대상 워크로드를 실행할 수 있게 됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;FedRAMP High 승인을 받은 환경에서 운영하면 연방 기관은 민감한 비기밀 데이터를 보호하는 동시에 Oracle 워크로드를 기존 애플리케이션 및 Gemini와 함께 배치할 수 있습니다. 기관은 Google Cloud Marketplace 또는 인증된 파트너를 통해 최소한의 지연 시간, 간소화된 결제 및 조달로 실시간 Oracle 데이터에 액세스할 수 있으며, 이 모든 것이 규정 준수 범위 내에서 이루어집니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트형 미래 구축&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle의 검증된 트랜잭션 엔진과 Google의 에이전트형 데이터 클라우드를 결합하면 엔터프라이즈 데이터가 단순히 정보를 기록하는 수동적인 시스템에서 능동적이고 지능적인 운영 엔진으로 발전합니다. 개방형 Apache Iceberg 레이크하우스를 통해 데이터를 통합하든, GoldenGate를 통해 1초 미만의 지연으로 변경사항을 스트리밍하든, BigQuery에서 실시간 쿼리를 제휴하든, Gemini를 통해 관리되는 Oracle 데이터와 직접 대화하든, 이제 조직은 자율 AI 에이전트를 대규모로 배포하는 데 필요한 유연성과 보안을 모두 확보하여 가장 중요한 비즈니스 프로세스 전반에서 예측 인사이트를 도출하고 작업을 자동화할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle AI Database@Google Cloud는&lt;/span&gt;&lt;a href="https://console.cloud.google.com/marketplace/product/oracle/oracle-database-at-google-cloud"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud Marketplace&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 직접 제공되므로 기존 Google Cloud 약정, 통합 결제, Oracle Support Rewards를 사용하여 배포할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;자세히 알아보려면&lt;/span&gt;&lt;a href="https://www.oracle.com/cloud/google/oracle-database-at-google-cloud/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle AI Database@Google Cloud 개요&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 또는 공식&lt;/span&gt;&lt;a href="https://docs.oracle.com/en-us/iaas/Content/database-at-gcp/home.htm" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Oracle Database@Google Cloud 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 살펴보거나 Google Cloud 계정팀에 문의하여 아키텍처 브리핑을 예약하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 03 Nov 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/oracle-ai-databasegoogle-cloud-whats-new-at-oracle-ai-world/</guid><category>Partners</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Oracle AI Database@Google Cloud의 최신 혁신 기술로 에이전트형 엔터프라이즈 지원</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/oracle-ai-databasegoogle-cloud-whats-new-at-oracle-ai-world/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Kiran Shenoy</name><title>Outbound Product Manager, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Kunal Agarwal</name><title>Product Manager, Databases</title><department></department><company></company></author></item><item><title>다운타임이 거의 없는 업그레이드: MySQL용 Cloud SQL 블루-그린 배포 발표</title><link>https://cloud.google.com/blog/ko/products/databases/cloud-sql-blue-green-deployments/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/cloud-sql-blue-green-deployments?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 데이터베이스를 지원되는 버전으로 유지하기 위해 주말을 포기할 필요는 없습니다. 조직이 보안과 규정 준수를 유지하고 최상의 성능과 최신 AI 기능을 활용하려면 최신 데이터베이스 엔진 버전을 실행해야 합니다. 하지만 많은 팀에게 메이저 버전 업그레이드는 수 주에 걸친 팀 간 조율, 짧은 유지보수 기간 확보를 위한 협상, 몇 시간씩 이어지는 애플리케이션 다운타임이라는 부담을 안겨줍니다. 연중무휴 24시간 운영되는 미션 크리티컬 애플리케이션과 AI 에이전트가 일상화된 요즘 시대에는 짧은 유지보수 중단만으로도 고객 경험을 저해하고 수익 손실로 이어질 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이를 위해 MySQL용 Cloud SQL을 시작으로&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/mysql/about-blue-green-deployments"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud SQL의 완전 관리형 블루-그린 배포 기능의 프리뷰&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;가 출시되었다는 기쁜 소식을 전해 드립니다. 이제 Google Cloud 콘솔 또는 자동화된 CLI 스크립트를 통해 최소한의 다운타임으로 메이저 버전 업그레이드 및 구성 업데이트를 실행할 수 있습니다. 병렬 환경을 지속적으로 동기화함으로써 팀은 프로덕션 데이터로 안전하게 테스트한 후에 원활하게 컷오버할 수 있습니다. 또한 전환 후에도 기존 데이터베이스를 안정적인 안전자치로 유지할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;업그레이드 딜레마가 비즈니스에 중요한 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;MySQL 8.0에서 8.4로의 전환과 같은 메이저 버전 업그레이드를 미루면 보안 취약점에 쉽게 노출될 수 있으며 성능 개선과 최신 AI 기능을 활용할 기회도 놓치게 됩니다. 변경사항을 테스트하고 인플레이스 업그레이드 다운타임을 방지하기 위해 팀에서는 블루-그린 배포를 사용하는 경우가 많습니다. 이는 운영 중인 데이터베이스(블루)와 별도로 업그레이드된 스테이징 사본(그린)을 구축하여 변경사항을 테스트한 후 준비가 완료되면 트래픽을 전환하는 방식입니다. 하지만 블루-그린 환경을 수동으로 구축하고 동기화하며 안전하게 컷오버하는 과정은 매우 복잡합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL의 완전 관리형 블루-그린 배포를 사용하면 데이터베이스 업그레이드를 위험 부담이 크고 주말을 반납해야 하는 복잡한 작업에서 다운타임이 거의 없고 예측 가능한 작업으로 전환할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt; &lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;                기존 업그레이드&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;관리형 블루-그린 방식&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;심야 유지보수:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 토요일 새벽 2시와 같은 심야에 몇 시간 동안의 다운타임 일정을 별도로 설정해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;업무 시간 중 업그레이드: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;스테이징, 동기화, 테스트가 일반 업무 시간 동안 백그라운드에서 진행됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;제한된 테스트 옵션&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 테스트가 비프로덕션 환경으로 제한되어 운영상의 위험이 증가합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;컷오버 전 검증:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 트래픽을 전환하기 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;전에&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 실시간 프로덕션 데이터 사본을 대상으로 실제 애플리케이션을 안전하게 테스트합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;부담이 큰 롤백:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 문제가 발견되면 수 시간에 걸쳐 다시 구축하거나 백업에서 복원해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 제공되는 대체 기능: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;문제가 발생하면 업그레이드를 취소하고 블루 인스턴스를 그대로 유지하거나, 컷오버 후에도 '이전 블루' 인스턴스를 수동 대체용으로 보관할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;기술적 차별화 요소&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL을 사용하면 관리형 블루-그린 배포를 통해 전체 수명 주기를 다음 세 단계로 자동화할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;블루 환경(프로덕션):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 현재 사용 중인 기본 Cloud SQL 인스턴스로, 중단 없이 애플리케이션 트래픽을 실시간으로 계속 처리합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;그린 환경(스테이징):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Cloud SQL이 대상 데이터베이스 버전으로 업그레이드하고 지속적인 복제를 통해 동기화 상태를 유지하는 블루 인스턴스의 임시 클론입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;전환:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 컷오버할 준비가 되면 Cloud SQL은 잠시 동안 블루 인스턴스를 읽기 전용으로 설정하고 최종 데이터 동기화를 완료한 후 그린 인스턴스를 새로운 기본 데이터베이스로 승격합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_-_Diagram.max-1000x1000.png"
        
          alt="2 - Diagram"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이번 릴리스에서는 엔터프라이즈 워크로드를 획기적으로 바꿀 수 있는 세 가지 주요 기능을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;다운타임이 거의 없는 컷오버:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 이전 버전에서 새 버전으로의 전환이 매우 빠르게 이루어집니다. Cloud SQL Enterprise Plus를 사용하는 조직은 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;유지보수 다운타임이 1초도 채 되지 않는&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 경험을 할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;애플리케이션 변경 불필요:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 전환을 트리거하면 Cloud SQL이 기존 데이터베이스의 IP 주소, 인스턴스 이름, 백업을 새 데이터베이스로 자동으로 전송합니다. 따라서 개발자는 연결 문자열을 다시 작성하거나 구성 파일을 수정하거나 클라이언트 애플리케이션을 업데이트할 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;실제 데이터를 활용한 안전한 테스트: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;업그레이드된 그린 환경에서 실제 애플리케이션 트래픽과 쿼리를 실행하여 실제 배포 전에 성능을 검증할 수 있습니다. 문제가 발견되어도 실제 운영 중인 데이터베이스에는 전혀 영향을 주지 않으며 전환 전에 해당 배포만 삭제하면 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;간편한 조정과 확장성을 고려한 설계&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이제 콘솔에서 클릭 몇 번만으로 또는 간단한 CLI 스크립트를 통해 데이터베이스 환경 업그레이드를 시작할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;# Create the synchronized, upgraded green deployment environment\r\ngcloud sql blue-green-deployments create my-upgrade \\\r\n    --source-instance=prod-mysql-db \\\r\n    --target-database-version=MYSQL_8_4\r\n\r\n# Check the status and get the test endpoint\r\ngcloud sql blue-green-deployments describe my-upgrade \\\r\n--region=us-central1\r\n\r\n# Connect and test the upgraded copy\r\ngcloud sql connect TARGET_INSTANCE_NAME --user=admin\r\n\r\n# Switch your live traffic to the upgraded database in seconds\r\ngcloud sql blue-green-deployments switchover my-upgrade\r\n\r\n# Clean up the old database when you&amp;#x27;re ready\r\ngcloud sql blue-green-deployments delete my-upgrade \\\r\n    --region=us-central1 \\\r\n    --delete-old-source&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e4004d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;다운타임이 거의 없이 전환할 수 있으므로 이 기능은 데이터베이스 업그레이드에 따르는 위험을 없애줍니다. 유지보수 작업을 번거롭고 부담스러운 주말 작업에서 일상적인 평일 업무로 전환함으로써 팀은 보안 수명 주기를 선제적으로 관리하고, 최신 AI 지원 엔진 기능을 활용하며, 인프라 위험을 관리하는 대신 비즈니스 성장을 주도하는 기능을 개발하는 데 집중할 수 있게 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 사용해 보기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/mysql/about-blue-green-deployments"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;다운타임이 거의 없는 데이터베이스 업그레이드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 고가용성 구성을 포함한 MySQL용 Cloud SQL 독립형 기본 인스턴스를 대상으로 프리뷰 버전으로 제공되며, PostgreSQL에 대한 지원도 곧 제공될 예정입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;지금 바로&lt;/span&gt;&lt;a href="https://console.cloud.google.com/sql"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud SQL 콘솔&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 방문하거나&lt;/span&gt;&lt;a href="https://cloud.google.com/sql/docs"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;단계별 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 검토하여 시작해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 03 Nov 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/cloud-sql-blue-green-deployments/</guid><category>Cloud SQL</category><category>Databases</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/Hero.max-600x600.png" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>다운타임이 거의 없는 업그레이드: MySQL용 Cloud SQL 블루-그린 배포 발표</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/Hero.max-600x600.png</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/cloud-sql-blue-green-deployments/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vinod Kumar Subramanian</name><title>Senior Product Manager, Cloud SQL</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Itay Maoz</name><title>Senior Engineering Director, Cloud SQL</title><department></department><company></company></author></item><item><title>AlloyDB: 하이브리드 검색을 위한 통합 데이터베이스 엔진</title><link>https://cloud.google.com/blog/ko/products/databases/simplify-ai-search-with-alloydb-hybrid-search-and-rrf/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/simplify-ai-search-with-alloydb-hybrid-search-and-rrf?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;최신 AI 및 RAG 애플리케이션에서 검색 관련성을 높이려면 시맨틱 컨텍스트를 위한 벡터 검색 및 키워드 정밀도를 위한 전체 텍스트 검색(FTS)과 같은 두 가지 이상의 기술을 결합해야 합니다. PostgreSQL용 AlloyDB는 이 두 가지 기능을 모두 지원하지만, 이를 관리하려면 기존에는 최고의 성능을 보장하기 위해 보다 직접적인 운영 접근 방식이 필요했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;문제는 검색을 실행하는 것이 아니라 이후 여러 결과를 융합하는 과정에 있습니다. 벡터 쿼리의 결과(거리 점수)와 FTS 쿼리의 결과(관련성 점수)를 통합하려면 애플리케이션 계층의 복잡한 SQL 쿼리나 커스텀 코드가 필요합니다. 따라서 융합, 점수 정규화, 재순위 지정을 위한 별도의 시스템을 유지해야 하는 경우가 많습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 문서에서는 AlloyDB AI의 하이브리드 검색이 이러한 복잡성을 어떻게 해결하는지 자세히 설명합니다. 최근 업데이트를 통해 다음과 같은 작업을 수행할 수 있게 되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;하이브리드 검색 간소화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 복잡한 SQL 쿼리 또는 다단계 애플리케이션 워크플로를 Reciprocal Rank Fusion(&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search#rank-fusion"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;RRF&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;)으로 구동되는 단일 고성능 SQL 함수로 통합합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;FTS 성능 최적화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 새로운 RUM 확장 프로그램을 사용하여 단어 위치를 색인에 직접 저장함으로써 지연 시간이 짧은 관련성 순위 지정과 효율적인 구문검색을 달성합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;업계 표준 순위 지정 활용:&lt;/strong&gt;&lt;a href="https://cloud.google.com/blog/products/databases/native-bm25-search-in-alloydb-and-cloud-sql"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;새롭게 기본 지원되는 BM25 색인&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 활용하여 별도의 설정 없이 정확도 높은 키워드 기반 스코어링을 구현할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;검색 활용 범위 확장:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 새로운 외부 검색용 외부 데이터 래퍼(FDW)를 사용하여 AlloyDB 환경을 벗어나지 않고도 Elasticsearch, OpenSearch, Solr를 비롯한 전문 외부 클러스터에 대해 쿼리를 실행할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;다단계 워크플로의 문제&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB AI의 네이티브 솔루션이 출시되기 전에는 강력한 하이브리드 검색을 구현하기가 매우 어려웠습니다. 특히 표준 SQL을 사용하여 데이터베이스 내에서 이 로직을 유지하려는 개발자에게는 더욱 어려운 문제였습니다. 이 접근 방식은 다단계 조정이 필요했기 때문에 두 소스에 대해 관리하고 유지하기 어려울 뿐만 아니라 소스가 추가되면 확장하는 것이 사실상 불가능했습니다. 이러한 단계에는 다음이 포함되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;벡터 검색 실행:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 벡터 열 또는 벡터 색인(AlloyDB의 경우 ScaNN 색인일 수 있음)을 사용해 쿼리를 실행하고 상위 k개 결과를 찾아 벡터 점수를 생성합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;FTS 쿼리 실행:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 일반화된 역색인(GIN) 등을 사용해 FTS 쿼리를 실행하고 상위 k개 결과를 찾습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;점수 정규화(불안정한 단계):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 복잡한 SQL 로직 또는 커스텀 애플리케이션 코드를 작성하여 두 결과 집합을 공통 척도에 매핑합니다. 이 로직은 데이터 분포가 변경되면 제대로 작동하지 않을 가능성이 높습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;교차 서비스 조인 및 재순위 지정 수행:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 애플리케이션 메모리를 사용하여 문서 ID에 대해 복잡한 FULL OUTER JOIN을 수행하고, 정규화된 점수의 가중치 합계를 적용하고, 마지막으로 FTS 검색이 벡터 검색에 사용된 시스템과 다른 별도의 시스템에서 수행된 경우 결합된 결과를 정렬합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 분산된 접근 방식은 취약한 점수 로직, 지연 시간 증가, 높은 운영 부하, 검색 품질 유지를 위한 애플리케이션 전문 지식에 대한 의존성으로 이어졌습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--medium
      
      
        h-c-grid__col
        
        h-c-grid__col--4 h-c-grid__col--offset-4
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_XqX6b2x.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB로 하이브리드 검색 아키텍처 간소화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이를 간소화하는 핵심은 RRF를 도입하는 것입니다. RRF는 본질적으로 순위 기반이므로 점수 정규화의 불안정한 단계를 교묘하게 우회합니다. RRF는 두 부분으로 구성됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;1. 단일 정보 소스&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;여러 단계의 가져오기 및 조인 프로세스 대신 하나의 SQL 함수를 호출하여 검색 구성요소를 선언적 JSON 배열로 제공하면 됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;SELECT id, score \r\nFROM ai.hybrid_search(\r\n    search_inputs =&amp;gt; ARRAY[\r\n        -- Vector Component (Semantic) with dynamic embedding generation from natural language\r\n        $json${\r\n            &amp;quot;data_type&amp;quot;: &amp;quot;vector&amp;quot;,\r\n            &amp;quot;limit&amp;quot;: 10,\r\n            &amp;quot;table_name&amp;quot;: &amp;quot;documents&amp;quot;,\r\n            &amp;quot;key_column&amp;quot;: &amp;quot;doc_id&amp;quot;,\r\n            &amp;quot;vec_column&amp;quot;: &amp;quot;embedding&amp;quot;,\r\n            &amp;quot;distance_operator&amp;quot;: &amp;quot;&amp;lt;=&amp;gt;&amp;quot;,\r\n            &amp;quot;query_vector&amp;quot;: &amp;quot;ai.embedding(\&amp;#x27;text-embedding-005\&amp;#x27;, \&amp;#x27;alloydb search\&amp;#x27;)::vector&amp;quot;\r\n        }$json$::jsonb,\r\n        \r\n        -- Text Component (Keyword)\r\n        $json${\r\n            &amp;quot;data_type&amp;quot;: &amp;quot;text&amp;quot;,\r\n            &amp;quot;limit&amp;quot;: 10,\r\n            &amp;quot;table_name&amp;quot;: &amp;quot;documents&amp;quot;,\r\n            &amp;quot;key_column&amp;quot;: &amp;quot;doc_id&amp;quot;,\r\n            &amp;quot;text_column&amp;quot;: &amp;quot;content&amp;quot;,\r\n            &amp;quot;query_text_input&amp;quot;: &amp;quot;alloydb search&amp;quot;\r\n        }$json$::jsonb\r\n    ]\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ea9d0d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;(참고: 통합 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.hybrid_search&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; API는 두 가지 구성요소로만 제한되지 않습니다. 새로운 FDW를 통한 외부 검색 소스도 기본적으로 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;2. 데이터베이스 네이티브 조정&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;hybrid_search() 함수는 단일 쿼리 계획에서 전체 워크플로를 실행하여 오버헤드를 최소화하고 트랜잭션 일관성을 보장합니다. 여기에는 다음이 사용됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;동적 CTE 생성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 이 함수는 동적 SQL을 구성하여 각 구성요소에 대한 공통 테이블 표현식(CTE)을 만듭니다. 각 CTE는 결과의 위치 순위(ROW_NUMBER())를 계산합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;커널 수준 융합:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 순위가 지정된 모든 구성요소 결과는 문서 ID를 기반으로 FULL OUTER JOIN을 사용하여 즉시 결합됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;최종 RRF 점수:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 결합된 순위는 RRF 공식을 사용하여 최종 통합 점수를 계산하는 데 사용됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_bAjNPuH.max-1000x1000.jpg"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 접근 방식을 사용하면 불안정한 점수 계산과 애플리케이션 측 조인이 필요하지 않습니다. 현재 순위 지정 알고리즘은 Reciprocal Rank Fusion(RRF)이지만, 향후 추가적인 병합 및 순위 지정 옵션을 도입할 예정입니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_534j9B2.max-1000x1000.jpg"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;결과: 성능 및 운영 간소화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;복잡한 외부 워크플로에서 네이티브 SQL 함수로 전환하면 즉각적이고 측정 가능한 이점을 얻을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;측정항목&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;다단계 애플리케이션 워크플로(수동 SQL로 시뮬레이션)&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI 네이티브 hybrid_search() UDF&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;코드 복잡성&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;복잡한 점수 정규화 함수, 서비스 호출, 애플리케이션 조인&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;외부 로직 없이 단일 선언적 SQL 호출만으로 충분&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;유지보수&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;정규화 공식의 지속적인 조정&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;조정이 필요하지 않음. RRF는 순위 기반이며 분포에 구애받지 않음&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;FTS 성능 향상: RUM 확장 프로그램&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB AI의 hybrid_search() 함수는 고성능 벡터 검색과 FTS를 결합하여 포괄적인 검색 관련성을 제공하도록 설계되었습니다. AlloyDB의 기본 FTS 기능은 강력하지만 텍스트 구성요소에 표준 PostgreSQL GIN 색인을 사용하면 고급 작업에서 병목 현상이 발생할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;GIN 색인의 문제는 단어의 위치 정보를 저장하지 않는다는 것입니다. 이러한 제한으로 인해 다음 작업을 수행하려면 비용이 많이 드는 테이블 스캔을 통해 콘텐츠를 재분석해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;관련성 순위 지정:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 단어 근접성과 빈도를 기반으로 검색 결과 점수를 계산합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;구문 검색:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 위치 정보가 필요한 정확한 단어 순서를 찾습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;짧은 지연 시간의 FTS를 위한 RUM 확장 프로그램 소개&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;RUM 확장 프로그램&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;은 이러한 성능 문제를 직접 해결하는 GIN 기반의 강력한 색인 액세스 방법입니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;RUM의 핵심 이점:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 단어 -&amp;gt; [docID] 매핑 방식의 GIN 색인과 달리 RUM 색인은 각 단어의 위치 정보를 색인 내에 직접 저장합니다(예: 단어 -&amp;gt; [(docID1, [pos])], …).&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;성능 이점:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 이를 통해 RUM은 순위 지정 및 구문검색과 같은 복잡한 작업을 주로 색인 자체 내에서 수행하여 비용이 많이 드는 힙 스캔을 방지할 수 있습니다. RUM은 훨씬 더 빠른 관련성 순위 지정과 효율적인 구문 및 근접성 검색을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;하이브리드 검색에 적합:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; RUM은 하이브리드 검색 프레임워크 내에서 벡터 검색(예: ScaNN)을 보완하는 중요한 역할을 합니다. GIN의 잠재적 지연 시간으로 인해 실시간 하이브리드 접근 방식에는 적합하지 않기 때문입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RUM 확장 프로그램은 순위 지정 작업이 많거나 동시 실행 작업이 많은 검색 애플리케이션에 적합합니다. RUM은 단어 위치를 색인에 직접 저장하므로 순위를 매기는 동안 테이블 페이지를 다시 스캔할 필요가 없어 정렬된 결과를 빠르게 제공합니다. 그러나 색인 빌드 속도가 느리고 디스크 사용량이 많다는 단점이 있습니다. 워크로드에서 쓰기 속도와 스토리지 밀도보다 빠른 쿼리와 정확한 순위 지정이 중요하다면 RUM은 투자할 가치가 충분합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;측정 가능한 이점 및 통합&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RUM을 도입하면 AlloyDB에서 FTS의 성능이 직접적으로 향상되어 원시 FTS 쿼리에서 상당한 이점을 얻을 수 있을 뿐만 아니라 FTS 쿼리가 포함된 하이브리드 검색에서도 이점을 얻을 수 있습니다. 다음은 다양한&lt;/span&gt;&lt;a href="https://github.com/beir-cellar/beir" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BEIR&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 데이터 세트에서 GIN과 비교하여 RUM을 사용할 때의 속도 향상을 보여주는 성능 통계입니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_rFbNdqQ.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="7eyx0"&gt;(성능은&lt;a href="https://github.com/beir-cellar/beir"&gt; BEIR Natural Questions 벤치마크&lt;/a&gt;를 사용한 테스트를 기반으로 함)&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RUM은 검색 및 순위 지정을 위한 특수 &amp;lt;=&amp;gt; 거리 연산자와 통합됩니다. 이 연산자는 하이브리드 검색 SQL 호출에서도 지원되어 두 가지 장점을 모두 제공합니다. 다음&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/next26/alloydb-ai-hybrid-search" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서는 하이브리드 검색 UDF를 사용하여 RUM 색인을 구성하고 사용하는 방법을 보여줍니다. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;BM25 색인 소개: 최신 순위 지정 표준&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;최근 Google Cloud는 Cloud SQL 및 AlloyDB에&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/create-bm25-index"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BM25 색인&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 프리뷰 버전으로 도입하여 pg_textsearch 확장 프로그램을 통해 업계 표준 관련성 순위 지정 기능을 제공했습니다. BM25는&lt;/span&gt;&lt;a href="https://en.wikipedia.org/wiki/Tf%E2%80%93idf" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;TF-IDF&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 용어 빈도 포화와 문서 길이 정규화를 고려하므로 키워드 기반 검색 쿼리에 대해 훨씬 더 높은 정밀도와 품질을 제공합니다. AlloyDB AI 내의 기본 BM25 색인을 활용하면 즉시 뛰어난 순위 지정 정확성을 달성할 수 있으므로 외부 검색엔진이나 복잡한 커스텀 스코어링 로직을 구현하지 않고도 정확히 일치하는 용어와 중요한 키워드에 높은 점수를 부여할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Install pg_textsearch extension\r\nCREATE EXTENSION pg_textsearch;\r\n\r\n-- Create the native BM25 index on the content column\r\nCREATE INDEX idx_docs_bm25 \r\nON cymbal_products \r\nUSING bm25 (product_description) \r\nWITH (text_config=&amp;#x27;english&amp;#x27;);\r\n\r\n-- Full text search query\r\nSELECT product_name, product_description &amp;lt;@&amp;gt; &amp;#x27;cherry tree&amp;#x27; AS bm25_score \r\nFROM cymbal_products\r\nORDER BY bm25_score \r\nLIMIT 5;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ebd9f90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;외부 검색: 외부 데이터 래퍼로 활용 범위 확장&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;검색 기능을 더욱 확장하기 위해 AlloyDB AI에 외부 검색용 외부 데이터 래퍼(&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/reference/extensions#fdw-extensions"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;FDW&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;)도 도입했습니다. 이를 통해 Elasticsearch, OpenSearch, Solr를 시작으로 전문 외부 클러스터에 대해 전체 텍스트 검색을 실행할 수 있으며 다음과 같은 몇 가지 주요 아키텍처 이점을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;최적화된 검색:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; AlloyDB 환경을 벗어나지 않고도 전용 검색 백엔드의 순위 지정 알고리즘과 더 풍부한 특성 세트를 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;통합 SQL 인터페이스:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 고급 FTS 쿼리의 표현력을 유지하면서 표준 PostgreSQL SQL을 사용하여 외부 데이터와 상호작용하고, 조인을 수행하고, 결과를 병합할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;강력한 이식성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 기존 검색 인프라를 유지하면서 AlloyDB AI가 제공하는 간소화된 하이브리드 아키텍처의 이점을 누릴 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;다음 Codelab은&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/next26/alloydb-elastic?hl=en#0" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Elasticsearch&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 및&lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/alloydb-solr-fdw?hl=en#0" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Solr&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 통합을 통해 하이브리드 검색을 구현하는 방법을 종합적으로 안내하는 코드 가이드입니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AI 기반 검색을 위한 통합 아키텍처&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;현대 검색의 진정한 과제는 기술적인 것이 아니라 아키텍처의 단순성과 지속적인 운영 안정성을 달성하는 것입니다. AlloyDB AI는 세 가지 핵심 혁신을 기반으로 구축된 통합 플랫폼으로 이 문제를 해결합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;하이브리드 검색 간소화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; RRF를 기반으로 하는 AlloyDB AI의 하이브리드 검색 함수는 취약한 다단계 애플리케이션 워크플로를 단일 고성능 SQL 호출로 변환합니다. 이러한 네이티브 구현은 복잡한 점수 정규화와 애플리케이션 측 조인의 필요성을 없애 운영 및 엔지니어링 비용을 대폭 절감하는 동시에 일관되게 정확하고 빠른 하이브리드 관련 결과를 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;FTS 성능 최적화:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 하이브리드 검색의 FTS 구성요소가 다양한 애플리케이션 요구사항을 충족할 수 있도록 AlloyDB AI는 고유한 전체 텍스트 검색 옵션을 제공합니다. RUM 확장 프로그램은 위치 데이터를 색인에 직접 저장하여 더 빠른 관련성 순위 지정과 효율적인 구문 검색을 지원함으로써 지연 시간이 짧은 성능에 맞게 최적화합니다.&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;이는 빠른 쿼리 속도가 필요할 때 중요합니다. 반면, BM25 색인은 업계 표준 관련성 순위 지정 기능을 제공하며 키워드 스코어링의 정확도가 우선인 경우에 적합합니다. 검색 지연 시간 또는 순위 정밀도 중 어디에 중점을 두는지에 따라 이러한 옵션 중에서 선택할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;외부 검색을 통한 활용 범위 확대:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; FDW를 통한 외부 검색 추가로 AlloyDB의 도달범위가 Elasticsearch와 같은 전문 검색 백엔드로 확장됩니다. 이를 통해 익숙한 PostgreSQL 인터페이스를 유지하면서 전용 검색 클러스터의 우수한 확장성과 고급 검색 기능을 활용할 수 있습니다. AlloyDB AI는 이러한 외부 결과를 하이브리드 검색 프레임워크에 직접 통합함으로써 가장 방대한 텍스트 저장소도 벡터 기반 시맨틱 인사이트와 결합할 수 있도록 보장합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB AI는 데이터베이스 커널 내에서 스코어링, 조인, 재순위 지정의 복잡성을 통합합니다. 또한 최적화되고 지연 시간이 짧은 내부 FTS를 위해 RUM을 활용하거나 전문화되고 확장 가능한 백엔드를 위해 외부 검색을 활용하는 FTS에 대한 이중 경로 접근 방식을 제공함으로써 강력하고 독립적인 검색 기반을 제공합니다. 이처럼 두 가지를 함께 사용하는 방식은 전체 하이브리드 검색 스토리에 필수적이며 워크로드, 데이터 볼륨, 기존 인프라에 따라 최적의 경로를 선택할 수 있는 유연성을 제공합니다. 이제 높은 성능과 간편한 유지보수를 갖춘 검색 아키텍처를 기반으로 지능형 애플리케이션 기능을 빌드하는 데 집중할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;실제 작동 방식 보기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB가&lt;/span&gt;&lt;a href="https://www.youtube.com/watch?v=vYB0P9rPXt8" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;최고의 하이브리드 검색엔진&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;인 이유를 알아보세요.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://www.youtube.com/watch?v=-JxQb-kjFHk" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB의 BM25 지원&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 대해 알아보세요. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;시작하기 &lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 워크로드의 속도와 비용 효율성을 높일 준비가 되셨나요?&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 사용이 처음이신가요?&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/free-trial-cluster"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;30일 무료 체험판&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;으로 AlloyDB를 살펴보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;하이브리드 검색 시작하기&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/full-text-search-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;텍스트 검색 색인&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 설정하고&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/choose-index-strategy"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;벡터 검색 색인&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 선택합니다. 이러한 항목이 생성되면 다양한 하이브리드 검색 쿼리를 수행하는 몇 가지&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;예시&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 확인할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;외부 검색&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB에서 외부 데이터 래퍼와 외부 테이블을 만들어&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/elastic-search"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Elasticsearch&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/solr-search"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Solr&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 또는&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/opensearch"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;OpenSearch&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 외부 데이터를 쿼리합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Tue, 13 Oct 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/simplify-ai-search-with-alloydb-hybrid-search-and-rrf/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AlloyDB: 하이브리드 검색을 위한 통합 데이터베이스 엔진</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/simplify-ai-search-with-alloydb-hybrid-search-and-rrf/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Kumar Ramamurthy</name><title>Senior Product Manager, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Ricky Zhou</name><title>Software Engineer, Databases</title><department></department><company></company></author></item><item><title>대규모 관리형 Apache Iceberg: Spanner가 Lakehouse 런타임 카탈로그를 지원하는 방법</title><link>https://cloud.google.com/blog/ko/products/data-analytics/lakehouse-runtime-catalog-powered-by-spanner/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/lakehouse-runtime-catalog-powered-by-spanner?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;고객이 레이크하우스 아키텍처로 현대화함에 따라 호환되는 엔진 전반에서 공유 데이터 자산을 생성하기 위해 Apache Iceberg와 같은 개방형 형식을 표준으로 채택하고 있습니다. 이를 통해 데이터를 시맨틱 지식으로 전환하고, 선제적인 조치를 취하고, 에이전트 규모로 운영되는 AI 네이티브 레이크하우스를 빌드할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;레이크하우스의 핵심 구성요소 중 하나는 카탈로그이며, Apache Iceberg 환경에서는 일반적으로 Iceberg REST 카탈로그를 의미합니다. Apache Iceberg 카탈로그는 테이블 포인터를 관리하고, 원자적 커밋을 처리하며, 테이블 위치에 대한 단일 정보 소스 역할을 합니다. 하지만 대규모 엔터프라이즈 조직이 레이크하우스로 전환하며 현대화를 추진함에 따라, 레이크하우스 아키텍처의 핵심 요소로서 확장성과 가용성이 뛰어난 관리형 카탈로그가 필요하다는 사실을 깨닫기 시작했습니다. 이는 에이전트를 통해 쿼리 규모가 확장될수록 더욱 중요해집니다. 에이전트의 수많은 반복적인 소규모 쿼리를 지원하려면 원자성, 일관성, 가용성, 동시 실행을 대규모로 제공하는 관리형 카탈로그를 기반으로 시스템을 구축해야 합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 블로그에서는 에이전트 규모의 최신 클라우드 환경에서 관리형 카탈로그가 직면하는 과제를 살펴보고 Google Cloud의 서버리스 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/biglake-metastore-now-supports-iceberg-rest-catalog?e=a"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;가 이러한 과제를 해결하는 데 어떻게 도움이 되는지 보여줍니다. 사실상 무제한으로 확장되는 Google Cloud의 상시 가동 데이터베이스인&lt;/span&gt;&lt;a href="https://cloud.google.com/spanner"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 기반으로 하며, 개방형 Apache Iceberg REST 카탈로그 사양에 맞춰 빌드된 Lakehouse 런타임 카탈로그는 에이전트 시대에 필요한 확장성과 가용성이 뛰어난 기반을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;레이크하우스에서 관리형 카탈로그가 해결해야 하는 과제&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;레이크하우스에서 대규모 프로덕션 분석을 운영하는 데이터 엔지니어 및 인프라 리드와 이야기를 나누다 보면 다음과 같은 핵심 고충 사항이 공통적으로 나타납니다. 이러한 문제는 관리형 카탈로그를 통해 반드시 해결해야 할 과제입니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;원자적 커밋 및 동시 실행 제어:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Iceberg는 낙관적 동시 실행 제어(OCC)를 통해 ACID 트랜잭션을 보장합니다. 관리형 카탈로그는 현재 메타데이터 포인터를 교체하기 위해 어떠한 오류도 허용하지 않는 완벽한 원자적 비교 및 바꾸기(CAS) 작업을 구현해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;고가용성 및 운영 유지보수:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 카탈로그가 다운되면 쿼리가 즉시 실패하므로 관리형 카탈로그는 중요한 Tier-1 서비스가 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;카탈로그를 지원하는 데이터베이스 확장:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 카탈로그 설계자는 일반적으로 테이블 메타데이터와 상태를 위한 지원 데이터베이스를 선택할 때 어려운 절충점에 직면합니다. 기존의 수직 확장 관계형 데이터베이스는 SQL 및 ACID 트랜잭션을 제공하지만, 동시 읽기/쓰기 부하가 심해지면 CPU, 메모리, 스토리지, 연결 등 물리적 한계에 부딪히게 됩니다. 이를 해결하기 위해 수동으로 샤딩하면 막대한 운영 오버헤드가 발생합니다. 반면, 수평 확장 데이터베이스 시스템은 eventual consistency를 갖거나, 관리가 어렵거나, 엔터프라이즈 환경에 적합하지 않는 등의 여러 문제를 안고 있는 경우가 많습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;테이블 유지보수 조정:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 카탈로그만으로는 데이터를 최적화할 수 없습니다. 압축, 스냅샷 만료, 매니페스트 재작성, 분리된 파일 정리를 위한 보조 파이프라인을 빌드하고 운영해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;거버넌스 및 보안:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 카탈로그는 보안 게이트키퍼 역할을 합니다. 카탈로그는 다음 사항을 구현하고 관리해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;인증 프로토콜(예: OAuth2 토큰 교환, IAM 제휴)&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;네임스페이스 및 테이블 수준까지 액세스 제어&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;판매된 스토리지 사용자 인증 정보(예: 쿼리 엔진에 광범위하고 직접적인 스토리지 사용자 인증 정보가 필요하지 않도록 단기 토큰 생성)&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 과제를 해결하기 위해 Google Cloud는 Iceberg REST 카탈로그를 지원하는 Lakehouse 런타임 카탈로그(정식 버전)를 빌드했습니다. Lakehouse 런타임 카탈로그는 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Apache Iceberg와 같은 최신 개방형 테이블 형식을 지원하도록 처음부터 설계된 완전한 서버리스 기반의 고가용성 통합 메타데이터 레지스트리입니다. Lakehouse 런타임 카탈로그는 Apache Iceberg REST 카탈로그 사양을 기본적으로 구현하여 메타데이터 검색을 컴퓨팅 엔진에서 분리함으로써 여러 Iceberg 호환 엔진이 공유 데이터 자산에 액세스할 수 있도록 보장하고 워크로드를 더 빠르게 프로덕션으로 전환할 수 있도록 지원합니다. Google Cloud는 많은 고객이 관리형 카탈로그를 원활하게 마이그레이션할 수 있도록 지원해 왔습니다. 예를 들어&lt;/span&gt;&lt;a href="https://cloud.google.com/customers/etsy-lakehouse"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Etsy&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 자사 카탈로그를 Lakehouse 런타임 카탈로그로 마이그레이션하여, 데이터를 이동 없이 조인함으로써 파이프라인 쿼리 속도를 60% 향상했습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_bmVFk8w.max-1000x1000.jpg"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 방법은 다음과 같은 여러 가지 아키텍처 이점을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;개방형 API&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: Iceberg REST 카탈로그를 지원하므로 여러 팀이 단일 통합 데이터 세트에서 각자 선호하는 분석 도구를 사용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;멀티 엔진 상호 운용성&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 등록된 테이블은 표준 REST 인터페이스를 통해 Google Cloud Managed Service for Apache Spark, BigQuery, 오픈소스 엔진 전반에서 즉시 검색하고 쿼리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/the-future-of-data-lakehouse-for-the-agentic-era?e=0"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Iceberg 테이블의 읽기/쓰기 상호 운용성&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery, Managed Spark와 같은 Iceberg 호환 엔진을 활용하여 Lakehouse 런타임 카탈로그에 등록된 Iceberg 테이블에 데이터를 기록할 수 있습니다. 고객은 Managed Spark를 사용하여 외부 카탈로그에 있는 Iceberg 테이블에 데이터를 기록할 수도 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈급 기능을 갖춘 완전 관리형 Iceberg 스토리지: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Google의&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/data-analytics/unveiling-new-bigquery-capabilities-for-the-agentic-era?e=0&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;차별화된 인프라&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 Iceberg 테이블에서 성능을 갖춘 분석을 실행합니다. 이를 통해 오픈소스의 유연성뿐만 아니라 성능, 확장성, 거버넌스, 멀티모달 처리의 이점을 누릴 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 복사 없음&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 테이블 정의가 기본 객체 스토어의 기존 데이터를 직접 가리킵니다. 기본 데이터를 이동하거나 재작성하거나 복제할 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;클라우드 전반의&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;양방향 카탈로그 제휴&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;:벤딩된 사용자 인증 정보 및 OIDC 토큰 교환을 지원하여&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/set-up-cross-cloud-connection-databricks"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Databricks Unity&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/set-up-cross-cloud-connection-snowflake"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Snowflake Horizon&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;,&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/set-up-cross-cloud-connection-aws-glue"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AWS Glue&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 데이터에 액세스합니다. 이를 통해 Google AI를&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/introducing-the-borderless-lakehouse?e=0"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AWS 및 Azure 데이터에 직접 적용할 수 있습니다&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;사용자 인증 정보 벤더 제공을 사용한 보안 액세스&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 카탈로그는 여러 승인 메커니즘을 지원하므로&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/credential-vending"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;사용자 인증 정보 벤더 제공&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;과 최종 사용자 인증 정보 중에서 선택할 수 있습니다. 즉, 기본 객체 스토어(Cloud Storage, AWS S3, Azure Blob Storage)의 파일에 직접 액세스할 필요 없이 사용자 인증 정보 벤더 제공 같은 최신 메커니즘을 사용하여 테이블에 액세스할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AI 기반 컨텍스트 및 거버넌스: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그는&lt;/span&gt;&lt;a href="https://cloud.google.com/products/knowledge-catalog"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 및&lt;/span&gt;&lt;a href="https://cloud.google.com/products/iam?e=0"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud IAM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;과 직접 통합되므로 에이전트에 대한 신뢰할 수 있는 컨텍스트를 정의하고 모든 컴퓨팅 엔진에 테이블 수준 보안을 일관되게 적용할 수 있습니다.&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;카탈로그에서 Iceberg 테이블에 대한 즉시 사용 가능한 검색, 계보, 인사이트를 얻을 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;원자적 커밋 및 동시 실행 제어, 고가용성 및 확장성: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Google의 전 세계 규모 인프라와 Spanner를 기반으로 데이터와 함께 메타데이터를 확장하는 데 필요한 고가용성, 동시 실행, 확장성을 확보할 수 있습니다. Cloud Storage 이중 리전 및 멀티 리전 버킷을 지원하여 장애 조치 사용 사례를 지원합니다. 또한 서버리스와 노옵스(no-ops) 환경을 통해 TCO가 절감되고 모든 워크로드 규모에 맞게 확장할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그의 원동력&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lakehouse 런타임 카탈로그는 &lt;/span&gt;&lt;a href="https://cloud.google.com/spanner"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 기반으로 빌드되어 strong consistency가 보장되는 가용성이 높고 동시 실행 및 확장성이 뛰어난 카탈로그입니다. 수직적 단일 노드 한계에 부딪히는 기존의 수직 확장형 관계형 데이터베이스와 달리, Spanner는 완전한 관계형 SQL 시맨틱 및 멀티 테이블 ACID 트랜잭션을 NoSQL 시스템의 장점인 읽기와 쓰기 모두에 대한 수평 확장 탄력성과 결합했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner는 최대 99.99%의 가용성을 제공하는 Spanner의&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner/docs/instance-configurations#regional-configurations"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;리전 구성&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 통해 Lakehouse 런타임 카탈로그의 가용성을 높입니다. 또한 Spanner는 Lakehouse 런타임 카탈로그에 즉시 사용 가능한 확장성을 제공합니다. 수평 확장 가능한 데이터베이스인 Spanner는 수동 샤딩이 필요하지 않으며 컴퓨팅과 스토리지를 독립적이고 투명하게 확장합니다. Spanner는 데이터 볼륨과 쿼리 부하를 동적으로 모니터링하여 데이터 범위를 분할하고 노드 간에 재배포합니다. 컴퓨팅 노드는 CPU 사용률과 스토리지 기준점에 따라 동적으로 확장됩니다. Spanner는 분할 수준의 과부하를 자동으로 감지하여, 부하가 집중된 노드에서 사용량이 많은 분할을 다른 곳으로 알아서 이동해 줍니다. 또한 Spanner를 사용하면 Lakehouse 런타임 카탈로그 사용자가 관계형 일관성과 분산 확장성 간의&lt;/span&gt;&lt;a href="https://dl.acm.org/doi/abs/10.1145/2491245?__cf_chl_tk=oi5rkZKtX5q2CR93K9mrIHsAp_oqRxwaGqqpqq99v9Y-1790923307-1.0.1.1-pNUQvRr4OBosWiOcfxGuTWTD8I3JW_8V0i5xLuCsErU" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;기존 절충점&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 극복하고, Lakehouse 런타임 카탈로그의 업계 선도적인&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner/docs/true-time-external-consistency"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;일관성 보장&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 기능을 활용할 수 있습니다. Lakehouse 트랜잭션은 직렬화가 가능합니다. 데이터베이스 내 트랜잭션 순서는 클라이언트가 커밋된 트랜잭션을 관찰하는 순서와 동일합니다. 이러한 기반을 통해 Lakehouse 사용자는 에이전트 규모로 운영할 수 있습니다.  &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 에이전트 사용 사례를 더욱 강화하기 위해 Lakehouse 런타임 카탈로그는 Knowledge Catalog와 직접 통합되어 레이크하우스 Iceberg 테이블을 쉽게 검색하고 에이전트에 신뢰할 수 있는 컨텍스트를 제공합니다. Knowledge Catalog는 Spanner에서 제공하는 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner/docs/full-text-search"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;전체 텍스트 검색&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;과 기본&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner/docs/vector-search-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; 벡터 검색&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 효율적인 조합을 활용합니다. 이러한 접근 방식을 사용하면 단일 쿼리에서 어휘 키워드 검색과 시맨틱 임베딩을 페어링하여 검색 재현율을 높일 수 있습니다. 두 색인 유형 모두 동일한 기본 데이터 세트를 기반으로 빌드되므로, 기본 테이블 DML 작업과 동시에 엄격한 트랜잭션 ACID 일관성을 유지하며 업데이트됩니다. 이를 통해 동기화 파이프라인, 외부 벡터, 전체 텍스트 검색 시스템 관리와 같은 운영 오버헤드를 줄일 수 있습니다. 요약하자면, Lakehouse 런타임 카탈로그를 통해 에이전트형 사용 사례의 출시 기간(TTM)을 단축할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;분석 워크로드와 운영 워크로드 결합&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Apache Iceberg를 기반으로 하는 Google Cloud의 경계 없는 레이크하우스를 사용하면 분석 데이터를 운영 워크로드와 결합할 수 있습니다. 사용 사례로는 레이크하우스의 데이터 애셋을 OLTP 데이터(Spanner)와 결합하여 분석하는 것부터, Spanner와 같은 운영 데이터베이스에서 레이크하우스 애셋에 액세스할 수 있는 지연 시간이 짧은 서빙 애플리케이션, 퍼스트 파티 및 서드 파티 에이전트의 대화형 분석에 이르기까지 다양합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;아래 예시를 통해 Spanner와 결합된 Lakehouse 런타임 카탈로그가 실제로 어떻게 작동하는지 확인할 수 있습니다. 여기서는 Apache Iceberg를 기반으로 하는 맨해튼 택시 운행 분석 데이터와 Spanner에 저장된 택시 구역 운영 데이터를 결합하여 가장 혼잡한 교통 경로를 찾아봅니다. 또한 이 예시에서는 대화형 분석 에이전트를 사용하여 동일한 데이터에 액세스하고 2차 인사이트를 얻을 수 있음을 보여줍니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/2_TvlKrOP.gif"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="cjj42"&gt;맨해튼에서 가장 정체가 심한 교통 경로 확인하기&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;경계 없는 레이크하우스로 현대화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud의&lt;/span&gt;&lt;a href="https://cloud.google.com/solutions/data-lakehouse"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;레이크하우스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;로 현대화하면 분석 엔진과 에이전트 전반에서 데이터 사일로를 최소화하고, 멀티 엔진 거버넌스를 통합하고, 에이전트에 신뢰할 수 있는 컨텍스트를 제공하고, 운영 TCO를 대폭 절감할 수 있습니다. Spanner 기반 Lakehouse &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/lakehouse/docs/set-up-lakehouse-iceberg-rest-catalog"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;런타임 카탈로그&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 활용하면 에이전트 규모로 운영할 수 있도록 최신 클라우드 환경을 준비하는 데 도움이 됩니다. 자세히 알아보고 무료 체험을 시작하려면 &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/products/lakehouse?e=a"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;레이크하우스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 웹페이지를 방문하고 Spanner에 관한 자세한 내용은&lt;/span&gt;&lt;a href="https://cloud.google.com/spanner"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 확인해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 13 Oct 2026 10:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/data-analytics/lakehouse-runtime-catalog-powered-by-spanner/</guid><category>Databases</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>대규모 관리형 Apache Iceberg: Spanner가 Lakehouse 런타임 카탈로그를 지원하는 방법</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/data-analytics/lakehouse-runtime-catalog-powered-by-spanner/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Vinod Ramachandran</name><title>Product Manager, BigQuery</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Mina Mikhail</name><title>Software Engineering Manager</title><department></department><company></company></author></item><item><title>AlloyDB 및 Memorystore for Valkey에서 장기 AI 에이전트 메모리를 구현하는 방법</title><link>https://cloud.google.com/blog/ko/products/databases/implementing-long-term-ai-agent-memory-in-alloydb-and-memorystore/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/implementing-long-term-ai-agent-memory-in-alloydb-and-memorystore?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;엔터프라이즈 AI 에이전트가 복잡하고 며칠에 걸친 워크플로와 장기 작업을 실행하려면 영구 메모리가 필요합니다. 이 블로그에서는 단기 버퍼 메모리용 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/memorystore/docs/valkey"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;와 장기 영구 메모리용 &lt;/span&gt;&lt;a href="https://cloud.google.com/alloydb/ai"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB AI&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;를 사용하는 2계층 메모리 아키텍처가 중요한 데이터와 엔터프라이즈 가드레일을 유지하면서 토큰 지출을 최대 70%까지 줄이는 데 어떻게 도움이 되는지 살펴봅니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;사용자의 휴가 예약을 돕도록 설계된 맞춤형 여행 에이전트를 빌드한다고 상상해 보세요. 사용자는 며칠에 걸쳐 에이전트와 여러 차례 상호작용하며 여행 일정 브레인스토밍부터 실제 구매 의도 관련 질문까지 다양한 질문을 합니다. 진정으로 원활한 사용자 경험을 제공하려면 이 에이전트는 이전 세션에서 설정된 항공편 선호도(예: '직항 항공편만'), 호텔 예산, 식단 제한 사항(예: '글루텐 프리 식사 옵션 필요')을 기억해야 합니다. 더 중요한 것은 대화가 관광지 추천과 일정 계획과 같은 세부 사항으로 깊이 들어가더라도 이러한 핵심 사실을 계속 유지해야 한다는 점입니다. 에이전트는 모든 후속 질문과 방문할 장소에 대한 흥미로운 세부정보로 인해 사용자의 기본적인 요구사항과 결정을 잊거나 덮어쓰지 않도록 해야 합니다. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;스테이트풀(Stateful) 워크플로는 본질적으로 LLM의 스테이트리스(Stateless) 특성과 충돌합니다.&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 에이전트는 멀티턴 대화와 장기 실행 워크플로에 사용되지만, 대규모 언어 모델(LLM)은 세션 간에 상태를 유지하지 않습니다. 사용자가 며칠 후 다시 에이전트를 사용하면 모델은 빈 컨텍스트 윈도우로 시작합니다. 애플리케이션이 장기 에이전트 메모리를 사용하여 과거 컨텍스트를 재구성하도록 빌드되지 않은 경우, 사용자는 매번 목표와 컨텍스트를 다시 설명해야 하므로 실망스럽고 단편적인 경험을 하게 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이제 백만 토큰 규모의 컨텍스트 윈도우가 표준이 되면서 이 문제에 대한 일반적인 해결 방법은 '컨텍스트 스터핑'입니다. 즉, 원시 채팅 기록부터 도구 실행 로그에 이르기까지 프롬프트에 들어갈 수 있는 모든 내용을 턴마다 덤프하는 것입니다. 실제로 이는 AI 모델 사용 초기에 흔히 볼 수 있는 패턴이었습니다. 하지만 이러한 임시방편은 규모가 커지면 금방 문제가 됩니다. 메시지마다 토큰 비용이 배로 늘어나고, 간단한 프롬프트인데도 응답 시간이 30초 이상으로 길어질 수 있으며, 모델이 산더미 같은 프롬프트 텍스트에 묻힌 중요한 요청 사항을 간과하게 되어 '&lt;/span&gt;&lt;a href="https://arxiv.org/abs/2307.03172" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;중간에서 길을 잃는&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;' 성능 저하를 겪기 시작합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또 다른 일반적인 해결 방법은 롤링 요약을 사용하는 것입니다. LLM에 이전 메시지를 주기적으로 요약 단락으로 압축하도록 요청하는 것입니다. 이렇게 하면 프롬프트 크기가 줄어들지만, LLM 기반 요약은 본질적으로 정보 손실이 발생합니다. 몇 차례 압축을 거치면 미묘하지만 중요한 세부정보가 백그라운드 노이즈로 간주되어 필터링됩니다. 몇 차례 대화가 오가고 나면 에이전트는 앞서 설정한 정확한 제약 조건을 은연중에 위반합니다. 한마디로, 이전 대화나 멀티턴 작업의 메모리를 유지하면서도 사용자 경험을 저하시키거나 새로운 병목 현상을 일으키지 않는 더 확장 가능한 접근 방식이 필요합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;2계층 메모리 아키텍처 구현&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;가드레일과 제약 조건을 준수하는 신뢰할 수 있고 비용 효율적인 엔터프라이즈 에이전트를 빌드하려면 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;2계층 메모리 아키텍처&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하는 것이 좋습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;단기 세션 버퍼&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 토큰 제한 슬라이딩 윈도우를 사용하여 활성 대화 턴을 메모리에 캐시하므로 여러 라운드에 걸쳐, 심지어 기기 간에도 컨텍스트 윈도우 크기를 안정적으로 유지하면서 최신 메시지를 최신 상태로 유지할 수 있습니다. 이 계층에서는 매 턴마다 1밀리초 미만의 높은 처리량 조회가 필요하므로 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/memorystore/docs/valkey"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;가 활성 세션 상태를 유지하는 데 적합합니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;장기 영구 메모리&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 중요한 사실, 사용자 환경설정, 에피소드 사실을 세션 전반에 걸쳐 저장합니다. 이 계층에는 트랜잭션 무결성, 데이터 거버넌스, 관계형 데이터와 벡터 전반의 하이브리드 검색이 필요하며, 이러한 기능은 &lt;/span&gt;&lt;a href="https://cloud.google.com/alloydb/ai"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB AI&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 네이티브로 제공됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;장기 메모리와 활성 세션 버퍼를 모두 관계형 데이터베이스에 직접 저장할 수도 있지만, 인메모리 캐시가 있는 2계층 아키텍처가 더 나은 성능과 확장성을 제공할 수 있습니다. 활성 세션 버퍼는 매우 일시적이며 모든 대화 턴에서 1밀리초 미만의 고처리량 업데이트가 필요합니다. 인메모리 키-값 캐시에서 이러한 빠른 쓰기를 처리하면 관계형 데이터베이스에서 쓰기 증폭과 테이블 비대화를 방지할 수 있습니다. 그렇지 않으면 빈번한 행 삭제와 집중적인 비우기가 필요합니다. 이는 데이터베이스 앞에 캐싱 계층을 추가하여 핫 행에 대한 고빈도 조회를 오프로드하는 것과 유사합니다. 이러한 업무 분담을 통해 기본 데이터베이스는 가볍고 반응성이 뛰어난 상태를 유지하며, 트랜잭션 일관성, 복잡한 하이브리드 벡터 검색, 장기 분석 쿼리 실행 등 본래 설계된 목적에 리소스를 집중할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Memorystore for Valkey의 단기 캐싱과 네이티브 AlloyDB AI 기능을 결합하면 데이터베이스 계층 내에서 직접 항목 추출, 메모리 압축, 교차 세션 메모리, 하이브리드 검색을 실행하여 활성 프롬프트를 간결하고 빠르며 비용 효율적으로 유지할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-aside"&gt;&lt;dl&gt;
    &lt;dt&gt;aside_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;title&amp;#x27;, &amp;#x27;AlloyDB 30일 무료 체험 인스턴스를 시작해 보세요&amp;#x27;), (&amp;#x27;body&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5dfcb950&amp;gt;), (&amp;#x27;btn_text&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;href&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;image&amp;#x27;, None)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;네 가지 메모리 유형 이해하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;장기 에이전트 상태를 효과적으로 구성하기 위해, 에이전트 메모리를 앞서 설명한 단기 및 장기 스토리지 계층 전반에서 네 가지 상호 보완적인 유형으로 더 세분화하면 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table style="width: 100.032%;"&gt;&lt;colgroup&gt;&lt;col style="width: 14.6144%;"/&gt;&lt;col style="width: 29.8812%;"/&gt;&lt;col style="width: 38.6259%;"/&gt;&lt;col style="width: 16.8305%;"/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;메모리 유형&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;저장하는 항목&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;스토리지 레이어&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;수명&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;버퍼(단기)&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;최근 원시 대화 턴&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;활성 세션&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;요약 메모리&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;일반적으로 '압축'이라고 부르는 이전 대화의 압축된 기록&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;멀티턴 윈도우&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;에피소드 메모리&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;과거 작업, 이벤트, 도구 출력&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB(정형 SQL + 전체 텍스트 검색 + 벡터를 사용한 하이브리드 검색)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;영구 보관&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;항목 및 규칙 메모리&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;사용자 환경설정, 제약 조건, 거부권&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB(정형 SQL + 전체 텍스트 검색 + 벡터를 사용한 하이브리드 검색)&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;영구 보관&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;단기 대화 컨텍스트를 정형화된 장기 규칙과 분리함으로써 에이전트는 원시 상호작용 로그로 토큰 윈도우를 채우지 않고도 필요에 따라 관련 컨텍스트를 검색할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;계층형 메모리 아키텍처 청사진&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;아래 다이어그램은 애플리케이션 조정 레이어, &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 단기 버퍼, &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 장기 저장소를 연결하는 읽기 및 쓰기 경로를 보여줍니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_dkY04WA.max-1000x1000.jpg"
        
          alt="image1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 시스템은 조정된 두 가지 실행 경로를 통해 작동합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;읽기 경로&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 사용자가 질문하면 애플리케이션은 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에서 활성 슬라이딩 윈도우를 가져오고, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.generate&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 데이터베이스 내 쿼리 정규화를 실행하고, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.hybrid_search&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 쿼리하여 범위가 지정된 항목 규칙과 관련 에피소드 사실을 검색합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;쓰기 경로&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 응답을 생성한 후 해당 대화 턴은 즉시 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에 캐시됩니다. 비동기 백그라운드 큐 작업자가 대화에서 정형 항목을 추출하여 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에 직접 기록하면, 트랜잭션 기반 자동 임베딩이 데이터베이스에서 벡터 표현을 즉시 계산하고 저장합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;비즈니스 영향 및 ROI&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;멀티턴 개발 대화(도구 실행이 많은 45턴 이상)에 대한 벤치마크 테스트에서 단기 캐싱을 장기 지속성과 분리하면 단순한 컨텍스트 스터핑에 비해 측정 가능한 비용 및 성능 개선이 확인되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;측정항목 / 측정기준&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;단순한 컨텍스트 스터핑&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;계층형 메모리(AlloyDB + Valkey)&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;순 비즈니스 영향&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;활성 프롬프트 크기(45턴)&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;토큰 747,033개&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;토큰 83,262개&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;프롬프트 크기 88.9% 감소&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;45번째 턴 응답 지연 시간&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;33.5초&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;6.7초&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;80.0% 더 빠른 응답&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;턴당 응답 대기 시간&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;33.5초&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4.2초~6.7초&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;36%~80% 감소&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;누적 세션 토큰&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;토큰 1,790만 개&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;토큰 409만 개&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;토큰 및 비용 72.0% 절감&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;규칙 및 제약 조건 재현율&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;턴이 지날수록 저하됨&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;저하되지 않음 &lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: top; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;ACID 보존 재현율&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;참고: 위의 측정항목은 여러 세션, 프로젝트, 컨텍스트 전환에 걸쳐 개발자와 상호작용하는 실제 엔터프라이즈 AI 페어 프로그래밍 어시스턴트를 모방하여 시뮬레이션된 개발자 워크로드의 내부 벤치마크 결과를 반영합니다. 실제 절감액과 지연 시간은 프롬프트 구조, 쿼리 빈도, 데이터 볼륨에 따라 달라집니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 결과는 계층형 메모리가 에이전트 단위 경제성을 어떻게 변화시키는지 보여줍니다. 턴이 추가될 때마다 비용 곡선이 상승하는 대신, 프롬프트 크기가 제한되어 지속적인 LLM API 비용을 줄이면서도 빠른 응답 시간을 유지할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI의 핵심 기술적 이점&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;는 핵심 AI 기능을 데이터베이스 엔진에 직접 임베딩하여 영구 에이전트 메모리를 구현하는 데 드는 운영 오버헤드를 줄입니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;트랜잭션 데이터베이스 내 자동 임베딩(&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/generate-manage-auto-embeddings-for-tables"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;ai.initialize_embeddings&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB는 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/gemini-enterprise-agent-platform?e=48754805"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Agent Platform&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(이전 명칭: Vertex AI)과의 네이티브 통합을 사용하여 텍스트 열에 대한 벡터 임베딩을 자동으로 생성하며, 초당 최대 3,000개의 임베딩을 생성합니다. &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;incremental_refresh_mode =&amp;gt; 'transactional'&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;을 사용하면 AlloyDB는 동일한 트랜잭션 내에서 소스 데이터가 변경될 때 임베딩을 최신 상태로 유지하므로 커스텀 임베딩 파이프라인, 외부 스케줄러 또는 복잡한 재시도 로직이 필요하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터베이스 내 생성형 AI 함수(&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/evaluate-semantic-queries-ai-operators"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;ai.generate&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB를 사용하면 SQL 쿼리에서 직접 Gemini와 같은 파운데이션 모델을 실행할 수 있습니다. 이를 통해 애플리케이션에서 별도의 왕복 없이 데이터베이스 내 쿼리 분해(복합적인 사용자 질문을 단일 측면의 하위 쿼리로 분해하고 '마지막 세션'과 같은 상대적인 시간 구문을 명시적인 식별자로 해결)를 수행할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Reciprocal Rank Fusion(&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;ai.hybrid_search&lt;/strong&gt;&lt;/a&gt;&lt;strong style="vertical-align: baseline;"&gt;)이 기본 제공되는 네이티브 하이브리드 검색&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB는 엔진 내에서 직접 상호 순위 융합(RRF)을 실행하는 기본 제공 SQL 함수를 제공합니다. 이 기능은 단일 데이터베이스 호출에서 벡터 코사인 유사성(HNSW 또는 ScaNN 색인에 대한 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;&amp;lt;=&amp;gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;)과 PostgreSQL 전체 텍스트 검색(BM25, RUM 또는 GIN 사용)을 결합하여 시맨틱 매칭과 정확한 키워드 검색을 혼합하는 동시에 메타데이터 필터 푸시다운(&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;filter_condition&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;)을 지원하여 성능을 개선하고 결정론적 범위 격리를 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;IAM 사용자 인증 정보를 사용한 직접적인 Agent Platform 통합&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB는 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/iam"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud IAM&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 서비스 계정 역할과 데이터베이스 인증을 사용하여 Google Cloud의 비공개 네트워크를 통해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Agent Platform&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 파운데이션 모델에 직접 연결하므로 애플리케이션 코드에 API 키를 저장하거나, 주기적으로 순환하거나, 전달할 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;통합 운영, 벡터, 거버넌스 엔진&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: AlloyDB는 관계형 비즈니스 데이터, 벡터 임베딩, 전체 텍스트 색인, 엔터프라이즈 권한을 단일 ACID 호환 PostgreSQL 데이터베이스에 통합하여 별도의 운영 및 벡터 데이터베이스 전반에서 데이터 드리프트와 통합 복잡성을 방지합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;span style="vertical-align: baseline;"&gt;주요 구현 패턴&lt;/span&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;다음은 2계층 메모리 아키텍처를 구성하는 데 사용되는 핵심 데이터베이스 패턴입니다. 전체 러너블 Python 및 SQL 스크립트는 함께 제공되는 &lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/alloydb-agentic-tiered-memory" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 에이전트 메모리 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 참고하세요.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;1. 스키마 및 자동 임베딩 설정&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에서 필요한 확장 프로그램을 설치하고 정형 메타데이터, 전체 텍스트 검색을 위해 생성된 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;tsvector&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 열, 벡터 임베딩 열을 사용하여 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;agent_entities&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 테이블을 정의합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- 1. Enable AI extensions\r\nCREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;\r\nCREATE EXTENSION IF NOT EXISTS vector CASCADE;\r\nCREATE EXTENSION IF NOT EXISTS rum CASCADE;\r\n\r\n-- 2. Create structured entity &amp;amp; preference table\r\nCREATE TABLE IF NOT EXISTS agent_entities (\r\n    entity_id UUID PRIMARY KEY DEFAULT gen_random_uuid(),\r\n    user_id TEXT NOT NULL,\r\n    entity_name TEXT NOT NULL,\r\n    project_id TEXT DEFAULT &amp;#x27;global&amp;#x27;,\r\n    session_id TEXT,\r\n    scope TEXT NOT NULL DEFAULT &amp;#x27;session&amp;#x27;,\r\n    summary TEXT NOT NULL,\r\n    summary_embedding VECTOR(768),\r\n    summary_tsv TSVECTOR GENERATED ALWAYS AS (\r\n        to_tsvector(&amp;#x27;english&amp;#x27;, entity_name || &amp;#x27; &amp;#x27; || summary)\r\n    ) STORED,\r\n    updated_at TIMESTAMPTZ DEFAULT NOW(),\r\n    UNIQUE (user_id, entity_name)\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ea29150&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;그런 다음 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.initialize_embeddings&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 임베딩을 생성합니다. &lt;code&gt;transactional&lt;/code&gt;&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 모드를 사용하면 소스 데이터가 변경될 때 임베딩이 최신 상태로 유지됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Register transactional in-database auto-embedding\r\nCALL ai.initialize_embeddings(\r\n    model_id =&amp;gt; &amp;#x27;text-embedding-005&amp;#x27;,\r\n    table_name =&amp;gt; &amp;#x27;agent_entities&amp;#x27;,\r\n    content_column =&amp;gt; &amp;#x27;summary&amp;#x27;,\r\n    embedding_column =&amp;gt; &amp;#x27;summary_embedding&amp;#x27;,\r\n    incremental_refresh_mode =&amp;gt; &amp;#x27;transactional&amp;#x27;,\r\n    batch_size =&amp;gt; 10\r\n);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d7087a490&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;마지막으로 HNSW 벡터 색인과 RUM 전체 텍스트 검색 색인을 만들어 하이브리드 검색이 빠르고 효율적으로 수행되도록 합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Create vector and full-text indexes\r\nCREATE INDEX IF NOT EXISTS agent_entities_embedding_idx\r\n    ON agent_entities USING hnsw (summary_embedding vector_cosine_ops);\r\n\r\nCREATE INDEX IF NOT EXISTS agent_entities_tsv_idx\r\n    ON agent_entities USING rum (summary_tsv rum_tsvector_ops);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e460710&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;2. 네이티브 하이브리드 검색으로 장기 메모리 쿼리&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;읽기 경로에서 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.hybrid_search&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 관련 장기 항목을 검색합니다. 이 네이티브 SQL 함수는 AlloyDB에서 직접 Reciprocal Rank Fusion(RRF)을 실행하여 단일 데이터베이스 쿼리에서 벡터 유사성 검색과 전체 텍스트 키워드 검색 결과를 원활하게 재정렬하고 결합합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;def retrieve_hybrid_entities(\r\n    conn,\r\n    user_id: str,\r\n    project_id: str,\r\n    query_text: str,\r\n    query_vector_literal: str,\r\n    limit: int = 3\r\n) -&amp;gt; dict[str, Any]:\r\n    &amp;quot;&amp;quot;&amp;quot;Queries long-term memory using AlloyDB native hybrid_search (RRF).&amp;quot;&amp;quot;&amp;quot;\r\n    filter_cond = f&amp;quot;user_id = \&amp;#x27;{user_id}\&amp;#x27; AND (project_id = \&amp;#x27;{project_id}\&amp;#x27; OR scope = \&amp;#x27;global\&amp;#x27;)&amp;quot;\r\n    \r\n    search_inputs = [\r\n        json.dumps({\r\n            &amp;quot;data_type&amp;quot;: &amp;quot;vector&amp;quot;,\r\n            &amp;quot;weight&amp;quot;: 0.4,\r\n            &amp;quot;table_name&amp;quot;: &amp;quot;agent_entities&amp;quot;,\r\n            &amp;quot;key_column&amp;quot;: &amp;quot;entity_name&amp;quot;,\r\n            &amp;quot;vec_column&amp;quot;: &amp;quot;summary_embedding&amp;quot;,\r\n            &amp;quot;distance_operator&amp;quot;: &amp;quot;&amp;lt;=&amp;gt;&amp;quot;,\r\n            &amp;quot;limit&amp;quot;: 10,\r\n            &amp;quot;query_vector&amp;quot;: query_vector_literal,\r\n            &amp;quot;filter_condition&amp;quot;: filter_cond\r\n        }),\r\n        json.dumps({\r\n            &amp;quot;data_type&amp;quot;: &amp;quot;text&amp;quot;,\r\n            &amp;quot;weight&amp;quot;: 0.6,\r\n            &amp;quot;table_name&amp;quot;: &amp;quot;agent_entities&amp;quot;,\r\n            &amp;quot;key_column&amp;quot;: &amp;quot;entity_name&amp;quot;,\r\n            &amp;quot;text_column&amp;quot;: &amp;quot;summary_tsv&amp;quot;,\r\n            &amp;quot;limit&amp;quot;: 10,\r\n            &amp;quot;ranking_function&amp;quot;: &amp;quot;ts_rank&amp;quot;,\r\n            &amp;quot;query_text_input&amp;quot;: query_text,\r\n            &amp;quot;filter_condition&amp;quot;: filter_cond\r\n        })\r\n    ]\r\n\r\n    query_sql = &amp;quot;&amp;quot;&amp;quot;\r\n        SELECT e.entity_name, e.summary, e.project_id, e.scope, e.updated_at\r\n        FROM ai.hybrid_search(\r\n          search_inputs =&amp;gt; %s::JSONB[],\r\n          include_json_output =&amp;gt; false\r\n        ) h\r\n        JOIN agent_entities e ON e.entity_name = h.id\r\n        WHERE e.user_id = %s\r\n        LIMIT %s;\r\n    &amp;quot;&amp;quot;&amp;quot;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e4631d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;3. AI 함수를 사용한 데이터베이스 내 메모리 압축&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;커스텀 가지치기 스크립트를 작성하지 않고도 장기 스토리지 증가를 관리하기 위해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에서 직접 자동화된 추출 및 압축 쿼리를 실행하여 저장하면 이점이 있는 중요한 부분을 식별할 수 있습니다. 이 패턴은 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.generate&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;와 함께 SQL 공통 테이블 표현식(CTE)을 사용하여 오래된 에피소드 항목을 고밀도 요약으로 통합합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Consolidate older episodic logs into a permanent summary\r\nWITH old_events AS (\r\n    SELECT document AS content\r\n    FROM langchain_pg_embedding\r\n    WHERE cmetadata-&amp;gt;&amp;gt;&amp;#x27;user_id&amp;#x27; = &amp;#x27;user_dev_42&amp;#x27;\r\n      AND created_at &amp;lt; NOW() - INTERVAL &amp;#x27;30 days&amp;#x27;\r\n    ORDER BY created_at ASC\r\n    LIMIT 50\r\n),\r\nconsolidated AS (\r\n    SELECT ai.generate(\r\n        &amp;#x27;Summarize these historical events into a dense memory paragraph:\\n&amp;#x27; || string_agg(content, E&amp;#x27;\\n&amp;#x27;),\r\n        model_id =&amp;gt; &amp;#x27;gemini-3.5-flash&amp;#x27;\r\n    ) AS summary_text\r\n    FROM old_events\r\n)\r\nINSERT INTO agent_entities (user_id, entity_name, summary, updated_at)\r\nSELECT &amp;#x27;user_dev_42&amp;#x27;, &amp;#x27;longterm_session_summary&amp;#x27;, summary_text, NOW()\r\nFROM consolidated\r\nWHERE summary_text IS NOT NULL\r\nON CONFLICT (user_id, entity_name)\r\nDO UPDATE SET summary = EXCLUDED.summary, updated_at = NOW();&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e7cf910&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;예를 들어 자녀와 함께 이용할 항공편을 변경하는 복잡한 과정에 대한 긴 상호작용을 '직항 항공편을 선호합니다'라는 요약으로 정리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;4. 2계층 메모리 아키텍처를 ADK 에이전트에 연결&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;핵심 2계층 메모리 아키텍처가 구성되면 이제 &lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/alloydb-agentic-tiered-memory#14" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;함께 제공되는 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 표시된 대로 기본 ADK 메모리 프로바이더를 확장하여 이 2계층 메모리 아키텍처를 사용할 수 있습니다(예: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ADKTieredMemoryProvider&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;). 장기 메모리를 ADK 에이전트에 연결하려면 다음과 같이 도구(예: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;longterm_memory_tool&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;)로 제공하면 됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;from adk_memory_provider import ADKTieredMemoryProvider\r\n\r\nagent = Agent(\r\n    name=&amp;quot;adk_memory_agent&amp;quot;, model=GEMINI_MODEL, instruction=&amp;quot;Initial instruction&amp;quot;,\r\n    tools=[long_term_memory_tool, run_command_tool],\r\n    before_tool_callback=guardrail.create_before_tool_callback(USER_ID, &amp;quot;CloudRetail&amp;quot;)\r\n)&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d70187050&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈 거버넌스 및 멀티 테넌트 보안&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 프로덕션 환경에서 에이전트 메모리를 실행하려면 엄격한 보안 경계와 액세스 제어가 필요합니다. 먼저 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;범위 및 멀티 테넌트 격리&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 유지해야 합니다. &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;agent_entities&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;에서 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;user_id&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;project_id&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;scope&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 열을 색인화하고 PostgreSQL 행 수준 보안(RLS)을 적용하면 동일한 데이터베이스 클러스터 내에서 부서, 팀, 개별 사용자 간에 메모리 저장소를 격리할 수 있습니다. &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/parameterized-secure-views-overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;파라미터화된 보안 뷰&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;(PSV)는 또 다른 결정론적 애플리케이션 수준 보안 레이어를 제공하여 악의적인 프롬프트와 지나치게 광범위한 SQL 쿼리로부터 보호합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 위의 구현 패턴에서 볼 수 있듯이 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;자동화된 메모리 수명 주기 관리&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 제공해야 합니다. 예약된 SQL 압축 쿼리와 시간 기반 파티션 가지치기를 결합하면 시간이 지나도 예측 가능한 데이터베이스 사용 공간과 쿼리 지연 시간을 유지하는 데 도움이 됩니다. 이 접근 방식에 대한 자세한 내용은 &lt;/span&gt;&lt;a href="https://codelabs.developers.google.com/alloydb-agentic-tiered-memory" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;함께 제공되는 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 참고하세요.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;요약 및 다음 단계&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;활성 컨텍스트 윈도우를 영구 스토리지에서 분리하는 것은 프로덕션에 즉시 사용 가능한 AI 에이전트를 빌드하는 실용적인 접근 방식입니다. 1밀리초 미만의 세션 캐싱을 위한 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;와 트랜잭션 장기 스토리지를 위한 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 함께 사용하면 장기 작업과 멀티턴 에이전트 경험 전반에서 엄격한 비즈니스 규칙을 유지하면서도 토큰 비용을 대폭 절감하고 더 빠른 응답 시간을 달성할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;시작하려면 다음 안내를 따르세요.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://codelabs.developers.google.com/alloydb-agentic-tiered-memory" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 에이전트 메모리 Codelab&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 제공하는 전체 실무형 튜토리얼을 단계별로 진행하여 실제 작동하는 2계층 메모리 아키텍처를 배포해 보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://cloud.google.com/alloydb/docs/ai/overview"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB AI 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 데이터베이스 측 머신러닝 기능에 대해 자세히 알아보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/generate-manage-auto-embeddings-for-tables"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;자동 벡터 임베딩 생성&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 및 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;하이브리드 벡터 검색 실행&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 대한 가이드를 살펴보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Mon, 12 Oct 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/implementing-long-term-ai-agent-memory-in-alloydb-and-memorystore/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AlloyDB 및 Memorystore for Valkey에서 장기 AI 에이전트 메모리를 구현하는 방법</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/implementing-long-term-ai-agent-memory-in-alloydb-and-memorystore/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Itai Rosenblatt</name><title>Senior Engineering Manager, AlloyDB AI, Google</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Paul Ramsey</name><title>Product Manager, AI for AlloyDB &amp; Cloud SQL</title><department></department><company></company></author></item><item><title>Spanner 큐 출시: 에이전트 워크로드 등을 위한 트랜잭션 메시징</title><link>https://cloud.google.com/blog/ko/products/databases/spanner-queues-provide-native-transactional-messaging/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/spanner-queues-provide-native-transactional-messaging?e=48754805&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 에이전트는 단순히 쿼리에 답하는 데 그치지 않고 자율적으로 환불을 처리하고, 인벤토리를 관리하며, 다단계 핸드오프를 실행하고, 하위 에이전트를 조정하는 등 복잡한 에이전트 워크플로를 수행할 수 있습니다. 이로 인해 에이전트는 운영 데이터베이스에서 내부 상태를 유지하면서 별도의 메시징 또는 이벤트 큐 시스템을 통해 비동기 작업을 디스패치해야 하는 경우가 많습니다. 하지만 안타깝게도 이러한 애플리케이션을 개발하는 팀 입장에서는, 커밋 시점이 서로 맞지 않는 두 시스템을 관리하면 에이전트형 시스템의 트랜잭션 일관성이 훼손됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘 Google Cloud는 Spanner에 직접 내장된 기본 트랜잭션 메시징인 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner/docs/queues/queues-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner 큐&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 정식 버전이 출시되었다는 기쁜 소식을 전해드립니다. 신뢰할 수 있는 에이전트 실행을 위해 특별히 설계된 Spanner 큐를 사용하면, 메시지 생성은 트랜잭션 내에서 또 하나의 쓰기 작업을 수행하는 것만큼이나 간단해집니다. 에이전트의 상태 변경과 의도된 다운스트림 작업은 원자적으로 함께 커밋되거나 그렇지 않을 경우 완전히 실패합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기존 방식과 비교해 보겠습니다. 데이터베이스 상태 업데이트는 성공했지만 작업 디스패치에 실패하는 경우, AI 에이전트는 수행할 작업은 결정했으나 실제 실행은 하지 못하는 상태가 됩니다. 메시지 디스패치가 성공했지만 상태 트랜잭션이 롤백되면 에이전트가 잘못된 상태를 기반으로 작업을 실행합니다. 비동기 멀티 에이전트 조정에서 발생하는 재시도, 추측 실행, 경합 상태는 이러한 오류를 더욱 악화시켜, 결국 개발자가 복잡한 아웃박스 패턴, 멱등성 레이어, 조정 작업자를 직접 구축해야만 하며, 이는 에이전트형 아키텍처에 막대한 신뢰성 부담을 안겨줍니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트형 아키텍처의 주요 기능&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner 큐는 인프라 오버헤드를 발생시키지 않고 이러한 복잡한 비동기 워크플로를 지원하는 몇 가지 핵심 기능을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;원자적 '결정 및 실행' 큐 추가.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 단일 Spanner 읽기-쓰기 트랜잭션 내에서 에이전트는 내부 메모리 또는 상태 테이블을 업데이트하고 동시에 피어 에이전트에 태스크를 큐에 추가할 수 있습니다. Spanner의 엄격한 직렬화 가능성과 전역 외부 일관성을 기반으로 상태 변경과 실행 의도가 단일 원자 단위로 커밋됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;예약된 실행 및 지연.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 큐 메시지는 커밋 즉시 디스패치되거나 향후 전송되도록 예약할 수 있습니다. 지연된 재시도, 예약된 에이전트 체크인, SLA 에스컬레이션 타이머와 같은 에이전트 패턴은 외부 cron 스케줄러나 폴링 인프라 없이도 메모리 업데이트와 함께 트랜잭션 방식으로 큐에 추가할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트 작업자를 위한 스트리밍 SQL 가져오기.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 자율 에이전트는 스트리밍 SQL 읽기를 통해 작업을 동적으로 가져와 처리합니다. 에이전트 런타임은 수신되는 작업을 스트리밍하고, 용량이 확보되는 대로 처리하며, 트랜잭션 내에서 작업 완료를 확인하여 엔드 투 엔드 작업 실행 상태의 안정성을 보장합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;에피소드 메모리 지속성 및 핸드오프.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 장기 에피소드 요약, 반영 상태 전환, 하위 에이전트 간 컨텍스트 핸드오프를 포함한 에이전트 메모리 업데이트는 큐를 통해 비동기적이면서도 트랜잭션 방식으로 유지될 수 있습니다. 이를 통해 에이전트의 내부 메모리가 실시간 대화형 턴을 차단하지 않고도 실행 기록과 완전히 동기화된 상태를 유지할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Spanner 큐가 자율 에이전트에 필수적인 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;트랜잭션 기반의 에이전트 '정확히 한 번' 실행: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 도구 호출 결과를 평가할 때 상태 수정, 추론 결과의 지속성 유지, 다운스트림 도구 호출 작업이 하나의 트랜잭션 내에 통합되어 저장됩니다. Google은 적어도 한 번의 전송과 최대 한 번의 ACK를 보장하므로 정확히 한 번 처리를 실현할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;강력한 멀티 에이전트 조정 및 핸드오프:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 멀티 에이전트 시스템(A2A)에서는, 기본 에이전트에서 전문 에이전트로의 상태 핸드오프가 내구성 있고 트랜잭션 방식으로 커밋된 메시지로 표현됩니다. 전문 에이전트 작업자는 에이전트 상호작용의 완전히 감사 가능한 계보를 유지하면서 결과물 메시지를 수신합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 기능으로 제공되는 타임아웃 및 휴먼인더루프 워크플로:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트 워크플로는 사람의 승인이나 예약된 후속 조치를 위해 일시중지해야 하는 경우가 많습니다. Spanner 큐는 타임아웃 관리를 기본적으로 처리합니다. 단일 트랜잭션이 대기 중인 승인 상태를 기록하고 자동 에스컬레이션 메시지를 예약하여 먼저 트리거되는 항목을 해결합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트 큐를 위한 SQL 기반 모니터링 가능성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 실행 중인 에이전트 워크로드를 검사하고, 작업 백로그를 모니터링하고, 에이전트 실행 기록을 감사하는 작업을 큐 테이블에 대한 표준 SQL 쿼리로 수행할 수 있으므로 불투명한 메시지 저장소 블랙박스를 피할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;에이전트 워크플로의 다음 단계&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 에이전트 외에도 Spanner 큐는 다양한 기존 이벤트 기반 아키텍처에서 유연한 다목적 메시징 플랫폼 역할을 합니다. 소셜 애플리케이션의 실시간 활동 피드 지원, 뉴스 게시를 통한 실시간 소식 제공, 리테일 업종의 주문 처리 및 인벤토리 워크플로 조정, 금융 서비스의 높은 처리량의 비동기 작업 처리 및 트랜잭션 알림 처리 등 어떤 경우든 Spanner 큐는 기본 데이터베이스 내에서 비동기 메시지 전송 및 트랜잭션 이벤트 기반 워크플로를 위한 강력한 기반을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;자세히 들여다보기: Spanner 큐의 트랜잭션 메커니즘&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner 큐는 Spanner에서 퍼스트 클래스 관계형 구조로 표현되므로 익숙한 GoogleSQL을 사용하여 큐를 정의, 검사, 관리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;1. 큐 정의 및 원자적으로 큐에 추가&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 고객 환불 승인을 결정하면, 단일 ACID 트랜잭션 내에서 Orders 테이블을 업데이트함과 동시에 OrderAgentTasks 큐로 실행 작업을 디스패치합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Assume parent table:\r\n-- CREATE TABLE Orders (\r\n--   OrderId STRING(64) NOT NULL, ...\r\n-- )\r\n-- PRIMARY KEY (OrderId);\r\n\r\n-- Define the transactional queue table\r\nCREATE QUEUE OrderAgentTasks (\r\n  OrderId STRING(64) NOT NULL,\r\n  TaskId STRING(64) NOT NULL,\r\n  TaskType STRING(64) NOT NULL,\r\n  Payload JSON NOT NULL\r\n) PRIMARY KEY (OrderId, TaskId, TaskType), INTERLEAVE IN Orders;\r\n\r\n-- Inside a Read-Write Transaction:\r\n-- 1. Update business state atomically\r\n\r\n-- BEGIN TRANSACTION;\r\n\r\nUPDATE Orders\r\nSET Status = \&amp;#x27;REFUND_APPROVED\&amp;#x27;,\r\n    UpdatedAt = PENDING_COMMIT_TIMESTAMP()\r\nWHERE OrderId = @orderId;\r\n\r\n-- 2. Enqueue the asynchronous agent action in the same transaction\r\nINSERT INTO OrderAgentTasks (OrderId, TaskId, TaskType, Payload)\r\nVALUES (\r\n  @orderId,\r\n  @taskId,\r\n  \&amp;#x27;EXECUTE_REFUND\&amp;#x27;,\r\n  JSON \&amp;#x27;{&amp;quot;action&amp;quot;: &amp;quot;execute_refund&amp;quot;, &amp;quot;amount&amp;quot;: 49.99}\&amp;#x27;\r\n);\r\n\r\n-- COMMIT;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e244190&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이렇게 하면 주문 상태가 REFUND_APPROVED로 성공적으로 전환된 경우에만 EXECUTE_REFUND 작업이 존재하게 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;2. 시간 기반 예약 및 원자적 취소&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;관리자의 승인을 최대 72시간 동안 기다린 후 에스컬레이션하는 등 시간에 따라 달라지는 워크플로의 경우 에이전트는 시스템 DeliverTime 열을 채워 메시지 공개 상태를 지연시킵니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Schedule an automated escalation check-in 72 hours in the future\r\nINSERT INTO OrderAgentTasks (OrderId, TaskId, TaskType, Payload, DeliverTime)\r\nVALUES (\r\n  @orderId,\r\n  @escalationTaskId,\r\n  \&amp;#x27;ESCALATE_UNAPPROVED_ORDER\&amp;#x27;,\r\n  JSON \&amp;#x27;{&amp;quot;action&amp;quot;: &amp;quot;escalate_to_supervisor&amp;quot;}\&amp;#x27;,\r\n  TIMESTAMP_ADD(CURRENT_TIMESTAMP(), INTERVAL 72 HOUR)\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e245fd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;관리자가 4시간 후에 요청을 승인하면 애플리케이션은 며칠 후에 발생하는 허위 에스컬레이션 알림을 처리할 필요가 없습니다. 단일 트랜잭션에서 표준 SQL DELETE를 사용하여 주문 상태를 업데이트하고 대기 중인 에스컬레이션 작업을 취소합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- BEGIN TRANSACTION;\r\n\r\nUPDATE Orders\r\nSET Status = &amp;#x27;MANAGER_APPROVED&amp;#x27;,\r\n    ApprovedBy = @managerId\r\nWHERE OrderId = @orderId;\r\n\r\n-- Atomically cancel the pending delayed escalation task. `ASSERT_ROWS_MODIFIED 1` will\r\n-- act as a safeguard and cause a statement level error.\r\n\r\n-- A statement level error can be captured and the transaction can be\r\n-- user-aborted/cancelled in case the queue entry was already deleted.\r\n-- Otherwise the transaction will complete successfully regardless if the \r\n-- queue entry still exists and you&amp;#x27;ll only know if a queue entry was deleted by\r\n-- checking the number of rows affected by the DELETE.\r\nDELETE FROM OrderAgentTasks\r\nWHERE OrderId = @orderId\r\n  AND TaskId = @escalationTaskId\r\n  AND TaskType = &amp;#x27;ESCALATE_UNAPPROVED_ORDER&amp;#x27;,\r\nASSERT_ROWS_MODIFIED 1;\r\n\r\n-- COMMIT;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5dfc84d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;3. 스트리밍 방식의 소비, 임대 기간 갱신,원자적 확인&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;다운스트림 에이전트 작업자는 스트리밍 SQL 연결(ExecuteStreamingSql)을 통해 RECEIVE_&amp;lt;QueueName&amp;gt; 테이블 값 함수(TVF)를 사용하여 작업을 가져와 처리합니다. Spanner는 메시지 임대 기간을 자동으로 관리하며, 임대된 각 작업과 함께 고유한 SpannerLeaseToken 및 만료 타임스탬프를 반환합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Step 1: Consume tasks via a long-lived streaming SQL query\r\nSELECT\r\n  OrderId,\r\n  TaskId,\r\n  TaskType,\r\n  Payload,\r\n  SpannerLeaseToken,\r\n  SpannerLeaseExpirationTimestamp\r\nFROM RECEIVE_OrderAgentTasks(max_duration =&amp;gt; &amp;#x27;20m&amp;#x27;);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5dfcafd0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI 에이전트 작업은 멀티턴 LLM 추론이나 외부 API 호출처럼 기본 임대 기간보다 오래 걸리는 작업이 포함되는 경우가 많습니다. 이럴 때 작업자는 RENEWLEASE_&amp;lt;QueueName&amp;gt; 함수를 사용하여 임대 기간을 능동적으로 연장할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Step 2: Extend lease ownership during long-running agent execution\r\nSELECT *\r\nFROM RENEWLEASE_OrderAgentTasks(lease_tokens =&amp;gt; [@leaseToken]);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5dfc8790&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 외부 도구 실행을 완료하면(TaskId를 외부 API의 멱등성 키로 전달) 읽기-쓰기 트랜잭션을 열어 최종 상태를 기록하고 ASSERT_ROWS_MODIFIED 1로 메시지를 삭제하여 해당 메시지를 확인(ACK) 처리합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Step 3: Atomically checkpoint agent results and ACK the message\r\n-- BEGIN TRANSACTION;\r\n\r\nUPDATE Orders\r\nSET RefundTransactionId = @externalRefundId,\r\n    Status = &amp;#x27;REFUND_COMPLETED&amp;#x27;\r\nWHERE OrderId = @orderId;\r\n\r\nDELETE FROM OrderAgentTasks\r\nWHERE OrderId = @orderId\r\n  AND TaskId = @taskId\r\n  AND TaskType = @taskType\r\nASSERT_ROWS_MODIFIED 1;\r\n\r\n-- COMMIT;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5dfc92d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ASSERT_ROWS_MODIFIED 1을 사용하면 임대 기간 만료로 인한 경합 상태로부터 시스템을 보호할 수 있습니다. 네트워크 일시중지로 인해 작업자의 실행이 지연되어 임대 기간이 만료된 경우, 다른 작업자가 이미 해당 작업을 처리하고 삭제했을 수 있습니다. 중단된 작업자가 재개되어 문을 실행하려고 하면 ASSERT_ROWS_MODIFIED 1은 큐 행이 이미 사라진 것을 감지하고 문 수준 오류를 발생시킵니다. 이 오류를 포착하고 트랜잭션을 중단하면 비활성 작업자가 최신 데이터베이스 상태를 덮어쓰지 못하게 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Spanner 변경 내역과 Spanner 큐 비교&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner 변경 내역은 다운스트림 통합 및 감사를 위해 데이터베이스 데이터 변경사항(삽입, 업데이트, 삭제)을 거의 실시간으로 캡처합니다. 변경 내역과 큐 모두 애플리케이션이 데이터 변경에 반응할 수 있도록 하지만, Spanner 변경 내역은 지속적인 변경 데이터 캡처(CDC)와 다운스트림 분석 또는 스토리지로의 데이터 스트리밍을 위해 설계되었습니다. 반면 Spanner 큐는 트랜잭션 작업 조정을 위해 명시적으로 설계되었으며, 읽기-쓰기 트랜잭션 내에서 기본 메시지 임대 기간 설정, 예약된 전송, SQL 기반 가져오기, 원자적 확인을 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner는 엄격한 글로벌 일관성 하에 관계형, 하이브리드 검색, 그래프, 키-값 기능을 결합하여 에이전트형 데이터를 위한 통합 기반을 제공합니다. Spanner 큐는 에이전트가 단일 통합 플랫폼 내에서 데이터에 대한 추론부터 트랜잭션 작업 실행에 이르기까지 전 과정을 원활하게 전환할 수 있게 함으로써 에이전트 루프를 완성합니다. 이제 Spanner 큐를 정식 버전으로 이용하실 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://console.cloud.google.com/freetrial?redirectPath=%2Fspanner&amp;amp;facet_utm_source=google&amp;amp;facet_utm_campaign=%28organic%29&amp;amp;facet_utm_medium=organic&amp;amp;facet_url=https%3A%2F%2Fcloud.google.com%2Fblog%2Fproducts%2Fspanner%2Ftry-cloud-spanner-databases"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner 90일 무료 체험판&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 가입하고 &lt;/span&gt;&lt;a href="https://cloud.google.com/spanner/docs/queues/queues-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;공개 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 확인해 보세요. 지금 바로 Spanner 데이터베이스에 큐 테이블을 생성하여 복원력 있는 '정확히 한 번' 에이전트형 워크로드를 빌드할 수 있습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 12 Oct 2026 17:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/spanner-queues-provide-native-transactional-messaging/</guid><category>Spanner</category><category>Databases</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_bE1RXzx.max-600x600.png" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Spanner 큐 출시: 에이전트 워크로드 등을 위한 트랜잭션 메시징</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/image1_bE1RXzx.max-600x600.png</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/spanner-queues-provide-native-transactional-messaging/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Nitin Sagar</name><title>Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Matthew Mucklo</name><title>Engineering Manager &amp; Lead Cloud Spanner Data Streaming</title><department></department><company></company></author></item><item><title>Spanner Omni 정식 버전 출시: 어디에나 배포할 수 있는 분산형 멀티 모델 데이터베이스</title><link>https://cloud.google.com/blog/ko/products/databases/spanner-omni-deploy-anywhere-version-of-spanner-is-now-ga/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/spanner-omni-deploy-anywhere-version-of-spanner-is-now-ga?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;어디에나 배포할 수 있는 Spanner 버전인 &lt;/span&gt;&lt;a href="https://cloud.google.com/products/spanner/omni"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner Omni&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;가 이제 정식 버전으로 출시되어 온프레미스 데이터 센터나 다른 클라우드에서도 가장 까다로운 프로덕션 워크로드를 지원할 준비가 되었습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google은 10여 년 전 Spanner를 통해 NoSQL의 수평 확장성과 기존 관계형 데이터베이스의 ACID 규정 준수 및 strong consistency를 결합하여 분산 SQL 시장을 개척했습니다. 그 이후로 Spanner는 복잡한 워크로드를 간소화하고 에이전트 AI를 지원하는 상호 운용 가능한 멀티 모델 데이터베이스로 진화했습니다. 이제 단일 데이터베이스 내에서 SQL, 그래프, 키-값, 전체 텍스트 검색, 벡터 검색, 분석 처리를 열 기반 엔진과 결합하여 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/introducing-spanner-omni?e=48754805&amp;amp;hl=ko"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud Next ’26에서 Spanner Omni&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 처음 선보였을 때, Google은 분산형 데이터베이스를 Google Cloud 외부로 확장하여 고객의 인프라에 직접 제공했습니다. 이로 인해 기업 고객과 개발자 커뮤니티 모두에서 엄청난 관심을 보였습니다. 실제로 Spanner Omni는 출시 이후 200만 회 이상 다운로드되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni는 완전 관리형 Spanner 서비스와 동일한 핵심 기능을 제공하며, 필요한 곳 어디에나 배포할 수 있는 자유를 더했습니다. 비공개 데이터 센터에서 가상 머신이나 Kubernetes를 실행하든, 여러 클라우드에 걸쳐 멀티 클라우드 배포를 실행하든, 노트북에서 로컬로 테스트하든, Spanner Omni는 Google 수준의 일관성, 가용성, 확장성, 상호 운용 가능한 멀티 모델 기능을 차세대 에이전트 AI 애플리케이션에 직접 제공합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/11lognm3l3908.max-1000x1000.png"
        
          alt="11lognm3l3908"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="kg1us"&gt;Spanner Omni는 Spanner 고유의 핵심 기능을 그대로 유지하면서, 원하는 곳 어디든 자유롭게 배포할 수 있는 환경을 제공합니다.&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Attio, Spanner Omni로 에이전트형 애플리케이션 속도 가속화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni를 사용하면 팀에서 한 번의 빌드만으로 어디에나 배포할 수 있으며, Google Cloud, 온프레미스, 기타 클라우드 전반에서 애플리케이션 이식성을 확보할 수 있습니다. 런던에 본사를 둔 AI 기반 CRM 회사인 Attio는 Spanner를 기반으로 플랫폼을 구축했습니다. Attio는 에이전트형 애플리케이션 환경을 모든 기능을 갖춘 컨테이너화된 Spanner Omni와 관리형 Spanner의 결합 모델로 마이그레이션했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;"Attio는 AI 기반 CRM 플랫폼이라는 비전을 실현하기 위해 Spanner를 기반으로 세계에서 가장 발전된 에이전트형 애플리케이션 환경을 구축하고 있습니다. Spanner Omni는 모든 환경에서 Spanner의 기능과 성능을 구현함으로써, 에이전트가 최근 발표된 Spanner 큐와 같이 복잡한 미션 크리티컬 워크플로를 프로덕션 환경에 적용할 수 있게 해준다는 점에서 저희에게 매우 큰 성과였습니다. Spanner Omni를 통해 이전에는 불가능했던 수준의 규모와 신뢰도로 프로덕션 속도를 가속화할 수 있었습니다." - 알렉산더 크리스티, Attio 공동 설립자 겸 CTO&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;어떤 환경에서든 활용 가능한 기본 제공 AI 기능&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni는 Spanner의 통합 멀티 모델 기반을 프라이빗 인프라와 서드 파티 클라우드로 직접 확장하여 AI 워크로드에 중요한 기능을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;벡터 검색 및 Spanner Graph&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 관계형 테이블과 함께 벡터 임베딩을 기본적으로 저장하고 색인을 생성합니다. KNN 및 ANN 검색 지원을 통해 시맨틱 유사성을 정형 SQL 필터와 결합할 수 있습니다. Spanner Graph는 속성 그래프를 엔진에 직접 통합하여 복잡한 항목 관계를 추적하고 그래프 순회를 벡터 검색과 연결할 수 있도록 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;모델 컨텍스트 프로토콜(MCP) 지원&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: &lt;/span&gt;&lt;a href="https://github.com/googleapis/mcp-toolbox" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;MCP Toolbox&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 에이전트 시스템과 직접 통합합니다. 이 개방형 표준을 통해 자율 에이전트는 스키마를 검사하고 관련 컨텍스트를 검색할 수 있으며, 멀티 클라우드 배포 환경 전반에서 Spanner Omni를 운영 메모리 레이어로 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Spanner Omni의 새로운 기능&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;프리뷰 출시 이후 Google은 Spanner Omni의 기능을 확장하고, 프로덕션에 즉시 사용 가능한 배포 수준으로 가격 책정 모델을 개선하기 위해 노력해 왔습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;프로덕션 배포를 위한 엔터프라이즈 기능&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;정식 버전 출시로 미션 크리티컬 프로덕션 워크로드에 필요한 엔터프라이즈급 기능 전체를 사용할 수 있게 되었습니다. 주요 기능은 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;강력한 보안 및 거버넌스:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; TLS 암호화, 인증 및 승인, 감사 로깅을 포함한 고급 엔터프라이즈 보안 기능을 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 보호:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 고성능 백업 및 복원 기능으로 실수로 인한 삭제나 데이터 손상으로부터 데이터를 보호합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/spanner-omni/manage-workers"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;워커 노드&lt;/strong&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;: Spanner Omni에만 있는 전용 스테이트리스(Stateless) 컴퓨팅 노드로, 기본 Spanner Omni 서버에서 백그라운드 및 리소스 집약적인 작업을 오프로드하여 핵심 데이터베이스 워크로드를 처리하는 데 집중할 수 있도록 설계되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈급 지원:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://cloud.google.com/support"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud Customer Care&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 직접 액세스하여 중요한 워크로드를 원활하게 실행할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;유연한 라이선스 및 업계 표준 가격 책정&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni는 개발의 모든 단계에서 사용자를 지원하기 위해 규모와 예산에 맞춰 선택할 수 있는 두 가지 라이선스 등급을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;개발자 버전(무료)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 비상업용 비프로덕션 환경에서 개발, 테스트, 프로토타입 제작을 위해 최적화된 버전입니다. Spanner의 모든 핵심 기능을 제공하므로, 프로덕션 환경으로 확장하기 전에 애플리케이션을 빌드하고 검증하는 용도로 활용할 수 있습니다. 개발자 버전에는 기본 라이선스가 제공됩니다. 기본 라이선스는 90일 동안 유효하며, 백업 기능과 워커 노드를 제외하고 상업용 버전과 동일한 모든 기능을 제공합니다. 4개 이하의 vCPU를 사용하는 단일 서버 환경에 배포할 경우, 기본 라이선스는 만료 없이 계속 사용할 수 있으며 백업 및 복원 기능도 함께 지원됩니다. vCPU가 4개를 초과하는 경우, 이 &lt;/span&gt;&lt;a href="https://forms.gle/Ex9NcszwJFuHbtnB9" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;양식&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 작성하면 기본 라이선스 기간을 90일 이후까지 연장할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;상업용 버전(유료)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 상업용 프로덕션 워크로드를 위해 설계된 이 버전은 엔터프라이즈 지원과 함께 Spanner Omni의 모든 기능을 제공합니다. 이 모델은 업계 표준을 철저히 따르며, vCPU 기반의 예측 가능한 연간 구독 모델을 채택하고 있습니다. 또한 사전 프로덕션 버전 평가를 위한 개념 증명 라이선스를 할인된 가격으로 제공합니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Spanner Omni와 Google Cloud의 완전 관리형 Spanner 비교&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni의 목표는 Google Cloud에서 제공되는 완전 관리형 Spanner 서비스와 동일한 수준의 기능을 제공하는 것입니다. 그러나 Spanner Omni는 자체 관리형 소프트웨어이므로 Spanner Omni를 배포하고 운영하는 방식은 Google Cloud의 완전 관리형 Spanner와 다음과 같은 몇 가지 측면에서 다릅니다. &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;자체 관리형 운영:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 정기 유지보수, 버전 업그레이드, 인프라 모니터링을 포함한 모든 일상적인 운영을 사용자가 직접 담당합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;가용성 및 SLA:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Spanner Omni는 고객 관리 인프라에서 실행되므로 Google은 가용성 SLA를 제공하지 않습니다. 그러나 Google에서 권장하는 참조 아키텍처에 따라 배포하면 비슷한 수준의 고가용성을 달성할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Google Cloud와의 통합:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Spanner Omni는 어디서나 실행될 수 있도록 BigQuery, Knowledge Catalog, Gemini Enterprise 및 기타 Google Cloud 서비스와의 기본 통합과 같이 Google Cloud 전용 기능에 의존하는 관리형 Spanner에서 사용할 수 있는 기능을 제외합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;기능 동등성 로드맵:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 현재 Spanner Omni와 완전 관리형 Spanner 간에 일부 기능 격차가 존재하지만, 향후 출시에서 이러한 격차를 해소하기 위해 적극적으로 업데이트를 개발하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;온프렘 기존 시스템을 현대화하든, 복원력 있는 멀티 클라우드 아키텍처를 빌드하든, Spanner Omni는 확장을 지원할 준비가 되어 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;자세한 내용은&lt;/span&gt;&lt;a href="https://cloud.google.com/products/spanner/omni"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner Omni 웹사이트&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 문서와 사용 사례를 살펴보세요. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Spanner Omni 상업용 버전의 모든 기능을 사용하려면 Google Cloud 계정팀에 문의하거나 &lt;/span&gt;&lt;a href="https://cloud.google.com/consulting/spanner-omni"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;https://cloud.google.com/consulting/spanner-omni&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 Google Cloud에 문의하세요. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;비상업적, 비프로덕션 목적으로 개발 및 테스트하려면 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/spanner-omni/download"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spanner Omni 개발자 버전을 다운로드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Mon, 12 Oct 2026 04:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/spanner-omni-deploy-anywhere-version-of-spanner-is-now-ga/</guid><category>Spanner</category><category>Hybrid &amp; Multicloud</category><category>Databases</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/GettyImages-2175580039.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Spanner Omni 정식 버전 출시: 어디에나 배포할 수 있는 분산형 멀티 모델 데이터베이스</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/GettyImages-2175580039.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/spanner-omni-deploy-anywhere-version-of-spanner-is-now-ga/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Jagan R. Athreya</name><title>Group Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Wenzhe Cao</name><title>Group Product Manager</title><department></department><company></company></author></item><item><title>에이전트를 위한 PostgreSQL을 제공하는 AlloyDB: 에이전트 규모의 실시간 데이터와 완전한 워크로드 격리</title><link>https://cloud.google.com/blog/ko/products/databases/announcing-postgresql-for-agents-in-alloydb/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/announcing-postgresql-for-agents-in-alloydb?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기업은 성능 저하가 허용되지 않는 미션 크리티컬 운영 데이터베이스를 사용합니다. 그러나 소수의 에이전트만 집중적인 추론 루프를 실행해도 쿼리가 예측할 수 없이 급증하여 기존 아키텍처가 쉽게 과부하될 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘 Google Cloud는 AlloyDB가 에이전트를 위한 PostgreSQL(프리뷰 버전)을 제공하여 미션 크리티컬 시스템을 손상시키지 않고 실시간 데이터 액세스를 지원한다는 소식을 발표합니다. 이제 AlloyDB는 샌드박스 처리된 데이터베이스 인스턴스를 몇 초 만에 프로비저닝하여 동적 에이전트 버스트에 맞게 확장할 수 있으므로 완전한 워크로드 격리가 가능합니다. 몇 개의 에이전트부터 수백만 개의 에이전트까지 어떤 규모로든 에이전트를 비용 효율적으로 실행할 수 있으며, 에이전트가 완료되면 인스턴스가 자동으로 가동 중지됩니다. 이번 발표의 주요 내용은 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;이제 AlloyDB는 프로덕션에 대한 최신 읽기 전용 액세스 권한을 가진 수천 개의 서버리스 데이터베이스 인스턴스로 PostgreSQL을 확장하도록 설계된 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture?e=0&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트형 데이터베이스 아키텍처&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 제공합니다. 이러한 인스턴스는 프로덕션 워크로드가 실행되는 기본, 대기, 읽기 복제본 인스턴스와 완전히 분리된 상태로 유지됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 각 인스턴스는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/storage-data-transfer/a-peek-behind-colossus-googles-file-system?e=0&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google의 엑사바이트 규모 분산 스토리지 시스템인 Colossus&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 통합 스토리지 계층에서 지원하는 데이터베이스의 실시간 데이터에 액세스합니다. 이를 통해 에이전트는 밀리초 미만의 I/O와 초당 테라비트의 합산된 스캔 처리량을 달성하여 초당 300만 개 이상의 쿼리를 지원할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 인스턴스는 전체 AlloyDB PostgreSQL 엔진을 활용하여 모든 색인, SQL의 전체 기능, 포괄적인 벡터, 전체 텍스트, 공간 검색에 대한 액세스를 제공합니다. 또한 에이전트는&lt;/span&gt;&lt;a href="https://cloud.google.com/bigquery"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;와&lt;/span&gt;&lt;a href="https://cloud.google.com/products/managed-service-for-apache-spark"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Spark&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 활용하여 복잡한 ETL 파이프라인 없이도 레이크하우스 분석을 실행할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 작업을 완료하면 이러한 인스턴스가 즉시 0으로 축소되므로, 활성 추론 루프에 대해서만 비용이 청구되어 클라우드 지출이 줄어듭니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는&lt;/span&gt;&lt;a href="https://cloud.google.com/products/alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;PostgreSQL용 AlloyDB&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 통해 100% PostgreSQL 호환 엔진 내에 고급 벡터 연산, 머신러닝 추론, 파운데이션 모델 연동을 직접 통합함으로써 에이전트형 엔터프라이즈 관계형 데이터베이스를 선도하고 있습니다. 정적 비밀번호를 IAM 인증으로 대체하고, VPC 서비스 제어를 통해 트래픽을 격리하고, 고객 관리 암호화 및 감사를 제공하는 등 심층적인 Google Cloud 보안 통합을 통해 데이터를 보호합니다. 이 기능은 이제 에이전트형 아키텍처에서 제공하는 확장성과 결합되어 AlloyDB를 최고의 엔터프라이즈급 에이전트형 PostgreSQL 제품으로 만들어 줍니다. &lt;/span&gt;&lt;/p&gt;
&lt;p style="text-align: center;"&gt;&lt;strong&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;시작하려면 &lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSfYv_zv2CI9L6xZxkExZai_jG-eiz8iEYPfwLFwaIatZdYCrA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;여기에서 프리뷰를 신청&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;하세요.&lt;/span&gt;&lt;/strong&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;중요한 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘날의 에이전트 시대에는 단일 코파일럿 에이전트 상호작용에서 수백만 개의 에이전트가 동시에 공동작업하는 네트워크로 빠르게 전환되고 있습니다. 이러한 에이전트가 한꺼번에 쿼리하고 작동하면 갑작스러운 트래픽 급증으로 인해 핵심 데이터베이스가 과부하되어 비즈니스를 운영하는 시스템에 지장을 줄 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트에는 빠른 분석과 실시간 프로덕션 데이터에 대한 지연 시간이 짧은 액세스가 모두 필요하며, B-트리, 벡터, 텍스트, 공간 색인을 활용하여 워크플로를 효율적으로 실행합니다. 새로운 아키텍처는 객체 스토리지 위에 있는 페이지 캐싱 레이어에 의존하지만, 확장성과 비용 문제로 인해 프로덕션 시스템의 안정성이 저하될 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 이 아키텍처는 까다로운 상충 관계에 직면합니다. 즉, 분석을 위해 프로덕션 데이터를 활용하려고 하면 운영 액세스에 성능 병목 현상이 발생하여 에이전트가 프로덕션에 배포되는 순간 미션 크리티컬 데이터베이스가 위험해집니다. 이러한 접근 방식은 데이터베이스 스토리지에 기존 객체 스토어를 사용하여 문제를 해결하려고 합니다. 이를 통해 일부 에이전트에 도움이 될 수 있는 분석 액세스가 가능하지만, 기본 데이터베이스는 프로덕션 워크로드에 사용하기에는 너무 느리고 I/O 지연 시간이 최대 10배 더 높습니다. 페이지 캐싱 레이어는 기껏해야 패치에 불과합니다. 캐시 자체는 여전히 충분히 빠르지 않은 경우가 많으며, 에이전트형 워크로드로 인해 쉽게 포화되는 확장성 병목 현상을 일으킵니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;활성 멀티 에이전트 시스템이 집중적인 추론 주기를 실행하면 예측할 수 없는 동시 쿼리 급증을 유발하여 캐싱 레이어에 과부하가 발생하고, 미션 크리티컬 프로덕션 시스템이 에이전트로 인한 중단에 취약해집니다. 따라서 이러한 아키텍처에서는 전체 운영 사용 사례 클래스를 실행할 수 없으므로 기업은 실시간 엔터프라이즈 데이터에 대한 AI의 혁신적인 힘을 활용할 수 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB의 고유한 에이전트형 PostgreSQL 아키텍처&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google은 다른 접근 방식을 취하고 있습니다. AlloyDB는 AI 시대를 위해 특별히 설계된 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture?e=0&amp;amp;hl=ko"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트형 데이터베이스 아키텍처&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 제공하며, 다음과 같은 네 가지 주요 차별화된 기능을 갖추고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;인위적인 병목 지점 없이 밀리초 미만의 I/O 지연 시간: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB의 업계 최고 수준의 트랜잭션 및 쿼리 처리와 Google의 전 세계 규모 Colossus 스토리지 인프라를 기반으로 하는 지연 시간이 짧은 객체 스토리지를 결합한 이 아키텍처는 에이전트를 위한 대규모 공유 저장공간 플레인을 제공합니다. 밀리초 미만의 I/O와 초당 테라비트 이상의 합산 스캔 대역폭을 달성하여 에이전트가 최신 운영 데이터에 대해 직접 집중적인 읽기 쿼리와 벡터 검색을 실행할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;수요에 맞게 확장하면서 프로덕션 워크로드에서 완전히 격리: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB는 최신 프로덕션 데이터에 대해 샌드박스 처리된 데이터베이스 인스턴스를 몇 초 만에 동적으로 프로비저닝하여 확장합니다. 에이전트가 한정된 운영 리소스를 나눠 써야 하는 기존 아키텍처와 달리, 에이전트형 데이터베이스 컴퓨팅은 기본 데이터베이스 클러스터와 완전히 격리되어 있으므로 에이전트가 프로덕션 성능을 저하시키지 않고 집중적이며 예측하기 어려운 추론 루프를 실행할 수 있습니다. 이러한 강력한 안전 가드레일과 엔터프라이즈급 거버넌스, 세분화된 액세스 제어를 결합하면 안심하고 프로덕션 데이터에서 PostgreSQL의 제약 없는 강력한 기능을 마음껏 활용할 수 있습니다. 이를 통해 활성 에이전트 루프에서 분석 쿼리, 벡터 쿼리, 운영 포인트 조회를 원활하게 혼합하여 사용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;사용한 만큼만 지불하는 결제&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 대부분의 에이전트 활동은 동시 쿼리가 급증한 후 비활성 기간이 이어지는 것이 특징입니다. 이러한 급증을 수용하기 위해 전용 읽기 복제본을 프로비저닝하면 값비싼 인프라를 24시간 내내 유지해야 합니다. 대규모 에이전트 그룹을 비용 효율적으로 지원하고 프로비저닝된 시스템의 유휴 컴퓨팅 오버헤드를 제거하기 위해, 이러한 에이전트형 AlloyDB 인스턴스는 초당 수백만 개의 쿼리를 처리하도록 빠르게 확장할 수 있으며, 사용한 만큼만 지불하는 유연한 가격 책정 모델을 통해 자동으로 0까지 축소됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;ETL 없이 기본 레이크하우스 통합&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 모든 프로덕션 데이터가 Google Cloud의 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/introducing-the-borderless-lakehouse"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;경계 없는 레이크하우스&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;와 기본적으로 통합됩니다. 이를 통해 에이전트는 BigQuery와 Apache Spark용 Lightning Engine에서 페더레이션 쿼리를 실행하여 대규모 레이크하우스 데이터 세트를 AlloyDB의 최신 트랜잭션 데이터와 조인할 수 있습니다. 따라서 불안정한 일괄 ETL 파이프라인을 빌드하고 유지관리할 필요가 없으며, 자율 에이전트가 실시간 운영 상태와 과거 레이크하우스 컨텍스트에 즉시 액세스할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;em&gt;&lt;span style="vertical-align: baseline;"&gt;“공급망이 점점 더 자율화되면서, 당사 플랫폼은 수천 개 시설에 걸쳐 복잡한 물류 워크플로를 조정하기 위해 실시간 트랜잭션 인텔리전스를 활용하고 있습니다. 에이전트를 위한 AlloyDB의 새로운 PostgreSQL 아키텍처는 획기적인 변화를 가져다주었습니다. 이제 동시에 협업하는 에이전트 네트워크를 배포하여 초 미만 단위의 최신성으로 인벤토리 및 주문 데이터를 분석하는 동시에, 핵심 트랜잭션 처리가 전혀 영향을 받지 않도록 유지할 수 있습니다. 차세대 엔터프라이즈 공급망 AI를 구동하는 데 필요한 격리, 속도, 비용 효율성을 제공합니다.” - &lt;/span&gt;&lt;/em&gt;&lt;span style="vertical-align: baseline;"&gt;Sanjeev Siotia, Manhattan Associates 부사장 겸 최고 기술 책임자&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;가용성&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB의 에이전트를 위한 PostgreSQL이 이제 프리뷰 버전으로 제공됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;자세히 알아보려면&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/postgresql-agents-alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 페이지를 방문하고&lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSfYv_zv2CI9L6xZxkExZai_jG-eiz8iEYPfwLFwaIatZdYCrA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기에서 가입&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하여 시작하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Wed, 07 Oct 2026 04:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/announcing-postgresql-for-agents-in-alloydb/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>에이전트를 위한 PostgreSQL을 제공하는 AlloyDB: 에이전트 규모의 실시간 데이터와 완전한 워크로드 격리</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/announcing-postgresql-for-agents-in-alloydb/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Raj Pai</name><title>VP, Product Management</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sujatha Mandava</name><title>Senior Director, Product Management, Databases</title><department></department><company></company></author></item><item><title>에이전트 시대를 위한 타협 없는 새로운 데이터베이스 아키텍처</title><link>https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/alloydbs-agentic-database-architecture?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터베이스 엔지니어링 분야에 종사하는 모든 이들은 단 하나의 질문에 매달려 왔습니다. 데이터를 보유한 레코드 시스템을 손상시키지 않으면서 OLTP 워크로드를 확장하려면 어떻게 해야 할까요?&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Exadata는 데이터베이스 아래의 수평 확장 스토리지 계층으로 쿼리를 오프로드하여 네트워크 병목 현상을 제거하는 방식으로 이 문제를 해결했습니다. Azure SQL Hyperscale은 공유 블록 서버를 사용하여 수십 개의 읽기 복제본으로 수평 확장했습니다. Aurora는 로그 애플리케이션을 분산 스토리지 노드로 오프로드하여 수십 개의 PostgreSQL 노드에서 읽기 작업을 확장했습니다. 한편, 새로운 아키텍처는 프로비저닝된 캐시 계층을 앞에 두고 기존 객체 스토리지에 데이터를 유지합니다. 이를 통해 핫 데이터의 지연 시간은 줄일 수 있지만 캐시 부적중이 발생할 때마다 긴 지연 시간이 발생하는 문제는 여전히 남습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 각 아키텍처는 본질적으로 규모, 지연 시간, 격리라는 세 가지 특성 중 적어도 하나, 경우에 따라서는 두 가지 특성의 제약을 받습니다. 예를 들어 공유 블록 서버를 기반으로 구축된 아키텍처는 블록 서버에서 I/O 병목 현상이 불가피하게 발생하기 때문에 확장성이 저하됩니다. 또한 복제본 트래픽이 급증할 때마다 프로덕션 워크로드가 제한되므로 격리 측면에서도 손해를 감수해야 합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 절충안 중 일부는 당시에는 합리적인 선택이었으며, 지난 40년 동안 엔터프라이즈 데이터베이스 워크로드의 요구사항을 충족해 왔습니다. 그러나 에이전트 시대에는 이러한 타협이 더 이상 용납되지 않습니다. 에이전트형 워크로드는 동적으로 생성되며 사전에 검증할 수 없으므로 비즈니스 연속성을 위해 미션 크리티컬 시스템과 격리하는 것이 필수적입니다. 또한 에이전트형 워크로드에는 데이터베이스 엔진과 모든 색인의 성능을 온전히 활용해야만 달성할 수 있는 짧은 지연 시간이 필요합니다. 이와 동시에 단일 데이터베이스에서는 지금껏 시도된 적 없는 완전히 새로운 수준의 탄력적 확장성도 요구됩니다. 예를 들어 수많은 에이전트가 한꺼번에 단일 데이터베이스를 처리하기 위해 불과 몇 초 만에 1,000개의 컴퓨팅 노드를 사용하고 1분도 채 되지 않아 작업을 완료할 수도 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;진정한 에이전트형 데이터베이스 아키텍처에 필요한 세 가지 원칙&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트 시대에는 세 가지 기본 원칙으로 정의되는 새로운 에이전트형 데이터베이스 아키텍처가 필요할 것입니다. 에이전트형 데이터베이스 아키텍처라면 이 세 가지를 모두 충족해야 하며, 그렇지 않다면 진정한 의미의 에이전트형이라고 할 수 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;원칙: 격리 — 설계 단계부터 격리하되, 실시간 데이터 액세스 보장.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트는 기본 클러스터와 데이터베이스 구성요소를 공유하지 않는 데이터 경로를 통해 1초 미만의 최신 상태가 보장되는 실시간 프로덕션 데이터를 읽을 수 있어야 합니다. 실시간이란 오래된 사본이나 브랜치가 아니라 초 단위로 최신 상태를 유지하는 것을 의미합니다. 이는 할당량을 통한 제한이 아닌 물리적인 분리입니다. 할당량 공유는 운명 공동체를 의미하기 때문입니다. 경계는 스토리지 레이어를 통해 바로 확장되므로 설계 단계부터 리소스 경합을 방지됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;원칙: 지연 시간 — 1밀리초 미만의 기준 I/O.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 운영 워크로드에는 1밀리초 미만의 블록 I/O가 필요하며, 에이전트의 경우에도 이 기준은 낮아지지 않습니다. 컴퓨팅 노드는 가속화를 위해 DRAM과 로컬 SSD를 활용하지만, 원격 스토리지에 도달하는 캐시 부적중은 애플리케이션이든 에이전트든 1밀리초 이내에 완료되어야 합니다. 성능이 10배 이상 급격히 저하되는 아키텍처는 근본적으로 에이전트가 사용하기에 적합하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;원칙: 확장성 — 에이전트 규모의 컴퓨팅 및 I/O.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트의 확장성은 즉각적이고, 변동성이 크며, 그 규모도 방대합니다. 데이터베이스 컴퓨팅 노드는 몇 초 만에 가동되어 수천 개로 확장되고, 짧은 버스트 중에 실행된 후, 에이전트가 작업을 완료하면 자동으로 0까지 축소될 수 있어야 합니다. 지금까지 프로덕션에 영향을 주지 않으면서 데이터베이스가 컴퓨팅과 I/O를 수천 개의 노드로 동적으로 확장할 수 있을 것이라고는 아무도 생각하지 못했습니다. 에이전트는 본질적으로 동적으로 작동하므로 컴퓨팅이든, 스토리지 I/O이든, 그 사이의 캐싱 계층이든 전체 스택에서 사전 프로비저닝하는 방식은 애초에 불가능합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;중요한 것은 에이전트형 아키텍처가 이 세 가지 원칙을 동시에 준수해야 한다는 점입니다. 이를 통해 에이전트는 프로덕션 안정성을 저해하지 않으면서 실시간 운영 데이터, 즉 기업 지식을 직접 활용해 작업할 수 있습니다. 그 결과로 다음과 같은 획기적인 이점을 얻을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;관련 장애 방지:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 비즈니스를 운영하는 엔진과 이를 기반으로 추론하는 에이전트 Fleet을 완전한 분리하여 에이전트가 프로덕션에 영향을 미칠 수 있는 경로를 차단합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;용량 예측 불필요:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 진정한 탄력성을 통해 예측할 수 없는 에이전트 규모에 대비하여 사전 프로비저닝해야 하는 부담을 없앱니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;기능 타협 불필요:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트가 사용할 수 있는 기능을 제한하지 않습니다. 에이전트는 모든 추론 단계에서 관계형 SQL, 하이브리드 검색(벡터, 전체 텍스트, 공간), 색인의 모든 기능을 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB의 에이전트형 아키텍처&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/blog/products/databases/announcing-postgresql-for-agents-in-alloydb"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB의 새로운 에이전트형 데이터베이스 아키텍처&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 이 세 가지 원칙을 모두 충족하는 최초의 시스템입니다. Google은 처음부터 스토리지, 네트워크, 컴퓨팅, 데이터베이스 전반을 고려하여 설계했기 때문에 다음과 같은 이점을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;설계 단계부터 격리하여 공동 운명 방지:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 트랜잭션 프로덕션 클러스터는 에이전트 워크로드와 완전히 격리된 전용 사전 프로비저닝 인프라에서 실행됩니다. 에이전트는 모델 컨텍스트 프로토콜(MCP)을 통해 독립적이고 일시적인 microVM 기반 AlloyDB 노드 풀과 상호작용합니다. 이러한 노드는 프로덕션용 스토리지 세그먼트와 분리된 전용 Colossus 스토리지 세그먼트에서 데이터를 직접 읽습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;예측 가능한 1밀리초 미만의 스토리지 I/O:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 모든 스토리지 읽기는 Google의 Colossus 스토리지 시스템에서 직접 처리되므로 이 시스템의 기본적인 1밀리초 미만 지연 시간이 그대로 적용되며 콜드 캐시 부적중이 발생할 때 성능이 급격히 저하되는 현상을 방지합니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;0에서 수천 개까지 지원하는 진정한 컴퓨팅 확장:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트 활동이 급증하면 에이전트 풀이 0개에서 수천 개의 노드로 빠르게 확장되고, 작업이 완료되는 즉시 다시 0개로 축소됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_W9G0CoR.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트는 1초 미만의 최신 상태가 보장되는 프로덕션 데이터를 쿼리할 수 있으며 완전한 PostgreSQL 엔진을 자유롭게 사용하여 포인트 조회, 색인 순회, 벡터, 전체 텍스트 및 공간 검색, 열 기반 스캔, 레이크하우스 전반의 페더레이션 쿼리 등 추론 루프를 실행할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;strong&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSfYv_zv2CI9L6xZxkExZai_jG-eiz8iEYPfwLFwaIatZdYCrA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;에이전트용 AlloyDB PostgreSQL 프리뷰&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;에 참여하여 규모에 관계없이 모든 프로덕션 데이터에 대해 에이전트를 실행하세요.&lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSfYv_zv2CI9L6xZxkExZai_jG-eiz8iEYPfwLFwaIatZdYCrA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; 전체 기능에 대한 자세한 내용은&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/announcing-postgresql-for-agents-in-alloydb"&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;함께 제공되는 공지 블로그&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;에서 확인할 수 있습니다.&lt;/span&gt;&lt;/strong&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;기존 아키텍처가 세 가지 원칙을 모두 충족할 수 없는 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기존 운영 데이터베이스와 새로운 운영 데이터베이스는 모두 세 가지 아키텍처 패러다임 중 하나를 사용하여 확장하려고 합니다. 자율 AI 에이전트의 요구사항을 기준으로 평가하면 각 패러다임에는 근본적인 구조적 한계가 있으며, 세 가지 원칙을 모두 동시에 충족하는 아키텍처는 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;독립적인 복제본(공유되지 않는 스토리지)&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기존 관계형 아키텍처는 기본 인스턴스에서 전용 복제본 데이터베이스로 복제 로그를 스트리밍하여 읽기 작업을 확장하며, 각 복제본에는 자체 로컬 또는 연결된 블록 스토리지가 있습니다. 이러한 방식은 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 격리&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;를 충족합니다. 복제본은 기본 클러스터와 물리적 리소스를 공유하지 않으며, 지속적인 로그 복제를 통해 거의 실시간으로 최신 상태를 유지합니다. 또한 전용 로컬 스토리지를 통해 예측 가능한 1밀리초 미만의 읽기 지연 시간을 보장하므로 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 지연 시간&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;도 충족합니다. 그러나 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 확장성&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;은 충족하지 못합니다. 확장하려면 새 복제본을 프로비저닝하고 수백 기가바이트에서 수백 테라바이트에 이르는 스토리지를 리하이드레이션해야 하기 때문입니다. 이 모든 과정에는 몇 시간이 걸리므로 몇 초 단위로 빠르게 이루어지는 에이전트 추론 작업의 요구사항과는 전혀 맞지 않습니다. 또한 정적으로 프로비저닝된 컴퓨팅 및 스토리지는 에이전트가 실행을 완료한 후에도 오랫동안 유휴 비용을 계속 발생시킵니다. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;분리된 공유 스토리지 서버&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;두 번째 접근 방식은 지속성, 복제를 관리하고 블록 쓰기를 오프로드할 수 있는 커스텀 스토리지 서버의 공유된 멀티 테넌트 계층에서 스테이트리스(Stateless) 컴퓨팅 노드를 분리합니다. 이 접근 방식은 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 지연 시간&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;을 충족합니다. 최적화된 스토리지 서버에 도달하는 읽기 작업에 일관적이고 낮은 운영 지연 시간을 제공하기 때문입니다. 그러나 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 격리&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;는 충족하지 못합니다. 모든 복제본이 기본 인스턴스와 동일한 서버에서 데이터를 읽으므로 에이전트 I/O가 프로덕션 I/O와 직접 경합하게 되어 운명을 공유하기 때문입니다. 또한 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 확장성&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;도 충족하지 못합니다. 데이터가 복사되지 않으므로 스테이트리스(Stateless) 컴퓨팅 복제본이 빠르게 가동되지만 총 스토리지 I/O 대역폭은 사전 프로비저닝된 스토리지 계층으로 고정됩니다. 기본 I/O 용량을 확장하지 않은 채 컴퓨팅 노드만 추가하면 스토리지 포화와 제한이 가속화될 뿐입니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;공유 블록 서버를 사용하는 객체 스토리지&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;새롭게 등장한 세 번째 접근 방식은 범용 객체 스토리지에 데이터를 영구적으로 보관하고 공유 블록 서버 계층을 통해 블록 읽기를 처리합니다. 객체 스토리지에서 무작위 읽기 작업을 수행하는 데 수십 밀리초가 걸리기 때문에(기존 데이터베이스 스토리지보다 훨씬 느리고, 적어도 지난 25년 동안 사용되어 온 엔터프라이즈 디스크 어레이보다도 느림) 블록 서버는 핫 데이터를 보관하여 짧은 지연 시간으로 제공할 수 있도록 합니다. 이 접근 방식은 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 지연 시간&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;을 충족하지만 한 가지 주의할 점이 있습니다. 블록 서버에서 캐시 부적중이 발생하면 결국 객체 스토리지에 액세스해야 하므로 지연 시간이 허용하기 어려운 수준으로 높아집니다. &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 격리&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;는 충족하지 못합니다. 복제본이 프로덕션과 블록 서버를 공유하기 때문입니다. 에이전트 I/O와 프로덕션 I/O가 동일한 용량을 사용하므로 해당 용량이 소진되거나 제한되면 에이전트 뿐만 아니라 프로덕션도 영향을 받습니다. 또한 공유 스토리지 서버와 동일한 이유로 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;원칙: 확장성&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;도 충족하지 못합니다. 복제본은 빠르게 가동할 수 있지만 블록 서버의 I/O는 버스트가 발생해도 그에 맞춰 확장되지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 계열의 일부 아키텍처는 Apache Spark와 같은 분석 엔진이 데이터베이스 엔진을 우회하여 기본 객체 스토리지를 직접 읽을 수 있도록 하기도 합니다. 분석 워크로드의 경우 이는 가치 있고 실용적인 접근 방식입니다. 그러나 에이전트에는 짧은 지연 시간의 검색이 필요합니다. 색인, 포인트 조회, 벡터 검색을 사용할 수 없게 되면 무차별 대입 테이블 스캔이 강제되어 지연 시간이 폭발적으로 증가하고, 그 결과, 에이전트가 검색-추론 루프를 실행하는 능력이 손상됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;기존 아키텍처 평가&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google은 사용 가능한 DRAM보다 큰 데이터 세트에 대해 동시 색인 조회를 실행하는 방식으로 공유 블록 서버와 함께 객체 스토리지 아키텍처를 사용하는 상용 서비스를 평가하고 확장 한도와 프로덕션 격리를 모두 테스트했습니다. 단일 리더 인스턴스로 시작하여 최대 8개의 읽기 복제본을 추가하여 워크로드를 확장했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;물리적 리소스를 공유하는 아키텍처에서는 읽기 복제본을 통해 에이전트를 확장하면 복제본과 기본 성능이 모두 빠르게 저하됩니다. 아래 차트에서 볼 수 있듯이 Google의 테스트에서는 복제본을 추가해도 처리량은 2배도 채 늘지 않았으며, 복제본 4개에서 정점을 찍은 후 공유 블록 서버 대역폭이 포화 상태에 이르면서 오히려 감소했습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_sz3VF5H.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기본 데이터베이스에 미치는 영향은 즉각적이고 심각했습니다. 복제본이 추가되면서 기본 처리량이 75% 이상 급감했습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_AJe6Y3V.max-1000x1000.png"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;요컨대, 기존 아키텍처든 새로운 아키텍처든 모두 에이전트가 요구하는 규모를 충족할 수 없으며, 프로덕션 시스템의 안정성을 위협하지 않으면서 이러한 규모를 지원하는 것은 사실상 불가능합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;원칙에 따른 평가&lt;/span&gt;&lt;/h4&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_ErZMLBi.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;* 부분 충족: 핫 데이터는 블록 서버에서 짧은 지연 시간으로 제공되지만, 블록 서버에서 캐시 부적중이 발생하면 객체 스토리지에 액세스하게 되어 수십 밀리초의 지연 시간이 발생합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;각각의 경우 이러한 격차는 단순히 조정으로 해결할 수 있는 문제가 아니라 구조적으로 발생하는 문제입니다. 복제는 각 복제본에 자체 스토리지를 제공하여 격리하므로 해당 스토리지를 채우는 것보다 빠르게 복제본을 추가할 수 없습니다. 공유 스토리지 서버는 스토리지를 공유하여 컴퓨팅을 빠르게 추가하므로 I/O를 격리하거나 확장할 수 없습니다. 객체 스토리지 기반 블록 서버는 프로비저닝된 계층을 통해 지연 시간을 복구하므로 격리할 수도 없고 버스트할 수도 없으며, 모든 캐시 부적중이 발생할 때마다 여전히 객체 스토리지에 액세스해야 합니다. 각각의 접근 방식은 한 레이어의 문제를 해결하고 다른 레이어에서 그에 따른 대가를 치릅니다. 이 세 가지 원칙을 모두 동시에 모두 충족하려면 컴퓨팅, 네트워크, 스토리지를 아우르는 데이터베이스 아키텍처를 새롭게 설계해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;스택 전반에서 AlloyDB를 설계한 방법&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB의 에이전트형 데이터베이스 아키텍처는 Google의 데이터, AI, 인프라 스택 전반에 걸쳐 수직적으로 통합되어 있습니다. 여기에는 AI 모델, 데이터베이스 엔진, 분석 엔진뿐만 아니라 스토리지, 네트워킹, 컴퓨팅 인프라도 포함됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image4_DPg3jLH.max-1000x1000.png"
        
          alt="image4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;스토리지: Colossus를 기반으로 사용&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;지속성 레이어에서 AlloyDB는 Google 검색, YouTube, Gmail, Google Drive, Spanner, Bigtable을 뒷받침하는 Google의 엑사바이트 규모 분산 스토리지 시스템인 Colossus를 기반으로 합니다. 단일&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/storage-data-transfer/a-peek-behind-colossus-googles-file-system"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Colossus 클러스터&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;는 엑사바이트 규모의 스토리지와 수만 대의 머신으로 확장됩니다. Google은 Spanner를 통해 Colossus에서 직접 설계된 트랜잭션 데이터베이스가 수천 개의 노드로 확장될 수 있음을 입증했습니다. 새로운 AlloyDB 아키텍처는 에이전트라는 새로운 과제에 동일한 기반을 적용합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Colossus에는 AlloyDB가 세 가지 원칙을 충족할 수 있도록 하는 세 가지 특성이 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;직접적인 1밀리초 미만의 I/O:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Colossus는 읽기 지연 시간을 최소화하도록 설계되었습니다. Colossus 스트림을 여는 데이터베이스 노드는 데이터가 물리적으로 상주하는 위치를 설명하는 핸들을 수신합니다. 승인 및 메타데이터 확인은 스트림이 생성될 때 한 번만 수행됩니다. 이후의 모든 읽기 작업은 최적화된 네트워크 프로토콜을 통해 데이터가 저장된 디스크로 직접 이동합니다. 그 결과 데이터베이스의 모든 데이터에서 1밀리초 미만의 지연 시간이 발생하며, 중간에 워밍할 필요가 없고 계층에서 캐시 부적중도 발생하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;대규모 처리량:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Colossus는 대역폭을 프로비저닝할 필요 없이 무제한의 호스트가 동시에 액세스할 수 있으며 단일 AlloyDB 데이터베이스에 최대 15TB/s의 합산 처리량과 초당 2,000만 개의 쿼리 처리 성능을 제공합니다. Colossus 규모에서는 AlloyDB 에이전트 노드 Fleet의 부하를 처리하기 위한 별도의 스토리지가 필요하지 않습니다. AlloyDB 에이전트 노드 Fleet이 발생시키는 부하는 스토리지가 이미 처리하고 있는 부하의 일부이기 때문입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;물리적 세그먼트 파티셔닝:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; AlloyDB는 별도의 Colossus 세그먼트 집합에서 에이전트의 요청을 처리하므로 에이전트 I/O는 프로덕션 데이터 경로와 경합하지 않도록 의도적으로 별도의 경로에 분산됩니다. &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;컴퓨팅, 네트워크, 스토리지 등 데이터 경로의 어느 지점에서도 에이전트는 데이터베이스 구성요소를 프로덕션과 공유할 수 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;네트워크: Jupiter를 통한 확장 가능한 대역폭&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;컴퓨팅과 스토리지는 Google의 대용량 데이터 센터 네트워크인 Jupiter를 통해 결합됩니다. 단일 Jupiter 패브릭은 10만 대 이상의 서버를 초당 13페타비트의 바이섹션 대역폭으로 연결합니다. 이는 지구상의 모든 사람이 영상 통화를 할 수 있을 만큼 충분한 대역폭입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Jupiter는 네트워킹 패브릭 전반에서 예측 가능한 짧은 지연 시간으로 높은 바이섹션 대역폭을 제공하므로 에이전트 노드를 클러스터 내 어디에든 유연하게 예약하고 중앙 집중식 스토리지에 일관되게 액세스할 수 있습니다. 에이전트 풀이 0에서 수천 개로 확장되더라도 기본 상호 연결 용량이 배치 병목 현상을 일으키지 않고 증가하는 트래픽을 수용합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;컴퓨팅: 탄력적인 서버리스 PostgreSQL 및 분석&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;컴퓨팅 레이어에서 에이전트는 MCP를 통해 AlloyDB의 에이전트 풀에 연결됩니다. 에이전트 풀은 데이터베이스의 최신 상태에 대한 읽기 전용 액세스 권한이 있는 AlloyDB 에이전트 노드로 구성됩니다. 이 레이어는 다음을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;MicroVM 격리:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 각 에이전트 노드는 가볍고 안전한 MicroVM 내에서 실행되는 완전한 기능을 갖춘 PostgreSQL용 AlloyDB 데이터베이스 엔진입니다. 이러한 인스턴스는 서로 완전히 격리되며 전용 기본 클러스터와도 완전히 격리됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;빠른 가동 및 확장:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트 노드는 에이전트의 요청에 따라 프로비저닝되며 에이전트의 작업이 완료되면 자동으로 중지됩니다. 버스트에 대응하여 AlloyDB는 수천 개의 에이전트 노드를 빠르게 프로비저닝하여 수백만 개의 동시 에이전트를 처리하고 에이전트가 작업을 완료되면 이를 해제합니다. 에이전트 노드가 활동한 시간을 기준으로 초 단위의 요금이 청구되므로 버스트가 발생하여 수십 초 동안 수천 개의 노드를 사용하더라도 해당 작업에서 실제로 사용한 리소스에 대해서만 요금이 청구됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;한편 프로덕션 클러스터는 현재와 동일하게 유지됩니다. 즉, 레코드 시스템의 용량에 맞춰 사전 프로비저닝된 전용 인프라에서 그대로 운영됩니다. 에이전트 노드는 Colossus에서 직접 읽으며, 1초 미만의 최신 상태가 보장되는 일관된 프로덕션 상태를 확인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트 풀 뿐만 아니라 BigQuery와 Spark도 프로덕션 클러스터와 동일한 격리 상태로 Colossus에서 AlloyDB 데이터를 읽을 수 있습니다. 따라서 에이전트는 레이크하우스 페더레이션을 사용하여 실시간 운영 데이터를 대규모 레이크하우스 데이터 세트와 조인할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google 규모의 스토리지, 네트워크, 컴퓨팅 레이어를 기반으로 구축된 AlloyDB의 새로운 에이전트형 데이터베이스 아키텍처는 놀라운 목표를 달성합니다. 바로 데이터 공유입니다. 그 외에는 아무것도 공유하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB의 에이전트형 데이터베이스 아키텍처 평가&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google은 사용 가능한 DRAM보다 큰 데이터 세트에서 동시 색인 조회를 실행하여 전체 스택에 걸친 AlloyDB의 확장성을 테스트했습니다. 기존의 읽기 복제본이 아닌 에이전트 풀의 독립적인 데이터베이스 인스턴스인 단일 에이전트 노드로 시작하여 에이전트 워크로드를 실행하고, 단일 데이터베이스에서 수천 개의 노드로 동적으로 확장하여 총 에이전트 처리량과 프로덕션에 미치는 영향을 모두 측정했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 테스트에서는 에이전트 노드를 1개에서 10개로 확장하자 처리량이 3,900QPS에서 41,000QPS로 선형적으로 증가했습니다. 여기에서 두 자릿수 더 확장한 결과 최대 1,000개 노드까지 거의 선형적인 성능 확장을 달성했습니다. 테스트 결과는 다음과 같습니다. &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 클러스터 성능 저하 없음:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 에이전트 노드를 1개에서 1,000개로 확장해도 기본 클러스터의 성능에는 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;측정 가능한 영향이 없었습니다&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;대규모 처리량:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 합산 처리량이 동적으로 773배 증가하여 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;300만 QPS&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에 도달했으며, 1,000개의 컴퓨팅 노드에서 Colossus를 통해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;800만 IOPS가 넘는&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 성능을 달성했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/7_C0rtDwX.max-1000x1000.png"
        
          alt="7"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2,100개의 에이전트 노드에서 동시 전체 테이블 스캔을 실행하는 유사한 벤치마크에서는 합산 스캔 처리량이 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;초당 1테라비트&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 초과했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트 풀은 프로덕션 클러스터와 물리적 인프라를 공유하지 않으므로 팀은 프로덕션 시스템을 위험에 빠뜨리지 않고 추론 Fleet을 수천 개의 노드로 확장할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;설계 단계부터 세 가지 원칙을 모두 고려한 엔지니어링&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;아래 표는 AlloyDB의 아키텍처가 세 가지 원칙을 각각 어떻게 충족하는지 보여줍니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/8_OwYnVhS.max-1000x1000.png"
        
          alt="8"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;모든 에이전트형 데이터베이스 아키텍처에는 Colossus의 특성을 갖춘 스토리지, 컴퓨팅과 해당 스토리지를 제약 없이 연결하는 네트워크, 에이전트 규모에 맞춰 프로비저닝하고 해제할 수 있는 컴퓨팅이라는 세 가지 기본 요소가 필요합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google은 Google 검색, YouTube, Gmail을 실행하기 위해 20년 넘게 바로 이러한 기반을 구축해 왔습니다. 그리고 이제 그 기반이 에이전트형 데이터베이스 아키텍처의 기반이 되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;프로덕션에 영향을 주지 않고 에이전트에 실시간 데이터 제공&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI를 활용해 빌드하는 모든 조직은 동일한 근본적 딜레마에 직면합니다. 바로 비즈니스를 운영하는 시스템을 위험에 빠뜨리지 않으면서 에이전트가 실시간 운영 데이터에 완전히 액세스할 수 있게 하려면 어떻게 해야 하는가입니다. 지금까지는 애플리케이션 요구사항이 아니라 아키텍처가 이러한 선택을 좌우했습니다. 에이전트에 데이터베이스에 대한 직접 액세스 권한을 부여한다는 것은 미션 크리티컬 시스템을 예측할 수 없는 부하, 심각한 리소스 경합, 프로덕션 중단의 위험에 노출한다는 것을 의미했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 세 가지 원칙을 기반으로 빌드된 아키텍처는 이러한 타협을 완전히 없애줍니다. 에이전트는 1초 미만의 최신 상태를 유지하는 실시간 프로덕션 데이터를 기반으로 추론합니다. 또한 1밀리초 미만의 I/O 지연 시간으로 모든 색인, 벡터, 전체 텍스트 및 공간 검색, SQL의 전체 기능을 비롯한 완전한 엔진을 자유롭게 활용할 수 있습니다. 이 아키텍처는 에이전트가 필요로 할 때 수천 개의 격리된 노드로 동적으로 확장되고, 에이전트가 작업을 완료하면 다시 0으로 축소됩니다. 이 과정에서 핵심 트랜잭션 워크로드는 전혀 영향을 받지 않습니다. 공유되는 구성요소도 할당량도 없으며, 관련 장애도 나타나지 않습니다. 따라서 에이전트는 비즈니스 연속성을 저해하지 않으면서 혁신을 실현할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 특성은 프로덕션 데이터를 읽는 다른 모든 워크로드로 확장됩니다. 보고, 분석, 애플리케이션은 프로덕션을 위험에 빠뜨리지 않고 실시간 데이터를 자유롭게 읽을 수 있으므로 지난 50년 동안 운영 데이터베이스를 좌우해 온 제약에서 벗어날 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;기업의 레코드 시스템에 있는 데이터는 기업이 보유한 가장 소중한 자산입니다. 이러한 기반을 바탕으로 마침내 그러한 데이터의 가치를 온전히 활용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터베이스가 드디어 제약에서 벗어난 것입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;자세히 알아보려면&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/postgresql-agents-alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 페이지를 방문하고&lt;/span&gt;&lt;a href="https://docs.google.com/forms/d/e/1FAIpQLSfYv_zv2CI9L6xZxkExZai_jG-eiz8iEYPfwLFwaIatZdYCrA/viewform" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기에서 가입&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;하여 시작하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 06 Oct 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>에이전트 시대를 위한 타협 없는 새로운 데이터베이스 아키텍처</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/alloydbs-agentic-database-architecture/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Amit Ganesh</name><title>VP Engineering, Databases</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sailesh Krishnamurthy</name><title>VP &amp; GM, Databases</title><department></department><company></company></author></item><item><title>Memorystore for Valkey 9.1로 마이크로초 단위의 지연 시간에 3배의 QPS 실현</title><link>https://cloud.google.com/blog/ko/products/databases/memorystore-for-valkey-9-1-3x-qps-caching/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/memorystore-for-valkey-9-1-3x-qps-caching?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는 오픈소스 소프트웨어를 기반으로 최고의 관리형 환경을 제공하기 위해 노력하고 있습니다. 오늘 Google Cloud는 Memorystore for Redis Cluster와 비교하여 마이크로초 단위의 지연 시간에 최대 3배의 초당 쿼리 수(QPS)를 구현하는 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/memorystore/docs/valkey/supported-versions"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Memorystore for Valkey 9.1&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;의 정식 버전을 발표합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Redis Inc.가 허용적인 오픈소스 BSD 라이선스에서 이중 라이선스 모델로 라이선스를 전환했던&lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/announcing-memorystore-for-valkey"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;2024년부터 Google Cloud의 Valkey 지원&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;이 시작되었습니다. Google Cloud는 이러한 전환에 대응하여 다른 기술 리더들과 함께 Linux Foundation에서 관리하는 오픈소스 대안인 Valkey 개발을 지원하게 되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Valkey는 그 이후로 놀라운 발전을 거듭하며 주요 성능 및 기능 업데이트를 통해 원래 포크를 훨씬 뛰어넘어 한계를 확장했습니다. Valkey는 수백만 명의 동시 사용자를 처리하기 위해 AI와 마이크로서비스를 확장하는 조직에 특히 매력적입니다. 이러한 상황에서 백엔드 개발자와 설계자는 대규모 처리량을 제공하는 동시에 마이크로초 단위의 지연 시간을 유지해야 합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 블로그에서는 Valkey 9.1이 성능을 구현하는 방법, 새로운 개발자 기능, 시작하는 방법, 고객이 사용하는 방법을 살펴보겠습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;자세히 살펴보기: 스레드 통신 재고&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;처리량이 높은 인메모리 데이터 스토어에서 기본 실행 루프가 차단되지 않도록 하려면 효율적인 I/O 오프로드가 중요합니다. 이전에는 Valkey가 클라이언트 소켓을 라운드 로빈 방식으로 I/O 스레드에 정적으로 할당했기 때문에 기본 스레드가 대기 중인 클라이언트 목록을 지속적으로 폴링하여 완료된 작업을 감지해야 했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Valkey 9.1은 목록 폴링을 잠금 없는 멀티 큐 메시징 아키텍처로 대체하여 스레드 간 CPU 낭비를 없애고 동적 작업 분산을 지원합니다. 이 아키텍처는 보완적인 다음 세 가지 큐로 구성되어 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 스레드에서 I/O 스레드 큐&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 읽기 및 쓰기 작업을 단일 생산자 다중 소비자(SPMC) 큐로 전달합니다. 여유 있는 작업자 스레드가 필요에 따라 태스크를 가져오므로 동적 작업 가로채기가 가능하여 스레드 부족이나 핫스팟 문제를 방지합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;I/O 스레드에서 기본 스레드 큐&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 작업자 스레드가 완료된 태스크를 다중 생산자 단일 소비자(MPSC) 큐로 내보냅니다. 기본 스레드는 완료된 작업을 즉시 팝하여 바쁜 대기 목록 반복을 제거합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;I/O 스레드별 큐&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 전용 단일 생산자 단일 소비자(SPSC) 큐는 스레드 선호 메모리 정리와 대용량 epoll 오프로드를 처리합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 Valkey 9.1은 정적 스레드 기준점을 2단계 동적 확장 엔진으로 대체합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;CPU 기반 '가동'&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 기본 스레드 CPU 사용량이 30%를 넘으면 엔진이 자동으로 첫 번째 백그라운드 I/O 스레드를 활성화하여 큐 병목 현상이 발생하기 전에 수신 트래픽을 흡수합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;큐 깊이 자동 확장&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 가동된 후에는 Valkey가 실시간 SPMC 큐 백로그를 기반으로 활성 I/O 작업자 스레드 수를 동적으로 확장하거나 축소하여 추가 코어가 필요할 때만 사용되고 유휴 상태일 때는 파킹되도록 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_K3ph3LP.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Valkey 9.1의 새로운 개발자 기능&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Valkey 9.1은 원시 성능을 넘어 강력한 새 명령어와 향상된 보안 제어를 통해 엔지니어링팀의 주요 기능 요청을 해결합니다. 이러한 새로운 기능으로 할 수 있는 작업은 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;1. 세분화된 데이터베이스 수준 액세스 제어(ACL)&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud는 최근 Memorystore for Valkey에 대한 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;액세스 제어 목록(ACL)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 지원을 시작했으며 IAM을 사용해 더 세분화된 키 수준 및 명령어 수준 승인을 제공합니다. 이 기본 보안 메커니즘은 추가 비용 없이 제공되며 다음과 같은 기능이 포함되어 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;중앙 집중식 관리:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 1:N 매핑 방식을 사용하면 단일 ACL 정책을 정의하고 여러 클러스터에 연결할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;안전한 멀티 테넌시:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 조직은 데이터베이스 Fleet 전반에서 최소 권한과 안전한 멀티 테넌시를 쉽게 적용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;향상된 모니터링 가능성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 이 기능에는 버전이 지정된 정책 버전과 포괄적인 감사 로깅이 포함됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이전에는 ACL 규칙이 인스턴스 전체에 전역적으로 적용되었습니다. Valkey 9.1을 사용하면 관리자가 ACL 프레임워크 내에서 특정 숫자 데이터베이스 수준에서 사용자 액세스를 제한할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;실제 사례: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;스테이징 또는 서비스별 사용자를 구성하고 비프로덕션 데이터베이스에 대한 액세스를 엄격하게 격리할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;production&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 사용자: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;@all ~* db=0&lt;/code&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;staging&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 사용자: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;@all ~* db=1&lt;/code&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;dev&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 사용자: &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;@all ~* db=2&lt;/code&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;키에 접두사를 지정할 필요 없이 여러 데이터베이스에서 데이터베이스 수준 액세스 제어를 활용하여 무단 데이터 액세스 및 애플리케이션 버그를 방지합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_JicgxIP.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;2. CLUSTERSCAN: 효율적인 클러스터 전체 키 스캔&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이전에는 대규모 클러스터에서 키를 스캔하려면 노드를 개별적으로 쿼리해야 했습니다. 이 접근 방식은 클러스터 또는 장애 조치를 인식하지 못했습니다. 따라서 프로세스 중에 슬롯 마이그레이션 또는 노드 장애 조치가 발생하면 스캔에서 키를 놓치거나 중복을 반환하거나 실패할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;CLUSTERSCAN&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 명령어는 토폴로지 인식 커서를 도입하여 이러한 제한사항을 해결합니다. 이 커서는 현재 슬롯, 로컬 해시 테이블의 지문, 로컬 커서를 인코딩합니다. 이 추가 인코딩 정보를 사용하면 클라이언트가 토폴로지 변경 및 리디렉션을 원활하게 처리하면서 전체 클러스터에서 키를 스캔할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;code style="vertical-align: baseline;"&gt;CLUSTERSCAN&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;은 다음 두 가지 기본 스캔 전략을 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;사용 사례 1: 순차적 전체 클러스터 스캔(단일 작업자)&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 전략은 속도보다 단순성을 우선시하는 간단한 스크립트나 백그라운드 작업에 적합합니다. 클라이언트는 커서 0에서 시작하여 클러스터의 모든 슬롯을 순차적으로 순회합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CLUSTERSCAN 0 MATCH &amp;quot;user:*&amp;quot; COUNT 10\r\n1) &amp;quot;0B3a21-{06S}-64&amp;quot;\r\n2) 1) &amp;quot;user:101&amp;quot;\r\n2) 2) ...&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d7035f5d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;스캔을 계속하려면 반환된 커서를 다음 호출에 전달합니다. 현재 슬롯이 완전히 스캔되면 커서가 자동으로 다음 슬롯으로 이동합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CLUSTERSCAN 0B3a21-{06S}-64 MATCH &amp;quot;user:*&amp;quot; COUNT 10\r\n1) &amp;quot;0B3a21-{07T}-0&amp;quot;\r\n2) 1) &amp;quot;user:102&amp;quot;\r\n2) 2) ...&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5eb197d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;명령어가 '0' 커서를 반환하면 스캔이 완료됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;사용 사례 2: 병렬화된 클러스터 스캔(여러 작업자)&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 전략은 처리량이 높은 스캔에 적합합니다. SLOT 인수를 사용하면 스캔이 특정 슬롯으로 제한되므로 16,384개의 슬롯을 여러 병렬 작업자에 분할할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;작업자 1(슬롯 0을 스캔):&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CLUSTERSCAN 0 SLOT 0 MATCH &amp;quot;user:*&amp;quot; COUNT 10\r\n1) &amp;quot;0B3a21-{06S}-64&amp;quot;\r\n2) 1) &amp;quot;user:101&amp;quot;\r\n2) 2) ...&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e132610&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;작업자 2(슬롯 1000을 병렬로 스캔):&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CLUSTERSCAN 0 SLOT 1000 MATCH &amp;quot;user:*&amp;quot; COUNT 10\r\n1) &amp;quot;0B3a21-{08X}-32\r\n2) 1) &amp;quot;user:999&amp;quot;\r\n2) 2) ...&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e131010&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;여기에서 작업자 1은 계속해서 SLOT 0을 전달하고 작업자 2는 계속해서 SLOT 1000을 전달합니다. 슬롯과 커서가 일치하지 않으면 오류가 반환됩니다. 16,384개의 슬롯이 모두 스캔되면 클러스터 스캔이 완료된 것으로 간주됩니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_kgFC6Uv.max-1000x1000.png"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;3. 원자성 및 만료를 위한 추가 명령어&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;HGETDEL: 원자적 가져오기 및 삭제&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;일반적인 애플리케이션 패턴에서는 해시 필드를 읽고 즉시 삭제합니다(예: 일회용 인증 토큰 또는 단기 세션 상태 사용). Valkey 9.1에는 단일 네트워크 왕복에서 해시 필드의 값을 검색하고 원자적으로 삭제하는 HGETDEL이 도입되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;실제 사례:&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HSET user:1001 temp_token "abcde"&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;(integer) 1&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HGETDEL user:1001 FIELDS 1 temp_token&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;   1. "abcde"&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HGET user:1001 temp_token&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;(nil)&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;MSETEX: 여러 키의 공유 만료 시간&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;새로운 MSETEX 명령어는 여러 키를 동시에 단일 공유 만료 시간으로 설정할 수 있어 다중 명령어 파이프라인 오버헤드를 제거합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;실제 사례: 서로 다른 여러 키가 300초 후에 함께 만료되도록 임시 세션 상태 설정:&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;MSETEX 2 session:auth "ok" session:user_id "1001" EX 300&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;(integer) 1&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;TTL session:auth&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;(integer) 300&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;조건부 플래그로 향상된 HSETEX&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;HSETEX는 이제 NX(필드가 없는 경우에만 설정) 및 XX(필드가 있는 경우에만 설정) 조건부 플래그를 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;실제 사례: 1시간 TTL로 비율 제한 기준점 필드를 초기화하여 기존 활성 제한을 덮어쓰지 않도록 설정:&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;HSETEX config:123 NX EX 3600 FIELDS 1 "rate_limit" "100"&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;(integer) 1&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey 9.0 기반&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Valkey 9.1은 Google Cloud Next '26에서 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에 대해 발표한 주요 업데이트를 기반으로 출시되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;AI 및 벡터 워크로드를 위한 기본 제공 모듈: &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;기본 JSON 지원 및 블룸 필터&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 통해 빠른 문서 쿼리 및 멤버십 검사가 가능합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;6가지 새로운 노드 크기: 비용과 규모를 관리하는 데 도움이 되도록 6가지 새로운 노드 크기를 추가했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;소형 노드: 경량 마이크로서비스 및 개발/테스트 환경을 위한 Custom-Pico(1.25GB), Custom-Micro(2.5GB), Custom-Mini(3.5GB)를 지원합니다. 클러스터 모드가 사용 중지된 환경에서만 사용할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;높은 CPU 및 대형 SKU: CPU 사용량이 많은 애플리케이션에 최적화된 HighCPU-Medium(8 vCPU/13GB) 및 Standard-Large(8 vCPU/26GB)를 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;XXL SKU: 노드당 110GB RAM과 16개의 vCPU를 갖춘 Highmem-XXLarge로, 대규모 클러스터 통합을 통해 가장 까다로운 워크로드를 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;(참고: 위 수치는 오픈소스 벤치마크를 기반으로 하며, 실제 성능 개선은 워크로드에 따라 달라질 수 있습니다.)&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;완전 관리형 Memorystore for Valkey로 마이그레이션&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Redis OSS/Valkey 캐싱 레이어를 직접 관리해야 하는 경우 귀중한 엔지니어링 대역폭이 소모되고 확장 중에 운영상의 마찰이 발생합니다. 이번에 Memorystore for Valkey로 마이그레이션하는 새로운 워크플로도 발표하게 되어 기쁘게 생각합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이번 출시를 통해 인프라 마이그레이션이 간단한 완전 관리형 방식으로 제공됩니다. 데이터가 마이그레이션되면 애플리케이션에서 Memorystore for Valkey를 가리키도록 간단한 구성만 변경하면 됩니다. 이 워크플로는 정식 버전으로 제공됩니다. 직접 관리하는 Redis 또는 Valkey에서 완전 관리형 Memorystore for Valkey로 전환하려면 다음 4단계를 따르세요.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;1. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;대상 인스턴스 프로비저닝:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 필요한 샤드 수, 노드 크기, 클러스터링된 데이터베이스 옵션으로 구성된 Memorystore for Valkey 인스턴스를 배포합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;2.&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt; 온라인 복제 설정:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 소스 데이터베이스에서 Memorystore로 직접 지속적인 이중 동기화 온라인 마이그레이션을 시작합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;3. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터 동기화 검증:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 복제 측정항목을 실시간으로 모니터링하여 전체 데이터 세트 정렬과 짧은 지연 시간의 복제 상태를 확인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;4. &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;컷오버 실행:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 애플리케이션 연결 엔드포인트를 Memorystore for Valkey로 전환하여 새 캐시 사용을 시작합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Memorystore for Valkey 고객 사례&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이미 Google Cloud 상위 100대 고객 중 95% 이상이 Google Cloud Memorystore를 사용하여 까다롭고 처리량이 많은 워크로드를 지원하고 있으며, Memorystore for Valkey 사용자 수가 증가함에 따라 이러한 추세는 더욱 강화되고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;빠르게 변화하는 라이브 스포츠 세계에서는 완벽한 디지털 경험을 제공하는 것이 무엇보다 중요합니다. 경기의 흐름을 바꾸는 플레이가 나오면 수백만 명의 팬이 즉시 자신들의 기기를 꺼내 실시간 통계를 확인하고, 하이라이트를 시청하고, 대화형 기능을 사용합니다. 이러한 대규모의 예측 불가능한 트래픽 급증을 처리하려면 엄청난 규모를 감당할 수 있는 기본 아키텍처가 필요합니다. Valkey의 초기부터 파트너였던 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Major League Baseball(MLB)&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;과 같은 조직의 경우 성능 저하 없이 예측할 수 없는 트래픽 급증을 관리하는 것이 필수적입니다. &lt;/span&gt;&lt;/p&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;em&gt;&lt;span style="vertical-align: baseline;"&gt;"MLB는 &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 신뢰하여 이를 통해 대규모 라이브 야구 경기를 지원하고 수백만 명의 팬에게 실시간 통계와 중단 없는 디지털 경험을 제공하고 있습니다. 앞으로 있을 Memorystore for Valkey 9.1의 출시도 매우 기대하고 있습니다. 엔진 최적화와 지연 시간 개선을 통해 가장 예측하기 어려운 경기 당일의 트래픽 급증을 처리할 수 있는 더 높은 성능을 확보하여 팬들에게 기술이 지원할 수 있는 최고의 경험을 제공할 수 있도록 할 것입니다." &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;/em&gt;&lt;strong style="vertical-align: baseline;"&gt;Rob Engel, Major League Baseball 소프트웨어 엔지니어링 부문 SVP&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;경기장 밖에서도 리테일 업종은 특히 주요 쇼핑 시즌이나 반짝 세일 기간에 자체적으로 엄청난 확장 과제에 직면합니다. 현대적인 이커머스 플랫폼은 실시간 맞춤설정, 유동 가격, 즉각적인 인벤토리 업데이트를 통해 쇼핑객의 참여를 유도합니다. 단 몇 밀리초의 지연만으로도 고객 여정이 중단되고 수익에 영향을 미칠 수 있습니다. 경쟁력을 유지하기 위해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;Target&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;과 같은 선도적인 리테일러는 가장 중요한 고객 대상 플랫폼을 지원하는 초고속 응답 캐싱 레이어를 필요로 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;em&gt;&lt;span style="vertical-align: baseline;"&gt;"Target은 &lt;/span&gt;&lt;strong style="font-style: italic; vertical-align: baseline;"&gt;Google Cloud Memorystore for Valkey&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 활용하여 지연 시간이 매우 짧고 복원력이 뛰어난 맞춤설정 서비스용 캐싱을 제공합니다. Valkey 9.1의 향상된 성능을 활용하여 수요가 많은 기간 동안 맞춤설정 플랫폼을 더욱 빠르고 확장 가능하며 복원력 있게 만들 수 있기를 기대합니다." &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;- &lt;/strong&gt;&lt;/em&gt;&lt;strong style="vertical-align: baseline;"&gt;Scott Weide와 Sumanth Huddar, Target 선임 엔지니어링 관리자&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 지연 시간이 매우 짧은 아키텍처에 대한 수요는 스포츠와 리테일 업종을 넘어 다양한 분야로 확대되고 있습니다. 디지털 환경 전반에서 은행, AI 기반 개발, 디지털 스트리밍, 통신 분야의 조직은 모두 매우 빠르고 가용성이 높은 캐시가 필요하다는 공통된 요구사항을 가지고 있습니다. 고빈도 금융 거래 처리, 실시간 복잡한 머신러닝 추론 제공, 원활한 글로벌 동영상 스트림 전송, 방대한 양의 통신 데이터 라우팅 등 어떤 경우든 마이크로초 단위의 지연 시간은 성공을 위한 새로운 기준입니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Valkey로 전환&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;캐시 병목 현상으로 가장 까다로운 애플리케이션의 속도가 느려지는 문제를 방지할 수 있습니다. 지금 바로 Memorystore for Valkey 9.1의 성능, 동적 확장성, 향상된 보안을 경험해 보세요.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;빌드 시작:&lt;/strong&gt;&lt;a href="https://console.cloud.google.com/memorystore/valkey/"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud 콘솔에서 Memorystore for Valkey 9.1 인스턴스를 만드세요&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;자세히 알아보기:&lt;/strong&gt;&lt;a href="https://docs.cloud.google.com/memorystore/docs/valkey"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;기술 문서를 읽고&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 지원되는 명령어, ACL 구성, Memorystore for Valkey의 세부 기능에 대한 전체 목록을 확인하세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Tue, 06 Oct 2026 19:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/memorystore-for-valkey-9-1-3x-qps-caching/</guid><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>Memorystore for Valkey 9.1로 마이크로초 단위의 지연 시간에 3배의 QPS 실현</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/memorystore-for-valkey-9-1-3x-qps-caching/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Ankit Sud</name><title>Senior Product Manager, Google</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Jacob Murphy</name><title>Software Engineer, Google</title><department></department><company></company></author></item><item><title>1인 창업자가 AlloyDB와 MCP를 기반으로 5개 대륙에서 입찰 플랫폼을 운영하는 방법</title><link>https://cloud.google.com/blog/ko/products/databases/solo-founder-runs-a-global-tender-platform-on-alloydb-and-mcp/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/solo-founder-runs-a-global-tender-platform-on-alloydb-and-mcp?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;편집자 주:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 5개 대륙의 시장에서 활동하는 입찰 인텔리전스 스타트업인 Lucius AI에서는 단일 운영자가 PostgreSQL용 AlloyDB를 기반으로 전체 데이터 플랫폼을 운영하고 있습니다. 이 기업은 시맨틱 검색을 ScaNN 색인으로 마이그레이션하고 모델 컨텍스트 프로토콜(MCP)로 데이터베이스 작업을 관리하여 쿼리 지연 시간을 47배 단축하고 MCP를 통해 일상적인 관리 작업을 자동화했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt; &lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;핵심 요약&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 영국, 오스트레일리아, 인도, EU 전역에서 210,000개 이상의 입찰 공고를 처리하는 글로벌 입찰 플랫폼을 운영하고 있지만, 1인 창업자에게 최소한의 운영 오버헤드만을 요구합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 PostgreSQL용 AlloyDB를 배포하여 관계형 카탈로그, 감사 로그, 벡터 임베딩을 단일 관리형 데이터베이스 엔진으로 통합했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;시맨틱 검색을 ScaNN 색인으로 마이그레이션한 결과, 대표적인 프로덕션 쿼리에서 쿼리 지연 시간이 1.14초에서 24밀리초로 줄어 속도가 47배나 향상되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 모델 컨텍스트 프로토콜(MCP)을 사용해 AI 에이전트를 AlloyDB에 연결하여 엄격한 최소 권한에 따라 쿼리 분석, 데이터 기록 빈도 확인, 사고 포렌식을 자동화하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h2&gt;&lt;strong style="vertical-align: baseline;"&gt;1인 기업의 입찰 인텔리전스 활용&lt;/strong&gt;&lt;/h2&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 공공 계약에 입찰하는 기업이 글로벌 시장 전반의 기회를 평가할 수 있도록 지원합니다. 이 플랫폼은 뉴질랜드, 미국, 싱가포르, 영국, 오스트레일리아, 인도, 캐나다, EU의 공공 조달 공고와 아프리카 및 아시아 전역의 세계은행 기부금 지원 공고를 수집합니다. Lucius AI는 Gemini를 사용하여 입찰 공고 문서를 분석하고 규정 준수 매트릭스, 입찰 추천, 원본 소스 페이지를 인용한 응답 초안을 생성합니다. 이 플랫폼은 중소 규모 공급업체에서 수작업으로 처리하려면 며칠이 걸리는 문서 검토와 많은 비용이 드는 외부 컨설팅을 대체할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 규모의 플랫폼을 운영하려면 광범위한 운영 조정이 필요합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;야간에 13개의 공공 조달 소스에서 데이터 수집&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;진행 중인 수만 건의 입찰을 포함한 210,000건 이상의 입찰 공고 카탈로그&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud Run의 두 프로덕션 리전: 유럽, 그리고 방위 산업 부문 고객을 위해 고객 관리 암호화 키(CMEK)를 사용하는 자체 AlloyDB 클러스터 기반의 오스트레일리아 배포&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;지속적인 분석, 성능 조정, 데이터 검증, 사고 대응&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;전담 데이터 엔지니어링팀 또는 데이터베이스 관리팀 없이 이러한 운영 업무를 관리하려면 운영 유지보수를 외부에 위임해야 합니다. Lucius AI는 PostgreSQL용 AlloyDB를 핵심 레코드 시스템으로 사용하고 모델 컨텍스트 프로토콜(MCP)을 통해 AI 에이전트를 연결하여 데이터베이스 작업을 안전하게 실행함으로써 이 문제를 해결했습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_Zpv001B.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB로 시스템 통합&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 별도의 관계형 데이터베이스, 벡터 데이터베이스, 로그 스토어를 배포하는 대신 PostgreSQL용 AlloyDB에 모든 핵심 데이터를 저장합니다. 관계형 입찰 공고 카탈로그, 문서 메타데이터, 감사 로그, 벡터 임베딩이 동일한 데이터베이스 엔진에 상주합니다. 벡터 임베딩을 관계형 행과 함께 저장하면 별도의 벡터 스토어를 관리할 필요가 없고 통합된 백업 스케줄을 수립할 수 있으며 ID 관리를 중앙 집중화할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;인증은 전적으로 Cloud IAM을 사용합니다. 서비스 연결 시 애플리케이션 환경에 데이터베이스 비밀번호를 저장하는 대신 특정 액세스 요구사항에 맞게 범위가 지정된 데이터베이스 역할에 매핑된 전용 Google Cloud 서비스 계정을 사용합니다. AlloyDB에서 자동 백업 및 PITR(point-in-time recovery)을 통해 데이터베이스 안정성을 기본적으로 관리해 주므로 커스텀 재해 복구 절차가 필요하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 통합 아키텍처는 프로덕션에서 다음과 같은 사항을 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;카탈로그에 210,000개 이상의 입찰 공고&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;가 포함되어 있으며 임베딩이 함께 저장됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;시맨틱 색인을 다시 빌드하는 과정에서 Gemini 임베딩 모델을 사용하여 약 3달러에 불과한 API 비용으로 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;10.6분 만에 115,820개의 레코드&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 임베딩했습니다. 현재는 AlloyDB 자동 임베딩을 통해 이러한 벡터를 최신 상태로 유지하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;code style="vertical-align: baseline;"&gt;ai.rank&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 함수를 사용하여 검색 순위 재지정을 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;평균 지연 시간 77밀리초&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;로 데이터베이스 내에서 직접 실행하여 독립형 순위 재지정 마이크로서비스 없이도 검색어에 가장 관련성 높은 결과를 반환합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;시맨틱 검색 속도 47배 향상&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;입찰 공고 카탈로그 전반의 시맨틱 검색에서 처음에는 색인이 생성되지 않는 벡터 비교를 사용하여 대표 쿼리에 1.14초가 걸렸습니다. 이 워크로드를 AlloyDB의 ScaNN 색인으로 마이그레이션한 결과, 쿼리 지연 시간이 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;24밀리초로 단축되어 속도가 47배 개선&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;색인 추천은 색인 마이그레이션을 준비하기 전에 쿼리 계획을 벤치마킹한 자동화된 성능 감사 과정에서 AI 에이전트를 통해 생성되었습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_SEuqQ6L.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;MCP를 사용한 데이터베이스 작업 자동화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 일상적인 관리 작업을 위임하기 위해 사전 빌드된 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;alloydb-postgres&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 서버를 사용하여 오픈소스 데이터베이스용 MCP 도구 상자를 구성했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;운영 위임에는 엄격한 액세스 제어가 필요합니다. 이 에이전트는 스키마 전반의 SELECT 권한과 단일 운영 테이블에 대한 UPDATE 권한이 부여된 전용 PostgreSQL 역할을 사용하여 연결됩니다. 파괴적인 명령어 (&lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;DROP&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;DELETE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;, &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;TRUNCATE&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;)는 생략하여 에이전트 작업을 승인된 운영 경계로 제한합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 구성에 따라 AI 에이전트가 4가지 주요 영역에서 정기적인 데이터베이스 작업을 수행하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;주문형 분석&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 임시 SQL 쿼리를 통해 국가별로 유지 사용자 집단, 활성화 유입경로, 카탈로그 적용 범위를 컴파일하여 수동 대시보드나 복잡한 분석 파이프라인을 빌드하고 유지보수할 필요가 없습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;성능 최적화&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: ScaNN 색인 생성 전략 식별과 같은 쿼리 계획 검사 및 색인 분석을 수행합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;사고 포렌식&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 외부 보안 프로브에 대응하여 에이전트가 감사 로그를 파싱하여 몇 분 만에 요청 타임라인을 재구성하고 테넌트 격리가 그대로 유지되었는지 확인합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;자동화된 데이터 품질 검사&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 매일 아침 13개 조달 소스 전체에서 수집 워터마크와 최신 상태를 평가합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/original_images/3_MXwqVC6.gif"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 아키텍처를 채택할 경우 점진적인 권한 구조를 설정하면 명확한 가드레일을 마련할 수 있습니다. 읽기 전용 액세스로 시작하고, 요구사항에 따라 권한을 확장하고, 파괴적인 작업은 인간 관리자로 제한하면 됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;향후 계획&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 운영 오버헤드를 더욱 줄이기 위해 세 가지 기술 이니셔티브를 계획하고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB AI의 자동화된 벡터 임베딩&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 전체 카탈로그에서 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.initialize_embeddings&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 검증한 후 주간 유지보수 작업에서 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;ai.refresh_embeddings&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 벡터를 업데이트합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;열 기반 엔진 가속화&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 자동 열 지정을 지원하는 AlloyDB의 열 기반 엔진을 사용 설정하자 데이터베이스에서 하루 만에 4개의 테이블에서 자주 쿼리되는 열 40개를 식별하여 메모리에 저장했습니다. 그 결과, 별도의 분석 스토어 없이도 보고 쿼리 속도가 향상되었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: decimal; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;관리형 원격 MCP 서버&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;: 자체 호스팅 도구 상자 프로세스에서 Google Cloud의 AlloyDB용 완전 관리형 원격 MCP 서버로 전환해 MCP 서버 호스팅 및 유지보수 부담을 줄일 예정입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI는 AlloyDB를 핵심 데이터의 기반으로 삼고 MCP를 통해 일상적인 작업을 관리하면 엔지니어가 한 명이더라도 복원력 있는 멀티 리전 조달 플랫폼을 빌드하고 운영할 수 있음을 보여줬습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Lucius AI에 대해 자세히 알아보려면&lt;/span&gt;&lt;a href="https://ailucius.com/" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;ailucius.com&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 방문하세요. PostgreSQL용 AlloyDB를 평가하려면&lt;/span&gt;&lt;a href="https://cloud.google.com/alloydb"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 클러스터&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 배포하여 자체 워크로드로 성능을 테스트해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Tue, 06 Oct 2026 16:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/solo-founder-runs-a-global-tender-platform-on-alloydb-and-mcp/</guid><category>Customers</category><category>Startups</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>1인 창업자가 AlloyDB와 MCP를 기반으로 5개 대륙에서 입찰 플랫폼을 운영하는 방법</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/solo-founder-runs-a-global-tender-platform-on-alloydb-and-mcp/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Davor Jerković</name><title>Founder, Lucius AI</title><department></department><company></company></author></item><item><title>AI 에이전트가 준비되었습니다. 그렇다면 데이터는 어떤가요?</title><link>https://cloud.google.com/blog/ko/topics/ai-infrastructure/state-of-ai-infrastructure-report-and-the-agentic-data-cloud/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/topics/ai-infrastructure/state-of-ai-infrastructure-report-and-the-agentic-data-cloud?e=48754805"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;조직이 AI 이니셔티브를 확장하는 데 있어 가장 큰 병목 현상 중 하나는 무엇일까요? 오늘날 모델의 기능이 아니라 비즈니스 컨텍스트와 시맨틱 의미에 대한 액세스 권한이 문제입니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트 시대에 기업은 단순히 데이터를 저장하는 것을 넘어 신뢰할 수 있는 컨텍스트로 데이터를 활성화하여 수동적인 기록 시스템에서 선제적인 &lt;/span&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;행동 시스템&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;으로 전환해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;하지만 AI 에이전트는 비선형 속도로 작동합니다. 예를 들어 단일 프롬프트로 에이전트가 여러 시스템에서 독립적으로 탐색, 쿼리, 실행을 수행하도록 트리거할 수 있어 기본 인프라에 부담을 줄 수 있습니다. 컴퓨팅, 네트워킹, 스토리지 레이어가 에이전트 AI에 최적화되어 있지 않으면 그 위에 있는 데이터 플랫폼이 제대로 작동하지 않습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/resources/content/intl/ko-kr/state-of-infrastructure-in-the-agentic-ai-era"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Google Cloud의  인프라 현황 보고서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 에 따르면 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;조직의 83% 가 프로덕션급 에이전트 AI 시스템을 지원하려면 인프라를 업그레이드해야 한다고 생각&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;하는 것은 당연한 일입니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_bR2eV1x.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이 문제를 해결하기 위해 Google Cloud는 2026년 Google Cloud Next에서 데이터, AI 모델, 운영 데이터베이스를 단일 작업 시스템으로 통합하는 에이전트형 데이터 클라우드를 도입했습니다. 에이전트형 데이터 클라우드가 작동하려면 칩에서 모델에 이르기까지 AI 네이티브여야 합니다. 기본 인프라는 에이전트 부하를 수용할 수 있어야 합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/3_pykJFMI.max-1000x1000.png"
        
          alt="3"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="9vxs9"&gt;Google의 에이전트형 데이터 클라우드&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_with_image"&gt;&lt;div class="article-module h-c-page"&gt;
  &lt;div class="h-c-grid uni-paragraph-wrap"&gt;
    &lt;div class="uni-paragraph
      h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
      h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3"&gt;

      






  

    &lt;figure class="article-image--wrap-small
      
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/4_W9sTAZx.max-1000x1000.png"
        
          alt="4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  





      &lt;p data-block-key="tre7b"&gt;적절한 인프라 기반이 에이전트형 데이터 클라우드에 어떤 힘을 실어주어 오늘날 조직이 직면한 가장 큰 데이터 문제를 해결할 수 있는지 살펴보겠습니다.&lt;/p&gt;&lt;h3 data-block-key="fhbod"&gt;&lt;b&gt;컨텍스트 부족 극복&lt;/b&gt;&lt;/h3&gt;&lt;p data-block-key="70kl6"&gt;에이전트형 시스템이 효과적으로 작동하려면 분산된 데이터 시스템과 기존 아키텍처에서 자주 발견되는 컨텍스트에 액세스할 수 있어야 합니다. 이로 인해 에이전트가 이러한 컨텍스트를 파악하기 어려워 불완전하고 부정확한 결과가 나올 수 있습니다. 실제로 Google Cloud 보고서에 따르면 &lt;b&gt;IT 리더의 43% 가 '레거시 API 및 데이터 소스와의 통합이 어려움'&lt;/b&gt;을 에이전트 AI 인프라의 가장 큰 허점으로 꼽았습니다.&lt;/p&gt;
    &lt;/div&gt;
  &lt;/div&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;하지만 조직은 복잡성과 비용을 늘리지 않고는 대규모 데이터 세트를 이동하여 AI에 연결할 수 없습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google의 에이전트형 데이터 클라우드는 개방적이고 유연한 인프라에서 실행되는 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;경계 없는&lt;/strong&gt;&lt;a href="https://cloud.google.com/products/lakehouse?hl=en"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;레이크하우스&lt;/strong&gt;&lt;/a&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;를 활용하여 이 문제를 해결합니다. 에이전트는 개방형 표준 (Apache Spark, Apache Iceberg)을 통해 BigQuery 및 Spanner와 같은 강력한 기본 엔진에 액세스하여 마치 로컬 데이터인 것처럼 환경 전반에서 데이터를 읽고, 추론하고, 활성화할 수 있으므로 기존 설정의 지연 시간과 비용을 우회할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;불필요한 수동 작업에서 벗어나기 &lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;연결되지 않은 시스템의 패치워크에서 에이전트를 확장하면 상당한 병목 현상이 발생할 수 있습니다. Google Cloud의 연구에 따르면 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;리더의 81% 가 AI를 확장할 때 예상치 못한 비용이 발생하는 주요 원인으로 운영 복잡성과 엔지니어링 오버헤드를 꼽았습니다 .&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 서로 다른 시스템 전반에 걸쳐 AI 에이전트를 연결하기 위해 엔지니어가 수동으로 작업하는 데 드는 시간을 그 이유로 들었습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;생각에서 행동으로 옮기려면 에이전트는 분석 소스와 운영 소스 모두에서 실시간 데이터를 연결할 수 있어야 합니다. 이를 위해서는 수직적 통합이 필요합니다. 모델, 데이터 시스템, 기본 가속기가 공동 설계된 AI 네이티브 인프라를 기반으로 에이전트형 데이터 클라우드를 빌드하면 네트워크 홉이 줄어들고 도구가 더 잘 통합됩니다. 이 통합 시스템을 사용하면 에이전트가 일반적인 엔지니어링 오버헤드 없이도 인사이트에 도달하고 안전한 트랜잭션을 트리거할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;데이터에 신뢰와 지식 제공&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 데이터를 발견하고 쿼리하는 것만으로는 충분하지 않습니다. 안전하고 정확한 조치를 취하려면 에이전트에게 풍부한 컨텍스트와 비즈니스 로직도 필요합니다. 그러나 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;AI 모델 그라운딩에 사용되는 특화된 고처리량 벡터 데이터베이스가 부족하다는 점을 주요 인프라 격차로 꼽은 리더가 36% &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;에 달하며, 이는 에이전트에게 컨텍스트를 제공하는 능력을 저해하는 요인으로 작용합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;에이전트가 잠재력을 최대한 발휘하려면 기존 ERP와 서드 파티 CRM을 포함한 데이터 시스템을 실시간으로 읽고 쓸 수 있도록 빌드된 기반이 필요합니다. 또한 3주 전에 사용자가 설정한 선호도를 기억한 상태로 현재 복잡한 작업을 수행할 수 있는 장기 기억 능력이 필요합니다. 이러한 실시간 자동화가 없으면 에이전트는 모든 쿼리에 대해 데이터를 다시 처리해야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI에 컨텍스트를 제공하기 위해 조직은 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/introducing-the-google-cloud-knowledge-catalog?e=48754805"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Knowledge Catalog&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 데이터 레이크의 데이터를 집계하고 보강하며 에이전트형 검색을 지원하고 있습니다. 비정형 데이터에서 의미를 추출하고 시맨틱스를 자동으로 생성하는 카탈로그는 활성 추론 레이어 역할을 합니다. 에이전트가 올바른 컨텍스트를 검색할 수 있도록 이 카탈로그는 처리량이 높은 인프라로 뒷받침되어야 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;앞으로의 방향&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AI를 진정한 경쟁 우위로 전환하려면 연결된 활성 데이터 생태계를 구축해야 합니다. 파일럿에서 프로덕션으로 전환하려면 에이전트가 모든 데이터에 원활하게 액세스할 수 있어야 하며, 이를 위해서는 에이전트 시대의 요구사항을 처리할 수 있는 인프라가 지원되어야 합니다. 2026년 이후의 승자는 반드시 가장 스마트한 에이전트를 보유한 기업이 아닐 것입니다. 이들은 에이전트에 적절한 지식을 안전하고 비용 효율적으로 대규모로 제공할 수 있는 사람들입니다. 데이터는 에이전트 시대에 맞게 준비되어 있나요? &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://cloud.google.com/resources/content/state-of-infrastructure-in-the-agentic-ai-era"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;에이전트 AI 시대의 인프라 현황&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 보고서에서 리더들이 AI에 최적화된 아키텍처 접근방식을 어떻게 취하고 있는지 확인해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-related_article_tout"&gt;





&lt;div class="uni-related-article-tout h-c-page"&gt;
  &lt;section class="h-c-grid"&gt;
    &lt;a href="https://cloud.google.com/blog/ko/products/compute/state-of-ai-infrastructure-report-overview/"
       data-analytics='{
                       "event": "page interaction",
                       "category": "article lead",
                       "action": "related article - inline",
                       "label": "article: {slug}"
                     }'
       class="uni-related-article-tout__wrapper h-c-grid__col h-c-grid__col--8 h-c-grid__col-m--6 h-c-grid__col-l--6
        h-c-grid__col--offset-2 h-c-grid__col-m--offset-3 h-c-grid__col-l--offset-3 uni-click-tracker"&gt;
      &lt;div class="uni-related-article-tout__inner-wrapper"&gt;
        &lt;p class="uni-related-article-tout__eyebrow h-c-eyebrow"&gt;Related Article&lt;/p&gt;

        &lt;div class="uni-related-article-tout__content-wrapper"&gt;
          &lt;div class="uni-related-article-tout__image-wrapper"&gt;
            &lt;div class="uni-related-article-tout__image" style="background-image: url('https://storage.googleapis.com/gweb-cloudblog-publish/images/Blog_1_Banner_2.max-500x500.png')"&gt;&lt;/div&gt;
          &lt;/div&gt;
          &lt;div class="uni-related-article-tout__content"&gt;
            &lt;h4 class="uni-related-article-tout__header h-has-bottom-margin"&gt;보고서: 조직의 83%가 에이전트 AI를 지원하려면 인프라를 업그레이드해야 함&lt;/h4&gt;
            &lt;p class="uni-related-article-tout__body"&gt;조직이 탄력적이고 유연한 기반을 구축하기 위해 인프라를 어떻게 재고하고 있는지 자세히 설명하는 AI 인프라 현황 보고서의 주요 내용을 확인하세요.&lt;/p&gt;
            &lt;div class="cta module-cta h-c-copy  uni-related-article-tout__cta muted"&gt;
              &lt;span class="nowrap"&gt;Read Article
                &lt;svg class="icon h-c-icon" role="presentation"&gt;
                  &lt;use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#mi-arrow-forward"&gt;&lt;/use&gt;
                &lt;/svg&gt;
              &lt;/span&gt;
            &lt;/div&gt;
          &lt;/div&gt;
        &lt;/div&gt;
      &lt;/div&gt;
    &lt;/a&gt;
  &lt;/section&gt;
&lt;/div&gt;

&lt;/div&gt;</description><pubDate>Thu, 01 Oct 2026 21:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/topics/ai-infrastructure/state-of-ai-infrastructure-report-and-the-agentic-data-cloud/</guid><category>Data Analytics</category><category>Databases</category><category>State of AI infrastructure report</category><category>AI infrastructure</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_TdmG649.max-600x600.png" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AI 에이전트가 준비되었습니다. 그렇다면 데이터는 어떤가요?</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/1_TdmG649.max-600x600.png</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/topics/ai-infrastructure/state-of-ai-infrastructure-report-and-the-agentic-data-cloud/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sirish Chandrasekaran</name><title>VP, Product Strategy &amp; Growth, Data Cloud</title><department></department><company></company></author></item><item><title>BigQuery 그래프를 사용한 식품 공급망의 디지털 트윈 모델링</title><link>https://cloud.google.com/blog/ko/products/data-analytics/modeling-a-digital-twin-using-bigquery-graph/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/modeling-a-digital-twin-using-bigquery-graph?e=48754805"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;성장하는 레스토랑의 예&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;식당 체인을 운영한다고 가정해 보겠습니다. 비즈니스가 어떻게 운영되는지 알기 위해 직접 만져보고 느낄 수 없기 때문입니다. 비즈니스의 상태를 감지할 수 있는 도구와 비즈니스의 디지털 복제본이 필요합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;성장의 마찰&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;성장으로 인해 스프레드시트로는 해결할 수 없는 고유한 종류의 마찰이 발생합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;채찍 효과:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 다운스트림의 작은 수요 변화가 업스트림의 인벤토리 파도로 증폭됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;SOP 이탈:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 표준 준비 작업에서 약간만 벗어나도 결국 전체 브랜드 분위기가 훼손됩니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;식품 안전 영향 범위:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 오염된 재료 하나가 네트워크 전반에 걸쳐 복잡하고 지저분한 위험 지도를 만듭니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;무단 지출:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 현지 관리자가 계약 외 식재료를 구매하여 발생한 '백만 달러의 누수'&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;디지털 트윈&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;디지털 모델을 사용하면 세상에 대해 더 통찰력 있는 질문을 던질 수 있지만, 데이터를 구성하는 방식에 대해 중요한 선택을 해야 합니다. 기존의 관계형 테이블이 표준이었지만, 여전히 모든 작업에 적합한 도구인지 물어봐야 합니다. 세상은 본질적으로 상호 연결되어 있으므로 그래프 기반 모델로 전환하는 것이 현실을 포착하기 위한 자연스러운 진화일 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;수천 개의 애셋, 복잡한 공급망 또는 글로벌 물류 네트워크를 관리할 때 기존의 관계형 데이터베이스는 종속 항목을 추적하기 위해 리소스 집약적인 대규모 SQL 조인이 필요합니다. 이 아키텍처는 물리적 이벤트와 운영 인식 사이에 지연 시간 격차를 만듭니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery 그래프를 사용한 모델링&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BigQuery 그래프를 사용하면 기존 데이터 플랫폼 내에서 전체 공급망의 디지털 트윈을 빌드할 수 있습니다. 물리적 세계(항목, 레시피, 위치)를 노드와 엣지로 이루어진 검색 가능한 맵으로 전환하면 새로운 차원의 명확성을 얻을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;1. 시맨틱 계층 정의&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데이터를 새 데이터베이스로 이동하는 대신 기존 테이블 위에 그래프 뷰를 만듭니다. 이렇게 하면 BigQuery에서 테이블이 서로 어떻게 관련되어 있는지 정확히 알 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;쿼리 언어:&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;# Build the Graph Nodes &amp;amp; Edges\r\nCREATE or REPLACE PROPERTY GRAPH `restaurant.bombod`\r\nNODE TABLES (\r\n  `restaurant.item` label item properties all columns,\r\n  `restaurant.location` label location properties all columns,\r\n  `restaurant.itemlocation` label itemlocation properties all columns\r\n)\r\nEDGE TABLES (\r\n  `restaurant.bom`\r\n  KEY(bomKey)\r\n  SOURCE KEY (childItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)\r\n  DESTINATION KEY (parentItemLocation) REFERENCES `restaurant.itemlocation`(itemLocationKey)\r\n  LABEL consists_of properties all columns\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d708ce1d0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_6on1ArC.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="zg2w6"&gt;BigQuery 그래프를 사용하여 모델링한 가상의 레스토랑 공급망 이미지&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;실무에서의 정밀도&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이러한 변화는 일상 업무에 어떤 영향을 미치나요? 비즈니스를 혼란에서 정밀함으로 전환합니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;수술 리콜:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 공급업체가 리스테리아 발생을 보고하면 그래프를 앞으로 이동하여 어떤 특정 레스토랑의 어떤 메뉴 항목이 영향을 받았는지 정확히 파악합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;날씨 위험 분석:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 허리케인이 유통 센터를 위협할 때 매장 목록이 아닌 영향 범위가 표시됩니다. 해당 허브에 크게 의존하는 위치를 파악하고 보급품을 다른 경로로 재전송합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;strong style="vertical-align: baseline;"&gt;2. 검색 실행&lt;/strong&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;그래프 쿼리는 모델러와 데이터 과학자가 데이터를 쿼리할 수 있는 새로운 도구입니다. 복잡한 다중 도메인 데이터 개념을 단순화하고 쿼리를 간소화하며 데이터 분석을 문제 표현의 더 단순하고 자연스러운 표현으로 만듭니다. 예를 들어 닭고기를 취급하는 모든 위치를 알고 싶다면 아래와 같이 그래프 쿼리를 실행할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;특정 불만사항이나 위험을 조사하기 위해 그래프 쿼리 언어를 사용하여 모델에 대한 검색을 실행합니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Graph Query Language&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;# Navigate to the source of a specific ingredient issue\r\nGraph restaurant.bombod\r\nMATCH (a:itemlocation)-[c:consists_of]-&amp;gt;(b:itemlocation) \r\nWHERE b.itemKey LIKE &amp;#x27;%Chicken%&amp;#x27;\r\nRETURN to_json([to_json(a),to_json(c),to_json(b)]) as result&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5e6fb590&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_aIlciIs.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
        &lt;figcaption class="article-image__caption "&gt;&lt;p data-block-key="zg2w6"&gt;악취의 근원 - 그래프로 모델링&lt;/p&gt;&lt;/figcaption&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;미래를 위한 기반 구축&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;디지털 트윈을 최대한 활용하려면 다음 원칙을 따르세요.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;구조에 집중:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 그래프를 사용하여 관계와 종속 항목을 파악하고, 일일 매출 합계를 관계형 테이블에 보관합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;키 정리:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 데이터 엔지니어링에 시간을 투자하세요. 그래프는 연결만큼 강력합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;에지 속성 캡처:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 리드 타임이나 배송비와 같은 메타데이터를 에지에 직접 저장하여 모델의 유용성을 높입니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;결론&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;레스토랑 업계는 비즈니스 데이터를 목록으로만 취급하는 관계형 방식을 벗어났습니다. BigQuery 그래프를 사용해 디지털 트윈으로 도메인 간 관계를 빌드하면 반응적인 문제 해결에서 선제적인 모델링으로 전환할 수 있습니다. 이제 목록으로 네트워크를 관리하는 대신 몇 초 만에 연결을 확인할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://codelabs.developers.google.com/codelabs/supplychaingraph#0" rel="noopener" target="_blank"&gt;&lt;strong style="text-decoration: underline; vertical-align: baseline;"&gt;여기&lt;/strong&gt;&lt;strong style="vertical-align: baseline;"&gt; 에서 튜토리얼을 확인하세요. &lt;/strong&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;BigQuery 문서를 방문하여&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-overview"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;개요&lt;/span&gt;&lt;/a&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;와 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/bigquery/docs/graph-create"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;빠른 시작 가이드&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 확인하세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;의견 공유:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;a href="http://tinyurl.com/bqgraph-userforum" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;커뮤니티&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에 참여하고 &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;bq-graph-preview-support@google.com&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;을 통해 질문에 대한 답변을 받아보세요.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;관련 블로그:&lt;/strong&gt;&lt;a href="https://cloud.google.com/blog/products/data-analytics/introducing-bigquery-graph?e=48754805"&gt;&lt;strong style="vertical-align: baseline;"&gt; &lt;/strong&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;BigQuery 그래프 소개&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Mon, 28 Sep 2026 20:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/data-analytics/modeling-a-digital-twin-using-bigquery-graph/</guid><category>BigQuery</category><category>Databases</category><category>Data Analytics</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>BigQuery 그래프를 사용한 식품 공급망의 디지털 트윈 모델링</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/data-analytics/modeling-a-digital-twin-using-bigquery-graph/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Guru Rangavittal</name><title>Cloud Transformation Technical Lead, Google Cloud</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Candice Chen</name><title>Product Manager</title><department></department><company></company></author></item><item><title>AlloyDB 및 Cloud SQL의 네이티브 BM25 순위 지정 발표</title><link>https://cloud.google.com/blog/ko/products/databases/native-bm25-search-in-alloydb-and-cloud-sql/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/databases/native-bm25-search-in-alloydb-and-cloud-sql?e=48754805"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;벡터 검색은 생성형 AI, 검색 증강 생성 (RAG), 데이터 에이전트 아키텍처의 중요한 구성요소이지만, 때로는 벡터 검색만으로는 충분하지 않습니다. 벡터 임베딩은 개념적 의미를 이해하는 데 탁월하지만 특정 영숫자 ID와 정확한 제품 SKU 번호에는 어려움을 겪습니다. 진정으로 강력한 검색 및 AI 애플리케이션을 빌드하려면 시맨틱 벡터 검색과 기존의 정확한 키워드 전체 텍스트 검색을 결합해야 할 수 있습니다. 이를 하이브리드 검색이라고 합니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;검색에서 BM25(Best Matching 25)는 문서가 주어진 쿼리와 얼마나 관련이 있는지 추정하는 데 사용되는 핵심 알고리즘입니다. 지금까지 AlloyDB 또는 Cloud SQL에서 BM25 순위를 지정하려면 추가적인 전체 텍스트 검색 백엔드를 추가해야 했습니다. 이로 인해 데이터 사일로, 동기화 지연, 운영 복잡성이 발생했습니다. 오늘 Google Cloud는 Tiger Data에서 만든 오픈소스 &lt;/span&gt;&lt;a href="https://github.com/timescale/pg_textsearch" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; &lt;/span&gt;&lt;code style="text-decoration: underline; vertical-align: baseline;"&gt;pg_textsearch&lt;/code&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; 확장 프로그램&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 통해 AlloyDB 및 PostgreSQL용 Cloud SQL 17+에서 기본 BM25 색인을 미리보기로 제공하여 별도의 전체 텍스트 검색 백엔드를 유지관리하는 데 드는 부담을 완전히 없애드립니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;이제 통합된 하이브리드 검색 백엔드를 사용하면 최첨단 전체 텍스트 검색을 위해 별도의 시스템을 프로비저닝, 관리하거나 비용을 지불할 필요가 없습니다. 이 모든 작업은 운영 데이터가 저장된 데이터베이스 내에서 직접 이루어지며 다음과 같은 이점을 제공합니다. &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;업계 표준 키워드 순위:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; Tiger Data의 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;pg_textsearch&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;를 기반으로 C에 최적화된 BM25 점수를 Postgres 테이블에 바로 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;복잡성 해소, 완전한 일관성:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 벡터 및 전체 텍스트 검색을 위해 여러 백엔드를 유지보수할 때 발생하는 데이터 중복, ETL 파이프라인, 동기화 지연을 제거합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;강화된 시맨틱 검색(AlloyDB 전용):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; ScaNN 및 HNSW 색인 유형을 사용하여 표준 PostgreSQL에 비해 최대 6배 및 10배 더 빠른 벡터 검색 쿼리를 얻을 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;pg_textsearch를 사용해야 하는 이유&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;의미 있는 규모로 전체 텍스트 검색을 위해 PostgreSQL의 기본 제공 &lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt;ts_rank 를 사용해 본 적이 있다면 이미 그 한계를 알고 있을 것입니다. 코퍼스가 커질수록 순위 품질이 저하됩니다. 역문서 빈도에 대한 지원이 없으므로 일반적인 단어와 드문 단어의 가중치가 동일합니다. 용어 빈도 포화가 없으므로 '데이터베이스'를 50번 언급하는 문서가 한 번 언급하는 문서보다 순위가 높습니다. &lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BM25는 정보 검색의 표준으로, 역문서 빈도 (더 희귀한 용어가 더 중요함), 용어 빈도 포화 (반복이 지배하지 않음), 문서 길이 정규화를 제공합니다. Tiger Data가 PostgreSQL 페이지에서 BM25 검색 엔진을 빌드한 방법에 대한 자세한 내용은 이 &lt;/span&gt;&lt;a href="https://www.tigerdata.com/blog/pg-textsearch-bm25-full-text-search-postgres" rel="noopener" target="_blank"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;블로그 게시물&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;을 참고하세요. &lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;전체 텍스트 검색 예시&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB와 Cloud SQL에서 BM25 전체 텍스트 검색을 시작하는 방법은 다음과 같습니다. 고유 식별자 uniq_id, product_name 열, 각 제품의 텍스트 설명을 포함하는 product_description 열, 생성된 product_embedding 열을 포함하는 샘플 테이블 cymbal_products를 고려해 보겠습니다. cymbal_products&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 에는 실내 및 실외 식물을 포함한 다양한 소매 제품에 대한 정보가 포함되어 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;색인 생성&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;BM25를 사용하려면 pg_textsearch 확장 프로그램을 사용 설정합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Install pg_textsearch extension\r\nCREATE EXTENSION pg_textsearch;&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0fad0&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;code&gt;&lt;span style="vertical-align: baseline;"&gt; cymbal_products&lt;/span&gt;&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt; 테이블의 &lt;/span&gt;&lt;code style="vertical-align: baseline;"&gt;product_description&lt;/code&gt;&lt;span style="vertical-align: baseline;"&gt;열에 색인을 만듭니다. &lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Create the native BM25 index on the content column\r\nCREATE INDEX idx_docs_bm25 \r\nON cymbal_products \r\nUSING bm25 (product_description) \r\nWITH (text_config=&amp;#x27;english&amp;#x27;);&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0c650&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;&amp;lt;@&amp;gt; 특수 연산자를 사용하여 BM25 전체 텍스트 검색 쿼리를 실행할 수 있습니다.  아래 스니펫에서는 'cherry tree'를 검색합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;-- Full text search query\r\nSELECT product_name, product_description &amp;lt;@&amp;gt; &amp;#x27;cherry tree&amp;#x27; AS bm25_score \r\nFROM cymbal_products\r\nORDER BY bm25_score \r\nLIMIT 5;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0fc50&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;샘플 출력은 아래와 같습니다. 점수가 더 음수일수록 관련성이 더 높습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/1_WmFinfJ.max-1000x1000.png"
        
          alt="1"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;AlloyDB 하이브리드 검색 예시&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB에서 하이브리드 검색 시스템을 설정하는 것은 간단합니다. 동일한 테이블에서 벡터 색인과 키워드 색인을 모두 생성하고 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search#hybrid-search"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;하이브리드 검색 사용자 정의 함수 (UDF)&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 사용하여 결과를 원활하게 병합할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;벡터 색인 생성&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;ScaNN 벡터 검색 색인을 만드는 방법은 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Install vector extension\r\nCREATE EXTENSION vector;\r\n\r\n-- Install scann extension\r\nCREATE EXTENSION IF NOT EXISTS alloydb_scann;\r\n\r\n-- Create scann vector search index \r\nCREATE INDEX cymbal_products_embeddings_scann ON cymbal_products USING scann(product_embedding cosine);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0dd90&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;하이브리드 검색&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB는 하이브리드 검색 쿼리를 매우 간단하게 실행할 수 있는 기본 제공 하이브리드 검색 UDF를 제공합니다. UDF는 RRF (Reciprocal Rank Fusion) 알고리즘을 사용하여 각 검색 구성요소의 순위가 지정된 결과를 단일 통합 목록으로 병합합니다. 이 쿼리는 UDF를 활용하여 제품 설명에서 '집보다 키가 큰 나무'에 대한 벡터 검색과 '캘리포니아'에 대한 키워드 검색을 수행합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;CREATE EXTENSION google_ml_integration;\r\n\r\nSELECT *\r\nFROM ai.hybrid_search(\r\n  search_inputs =&amp;gt; ARRAY[\r\n      \&amp;#x27;{\r\n        &amp;quot;data_type&amp;quot;: &amp;quot;vector&amp;quot;,\r\n        &amp;quot;weight&amp;quot;: 0.5,\r\n        &amp;quot;table_name&amp;quot;: &amp;quot;cymbal_products&amp;quot;,\r\n        &amp;quot;key_column&amp;quot;: &amp;quot;uniq_id&amp;quot;,\r\n        &amp;quot;vec_column&amp;quot;: &amp;quot;product_embedding&amp;quot;,\r\n        &amp;quot;distance_operator&amp;quot;: &amp;quot;public.&amp;lt;=&amp;gt;&amp;quot;,\r\n        &amp;quot;limit&amp;quot;: 10,\r\n        &amp;quot;query_vector&amp;quot;: &amp;quot;ai.embedding(\&amp;#x27;\&amp;#x27;text-embedding-005\&amp;#x27;\&amp;#x27;, \&amp;#x27;\&amp;#x27;trees that grow taller than houses\&amp;#x27;\&amp;#x27;)::vector&amp;quot;\r\n      }\&amp;#x27;::JSONB,\r\n      \&amp;#x27;{\r\n        &amp;quot;data_type&amp;quot;: &amp;quot;text&amp;quot;,\r\n        &amp;quot;weight&amp;quot;: 0.5,\r\n        &amp;quot;table_name&amp;quot;: &amp;quot;cymbal_products&amp;quot;,\r\n        &amp;quot;key_column&amp;quot;: &amp;quot;uniq_id&amp;quot;,\r\n        &amp;quot;text_column&amp;quot;: &amp;quot;product_description&amp;quot;,\r\n        &amp;quot;limit&amp;quot;: 10,\r\n        &amp;quot;ranking_function&amp;quot;: &amp;quot;&amp;lt;@&amp;gt;&amp;quot;,\r\n        &amp;quot;query_text_input&amp;quot;: &amp;quot;California&amp;quot;\r\n      }\&amp;#x27;::JSONB\r\n  ],\r\n);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0e550&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;아래 샘플 출력에서 볼 수 있듯이 결과는 RRF 점수의 내림차순으로 순위가 매겨집니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/2_pnhsphx.max-1000x1000.png"
        
          alt="2"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;여기서 하이브리드 검색은 시맨틱 직관과 정확한 키워드 매칭 사이의 간극을 메웁니다. 벡터 임베딩은 '집보다 큰 나무'와 같은 개념적 쿼리를 파악하는 데 탁월하지만, 기존의 전체 텍스트 검색은 '캘리포니아'와 같은 엄격한 식별자에 필요한 정확한 정밀도를 제공합니다. AlloyDB는 이 두 가지를 융합하여 애플리케이션이 '캘리포니아 시카모어'와 같이 지역과 관련성이 높은 매우 구체적인 결과를 목록의 맨 위에 표시하도록 보장합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Cloud SQL 하이브리드 검색 예시&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL에서는 아래와 같이 동일한 테이블에 벡터 색인과 키워드 색인을 모두 만들고 공통 테이블 표현식 (CTE)을 사용하여 결과를 원활하게 병합하고 RRF 점수를 병합할 수 있습니다. &lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;벡터 색인 생성 &lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL에서 HNSW 색인을 만드는 방법은 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;#x27;-- Install vector extension\r\nCREATE EXTENSION vector;\r\n\r\n-- Create an HNSW index on the embedding column for fast approximate nearest neighbor search\r\nCREATE INDEX product_hnsw_idx ON cymbal_products USING hnsw(product_embedding vector_cosine_ops);&amp;#x27;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0d950&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;하이브리드 검색&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;하이브리드 검색 쿼리는 다음과 같습니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-code"&gt;&lt;dl&gt;
    &lt;dt&gt;code_block&lt;/dt&gt;
    &lt;dd&gt;&amp;lt;ListValue: [StructValue([(&amp;#x27;code&amp;#x27;, &amp;quot;CREATE EXTENSION google_ml_integration;\r\n\r\n-- BM25 keyword results\r\nWITH keyword_results AS (\r\n  SELECT uniq_id, product_name, \r\n         ROW_NUMBER() OVER (ORDER BY product_description &amp;lt;@&amp;gt; &amp;#x27;California&amp;#x27;) AS rank_kw\r\n  FROM cymbal_products\r\n  ORDER BY product_description &amp;lt;@&amp;gt; &amp;#x27;California&amp;#x27;\r\n  LIMIT 10\r\n),\r\n-- Semantic vector results\r\nsemantic_results AS (\r\n  SELECT uniq_id, product_name, \r\n         ROW_NUMBER() OVER (ORDER BY product_embedding &amp;lt;=&amp;gt; google_ml.embedding(&amp;#x27;text-embedding-005&amp;#x27;, &amp;#x27;trees that grow taller than houses&amp;#x27;)::vector) AS rank_vec\r\n  FROM cymbal_products\r\n  ORDER BY product_embedding &amp;lt;=&amp;gt; google_ml.embedding(&amp;#x27;text-embedding-005&amp;#x27;, &amp;#x27;trees that grow taller than houses&amp;#x27;)::vector\r\n  LIMIT 10\r\n)\r\n-- Reciprocal Rank Fusion (RRF) to merge and score both lists\r\nSELECT COALESCE(k.uniq_id, s.uniq_id) AS uniq_id,\r\n       COALESCE(k.product_name, s.product_name) AS product_name,\r\n       COALESCE(1.0 / (60 + k.rank_kw), 0) + COALESCE(1.0 / (60 + s.rank_vec), 0) AS rrf_score\r\nFROM keyword_results k\r\nFULL OUTER JOIN semantic_results s ON k.uniq_id = s.uniq_id\r\nORDER BY rrf_score DESC\r\nLIMIT 5;&amp;quot;), (&amp;#x27;language&amp;#x27;, &amp;#x27;&amp;#x27;), (&amp;#x27;caption&amp;#x27;, &amp;lt;wagtail.rich_text.RichText object at 0x7f7d5ec0d310&amp;gt;)])]&amp;gt;&lt;/dd&gt;
&lt;/dl&gt;&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;결과 출력은 위에 표시된 AlloyDB 하이브리드 검색 결과와 동일합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;실제 사례 확인&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;데모 동영상에서 이 모든 것이 어떻게 결합되는지 확인해 보세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-video"&gt;



&lt;div class="article-module article-video "&gt;
  &lt;figure&gt;
    &lt;a class="h-c-video h-c-video--marquee"
      href="https://youtube.com/watch?v=-JxQb-kjFHk"
      data-glue-modal-trigger="uni-modal--JxQb-kjFHk-"
      data-glue-modal-disabled-on-mobile="true"&gt;

      
        

        &lt;div class="article-video__aspect-image"
          style="background-image: url(https://storage.googleapis.com/gweb-cloudblog-publish/images/3_IQ6esQ4.max-1000x1000.png);"&gt;
          &lt;span class="h-u-visually-hidden"&gt;Introducing BM25 on AlloyDB &amp;amp; Cloud SQL&lt;/span&gt;
        &lt;/div&gt;
      
      &lt;svg role="img" class="h-c-video__play h-c-icon h-c-icon--color-white"&gt;
        &lt;use xlink:href="#mi-youtube-icon"&gt;&lt;/use&gt;
      &lt;/svg&gt;
    &lt;/a&gt;

    
  &lt;/figure&gt;
&lt;/div&gt;

&lt;div class="h-c-modal--video"
     data-glue-modal="uni-modal--JxQb-kjFHk-"
     data-glue-modal-close-label="Close Dialog"&gt;
   &lt;a class="glue-yt-video"
      data-glue-yt-video-autoplay="true"
      data-glue-yt-video-height="99%"
      data-glue-yt-video-vid="-JxQb-kjFHk"
      data-glue-yt-video-width="100%"
      href="https://youtube.com/watch?v=-JxQb-kjFHk"
      ng-cloak&gt;
   &lt;/a&gt;
&lt;/div&gt;

&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;관련 리소스 &lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Tiger Data와의 협업을 통해 고객이 기본 BM25 지원을 활용하여 더 빠르고 스마트하며 간단한 AI 애플리케이션을 빌드할 수 있게 되어 매우 기쁩니다. 지금 바로 pg_textsearch&lt;/span&gt;&lt;span style="vertical-align: baseline;"&gt; 확장 프로그램을 사용 설정하고 AlloyDB 및 Cloud SQL로 최고의 하이브리드 검색 엔진 환경을 경험해 보세요.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;시작할 준비가 되셨나요?&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;확인해 보세요”&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/h3&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB 리소스 &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;AlloyDB 사용이 처음이신가요? 30일 무료 체험판&lt;/span&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/free-trial-cluster"&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;으로 AlloyDB를 살펴보세요.&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/choose-index-strategy"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB AI에서 벡터 색인 선택&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/create-bm25-index"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB BM25 문서 &lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/alloydb/docs/ai/run-hybrid-vector-similarity-search#hybrid-search"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;AlloyDB 하이브리드 검색 UDF 문서&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;span style="vertical-align: baseline;"&gt;Cloud SQL 리소스 &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;ul&gt;
&lt;li aria-level="2" style="list-style-type: circle; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://docs.cloud.google.com/sql/docs/postgres/pg-textsearch"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Cloud SQL BM25 문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;a href="https://www.tigerdata.com/blog/pg-textsearch-bm25-full-text-search-postgres" rel="noopener" target="_blank"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Tiger Data pg_textsearch 출시 페이지&lt;/span&gt;&lt;/a&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;&lt;/div&gt;</description><pubDate>Mon, 28 Sep 2026 20:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/databases/native-bm25-search-in-alloydb-and-cloud-sql/</guid><category>Cloud SQL</category><category>Databases</category><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>AlloyDB 및 Cloud SQL의 네이티브 BM25 순위 지정 발표</title><description></description><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/databases/native-bm25-search-in-alloydb-and-cloud-sql/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Darshana Sivakumar</name><title>Group Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Nisa Meshal</name><title>Customer Engineer</title><department></department><company></company></author></item><item><title>M4N VM 제품군 정식 버전 출시: I/O 및 메모리 집약적 워크로드를 위한 코어당 최고 수준의 IOPS 및 처리량 제공</title><link>https://cloud.google.com/blog/ko/products/compute/compute-engine-m4n-vms/</link><description>&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;*이 콘텐츠는 AI 번역 도구를 사용하여 번역되었습니다. 정확성을 기하기 위해 노력하고 있으나, 자동 번역에는 오류나 누락이 포함될 수 있습니다. 정확한 정보는 &lt;/span&gt;&lt;a href="https://cloud.google.com/blog/products/compute/compute-engine-m4n-vms?e=0&amp;amp;hl=en"&gt;&lt;span style="font-style: italic; text-decoration: underline; vertical-align: baseline;"&gt;영문 원본&lt;/span&gt;&lt;/a&gt;&lt;span style="font-style: italic; vertical-align: baseline;"&gt;을 참고해 주시기 바랍니다.&lt;/span&gt;&lt;/p&gt;
&lt;hr/&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 조직이 미션 크리티컬 애플리케이션을 확장함에 따라 스토리지 I/O 및 메모리 액세스가 심각한 운영 병목 현상을 초래할 수 있습니다. Oracle 데이터베이스, SAP HANA와 같은 인메모리 데이터베이스, 높은 처리량의 SQL Server 클러스터, EHR 시스템, 실시간 빅데이터 분석 등 메모리 집약적 데이터베이스를 사용하는 기업은 필요한 RAM 용량과 스토리지 대역폭을 확보하기 위해 컴퓨팅 코어(vCPU)를 과도하게 프로비저닝해야 하는 경우가 많으며, 이는 고가의 서드 파티 소프트웨어 라이선스 비용 상승으로 이어집니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;오늘 Google Compute Engine에서 네트워크 및 블록 스토리지 최적화 VM 제품군의 두 번째 제품인 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;M4N&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 머신 시리즈의 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;정식 버전&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;을 출시했습니다. 이 머신 시리즈는 I/O 집약적인 고성능 메모리 워크로드를 위해 특별히 설계되었습니다. 다른 하이퍼스케일러의 유사 제품과 비교했을 때 M4N은 고성능 메모리 인스턴스에서 코어당 가장 높은 IOPS 및 처리량을 제공하며 Oracle 데이터베이스의 총소유비용을 20% 이상 절감합니다.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/image4_gZSsHxy.max-1000x1000.png"
        
          alt="image4"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;또한 M4N은 더 높은 메모리 비율(최대 26:1)과 크기(6TB)로 최적화된 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;업계 최초&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;의 네트워크 및 블록 스토리지 인스턴스입니다. 5세대 인텔® 제온® 스케일러블 프로세서로 구동되고 Google Cloud의 커스텀&lt;/span&gt;&lt;a href="https://cloud.google.com/titanium"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt; Titanium&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt; 오프로드 아키텍처를 기반으로 빌드된 M4N 인스턴스는 &lt;/span&gt;&lt;a href="https://cloud.google.com/compute/docs/disks/hyperdisks"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;Hyperdisk Extreme&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;과 결합 시 최대 25,000MiB/s(25GiB/s)의 총 호스트 스토리지 성능과 최대 100만 IOPS를 제공하여 기존 M4 인스턴스의 블록 스토리지 성능을 두 배로 높입니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N은 극도로 높은 밀도의 RAM과 타협 없는 I/O 성능을 모두 요구하는 워크로드를 대상으로 하며, 높은 처리량을 필요로 하는 엔터프라이즈 애플리케이션의 특정 스토리지 및 네트워크 병목 현상을 해결하여 기존 메모리 최적화 제품군(M1, M2, M3, M4, X4 등)을 보완합니다.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;고성능을 요구하는 워크로드를 위해 설계됨&lt;/strong&gt;&lt;/h3&gt;
&lt;div align="left"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;
&lt;div style="color: #5f6368; overflow-x: auto; overflow-y: hidden; width: 100%;"&gt;&lt;table&gt;&lt;colgroup&gt;&lt;col/&gt;&lt;col/&gt;&lt;col/&gt;&lt;/colgroup&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p style="text-align: center;"&gt;&lt;strong style="vertical-align: baseline;"&gt;워크로드 카테고리&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p style="text-align: center;"&gt;&lt;strong style="vertical-align: baseline;"&gt;대표적인 적용 분야&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p style="text-align: center;"&gt;&lt;strong style="vertical-align: baseline;"&gt;M4N의 장점&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;미션 크리티컬 엔터프라이즈 DB&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle, SAP HANA, SQL Server, IBM DB2, MySQL, PostgreSQL&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;최대 26.57GB/vCPU의 메모리 대 코어 비율과 25GiB/s의 스토리지 성능을 결합하여 신속한 데이터 수집, 트랜잭션 로깅 및 지연 없는 백업 주기를 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;생성형 AI 및 RAG 데이터 레이어&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Milvus, Pinecone, Qdrant, Vespa, Redis, 인메모리 컨텍스트 캐싱&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;RAM의 대규모 벡터 색인을 대상으로 1밀리초 미만의 유사성 검색을 수행하고, 분산 모델 검색을 위해 400Gbps의 네트워크 대역폭을 결합합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;엔터프라이즈 의료 및 ERP&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Epic Systems(운영 데이터베이스), SAP ECC, SAP S/4HANA&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;지속적인 I/O 여유 공간으로 임상 및 트랜잭션 처리량이 급증하는 시간대에 쿼리 지연 시간 급증을 방지합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;strong style="vertical-align: baseline;"&gt;실시간 분석 및 EDA&lt;/strong&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;전자 설계 자동화, 유전체학 모델링, 인메모리 OLAP&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;td style="vertical-align: middle; border: 1px solid #000000; padding: 16px;"&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;대규모 데이터 세트를 RAM에 온전히 로드할 수 있는 높은 메모리 용량과 체크포인트 덤프를 위한 최대 스토리지 대역폭을 갖추고 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;/div&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;Oracle 라이선스 비용 최적화&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;엔터프라이즈 IT 부서는 코어 기반 소프트웨어 라이선스 비용 상승으로 어려움을 겪고 있습니다. Oracle 데이터베이스와 같은 워크로드의 경우 라이선스 요금은 일반적으로 인스턴스에 할당된 vCPU 또는 물리적 코어 수를 기준으로 산정됩니다. 지금까지는 필요한 양의 RAM과 스토리지 성능을 얻기 위해 필요 이상으로 많은 컴퓨팅 코어에 대한 비용을 지불해야 했습니다.&lt;/span&gt;&lt;/p&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N은 업계 최고의 높은 메모리 대 vCPU 비율로 이러한 패러다임을 바꿉니다. M4N은 모든 주요 하이퍼스케일러의 고성능 메모리 인스턴스 중 코어당 가장 높은 IOPS와 처리량을 제공하므로 데이터베이스 관리자는 다음과 같은 이점을 누릴 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;TCO 및 라이선스 오버헤드 감소: &lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;Oracle 데이터베이스 성능 밀도 요구사항을 충족하면서 코어의 과도한 프로비저닝을 방지하여 주요 하이퍼스케일러의 유사 제품에 비해 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;TCO를 20% 이상 절감&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;인프라 규모 적정 조정:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 대규모 메모리 풀에 액세스하는 동시에 워크로드에 필요한 정확한 양의 컴퓨팅 성능을 할당할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;캐시 적중률 개선:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 코어당 사용 가능한 메모리가 늘어나면 데이터베이스의 더 많은 부분이 시스템 글로벌 영역(SGA)에 상주할 수 있어 비용이 많이 드는 I/O 작업을 줄이고 효율성을 더욱 높일 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;고객의 의견&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N을 조기에 도입한 결과, 워크로드에 최적화된 인프라가 혁신의 원동력임이 입증되었습니다&lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;.&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; &lt;/span&gt;&lt;/p&gt;
&lt;p style="padding-left: 40px;"&gt;&lt;span style="vertical-align: baseline;"&gt;&lt;em&gt;“M4N 도입 전에는 Google Cloud에서 까다로운 I/O 요구사항을 충족하고 필요한 성능 밀도를 확보하기 위해 컴퓨팅 리소스를 과도하게 프로비저닝해야 하는 경우가 많았습니다. 새로운 M4N 인스턴스는 소형부터 대형까지 다양한 사양에서 높은 처리량을 제공하여 이 문제를 해결합니다." &lt;/em&gt;- 셰리 트로잔, Sabre 수석 솔루션 설계자&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/sabre_jNZmgxf.max-1000x1000.jpg"
        
          alt="sabre"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p style="padding-left: 40px;"&gt;&lt;span style="vertical-align: baseline;"&gt;&lt;em&gt;"Google Cloud가 미션 크리티컬 데이터베이스 워크로드를 위한 차세대 고성능 인프라를 선보여서 매우 기쁩니다. 이 새로운 컴퓨팅 플랫폼은 확장성, 복원력, 고성능이 필요한 엔터프라이즈급 Oracle 배포에 있어 엄청난 잠재력을 보여줍니다. Google Cloud에서 Oracle 워크로드를 실행하는 고객에게 이 혁신이 어떤 의미를 가질지 기대가 큽니다.”&lt;/em&gt; - 발라 쿠치보틀라, Tessell 공동 설립자 겸 CEO&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/tessel.max-1000x1000.jpg"
        
          alt="tessel"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;p style="padding-left: 40px;"&gt;&lt;span style="vertical-align: baseline;"&gt;&lt;em&gt;"Google Cloud는 M4N을 통해 플랫폼 공동 설계의 한계를 계속해서 넓혀가고 있습니다. 5세대 인텔 제온 스케일러블 프로세서와 Google의 커스텀 Titanium 오프로드 아키텍처를 결합한 M4N은 세계에서 가장 까다로운 미션 크리티컬 데이터 환경에 필요한 압도적인 메모리 용량, 높은 메모리 대역폭, 타협 없는 I/O 처리량을 제공합니다." &lt;/em&gt;- 인텔&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;
&lt;div class="block-image_full_width"&gt;






  
    &lt;div class="article-module h-c-page"&gt;
      &lt;div class="h-c-grid"&gt;
  

    &lt;figure class="article-image--large
      
      
        h-c-grid__col
        h-c-grid__col--6 h-c-grid__col--offset-3
        
        
      "
      &gt;

      
      
        
        &lt;img
            src="https://storage.googleapis.com/gweb-cloudblog-publish/images/intel_iwN65co.max-1000x1000.jpg"
        
          alt="intel"&gt;
        
        &lt;/a&gt;
      
    &lt;/figure&gt;

  
      &lt;/div&gt;
    &lt;/div&gt;
  




&lt;/div&gt;
&lt;div class="block-paragraph_advanced"&gt;&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;새로운 소식: M4N으로 극한의 데이터 레이어 확장&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N은 클라우드 인프라에서 이전에는 별개로 여겨졌던 두 가지 패러다임인 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;대규모 메모리 사용량&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;과 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;극한의 I/O 성능&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;을 하나로 연결합니다. 커스텀 Titanium 오프로드로 설계된 M4N은 인프라 부가기능이나 메모리 밀도 저하 없이 I/O 병목 현상을 최소화합니다. M4N이 이러한 환경에 어떻게 적용되는지 살펴보겠습니다. &lt;/span&gt;&lt;/p&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;1. 고대역폭 데이터 전송 지원&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;대규모 메모리 사용량이 요구되는 워크로드의 경우 M4N은 다음과 같은 이점을 제공합니다. &lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;우수한 VM 간 대역폭:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 동일한 VPC 내에서 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;400Gbps의 집계 VM 간 네트워크 대역폭&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;과 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;50Gbps의 단일 흐름 대역폭&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;을 제공하여 분산 데이터베이스 클러스터와 실시간 스트리밍 데이터 레이어를 위한 비차단 데이터 교환을 지원합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;향상된 인터넷 및 이그레스 처리량:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;200Gbps의 인터넷 이그레스 대역폭&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;과 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;48MPPS&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;의 패킷 처리 성능을 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;즉시 사용 가능한 고대역폭:&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 프리미엄 Tier_1 네트워킹 부가기능을 구매하거나 구성할 필요 없이 최대 성능을 구현할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h4&gt;&lt;span style="vertical-align: baseline;"&gt;2. Hyperdisk를 통한 동적 스토리지 성능&lt;/span&gt;&lt;/h4&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;Google Cloud의 차세대 스토리지 포트폴리오와 결합된 Hyperdisk 기반 M4N을 사용하면 IOPS, 처리량, 용량을 독립적으로 조정할 수 있습니다.&lt;/span&gt;&lt;/p&gt;
&lt;ul&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Hyperdisk Extreme(HdX):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;25GiB/s의 집계 블록 스토리지 처리량과 1,000,000 IOPS&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;를 제공하며, 이는 표준 M4의 스토리지 성능보다 두 배 높은 수준입니다. 이는 신속한 데이터베이스 복구, 트랜잭션 체크포인트 설정, 즉각적인 인메모리 색인 새로고침에 적합합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;li aria-level="1" style="list-style-type: disc; vertical-align: baseline;"&gt;
&lt;p role="presentation"&gt;&lt;strong style="vertical-align: baseline;"&gt;Hyperdisk Balanced(HdB):&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt; 최대 &lt;/span&gt;&lt;strong style="vertical-align: baseline;"&gt;20GiB/s의 처리량과640,000 IOPS&lt;/strong&gt;&lt;span style="vertical-align: baseline;"&gt;까지 확장되어 대규모 환경에서 비용 효율적인 엔터프라이즈 스토리지를 제공합니다.&lt;/span&gt;&lt;/p&gt;
&lt;/li&gt;
&lt;/ul&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;M4N 머신 유형 및 사양&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N 인스턴스는 3가지 메모리 대 vCPU 비율 등급으로 제공되며, 16~224개의 vCPU와 최대 5,952GB의 DDR5 RAM까지 확장 가능합니다. 또한 M4N은 특정 워크로드 요구사항에 맞게 세 가지 메모리 대 vCPU 비율로 사전 정의된 VM 구성을 제공하며, 리소스 기반 약정 사용 할인(CUD)을 지원합니다.  자세한 내용은 &lt;/span&gt;&lt;a href="https://docs.cloud.google.com/compute/docs/memory-optimized-machines#m4n_machine_types"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;여기&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;에서 확인하세요.&lt;/span&gt;&lt;/p&gt;
&lt;h3&gt;&lt;strong style="vertical-align: baseline;"&gt;지금 시작하기&lt;/strong&gt;&lt;/h3&gt;
&lt;p&gt;&lt;span style="vertical-align: baseline;"&gt;M4N 인스턴스는 현재 전 세계 일부 리전에서 이용 가능합니다. M4N 제품군이 메모리 및 I/O 집약적 애플리케이션의 성능을 어떻게 향상시키고 라이선스 비용을 절감할 수 있는지 자세히 알아보려면 계정 담당자에게 문의하거나 관련 &lt;/span&gt;&lt;a href="https://cloud.google.com/compute/docs/memory-optimized-machines"&gt;&lt;span style="text-decoration: underline; vertical-align: baseline;"&gt;문서&lt;/span&gt;&lt;/a&gt;&lt;span style="vertical-align: baseline;"&gt;를 참조하세요.&lt;/span&gt;&lt;/p&gt;&lt;/div&gt;</description><pubDate>Mon, 28 Sep 2026 16:00:00 +0000</pubDate><guid>https://cloud.google.com/blog/ko/products/compute/compute-engine-m4n-vms/</guid><category>Databases</category><category>Compute</category><media:content height="540" url="https://storage.googleapis.com/gweb-cloudblog-publish/images/m4n.max-600x600.jpg" width="540"></media:content><og xmlns:og="http://ogp.me/ns#"><type>article</type><title>M4N VM 제품군 정식 버전 출시: I/O 및 메모리 집약적 워크로드를 위한 코어당 최고 수준의 IOPS 및 처리량 제공</title><description></description><image>https://storage.googleapis.com/gweb-cloudblog-publish/images/m4n.max-600x600.jpg</image><site_name>Google</site_name><url>https://cloud.google.com/blog/ko/products/compute/compute-engine-m4n-vms/</url></og><author xmlns:author="http://www.w3.org/2005/Atom"><name>Eduardo Mattos Duarte</name><title>Senior Product Manager</title><department></department><company></company></author><author xmlns:author="http://www.w3.org/2005/Atom"><name>Sajal Agarwal</name><title>Senior Product Manager</title><department></department><company></company></author></item></channel></rss>