top of page

Google, BigQuery 에이전트 관측성 확대

13분 전
10분 분량

Google은 11월 13일 BigQuery 에이전트 관측성을 확대하며, 대화 캡처에 신중한 제한을 유지한 채 프로덕션 모니터링을 엔터프라이즈 데이터에 더 가깝게 가져왔다. 이번 발표는 Google의 데이터 에이전트, Looker의 대화형 인터페이스, 계측된 맞춤형 에이전트를 포괄한다. 핵심적인 상충 관계는 실용적이다. 더 심층적인 조사는 관리해야 할 정보를 늘리는 반면, 개인정보 보호 장치는 조사자에게 불완전한 기록만 남길 수 있다.

데이터 및 플랫폼 팀에게 이는 프로덕션에 관한 논의를 바꾼다. 이제 비즈니스 질문에 답하는 에이전트에는 장애, 소비량, 누락된 증거를 설명할 수 있는 운영 책임자가 필요하다. 작동하는 채팅 인터페이스만으로는 기반 서비스가 더 폭넓게 사용할 준비가 됐다는 점을 입증할 수 없다.

Amazon의 AgentCore는 이미 프로덕션 에이전트 모니터링을 위한 또 다른 기준점을 제공한다. Google의 접근 방식은 에이전트 기록을 분석용 데이터 웨어하우스인 BigQuery로 가져오는 데 중점을 둔다. 중요한 선택은 조직이 어느 정도의 진단 세부 정보를 수집해야 하는지, 그리고 누가 이를 검토할 수 있어야 하는지다.

BigQuery 에이전트 관측성이 데이터 스택 전반으로 확대

Google의 에이전트 관측성 프레임워크는 데이터 제품 전반의 모니터링, 대화 기록, 평가를 연결한다. 관측성이란 운영자가 시스템 동작을 이해하도록 돕는 증거를 수집하는 것을 뜻한다. 여기서 회사는 이미 엔터프라이즈 데이터 팀이 분석하는 데이터와 함께 그러한 증거를 제공하려 한다.

Google에 따르면 관리형 대화 로깅, BigQuery 모니터링 대시보드, Looker System Activity 대시보드는 일반 제공 상태다. Looker의 응답 및 피드백 검토 기능은 미리보기 상태로 남아 있다. 네이티브 퍼스트파티 에이전트 평가 또한 미리보기 상태여서, 프로덕션 모니터링 발표와 아직 제품 개발 중인 기능을 구분한다.

이번 확대는 팀에 더 연결된 운영 관점을 제공하지만, 기능 제공 상태는 스택 전반에서 여전히 다르다.

이 구분은 기업이 이번 출시를 해석하는 방식에 영향을 준다. 일반 제공되는 대시보드는 확립된 운영 프로세스를 지원할 수 있다. 미리보기 검토 기능은 그 성숙도가 조직의 요구에 부합하는지를 별도로 판단해야 한다. 두 가지를 모두 동등하게 확정된 것으로 취급하면 발표의 중요한 부분을 가리게 된다.

더 넓은 변화는 책임이 어디에 놓이는지에 관한 것이다. 에이전트가 비즈니스 보고의 일부가 되면 그 동작은 개발 팀을 넘어 중요해진다. 데이터 소유자는 어떤 정보가 답변을 뒷받침하는지 이해해야 한다. 운영 팀은 지연을 조사해야 한다. 비즈니스 책임자는 직원들이 유용한 결과를 받는다는 증거를 필요로 한다.

이러한 질문을 분석 환경에 더 가깝게 배치하면 공동 검토의 기회가 생긴다. 동시에 데이터 플랫폼은 또 다른 범주의 민감한 운영 정보를 책임지게 된다. 대화 기록은 부수적인 디버깅 출력이 아니라 비즈니스 기록으로서 주의를 기울일 가치가 있다.

예를 들어, 한 가상의 영업 분석가가 지역별 전망이 변경된 이유를 묻는 상황을 생각해 보자. 에이전트가 비즈니스 정의를 오해했더라도 최종 응답은 그럴듯해 보일 수 있다. 조사에서는 답변 품질 문제를 데이터 접근 문제 또는 느린 기반 작업과 구분해야 한다.

이번 출시는 그러한 구분이 자동화된다는 점을 입증하지 않는다. 대신 관련 증거를 수집하고 검토할 수 있는 더 넓은 공간을 마련한다. 분석 작업은 여전히 이용 가능한 기록과 검토자가 적용하는 비즈니스 기대치에 달려 있다.

이것이 이번 발표가 단순히 또 하나의 대시보드 출시를 넘어 중요한 이유다. Google은 에이전트 운영을 데이터 플랫폼의 더 명시적인 관심사로 만들고 있다. 이 모델을 채택하는 기업은 운영 검토가 기존의 데이터 소유권, 접근 관리, 사고 처리에 어떻게 부합하는지 결정해야 한다.

직접적인 결과는 조직적이다. 팀은 더 이상 에이전트의 대화형 인터페이스를 제품 전체로 취급할 수 없다. 모니터링 경계, 검토 프로세스, 증거 보존은 직원들이 의존하는 서비스의 일부가 된다.

개인정보 보호 장치는 조사자가 볼 수 있는 내용을 바꾼다

Google은 집계된 운영 정보와 더 풍부한 대화 콘텐츠를 구분한다. 텔레메트리, 즉 시스템이 실행 중에 내보내는 측정값은 상호작용의 모든 세부 정보를 보존하지 않고도 활동을 보여줄 수 있다. 이러한 분리는 에이전트가 수행한 모든 일을 담은 보편적 기록이 아니라 서로 다른 수준의 가시성을 만든다.

대화 로깅 문서는 질문, 답변, 시간 정보, 모델 사용량을 담는 선택적 기록을 설명한다. 또한 기본 SQL, 데이터베이스 질의 언어, 세부적인 도구 호출은 일반적으로 표시되지 않는다고 명시한다. 단, SQL이 답변에 포함된 경우에는 여전히 나타날 수 있다.

턴을 기록하기 전에 서비스는 소스 보호 설정을 확인한다. 행 접근 제한, 열 정책 태그 또는 동적 마스킹은 로깅을 막을 수 있다. 확인 결과 로깅이 허용된다는 점을 입증할 수 없으면 기록을 건너뛴다. 로깅 실패가 발생해도 채팅은 계속 실행된다.

에이전트는 성공적으로 답변하면서도 이후 검토를 위한 불완전한 대화 이력을 남길 수 있다.

이 동작은 해석에 중요한 한계를 만든다. 누락된 기록만으로 상호작용이 없었다는 점을 입증할 수는 없다. 마찬가지로 부정행위나 제품 장애를 입증할 수도 없다. 조사자는 증거 부재로부터 결론을 내리기 전에 수집 정책을 이해해야 한다.

이 보호 조치는 프롬프트 자체에도 기밀 정보가 포함될 수 있기 때문에 중요하다. 사용자는 에이전트가 무엇이든 검색하기 전에 고객, 미공개 프로젝트 또는 내부 가정을 언급할 수 있다. 대화를 기록하면 해당 정보에 적절한 처리가 필요한 또 다른 위치가 생긴다.

실질적인 긴장은 유용한 진단과 정당화된 수집 사이에 있다. 개인정보 보호 검토자는 광범위한 대화 기록 보존에 합리적으로 반대할 수 있다. 엔지니어는 이의가 제기된 답변을 조사하기 위해 더 많은 맥락이 합리적으로 필요할 수 있다. 제품은 수집 경계를 제공하지만, 조직은 이러한 상충하는 요구를 어떻게 조화할지 결정해야 한다.

제한된 비즈니스 데이터에 연결된 가상의 재무 보조 도구를 생각해 보자. 사용자가 보고 주기 중 해당 도구의 답변에 이의를 제기한다. 개인정보 보호 장치가 대화 기록 캡처를 막았다면 지원 팀은 대화 기록만으로 완전한 재구성을 약속해서는 안 된다.

다른 대응 경로가 필요하다. 여기에는 사용자가 제공한 사례, 승인된 재현 또는 다른 승인된 증거를 활용한 조사가 포함될 수 있다. 적절한 선택은 관련 정보와 조직의 규정에 따라 달라진다.

관련된 또 다른 위험은 실제로 존재하는 기록에 누가 접근할 수 있는지다. 에이전트 유지 관리를 승인받은 사람이 반드시 모든 직원의 질문에 무제한으로 접근할 필요는 없다. 운영 책임과 대화 가시성은 신중하게 정렬되어야 한다.

바로 이 지점에서 거버넌스가 구체화된다. 어떤 증거를 수집하고, 얼마나 오래 유용하게 유지하며, 누가 어떤 목적으로 사용할 수 있는지를 결정하는 일이다. 접근 제어된 테이블은 그러한 결정을 위한 메커니즘을 제공한다. 하지만 결정을 자동으로 내려주지는 않는다.

따라서 Google의 개인정보 보호 설계를 가장 강하게 해석하더라도 그 범위는 제한적이다. 이는 기업이 서비스 연속성을 유지하면서 수집을 제한할 방법을 제공한다. 동시에 일부 사고는 재구성하기가 더 어려워진다는 점을 받아들여야 한다.

맞춤형 에이전트는 더 심층적인 추적과 별도의 책임을 수반한다

Google의 에이전트 분석 문서는 Google의 에이전트 프레임워크인 Agent Development Kit와 상태 기반 에이전트 워크플로를 위한 프레임워크인 LangGraph의 통합을 설명한다. 문서화된 LangGraph 통합은 미리보기로 지정되어 있다.

맞춤형 애플리케이션에는 활동을 캡처하고 분석을 위해 구조화된 이벤트를 전송하는 코드인 계측이 필요하다. Google은 프레임워크 통합과 직접 수집 경로를 문서화한다. 또한 로깅 통합과 결과 기록을 읽고 평가하는 분석 소프트웨어를 구분한다.

이러한 기록에는 요청, 응답, 도구 호출, 오류가 포함될 수 있다. 실행 단계가 연결된 기록인 추적은 워크플로가 방향을 바꾼 지점을 드러낼 수 있다. 이러한 더 심층적인 증거는 관리형 대화 로깅을 통해 캡처되는 더 제한적인 콘텐츠와 다르다.

같은 대상 위치를 공유한다고 해서 관리형 에이전트 기록과 맞춤형 에이전트 추적이 동일한 수준으로 상세하거나 동일한 수준으로 안전하게 수집되는 것은 아니다.

이 차이는 기업이 “통합 가시성”이라는 말을 들을 때 중요하다. 공통 분석 환경은 기록을 함께 검토하기 쉽게 만들 수 있다. 그러나 모든 에이전트가 동등한 증거를 내보낸다는 뜻은 아니다. 또한 모든 구현이 동일한 개인정보 보호 정책을 따른다는 점도 입증하지 않는다.

맞춤형 워크플로는 데이터베이스를 조회하기 전에 내부 검색 서비스를 호출할 수 있다. 도구 인수에는 고객 식별자 또는 기밀 검색어가 포함될 수 있다. 이러한 인수를 캡처하면 워크플로를 설명하는 데 도움이 되지만, 동시에 모니터링 시스템에 보관되는 정보도 늘어난다.

따라서 계측은 데이터 처리 결정이 된다. 엔지니어링 팀은 캡처되는 각 필드의 내용을 이해해야 한다. 보안 및 개인정보 보호 검토자는 해당 필드가 대상 위치에 포함돼야 하는지 판단할 충분한 맥락이 필요하다.

개발자 관점은 분명하다. 불완전한 추적은 장애를 진단하기 어렵게 만든다. 워크플로가 잘못된 답변을 생성하는 경우, 어떤 도구가 예상치 못한 결과를 반환했는지 알면 조사의 범위를 좁힐 수 있다. 따라서 더 풍부한 기록은 어디서 시작해야 할지에 관한 불확실성을 줄일 수 있다.

거버넌스 관점도 똑같이 타당하다. 더 완전한 실행 기록은 원래 애플리케이션 경계 밖에서 민감한 정보를 재현할 수 있다. 조직은 이를 검토할 수 있는 사람과 서비스를 포함해 해당 복사본을 고려해야 한다.

어느 관점도 최대한의 수집이 올바른 기본값이라는 점을 입증하지는 않는다. 유용한 세부 정보 수준은 워크플로, 민감도, 운영자가 답해야 하는 질문에 따라 달라진다. 공개 정보 보조 도구와 내부 인사 보조 도구는 서로 다른 수집 문제를 제시한다.

이는 에이전트 간 비교에도 영향을 준다. 상세한 도구 기록을 가진 맞춤형 애플리케이션은 의도적으로 로깅이 제한된 관리형 에이전트보다 조사하기 쉬워 보일 수 있다. 이 차이는 애플리케이션 동작뿐 아니라 수집 설계도 반영한다.

따라서 검토자는 겉으로 드러나는 가시성을 전체 구현의 속성으로 다뤄야 한다. 여기에는 애플리케이션, 계측, 대상 위치 권한, 분석 프로세스가 포함된다. 어느 하나의 대시보드도 이러한 요소를 이해하는 일을 대신할 수 없다.

여러 에이전트 프레임워크를 운영하는 조직에게 이번 발표는 운영 분석을 더 가깝게 통합할 방법을 제공한다. 남은 과제는 내용과 수집 규칙이 서로 다른 기록 전반에서 어떤 결론이 여전히 유효한지 정립하는 것이다.

소비량 대시보드는 지출 통제를 대체하지 않는다

BigQuery 에이전트 관측성은 리소스 소비를 운영 논의의 일부로 만든다. 토큰은 모델이 텍스트를 읽고 생성할 때 처리하는 단위로, 사용량의 한 원천을 나타낸다. 에이전트가 질문에 답하기 위해 쿼리를 실행할 때 데이터베이스 작업은 별도의 고려 사항을 만든다.

Google의 에이전트 비용 제어에는 개별 쿼리가 스캔할 수 있는 바이트 수 제한이 포함됩니다. 에이전트는 실행 전에 쿼리의 스캔량을 추정하고, 구성된 한도를 초과하는 작업은 거부합니다. 문서화된 제어 기능은 온디맨드 과금에 적용되며, 예약 기반 워크로드에는 제한 사항이 있습니다.

같은 문서에서는 프로젝트 및 사용자 할당량도 설명합니다. 적절한 경우 비용이 많이 드는 에이전트를 전용 프로젝트로 분리할 것을 권장합니다. 또한 이러한 BigQuery 쿼리 할당량은 개별 에이전트별 할당량을 제공하지 않는다고 명시합니다. 이는 더 광범위한 토큰 제어 발표와 구별되는 중요한 차이입니다.

사용량 차트는 소비량을 설명하지만, 강제되는 경계는 추가 작업의 진행 허용 여부를 결정합니다.

이 차이는 재무 및 플랫폼 팀이 모니터링에서 기대해야 할 사항을 바꿉니다. 대시보드는 애플리케이션 운영 비용이 더 커졌다는 점을 보여줄 수 있습니다. 그러나 이미 소비된 리소스를 되돌릴 수 없으며, 그 소비가 가치 있는 결과를 냈는지도 판단할 수 없습니다.

따라서 유용한 비용 논의에는 결과가 필요합니다. 어려운 비즈니스 질문을 해결하는 답변은 단순 조회보다 더 많은 작업을 정당화할 수 있습니다. 반대로 짧은 응답도 불필요한 데이터베이스 활동에 의존할 수 있습니다. 응답 길이만으로는 판단할 근거가 거의 없습니다.

가상의 분석가 워크플로를 보면 과제가 더 분명해집니다. 한 직원이 여러 사업 기간에 걸친 비교를 요청합니다. 에이전트는 지나치게 광범위한 쿼리를 선택한 뒤 후속 질문 이후 답변을 수정합니다. 검토자는 추가 작업이 결과를 개선했는지 이해해야 합니다.

지출 한도는 과도하게 큰 쿼리를 막을 수 있지만, 차단된 요청은 또 다른 운영상의 질문을 제기합니다. 사용자는 복구를 지원하는 설명을 받는가? 아니면 어시스턴트가 환경에서 거부할 작업을 반복 시도하는가?

이번 릴리스는 팀이 이러한 동작을 함께 평가하도록 이끌어야 합니다. 정당한 작업을 정기적으로 실패하는 제약된 에이전트가 자동으로 잘 운영되는 것은 아닙니다. 불필요한 리소스를 소비하면서도 성공적으로 답변하는 에이전트는 또 다른 문제를 제시합니다.

예산 책임에도 명시적인 주체가 필요합니다. 여러 그룹이 같은 애플리케이션을 사용한다면 플랫폼 팀은 어떤 워크플로가 가치를 만드는지 파악하지 못한 채 총소비량만 볼 수 있습니다. 비즈니스 소유자도 측정값 해석에 참여해야 합니다.

이는 더 명확한 애플리케이션 경계와 더 의미 있는 검토에 대한 압력으로 이어집니다. 조직은 누가 변경을 승인할 수 있는지, 누가 예상치 못한 사용량을 조사하는지, 누가 더 엄격한 제한의 영향을 수용하는지 알아야 합니다.

미해결 과제는 실제 조건에서의 경제적 성과입니다. Google은 가시성과 제어를 위한 메커니즘을 제공하지만, 이번 발표가 운영 비용의 보편적 감소를 입증하지는 않습니다. 주장되는 모든 개선은 답변 품질과 실패 동작을 포함해 해당 워크로드의 증거로 뒷받침되어야 합니다.

Looker는 도입 신호를 더 느린 검토 주기와 연결합니다

Looker 에이전트 모니터링은 대화형 비즈니스 분석을 사용하는 사람들에 더 가까이 다가가게 합니다. Conversational Analytics 대시보드는 참여도와 토큰 사용량을 구성합니다. 문서에 따르면 대시보드는 24시간마다 새로고침됩니다.

응답 및 피드백 정보는 관련 미리보기 기능을 활성화해야 사용할 수 있습니다. 데이터 수집은 해당 기능이 활성화될 때 시작됩니다. 이러한 세부 사항은 관리자가 어떤 과거 비교를 할 수 있는지, 인터페이스가 변화하는 활동을 얼마나 빨리 반영하는지에 영향을 줍니다.

Looker의 사용량 보기는 도입 검토를 지원할 수 있지만, 즉각적인 사고 감지나 답변 품질의 증거로 오인해서는 안 됩니다.

이로 인해 인터페이스별 역할도 달라집니다. 사용 추세를 검토하는 비즈니스 소유자에게는 직원이 어시스턴트로 돌아오는지 보여주는 보기가 필요합니다. 현재 장애를 조사하는 운영자에게는 해당 사고에 적합한 증거가 필요합니다. 이러한 요구를 상호 대체 가능한 것으로 취급하면 대응이 지연되거나 불완전해질 수 있습니다.

경쟁 환경은 이 구별을 더욱 강조합니다. Amazon은 추적, 운영 지표 및 감사 로깅을 중심으로 AgentCore observability를 문서화합니다. 대시보드는 AWS의 모니터링 서비스인 CloudWatch를 사용하며, 텔레메트리는 공동 계측 표준인 OpenTelemetry를 지원합니다.

이 비교는 어느 공급업체가 더 뛰어나다는 증거가 아니라, 대안적인 운영 환경을 보여줍니다. Google의 발표는 Amazon의 접근 방식보다 조사 시간이 짧거나 답변 정확도가 높다는 점을 입증하지 않습니다. 관련 선택은 부분적으로 팀이 이미 어디에서 프로덕션 시스템을 관리하는지에 달려 있습니다.

기존 Looker 사용자에게 매력적인 점은 이미 확립된 분석 업무와의 근접성입니다. 관리자는 보고서 사용량과 같은 조직적 맥락에서 어시스턴트 도입을 논의할 수 있습니다. 참여자가 측정값의 의미를 이해한다면 비즈니스 검토를 더 쉽게 조율할 수 있습니다.

참여도만으로는 여전히 해석이 모호합니다. 반복 질문은 유용한 탐색을 의미할 수 있습니다. 반대로 혼란이나 만족스럽지 못한 답변을 나타낼 수도 있습니다. 대화 수의 증가는 누군가 이를 생산성 향상으로 규정하기 전에 해석이 필요합니다.

토큰 소비에도 비슷한 한계가 있습니다. 변화는 서로 다른 질문, 더 긴 응답 또는 변경된 애플리케이션 동작을 반영할 수 있습니다. 맥락이 없으면 이 지표는 가치를 설명하는 것보다 활동을 더 신뢰성 있게 설명합니다.

이 때문에 비즈니스 정의는 운영 기록과 함께 주목받을 가치가 있습니다. 답변은 오류 없이 실행될 수 있지만 매출, 유지율 또는 다른 회사 지표를 잘못 이해하고 있을 수 있습니다. 인프라 상태만으로는 그 이견을 해결할 수 없습니다.

이러한 정의를 문서화하는 팀에게 검색 가능한 지식 기반은 검토자가 필요한 맥락을 보존할 수 있습니다. 이 지식은 프로덕션 기록을 보완합니다. 상호작용 중 실제로 무슨 일이 있었는지 입증하는 것이 아니라 기대치를 설명하기 때문입니다.

조직적 결과는 더 폭넓은 검토 그룹입니다. 개발자는 실행 방식을 이해합니다. 데이터 전문가는 비즈니스 의미를 이해합니다. 애플리케이션 소유자는 사용자 기대를 이해합니다. Looker의 가시성은 이러한 관점이 대시보드에 대한 별도의 해석을 만들어 내는 대신 동일한 의사결정에 반영될 때 가장 유용해집니다.

범위, 제어 동작 및 평가 성숙도를 지켜보십시오

BigQuery 에이전트 관측 가능성의 다음 단계는 엔터프라이즈 준비 상태에 관한 광범위한 주장보다 구체적인 증거를 통해 면밀히 검토할 가치가 있습니다. Google은 더 연결된 운영 모델을 설명했습니다. 이제 그 유용성은 팀이 범위를 얼마나 명확히 이해하고, 경계를 얼마나 효과적으로 강제하며, 변화를 어떻게 평가할 수 있는지에 달려 있습니다.

가장 강력한 증거는 기록된 활동을 신뢰할 수 있는 운영 의사결정과 연결하며, 여기에는 기록이 불완전할 때 내려지는 의사결정도 포함됩니다.

첫 번째 신호는 로깅 범위에 관한 더 나은 증거입니다. 앞으로 몇 달 동안 팀이 예상된 수집 공백과 예상치 못한 실패를 어떻게 구분하는지 보여주는 문서와 운영 사례를 지켜보십시오. 안심이 되는 대시보드도 그것이 무엇을 나타내는지에 대한 불확실성을 감출 수 있기 때문에 중요합니다.

설득력 있는 사례라면 어떤 상호작용이 기록 대상인지, 검토자가 기록되지 않은 상호작용을 어떻게 고려하는지 설명할 것입니다. 또한 예상된 기록이 도착하지 않을 때 조직이 어떻게 대응하는지도 보여줄 것입니다. 명확한 범위 증거는 일상적인 검토에 데이터를 사용하는 근거를 강화할 것입니다.

지속되는 모호성은 그 근거를 약화시킬 것입니다. 팀이 기록이 누락된 이유를 설명할 수 없다면, 이용 가능한 대화에서 도출한 추세를 신뢰성 있게 해석할 수 없습니다. 더 많은 데이터가 측정 대상 집단에 관한 불확실성을 해소하지는 못할 것입니다.

두 번째 신호는 정당한 작업 중 지출 제어의 동작입니다. 차단된 쿼리, 복구 경로, 리소스 제한과 성공적인 작업 완료 간 관계에 관한 실질적인 사례를 지켜보십시오. 이러한 사례는 소비량 차트를 단독으로 보는 것보다 더 중요합니다.

직원이 차단된 요청에서 복구할 수 있다는 증거는 운영상의 주장을 강화할 것입니다. 반복적인 거부, 설명되지 않은 실패 또는 전가된 소비의 증거는 구현의 한계를 드러낼 것입니다. 어느 결과든 최종 답변의 유용성과 함께 평가되어야 합니다.

세 번째 신호는 평가 성숙도입니다. 평가는 단순히 시스템이 실행되었다는 사실을 관찰하는 것이 아니라, 정의된 기대치에 맞춰 동작을 테스트하는 것을 의미합니다. 미리보기 기능의 발전과 출시 전 테스트를 프로덕션 결과와 연결하는 증거를 지켜보십시오.

유용한 사례라면 팀이 사용자를 노출하기 전에 변경 후 발생한 의도치 않은 저하인 회귀를 어떻게 포착했는지 보여줄 것입니다. 예상된 동작과 테스트가 식별한 실패를 설명해야 합니다. 이는 테스트와 모니터링의 관계를 더 구체적으로 만들 것입니다.

더 약한 사례는 작업이나 사용자 관련성을 설명하지 않은 채 긍정적인 점수만 보고할 것입니다. 집계 점수는 비즈니스 의미에 대한 이견을 해결할 수 없습니다. 또한 테스트가 비용이 큰 프로덕션 장애를 일으키는 상황을 포괄한다는 점도 입증할 수 없습니다.

이러한 신호는 발표를 적절한 비중으로 유지합니다. Google은 데이터 에이전트 운영에 사용할 수 있는 도구를 확대했습니다. 이번 릴리스가 어떤 기록이 충분한지, 어떤 제한이 수용 가능한지, 어떤 답변을 신뢰할 만한지 결정하는 데 필요한 판단을 없애지는 않습니다.

에이전트의 대상 사용자를 확대하기 전에, 소유자에게 실패한 답변, 누락된 기록 및 차단된 요청을 설명하도록 요청하십시오. 각 사례는 이용 가능한 증거와 그 한계, 그리고 다음 조치를 책임질 사람을 식별해야 합니다. 향후 사고를 해석하는 데 필요한 비즈니스 정의와 운영 의사결정을 보존하십시오. 이 검토를 통해 서비스가 직원에게 실제로 필요한 업무를 지원할 수 있는지 판단하십시오. Google 에이전트 평가와 Looker 에이전트 모니터링은 이러한 의사결정에 정보를 제공할 수 있지만, 책임은 애플리케이션을 운영하는 조직에 남아 있습니다. 실질적인 질문은 대시보드에 전체 이야기가 담겨 있지 않을 때 귀사 팀이 방어 가능한 의사결정을 내릴 수 있는가입니다.

 
 

무료로 시작하세요

개인 지식 관리 기능을 갖춘 로컬 우선 AI 어시스턴트

더 나은 AI 경험을 위해

현재 remio는 Windows 10+ (x64) 및 M-Chip Macs만 지원합니다.

업무를 위한 AI 파트너
remio와 더 많은 일을 해내세요

계획하고, 만들고, 완성하세요
모든 일을 한곳에서

bottom of page