대규모 언어모델(LLM) 기반 에이전트가 데이터 분석, 탐색, 검색 등 다양한 데이터 관련 작업에 활용되면서 그 중요성이 커지고 있습니다. 하지만 이들 에이전트의 성능은 데이터의 의미(semantics)가 얼마나 명확하고 완전한지에 따라 크게 달라지는 문제가 있습니다. 실제 기업 환경의 데이터베이스(DB)에서는 사용자 정의 필드처럼 핵심적인 맥락이 사용자 도메인 지식에만 의존하고 문서화되지 않아, 필드 설명이 모호하거나 불완전한 경우가 많습니다.
이러한 정보 격차는 LLM 에이전트가 개체 연결(entity-linking)과 같은 후속 작업을 수행할 때 성능 저하로 이어집니다. 이를 해결하기 위해 제안된 ISEE(Interactive Semantic Enrichment) 시스템은 주어진 데이터 필드 설명의 품질을 자체 점수 시스템으로 평가하고, 관련 도메인 지식을 수집하며, 사용자와 협력하여 의미를 보강하는 포괄적인 접근 방식을 취합니다. ISEE는 사용자가 직접 참여하여 데이터 필드의 숨겨진 의미를 명확히 하고, 이를 LLM 에이전트가 활용할 수 있도록 돕습니다.
사용자 연구, 자동화된 사용자 시뮬레이션, 정량적 평가 및 사례 연구를 통해 ISEE는 사용자의 인지 부하를 크게 줄이고, 필드 설명의 품질을 향상시키며, 결과적으로 LLM 에이전트의 후속 작업 성능을 향상시키는 것으로 나타났습니다. 이는 단순히 데이터를 정제하는 것을 넘어, 데이터에 담긴 인간의 지식과 맥락을 LLM이 이해할 수 있는 형태로 전환하는 중요한 단계입니다. ISEE와 같은 시스템은 LLM이 실제 비즈니스 환경에서 더욱 강력하고 신뢰할 수 있는 데이터 처리 도구로 자리매김하는 데 기여할 것으로 기대됩니다.