데이터 리니지: 엔터프라이즈 데이터 관리 필수 가이드

데이터가 여러 팀과 시스템에서 재사용될 때, 데이터의 컨텍스트는 조직이 예상하는 것보다 빠르게 희미해지곤 합니다. 데이터 리니지는 팀이 소스부터 사용 지점까지 데이터 흐름을 추적할 수 있게 하며, 데이터 해석 방식에 영향을 주는 변환, 종속성, 다운스트림 자산까지 함께 파악하도록 지원합니다. 

데이터 리니지는 조직이 ‘업스트림에서 데이터가 변경되면 그와 함께 변경되는 다른 요소는 무엇인가?’와 같은 실용적인 질문에 답할 수 있도록 돕습니다. 매출 테이블 하나가 대시보드부터 모델, 운영 워크플로, 경영진 보고에 동시에 사용될 수 있습니다. 소스 필드나 변환이 변경되는 경우, 데이터 불일치가 더 확산되기 전에 팀은 시스템 전반의 영향을 추적할 방법이 필요합니다.

엔터프라이즈 환경에서 데이터가 한 곳에 머무르거나 한 형태를 오랫동안 유지하는 경우는 드뭅니다. 하나의 데이터 세트도 서로 다른 가정과 맥락을 가진 여러 팀을 거치며 복사, 조인, 필터링, 보강, 마스킹, 집계, 재게시될 수 있습니다. 리니지가 없다면, 팀은 그 이력을 수동으로 재구성해야 합니다. 리니지가 있으면 경로를 확인하고, 자산이 현재의 형태가 된 과정을 이해하며, 해당 자산을 안전하고 적절하게 사용할 수 있는지 더 나은 판단을 내릴 수 있습니다.

데이터 리니지(Data Lineage, 혹은 데이터 계보)란 시간이 지나면서 데이터가 시스템을 이동하는 여정을 기록한 것으로, 데이터의 출처와 변환 방식뿐 아니라 데이터가 어떤 자산에 공급되고, 현재 어떤 다운스트림 보고서, 애플리케이션 또는 시스템이 해당 데이터에 의존하고 있는지를 포착합니다. 리니지는 플랫폼에 따라 테이블, 뷰, 파이프라인 또는 컬럼 수준으로 제공될 수 있으며, 중첩 데이터나 반정형 데이터를 처리하는 플랫폼에서는 해당 구조 내의 필드 단위까지 제공되기도 합니다.

유용한 리니지 뷰는 팀이 즉각적으로 대응할 수 있는 관계를 보여주며, 여기에는 변환 로직, 종속성 경로, 소유권, 사용 컨텍스트, 그리고 많은 경우 데이터 이동 시 데이터에 적용된 정책이나 분류도 포함됩니다. 스튜어드가 민감한 필드가 분석 환경에 도달하기 전에 마스킹되었는지 확인해야 하거나, 엔지니어가 스키마 변경 시 어떤 대시보드가 영향을 받을지 파악해야 할 때, 리니지는 수작업 조사 없이도 이러한 질문에 답할 수 있어야 합니다.

이 때문에 데이터 리니지는 단순히 설명서를 만드는 작업이 아니라 현대적인 데이터 거버넌스의 핵심 요소로 간주되는 경우가 많습니다. 데이터 리니지는 데이터가 어떻게 생성되고 소비되는지 검증할 수 있는 방법을 제공하여, 팀이 대규모 데이터 자산 환경 전반에 걸쳐 더 쉽게 신뢰도를 평가하고, 문제를 조사하며, 변경 사항을 관리할 수 있게 합니다.

데이터 모델링 및 데이터 리니지

데이터 모델링과 데이터 리니지는 밀접하게 관련되어 있지만 목적이 서로 다릅니다. 데이터 모델은 데이터가 어떻게 구조화되어 있는지, 그리고 시스템이나 도메인 내에서 개체들이 서로 어떻게 관련되어 있는지를 정의합니다. 데이터 리니지는 그 데이터가 시간이 지남에 따라 시스템 전반에서 어떻게 이동하고 변경되며 사용되는지를 보여줍니다. 실제로 이 둘은 함께 사용할 때 가장 유용합니다. 팀은 데이터 모델을 통해 데이터 세트가 무엇을 나타내야 하는지 이해할 수 있고, 리니지를 통해 실제 워크플로에서 그 데이터가 어떻게 생성, 변환, 소비되었는지 검증할 수 있습니다.

이러한 구분은 구조만으로는 운영상의 현실을 설명할 수 없는 엔터프라이즈 환경에서 중요합니다. 잘 설계된 모델은 개체 간의 의도된 관계를 정의할 수 있지만, 리니지는 다운스트림의 테이블, 보고서 및 애플리케이션이 실제로 그 구조를 일관되게 사용하고 있는지를 보여줍니다. 데이터 모델링과 리니지를 함께 사용하면 거버넌스, 영향 분석 및 신뢰할 수 있는 데이터 사용을 위한 강력한 컨텍스트를 확보할 수 있습니다.

데이터 리니지는 팀이 결과를 설명하고, 변경의 영향을 평가하거나, 데이터 세트가 적절하게 사용되고 있는지 검증해야 하는 순간부터 가치를 발휘합니다. 안정적이고 덜 복잡한 환경에서 팀원들은람 이러한 컨텍스트를 모두 기억하기도 합니다. 하지만 데이터가 수많은 파이프라인, 도구 및 팀을 거쳐가는 엔터프라이즈 환경에서 이는 금세 한계에 부딪힙니다.

영향 분석 지원

가장 명확한 이점 중 하나는 영향 분석입니다. 소스 테이블이 변경될 때, 리니지는 팀이 변경 사항을 적용하기 전에 어떤 보고서, 모델, 특성 또는 다운스트림 작업이 해당 테이블을 기반으로 하고 있는지 파악하는 데 도움이 됩니다. 이는 피할 수 있는 가동 중단을 줄이고, 제안된 변경과 안전한 배포 사이의 주기를 단축합니다.

문제 해결 가속화

리니지는 문제 해결 속도도 높여줍니다. 대시보드의 지표가 잘못된 것처럼 보일 때, 팀은 발생 가능한 모든 장애 지점을 일일이 확인하지 않아도 됩니다. 그 대신 변환 단계, 중간 테이블, 소스 시스템을 거쳐 해당 자산을 역추적할 수 있습니다. 이 경로는 엔지니어가 오류가 발생한 변경을 찾아내는데 도움을 줄 뿐 아니라 데이터 스튜어드가 정의가 변경된 지점이나 품질 규칙이 누락된 지점을 식별하는 데도 유용합니다.

신뢰도 증가

신뢰도 측면에서 이점도 있습니다. 분석가, 데이터 과학자, 비즈니스 이해관계자는 데이터 세트의 출처를 확인하고, 어떤 과정을 거쳐 만들어졌는지 이해하며, 적절히 거버넌스되고 있는지 볼 수 있을 때 더 확신을 갖고 이를 활용합니다. 기업이 셀프 서비스 분석과 AI 시스템을 확장할 수록 신뢰도는 더욱 중요해집니다. 자신이 직접 생성하지 않은 데이터 자산을 기반으로 의사결정을 내리는 구성원이 점차 늘어나기 때문입니다.

데이터 리니지는 일반적으로 데이터가 저장, 변환 및 소비되는 시스템 전반에서 수집된 메타데이터를 기반으로 구축됩니다. 여기에는 데이터베이스, 데이터 웨어하우스, 데이터 레이크, 오케스트레이션 도구, 통합 플랫폼, 비즈니스 인텔리전스 도구, 노트북, 카탈로그, 거버넌스 시스템이 포함될 수 있습니다. 핵심 목표는 데이터의 경로를 재구성할 수 있을 만큼 충분한 기술적 세부 사항을 수집하고, 이를 각 팀이 점검하고 사용할 수 있는 방식으로 그 경로를 보여주는 것입니다.

일부 리니지는 쿼리 구문 분석, 변환 로직 또는 파이프라인 정의에서 파생됩니다. 일부는 네이티브 통합, API 또는 메타데이터 리포지토리의 자동 스캔을 통해 캡처됩니다. 성숙도가 높은 환경에서는 스키마, 작업 및 종속성이 변경됨에 따라 리니지가 지속적으로 업데이트되는데, 이는 환경이 진화하더라도 그래프가 오래되지 않도록 방지하는 데 도움이 됩니다.

중요한 점은 단순히 연결이 존재하기만 하는 것이 아니라, 실제 의사 결정을 지원할 수 있을 만큼 최신 상태를 유지하는가입니다. 팀이 오늘 아침의 파이프라인 장애를 파악하거나 스키마 업데이트의 영향 범위를 평가하려고 할 때, 지난 분기의 아키텍처를 반영하고 있는 리니지 맵은 별로 도움이 되지 않습니다.

데이터 리니지는 메타데이터에 의존하지만, 메타데이터 관리와 같은 개념은 아닙니다. 메타데이터가 자산 그 자체를 설명한다면, 데이터 리니지는 시간이 지남에 따라 그 자산이 다른 자산들과 어떻게 관련되는지를 보여줍니다.

• 기술 메타데이터는 스키마 정의, 변환 로직, 작업 이력, 시스템 종속성, 액세스 패턴을 포착할 수 있습니다. 예를 들어 한 테이블이 변환 작업을 통해 다른 테이블에 데이터를 제공한다는 사실을 보여줄 수 있습니다.
• 비즈니스 메타데이터는 소유자, 스튜어드, 용어집 정의, 자격 인증 상태, 태그, 민감도 분류, 사용 지침, 정책 컨텍스트라는 또 다른 계층을 더합니다. 이 메타데이터는 해당 다운스트림 자산이 인증되었는지, 어느 팀이 그 자산을 소유하는지, 지표가 무엇을 의미하는지, 데이터가 민감한지, 얼마나 자주 새로 고침되는지를 설명할 수 있습니다.

이러한 신호가 최신 데이터 카탈로그 구현에서 결합되면, 리니지 경로는 그 데이터 이동이 허용 가능한지, 거버넌스가 적용되는지, 데이터의 의도된 사용 방식과 부합하는지를 해석하는 기준이 됩니다. 이와 같이 기술적 리니지에 소유권, 분류, 정책 컨텍스트가 주석처럼 추가된 풍부한 구조는 카탈로그로 보강된 데이터 계보가 제공하는 가치를 반영합니다. 기술적 리니지 자체는 경로를 보여줄 뿐이지만, 카탈로그 계층은 거버넌스 관점에서 그 경로를 해석 가능하게 만듭니다.

바로 리니지가 거버넌스 팀에게 특히 중요한 이유입니다. 정책은 고립된 상태에서 작동하지 않습니다. 컬럼에 규제 대상 태그가 지정되어 있다면, 해당 컬럼이 어디로 흐르는지, 어떻게 변환되는지, 어떤 파생 자산에 여전히 리스크가 남아 있는지, 통제가 다운스트림에서도 계속 적용되는지 알아야 합니다. 리니지는 이러한 경로를 제공하여 스튜어드가 노출을 추적하고, 통제를 검증하며, 더욱 확신을 가지고 정책 예외 사항을 검토할 수 있도록 돕습니다.

동일한 원칙이 정의와 스튜어드십에도 적용됩니다. 지표 정의가 용어집에서 확정된 것처럼 보일지라도, 만약 팀에서 병렬 변환이나 일관성 없는 다운스트림 로직을 생성했다면, 실제 운영 상황은 문서화된 내용과 달라졌을 수 있습니다. 리니지는 팀이 데이터 자산의 문서화된 의미와 해당 자산이 프로덕션 시스템을 통과하는 실제 경로를 비교할 수 있도록 돕습니다.

자동화된 메타데이터 수집

최신 데이터 자산 환경에서는 테이블이 업데이트되고, 파이프라인이 수정되며, 스키마가 진화하고, 종속성이 수시로 바뀌기 때문에 수동 문서화로는 오랫동안 최신 상태를 유지하기가 어렵습니다. 자동화된 메타데이터 수집은 환경이 더욱 분산되고 변화가 많아지더라도 데이터 리니지가 유용성을 유지할 수 있게 해줍니다.

자동화된 수집은 데이터 소스를 지속적으로 스캔하거나 모니터링하여 메타데이터를 캡처하는 크롤러, 커넥터 또는 이벤트 기반 리스너를 통해 작동합니다.

메타데이터가 지속적으로 수집되면 팀은 더 효과적으로 다음 사항을 수행할 수 있습니다.

• 업스트림 및 다운스트림 종속성 식별
• 시스템 변경 전 영향 분석 수행
• 데이터 품질 문제의 소스까지 역추적
• 규제 준수 및 감사 요건 지원
• 더욱 자신 있게 셀프서비스 분석 활성화

데이터 품질 문제가 발생하면 시스템에서 문제가 언제 시작되었는지 식별하고, 발견되기 전까지 얼마나 널리 퍼졌는지 파악하는 것은 매우 어렵습니다. 데이터 리니지는 영향을 받은 자산과 연결된 업스트림 종속성, 변환 단계, 다운스트림 소비자를 파악하는 데 도움이 됩니다.

값이 늦게 도착하거나, 조인 과정에서 행 수가 예상치 않게 변경되거나, 파이프라인 업데이트 후 특정 필드에 null 값이 나타나기 시작할 때, 데이터 리니지는 팀이 조사 범위를 좁힐 수 있도록 해줍니다. 모든 품질 문제를 불투명한 개별 과제로 취급하는 대신, 팀은 종속성 체인을 따라가며 데이터가 필터링, 집계, 보강 또는 재게시된 지점을 검사할 수 있습니다.

이것이 바로 리니지가 데이터 품질 프로그램과 밀접하게 연결되어 있는 이유이기도 합니다. 품질 규칙은 팀이 해당 규칙이 어디에 적용되는지, 어떤 자산을 보호하는지, 그리고 어떤 다운스트림 프로세스가 그 규칙에 의존하는지 파악할 수 있을 때 더욱 유용합니다. 검증 확인 실패는 내부 탐색용 데이터 세트에 영향을 줄 때와 재무 보고서, 고객 대면 애플리케이션 또는 프로덕션에서 사용되는 모델에 입력될 때 그 중요도가 달라집니다.

시간이 지나면서 리니지는 조직이 사후 대응적 디버깅에서 보다 체계적인 변경 사항 관리로 전환하는 데 도움을 줄 수 있습니다. 팀은 어떤 자산이 구조적으로 중요한지, 취약한 종속성이 어디에 존재하는지, 그리고 어떤 업스트림 시스템이 가장 큰 다운스트림 위험을 초래하는지 이해하기 시작합니다. 이를 통해 수정 작업의 우선순위를 정하고, 운영상 가장 큰 가치를 창출할 수 있는 곳에 품질 통제를 적용하는 것이 훨씬 더 수월해집니다.

컴플라이언스 팀은 복잡한 데이터 자산 환경을 마주하는 순간 답하기 까다로워지는 실무 질문들을 자주 받게 됩니다.

• 이 데이터의 출처는 어디인가요?
• 누가 이 데이터를 다뤘나요?
• 어떻게 변환되었나요?
• 어떤 다운스트림 시스템으로 전달되었나요?
• 그 과정에서 적절한 통제가 이루어졌나요?

조직은 데이터 리니지를 통해 위와 같은 질문에 증거와 함께 답할 수 있습니다. 시스템 전반에 걸친 데이터의 이동과 변환을 문서화함으로써, 리니지는 팀이 민감한 정보가 어떻게 처리되었는지, 거버넌스가 적용된 데이터가 어디로 이동했는지, 그리고 정책이 변경될 때 무엇을 고려해야 하는지 입증하는 데 활용할 수 있는 감사 가능한 기록을 생성합니다.

이러한 정보는 광범위한 규제 및 내부 통제 시나리오에서 매우 중요합니다. 개인정보 보호 팀은 개인 데이터가 환경 간에 어떻게 이동했는지 확인해야 하고, 재무 팀은 보고된 수치가 어떻게 산출되었는지 파악해야 할 수 있습니다. 거버넌스 팀은 제한된 데이터가 마스킹, 승인 또는 정책 적용 없이 승인되지 않은 워크플로우로 이동하지 않았음을 증명해야 할 수 있습니다.

감사 지원을 위한 데이터 리니지

감사 과정에서 속도는 완전성만큼이나 중요합니다. 요청이 접수되면 팀이 코드, 티켓, 조직 내 지식을 모아 수동으로 데이터 리니지를 재구성할 여유는 거의 없습니다. 잘 관리된 리니지 기록이 있다면, 매번 처음부터 시작할 필요 없이 소스 시스템을 추적하고, 종속성을 파악하며, 변환 로직을 문서화하고, 액세스 또는 처리 패턴을 검토하기가 훨씬 더 수월해집니다.

조직이 고급 분석과 AI 워크플로우로 확장함에 따라 리니지는 더욱 중요해집니다. 팀에서 기초 데이터, 변환, 종속성이 더 복잡한 분석 및 모델 기반 사용 사례를 지원하기에 적합한지 파악해야 하기 때문입니다.

분석 측면에서 리니지는 지표가 어떻게 구성되었는지, 집계나 특성 로직이 어디에 도입되었는지, 그리고 유사해 보이는 출력들이 실제로 동일한 기초 데이터와 비즈니스 규칙에 근거하고 있는지를 검증하는 데 도움을 줍니다. 이는 정의 변경이나 중복된 시맨틱 계층, 그리고 비즈니스 부서에서 보고의 불일치와 같은 위험을 줄여줍니다.

AI 및 머신러닝 워크플로우에서의 필요성도 이와 유사하지만 그 정도는 훨씬 더 절실합니다. 검색, 스코어링, 세분화 또는 의사 결정 지원을 위해 거버넌스가 적용된 엔터프라이즈 데이터를 사용하는 애플리케이션은 기반이 되는 데이터 파이프라인의 장단점을 그대로 상속합니다. 소스가 변경되거나, 최신성 SLA가 지켜지지 않거나, 민감한 필드가 다운스트림 데이터 세트에 예기치 않게 나타나면 리니지는 문제가 더 확산되기 전에 팀이 운영상 영향을 이해하도록 돕습니다.

리니지가 모든 모델링 결정을 포착하지는 못하더라도, 워크플로우를 둘러싼 입력, 종속성, 데이터 준비 단계에 대한 필수적인 컨텍스트를 제공합니다.

분석 및 AI에서 핵심 가치는 동일합니다. 리니지는 출력 뒤에 숨겨진 증거의 흐름을 조사하기 쉽게 만들어 줍니다.

대부분의 조직은 운영하는 모든 시스템에서 완전한 엔드투엔드 리니지를 갖춘 상태로 시작하지 않습니다. 실용성이 높은 접근 방식은 더 큰 위험을 수반하거나, 가장 중요한 의사 결정을 지원하거나, 가장 자주 변경되는 데이터부터 시작하는 것입니다.

이때 명확한 스튜어드십이 필요합니다. 핵심 자산에 대한 명확한 책임자가 있어야 하며, 업데이트되지 않은 메타데이터, 끊어진 리니지 경로, 정책 불일치, 그리고 실제 문서와 더 이상 일치하지 않는 고사용 데이터 세트를 검토할 수 있는 실질적인 프로세스가 마련되어야 합니다. 리니지는 정적인 구현 산출물이 아니라 지속적으로 유지 관리되는 운영 기록으로 다뤄질 때 훨씬 더 유용해집니다.

데이터 리니지 구현을 위한 모범 사례

실제로 강력한 리니지 프로그램은 시스템과 종속성이 변하더라도 그 기록이 유용성을 유지할 수 있는지 판별하는 몇 가지 운영상의 결정에 의해 형성됩니다.

핵심 활용 분야를 우선 순위로 지정: 강력한 리니지 프로그램은 보통 비즈니스 운영에 실질적인 영향을 미치는 데이터 요소, 파이프라인, 보고서에서 시작한 다음, 이론적인 완전성보다는 실제 사용 패턴에 따라 범위를 확장합니다. 이는 대개 재무, 고객 데이터, 규제 대상 데이터, 경영진 보고서, 운영 KPI 또는 프로덕션 AI 입력과 같은 가치가 높은 영역에 우선적으로 집중하는 것을 의미합니다.

기술적 리니지와 함께 비즈니스 메타데이터 포착: 종속성 경로는 해당 자산의 소유자, 용어집 정의, 자격 인증 상태, 민감도 태그, 예상 새로 고침 패턴을 함께 포함할 때 더 유용합니다. 이러한 신호는 팀이 데이터가 어디로 이동했는지뿐 아니라, 현재 사용 목적에 적합한지도 판단하는 데 도움이 됩니다.

자동화된 리니지 유지: 스키마, 작업 및 종속성이 자주 변경되는 환경에서는 자동화된 리니지가 시간이 지나도 기록의 유용성을 유지합니다. 환경이 진화할수록 수동 데이터 리니지의 내구성은 떨어집니다.

품질 체크포인트 및 검증 컨텍스트 포함: 손상된 대시보드나 신뢰하기 어려운 데이터 세트를 조사하는 팀은 데이터의 이동 경로뿐 아니라, 그 과정에서 데이터를 형성한 제어 항목, 테스트, 변환 단계까지 함께 볼 때 더 효과적으로 문제를 파악할 수 있습니다.

주기적인 리니지 검토: 아키텍처가 변하고, 팀이 재편되며, 데이터 제품이 다양해짐에 따라, 아무리 잘 설계된 리니지라도 이를 신뢰성 있게 유지할 책임자가 없다면 불완전해질 수 있습니다.

아키텍처가 분산될수록 리니지 추적은 더 어려워집니다. 데이터는 사용자가 실제로 소비하는 자산에 도달하기까지 데이터 웨어하우스, 데이터 레이크, 변환 프레임워크, 스트리밍 시스템, API, SaaS 애플리케이션 및 온프레미스 환경을 넘나들며 이동할 수 있습니다.

클라우드 및 하이브리드 환경은 이러한 복잡성을 가중시킵니다. 데이터 세트는 온프레미스 운영 시스템에서 생성되어 클라우드의 수집 서비스를 통과하고, 변환 파이프라인에서 재구성된 뒤, 선별된 분석 테이블에 적재되고, 이후 외부 도구나 다운스트림 애플리케이션으로 전달될 수 있습니다. 각 단계의 데이터 인계 과정에서 리니지가 일관되게 기록되지 않으면 컨텍스트를 잃을 위험이 커집니다.

스트리밍과 준실시간 워크플로우는 요구 수준을 한층 더 높입니다. 데이터가 정해진 일정에 따라 배치 단위로 움직이지 않고 지속적으로 이동할 때에도 팀은 여전히 종속성, 변환 및 다운스트림 사용을 파악해야 합니다. 단, 변화가 끊임없이 일어나고 문제 해결 시간이 훨씬 짧은 환경에서 이러한 파악이 이루어져야 합니다.

이는 바로 단일 플랫폼을 개별적으로 문서화하는 대신, 서로 다른 환경 전체를 아우를 수 있는 최신 리니지 솔루션에 대한 기대가 점점 더 높아지는 이유입니다. 엔터프라이즈 데이터가 실제로 생성, 변환 및 사용되는 모든 곳에서 컨텍스트가 일관되게 유지되어야 하기 때문입니다. 예를 들어 Linux Foundation 프로젝트인 OpenLineage는 스택 전반의 도구가 리니지 이벤트를 일관된 형식으로 생성하고 소비할 수 있도록 리니지 메타데이터에 대한 공통 사양을 제공합니다.

데이터 리니지는 수동적인 문서화에서 벗어나 보다 능동적으로 운영에 활용되고 있습니다. 메타데이터 수집이 보다 자동화되고 거버넌스 시스템 간 연결이 더욱 강화되면서 리니지는 변경, 정책 및 신뢰와 관련된 일상적인 의사 결정에 대한 입력처럼 기능하기 시작했습니다.

이 변화 규모 확장에 대한 대응 결과입니다. 조직은 과거의 거버넌스 모델이 감당할 수 있었던 수준보다 훨씬 더 많은 파이프라인, 팀, 셀프서비스 액세스 및 AI 기반 데이터 사용 사례를 다루고 있습니다. 따라서 더 빠르게 업데이트되고, 더 많은 시스템에 도달하며, 문제가 다운스트림에서 드러나기 전에 팀이 조치를 취할 수 있는 방식으로 위험을 보여주는 리니지가 필요합니다.

또한 이는 컨텍스트의 중요성이 커지고 있다는 흐름에 대한 대응이기도 합니다. 미래의 리니지 환경에서 팀이 기대하는 것은 데이터의 이동 경로뿐만 아니라, 그 이동이 액세스 정책, 분류, 소유권, 시맨틱 의미, 데이터 제품 경계 및 사용 패턴과 어떻게 관련되는지 파악하는 것입니다. 진정한 가치는 이러한 신호들을 연결하여 지표, 파이프라인 또는 거버넌스가 적용된 필드를 조사하는 팀이 기술적 경로와 운영상의 결과를 모두 이해할 수 있도록 하는 데 있습니다.

기업이 AI 도입을 가속화함에 따라 이러한 추세는 계속될 것으로 보입니다. 엔터프라이즈 데이터를 기반으로 답변, 예측 또는 행동을 생성하는 시스템은 조직이 프로비넌스, 변환 및 다운스트림 종속성을 파악해야 할 필요성을 더욱 가중시킵니다. 이러한 환경에서 리니지는 신뢰할 수 있는 데이터 활용을 위한 기초가 됩니다.