Google은 AI 기술을 사용하여 콘텐츠를 사용자의 기본 언어로 번역합니다. AI 번역에는 오류가 있을 수 있습니다.

BigQuery 에이전트 및 Antigravity IDE를 사용하여 데이터와 채팅하기

1. 개요

잠시 시간을 내어 지난 4개 부분에서 구축한 대규모 아키텍처를 살펴보겠습니다.

1부: BigQuery Knowledge Catalog를 사용하여 원시 프로요 레시피 PDF를 구조화된 관계형 테이블로 변환했습니다.

2부: BigQuery 웨어하우스를 AlloyDB에 직접 통합하는 제로 ETL 트랜잭션 브리지를 구축했습니다.

3부: 에이전트 개발 키트와 MCP 도구 상자를 사용하여 멀티 에이전트 애플리케이션 (FroyoOS)을 조정했습니다.

4부: 이중 트랙 평가 파이프라인을 빌드하여 에이전트가 프로덕션에 안전하다는 것을 입증했습니다.

작업이 원활하게 실행되고 있습니다. 하지만 이 시스템에서 생성하는 대량의 데이터를 이해해야 하는 개발자와 비즈니스 분석가는 어떻게 해야 할까요?

오늘은 분석의 미래를 살펴보겠습니다. 코드 편집기인 Antigravity IDE에서 Google Cloud Data Agent Kit를 사용하여 시작한 다음, Google Cloud 콘솔로 이동하여 BigQuery 대화형 분석을 사용해 데이터를 시각화합니다.

이제 만들어 보겠습니다.

학습할 내용

에이전트형 데이터 클라우드 시리즈의 마지막 Codelab에서는 아키텍처의 모든 요소를 결합하여 활용 가능한 비즈니스 인사이트를 제공합니다. 학습할 내용은

IDE 우선 분석: 개발 환경에서 직접 아키텍처를 쿼리하도록 ANTIGRAVITY IDE 및 Google Cloud Data Agent Kit를 설치하고 구성하는 방법
대화형 BigQuery: 자연어를 사용하여 복잡한 SQL 작업과 예측을 자동화하도록 BigQuery 데이터 에이전트를 만들고, 구성하고, 지시하는 방법
데이터 범용화: 에이전트를 엔터프라이즈에 게시하여 조직 전반의 분석가와 비즈니스 사용자가 액세스할 수 있도록 하는 방법
인사이트 시각화: 에이전트의 대화 분석을 데이터 스튜디오에 원활하게 통합하여 동적이고 예측 가능한 대시보드를 만드는 방법
에이전트형 데이터 클라우드 생태계: 파트 1의 원시 비정형 데이터부터 파트 5의 임원용 대시보드에 이르기까지 엔드 투 엔드 아키텍처의 가치를 명확하게 설명하는 방법을 알아봅니다.

요구사항

브라우저(Chrome, Firefox 등)
결제가 사용 설정된 Google Cloud 프로젝트.
SQL에 관한 기본 지식

2. 시작하기 전에

프로젝트 만들기

Google Cloud 콘솔의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.
Cloud 프로젝트에 결제가 사용 설정되어 있어야 하므로 프로젝트에 결제가 사용 설정되어 있는지 확인하는 방법을 알아보세요.

Google Cloud에서 실행되는 명령줄 환경인 Cloud Shell을 사용합니다. Google Cloud 콘솔 상단에서 'Cloud Shell 활성화'를 클릭합니다.

Cloud Shell 활성화 버튼 이미지

Cloud Shell에 연결되면 다음 명령어를 사용하여 이미 인증이 완료되었고 프로젝트가 해당 프로젝트 ID로 설정되어 있는지 확인합니다.

gcloud auth list

Cloud Shell에서 다음 명령어를 실행하여 gcloud 명령어가 프로젝트를 알고 있는지 확인합니다.

gcloud config list project

인증하려는 경우

gcloud auth login

프로젝트가 설정되지 않은 경우 다음 명령어를 사용하여 설정합니다.

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project <YOUR_PROJECT_ID>

필요한 API 사용 설정: 이 명령어를 실행하여 필요한 모든 API를 사용 설정합니다.

gcloud services enable \
  alloydb.googleapis.com \
  bigquery.googleapis.com \
  run.googleapis.com \
  cloudbuild.googleapis.com \
  artifactregistry.googleapis.com \
  iam.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com \
  servicenetworking.googleapis.com \ 
  aiplatform.googleapis.com

이를 준비하기 위해 실습 1부, 2부, 3부를 완료했는지 확인합니다.

데이터 세트 만들기 및 테이블 채우기 (1부를 완료하지 않은 경우에만 해당)

Cloud Shell에서 다음 명령어를 실행합니다.

먼저 Cloud Shell 터미널에서 아래 명령어를 실행하여 BigQuery 데이터 세트를 만듭니다.

bq mk --location us-central1 --dataset froyo_data

다음으로, 다음 명령어를 하나씩 실행하여 GitHub 저장소에서 작업 디렉터리로 데이터 파일 (CSV 파일) 8개를 다운로드합니다.

wget https://raw.githubusercontent.com/AbiramiSukumaran/raw-data-to-gold/refs/heads/main/data/froyo_data.allergen.csv

다음 명령어를 하나씩 실행하여 새로 만든 데이터 세트의 데이터로 테이블을 만듭니다.

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.allergen ./froyo_data.allergen.csv allergen_name:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.consistsof ./froyo_data.consistsof.csv product_id:STRING,ingredient_id:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.containsallergen ./froyo_data.containsallergen.csv ingredient_id:STRING,allergen_name:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.froyo_data_materialized ./froyo_data.froyo_data_materialized.csv allergen:STRING,containsallergen:STRING,ingredient:STRING,product:STRING,suppliedby:STRING,supplier:STRING,ref:STRING,md5_hash:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.ingredient ./froyo_data.ingredient.csv ingredient_id:STRING,ingredient_name:STRING,purity:STRING,moisture_content:STRING,ph_range:STRING,specific_gravity_range:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.product ./froyo_data.product.csv product_id:STRING,product_name:STRING,category:STRING,stability:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.suppliedby ./froyo_data.suppliedby.csv ingredient_id:STRING,supplier_id:STRING

bq load --autodetect --source_format=CSV --skip_leading_rows=1 --allow_quoted_newlines --quote="" froyo_data.supplier ./froyo_data.supplier.csv supplier_id:STRING,supplier_name:STRING,production_site_id:STRING,facility_grade:STRING

3. 데이터 웨어하우스 확장

비정형 데이터로 만든 BigQuery 테이블을 기억하시나요?

의미 있는 분석을 수행하려면 과거 거래 데이터가 필요합니다. BigQuery의 froyo_data 데이터 세트에서 프랜차이즈 운영 연도를 시뮬레이션하기 위해 새 테이블 3개를 만들어 보겠습니다.

froyo_data.orders: 이전 주문 헤더 (날짜, 매장 ID, 총계)
froyo_data.order_items: 항목 세부정보 (수량, 가격)
froyo_data.customer_allergen_data: 충성도 높은 고객의 알려진 알레르기를 추적하는 CRM 테이블

분석 사용 사례를 준비하기 위해 이러한 판매 및 고객 관련 테이블을 데이터 세트에 추가해 보겠습니다.

Google Cloud 콘솔에서 Cloud Shell 터미널로 이동합니다.
작업공간의 루트 폴더 또는 froyo-data 프로젝트 루트 폴더 (이 시리즈의 지난 몇 부분에서 작업한 폴더)로 이동합니다.
다음 명령어를 하나씩 실행하여 3개의 이전 데이터 파일 (CSV 파일)을 작업 디렉터리에 다운로드합니다.

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/customer_allergen_data.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/order_items.csv

wget https://raw.githubusercontent.com/AbiramiSukumaran/froyo-data/main/orders.csv

작업 디렉터리의 루트에 해당 파일이 표시되면 터미널로 전환하여 Cloud Shell 터미널로 이동합니다.
Cloud Shell 터미널에서 이 세 파일이 있는 디렉터리로 이동합니다.
BigQuery에 이 시리즈의 1부에서 만든 'froyo_data'라는 데이터 세트가 있는지 확인합니다. 없는 경우 돌아가서 데이터 세트와 테이블을 만듭니다.
Cloud Shell 터미널에서 다음 명령어를 실행합니다.

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.orders \
  ./orders.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.order_items \
  ./order_items.csv

bq load \
  --autodetect \
  --source_format=CSV \
  --skip_leading_rows=1 \
  --allow_quoted_newlines \
  --quote="" \
  froyo_data.customer_allergen_data \
  ./customer_allergen_data.csv

이렇게 하면 froyo_data 데이터 세트에 테이블 3개가 추가로 생성됩니다.

4. 개발자 환경 — 'Data Agent Kit' 소개

기존에는 개발자가 데이터를 분석하거나 복잡한 머신러닝 쿼리를 작성하려면 IDE, 데이터베이스 콘솔, 문서 간에 컨텍스트를 지속적으로 전환해야 했습니다.

더 이상은 그럴 필요가 없습니다. 새로 출시된 Google Cloud Data Agent Kit 확장 프로그램을 사용하면 IDE가 강력한 데이터 도구로 변신합니다. Google Cloud Data Agent Kit 확장 프로그램은 편집기 내에서 직접 Google Cloud 데이터 서비스와 긴밀하게 통합되므로 컨텍스트를 전환하지 않고도 BigQuery, Cloud SQL, Cloud Storage 등과 상호작용할 수 있습니다.

기본 요건

Node.js (최신 권장)
gcloud CLI를 설치합니다.
Google Cloud 계정으로 로그인합니다.

gcloud auth login

애플리케이션 기본 사용자 인증 정보 (ADC)에 로그인합니다.

gcloud auth application-default login

Antigravity IDE를 사용해

Antigravity IDE는 AI 시대를 위해 특별히 설계된 Google의 차세대 에이전트 중심 개발 환경입니다. 대규모 멀티모달 컨텍스트 윈도우와 자율 도구 사용을 편집기에 직접 기본 통합하여 개발자가 코드를 벗어나지 않고도 클라우드 리소스를 조정하고 복잡한 데이터 파이프라인을 조정할 수 있습니다.

Antigravity IDE 설정

Google Antigravity 다운로드 페이지에서 Antigravity IDE를 다운로드하여 설치합니다.
설치 및 실행: 설치 프로그램을 실행하고 Antigravity IDE를 엽니다.
'Google 계정으로 계속하기'를 클릭하고 Gmail 계정을 선택한 후 승인합니다.
초기 구성을 실행합니다. 참고: 나중에 언제든지 설정에서 업데이트할 수 있습니다.
로컬 머신에 비어 있는 새 폴더 (예: agentic-data-labs)를 만들고 폴더 열기를 선택하여 IDE에서 엽니다. 이 디렉터리는 Codelab의 로컬 작업공간 역할을 합니다.

오른쪽에는 에이전트 창이, 왼쪽에는 프로젝트 탐색기가, 중앙에는 개발 공간이 표시됩니다.

Data Agent Kit 확장 프로그램 설치

Google Cloud Data Agent Kit 확장 프로그램은 편집기 내에서 직접 Google Cloud 데이터 서비스와 긴밀하게 통합되므로 컨텍스트를 전환하지 않고도 BigQuery, Cloud SQL, Cloud Storage 등과 상호작용할 수 있습니다.

Antigravity IDE에서 화면 맨 왼쪽에 있는 작업 표시줄의 확장 프로그램 아이콘 (네 개의 사각형 모양)을 클릭합니다.
확장 프로그램 창 상단의 검색창에 Google Cloud Data Agent Kit를 입력합니다.
googlecloudtools에서 게시한 Google Cloud Data Agent Kit라는 확장 프로그램을 찾습니다.
Install 버튼을 클릭합니다.
'게시자 'googlecloudtools' 및 해당 확장 프로그램을 신뢰하시나요?'라는 메시지가 표시될 수 있습니다. 게시자 신뢰 및 설치를 클릭하여 계속 진행합니다.

설치하면 Antigravity IDE의 맨 왼쪽에 있는 활동 표시줄에 새 Google Cloud Data Agent Kit 아이콘이 표시됩니다.

'Google Cloud Data Agent Kit에 오신 것을 환영합니다'라는 제목의 온보딩 페이지가 자동으로 열립니다. Cloud 계정에 로그인하지 않은 경우 메시지에 따라 액세스를 허용합니다.
구성 요약 섹션에서 프로젝트 필드를 찾습니다. 드롭다운을 클릭하고 Google Cloud 프로젝트를 선택합니다. 리전을 us-central1로 설정합니다. 그런 다음 'MCP 서버 구성'을 선택합니다.
프로젝트의 GEMINI.md이라는 새 파일에 다음을 붙여넣습니다. <<YOUR_PROJECT_ID>>를 내 값으로 바꾸는 것을 잊지 마세요.

## 1. Project Context
- **Project ID**: <<YOUR_PROJECT_ID>>
- **Domain**: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
- **Data**: All froyo, customer, order related information is processed and stored in BigQuery `froyo_data` dataset.

## 2. Execution & Data Processing Rules
- **CRITICAL RULE - Structured Specs**: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named `froyo_data`.
- **CRITICAL RULE - Customer Data**: Existing Froyo customer data resides in BigQuery in the tables `customers_allergen_data`. 
- ** CRITICAL RULE - Sales Data**: Sales data is present in tables `orders` and `order_items`.
- ** CRITICAL RULE - General: When you are referencing a dataset, ensure you are using it with the dataset ID (`froyo_data`) . For example, to query orders table in this dataset you should use `froyo_data.orders`.
- **CRITICAL RULE - Allergen & Ingredient Mapping**: Never join `consistsof` directly to `containsallergen` on `ingredient_id`. The `consistsof` table often contains ingredient names (e.g. `Midnight Base 204`) while `containsallergen` maps CAS/code IDs (e.g. `9412-78-0`). Always bridge them through `froyo_data.ingredient` (`ON c.ingredient_id = i.ingredient_name OR c.ingredient_id = i.ingredient_id`) to accurately detect allergens.

이제 IDE에 바로 뛰어난 AI 에이전트가 있어 코드를 작성하고, SQL을 생성하고, 아키텍처를 분석할 수 있습니다.

이제 흥미로운 분석 과제가 생겼습니다. 과거 판매 데이터를 1부에서 PDF에서 추출한 복잡한 추론 알레르기 유발 물질 데이터와 연관시킬 수 있을까요?

5. IDE 에이전트를 통한 인텔리전스 추론

IDE 에이전트에게 어려운 작업을 맡겨 보겠습니다. ANTIGRAVITY IDE 내에서 Agent Data Kit 채팅 창을 열고 다음 프롬프트를 입력합니다.

Does Midnight Swirl contain any allergen?

일련의 권한을 요청하는 메시지가 표시되면 해당하는 경우 허용합니다.

마지막으로 분석이 끝나면 대답을 가져옵니다.

와! Midnight Swirl 항목에 대두가 포함되어 있음을 올바르게 식별했습니다.

이제 조금 더 복잡한 질문을 해보겠습니다. Antigravity IDE에서 다음 프롬프트를 전송합니다.

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

대답:

계속 진행할 수 있습니다. 다음과 같은 프롬프트를 사용해 보세요.

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

BQML 문법을 조회할 필요 없이 Agent Data Kit가 정확한 CREATE MODEL 및 ML.FORECAST 코드를 편집기에 삽입합니다. ANTIGRAVITY IDE를 벗어나지 않고도 BigQuery 환경에서 직접 실행할 수 있습니다.

정말 놀랍습니다.

6. BigQuery의 대화형 분석

개발자는 IDE를 선호하지만 비즈니스 사용자와 임원은 Cloud 콘솔을 주로 사용합니다. SQL을 보고 싶어 하지 않고 답변만 원합니다.

그럼 시작해보겠습니다.

필요한 역할 부여

프로젝트의 IAM 페이지로 이동하여 자신에게 Gemini 데이터 분석 데이터 에이전트 소유자 역할을 부여합니다.

이 역할은 프로젝트의 모든 데이터 에이전트를 생성, 수정, 공유, 삭제할 수 있는 권한을 부여합니다.

필요한 API 사용 설정

Google Cloud 콘솔에서 BigQuery로 이동합니다. 페이지 상단의 탐색 사이드바 메뉴 또는 검색 메뉴를 사용하여 BigQuery > 에이전트로 이동합니다.

Gemini 기반 Data Analytics API 사용 설정을 클릭합니다.

BigQuery의 Gemini API와 Google Cloud를 위한 Gemini API를 모두 사용 설정합니다.

이제 새 에이전트 페이지가 표시됩니다.

에이전트 정보 구성

상담사 이름: Froyo 상담사

에이전트 설명: 프로요 제품, 알레르기 유발 물질, 성분, 레시피, 고객,주문,판매 관련 질문에 답변하는 데 도움이 됩니다.

'지식 소스' 섹션으로 이동하여 데이터 세트에서 아래의 테이블을 모두 선택합니다.

a. 위 이미지의 테이블을 추가하고 '소스 추가'를 클릭합니다.

b. 각 소스에서 오른쪽에 있는 맞춤설정 버튼을 클릭합니다. 아래 양식이 표시됩니다.

c. 테이블 설명에서 '수락'을 클릭합니다.

d. 각 필드의 설명에 대해서도 '수락'을 클릭합니다.

e. '업데이트'를 클릭합니다.

소스의 모든 테이블에 대해 이 작업을 반복해야 합니다.

요청 사항 구성

Antigravity IDE GEMINI.md에서 사용한 것과 동일한 안내를 여기에 입력합니다.

1. Project Context
Project ID: <<YOUR_PROJECT_ID>>
Domain: This project is centralized around "Froyo", a brand of frozen yogurt offering multiple flavors.
Data: All froyo, customer, order related information is processed and stored in BigQuery froyo_data dataset. Use all the tables and data in the dataset for querying for user questions.
Context: Use Data Agent Kit skills wherever possible.
2. Execution & Data Processing Rules
CRITICAL RULE - Structured Specs: The semantic and structured information extracted from the PDFs is available in a BigQuery dataset named froyo_data.
CRITICAL RULE - Customer Data: Existing Froyo customer data resides in BigQuery in the tables customers_allergen_data. When you are referencing a dataset, ensure you are using it with the dataset ID (froyo_data) . For example, to query orders table in this dataset you should use froyo_data.orders.

에이전트를 저장합니다.

7. 데이터와 채팅하기

오른쪽 미리보기 섹션에서 테스트합니다.

질문하기:

Does midnight swirl contain any allergen?

응답은 다음과 같습니다.

이제 복잡한 질문을 해보겠습니다.

I want to see the top 5 most popular products purchased by 
customers who have a registered 'Dairy' allergy.

대답:

이제 심층적인 인사이트를 얻기 위한 프롬프트를 사용해 보겠습니다.

Forecast the sales volume of our top non-dairy products 
for the next 30 days based on historical data.

사용하는 쿼리가 차트와 함께 테이블 결과로 표시됩니다.

와우! 차트 및 통계와 잘 어울렸습니다. 제품에 관한 가장 중요한 질문을 할 시간입니다.

8. 최종 테스트

다음과 같이 질문합니다.

What will be the top most selling product of 2026

마지막 인사이트를 살펴보세요. BigQuery Data Agent는 단순히 숫자만 제공하는 것이 아니라, 판매 예측을 재고 및 재료 공급망과 명확하게 연결해 주었습니다. 이는 1부에서 지저분한 PDF에서 추출한 바로 그 데이터입니다.

9. 엔터프라이즈에 에이전트 게시

미리보기 에이전트 상단에서 게시 버튼을 클릭합니다.

Froyo 에이전트를 빌드, 구성, 테스트했으니 이제 비즈니스의 나머지 부분에 출시할 차례입니다.

에이전트 구성 페이지의 오른쪽 상단에서 게시 버튼을 클릭합니다.

에이전트를 게시하면 나와 내가 공유한 모든 사용자가 세 가지 강력한 엔터프라이즈 채널에서 에이전트를 즉시 사용할 수 있습니다.

BigQuery: 이제 데이터 분석가가 에이전트 허브에서 직접 또는 BigQuery Studio SQL 작업공간 내에서 바로 이 에이전트와 채팅할 수 있습니다.
Conversational Analytics API: 개발자는 REST API를 통해 이 에이전트에 액세스하여 이러한 대화형 분석을 자체 커스텀 내부 웹 애플리케이션에 통합할 수 있습니다.
데이터 스튜디오: 임원이 이 에이전트와 상호작용하고 데이터 스튜디오 내에서 직접 동적 대화형 대시보드를 만들 수 있습니다.

데이터를 사일로에서 꺼내 필요한 사람들에게 직접 전달하고, 그들이 이미 일하고 있는 곳에 정확히 배치하는 데 성공했습니다.

게시된 BigQuery 에이전트 상단에 있는 공유 버튼의 드롭다운을 클릭하고 목록에서 '데이터 스튜디오의 에이전트 링크 복사' 옵션을 선택합니다.

브라우저에 링크를 붙여넣고 Enter 키를 누릅니다. 에이전트 상호작용 액세스 알림에 대한 확인을 제공합니다.

새로 게시된 에이전트를 사용하여 데이터 스튜디오에서 대화형 대화와 시각화를 시작할 수 있으며, 이 정보가 필요한 리더십과 다른 팀도 마찬가지입니다.

10. 삭제

이 실습을 완료한 후에는 방금 만든 BigQuery 에이전트에 대한 모든 사용자의 권한을 삭제해야 합니다.

11. 수고하셨습니다

에이전트형 데이터 클라우드를 빌드했습니다.

단순한 챗봇을 만든 것이 아닙니다. 5개의 세션을 통해 완전하고 현대적이며 평가된 엔터프라이즈 AI 시스템을 처음부터 성공적으로 설계했습니다. '다크 데이터'에서 실시간 트랜잭션 인텔리전스로, 그리고 마지막으로 대화형 비즈니스 예측으로 전환했습니다.

12. 전반적인 프로세스

한 걸음 물러서서 이 시리즈에서 달성한 성과를 살펴보겠습니다. 단순한 챗봇을 만든 것이 아닙니다. Google은 완전하고 현대적인 에이전트형 데이터 클라우드를 설계했습니다.

1부: Knowledge Catalog를 사용하여 PDF를 정형 관계형 테이블로 변환하여 다크 데이터를 활용했습니다.

2부: 분석 웨어하우스를 AlloyDB 트랜잭션 데이터베이스에 직접 통합하여 데이터 사일로를 허물었습니다.

파트 3: MCP 프로토콜을 통해 보안 데이터베이스 도구를 원활하게 실행하는 멀티 에이전트 OS를 빌드하여 사용자 역량 강화

4부: 할루시네이션과 탈옥을 포착하는 엄격한 평가 파이프라인을 구현하여 안전을 보장했습니다.

파트 5: ANTIGRAVITY IDE 및 BigQuery의 대화형 분석을 사용한 유용한 정보의 대중화

이것이 바로 엔터프라이즈 소프트웨어의 미래입니다. AI 에이전트는 더 이상 LLM을 감싸는 래퍼에 불과하지 않습니다. 통합 데이터 플랫폼을 기반으로 하는 완전히 통합되고 평가된 안전한 조정 엔진입니다.