REGAL: A Registry-Driven Architecture for Deterministic Grounding of Agentic AI in Enterprise Telemetry

1. 문제 정의 (Problem)

현대 엔터프라이즈 조직은 버전 관리 시스템, CI/CD 파이프라인, 이슈 트래커, 관찰 가능성 (Observability) 플랫폼 등에서 방대하고 이질적인 (heterogeneous) 텔레메트리 데이터를 생성합니다. 이러한 데이터를 기반으로 한 LLM 기반 에이전트 (Agentic AI) 의 자동화는 유망하지만, 사설 텔레메트리 데이터를 LLM 에 직접 연결 (Grounding) 할 때 다음과 같은 세 가지 실질적인 장애물이 존재합니다.

1. 컨텍스트 한계 (Context Limits): 엔터프라이즈 텔레메트리 볼륨은 현재 LLM 의 컨텍스트 윈도우를 훨씬 초과합니다. 원시 로그 (Raw Logs) 를 모델에 직접 전달하는 것은 토큰 비용과 운영상 비효율로 인해 불가능합니다.
2. 지역적 의미론 (Local Semantics): 조직 내 개념 ("P1", "릴리스 후보", "회귀" 등) 은 내부적으로 정의됩니다. 확률적 검색 (Probabilistic Retrieval) 만으로는 이러한 의미를 일관되게 해석하지 못해 할루시네이션 (Hallucination) 이 발생합니다.
3. 인터페이스 드리프트 (Interface Drift): 수동으로 작성된 도구 (Tool) 와 진화하는 텔레메트리 스키마/지표 정의 간의 불일치가 발생하여, 시간이 지남에 따라 도구의 동작이 의도한 바와 달라지는 문제가 발생합니다.

2. 방법론 (Methodology)

저자들은 REGAL이라는 아키텍처를 제안합니다. 이는 "확률적 추론 (LLM)"과 "결정론적 계산 (Deterministic Computation)"을 명확히 분리하고, 레지스트리 (Registry) 기반의 시맨틱 컴파일을 핵심 메커니즘으로 삼습니다.

• 핵심 철학: LLM 이 원시 이벤트를 처리하는 것이 아니라, 결정론적으로 계산되고 버전 관리된 "Gold 아티팩트"를 소비하도록 설계합니다.

• 아키텍처 레이어:

  1. 소스 및 수집 (Ingestion): 버전 관리 시스템, CI/CD 등 다양한 소스에서 데이터를 추출합니다.
  2. Medallion ELT 파이프라인:
     • Bronze: 원시 데이터 아카이브.
     • Silver: 스키마 정합성 (Harmonization) 및 유효성 검사가 완료된 레코드.
     • Gold: 에이전트 소비를 위해 결정론적으로 계산되고 압축된 시맨틱 아티팩트 (지표 요약 등).
  3. 시맨틱 레이어 (Semantic Layer):
     * 메트릭 레지스트리: 지표의 의미, 검색 로직, 거버넌스 메타데이터를 선언적으로 정의하는 단일 진실 공급원 (Single Source of Truth).
     * 컴파일러: 레지스트리 정의를 기반으로 MCP (Model Context Protocol) 도구를 생성합니다. 이는 "코드로서의 인터페이스 (Interface-as-Code)" 패턴을 구현합니다.
  4. 상호작용 모델:
     • Pull: 에이전트가 레지스트리에서 컴파일된 도구를 호출하여 과거 데이터를 조회.
     • Push: Gold 아티팩트의 변경 사항을 스트리밍하여 에이전트나 알림 시스템에 실시간으로 전달.

• 결정론적 비간섭 (Deterministic Non-interference): LLM 의 추론 (P) 이 데이터 계산 (D) 을 변경하거나 재정의해서는 안 됩니다. $D(input) \rightarrow G(Gold)$, $P(G) \rightarrow Output$의 흐름만 허용하며, 모델 변경이 데이터 파이프라인에 영향을 주지 않도록 설계됩니다.

3. 주요 기여 (Key Contributions)

1. 레지스트리 기반 MCP 컴파일: 선언적 지표 정의에서 도구 스키마, 검색 로직, 거버넌스 제어를 자동으로 생성하는 "코드로서의 인터페이스" 패턴을 정립했습니다. 이는 도구 드리프트를 근본적으로 방지합니다.
2. 결정론적 Grounding 아키텍처: 결정론적 텔레메트리 계산 (Medallion ELT) 과 확률적 추론 (LLM 에이전트) 을 분리하는 실용적인 참조 아키텍처를 제시했습니다.
3. 프로토타입 검증 및 운영적 통찰: 프로토타입 구현과 사례 연구를 통해 지연 시간 (Latency), 토큰 효율성, 운영 거버넌스 측면에서의 타당성을 입증했습니다.
4. 새로운 설계 원리: 새로운 학습 알고리즘을 제안하는 것이 아니라, 결정론적 계산과 시맨틱 컴파일을 에이전트 시스템의 1 등 설계 원리 (First-class primitives) 로 격상시켰습니다.

4. 결과 및 검증 (Results & Validation)

프로토타입 구현 및 사례 연구 (인시던트 조사 워크플로우) 를 통해 다음과 같은 결과를 도출했습니다.

• 조사 효율성 향상: 수동으로 여러 시스템 (모니터링, CI/CD, 이슈 트래커) 을 오가며 데이터를 수집하던 과정을, 에이전트가 결정론적 도구를 통해 단일 인터페이스에서 해결하도록 하여 조사 부하를 크게 줄였습니다.
• 지연 시간 (Latency): 데이터 검색 시간이 모델 추론 시간을 압도하지 않도록 최적화되었습니다. 캐싱된 Gold 아티팩트 조회는 즉시 수행되었으며, 전체 응답 시간은 모델 추론에 의해 지배되었습니다.
• 토큰 효율성: 원시 로그를 직접 전달하는 방식에 비해, 집계된 Gold 아티팩트를 사용함으로써 토큰 소비량이 현저히 감소했습니다. 토큰 사용량은 검색된 로그 건수가 아닌 선택된 지표의 수에 비례하게 됩니다.
• 할루시네이션 감소: 에이전트의 행동 공간 (Action Space) 이 컴파일된 유한한 도구 집합으로 제한됨으로써, 무제한적인 쿼리 생성으로 인한 할루시네이션 위험이 줄어듭니다.

5. 의의 및 중요성 (Significance)

이 논문은 엔터프라이즈 환경에서 LLM 기반 에이전트를 안정적으로 도입하기 위한 아키텍처적 제약 (Architectural Constraint) 의 중요성을 강조합니다.

• 거버넌스와 감사 가능성: 모든 지표 정의와 변환 로직이 버전 관리되고 재실행 가능 (Replayable) 하므로, 감사와 규정 준수 (Compliance) 가 용이해집니다.
• 안정성: Text-to-SQL 이나 RAG 와 달리, 에이전트가 임의의 쿼리를 생성하거나 원시 로그에 직접 접근하는 것을 방지하여 운영 리스크를 줄입니다.
• 확장성: 데이터의 복잡도와 볼륨이 증가하더라도, 결정론적 집계 계층을 통해 AI 모델의 부하를 일정하게 유지할 수 있습니다.

결론적으로 REGAL 은 LLM 을 단순한 텍스트 처리기가 아닌, 검증된 데이터 아티팩트 위에서 작동하는 신뢰할 수 있는 의사결정 에이전트로 전환시키는 체계적인 프레임워크를 제공합니다. 이는 규제된 환경이나 운영 민감도가 높은 기업 시스템에서 AI 도입을 가속화할 수 있는 중요한 패러다임 전환입니다.