Overview
사용자가 '카페 창업 / 렌탈 가전 타겟 / 광고판 입지 / 부동산 투자 / 상권 이상 감지' 같은 목적을 선택하면, 목적에 맞는 AI 전문가 에이전트가 동적으로 소환되어 Snowflake Cortex 기반으로 부동산 시세 × 유동인구 × 카드매출 × 통신계약 4개 데이터셋을 교차 분석하고, Top 3 동네 추천 + 이상 시그널 감지 + 6개월 예측 + 실행 액션을 자동 생성합니다.
Highlights
- Purpose-first UX — '무엇을 하고 싶은지'에서 시작하는 5개 프리셋(창업·렌탈·광고·투자·이상감지) + 자유 입력
- 목적 기반 에이전트 동적 생성 — PM 진행자 + 데이터 분석가만 고정, 나머지 도메인·Cortex 분석가는 목적에 맞춰 매 세션 다르게 소환
- Snowflake Cortex 11개 기능 풀 활용 — Agent · Analyst · LLM · FORECAST · ANOMALY_DETECTION · AI Function · Dynamic Tables · Python UDF · Semantic Model
- ANOMALY_DETECTION 주연 승격 — 랭킹 결과에 이상 시그널 자동 주입으로 데모 클라이맥스 구성
- 데이터셋 4종 전수 활용 — SPH · RichGo · NextTrade · AJD를 Semantic YAML로 통합 그라운딩
Architecture
Brain(GPT-4o) · Data(Snowflake Cortex) · Render(Cortex LLM) 3-Layer Hybrid AI 아키텍처 — 외부 모델의 유연한 추론과 Cortex의 견고한 데이터 엔진을 결합한 설계.
WIGTN FLAKE의 핵심은 3-Layer Hybrid AI 아키텍처입니다. 데이터의 정확성과 풍부한 인사이트를 동시에 달성하기 위해 시스템을 Brain · Data · Render 세 계층으로 분리하고, 각 계층마다 가장 적합한 모델과 도구를 배치했습니다.
Brain Layer — GPT-4o 오케스트레이터. Cortex 내부에서 멀티 에이전트 토론 페르소나를 완전히 구현하기엔 기술적 제약이 있어, 외부 모델의 유연한 추론 능력을 빌렸습니다. GPT-4o가 사용자 목적에 맞춰 전문가 페르소나를 구성하고, 토론 흐름을 주도하며 서로 반론을 제기해 인사이트의 밀도를 끌어올립니다.
Data Layer — Snowflake Cortex 풀스택. 정확성을 책임지는 계층으로 Cortex의 Agent · LLM · ML Function · AI Function을 모두 적용했습니다. Trial 계정 제약으로 Cortex Agent를 직접 사용할 수 없어 Analyst 기능을 엔드포인트로 직접 호출하는 방식을 채택했고, 데이터셋별 정교한 Semantic YAML 설계로 자연어 질문이 정확한 SQL 쿼리로 변환되는 '데이터 그라운딩'을 실현했습니다. 토론 중 제기되는 가설은 사전 구축한 FORECAST 모델과 ANOMALY_DETECTION으로 즉시 검증·이상 징후를 포착하고, AI Sentiment / Classify로 비정형 데이터 분석 가능성도 열어 두었으며, SPH · RichGo · NextTrade · AJD 4개 데이터셋을 모두 활용했습니다.
Render Layer — Cortex LLM 마크다운 스트리밍. 토론 결과물을 단순 요약이 아닌, 핵심 지표 + 6개월 예측 전망 + 구체적 액션 아이템이 포함된 전문가 수준의 인사이트 리포트로 마크다운 스트리밍 렌더링합니다. 외부의 유연한 지능과 Snowflake의 견고한 데이터 엔진(Cortex)을 결합해, 누구에게나 전문가 수준 인텔리전스를 제공하는 것이 최종 목표입니다.
Deep Dive
Snowflake AI & Data Hackathon 2026 Tech Track 출품작. 일반적인 '데이터 대시보드'가 아니라, 의사결정자(소상공인·B2B 마케터·프랜차이즈·개인 투자자·상권 운영자)가 자기 목적을 직접 선택하면 '어느 동네가 그 목적에 맞는지'를 데이터로 답해 주는 도구를 목표로 했습니다. 같은 쿼리라도 목적이 다르면 해석이 달라진다는 점이 핵심 가설.
오케스트레이션은 GPT-4o 진행자(PM 에이전트)가 목적 컨텍스트를 받아 고정 멤버(데이터 분석가) + 동적 전문가(목적 도메인 + Cortex Forecast / Insight / Sentiment / News / Anomaly)를 소환하고, Slack 스타일 토론방에서 SSE로 발언이 스트리밍됩니다. Cortex Agent가 Semantic Model 4개를 활용해 자연어→SQL을 수행하고, FORECAST는 Top 3 대상 6개월 예측, ANOMALY_DETECTION은 랭킹 결과에 이상 시그널을 자동 주입합니다.
신뢰성은 3-Tier 폴백으로 확보 — Tier 1 Cortex Agent(Analyst×4 + data_to_chart), trial 제약 시 Cortex Analyst 직접 호출로 하강. Tier 2 GPT-4o Function Calling(execute_snowflake_sql / web_search Tavily / real_estate_transaction 국토부 / statistical_analysis), Tier 3 GPT-4o 순수 추론. 또한 Cortex LLM이 가비지 토큰(`<|reserved_special_token|>`, `Dünnschicht` 등)을 흘릴 경우 `hasGarbageTokens()`가 스트리밍 중 감지해 즉시 GPT-4o로 전환합니다.
데이터 측면은 SPH·RichGo·NextTrade·아정당 4개 데이터셋을 모두 Semantic Model YAML로 정의해 Cortex Analyst가 단일 자연어 입력으로 4 도메인을 교차 조회하도록 했고, Dynamic Tables(`DT_DISTRICT_HEALTH`, `DT_DISTRICT_DNA`)와 Python UDF(디커플링 지수·DNA 유사도·목적 적합도)로 의사결정 점수를 계산합니다. 결과적으로 단순 추천이 아니라 '왜 1위인가'를 데이터로 논쟁하는 토론 + 이상 시그널이 결합된 데모로 Final Round 준우승을 수상했습니다.