databrickslabs/ontobricks

해결하는 문제

기업은 Databricks 테이블에 방대한 양의 데이터를 보유하고 있지만, 그 데이터 뒤에 있는 의미(예: "고객이 계약을 보유한다"와 같은 관계 또는 비즈니스 규칙)는 일반적으로 사람들의 머릿속에 갇혀 있습니다. OntoBricks는 이러한 테이블을 의미를 포착하는 지식 그래프로 변환하여 탐색, 추론, AI 에이전트에 노출할 수 있게 합니다. 별도의 그래프 데이터베이스, RDF 전문 지식 또는 긴 통합 프로젝트의 필요성을 제거합니다.

작동 방식

OntoBricks는 Databricks 앱으로 실행되며 이미 보유한 서비스를 사용합니다: 메타데이터용 Unity Catalog, 실행용 SQL Warehouse, LLM 호출용 AI Gateway 또는 Model Serving. 네 가지 주요 단계를 거칩니다: 1) Unity Catalog에서 메타데이터 가져오기, 2) 온톨로지 생성 — LLM이 메타데이터에서 엔티티, 관계, 속성을 제안, 3) 자동 매핑 — LLM이 각 엔티티와 관계에 대한 SQL 매핑 작성, 4) 동기화 — 매핑을 실행하여 트리플 스토어를 채웁니다. 내부적으로 OWL, R2RML, SPARQL과 같은 표준을 사용하지만 알 필요는 없습니다. 시각적 캔버스를 사용하여 온톨로지를 수동으로 설계할 수도 있으며, 엄격한 옵트아웃을 위한 "LLM 없음" 모드도 있습니다. 그래프는 Lakebase (Postgres), Lakehouse (Delta 테이블), Neo4j 또는 백엔드 없이 구축할 수 있습니다. 각 도메인에는 DRAFT/IN-REVIEW/PUBLISHED 수명 주기가 있으며 잠금 및 감사 추적이 있습니다. 모델 컨텍스트 프로토콜 (MCP)을 통해 온톨로지를 LLM 에이전트에 게시하고 GraphQL 또는 SPARQL로 그래프를 쿼리할 수 있습니다.

대상 사용자

Databricks를 사용하는 데이터 엔지니어, 데이터 아키텍트, 분석 팀으로 데이터에 의미론적 의미를 부여하려는 사람들. 또한 거버넌스가 적용된 설명 가능한 비즈니스 로직을 AI 에이전트나 LLM 애플리케이션에 노출하려는 모든 사람에게 적합합니다. AI가 대부분의 무거운 작업을 처리하므로 깊은 온톨로지나 RDF 기술이 필요하지 않지만, 완전한 제어를 원하면 수동으로 할 수도 있습니다.

주요 기능

• LLM 자동화로 네 번의 클릭으로 Databricks 테이블을 지식 그래프로 변환.
• 개방형 표준 (OWL, R2RML, SHACL, SPARQL)을 사용하지만 복잡성은 숨깁니다.
• 여러 그래프 백엔드: Lakebase (기본), Lakehouse, Neo4j 또는 백엔드 없는 온톨로지 전용.
• MCP를 통해 모든 도메인을 AI 에이전트에 게시 (예: Cursor, Claude Desktop).
• 거버넌스 기능: 버전 관리, 수명 주기 상태, 단일 편집자 잠금, 추가 전용 감사 추적.
• 온톨로지 함정 감지, SHACL 데이터 품질 검사, SWRL 비즈니스 규칙, 코호트 발견 포함.
• Databricks 작업 공간 내에서 완전히 실행 — 데이터와 트리플은 외부로 나가지 않습니다.