Microsoft Fabric에서 Copilot을 제대로 활용하려면, 단순히 기능을 켜는 수준으로는 부족합니다. Copilot이 잘 답하도록 만들려면 semantic model 자체를 AI가 이해하기 쉬운 형태로 정리해야 합니다.
실무에서는 이 작업이 매우 중요합니다. 같은 데이터라도 모델링이 잘 되어 있으면 Copilot이 질문을 정확히 해석하고, DAX 작성도 훨씬 안정적으로 수행합니다. 반대로 테이블 구조가 복잡하고 메타데이터가 빈약하면, Copilot은 답을 찾는 과정에서 흔들릴 수 있습니다.
Copilot이 영향을 받는 정보
Copilot은 단순히 원천 데이터만 보는 것이 아니라, semantic model 안에 들어 있는 다양한 정보들을 함께 참고합니다.
이 부분을 이해해야 개발자가 어디를 손봐야 하는지 보입니다.
Copilot이 참고하는 핵심 요소
- 테이블 이름.
- 열 이름.
- 측정값 이름.
- 측정값 설명.
- 열 설명.
- 동의어.
- 샘플 값.
- 관계 구조.
- 계층 구조.
- AI instructions.
- AI data schema.
- verified answers.
이 항목들이 잘 정리될수록 Copilot은 사용자의 질문을 더 정확하게 이해합니다.
반대로 이름이 애매하거나 관계가 복잡하면, Copilot이 잘못된 필드를 고르거나 질문 의도를 놓칠 수 있습니다.
개발자가 먼저 해야 할 일
Copilot 최적화는 AI 기능을 추가하는 작업이 아니라, 모델의 문맥을 정리하는 작업에 가깝습니다.
그래서 아래 순서로 정리하는 것이 좋습니다.
1. 모델 구조를 먼저 정리하기
- 불필요하게 얽힌 관계를 줄입니다.
- 분석용 테이블과 설명용 테이블의 역할을 분리합니다.
- star schema에 가까운 구조로 정리합니다.
2. 이름을 업무 용어로 바꾸기
- 약어만 있는 이름은 피합니다.
- 현업 사용자가 바로 이해할 수 있게 바꿉니다.
- 테이블, 열, 측정값 이름을 business-friendly하게 맞춥니다.
3. 설명을 충분히 넣기
- 측정값 정의를 짧고 명확하게 적습니다.
- 줄임말에는 의미를 풀어 씁니다.
- Copilot이 해석할 수 있도록 business context를 넣습니다.
4. 동의어를 넓게 등록하기
- 한글 표현과 영어 표현을 함께 고려합니다.
- 부서별 별칭도 반영합니다.
- 사용자가 실제로 말하는 표현을 최대한 포괄합니다.
5. 샘플 값과 데이터 체계를 점검하기
- 코드 값과 실제 업무 용어가 어긋나지 않게 정리합니다.
- 날짜, 지역, 상태 값 같은 컬럼을 특히 확인합니다.
- Copilot이 문맥을 추론할 수 있도록 예시 데이터를 정돈합니다.
DAX와 측정값 로직
Copilot은 DAX를 마법처럼 만들어내는 것이 아니라, 모델 안에 정의된 측정값과 그 문맥을 바탕으로 움직입니다.
그래서 측정값 로직이 정돈되어 있어야 Copilot의 답변도 안정적입니다.
측정값 정리 포인트
- 같은 의미의 측정값을 여러 개 만들지 않습니다.
- 이름이 비슷한 측정값은 정의 차이를 분명히 합니다.
- 핵심 측정값에는 설명을 반드시 넣습니다.
- 계산 기준이 다른 지표는 이름에서 구분되도록 만듭니다.
예를 들어 Sales, Net Sales, Gross Sales를 모두 대충 섞어 두면 Copilot은 사용자의 질문을 잘못 해석할 수 있습니다. 반대로 각 측정값의 의미와 계산 기준이 분명하면 Copilot은 더 정확한 측정값을 선택합니다.
또한 Copilot은 관계 구조를 바탕으로 어떤 차원으로 나눌 수 있는지도 판단합니다.
따라서 측정값만 잘 써두는 것이 아니라, 그 측정값이 연결되는 차원과 관계도 함께 정리해야 합니다.
동의어와 설명의 역할
동의어와 설명은 Copilot 최적화에서 가장 체감이 큰 요소 중 하나입니다.
현업 질문은 보통 정식 컬럼명으로 나오지 않기 때문에, 동의어가 없으면 Copilot이 질문과 모델을 잘 연결하지 못할 수 있습니다.
동의어가 필요한 이유
- 사용자는 줄임말을 쓰기도 합니다.
- 같은 지표를 부서마다 다르게 부르기도 합니다.
- 영어와 한글을 섞어 말하는 경우가 많습니다.
설명이 필요한 이유
- 약어만 보면 의미를 알기 어렵습니다.
- 비슷한 이름의 측정값이 많을 때 구분이 됩니다.
- Copilot이 질문 의도를 더 정확히 잡을 수 있습니다.
실무에서는 동의어와 설명을 함께 써야 효과가 큽니다.
동의어는 사용자가 들어오는 문을 넓혀 주고, 설명은 Copilot이 내부에서 판단할 때 기준을 제공합니다.
AI data schema와 verified answers
최근 Power BI와 Fabric에서는 AI를 위한 추가 설정이 점점 중요해지고 있습니다.
그중 대표적인 것이 AI data schema와 verified answers입니다.
AI data schema
AI data schema는 Copilot이 우선적으로 보아야 할 필드를 지정하는 방식입니다.
즉, 모델 전체를 다 보는 대신, 더 중요한 필드에 집중하게 만드는 구조입니다.
이 방식이 유용한 이유는 다음과 같습니다.
- 모호성을 줄일 수 있습니다.
- 질문에 맞는 필드를 더 잘 고르게 됩니다.
- 불필요한 후보를 줄여 답변 품질을 높일 수 있습니다.
verified answers
verified answers는 자주 묻는 질문에 대해 정해진 답변 경로를 만드는 방식입니다.
예를 들어 특정 KPI 질문은 항상 같은 측정값과 시각화로 답하게 만들 수 있습니다.
이 기능은 특히 경영 지표처럼 해석이 흔들리면 안 되는 영역에서 유용합니다.
다만 이것은 보조 장치이고, 기본은 여전히 모델 구조와 메타데이터입니다.
Copilot 최적화 체크리스트
아래 항목을 하나씩 점검하면 Copilot 품질을 꽤 안정적으로 끌어올릴 수 있습니다.
모델링
- star schema에 가깝게 설계합니다.
- 관계를 단순하게 유지합니다.
- 의미가 겹치는 테이블을 줄입니다.
- 분석에 필요 없는 컬럼은 정리합니다.
메타데이터
- 테이블 이름을 업무 용어로 정리합니다.
- 열 이름도 직관적으로 맞춥니다.
- 측정값 설명을 넣습니다.
- 열 설명도 필요한 만큼 추가합니다.
- 동의어를 한글과 영어 모두 고려해서 등록합니다.
DAX와 지표
- 핵심 측정값 정의를 표준화합니다.
- 중복 측정값을 줄입니다.
- 계산 기준이 다른 지표는 이름에서 구분합니다.
- KPI는 해석 기준이 흔들리지 않게 만듭니다.
Copilot 보정
- AI data schema로 우선 필드를 좁힙니다.
- verified answers로 자주 묻는 질문을 고정합니다.
- AI instructions로 용어 해석 규칙을 보정합니다.
실제로 많이 하는 실수
Copilot을 쓸 때 자주 나오는 문제는 기술 부족보다 모델 정리 부족인 경우가 많습니다.
흔한 실수
- 약어만 가득한 모델명 사용.
- 설명 없는 측정값 방치.
- 동의어 등록을 하지 않음.
- 관계가 복잡한데 그대로 사용.
- 비슷한 KPI를 여러 개 중복 생성.
- AI data schema를 안 쓰고 전체 모델만 의존.
이런 상태에서는 Copilot이 답을 못 하는 것이 아니라, 어떤 답을 해야 하는지 확신하지 못하는 경우가 많습니다.
즉, Copilot 문제처럼 보여도 실제 원인은 semantic model 설계 문제인 경우가 많습니다.
실무 적용 순서
Copilot 최적화를 처음 시작한다면 아래 순서가 가장 현실적입니다.
1단계
핵심 테이블과 측정값부터 정리합니다.
2단계
이름과 설명을 업무 용어로 맞춥니다.
3단계
동의어를 추가하고, 자주 쓰는 표현을 반영합니다.
4단계
관계를 다시 점검하고, 복잡한 구조를 정리합니다.
5단계
AI data schema와 verified answers를 붙여 보정합니다.
이 순서로 가면 Copilot 품질을 무리 없이 끌어올릴 수 있습니다.
중요한 점은 기능부터 만지지 말고, 모델과 메타데이터부터 정리하는 것입니다.
마무리 정리
Microsoft Fabric에서 Copilot을 잘 쓰려면 데이터 적재만 잘해서는 부족합니다. Copilot이 이해할 수 있는 semantic model을 만드는 작업이 함께 가야 합니다.
핵심은 크게 다섯 가지입니다.
첫째, 모델 구조를 단순하게 만듭니다.
둘째, 이름을 업무 용어로 정리합니다.
셋째, 설명과 동의어를 충분히 넣습니다.
넷째, 측정값 로직을 표준화합니다.
다섯째, AI data schema와 verified answers로 보정합니다.
결국 Copilot 품질은 AI 성능만의 문제가 아니라, 모델링과 메타데이터 설계의 결과입니다.
분석계가 잘 설계되어 있을수록 Copilot은 더 똑똑하게 보이고, 실제로도 더 정확하게 답합니다.
놓치면 아쉬운 추천 글, 함께 읽어보세요!
- 추천 글을 불러오는 중입니다...
