Google Cloud, 에이전트형 AI 겨냥한 Spanner 멀티모델 아키텍처 강조

Google Cloud 공식 블로그에 따르면 Google Cloud는 30일 Spanner의 멀티모델 아키텍처를 에이전트형 AI 시대의 데이터 기반으로 제시했다. 회사는 생성형 AI 애플리케이션과 자율 워크플로가 단순 저장소보다 더 넓은 맥락 엔진을 필요로 한다고 설명했다.

이번 글의 핵심은 에이전트형 AI가 하나의 데이터 유형만으로 판단하기 어렵다는 문제의식이다. Google Cloud는 AI 에이전트가 관계형 데이터의 이력, 벡터 검색의 의미 정보, 그래프의 관계 맥락, 전문 검색의 문서 세부 정보를 함께 활용해야 한다고 봤다. Spanner는 이들 기능을 별도 데이터베이스로 나누기보다 하나의 아키텍처 안에서 연결하는 방향을 내세운다.

Google Cloud가 강조한 기능은 Spanner Graph, 통합 벡터 검색, 관계형과 키값 처리, 전문 검색, 컬럼형 엔진이다. Spanner Graph는 ISO 표준 GQL을 기반으로 그래프와 관계형 경험을 함께 제공하는 기능으로 소개됐다. 벡터 검색은 KNN과 ANN 검색을 지원하며, 검색 증강 생성(RAG) 흐름에서 의미 기반 검색을 처리하는 용도로 제시됐다.

전문 검색 기능은 구조화 데이터와 비정형 텍스트를 함께 다루는 데 초점을 맞춘다. Google Cloud는 자동 동의어 매칭과 철자 보정 옵션을 예로 들며, 문서 검색과 벡터 검색을 같은 데이터 기반 안에서 사용할 수 있다고 설명했다. 컬럼형 엔진은 운영 데이터에서 분석 쿼리를 바로 실행해 에이전트가 최신 맥락을 참고하도록 하는 기능으로 소개됐다.

Spanner Omni도 함께 언급됐다. Google Cloud는 Spanner Omni를 전용 하드웨어 없이 컨테이너 기반으로 내려받아 쿠버네티스에서 실행할 수 있는 형태로 설명했다. 온프레미스, 엣지, 다른 주요 퍼블릭 클라우드 환경에서도 Spanner의 멀티모델 기능을 활용하도록 하겠다는 구상이다.

개발자 관점에서 의미가 큰 부분은 데이터 계층의 분산을 줄이려는 시도다. 에이전트형 AI 서비스를 만들 때 그래프 데이터베이스, 벡터 데이터베이스, 검색 엔진, 분석 파이프라인을 별도로 붙이면 애플리케이션 로직과 운영 복잡도가 커진다. Google Cloud는 Spanner가 관계, 의미, 키워드, 트랜잭션 데이터를 하나의 ACID 호환 SQL 흐름에서 다룰 수 있다고 설명한다.

다만 이번 발표는 Google Cloud의 제품 전략 설명에 가깝다. 실제 도입에서는 지원되는 리전, 워크로드별 성능, 비용 구조, 기존 데이터베이스와의 이전 난이도를 별도로 따져봐야 한다. 특히 에이전트형 AI라는 표현이 넓게 쓰이는 만큼, 어떤 업무에서 통합 데이터베이스가 별도 전문 엔진 조합보다 유리한지는 개별 아키텍처 검토가 필요하다.

출처: Google Cloud Blog https://cloud.google.com/blog/products/databases/the-power-of-multi-model-spanner-for-the-agentic-era