---
title: "Palantir Foundry AIP Speedrun: 엔드투엔드 AI 워크플로우 완벽 마스터 가이드"
slug: "palantir-aip-speedrun-e2e-workflow"
canonicalUrl: "https://moonshotnotes.com/posts/palantir-aip-speedrun-e2e-workflow/"
sourceUrl: "https://moonshotnotes.com/posts/palantir-aip-speedrun-e2e-workflow/"
markdownUrl: "https://moonshotnotes.com/agent/posts/palantir-aip-speedrun-e2e-workflow.md"
language: "ko"
category: "AI Agent"
updatedAt: "2026-07-31"
agentTokenEstimate: 2715
---

# Palantir Foundry AIP Speedrun: 엔드투엔드 AI 워크플로우 완벽 마스터 가이드

Palantir Foundry AIP Speedrun 코스 전체를 이 글 하나로 완벽 마스터합니다. PDF 파싱, LLM 개체 추출, 온톨로지 바인딩, Vertex 지식그래프, AIP Logic Function, Workshop 앱까지 실무 아키텍처를 상세히 정리합니다.

## Agent metadata

- Source: https://moonshotnotes.com/posts/palantir-aip-speedrun-e2e-workflow/
- Markdown: https://moonshotnotes.com/agent/posts/palantir-aip-speedrun-e2e-workflow.md
- Language: ko
- Category: AI Agent
- Tags: Palantir, Palantir AIP, Foundry, Ontology, Knowledge Graph, LLM, Enterprise AI
- Updated: 2026-07-31
- Estimated tokens: 2715

기업 현장에서 AI Agent와 대형 언어 모델(LLM)을 도입할 때 가장 큰 난관은 "수많은 비구조화 문서(PDF, 규정집, 학술 논문)를 어떻게 신뢰할 수 있는 지식으로 가공하고, 실제 업무 시스템과 실시간 연동할 것인가"입니다.

단순히 문서를 Vector DB에 저장하고 유사도 검색(Similarity Search)으로 텍스트 조각을 가져오는 기본 RAG(Retrieval-Augmented Generation) 방식은 문서가 복잡해지거나 엔티티 간 정밀한 관계 추론이 필요할 때 할루시네이션(환각)과 맥락 단절의 한계를 드러냅니다.

Palantir의 "Speedrun: Your First AIP Workflow" 교육 코스는 이 문제를 해결하기 위해 Foundry AIP(AI Platform)의 풀스택 컴포넌트를 활용하여 비구조화 PDF 세트 수집부터 LLM 엔티티 추출, 온톨로지(Ontology) 객체화, Vertex 지식그래프 시각화, AIP Logic Function 작성, 그리고 Workshop 인터랙티브 앱 제작까지 60–90분 내에 완벽한 디지털 지식 인턴(Summer Intern)을 구축하는 엔드투엔드 워크플로우를 다룹니다.

이 포스팅 하나만 읽어도 Palantir AIP Speedrun 코스의 모든 개념, 엔지니어링 아키텍처, 데이터 파이프라인 설정, 온톨로지 바인딩, AIP Logic 작성 및 UI 앱 구축 노하우를 완벽히 습득할 수 있도록 철저하게 정리했습니다.

---

## 1. 엔드투엔드 파이프라인 아키텍처 (E2E Architecture)

Palantir AIP 시스템은 비구조화 PDF 데이터가 파이프라인을 통과하며 단계적으로 시맨틱 온톨로지 객체로 변환되고, AIP Logic과 Workshop UI를 통해 실시간으로 추론·시각화되는 구조를 가집니다.

```mermaid
graph TD
    A["Raw PDF Documents (Media Set)"] --> B["Pipeline Builder / Data Transformation"]

    subgraph "Data Processing & LLM Batch Extraction"
        B --> C["Text Chunking & Hash PK Assignment"]
        B --> D["Vector Embedding Model Integration"]
        B --> E["LLM Batch Node: Entity Extraction & Resolution"]
    end

    C --> F["Chunks Dataset"]
    E --> G["Entities Dataset"]
    B --> H["Chunk-Entity Join Table (M:N)"]

    subgraph "Palantir Semantic Layer (Ontology)"
        F --> I["Chunk Object Type"]
        G --> J["Entity Object Type"]
        H --> K["Object Link Types (Chunk ↔ Entity)"]
    end

    subgraph "Analytics & AIP Reasoning Engine"
        I & J & K --> L["Vertex Knowledge Graph Visualizer"]
        I & J & K --> M["AIP Logic Function (Prompt Studio / TS)"]
    end

    M & L --> N["Workshop Interactive Application UI"]
```

---

## 2. 코스 모듈별 상세 마스터 가이드 (Module 1 – 9)

### Module 1. Course Introduction (유즈케이스 & 목표)

#### 1.1 유즈케이스 배경 및 해결 과제
- 핵심 목표: 사내 전문 라이브러리(PDF 규정집, 학술 논문, 특허 기술 문서 등)에서 필요한 정보와 엔티티 간 연결 관계를 신속하게 추출하고, 근거(Citation)를 갖춘 답변을 제시하는 "디지털 인턴(Summer Intern)" 앱 구축.
- 기존 방식과의 차이: 단순 키워드/벡터 검색에 의존하지 않고, 문서 내 등장하는 핵심 개념(Entity)과 조각(Chunk)을 그래프로 엮어 LLM에 주입함으로써 할루시네이션을 근본적으로 차단합니다.

#### 1.2 준비 사항 (Prerequisites)
- Palantir Foundry 계정 (기업 계정 또는 무료 Developer Tier 계정인 `BUILD_WITH_AIP`).

---

### Module 2. Setting Up Your Project and Folder (프로젝트 및 폴더 구성)

Foundry 내에서 데이터 자원과 온톨로지 정의가 섞이지 않도록 보안 및 폴더 구조를 철저히 격리합니다.

1. Create a Foundry Learning Project:
 - Foundry 헤더 메뉴에서 `Projects & Files`로 이동하여 신규 프로젝트 `AIP Speedrun - Learning Project`를 생성합니다.
 - 프로젝트 스코프를 설정하여 이 파이프라인에서 생성되는 데이터셋과 온톨로지가 Sandbox 내에서만 렌더링되도록 보호합니다.
2. Create Training Folder:
 - 프로젝트 내부 하위에 `Training_PDF_AIP_Workflow` 폴더를 마련합니다.
 - 이 폴더 안에 `01_Ingestion`, `02_Pipeline`, `03_Ontology`, `04_AIP_Logic`, `05_Workshop_App` 서브 폴더를 구조화합니다.

---

### Module 3. Uploading the Data (원천 데이터 수집)

비구조화 PDF 문서를 파운드리 인프라로 수집(Ingestion)하는 단계입니다.

1. Create Media Set:
 - `01_Ingestion` 폴더에서 `New -> Media Set`을 선택합니다.
 - 수집할 PDF 파일 세트(예: 수백 페이지 분량의 항공 공학 기술 문서 또는 법률 판례집)를 업로드합니다.
2. Media Set 파일 인덱싱:
 - Foundry의 Media Set 인프라가 PDF 파일들의 OCR 및 바이너리 스트림을 자동으로 파싱하여 파이프라인에서 읽을 수 있는 비구조화 파일 레퍼런스로 전환합니다.
3. [Optional] Deploy via Marketplace:
 - 실습 속도를 위해 미리 정제된 레퍼런스 데이터셋 템플릿을 Marketplace에서 일괄 배포(Deploy)하는 옵션도 지원됩니다.

---

### Module 4. Transforming Data & LLM Extraction (데이터 변환 & LLM 개체 파이프라인)

Pipeline Builder 또는 Contour를 사용하여 비구조화 PDF를 정제된 데이터셋 3종(`Chunks`, `Entities`, `Join Table`)으로 변환합니다.

```
       [Raw Media Set PDF]
               │
      ┌────────┴────────┐
      ▼                 ▼
[Text Chunking]  [Embedding Vector]
      │                 │
      ▼                 │
[Chunk Dataset] ◄───────┘
      │
      ▼
[LLM Batch Entity Extraction]
      │
      ├─────────────────┐
      ▼                 ▼
[Entities Dataset]   [Join Table (Chunk-Entity M:N)]
```

#### Step 4.1. Text Chunking (텍스트 조각화)
- PDF 매체 세트에서 텍스트 스트림을 읽어와 일정한 크기의 문맥 단락(Text Chunk)으로 분할합니다.
- 청킹 원칙: 하나의 Chunk는 "단일 정보 포인트(Single Point of Information)"를 온전히 포함하도록 단락/문장 경계를 기준으로 쪼갭니다.
- Chunk ID 부여: 각 Chunk마다 고유한 Primary Key(`chunk_id`)를 생성하기 위해 텍스트 내용과 문서명을 조합한 Hash 함수를 적용합니다.

#### Step 4.2. Vector Embeddings (의미 벡터 인덱싱)
- 분할된 Chunk 텍스트에 임베딩 모델(예: Text Embedding Model)을 실행하여 벡터 차원 필드(`embedding_vector`)를 스키마에 추가합니다.

#### Step 4.3. LLM Batch Entity Extraction (LLM 기반 엔티티 추출)
- Pipeline Builder 내의 LLM Batch Node를 추가하고 프롬프트 스펙을 정의합니다:
 ```yaml
  Prompt: |
    다음 텍스트 조각을 읽고, 등장하는 핵심 엔티티(인물, 조직, 기술 용어, 제품, 장소 등)를 추출하세요.
    출력은 JSON 배열 형태여야 하며, 각 엔티티의 이름(entity_name)과 유형(entity_type), 설명(description)을 포함하세요.
  ```
- Entity Resolution (개체 정규화):
 - LLM 처리 결과로 나온 엔티티 표기(예: "Palantir Technologies", "Palantir Corp", "Palantir Inc")를 표준 식별자(`entity_id`)로 일관되게 정제하고 중복을 제거합니다.

#### Step 4.4. Join Table (다대다 연관 테이블) 생성
- Chunk와 Entity 사이의 연결 관계를 표현하는 `Chunk_Entity_Join` 데이터셋을 생성합니다.
- 스키마 구조: `join_id`, `chunk_id`, `entity_id`, `extraction_confidence`

#### Step 4.5. Deploy Pipeline
- 전체 노드를 구성한 뒤 `Deploy Pipeline`을 눌러 Spark 파이프라인을 실행하고 최종 데이터셋 3종을 생성합니다.

---

### Module 5. Configuring Ontology (온톨로지 객체 구성)

파운드리 시맨틱 레이어(Ontology)에 생성된 데이터셋을 매핑하여 business-centric 객체 모델로 전환합니다.

#### 5.1 Chunk Object Type 정의
- Object Type Name: `Chunk`
- Backing Dataset: `Chunks Dataset`
- Primary Key: `chunk_id` (String)
- Title Property: `chunk_id`
- Properties:
 - `text_content` (String): 문서 청크 본문 텍스트
 - `source_doc` (String): 원본 PDF 파일명
 - `embedding_vector` (Vector): 의미 검색용 임베딩

#### 5.2 Entity Object Type 정의
- Object Type Name: `Entity`
- Backing Dataset: `Entities Dataset`
- Primary Key: `entity_id` (String)
- Title Property: `entity_name`
- Properties:
 - `entity_name` (String): 엔티티 명칭
 - `entity_type` (String): 엔티티 카테고리 (Organization, Technology, Person 등)
 - `description` (String): LLM이 작성한 엔티티 개요

#### 5.3 Object Link Types (M:N 릴레이션 바인딩)
- Link Type Name: `ChunkToEntity` / `EntityToChunk`
- Relation Pattern: `Many-to-Many (M:N)`
- Join Table: `Chunk_Entity_Join` 데이터셋 매핑 (`chunk_id` ↔ `entity_id`)
- 효과: 특정 `Entity`를 조회했을 때 그 엔티티가 언급된 모든 `Chunk` 객체를 즉시 다형성 그래프 탐색(Traverse)할 수 있습니다.

---

### Module 6. Exploring Object Relations (Vertex 지식그래프 시각화)

1. Vertex Graph Open: Foundry 메뉴에서 `Vertex` 탐색기를 열고 온톨로지의 `Entity`와 `Chunk` 객체를 캔버스에 추가합니다.
2. Graph Traversal (네트워크 탐색):
 - 중심 엔티티 노드(예: "Palantir AIP")를 선택하고 `Expand Links`를 클릭하면, 해당 엔티티와 연결된 청크 노드들이 펼쳐집니다.
 - 청크 노드를 통해 또 다른 엔티티 노드(예: "Foundry Ontology", "Workshop")로 네트워크가 이어지는 지식그래프의 시각적 형태를 확인합니다.
3. Configure Vertex Template:
 - 엔드유저 앱에서 특정 엔티티를 선택했을 때 연관 노드 뷰를 동적으로 시각화해 주는 그래프 템플릿(`Knowledge_Graph_Explorer_Template`)으로 저장합니다.

---

### Module 7. Creating an AIP Logic Function (AIP 로직 함수 구현)

Workshop UI 앱에서 호출할 AIP 로직 함수를 Prompt Studio 또는 TypeScript Functions 환경에서 작성합니다.

#### 7.1 AIP Logic 함수 입출력 정의
- Input Parameters:
 - `user_query` (String): 사용자의 질의
 - `selected_entities` (List of Entity): 사용자가 앱에서 선택하거나 검색한 엔티티 객체 목록
- Output Return:
 - `response_text` (String): 검증된 최종 답변
 - `referenced_chunks` (List of Chunk): 근거로 활용된 청크 객체 목록

#### 7.2 Grounded Prompt & Guardrail 작성

```yaml
System Prompt: |
  당신은 Palantir AIP 기반의 전문 지식 분석 에이전트입니다.
  사용자의 질문({user_query})에 답할 때, 반드시 제공된 지식그래프 Context 객체들만 바탕으로 답변해야 합니다.

  [Context Objects]
  - Related Entities: {selected_entities}
  - Grounded Chunks: {retrieved_chunks_text}

  [답변 규칙]
  1. 제공된 Context에 없는 내용을 절대 추측하여 답변하지 마세요. (Strict Anti-Hallucination)
  2. 문장 끝에는 반드시 근거가 된 Chunk ID를 [Chunk: {chunk_id}] 형태로 분명하게 명시하세요.
  3. Context 정보가 부족한 경우 "제시된 지식 기반 내에서는 해당 질문에 답할 수 없습니다."라고 솔직하게 응답하세요.
```

#### 7.3 Function Publish
- 작성한 로직의 단위 테스트를 통과한 후, `Publish Version`을 실행하여 프로덕션 아티팩트로 배포합니다.

---

### Module 8. Building an App (Workshop 인터랙티브 앱 제작)

Palantir Workshop 도구를 활용하여 비즈니스 분석가와 엔드유저가 즉시 사용할 수 있는 리액시브 웹 응용프로그램을 구성합니다.

```
┌─────────────────────────────────────────────────────────────────────────┐
│  [Header Bar]  AIP Speedrun Knowledge Explorer App                      │
├───────────────────────────────┬─────────────────────────────────────────┤
│ [Search & Input Panel]        │ [Vertex Graph Component]                │
│ > Search Entity: "AIP"        │                                         │
│ > User Question: "AIP 기능?"  │    (Entity: AIP) ─── (Chunk #102)       │
│                               │          │                 │            │
│ [Object List Panel]           │    (Chunk #105) ─── (Entity: Ontology)  │
│ - Entity: Palantir AIP        │                                         │
│ - Chunk #102: "AIP는..."      ├─────────────────────────────────────────┤
│ - Chunk #105: "Ontology..."   │ [AIP Response Panel]                    │
│                               │ > "Palantir AIP는 온톨로지 기반으로..."  │
│ [Button: Run AIP Logic]       │   [Source: Chunk #102, #105]            │
└───────────────────────────────┴─────────────────────────────────────────┘
```

#### 8.1 Workshop 레이아웃 설계
1. Left Navigation Panel:
 - 엔티티 검색창 및 사용자가 선택한 엔티티/청크 오브젝트 테이블 리스트 컴포넌트 배치.
2. Top-Right Main Canvas:
 - Vertex Graph Widget: Module 6에서 만든 `Knowledge_Graph_Explorer_Template`을 내장하여, 좌측에서 선택한 엔티티에 따라 지식그래프 네트워크가 실시간으로 반응하도록 바인딩.
3. Bottom-Right Response Panel:
 - AIP Response Card: 사용자 질문 입력 박스와 `AIP Logic Function` 호출 버튼, 생성된 답변 및 근거 Chunk 바로가기 딥링크 컴포넌트배치.

#### 8.2 Event & State Binding (상태 연동)
- `On Search Submit` -> `Filter Entity Objects` -> `Update Vertex Graph Selection` -> `Invoke AIP Logic Function` -> `Render Response & Citation Links`.

---

### Module 9. Conclusion & Advanced Patterns (실무 확장 및 보안)

- Speedrun 완성 결과: 60–90분의 실습을 통해 비구조화 PDF 파싱부터 LLM 엔티티 추출, 온톨로지 릴레이션 바인딩, 지식그래프 탐색, AIP Logic 추론, Workshop UI 앱까지 완전한 E2E AI 솔루션을 완성했습니다.
- 실무 운영 시 고려사항 (Production Scale-Up):
 1. RBAC & Data Governance: 온톨로지 객체 수준에서 사용자 권한(Markings & Role Access)을 적용하여 보안 수준에 따라 특정 청크/엔티티 노드가 조율되도록 제어.
 2. Incremental Data Pipeline: 신규 PDF 문서가 인제스트될 때 전체 파이프라인을 재실행하지 않고, 신규 추가분만 청킹 및 LLM 추출을 수행하는 증분 파이프라인(Incremental Pipeline) 구성.

---

## 3. 핵심 비교: RAG vs GraphRAG vs Palantir Ontology AIP

| 구분 | 기본 RAG (Basic RAG) | GraphRAG | Palantir Foundry AIP |
| :--- | :--- | :--- | :--- |
| 지식 표현 방식 | 텍스트 조각 (Text Chunk + Vector) | 그래프 노드 & 엣지 (Graph Network) | 온톨로지 객체 모델 (Ontology Object + Links) |
| 추론 방식 | Top-K 유사도 검색 (Similarity Search) | 커뮤니티 요약 및 시맨틱 그래프 탐색 | 지식그래프 + 온톨로지 액션 + AIP Logic |
| 할루시네이션 방지 | 보통 (문서 파편만 전달) | 높음 (관계 맥락 전달) | 최상 (온톨로지 Grounding + Citation) |
| 엔드유저 앱 연동 | 별도 프론트엔드 개발 필요 | 외부 대시보드 커스텀 개발 필요 | Workshop & Vertex 통합 제공 (No-Code UI) |
| 기업 시스템 연동 | 단방향 조회만 가능 | 단방향 조회만 가능 | 양방향 액션 (Action Types, Write-back) |

---

## 결론 및 엔지니어링 인사이트

Palantir AIP Speedrun은 단순히 LLM API를 호출하는 기술 수준을 넘어, "엔터프라이즈 환경에서 비구조화 데이터를 온톨로지 지식 체계로 승화시키는 데이터 엔지니어링의 정수"를 보여줍니다.

1. 비구조화 데이터의 시맨틱 자산화: PDF 문서가 단순 파일로 남지 않고 `Chunk`와 `Entity`라는 온톨로지 객체로 재구성됩니다.
2. 지식그래프를 통한 명확한 맥락 제공: LLM이 관계를 오해하지 않도록 Vertex 지식그래프 기반의 풍부한 맥락을 주입합니다.
3. 완벽하게 제어되는 AI 워크플로우: AIP Logic과 Workshop UI를 연동하여 보안, 근거 제시, 반응형 UI가 통합된 진정한 기업용 AI 애플리케이션을 완성할 수 있습니다.