라비 보마칸티, App Orchid의 CTO – 인터뷰 시리즈

라비 보마칸티, App Orchid의 최고 기술 책임자(CTO)는 기업이 애플리케이션과 의사 결정 프로세스 전반에 걸쳐 AI를 운영화하는 것을 도와주는 회사의 사명을 이끌고 있습니다. App Orchid의 플래그십 제품인 Easy Answers™을 통해 사용자는 자연어를 사용하여 데이터와 상호 작용하여 AI 기반 대시보드, 통찰력 및 권장 조치를 생성할 수 있습니다.

이 플랫폼은 구조화된 데이터와 비구조화된 데이터(실시간 입력 및 직원 지식 포함)를 예측 데이터 패브릭으로 통합하여 전략적 및 운영적 의사 결정에 지원합니다. 인메모리 빅데이터 기술과 사용자 친화적 인터페이스를 통해 App Orchid는 빠른 배포, 저렴한 구현 및 기존 시스템에 최소한의 중단을 통해 AI를 채택하는 것을 간소화합니다.

큰 그림부터 시작해 보겠습니다. “에이전트 AI”란 무엇이며, 전통적인 AI 시스템과 어떻게 다른가요?

에이전트 AI는 전통적인 AI 시스템의 정적 실행에서 동적 오케스트레이션으로의 근본적인 전환을 나타냅니다. 내게 그것은剛性으로 프로그래밍된 시스템에서 자율적이고 적응 가능한 문제 해결자로 이동하는 것을 의미하며, 이러한 문제 해결자는 이유, 계획 및 협력을 할 수 있습니다.

에이전트 AI를真正로 구별하는 것은 지식과 전문 지식의 분산 특성을 활용하는 능력입니다. 전통적인 AI는 종종 고정된 경계 내에서 작동하며 미리 결정된 경로를 따릅니다. 에이전트 시스템은 그러나 복잡한 작업을 분해하고 하위 작업을 위해 적절한 전문 에이전트를 식별할 수 있으며 에이전트 레지스트리 통해 이러한 에이전트를 потен적으로 발견하고 활용할 수 있습니다. 또한 이러한 에이전트의 상호 작용을 오케스트레이션하여 솔루션을 합성할 수 있습니다. 에이전트 레지스트리의 개념은 기업이 내부적으로 모든 AI 기능을 구축하거나 소유할 필요 없이 필요한 경우 전문 기능을 “대여”할 수 있도록 허용합니다.

따라서 모놀리식 시스템 대신에, 미래는 전문 에이전트를 동적으로 구성하고 조정할 수 있는 생태계를 생성하는 것입니다. 이것은 숙련된 프로젝트 관리자가 팀을 이끄는 것과 마찬가지로 복잡하고 발전하는 비즈니스 과제를 효과적으로 해결하는 것입니다.

Google Agentspace는 기업 전반에 걸쳐 에이전트 AI의 채택을 가속화하는 역할은 무엇이며, App Orchid는 이 생태계에서 어떤 역할을 하나요?

Google Agentspace는 기업 AI 채택을 위한 중요한 가속기입니다. 다양한 작업 애플리케이션에 연결된 지능형 에이전트를 배포 및 관리하기 위한統一된 기반을 제공하고, Gemini와 같은 Google의 강력한 검색 및 모델을 활용하여 기업은 정보의 비용을 줄이고 공통 인터페이스를 통해 작업을 처리할 수 있습니다.

App Orchid는 이 생태계 내에서 중요한 의미적 활성화 계층으로 작동합니다. Agentspace는 에이전트 인프라와 오케스트레이션 프레임워크를 제공하는 반면, Easy Answers 플랫폼은 에이전트가 효과적으로 작동하고 의미 있는 비즈니스 통찰력을 제공하기 위해 필요한 복잡한 데이터를 이해하고 접근할 수 있도록 하는 기업의 중요한 과제를 해결합니다. 우리는 비즈니스 컨텍스트와 관계가 포함된 풍부한 지식 그래프를 구축하기 위해 온톨로지 주도 접근 방식을 사용합니다. 즉, 에이전트가 작동하기 위해 필요한 이해입니다.

이것은 강력한 시너지를 생성합니다. Agentspace는 강력한 에이전트 인프라와 오케스트레이션 기능을 제공하는 반면, App Orchid는 이러한 에이전트가 작동하기 위해 필요한 복잡한 기업 데이터에 대한 깊은 의미적 이해를 제공합니다. Google Cloud Cortex Framework와의 협력은 고객이 데이터 준비 시간을 크게 줄이고(최대 85%) 자연어 쿼리에서 99.8%의 텍스트-SQL 정확도를 달성하는 우리 플랫폼의 업계 최고 수준을 활용하는 예입니다. 함께 우리는 기업이 비즈니스 언어와 데이터의 복잡성을真正로 이해하는 에이전트 AI 솔루션을 배포하여 가치를 실현하는 시간을 가속화하는 것을 가능하게 합니다.

기업이 에이전트 AI를 채택할 때 직면하는 실제 장벽은 무엇이며, App Orchid는 이러한 장벽을 어떻게 극복하도록 도와줍니다?

우리가看到하는 주요 장벽은 데이터 품질, 보안 표준의 진화(특히 에이전트 간 신뢰를 보장하는 것), 기업 지식 및 에이전트 기능의 분산 특성을 관리하는 것과 관련이 있습니다.

데이터 품질은 여전히 기본적인 문제입니다. 에이전트 AI는 다른 AI와 마찬가지로 데이터가 좋지 않으면 신뢰할 수 없는 출력을 제공합니다. App Orchid는 데이터의 의미를 가장 잘 이해하는 비즈니스 사용자를 참여시킴으로써 데이터 간격 및 불일치를 식별하고 해결하는 데 협력하여 기본적으로 이러한 문제를 해결합니다. 이것은 đáng kể한 신뢰성을 향상시킵니다.

보안은 특히 에이전트 간 통신이 일반화됨에 따라 내부 및 외부 시스템을 아우르는 잠재적인 경우에 또 다른 중요한 장애물입니다. 에이전트 간 신뢰를 확립하고 필요에 따라 상호 작용을 유지하면서 거버넌스를 유지하는 강력한 메커니즘을 구현하는 것이 중요합니다. 우리의 플랫폼은 이러한 동적 상호 작용을 위한 보안 프레임워크를 구현하는 데 중점을 둡니다.

마지막으로, 분산된 지식 및 기능을 효과적으로 활용하려면 고급 오케스트레이션이 필요합니다. App Orchid는 Model Context Protocol(MCP)와 같은 개념을 활용합니다. 이는 문脈에 따라 특화된 에이전트를 저장소에서 동적으로 소싱하여 유연하고 적응 가능한 워크플로우를 구축하는 데 도움이 됩니다. 이 접근 방식은 Google의 Agent2Agent 프로토콜과 같은 다중 에이전트 시스템에서 통신을 표준화하기 위한 것으로, 신뢰할 수 있고 효과적인 에이전트 AI 솔루션을 구축하는 데 도움이 됩니다.

Easy Answers™이 작동하는 방식을 설명해 주세요. 자연어 쿼리에서 통찰력 생성까지?

Easy Answers는 사용자가 기업 데이터와 상호 작용하는 방식을 혁신적으로 바꾸어줍니다. 사용자는 자연어를 통해 고급 분석을 수행할 수 있습니다. 여기 작동 방식이 설명되어 있습니다:

• 연결: 우리는 기업의 데이터 소스에 연결하기 시작합니다. 우리는 200개 이상의 일반 데이터베이스 및 시스템을 지원합니다. 이러한 연결은 데이터가 있는 곳에서 데이터를 이동하거나 복제할 필요 없이 보안으로 연결하는 경우가 많습니다.
• 온톨로지 생성: 우리의 플랫폼은 연결된 데이터를 자동으로 분석하고, 비즈니스 중심의 엔티티로 구조화된 포괄적인 지식 그래프를 구축합니다. 우리는 이러한 엔티티를 관리 의미 객체(MSO)라고 하며, 이들은 데이터 간의 관계를 포착합니다.
• 메타데이터 강화: 이 온톨로지는 메타데이터로 강화됩니다. 사용자는 높은 수준의 설명을 제공하며, 우리의 AI는 각 MSO 및 속성(필드)에 대한 자세한 설명을 생성합니다. 이 결합된 메타데이터는 데이터의 의미와 구조에 대한 깊은 컨텍스트를 제공합니다.
• 자연어 쿼리: 사용자는 비즈니스 언어를 사용하여 질문을 합니다. 예를 들어, “제품 X의 판매 추세를 지난 분기와 비교하여 서부 지역에서 보여주세요.”
• 해석 및 SQL 생성: 우리의 NLP 엔진은 지식 그래프의 풍부한 메타데이터를 사용하여 사용자의 의도를 이해하고, 관련 MSO 및 관계를 식별하며, 질문을 정밀한 데이터 쿼리(예: SQL)로 번역합니다. 여기서 우리는 업계 최고 수준의 99.8%의 텍스트-SQL 정확도를 달성합니다.
• 통찰력 생성(キュ레이션): 시스템은 데이터를 검색하고 사용자의 답변을 가장 효과적으로 시각적으로 표현하는 방법을 결정합니다. 우리의 플랫폼에서는 이러한 상호작용 시각화를 ‘キュ레이션’이라고 합니다. 사용자는 자동으로 이러한キュ레이션을 생성하거나 특정 요구 사항 또는 표준에 맞게 미리 구성할 수 있습니다.
• 더 깊은 분석(퀵 인사이트): 더 복잡한 질문이나 프로액티브 디스커버리를 위해 사용자는 퀵 인사이트를 활용할 수 있습니다. 이 기능을 통해 사용자는 데이터 필드에 ML 알고리즘을 쉽게 적용하여 패턴을 자동으로 감지하거나, 이상을 식별하거나, 가설을 검증할 수 있습니다. 이는 데이터 과학 전문 지식이 필요하지 않습니다.

이整个 과정은 종종 몇 초 안에 완료되며, 데이터 액세스와 분석을 민주화하여 복잡한 데이터 탐색을 간단한 대화로 전환합니다.

Easy Answers는 대규모 기업에서 데이터 실로를 어떻게 연결하며, 통찰력이 설명 가능하고 추적 가능하게 하는데 어떻게 도움이 되나요?

데이터 실로는 대규모 기업에서 주요 장애물입니다. Easy Answers는 우리의 고유한 의미적 계층 접근 방식을 통해 이러한 근본적인 과제를 해결합니다.

비용이 많이 들고 복잡한 물리적 데이터 통합 대신에, 우리는 가상 의미적 계층을 생성합니다. 우리의 플랫폼은 다양한 데이터 소스에 연결하여 논리적으로 통일된 뷰를 구축합니다. 이 계층은 지식 그래프 기술로 구동되며, 데이터를 관리 의미 객체(MSO)로 매핑하고, 관계를 정의하며, 컨텍스트 메타데이터로 강화합니다. 이것은 인간과 AI 모두가 이해할 수 있는 공통의 비즈니스 언어를 생성하여, 기술 데이터 구조(테이블, 열)와 비즈니스 의미(고객, 제품, 판매)를 효과적으로 연결합니다. 데이터가 물리적으로 어디에 있든지 상관없이 말입니다.

통찰력이 신뢰할 수 있게 하려면 추적 가능성과 설명 가능성이 모두 필요합니다:

• 추적 가능성: 우리는 포괄적인 데이터 계보 추적을 제공합니다. 사용자는キュ레이션 또는 통찰력에서 원본 데이터로 드릴 다운하여 모든 적용된 변환, 필터 및 계산을 볼 수 있습니다. 이것은 검증 및 준수에 필요한 완전한 투명성과 감사 가능성을 제공합니다.
• 설명 가능성: 통찰력은 자연어 설명과 함께 제공됩니다. 이러한 요약은 데이터가 무엇을 보여주고 왜 비즈니스적으로 중요한지에 대해 설명합니다. 복잡한 결과를 광범위한 청중을 위한 행동 가능한 이해로 번역합니다.

이 조합은 실로를 연결하고 통일된 의미적 뷰를 생성하며, 투명성과 설명 가능성을 통해 신뢰를 구축합니다.

통찰력이 특히 규제 산업에서 데이터 계보가 중요한 경우에 투명성을 보장하는 방법은 무엇인가요?

투명성은 특히 규제 산업에서 감사 가능성과 방어 가능성이 매우 중요한 경우에 절대적으로 필요합니다. 우리의 접근 방식은 세 가지 주요 차원에서 투명성을 보장합니다:

• 데이터 계보: 이것은 기본적입니다. 앞서 언급했듯이, Easy Answers는 종단간 데이터 계보 추적을 제공합니다. 모든 통찰력, 시각화 또는 숫자는 원본 데이터 소스에서 시작하여 적용된 모든 조인, 변환, 집계 또는 필터를 통해 신뢰할 수 있는 데이터 기원을 제공하기 위해 추적할 수 있습니다.
• 방법론 가시성: 우리는 ‘블랙 박스’ 문제를 피합니다. 분석 또는 ML 모델이 사용되는 경우(예: 퀵 인사이트를 통해), 플랫폼은 사용된 방법론, 매개 변수 및 관련 평가 지표를 명확하게 문서화하여 ‘어떻게’ 뒤에 있는 내용이 ‘무엇’과同じ하게 투명하도록 합니다.
• 자연어 설명: 기술 출력을 비즈니스 컨텍스트로 번역하는 것은 투명성에 중요합니다. 모든 통찰력은 그 발견, 중요성 및 잠재적인 제한에 대한 설명과 함께 제공됩니다. 이는 모든 이해 관계자, 규제 담당자 및 감사관을 위해 명확성을 보장합니다.

さらに, 우리는 규제 요구 사항이 있는 산업을 위한 추가 거버넌스 기능을 통합합니다. 이러한 기능에는 역할 기반 액세스 제어, 특정 작업 또는 보고서에 대한 승인 워크플로, 사용자 활동 및 시스템 작업을 추적하는 포괄적인 감사 로그가 포함됩니다. 이 다층적 접근 방식은 통찰력이 정확하고, 완전히 투명하며, 설명 가능하며, 방어 가능하도록 보장합니다.

App Orchid는 에이전트 생성된 통찰력을 어떻게 행동으로 전환시키나요? 생성된 행동과 같은 기능을 통해?

통찰력을 생성하는 것은 가치가 있지만, 실제 비즈니스 결과를 驅動하는 것이真正의 목표입니다. 올바른 데이터와 컨텍스트가 있는 에이전트 생태계는 통찰력 발견과 구체적인 행동 사이의 중요한 간격을 메우며, 분석을 수동적인 보고 기능에서 실제 개선의 주도자로 전환합니다.

여기 작동 방식이 설명되어 있습니다: Easy Answers 플랫폼이 분석을 통해 중요한 패턴, 추세, 이상 또는 기회를 식별할 때, 그것은 컨텍스트적으로 관련 있는 구체적인 행동을 제안하기 위해 AI를 활용합니다.

이것은 모호한 제안이 아닙니다. 구체적인 추천 사항입니다. 예를 들어, 고객 유실 위험이 높은 고객을 단순히 플래그하는 대신, 세그먼트별 맞춤형 유지 관리 제안을 추천할 수 있으며, 예상 영향 또는 ROI를 계산하고 통신 템플릿을 작성할 수 있습니다. 추천을 생성할 때, 시스템은 비즈니스 규칙, 제약, 역사 데이터 및 목표를 고려합니다.

중요한 것은 인간의 판단이 결정 과정의 중심에 남아 있다는 것입니다. 추천된 행동은 검토, 수정, 승인 또는 거부를 위해 적절한 사용자에게 제시됩니다. 이는 비즈니스 판단이 결정 과정의 중심에 있음을 보장합니다.

승인된 후, 우리는 운영 시스템과의 통합을 통해 무결한 실행을 위해 에이전트 흐름을 트리거할 수 있습니다. 이것은 CRM에서 워크플로우를 트리거하거나, ERP 시스템에서 예측을 업데이트하거나, 타겟 마케팅 작업을 시작하거나, 다른 관련 비즈니스 프로세스를 시작하는 것을 의미할 수 있습니다. 이는 통찰력에서 직접 결과로의 루프를 닫습니다.

지식 그래프와 의미 데이터 모델은 플랫폼의 성공에 어떻게 핵심적인가요?

지식 그래프와 의미 데이터 모델은 Easy Answers 플랫폼의 핵심입니다. 이것은 데이터를 비즈니스 컨텍스트가 없는 단순한 테이블과 열로 취급하는 전통적인 BI 도구를 넘어선 것입니다. 우리의 플랫폼은 기업 데이터에 지능형 의미적 계층을 구축하기 위해 이러한 모델을 사용합니다.

이 의미적 기반은 여러 가지 주요 이유로 우리의 성공에 핵심적입니다:

• 진짜 자연어 상호 작용을 가능하게 함: 지식 그래프로 구조화된 의미 모델은 관리 의미 객체(MSO), 속성 및 정의된 관계로 구성되어 있으며, 인간의 언어와 비즈니스 용어의 미묘한 차이를 데이터를 검색하기 위해 필요한 정밀한 쿼리로 번역합니다. 이것은 우리의 높은 텍스트-SQL 정확도에 핵심입니다.
• 중요한 비즈니스 컨텍스트 보존: 단순한 관계 조인과 달리, 우리의 지식 그래프는 비즈니스 엔티티 간의 풍부한 복잡한 관계 웹을 명시적으로 캡처합니다(예: 고객이 제품을 통해 지원 티켓 및 주문과 상호 작용하는 방법). 이것은 비즈니스 운영을 반영하는 더 깊은, 더 컨텍스트가 있는 분석을 허용합니다.
• 적응성 및 확장성 제공: 의미 모델은剛性 스키마보다 더 유연합니다. 비즈니스 요구 사항이 발전하거나 새로운 데이터 소스가 추가되면 지식 그래프를 증분 방식으로 확장 및 수정할 수 있으며, 일관성을 유지하면서 변화에 적응할 수 있습니다.

Easy Answers에서 수행하는 모든 것의 근본적인 이해를 제공하는 이 의미적 계층은 기본 Q&A에서부터 고급 패턴 감지(퀵 인사이트와 같은)까지, 그리고 미래의 에이전트 AI 기능을 위한 필수적인 기초를 형성하며, 에이전트가 데이터를 의미 있게 이유를 내릴 수 있도록 합니다.

기초 모델은 무엇이며, 조직이 자신의 AI/ML 모델을 워크플로에 통합하는 방법은 무엇인가요?

우리는 열린 접근 방식을 믿으며, AI의 빠른 진화를 인정하며, 조직의 기존 투자를 존중합니다.

기초 모델의 경우, 우리는 여러 제공업체의 주요 옵션과 함께 유지 관리합니다. 여기에는 Google의 Gemini 패밀리, OpenAI의 GPT 모델 및著名한 오픈 소스 대안이 포함됩니다. 이것은 조직이 성능, 비용, 거버넌스 또는 특정 기능 필요에 따라 모델을 선택할 수 있도록 허용합니다. 이러한 모델은 자연어 이해, SQL 생성, 통찰력 요약 및 메타데이터 생성을 포함한 다양한 플랫폼 기능을 구동합니다.

이것을 넘어서, 우리는 조직이 자신의 사용자 정의 AI/ML 모델을 Easy Answers 워크플로에 통합하는 강력한 경로를 제공합니다:

• Python에서 개발된 모델은 종종 우리의 AI 엔진을 통해 직접 통합될 수 있습니다.
• 우리는 Google Vertex AI 및 Amazon SageMaker와 같은 주요 클라우드 ML 플랫폼과 함께無缝한 통합 기능을 제공하며, 이러한 플랫폼에서 훈련되고 호스팅되는 모델을 호출할 수 있습니다.

중요한 것은 우리의 의미적 계층이 이러한 잠재적으로 복잡한 사용자 정의 모델을 접근 가능하게 만드는 핵심적인 역할을 하는 것입니다. 모델 입력 및 출력을 지식 그래프(MSO 및 속성)에 정의된 비즈니스 개념에 연결함으로써, 우리는 비기술 비즈니스 사용자가 고급 예측, 분류 또는 인과 모델(예: 퀵 인사이트를 통해)을 활용할 수 있도록 합니다. 그들은 친숙한 비즈니스 용어로 상호 작용하며, 플랫폼이 기술적인 번역을 처리합니다.

앞으로 기업 AI의 다음 물결을 형성하는 추세는 무엇이며, 특히 에이전트 마켓플레이스와 노코드 에이전트 설계의 경우에는 무엇인가요?

기업 AI의 다음 물결은高度 동적, 구성 가능하며 협력적인 생태계로 이동하고 있습니다. 여러 추세가 이 방향으로 집중하고 있습니다:

• 에이전트 마켓플레이스 및 레지스트리: 내부 에이전트 레지스트리와 함께 에이전트 마켓플레이스의 상승을 볼 것입니다. 이것은 빌드에서 구성 및租用으로의 전환을 촉진하며, 조직은 필요에 따라 특화된 에이전트를 동적으로 발견하고 통합할 수 있습니다. 이는 솔루션 배포를 크게 가속화합니다.
• 표준화된 에이전트 통신: 이러한 생태계가 작동하려면 에이전트가 공통 언어를 필요로 합니다. 에이전트 간 통신을 위한 표준화된 프로토콜, 즉 Model Context Protocol(MCP)와 같은 프로토콜은 에이전트 간의無缝한 협력, 컨텍스트 공유 및 작업 위임을 가능하게 하는데 필수적입니다.
• 동적 오케스트레이션: 정적, 사전 정의된 워크플로우는 동적 오케스트레이션으로 대체될 것입니다. 지능형 오케스트레이션 레이어는 특정 문제 컨텍스트에 따라 런타임 시 에이전트를 선택, 구성 및 조정하여 훨씬 더 적응性 있고 회복력이 있는 시스템을 구축할 것입니다.
• 노코드/로코드 에이전트 설계: 민주화는 에이전트 생성으로 확장됩니다. 노코드 및 로코드 플랫폼은 비즈니스 전문가가 특정 도메인 지식 및 비즈니스 논리를 캡처하는 에이전트를 설계하고 구축할 수 있도록 허용하여 사용 가능한 특화된 기능 풀을 더욱 풍부하게 합니다.

App Orchid의 역할은 이러한 미래를 위한 중요한 의미적 기초를 제공하는 것입니다. 동적 생태계의 에이전트가 효과적으로 협력하고 의미 있는 작업을 수행하려면 기업 데이터를 이해할 수 있어야 합니다. 우리의 지식 그래프와 의미적 계층은 이러한 에이전트가 비즈니스 용어로 데이터를 이유 있게 하고 행동할 수 있도록 하는 컨텍스트 이해를 제공합니다.

에이전트 AI가 민주화된 상황에서 CTO의 역할은 어떻게 진화할까요?

에이전트 AI를 통해 의사 결정 지능을 민주화하는 것은 CTO의 역할을 근본적으로 높입니다. 그것은 기술 인프라의 관리자에서 조직 지능의 전략적 오케스트레이터로의 전환입니다.

중요한 발전은 다음과 같습니다:

• 시스템 관리자에서 생태계 아키텍트로:焦点은 분리된 애플리케이션을 관리하는 것에서 동적 상호 작용하는 에이전트, 데이터 소스 및 분석 기능의 생태계를 설계, 큐레이션 및 거버넌스하는 것으로 이동합니다.
• 데이터 전략을 핵심 비즈니스 전략으로: 데이터가 단순히 사용 가능하다는 것보다 의미가 풍부하고, 신뢰할 수 있으며, 접근 가능하다는 것을 보장하는 것이 중요합니다. CTO는 지식 그래프를 구축하는 데 핵심적인 역할을 하여 조직 전반에 걸쳐 지능형 시스템을 구동합니다.
• 거버넌스 패러다임의 진화: 에이전트 AI에 대한 새로운 거버넌스 모델이 필요합니다. 에이전트 신뢰, 보안, 윤리적 AI 사용, 자동화된 의사 결정의 감사 가능성 및 에이전트 협력의 출현 행동을 관리하는 것입니다.
• 적응성의 우수성: CTO는 기술 및 운영 인프라에 적응성을 내장하는 데 중요한 역할을 하여 AI 기반 통찰력이 빠른 반응과 지속적인 학습으로 이어지도록 합니다.
• 인간-에이전트 협력의 촉진: 핵심적인 측면은 인간과 에이전트가 서로의 강점을 보완하는 시너지적으로 협력할 수 있는 문화와 시스템을 조성하는 것입니다.

궁극적으로, CTO는 IT 비용을 관리하는 것보다 조직의 ‘지능 잠재력’을 최대화하는 데 중점을 둡니다. 이것은 전략적 파트너로의 전환으로,整个 비즈니스를 더욱 지능적으로 그리고 적응적으로 작동하도록 가능하게 합니다.

멋진 인터뷰 감사합니다. 더 많은 정보를 배우고 싶은 독자는 App Orchid를 방문해야 합니다.