"AI 도입했는데 왜 안 되지?"…플랜잇파트너스 "데이터 레이어가 답" 작성일 06-16 43 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">데이터 가상화로 AI 프로젝트 준비 시간 80%→20%</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="FS8AkCCEvT"> <figure class="figure_frm origin_fig" contents-hash="1097900708efa7834089329a8e79e5e88157a98b1dd9ce6cf95625daf4581edc" dmcf-pid="3dGK2MMVyv" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202606/16/552796-pzfp7fF/20260616154949754fwlt.png" data-org-width="640" dmcf-mid="1GZV4dd8SW" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202606/16/552796-pzfp7fF/20260616154949754fwlt.png" width="658"></p> </figure> <p contents-hash="9b7428d18a36f450783a084f9e6b90b06bf0bf3cc5dc3fbff28c4feab604224e" dmcf-pid="0JH9VRRfCS" dmcf-ptype="general">[디지털데일리 이상일기자] 플랜잇파트너스가 인공지능(AI) 프로젝트의 성패를 결정짓는 핵심 요인으로 모델 성능이 아닌 데이터 레이어 전략을 꼽았다. 데이터 준비 시간을 전체 프로젝트의 80%에서 20%로 줄이는 방법론도 함께 제시했다.</p> <p contents-hash="a7d4c3328736568ef3d687bef00a0d76b286216af8ce69558068e80eab2bbcee" dmcf-pid="piX2fee4Tl" dmcf-ptype="general">플랜잇파트너스는 16일 웨비나를 열고 데이터 패브릭과 데이터 가상화 기반의 AI 데이터 레이어 전략을 공개했다. 'AI 프로젝트 데이터 준비 시간 80% 단축, 어떻게 가능했을까요?'라는 주제로 발표에 나선 플랜잇파트너스 임동우 대표는 "AI 과제를 수행하지 않는 기업은 거의 없지만, 의미 있게 진행되는 경우는 많지 않다"고 진단했다. 원인으로는 AI 모델의 한계보다 데이터 준비와 해석의 문제를 먼저 지목했다. 생성형 AI에 정형 데이터를 직접 입력하면 환각과 정합성 오류가 발생한다는 설명이다.</p> <p contents-hash="5d23e32c4ea04003bf36df25c52c7a364ef05efaafb8a4bc693a23766889d09b" dmcf-pid="UnZV4dd8lh" dmcf-ptype="general">임 대표는 "생성형 AI는 확률에 기반해 답변을 작성하기 때문에, 정량형 분석 서비스처럼 정합성이 중요한 영역에서는 큰 문제가 발생할 수 있다"고 말했다. "생성형 AI를 현장에 적용할 때는 숫자를 검증하고 확인하기 위한 추가 시간과 비용이 불가피하게 발생한다"고도 덧붙였다.</p> <p contents-hash="1b054d8b8e5b310f56b0c2eb90df9a22f31f2999941f6d1fd38dbb9989c46242" dmcf-pid="uL5f8JJ6yC" dmcf-ptype="general">비즈니스 용어와 시스템 용어의 불일치도 주요 위험 요인으로 제시됐다. '수익'이라는 단어가 거래 발생 시점·현금 수령 시점·회계 인식 시점 등 시스템마다 다른 기준으로 저장되는 경우가 대표적이다. 같은 단어가 시스템별로 다른 의미를 갖는 환경에서는 AI가 정확한 질의와 답변을 생성하기 어렵다.</p> <p contents-hash="46a9644d0e2762ff4d464b26ce515d28695978b4b76c10aad2620a5f1dad6554" dmcf-pid="7o146iiPyI" dmcf-ptype="general">이를 해결하기 위해 임 대표는 AI 시대의 데이터 레이어가 기존보다 적극적인 역할을 해야 한다고 강조했다. 발표에서는 AI·전사적 디지털전환(AX) 환경에서 데이터 레이어가 담당해야 할 역할로 시맨틱 단일 진실 공급원(Semantic Source of Truth), 거버넌스 백본(Governance Backbone), 인증 응답 채널, AI 에이전트 백엔드, 의사결정 카탈로그를 제시했다.</p> <p contents-hash="f19b0e72aaf0c4769ac10f88541e6d1dde65cec6691f14b8adeb5a15d1ae767b" dmcf-pid="zgt8PnnQlO" dmcf-ptype="general">기존의 데이터 복제·적재 방식에 대한 한계도 지적됐다. 과거 전사적데이터웨어하우스(EDW)와 데이터 레이크 구축 과정에서 반복됐던 '데이터 복사와 붙여넣기' 방식을 AI 에이전트 플랫폼에도 그대로 적용하면 또 다른 데이터 사일로와 운영 비용이 발생한다는 것이다. 전체 데이터 복제, 연간 수억 원 이상의 비용, 별도 데이터 사일로 운영이 AI 플랫폼 구축의 주요 부담으로 꼽혔다.</p> <p contents-hash="e3ab6f45673ceb07c1730557af61a8afec3512bd07b3575d73849dd0664fdfda" dmcf-pid="qdGK2MMVvs" dmcf-ptype="general">대안으로 제시된 것은 디노도(Denodo) 기반의 데이터 패브릭, 즉 논리적 데이터 웨어하우스 접근법이다. 데이터를 물리적으로 이동시키지 않고 가상화 레이어에서 연결·관리·배포하는 방식이다. 온프레미스, 클라우드, 서비스형소프트웨어(SaaS), 스트리밍 시스템 등 분산된 데이터 원천을 200개 이상의 어댑터로 연결한다. 통일된 용어 기반의 데이터 모델을 구현하고, 비즈니스 인텔리전스(BI)·데이터 사이언스 도구·응용프로그램인터페이스(API) 등을 통해 데이터를 배포하는 구조도 제공한다.</p> <div contents-hash="9c5af5ca7c1b2d42482160dc78ef932eb706916c68b1a9a8d02099dd69682e5a" dmcf-pid="BJH9VRRfhm" dmcf-ptype="general"> 임 대표는 AI 에이전트가 실제 기업 데이터에 접근하기 위한 조건으로 유연성, 풍부한 컨텍스트, 최신성, 속도, 보안·거버넌스를 제시했다. 데노도 어시스턴트(Denodo Assistant)는 데이터 및 컬럼 설명, 태그, 연관 관계와 조인 조건을 추천해 AI와 사람이 동일한 비즈니스 언어로 데이터를 이해하도록 지원한다. </div> <figure class="figure_frm origin_fig" contents-hash="c96e87608355480a563ad30032b7b2b1c7f35bfef23332701bf129f6bfeee2eb" dmcf-pid="biX2fee4Wr" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202606/16/552796-pzfp7fF/20260616154951163cyww.png" data-org-width="640" dmcf-mid="tFt8PnnQhy" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202606/16/552796-pzfp7fF/20260616154951163cyww.png" width="658"></p> </figure> <p contents-hash="155fb2ad5b9f01bfcb6535a88740f7a7a3f2cb7c6238e80f99600614e6950853" dmcf-pid="KnZV4dd8Ww" dmcf-ptype="general">임 대표는 "시스템에 적용된 컬럼명과 테이블명만으로는 생성형 AI가 정확한 쿼리를 만들기 어렵다"며 "하나의 통합 메타데이터 레이어를 저장하고 관리해야 대규모언어모델(LLM)이 더 정확한 쿼리를 만들 수 있다"고 강조했다.</p> <p contents-hash="1338deefbd93b658cc4b5231c1442d4fcac4c16fff0eb886b917416165b57215" dmcf-pid="9L5f8JJ6lD" dmcf-ptype="general">이날 웨비나에서는 디노도 AI SDK 기반 챗봇 시연도 진행됐다. 가상 은행의 대출 업무를 다루는 샘플 데이터베이스를 활용했으며, 고객·계좌·대출·상환 내역 등 8개 뷰로 구성된 데이터를 포스트그레SQL(PostgreSQL)과 마이SQL(MySQL)에 분산 저장한 환경을 가정했다. 챗봇은 자연어 질문을 바탕으로 관련 메타데이터를 검색하고, 필요한 테이블과 조인 조건을 파악한 뒤 SQL을 실행했다.</p> <p contents-hash="96fd4498d071b5cac2a4c6fa087f68725fa174f494d4e3b572d9d5cccc1e067a" dmcf-pid="2o146iiPhE" dmcf-ptype="general">'액티브한 모기지'처럼 의미가 모호한 표현에 대해서는 임의로 판단하지 않고 사용자에게 되물었다. 실행된 SQL, 쿼리 설명, 토큰 사용량, 응답 시간, 사용된 테이블 등도 함께 제시해 답변의 근거를 검증할 수 있도록 했다. 권한이 제한된 사용자 계정으로 접속했을 때는 접근 권한이 없는 데이터를 응답에서 자동으로 제외해 보안 정책이 AI 챗봇에도 그대로 적용됨을 보여줬다.</p> <p contents-hash="a7805475e7b79ff43cdff8699afd695ce31c377788fc228547fe443ab2593484" dmcf-pid="Vgt8PnnQWk" dmcf-ptype="general">디노도 기반 접근의 기대 효과로는 데이터 통합 프로젝트 기간을 10개월에서 4개월로, 유지보수 인력을 10명에서 4명으로, 신규 데이터 소스 추가 기간을 2주에서 2일로 단축할 수 있다고 제시됐다. AI 프로젝트 개념검증(PoC) 기간은 3개월에서 2주로, AI 모델 재사용률은 20%에서 75%로 높아지는 효과도 강조됐다.</p> <p contents-hash="6dc9417e4f7396c788d6d9660334251a819ca78ad67f9cf5019d6f62da196787" dmcf-pid="faF6QLLxWc" dmcf-ptype="general">임 대표는 "데이터 가상화 솔루션 없이는 데이터를 연결하고 준비하는 데만 수개월이 걸릴 수 있다"며 "가상화 레이어를 활용하면 AI 서비스를 수주 이내 구현하는 것도 가능하다"고 말했다. 또 "데이터 통합 프로젝트 기간과 유지보수 인력, 신규 데이터 소스 추가 시간을 줄이면서 AI 모델 재사용률을 높이는 것이 데이터 가상화 접근의 핵심 가치"라고 덧붙였다.</p> </section> </div> <p class="" data-translation="true">Copyright © 디지털데일리. All rights reserved. 무단 전재 및 재배포 금지.</p> 관련자료 이전 범정부 AI 공통기반 활용한 12개 공공 AI 지원 사업 '윤곽'…주인공은 AI 전문기업들 06-16 다음 '참당귀·황기'로 전립선 건강 지킨다…농촌진흥청, 신소재 개발 06-16 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
