AI 연료 ‘데이터’ 4년내 고갈...AGI 대신 이 기술로 대비해야 작성일 03-05 130 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">[2025 디지털 트랜스포메이션] AI-리더블 기술</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="za3AdHZwdD"> <figure class="figure_frm origin_fig" contents-hash="65fe6ffe1f9e0b665541c093b7199e64c650514bf9859a3396cdab50d4f9348c" dmcf-pid="qN0cJX5rdE" dmcf-ptype="figure"> <p class="link_figure"><img alt="그래픽=양진경·Midjourney" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202503/05/chosun/20250305073029891stmb.jpg" data-org-width="1800" dmcf-mid="0OeXh46FdO" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202503/05/chosun/20250305073029891stmb.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 그래픽=양진경·Midjourney </figcaption> </figure> <p contents-hash="68a2c7bdc3a2e0607646debc517cec6508141dbbd609275d202ed14727f0d555" dmcf-pid="BjpkiZ1mnk" dmcf-ptype="general"><i>AI(인공지능) 발전의 근간은 양질의 데이터입니다. 하지만 인터넷상에 퍼져 있는 데이터가 증가하는 속도는 AI 학습 속도를 따라가지 못하고 있습니다. AI가 학습할 수 있는 데이터는 바닥을 드러내기 시작했습니다. 조선일보 테크부와 글로벌 컨설팅 기업 ‘보스턴컨설팅그룹(BCG) 코리아‘가 함께 하는 ‘2025 디지털 트랜스포메이션’의 세 번째 주제는 데이터가 고갈되는 상황 속에서 고품질의 데이터를 확보할 수 있는 ‘AI 인식(AI-readable)’ 기술입니다.</i></p> <p contents-hash="c5af85e5df57c31d0a3a28783192edeb094fedadfb54b2471505ed9d62579e3a" dmcf-pid="bAUEn5tsMc" dmcf-ptype="general">데이터는 AI의 연료와 같다. 데이터 양이 풍부할수록, 쉽게 접할 수 없지만 거짓이 아닌 데이터일수록 AI를 고도화할 수 있다. 최근 2년여간 AI가 급격히 발전할 수 있던 배경 역시 인터넷에 퍼져 있던 방대한 데이터를 기반으로 학습한 덕분이다. 하지만 AI 연구기관 에포크AI는 “2026년부터 AI 학습용 데이터가 고갈되기 시작할 것”이라고 전망했다. 4년 내 훈련 데이터가 고갈될 가능성이 높다. 챗GPT 개발사 오픈AI 공동 창업자 일리야 수츠케버도 “AI 성능 향상에 도움이 될 만한 데이터는 이미 바닥을 드러냈다”고 했다.이렇듯 AI 발전에 필수적인 고품질의 방대한 데이터가 고갈되고 있는 상황에서 데이터 기술의 발전은 더욱 중요해지고 있다.</p> <p contents-hash="7304a45692f6a8247c3570418d7fa8efb96044c7f1711b47e6e62a6e9227b733" dmcf-pid="KcuDL1FOnA" dmcf-ptype="general">실제 국내 기업들도 같은 어려움을 겪고 있다. 지난해 소프트웨어정책연구소(SPRi)에서 발표한 ’2023인공지능산업 실태조사’에는 데이터 확보에 어려움을 겪고 있는 기업들의 고충이 담긴 조사 결과가 반영됐다. 원인을 살펴보면 AI 비즈니스에 활용할 수 있는 데이터가 많지 않다는 것이다. 고품질의 공공 데이터가 부족하고, 정보 동의 등의 데이터 수집 과정이 복잡하고 많은 시간이 소요된다는 점도 지목됐다. 국가의 미래가 걸린 AI 산업 발전을 위해 정치권·정부·산업계가 힘을 모아 발의된 AI 기본법이 통과된 덕분에 AI 학습용 데이터 확보 및 활용과 관련된 여러 규제가 해결되고 정책적 지원이 보완될 수는 있다. 그럼에도 비즈니스 현장에서 넘어야 할 산은 여전히 많이 남아있다.</p> <p contents-hash="34c995cdfb01bb67608b0ed11e3df4fe022806a6e16b5cb35593842033981e66" dmcf-pid="9k7wot3IMj" dmcf-ptype="general"><strong>◇인간처럼 데이터 이해하는 AI</strong></p> <p contents-hash="09ca4f1de21acc2902b25dc20da6635dcef639116abc5d401bcb57a70809cdb4" dmcf-pid="26SxKmOJiN" dmcf-ptype="general">‘AI-리더블(인식·readable)’ 데이터 기술은 말 그대로 AI가 데이터를 더 잘 읽고 이해할 수 있도록 만드는 기술이다. 컴퓨터나 AI는 사람이 만든 텍스트나 이미지 등의 미가공 데이터를 바로 이해하지 못한다. 예컨대 인간은 문맥을 통해 ‘Paris(파리)’가 프랑스의 도시 이름인지 유명인 이름인지 구별할 수 있다. 하지만 AI는 맥락 정보가 제공되지 않으면 정확한 의미 파악에 어려움을 겪을 수 있다. AI-리더블 데이터 기술은 이러한 문제를 해결하기 위해 데이터에 의미와 구조를 부여해 AI가 마치 사람처럼 데이터를 이해하도록 돕는다.</p> <p contents-hash="908c133bb6c55b826a81cea1a0f12defe3552c6b2a68182f11f92d8bfc436a91" dmcf-pid="VPvM9sIiJa" dmcf-ptype="general">이 기술은 더 똑똑하고 효율적인 AI로의 발전을 가능하게 한다. AI에 잘 정제된 데이터를 주면 마치 사람이 체계적으로 정리된 백과사전을 볼 때처럼 빠르고 정확하게 지식을 습득할 수 있다. 반대로 구조화되지 않은 무질서한 데이터가 주어지면, AI 개발자들은 데이터를 일일이 정리하고 해석시키는 데 매우 많은 시간과 노력을 들여야 한다. 한국지능정보사회진흥원(NIA)에서 조사한 AI 프로젝트에 소요되는 시간을 항목별로 분류한 자료를 보면, 해당 프로젝트에 투입되는 시간과 노력에서 약 70% 이상이 데이터 준비에 소요되는 것으로 나타났다.</p> <figure class="figure_frm origin_fig" contents-hash="8478e0975274404e233e59defdde3ceb06f2ad95c76df6e57d91257a2a97dbc6" dmcf-pid="fQTR2OCnMg" dmcf-ptype="figure"> <p class="link_figure"><img alt="그래픽=조선디자인랩 권혜인" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202503/05/chosun/20250305073031370yxqx.jpg" data-org-width="480" dmcf-mid="p02CcuzTes" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202503/05/chosun/20250305073031370yxqx.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 그래픽=조선디자인랩 권혜인 </figcaption> </figure> <p contents-hash="af73f314d973e8ea9e7552afc487ecea1aa0c7bbc90091145627267e3d17596e" dmcf-pid="4xyeVIhLdo" dmcf-ptype="general">이는 데이터 수집, 정제, 라벨링 등 데이터 전처리 과정이 AI 개발의 핵심 단계임을 보여준다. 동시에 AI 프로젝트에서 중요도가 떨어지는 데이터 전처리 작업에 드는 시간과 비용 할애가 크다는 것을 의미한다. 특히 기업 관점에서 이 결과는 AI 학습용 데이터 구축과 구입을 위한 노력과 비용, 시간 부담에 더해 데이터 확보 후에도 정제 및 검수에 수많은 시간과 인력 투입의 필요성을 보여준다. 많은 기업이 AI 서비스 출시에 어려움을 겪는 이유이기도 하다. 결과적으로 데이터가 AI도 인식 가능한 형태로 준비돼 있다면 전처리 작업에 드는 시간과 비용을 크게 줄이고 그만큼 AI 모델 개발과 인사이트 도출에 더 많은 시간을 할애할 수 있다.</p> <p contents-hash="597577f6172bcb404fd25bd77638f94e586264035fa4d59749d1a1c681d04d75" dmcf-pid="8MWdfCloJL" dmcf-ptype="general"><strong>◇의료 데이터도 분석해 질병 예측</strong></p> <p contents-hash="36ce81454ebe2bac49ca1b4fed81b829cfab7da96c8d24545309e903eb4a4bf3" dmcf-pid="6RYJ4hSgLn" dmcf-ptype="general">데이터에 맥락 정보가 없을 때 생기는 오류나 비효율도 줄일 수 있다. 맥락 없는 상태에서 AI는 ‘Apple(애플)’이 과일인지 IT 회사인지 혼동할 수 있다. 하지만 데이터가 일관된 체계로 표식(라벨링)되고 관련 지식이 연결돼 있으면 AI는 문맥에 맞게 데이터를 이해할 수 있게 된다. 즉 잘못된 판단을 할 확률이 낮아지는 셈이다. 넷플릭스나 유튜브에서 AI 추천 시스템의 편리함을 체감하는데 이 과정에서 추천의 정확도를 높이는 비결 중 하나가 AI가 콘텐츠와 사용자 데이터를 이해하기 쉽게 구성했기 때문이다. 넷플릭스의 경우, 사용자가 시청하는 콘텐츠의 80% 이상이 추천 알고리즘을 통해 발견한 것이라고 한다. 덕분에 사용자 시청 이력, 영화 장르, 출연 배우 등의 정보를 체계적으로 묶어 개인 맞춤형 추천을 제공할 수 있는 것이다. 이는 AI-리더블 데이터 기술이 콘텐츠 소비 형태까지 바꾸어 놓은 대표적인 예다. 마찬가지로 애플 시리와 같은 음성 비서가 사용자의 질문 의도를 파악해 정확히 답을 해줄 수 있는 것도 그 뒤에 방대한 지식 그래프와 구조화된 정보 데이터베이스가 받쳐주고 있기 때문이다. 우리가 일상에서 크게 향상된 AI의 편의성과 똑똑함을 체감할 수 있었던 배경에는 데이터 기술의 공헌이 있었던 것이다.</p> <p contents-hash="ac1b3fa7276e4e16a0ce564a8a38a20acb0b203a648fd9af5a89f0471717d74d" dmcf-pid="PeGi8lvaMi" dmcf-ptype="general">기업들은 이 기술을 통해 데이터 활용의 폭을 넓히고 의사 결정의 속도와 정확성을 높이고 있다. 예컨대 의료 분야에서는 환자 데이터, 의학 논문, 임상 시험 정보를 지식 그래프로 연결하여 환자별 맞춤 치료나 질병 예측의 정확도를 높이고 있다. 이미 일부 의료 기관들은 이 방식으로 데이터 속 숨겨진 패턴을 발견하는 데 성과를 내고 있다. 금융 분야에서는 사기 거래 탐지나 리스크 관리에 AI-리더블 기술을 활용하고 있는데, 과거에는 잡아내기 힘들었던 복잡한 금융 사기 패턴도 데이터 관계를 분석하는 AI를 통해 금융 사기를 사전에 방지하고 있다.</p> <figure class="figure_frm origin_fig" contents-hash="6e0dbf3d9655d317fc88d9ebb1caf840a360f9694b615a20d932ed665ea2175b" dmcf-pid="QdHn6STNnJ" dmcf-ptype="figure"> <p class="link_figure"><img alt="그래픽=김현국" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202503/05/chosun/20250305073032744kmvn.jpg" data-org-width="1200" dmcf-mid="UKJ5S6Q0im" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202503/05/chosun/20250305073032744kmvn.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 그래픽=김현국 </figcaption> </figure> <p contents-hash="95e267b7a64530ddba6839ffe4fed3f687888f864a72f8b7851b4a4b92435678" dmcf-pid="xN0cJX5rdd" dmcf-ptype="general"><strong>◇AI-리더블 데이터 환경 구축을 위한 전략</strong></p> <p contents-hash="4d97cd62c454514f07ab66b7a6851b18c5391d9d19e1fb9219b9f3fec7151ce0" dmcf-pid="y0NuXJnbLe" dmcf-ptype="general">그렇다면 기업이 AI-리더블 데이터 기술을 활용하기 위해서는 어떤 대비와 전략이 필요할까. 우선 기업이 보유한 데이터가 무엇이며 어디에 있는지 전수 조사가 필요하다. 부서별로 흩어진 서로 다른 형식으로 존재하는 데이터를 한곳으로 모으거나 연결하는 작업이 필요하다. 이 과정은 중복되거나 오래된 데이터를 정리하고, 데이터 품질을 개선하는 일도 포함된다. 다음 단계로는 데이터의 설계도 작성이 필요하다. 이는 어떤 종류의 데이터가 있고 그들 사이에 어떤 관계가 있는지 모델을 만드는 과정으로, 여기서 데이터 온톨로지를 도입할 수 있다. 전자상거래라면 고객, 주문, 제품과 같은 관계를 정의한다. 제품은 가격, 카테고리, 재고 수량 등의 속성을 갖는다는 식으로 개념과 속성의 구조를 잡는다. 이렇게 표준화된 데이터 사전을 만들면, 나중에 새로운 데이터가 추가돼도 일관되게 정의할 수 있고 AI가 그 뜻을 바로 이해할 수 있게 된다.</p> <p contents-hash="4bfd0a68f8aa11ca9c32c44d4f9a0e7919c38eecd5940ad7848b5275b82765f3" dmcf-pid="Wpj7ZiLKnR" dmcf-ptype="general">데이터 구조 설계 완료 후에는 실제로 이를 구현할 시스템이나 도구를 선택한다. 많은 기업이 데이터베이스를 활용하고, 지식 그래프 플랫폼을 도입하기도 하는데 선택한 시스템에 기존 데이터를 이관하거나 연동하는 ETL(추출-변환-적재) 작업을 거쳐 데이터를 새로운 구조에 맞게 변환한다. 예를 들어 제품, 고객, 주문 데이터를 모두 연결하는 지식 그래프를 구축했다면, 각 시스템의 데이터를 추출해 정해둔 온톨로지 구조에 따라 변환해 저장한다. 온톨로지는 데이터를 단순한 숫자나 텍스트가 아닌 ‘의미 있는 정보’로 변환하는 기술이다.</p> <p contents-hash="ddd9c43ce283a2de7596997454f8f599de23989357fd81eb03965f4e63f877e1" dmcf-pid="YUAz5no9nM" dmcf-ptype="general">데이터가 준비되면, 이를 활용하여 AI 모델을 학습시키거나 분석 툴을 개발한다. 이제 AI는 구조화된 데이터를 토대로 더 깊은 인사이트를 얻을 수 있다. 예컨대, 제품 추천 AI를 만든다면 통합된 지식 그래프에서 사용자 행동과 제품 속성 간의 상관관계를 바로 학습할 수 있다. 마지막으로 이렇게 구축된 데이터 체계를 지속적으로 운영하고 관리해야 한다. 데이터는 시간이 지남에 따라 계속 추가되고 변화하기 때문에 새로운 데이터가 들어와도 동일한 원칙으로 구조화되도록 데이터 거버넌스 확립이 필요하다. 또 정기적으로 데이터 품질을 모니터링하고, 온톨로지도 필요에 따라 유연하게 확장하거나 수정해야 한다. 예를 들어 새로운 제품 카테고리가 생기면 온톨로지에 해당 항목을 추가하는 식이다. 여기서 현업 부서와 IT 부서가 함께 협력하여 데이터 활용 문화를 자리 잡게 하는 것도 중요하다.</p> <figure class="figure_frm origin_fig" contents-hash="4525fa69a7bc9a81ace368f9c519672c19084b47be4936d31cf57320e1eddd07" dmcf-pid="Gucq1Lg2Mx" dmcf-ptype="figure"> <p class="link_figure"><img alt="그래픽=조선디자인랩 권혜인" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202503/05/chosun/20250305073034182awcc.png" data-org-width="480" dmcf-mid="uDRXh46Fdr" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202503/05/chosun/20250305073034182awcc.png" width="658"></p> <figcaption class="txt_caption default_figure"> 그래픽=조선디자인랩 권혜인 </figcaption> </figure> <p contents-hash="5a95d891b42aeba7387cc5bb60ce6d04df77c2edcaf4ae5e8c112c9189416300" dmcf-pid="H7kBtoaViQ" dmcf-ptype="general"><strong>◇데이터 구조화 기술은 AI 시스템 핵심 기반</strong></p> <p contents-hash="df179434028efefc4092527fe14611cc68e49d75875ef0a04d001c79c801afe8" dmcf-pid="XzEbFgNfMP" dmcf-ptype="general">데이터에 맥락과 의미를 불어넣는 AI-리더블 데이터 기술은 이제 막 다양한 분야에서 꽃을 피우기 시작했다. 또 빠른 속도로 스스로 학습하고 발전하는 AI의 발전 과정을 보면 향후 5년, 10년 사이 또는 더 빠른 시일 내에 데이터 기술의 미래나 우리가 데이터를 활용하는 방식이 지금과는 많이 달라질 수도 있다. AI-리더블 데이터 기술의 향후 발전상을 짚어보면 다음과 같다. 업계 전문가들은 지식 그래프와 같은 구조화 데이터 기술이 차세대 AI 시스템의 핵심 기반이 될 것으로 보고 있다. 방대한 데이터를 연결해 맥락을 이해시키는 지식 그래프가, 앞으로 나오는 더욱 똑똑한 AI들과 결합하여 사람 수준의 문맥 이해와 추론을 실현할 것이라는 전망이다. 실제로 대형 언어 모델(LLM)과 지식 그래프를 통합하려는 시도가 연구실과 기업에서 활발히 진행되고 있다. 그 결과 미래의 AI는 단순히 통계적 패턴만 보는 것이 아니라 개념들 간의 논리적인 연결까지 고려하여 응답하거나 행동하게 될 것이다. 예를 들어 미래의 AI 비서는 사용자의 질문에 대한 직접적인 답변뿐 아니라 관련된 추가 정보와 배경 지식까지 이해한 풍부한 답변을 줄 수 있게 될 것이다.</p> <p contents-hash="7787178137ce50c218373189cd1bdf90ea6fc594d9a31567f05b0236f637c4ca" dmcf-pid="ZqDK3aj4R6" dmcf-ptype="general">현재까지는 사람의 손으로 데이터를 라벨링하거나 온톨로지를 설계하는 경우가 많지만 앞으로는 AI가 AI를 위해 데이터를 준비하는 시대가 열릴 수도 있다. 향후에는 산업별로 표준화된 데이터 온톨로지가 등장해 기업 간에도 데이터 교류와 공유가 용이해질 가능성이 높다. 개인별 맞춤 서비스는 더욱 정교해질 것이다. 예를 들어 건강 관리 분야에서는 개인의 의료 데이터, 식습관, 운동 데이터 등을 통합 분석하여 맞춤형 건강 조언을 제공하는 AI가 나올 수 있다. 교육 분야에서는 학습자의 성향과 이해도를 파악한 맞춤형 학습 경로를 제안하는 시스템이 일반화될 수 있다. 또한 경영 현장에서는 방대한 시장 데이터와 내부 데이터를 실시간으로 분석해 의사 결정권자에게 최적의 선택지를 추천해주는 AI 조언자도 등장할 것이다.</p> <figure class="figure_frm origin_fig" contents-hash="fffcff9caf96a04ba7fc936f592f47bdf14c25257a8f556c53629bc4a55203d9" dmcf-pid="5Bw90NA8i8" dmcf-ptype="figure"> <p class="link_figure"><img class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202503/05/chosun/20250305073035610twjp.jpg" data-org-width="413" dmcf-mid="7RuDL1FOiw" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202503/05/chosun/20250305073035610twjp.jpg" width="658"></p> </figure> </section> </div> <p class="" data-translation="true">Copyright © 조선일보. 무단전재 및 재배포 금지.</p> 관련자료 이전 “눈치 보고 있을 시간 없다”…미중 갈등 피해 ‘14억 시장’ 전격 방문한 회장님 03-05 다음 '15살 카톡' AI로 대변신⋯대화형 AI '카나나'로 도전장 [IT돋보기] 03-05 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
