안녕하세요. 기업 데이터가 AI 업무에 실제로 활용될 수 있도록 돕는 큐빅(CUBIG)입니다.
AI 플랫폼을 검토하는 회의에 들어가면 비슷한 표현을 반복해서 듣게 됩니다.
데이터 카탈로그는 흩어진 데이터를 찾아 AI가 이해할 수 있게 한다고 설명합니다. 거버넌스 플랫폼은 정책과 권한을 통제해 안전한 AI 활용을 지원한다고 말합니다. 클라우드 데이터 플랫폼은 대규모 데이터를 빠르게 저장하고 조회해 AI 워크로드를 실행할 수 있다고 강조합니다.
모두 ‘AI-Ready’를 이야기하지만, 각 제품이 해결하는 데이터 문제는 서로 다릅니다.
그래서 AI-Ready 플랫폼을 비교할 때는 기능 목록보다 먼저 질문해야 할 것이 있습니다.
AI-Ready가 해결해야 할 문제
데이터를 찾고 이해하는 일, 접근과 사용을 통제하는 일, 모델에 안정적으로 공급하는 일, 특정 AI 결과에 사용된 데이터 상태를 추적하고 재현하는 일은 서로 다른 기능과 증거를 요구합니다.
AI-Ready를 평가하는 네 가지 영역
AI-Ready는 하나의 제품 범주를 가리키는 표준화된 이름이 아닙니다. 시장에서는 서로 다른 데이터 문제를 설명하는 표현으로 사용됩니다.
네 영역은 서로 대체할 수 없습니다. 기업 AI가 운영 단계로 갈수록 네 영역이 모두 필요할 수 있습니다. 한 영역의 강점만으로 다른 영역의 요건까지 충족했다고 판단해서는 안 됩니다.
1. 필요한 데이터의 위치와 의미
대기업과 공공기관의 데이터는 여러 부서, 시스템, 클라우드와 문서 저장소에 흩어져 있습니다. 이름이 비슷한 테이블이 여러 개 있고, 같은 지표도 조직마다 다른 정의를 사용할 수 있습니다.
이때 데이터 카탈로그와 데이터 인텔리전스 도구가 해결하는 핵심 문제는 발견과 이해입니다.
예를 들어 Collibra Data Catalog는 조직의 메타데이터를 모아 데이터의 위치와 의미, 관계를 찾고 이해하도록 지원합니다. 이런 카탈로그가 없으면 AI 팀은 데이터를 가공하기도 전에 소유자를 찾고 정의를 확인하는 데 더 많은 시간을 쓰게 됩니다.
필요한 데이터를 찾고 의미를 이해하는 능력은 AI-Readiness의 중요한 출발점입니다. 그러나 카탈로그에서 테이블을 찾았다고 해서 현재 모델에 적합하거나, 해당 실행에 사용된 정확한 데이터 상태를 다시 불러올 수 있다는 뜻은 아닙니다.
데이터를 찾고 이해할 수 있는지는 다음 질문으로 확인할 수 있습니다.
- 필요한 데이터와 소유자를 검색할 수 있나요?
- 업무 용어와 필드 정의가 연결돼 있나요?
- 데이터의 출처와 계보를 확인할 수 있나요?
- 에이전트가 검색한 데이터의 의미와 최신성을 판단할 메타데이터가 있나요?
2. 데이터 사용 권한과 목적
공공·금융·의료처럼 통제 수준이 높은 환경에서는 데이터가 존재하고 위치를 알아도 바로 AI에 연결할 수 없습니다. 개인정보, 계약, 내부 등급, 목적 제한과 반출 정책을 함께 확인해야 합니다.
데이터 거버넌스 플랫폼이 주로 해결하는 질문은 사용 가능 여부와 책임입니다.
Microsoft Purview의 데이터 거버넌스 기능은 조직의 데이터 자산과 메타데이터를 파악하고 카탈로그, 정책, 접근과 거버넌스 업무를 관리하는 데 초점을 둡니다. Databricks Unity Catalog도 데이터와 AI 자산에 대한 접근제어, 탐색, 계보와 감사 기능을 통합합니다.
데이터 접근과 사용을 통제하려면 다음을 확인해야 합니다.
- 이 데이터를 볼 수 있는 사람과 시스템은 누구인가요?
- 어떤 업무 목적과 환경에서 사용하나요?
- 민감 데이터의 위치와 적용 정책을 확인할 수 있나요?
- 누가 변경했고 어떤 경로로 사용했는지 확인할 수 있나요?
정책과 접근을 관리하면 허용되지 않은 사용을 줄일 수 있습니다. 그러나 ‘사용이 허용됐다’는 판단만으로 데이터가 모델에 유용하거나 특정 결과를 재현할 수 있는 것은 아닙니다.
3. AI 워크로드에 필요한 데이터 공급
데이터가 어디에 있는지 알고 사용 권한도 확보했다면, 다음 문제는 실제 공급입니다.
대규모 데이터를 저장하고 결합하며, 모델 학습·RAG·에이전트가 요구하는 속도로 조회해야 합니다. 스키마와 파이프라인이 안정적으로 작동하고 컴퓨팅 자원을 확장할 수 있어야 합니다.
Snowflake Horizon Catalog는 Snowflake 환경의 검색, 거버넌스와 의미 맥락을 제공하고, 플랫폼의 저장·연산 기능과 함께 데이터 워크로드를 지원합니다. Databricks도 데이터와 AI 자산을 하나의 플랫폼에서 관리하고 처리하는 접근을 제공합니다.
데이터를 안정적으로 조회하고 공급할 수 있는지는 다음 기준으로 평가합니다.
- 목표 AI 워크로드에 필요한 데이터 규모와 처리량을 감당할 수 있나요?
- 모델과 애플리케이션이 필요한 방식으로 데이터를 조회할 수 있나요?
- 정형·비정형 데이터를 결합하고 파이프라인을 운영할 수 있나요?
- 지연시간과 비용이 운영 기준을 충족하나요?
클라우드 데이터 플랫폼은 AI가 데이터를 읽고 처리할 수 있는 기반을 제공합니다. 다만 현재 테이블을 빠르게 조회할 수 있다는 사실과 지난달 결과를 만든 당시의 데이터 상태를 정확히 다시 구성할 수 있다는 사실은 구분해야 합니다.
4. 결과에 사용된 데이터 상태 추적과 재현
AI가 PoC를 통과하고 운영 업무에 연결되면 새로운 질문이 생깁니다.
지난주에는 승인 보조 결과가 정상이었는데 이번 주에는 왜 달라졌을까요? 모델 버전과 프롬프트가 같더라도 데이터 범위, 스키마, 전처리 규칙, 참조 문서와 권한 조건이 바뀌었을 수 있습니다.
이때 현재 데이터만 조회해서는 원인을 구분하기 어렵습니다. AI 결과가 생성된 시점에 사용된 데이터 상태를 식별하고, 정상 실행과 문제 실행의 차이를 비교하며, 필요한 경우 과거 상태를 다시 구성할 수 있어야 합니다.
실행에 사용된 데이터 상태를 추적하고 재현하려면 다음을 확인해야 합니다.
- AI 실행에 사용된 정확한 데이터 상태를 확인할 수 있나요?
- 실행 사이에 행·스키마·전처리 조건·참조정보가 어떻게 달라졌는지 비교할 수 있나요?
- 문제가 발생한 실행의 입력 상태를 다시 구성할 수 있나요?
- 감사와 내부 검토에 필요한 증적을 남길 수 있나요?
운영 단계에서는 ‘현재 데이터셋’만으로 충분하지 않습니다. 개별 AI 실행에 연결된 데이터 상태를 확인할 수 있어야 합니다.
제품군마다 답하는 질문이 다릅니다
AI 데이터 스택을 평가할 때 흔히 생기는 오류는 하나의 제품군이 전체 AI-Readiness를 대신한다고 보는 것입니다.
따라서 “어느 플랫폼이 더 AI-Ready한가”라는 질문은 정확하지 않을 수 있습니다. 더 유용한 질문은 “우리 조직이 지금 해결해야 할 영역은 무엇이며, 기존 스택에서 빠진 증거는 무엇인가”입니다.
국내 도입 담당자가 확인해야 할 평가 시나리오
기능표만 비교하면 여러 제품이 비슷해 보입니다. 실제 업무 시나리오를 기준으로 증거를 요청하면 차이가 선명해집니다.
공공기관: AI 보조 판단의 근거 확인
기관 내부 규정과 민원 데이터를 RAG 또는 에이전트에 연결하는 경우를 생각해 보겠습니다.
카탈로그는 어떤 규정과 데이터가 있는지 찾게 하고, 거버넌스는 누가 열람할 수 있는지 관리하며, 데이터 플랫폼은 검색과 처리를 수행합니다. 여기에 특정 답변이나 분류 결과가 문제됐을 때 당시 참조한 문서 버전, 기준정보와 데이터 범위를 다시 확인하는 기능이 필요합니다.
평가 시에는 정상 답변과 오류 답변을 각각 실행한 뒤, 두 실행 사이에 달라진 데이터 상태를 제품이 식별할 수 있는지 확인해야 합니다.
엔터프라이즈: PoC 조건을 운영 환경까지 유지
계약 분석이나 고객 대응 AI가 PoC에서 높은 정확도를 보였더라도 운영 데이터는 계속 바뀝니다. 신규 계약 양식이 추가되고, 고객 코드 체계가 통합되며, 전처리 파이프라인이 수정됩니다.
도입 평가에서는 최신 데이터를 빠르게 공급하는 능력과 함께, PoC에서 사용한 데이터 상태를 고정하고 운영 상태와 비교할 수 있는지 확인해야 합니다. 그래야 성능 변화가 모델 때문인지 데이터 변화 때문인지 먼저 구분할 수 있습니다.
금융기관: 과거 판단에 사용된 입력 확인
이상거래 탐지, 심사 보조와 상담 지원에서는 결과 자체뿐 아니라 그 결과가 생성된 조건을 설명해야 하는 경우가 많습니다.
권한과 계보를 기록하는 것에 더해, 특정 판단에 사용된 거래 범위, 기준정보, 결측값 처리와 파생 변수의 상태를 다시 구성할 수 있는지 확인해야 합니다. 현재 테이블의 최신 값만 남아 있다면 과거 판단의 입력을 그대로 검증하기 어렵습니다.
AI-Ready 플랫폼 평가를 위한 여덟 가지 질문
제안요청서, 기술 검토와 PoC에 다음 질문을 포함해 보세요.
- 이 제품은 데이터 발견·이해, 접근·통제, 조회·공급, 추적·재현 가운데 어디까지 지원하나요?
- 필요한 데이터의 위치와 업무상 의미, 소유자와 변경 이력을 확인할 수 있나요?
- 사용자 권한과 사용 목적, 자동 실행 조건을 구분해 관리할 수 있나요?
- 데이터가 목표 모델과 워크로드에서 실제로 활용 가능한지 검증했나요?
- 정제·변환 후에도 데이터 분포와 관계, 희귀 패턴이 유지되는지 확인했나요?
- AI 실행마다 사용된 데이터 범위와 스키마, 전처리 조건을 식별할 수 있나요?
- 정상 실행과 문제 실행의 데이터 상태를 같은 기준으로 비교할 수 있나요?
- 과거 결과에 사용된 데이터 상태를 재현하고 검토 기록을 남길 수 있나요?
기능 보유 여부만 확인해서는 충분하지 않습니다. 조직이 필요한 결과를 어떤 증거로 확인할 수 있는지까지 살펴야 합니다.
Syntitan은 AI 실행과 데이터 상태를 연결합니다
Syntitan은 데이터 카탈로그, 거버넌스나 클라우드 데이터 플랫폼을 대체하는 제품이 아닙니다. 기존 데이터 스택과 연결해, AI 업무에 실제로 사용할 수 있는지 진단하고 각 실행에 사용된 데이터 상태를 확인하는 AI-Ready Data Platform입니다.
먼저 활용성, 무결성, 맥락, 일관성, 재현성, 추적성의 여섯 축으로 데이터가 AI에 쓰일 조건을 갖췄는지 진단합니다. 구조와 맥락을 유지하면서 AI 실행을 막는 지점을 개선하고, 목표 모델과 업무 조건에서 결과를 검증합니다.
운영 단계에서는 릴리스된 데이터 상태를 개별 AI 또는 에이전트 실행과 연결합니다. 결과가 달라졌을 때 정상 실행과 문제 실행 사이의 데이터 상태를 비교하고, 필요한 경우 과거 상태로 돌아가 원인을 확인할 수 있도록 돕습니다.
카탈로그가 “무엇이 어디에 있는가”를 설명하고, 거버넌스가 “누가 사용할 수 있는가”를 통제하며, 데이터 플랫폼이 “어떻게 처리할 것인가”를 담당한다면, Syntitan이 집중하는 질문은 이것입니다.
“결과에 사용된 데이터 상태를 다시 확인할 수 있나요?”
