안녕하세요. 기업 데이터가 AI 업무에 실제로 활용될 수 있도록 돕는 큐빅(CUBIG)입니다.
기업은 보통 데이터 품질을 점검한 뒤 AI에 활용할 준비가 됐다고 판단합니다. 하지만 기존 품질 점검만으로는 실제 모델 실행과 운영에 필요한 조건까지 확인하기 어렵습니다.
데이터 품질 대시보드의 지표는 모두 정상이고 형식, 중복, 결측값 검사도 통과했지만, 실제 모델은 특정 필드를 제대로 처리하지 못할 수 있습니다.
이 상황에서 “데이터 품질은 좋다”는 판단만으로는 다음 조치를 정하기 어렵습니다. 데이터가 AI 실행에 필요한 조건을 얼마나 갖췄는지, 어느 조건이 부족한지 따로 측정해야 합니다.
AI-Readiness 진단은 데이터를 사용성, 무결성, 맥락성, 일관성, 재현성, 추적성의 여섯 축으로 평가해 AI 실행을 막는 지점을 찾는 과정입니다.
기존 데이터 품질 기준을 AI-Readiness 관점으로 확장해, 실제 AI 실행에 필요한 조건까지 함께 확인합니다. 다만 운영 전환은 AI 플랫폼, 데이터 거버넌스, 감사·검수 담당자가 같은 데이터 상태를 확인할 수 있을 때 결정됩니다. 이때 필요한 근거는 축별 측정값과 임계값, 개선 전후 비교, 실제 모델·에이전트에서의 재검증 결과입니다. 따라서 이 문제는 기술팀의 디버깅 절차에 머물지 않고, 데이터 사용 기준이 실제 AI 실행과 검수 가능한 기록으로 이어지는 운영 구조로 다뤄야 합니다.
조직이 아니라 데이터를 평가합니다
일반적인 AI 도입 평가는 조직의 예산, 인력, 기술과 전략을 살펴봅니다. 이런 평가는 AI 도입 계획을 세울 때 필요합니다. 그러나 모델이 실제로 읽는 데이터가 준비됐는지는 별도의 질문입니다.
CUBIG의 AI-Readiness 진단은 데이터에 초점을 맞춥니다.
- 모델이 현재 형태의 데이터를 사용할 수 있나요?
- 데이터를 변환한 뒤에도 값과 관계가 유지되나요?
- 코드와 결측값의 업무상 의미가 함께 전달되나요?
- 실행과 환경이 달라져도 같은 기준이 유지되나요?
- 과거 결과에 사용된 데이터 상태를 다시 구성할 수 있나요?
- 각 값과 결과의 출처를 확인할 수 있나요?
Gartner는 AI-Ready 데이터와 데이터 관리 관행의 부족이 AI 프로젝트 중단의 주요 원인이 될 수 있다고 지적합니다. 중요한 것은 데이터가 ‘좋아 보이는지’가 아니라 목표 AI 업무에서 어떤 조건이 부족한지 확인하는 일입니다.
하나의 종합 점수만으로 부족한 이유
종합 점수는 현재 상태를 요약해 보여주지만, 무엇이 점수를 떨어뜨렸고 어디를 개선해야 하는지까지 알려주지는 못합니다.
예를 들어 데이터의 형식과 값은 정확해 무결성 점수가 높지만, 필드 설명과 코드 정의가 없어 맥락성 점수가 낮을 수 있습니다. 과거 결과에 사용된 데이터 상태가 남지 않아 재현성도 낮을 수 있습니다.
이 데이터의 평균 점수가 높더라도 에이전트는 코드를 잘못 해석하고, 사고가 발생하면 당시 입력을 다시 확인하지 못합니다. 평균은 서로 다른 실패 원인을 상쇄하지만 실제 AI 실행에서는 낮은 축 하나가 전체 업무를 멈출 수 있습니다.
따라서 진단 결과는 종합 숫자보다 다음 세 가지가 중요합니다.
- 축별 진단 결과
- AI 실행을 막는 축
- 먼저 개선해야 할 구체적인 작업
AI-Readiness를 구성하는 여섯 가지 축
각 축은 다른 질문에 답합니다. 무결성이 낮다면 값과 관계를 고쳐야 합니다. 맥락성 점수가 낮다면 업무 정의를 연결해야 합니다. 재현성과 추적성이 낮다면 실행 당시의 데이터 상태를 고정하고 결과와 연결해야 합니다.
1. 사용성: 데이터를 모델까지 전달할 수 있나요?
데이터가 존재해도 AI 환경에서 사용할 수 없다면 품질을 평가하기 전에 실행이 멈춥니다.
공공기관의 민원 기록, 금융기관의 거래 데이터, 기업의 계약서는 사용 목적과 실행 환경이 제한될 수 있습니다. 파일 형식이 모델 파이프라인에서 처리되지 않거나 민감 필드 때문에 전체 데이터셋이 차단되는 경우도 있습니다.
사용성 진단에서는 다음 항목을 확인합니다.
- 목표 AI 환경에서 사용할 수 있는 데이터인가요?
- 모델과 파이프라인이 해당 형식을 처리할 수 있나요?
- 사용하기 어려운 필드 때문에 전체 업무가 멈추나요?
- 제약을 지키면서 구조와 업무 관계를 유지할 수 있나요?
2. 무결성: 값과 관계가 그대로 유지되나요?
무결성은 값의 오류뿐 아니라 모델이 읽는 관계까지 봅니다.
고객 테이블과 계약 테이블을 조인하는 과정에서 한 고객이 여러 번 중복되면 모델은 해당 고객의 행동을 실제보다 크게 학습할 수 있습니다. 스키마 검사는 통과했지만 AI 입력의 관계는 깨진 상태입니다.
다음을 확인해야 합니다.
- 범위를 벗어난 값이나 서로 모순되는 기록이 있나요?
- 조인 뒤 행이 의도치 않게 늘거나 줄었나요?
- 정제·대체 과정에서도 필드 사이의 관계가 유지됐나요?
- 희귀하지만 중요한 패턴을 오류로 제거하지 않았나요?
3. 맥락성: 모델이 데이터의 업무상 의미를 이해하나요?
status = 3이라는 값은 형식상 정상입니다. 하지만 코드표가 없으면 모델은 처리 완료인지 보완 요청인지 알 수 없습니다.
맥락성 축에서는 필드 설명, 단위, 코드 정의, 결측값의 이유, 문서의 시행일과 사용 조건을 확인합니다. 사람의 경험에만 남아 있는 의미를 데이터와 연결해야 모델과 에이전트가 올바르게 판단할 수 있습니다.
4. 일관성: 실행이 달라져도 같은 기준이 유지되나요?
운영 데이터는 계속 변합니다. 신규 행이 들어오고, 컬럼이 수정되며, 결측값 처리와 데이터 범위가 달라집니다.
변화 자체가 문제는 아닙니다. 변경을 식별하지 못한 채 동일한 데이터라고 가정하는 것이 문제입니다. 일관성 축은 스키마, 전처리, 데이터 윈도우와 실행 환경이 언제 어떻게 달라졌는지 비교할 수 있는지 봅니다.
5. 재현성: 과거 실행의 데이터 상태를 다시 구성할 수 있나요?
지난달 결과가 질문받았을 때 현재 테이블을 다시 실행하는 것으로는 충분하지 않습니다. 데이터가 이미 바뀌었기 때문입니다.
재현성을 확보하려면 실행 당시의 행과 값, 스키마, 전처리 규칙, 구성과 참조정보를 하나의 상태로 고정해야 합니다. 필요한 경우 해당 상태를 복원해 같은 조건으로 다시 확인할 수 있어야 합니다.
6. 추적성: 결과에 사용된 데이터의 출처를 확인할 수 있나요?
추적성은 데이터의 존재 여부보다 결과에 실제로 사용된 데이터가 무엇인지 확인합니다.
각 실행이 고정된 데이터 상태와 연결되고, 상태 안의 값이 원천과 변환 과정으로 이어져야 합니다. NIST AI RMF Playbook도 테스트 데이터, 측정 방식과 관련 자료의 문서화가 반복성과 일관성의 기반이라고 설명합니다.
진단 결과를 읽는 방법
다음은 이해를 돕기 위한 가상의 결과입니다.
평균만 보면 필요한 조건을 절반 이상 갖춘 것처럼 보일 수 있습니다. 그러나 이 데이터는 업무 맥락이 부족해 모델이 필드 의미를 추측해야 하고, 과거 실행의 데이터 상태를 다시 구성하기도 어렵습니다.
따라서 개선 순서는 평균을 조금씩 높이는 방식이 아닙니다.
- 목표 업무를 막는 축을 찾습니다.
- 낮은 축을 만드는 필드와 변환을 식별합니다.
- 개선안을 실제 모델과 업무 지표로 검증합니다.
- 검증된 상태를 릴리스하고 실행과 연결합니다.
- 운영 중 축별 변화를 다시 측정합니다.
데이터 품질 진단과 AI-Readiness 진단의 차이
데이터 품질 검사는 AI-Readiness를 판단하기 위한 중요한 기반입니다. 다만 기존 품질 검사만으로는 실제 AI 실행에 필요한 모든 조건을 확인하기 어렵습니다. 두 진단은 경쟁하지 않습니다. AI-Readiness가 품질 검사 이후의 실행 조건을 추가로 확인합니다.
우리 데이터는 어떤 축에서 막혀 있나요?
다음 질문에 답해 보세요.
- 목표 모델이 현재 데이터를 바로 사용할 수 있나요?
- 조인과 변환 뒤에도 값과 관계가 그대로 유지되나요?
- 코드와 단위, 결측값, 최신성의 의미가 모델에 전달되나요?
- 두 실행 사이에서 스키마와 전처리가 어떻게 달라졌는지 확인할 수 있나요?
- 특정 결과에 사용된 데이터 상태를 다시 구성할 수 있나요?
- 결과에 사용된 원천 데이터와 변환 이력을 추적할 수 있나요?
명확하게 답하기 어려운 질문이 있다면, 해당 축부터 우선 점검할 필요가 있습니다.
기술팀 밖에서도 확인할 수 있는 실행 증거
PoC에서 결과가 잘 나왔다는 사실만으로 운영 승인이 끝나지는 않습니다. 기술팀이 확인한 데이터 조건을 거버넌스·보안·인프라·감사·사업관리 조직이 같은 식별자와 산출물로 검토할 수 있어야 합니다.
- AI·데이터팀: 실제 사용 사례와 목표 지표를 기준으로 데이터 준비 상태와 결과 변화를 검증합니다.
- 데이터 거버넌스·보안: 사용 목적, 출처, 버전, 가공 과정, 접근 주체와 허용 범위를 확인합니다.
- 운영·감사·검수: 축별 측정값과 임계값, 개선 전후 비교, 실제 모델·에이전트에서의 재검증 결과를 근거로 정상·문제 실행을 비교하고 과거 조건을 다시 확인할 수 있어야 합니다.
- 인프라·조달: 기존 데이터 플랫폼·MLOps와의 연계, 내부망·온프레미스·클라우드에서의 처리 위치, 보존 범위와 책임 조직을 배포·검수 문서에 명시합니다.
Syntitan은 정책 승인이나 컴플라이언스 판단을 대신하지 않습니다. 기업 데이터의 AI 준비 상태를 진단·개선·검증하고, 조직이 정한 기준을 실제 AI 실행의 데이터 상태와 연결해 확인·재현·추적할 수 있게 하는 AI-ready data platform입니다. 다음 검토에서는 샘플 데이터의 여섯 축과 승인 기준을 함께 정의하세요.
Syntitan은 진단을 개선과 실행 증거로 연결합니다
Syntitan은 Diagnose 단계에서 여섯 축으로 데이터의 AI-Readiness를 진단합니다. Refine 단계에서는 값과 분포를 조정하고 AI에 필요한 맥락을 보완하며, Optimize 단계에서는 목표 모델과 업무 지표에 맞게 데이터를 조정합니다.
개선한 데이터 상태는 Release State로 고정하고, Run Binding으로 각 AI·에이전트 실행과 연결합니다. 운영 결과가 달라지면 Diff로 두 상태의 변경점을 확인하고, 필요하면 Reproduce로 과거 데이터 상태를 복원합니다.
점수의 목적은 데이터를 평가하는 데서 끝나지 않습니다. 무엇을 먼저 개선해야 AI를 안정적으로 운영할 수 있는지 판단하고, 개선된 데이터 상태가 실제 운영에서도 유지되는지 확인하는 데 있습니다.
