안녕하세요. 기업과 기관의 데이터가 AI 업무에 실제로 활용될 수 있도록 돕는 큐빅(CUBIG)입니다.
여러 제조 기업이 함께 품질 검사 AI를 만들고 싶어도 공정 데이터를 회사 밖으로 내보내기는 쉽지 않습니다. 연합학습은 원본 데이터를 각 기업 안에 둔 채 학습된 모델의 가중치를 모아 공동 모델을 만드는 방법입니다.
행정안전부와 한국지역정보개발원(KLID)이 2026년 10월 공개한 「지방정부 AX의 효율적 추진을 위한 인공지능(AI) 서비스 가이드」는 이 방식을 활용한 「제조 산업 AI 연합학습 허브 구축, 확산」을 지역산업 분야의 첫 번째 서비스로 소개합니다.
가이드 전체 구성은 지난 글 지방정부 AI 서비스 가이드 분석, 30개 서비스와 데이터 준비 과제에서 정리했습니다. 이 글에서는 가이드 28~30쪽과 66쪽 사례표에 실린 제조 AI 연합학습 사례를 바탕으로 충북, 경남, 구미 사업의 역할을 살펴봅니다. 허브를 준비하는 지자체와 참여를 검토하는 제조 기업이 공동 학습에 쓸 데이터에서 무엇을 확인해야 하는지도 정리합니다.
AI-Ready Data(AI 레디 데이터)는 특정 AI 업무에 맞게 준비하고, 활용 결과까지 확인한 데이터입니다. 데이터나 조건이 바뀌면 필요한 부분을 다시 점검할 수 있어야 합니다.
연합학습 허브의 개념
연합학습(Federated Learning)은 여러 기업이 데이터를 서로 넘기지 않은 채 하나의 AI 모델을 공동으로 학습시키는 방식입니다. 각 공장은 자체 데이터로 모델을 학습하고, 중앙 서버는 원본 데이터 대신 학습된 모델의 가중치를 받아 공동 모델에 반영합니다. 가중치는 모델이 학습하면서 조정하는 숫자로, 불량 여부 같은 예측 결과와는 다릅니다. 원본 데이터가 공장 밖으로 나가지 않기 때문에 공정 데이터를 외부에 내보내기 꺼리는 제조 기업도 참여하기 쉽습니다.
가이드는 지역별 특화 제조데이터 가운데 민감데이터는 빼고 연합학습 허브를 꾸리도록 제시합니다(28쪽). 또 허브에서 개발한 모델을 다른 기업에 확산할 기반도 필요하다고 설명합니다. 가이드가 민감데이터의 범위를 정하지는 않았으므로, 학습에 포함할 데이터는 사업마다 참여 기업과 협의해야 합니다.
데이터를 한곳에 모아 학습하는 방식과 비교하면 차이가 분명해집니다.
학습에 쓸 데이터의 범위와 기록 기준은 두 방식 모두 정해야 합니다. 연합학습에서는 원본이 각 공장에 남으므로, 참여 기업이 공통 기준에 맞춰 데이터를 준비할 수 있는지도 허브 사업에서 살펴야 합니다.
가이드가 나눈 네 갈래와 지자체 연합학습 사례
가이드는 29~30쪽에서 연합학습 허브와 관련해 지방정부가 맡을 역할을 네 가지로 구분합니다. 66쪽 사례표에는 각 역할을 대표하는 지자체 사업이 하나씩 실려 있습니다.
충북은 허브 구축과 데이터 표준화를 별도 사업으로 두었습니다. 그래서 표에는 세 지자체의 연합학습 사례 네 건이 실려 있습니다. 우리 지역에 필요한 역할을 먼저 정하면 참고할 연합학습 사례를 고르기 쉽습니다. 새 허브 구축이 필요한 지역은 충북 사례를, 기존 허브 참여 지원이 필요한 지역은 경남 사례를 살펴볼 수 있습니다.
중앙정부 정책 방향
가이드 28쪽에는 중앙정부 정책 방향도 실려 있습니다. 반도체, 바이오, 이차전지 같은 지역 특화 산업단지에 연합학습 전용 허브를 조성하고, 중소기업이 연합학습 모델을 현장에 바로 적용하도록 솔루션 도입 비용과 컨설팅을 지원한다는 방향입니다. 이 내용은 가이드가 소개한 정책 방향입니다. 실제 도입 비용이나 컨설팅 지원 여부는 참여하려는 지역 사업의 공고에서 확인해야 합니다.
같은 대목에는 연합학습과 나란히 개인정보보호 강화기술(Privacy-Enhancing Technologies) 지원도 적혀 있습니다. 개인정보를 보호하면서 데이터를 분석과 학습에 활용하도록 돕는 기술을 묶어 부르는 말이며, 넓게는 연합학습도 여기에 들어갑니다.
충북의 데이터 표준화 사업
충북은 허브 구축에 들어간 2024년, 데이터 표준화 사업(2024~2025년)도 따로 시작했습니다. 이 사업에서는 온도, 압력, 진동처럼 공정에 꼭 필요한 데이터를 하나의 표준 규격으로 맞춥니다. 이어 종류가 다른 설비의 데이터를 이 표준에 맞춰 연합학습 서버와 연동합니다(66쪽). 가이드에서도 지방정부의 역할로 공정 데이터 표준화를 제시합니다(29~30쪽). 기업마다 다른 데이터를 서로 연결할 수 있도록 형식과 구조를 맞추는 일입니다.
일반적으로 데이터를 한곳에 모으면 중앙에서 형식을 한꺼번에 고칠 수 있습니다. 반면 연합학습에서는 원본이 각 공장에 남습니다. 공장마다 데이터의 의미와 기록 기준을 맞춰 두어야 같은 문제를 푸는 공동 모델을 학습하기 쉽습니다. 데이터 표준화(Data Standardization)는 이렇게 서로 다른 형식과 단위, 이름 규칙을 공통 기준으로 맞추는 과정입니다.
예를 들어 한 공장은 진동을 1초마다 기록하지만, 다른 공장은 1분 평균으로 기록할 수 있습니다. 같은 온도 값도 설비마다 다른 이름으로 저장할 수 있습니다. 이런 차이는 학습을 시작하기 전에 맞춰야 합니다.
참여 기업 데이터에서 확인할 항목
형식을 맞췄더라도 공장마다 데이터의 질이 다르면 공동 모델의 결과가 일정하지 않을 수 있습니다. 허브를 준비하는 지자체와 참여를 검토하는 기업이 학습 전에 같이 볼 항목은 다음과 같습니다.
앞의 두 항목은 형식에 관한 확인이고, 뒤의 세 항목은 데이터 내용에 관한 확인입니다. 특히 정상 기록에 비해 불량 사례가 너무 적으면, 공동 모델이 드문 불량을 제대로 찾아내기 어려울 수 있습니다. 이런 불균형으로 생기는 모델 편향을 줄이는 기법을 클래스 불균형 보정(Class Imbalance Correction)이라고 합니다.
허브를 준비하는 지자체의 다섯 단계
큐빅은 가이드 29~30쪽에 제시된 지방정부의 역할을 바탕으로 허브 준비 순서를 다섯 단계로 정리했습니다. 여기에 참여 기업의 데이터 상태를 확인하는 단계도 포함했습니다.
- 공동으로 풀 문제 정하기: 가이드가 예로 든 품질 검사와 공정 최적화처럼 여러 기업이 공통으로 겪는 문제를 먼저 정합니다. 그래야 필요한 데이터를 파악할 수 있습니다.
- 공정 데이터 형식 맞추기: 해당 문제에 필요한 공정 데이터의 이름, 단위, 기록 주기를 참여 기업이 같은 기준으로 관리하는지 확인합니다.
- 기업별 데이터 상태 확인하기: 앞의 표에 정리한 누락과 이상치, 불량 기록의 양과 판정 기준을 기업별로 살펴봅니다.
- 중소기업 참여 경로 만들기: 복잡한 프로그래밍 없이 표준 방식으로 접속할 수 있는 클라우드 플랫폼을 마련합니다. 그러면 AI 인프라가 부족한 중소기업도 참여할 수 있습니다. 가이드는 경남 사례를 이런 참여 지원 방안의 예로 듭니다.
- 결과를 나누는 규칙 정하기: 공동 모델과 우수사례를 다른 기업에도 확산하려면, 새로 참여하는 기업이 이를 어디까지 활용할 수 있는지 미리 정해 두는 것이 좋습니다. 가이드의 성과 확산 사례에도 새로 참여한 기업이 보안 범위 안에서 모델을 활용하는 내용이 있습니다(66쪽).
둘째와 셋째 단계는 공동으로 풀 문제에 맞게 데이터를 준비하는 과정입니다. 이렇게 준비한 데이터의 실제 AI 업무 활용 결과까지 확인해야 AI-Ready Data라고 할 수 있습니다. 서버 구축과 별도로 이 두 단계를 사업 초기 일정에 넣어 두면, 참여 기업이 모인 뒤에야 데이터 기준의 차이를 발견하는 일을 줄일 수 있습니다.
담당별 확인 사항
허브 사업에는 지자체, 수행기관, 참여 기업이 함께 참여하므로, 같은 데이터라도 담당마다 확인할 내용이 다릅니다.
- 지자체 산업 담당: 공동으로 풀 문제와 참여 기업 범위를 정하고, 데이터 표준화와 데이터 상태 확인을 사업 일정과 예산에 따로 넣었는지 봅니다.
- 허브 수행기관: 공통 기록 기준(이름, 단위, 주기)과 불량 판정 기준을 문서로 정리하고, 새로 참여하는 기업이 같은 기준을 따를 수 있는지 확인합니다.
- 참여 기업 생산, 품질 담당: 공정 데이터가 어느 설비와 시스템에 어떤 이름으로 쌓이는지 정리하고, 누락된 값과 불량 기록의 규모를 학습 전에 확인합니다.
- 참여 기업 정보보호 담당: 학습에 넣을 항목 가운데 민감데이터로 볼 것을 정합니다. 데이터를 점검하고 준비하는 작업을 사내에서 할지, 외부 도구를 쓸지도 허브가 정한 데이터 반출 기준에 맞춰 정합니다. 이 기준은 원본이나 가공한 데이터를 공장 밖으로 내보낼 때 적용됩니다.
Syntitan과 DTS의 데이터 준비
연합학습 서버와 공동 모델은 허브 사업에서 만듭니다. 큐빅은 참여 기업별로 누락과 이상치, 불량 기록의 양을 확인하는 일을 돕습니다. 이는 앞서 정리한 다섯 단계 중 셋째 단계의 일부에 해당합니다. 둘째 단계의 공통 기준과 공장 사이의 불량 판정 기준은 허브 사업과 참여 기업이 정합니다.
큐빅의 AI-Ready Data Platform인 CUBIG Syntitan은 원본 데이터를 직접 고치지 않습니다. 대신 업무마다 만든 Project 안의 복사본으로 준비 작업을 합니다.
데이터 상태를 확인하는 Ready for Raw Data에서는 공정 데이터에 누락된 값과 이상치가 얼마나 있는지 진단합니다. 담당자는 진단 결과를 보고 데이터를 그대로 쓸지, 일부를 보완할지, 실제 업무에 맞는지 따로 검증할지를 정합니다. 준비 결과는 Version(버전)으로 저장되어, 어떤 기준으로 준비한 데이터인지 나중에도 다시 확인할 수 있습니다.
데이터가 모델 업무에 맞는지 보려면 Ready for Model에서 같은 모델과 평가 조건으로 데이터 준비 전후의 모델 성능을 비교합니다. 담당자는 두 기능을 순서대로 모두 거칠 필요 없이, 필요한 확인에 맞춰 선택해 사용할 수 있습니다. 이 비교에서는 Syntitan에서 선택한 모델과 평가 조건을 사용하므로, 허브 공동 모델의 성능을 직접 측정하는 것은 아닙니다.
불량 사례처럼 드문 기록이 학습에 쓰기 어려울 만큼 적다면 큐빅의 DTS도 검토해 볼 만합니다. DTS를 활용하면 원본 데이터를 기업 환경 안에 둔 채 부족한 사례를 채우고, 한쪽으로 치우친 데이터도 업무에 맞게 조정할 수 있습니다. 진동, 온도 같은 센서 기록에 쓰려면, 그 기록의 형태에 맞는 적용 방식을 먼저 확인합니다.
허브 사업과 참여 기업은 학습에 포함할 공정 데이터와 민감데이터의 범위를 정해야 합니다. Syntitan과 DTS가 이 판단을 대신하지는 않습니다. 앞서 정보보호 담당의 확인 사항으로 든 것처럼, 데이터 준비 작업을 어디에서 할지도 허브의 데이터 반출 기준에 맞춰 사업 초기에 정합니다.
연합학습 사례를 참고해 허브 사업을 설계하는 지자체라면 참여 기업의 데이터 상태를 진단하는 단계를 사업 초기에 넣어 두는 것이 좋습니다. 참여를 검토하는 기업이라면 우리 공정 데이터의 이름, 단위, 기록 주기와 누락, 불량 기록부터 정리해 두면 참여 범위를 정하기 쉽습니다.
