연재 구성

① 데이터는 AI 시대의 국가 인프라다
② 데이터는 어떻게 산업 자산이 되는가 — 양재수 원장이 제시한 검증체계
③ 데이터스트림즈, 신뢰 기반 AI 준비 데이터 생태계를 세계시장으로 확장하다
④ 자하오 쑨 FLock.io CEO “원천 데이터는 남기고 AI는 함께 학습한다”
⑤ 하십울 하크 Cielara AI CEO, “AI 에이전트에는 운영 맥락과 책임 체계가 필요하다”
⑥ 종합 분석 — 한국의 데이터 경쟁력, 검증 가능한 산업 성과로 입증해야 한다

AI 성과는 데이터의 흐름과 통제에서 결정된다

AI 모델이 산업 현장에서 성과를 내려면 기업과 공공기관의 업무 시스템에 흩어진 데이터를 신뢰할 수 있는 하나의 흐름으로 연결해야 한다. 데이터의 의미와 품질, 이용 권한이 정리되지 않으면 AI가 결과를 생성해도 판단 근거를 설명하거나 오류 발생 시 원인과 책임을 확인하기 어렵다. 데이터의 생성 위치와 변경 과정, 이용 주체를 끝까지 추적하는 운영체계가 AI를 검증 가능한 서비스로 전환하는 기반이다.

데이터스트림즈는 데이터 통합과 표준화, 품질관리, 메타데이터, 데이터 계보, 접근권한을 하나의 운영체계로 연결하는 데이터 패브릭을 기업과 공공기관의 AI 활용 기반으로 제시하고 있다. 이영상 데이터스트림즈 대표는 AI 모델과 데이터를 연결하는 ‘신뢰할 수 있는 데이터 인프라 계층’이 기업과 국가의 AI 경쟁력을 좌우한다고 진단했다.

데이터스트림즈는 최근 260만 달러 규모의 파키스탄 우정 자동화 사업을 수주했다. 회사는 한국에서 축적한 데이터 관리 기술을 현지 공공 인프라에 적용하고, 기술과 운영 방법론, 인재 양성을 함께 이전하는 협력 모델을 추진할 계획이다. 공통 데이터 인프라는 표준화하고 각국의 법률과 정책, 업무 절차는 현지화하는 ‘핵심 표준과 현지 적용(Core Standard + Local Adaptation)’ 방식이다.

이번 인터뷰는 공공기관이 AI 도입 전에 데이터 거버넌스를 구축해야 하는 이유와 데이터 주권을 기술 역량으로 연결하는 방법을 살펴본다. 파키스탄 사업을 다른 국가로 확장하기 위한 조건, 국내 구축 경험을 해외에서 검증 가능한 성과로 전환하는 전략도 함께 짚어본다.

 

 

다음은 이영상 데이터스트림즈 대표와의 일문일답이다.

Q1. 많은 국가가 AI 모델 도입에 투자하고 있지만, 공공기관의 데이터는 여전히 분산돼 있거나 서로 호환되지 않는 경우가 많다. 특히 신흥국이 AI를 본격적으로 도입하기 전에 데이터 통합과 품질관리, 거버넌스를 먼저 구축해야 하는 이유는 무엇인가.

AI 경쟁이 치열해지면서 많은 국가가 먼저 AI 모델이나 GPU 인프라에 투자하려고 한다. 그러나 AI의 성능을 결정하는 것은 결국 AI가 학습하고 참조하는 데이터의 신뢰성이다.

공공기관에서는 동일한 국민이나 기업, 지역에 대한 정보가 여러 기관과 시스템에 서로 다른 형식과 기준으로 존재하는 경우가 많다. 어떤 시스템에서는 동일한 항목을 서로 다른 명칭으로 사용하고, 데이터가 언제 어디에서 생성됐는지 알 수 없거나 품질이 검증되지 않은 경우도 있다.

이러한 상태에서 AI를 적용하면 기술적으로 답을 생성할 수는 있지만, 그 답을 정부의 의사결정이나 국민 서비스에 신뢰하고 사용할 수 있는지는 전혀 다른 문제다. 특히 공공부문에서는 AI가 어떤 데이터를 근거로 판단했는지 추적할 수 있어야 하고, 잘못된 결과가 발생했을 때 원인을 확인할 수 있어야 한다.

따라서 AI를 도입하기 전에 데이터 통합과 표준화, 품질관리, 메타데이터 관리, 데이터 리니지와 접근권한 관리 등 기본적인 데이터 거버넌스를 구축해야 한다. 이를 건물을 짓는 것과 비슷하다고 본다. AI 모델이 건물이라면 데이터 인프라는 그 건물을 지탱하는 지반과 기초다. 기초가 약한 상태에서 건물의 높이만 높이는 방식은 지속 가능하지 않다.

특히 신흥국의 공공영역은 데이터에 대한 인식과 투자가 늦고 규모도 작아 AI가 활용할 수 있는 형태로 데이터가 준비되지 않은 경우가 대부분이다. 프로젝트 초기부터 데이터 기반을 함께 설계하면 비교적 적은 투자로 시작할 수 있지만, 시스템이 복잡하게 굳어진 뒤 이를 바로잡으려면 비용이 크게 늘어 사업 자체를 추진하기 어려워질 수 있다. AI 시대에는 데이터 기반이 없으면 AI를 제대로 활용할 수 없기 때문에 반드시 해결해야 할 과제가 됐다.

신흥국은 대규모 AI 모델을 서둘러 도입하기에 앞서 자국의 데이터를 신뢰할 수 있는 국가 자산으로 전환하는 정책을 우선 추진해야 한다. AI 시대에 데이터는 IT 시스템의 부산물을 넘어 금융망이나 통신망, 전력망과 마찬가지로 국가 경쟁력을 좌우하는 핵심 인프라가 되고 있다.

Q2. 공공 데이터는 국가안보와 개인정보 보호, 데이터 주권의 문제와 직결된다. 데이터스트림즈는 각국 정부가 자국 데이터에 대한 통제권을 유지하면서 자체 기술 역량도 확보할 수 있도록 어떤 협력 모델을 제시할 수 있는가.

데이터 주권은 데이터를 자국 서버에 저장하는 문제에 그치지 않는다. 국가의 데이터 통제는 생산과 활용의 측면으로 나눠 볼 수 있으며, 데이터 주권은 특히 활용 단계에서 중요하다. 데이터 권한과 저장 환경, 접근을 통제하는 것이 생산 단계의 주권이라면, 국가가 통제할 수 있는 기술을 통해 데이터의 이동과 검증·통합, 가시화·분석·예측까지 관리할 수 있어야 진정한 데이터 주권을 확보할 수 있다.

데이터센터는 미국이나 중국 등 여러 나라의 기술로 구축할 수 있고, 보안 관리를 철저히 하면 데이터가 자국 내에 머물도록 할 수 있다. 그러나 데이터를 실제로 활용하려면 ‘데이터 활용 계층’을 통과해야 한다. 이때 필요한 데이터 패브릭 기술은 대부분 미국 기업의 제품이나 오픈소스에 의존하는 경우가 많다. 해당 국가의 인력이 이를 학습하고 운용할 역량을 갖추더라도 기술을 자국화할 수 없다면 데이터와 AI의 활용 단계에서 데이터 주권 문제에 직면하게 된다.

해외 공공사업에서 공급자가 모든 기술과 운영을 독점하는 방식은 장기적으로 바람직하지 않다. 데이터스트림즈가 지향하는 방향은 현지 정부와 기관이 기술적 지식과 운영 역량을 함께 확보하는 것이다.

데이터는 가능한 한 해당 국가의 규제와 정책에 따라 자국 내에서 관리해야 한다. 정부가 요구하는 경우 온프레미스나 프라이빗 클라우드 등 다양한 환경도 지원할 수 있어야 한다. 동시에 특정 글로벌 플랫폼에 종속되지 않도록 개방형 표준과 상호운용성을 기반으로 시스템을 설계하는 것이 중요하다.

데이터스트림즈는 지난 25년간 축적한 데이터 관리 기술을 바탕으로 해당 국가와 협력해 데이터 관리 및 활용 기술을 공유하고, 교육과 인재 육성을 병행해 데이터 패브릭 기술이 국가 산업으로 발전할 수 있도록 지원할 계획이다. 이 과정은 데이터 기술과 AI 기술, AI 인재 양성까지 디지털 전환(DX)과 인공지능 전환(AX)을 함께 추진하는 방식으로 연결될 수 있다.

결국 수출해야 하는 것은 소프트웨어 라이선스에 그치지 않는다. 기술과 운영 방법론, 데이터 관리체계, 인재 양성을 함께 제공하는 ‘역량 이전형 협력 모델’이 필요하다. 이러한 접근은 디지털 전환을 추진하면서 데이터 주권을 중요하게 여기는 국가들과 장기적인 신뢰 관계를 만드는 현실적인 방법이다.

Q3. 공공부문의 디지털 전환은 기술 수출만으로 완성되기 어렵다. 현지 공공기관과 기업, 대학, 정부기관이 함께 지속 가능한 데이터 생태계를 구축하려면 어떤 형태의 파트너십과 인재 양성 체계가 필요한가.

공공 디지털 전환이 실패하는 큰 이유 중 하나는 프로젝트가 종료되는 순간 기술과 지식도 함께 사라지는 데 있다. 지속 가능한 디지털 전환은 시스템 구축에 그치지 않고 현지에 기술 생태계를 만드는 과정이어야 한다.

정부와 공공기관은 데이터 정책과 표준, 보안 및 거버넌스 체계를 마련하고, 현지 IT 기업이 구축과 운영 역량을 확보할 수 있도록 DX·AX 사업을 확대해야 한다. 대학과 교육기관은 데이터 엔지니어, 데이터 아키텍트, 데이터 품질·거버넌스 전문가 등 실제 산업에 필요한 인력을 지속적으로 공급해야 한다.

글로벌 기술기업의 역할도 달라져야 한다. 모든 것을 직접 수행하기보다 초기에는 핵심 기술과 방법론을 제공하고, 이후 현지 파트너들이 이를 활용해 새로운 서비스를 개발할 수 있도록 지원해야 한다.

프로젝트 수행 과정에서 현지 엔지니어가 한국 엔지니어와 공동으로 시스템을 구축한 뒤 ‘강사 양성(Train-the-Trainer)’ 방식으로 현지 교육체계를 만드는 방법도 가능하다. 대학과 연계해 데이터 관리 및 AI 활용 교육과정을 만들고, 일정 수준 이상의 역량을 갖춘 기업이나 엔지니어를 대상으로 인증체계를 구축할 수도 있다.

여기에 각국의 자체 예산과 국제협력 재원을 활용하고, 현지 기술기업이 성장할 수 있도록 공동사업이나 합작법인 방식을 함께 설계할 수 있다. 자국 기업이 성장해야 사업에서 창출된 부가가치가 국가 밖으로 빠져나가지 않고, 교육과 인재 양성이 실제 산업 생태계로 이어질 수 있다.

이렇게 되면 하나의 공공 프로젝트가 끝난 뒤에도 현지 기업과 인재가 새로운 프로젝트를 수행하면서 생태계가 계속 성장할 수 있다. 기술을 현지에 내재화해 국가 디지털 전환에도 실질적으로 기여할 수 있다.

Q4. 데이터스트림즈는 최근 260만 달러 규모의 파키스탄 우정 자동화 사업을 수주했다. 이 사업은 한국의 데이터 기술이 해외 공공 인프라로 확장될 수 있음을 어떻게 입증하며, 이를 다른 국가에 적용할 ‘핵심 표준과 현지 적용(Core Standard + Local Adaptation)’ 모델은 무엇인가.

이번 프로젝트의 의미는 한국 소프트웨어를 해외에 수출했다는 사실에 그치지 않는다. 한국에서 축적해 온 데이터 관리 기술이 다른 국가의 핵심 공공 인프라를 현대화하는 데 활용되기 시작했다는 점에서 더 큰 의미가 있다.

파키스탄 우정 자동화 사업은 전국의 우정 서비스를 디지털화하면서 물류와 금융, 공공서비스 등 여러 영역에서 발생하는 데이터를 안정적으로 연결하고 활용할 수 있는 기반을 구축하는 프로젝트다. 이러한 대규모 공공 시스템에서는 새로운 서비스를 만드는 것만큼 기존의 다양한 시스템과 데이터를 안정적으로 통합하고 데이터의 품질과 일관성을 보장하는 것이 중요하다.

파키스탄은 그동안 IT 서비스 개발과 아웃소싱 역량을 발전시켜 왔지만, 데이터 시장은 상대적으로 충분히 발달하지 않았다. 데이터스트림즈는 이번 우체국 현대화 사업을 데이터 기반으로 추진하면서 현지 협력사 및 파트너와 데이터 시장을 넓히고, 그 기반 위에서 AI 서비스를 더욱 효과적으로 만들 수 있도록 사업을 확장할 계획이다.

데이터스트림즈는 지난 25년간 한국의 금융·공공·제조 분야에서 데이터 통합과 데이터 품질, 메타데이터 및 거버넌스 기술을 축적해 왔다. 이번 프로젝트는 이러한 경험이 한국 시장을 넘어 해외 공공 인프라에도 적용될 수 있다는 것을 보여주는 중요한 사례다.

데이터스트림즈는 이번 사업을 파키스탄에서 하나의 프로젝트를 수행하는 것으로 끝내지 않을 계획이다. 현지 기관과 기업이 스스로 시스템을 운영하고 발전시킬 수 있도록 기술과 운영 역량을 함께 이전하고, 이를 기반으로 금융·물류·전자정부 등 다른 공공서비스 영역까지 협력을 확대하는 것이 목표다.

파키스탄은 영어 기반의 문서 작성 역량이 높고 중동과 긴밀한 관계를 가진 국가라는 점에서 인접 시장으로 확장할 수 있는 교두보가 될 수 있다. 데이터스트림즈에 파키스탄은 하나의 시장을 넘어 한국의 데이터 기술이 글로벌 공공 디지털 인프라로 확장될 수 있음을 입증하는 출발점이다.

아시아와 중동, 아프리카의 많은 국가에서 우체국은 우편물을 전달하는 기능과 함께 금융과 물류, 정부 서비스가 국민과 만나는 중요한 접점이다. 따라서 우정 시스템의 디지털 전환은 국가 공공서비스의 디지털 전환과 직접 연결될 수 있다.

국가와 관계없이 공통으로 적용할 수 있는 영역도 있다. 데이터 통합 아키텍처와 품질관리, 메타데이터 관리, 데이터 표준화, 데이터 리니지, 보안과 접근권한 관리, 실시간 데이터 연계 등은 상당 부분 표준화할 수 있다. 이를 공통 프레임워크로 만들면 매번 시스템을 처음부터 개발할 필요 없이 검증된 데이터 인프라를 기반으로 구축 기간과 위험을 줄일 수 있다.

각국의 개인정보보호법과 금융규제, 데이터 보관정책, 우편·물류 절차, 언어, 정부 조직구조, 기존 레거시 시스템 등은 반드시 현지화해야 한다. 데이터스트림즈가 구상하는 글로벌 모델은 ‘핵심 표준과 현지 적용’이다. 핵심 데이터 인프라는 표준화하고 정책과 업무는 현지화하는 방식이다.

파키스탄 사업에서 이러한 모델을 충분히 검증한다면 향후 동남아시아와 중동, 아프리카의 우편·물류뿐 아니라 금융과 행정, 복지 등 다양한 공공 디지털 전환 사업으로 확대할 수 있다.

Q5. 글로벌 AI 경쟁이 ‘모델의 규모’에서 ‘신뢰할 수 있는 데이터의 활용 능력’으로 이동한다면, 한국과 데이터스트림즈는 어떤 데이터 인프라의 조건과 전략적 위치를 제시할 수 있는가.

향후 AI 경쟁의 중심은 ‘누가 가장 큰 AI 모델을 가지고 있는가’에서 ‘누가 가장 신뢰할 수 있는 데이터를 AI가 사용할 수 있는 형태로 제공할 수 있는가’로 이동할 것으로 본다.

대부분의 정부와 기업은 이미 막대한 데이터를 보유하고 있다. 문제는 그 데이터가 서로 다른 시스템에 분산돼 있고 의미와 품질이 일치하지 않으며, AI가 안전하게 사용할 수 있는 형태로 관리되고 있지 않다는 점이다.

이 영역에서 한국이 중요한 위치를 확보할 수 있다. 한국은 금융과 전자정부, 통신, 제조 등 복잡하고 대규모인 IT 환경을 오랫동안 운영하면서 시스템 통합과 데이터 관리 경험을 축적해 왔다. 이러한 경험은 기존 시스템을 유지하면서 단계적으로 AI 환경으로 전환해야 하는 많은 국가에 현실적인 모델이 될 수 있다.

데이터스트림즈는 글로벌 빅테크와 AI 모델 자체의 규모를 놓고 경쟁하려는 것이 아니다. 다양한 데이터와 AI 사이를 연결하는 신뢰할 수 있는 데이터 인프라 계층(Trusted Data Infrastructure Layer)에 집중하고 있다. 데이터가 가시화돼 있고 표준성과 품질을 확보할 수 있어야 하며, 데이터의 관계와 의미를 일관되게 파악할 수 있어야 한다. 누가 어떤 권한으로 어떤 데이터를 사용했는지도 추적할 수 있어야 하며, 특정 클라우드나 AI 모델에 종속되지 않고 다양한 기술과 연동될 수 있어야 한다.

지난 25년 동안 데이터스트림즈가 해온 일의 본질은 크게 변하지 않았다. 데이터의 기계적·업무적 의미를 정의하고 표준성과 품질을 높이며, 서로 다른 시스템의 데이터를 통합해 그 의미와 흐름을 관리함으로써 기업과 기관이 데이터를 신뢰하고 사용할 수 있도록 만드는 일이다. 과거에는 이것이 데이터웨어하우스와 빅데이터를 위한 기반이었다면 지금은 AI 서비스를 위한 기반이 되고 있다. AI 시대는 데이터스트림즈에 완전히 새로운 시장이라기보다 지난 25년간 축적한 데이터 관리 및 통합 기술의 중요성이 가장 크게 부각되는 시기다.

현재 데이터스트림즈의 글로벌 전략은 세 가지 방향으로 진행되고 있다. 첫째, 데이터 표준과 품질, 메타데이터, 거버넌스, 데이터 리니지 등을 하나의 AI 활용 기반으로 연결해 기업이나 정부가 보유한 데이터를 AI가 신뢰하고 사용할 수 있는 ‘AI 활용 준비 데이터(AI-Ready Data)’로 만드는 것이다.

둘째, 이러한 기술을 한국의 특정 환경에 한정하지 않고 다양한 데이터 저장소와 클라우드 및 온프레미스 인프라를 가상화된 통합 인프라로 연결해 범용 및 특정 분야 AI 기술과 연동할 수 있는 지능형 데이터 패브릭(Data Fabric) 플랫폼으로 발전시키고 있다. 특정 글로벌 플랫폼에 종속되지 않으면서 자유로운 선택이 가능하고, 오픈소스 기반 플랫폼 구조의 한계를 자체 기술로 보완함으로써 데이터 주권 측면에서도 국가적으로 기여할 수 있다.

셋째, 파키스탄을 포함한 해외 프로젝트를 통해 현지 기업과 공동으로 구축하고 운영하며, 기술을 공유하고 인재를 함께 육성하는 글로벌 파트너십 모델을 만들어가고 있다. 국가적 파급효과가 큰 국방과 제조 분야의 데이터 경쟁력을 우선 확보하는 데에도 집중하고 있다.

데이터스트림즈가 제시하려는 지능형 데이터 패브릭 인프라의 기준은 ‘신뢰성·주권·AI 활용 준비(Trusted, Sovereign and AI-Ready)’라는 세 가지 요소로 정리할 수 있다. 데이터는 신뢰할 수 있어야 하고(Trusted), 국가와 기관이 스스로 통제할 수 있어야 하며(Sovereign), 다양한 AI가 즉시 활용할 수 있는 상태여야 한다(AI-Ready). 이는 데이터스트림즈의 개별 기술을 소개하는 데 그치지 않고 글로벌 데이터 인프라가 갖춰야 할 기술적 조건을 제시하는 것이다.

한국은 AI 모델 경쟁의 추격자보다 세계의 AI가 신뢰할 수 있는 데이터를 사용하도록 지원하는 ‘데이터 인프라 파트너’로 자리 잡을 수 있다. 데이터스트림즈의 목표는 한국에서 축적한 데이터 관리 경험을 기반으로 각국이 자신의 데이터를 통제하면서 AI의 가치를 충분히 활용할 수 있는 새로운 데이터 인프라 표준을 만드는 것이다. 데이터스트림즈가 확보하려는 글로벌 위치도 바로 이 지점이다.

Q6. 데이터스트림즈의 기술을 실제 기업이나 기관에 적용한 국내외 주요 사업 사례와 확인 가능한 성과는 무엇인가.

데이터스트림즈의 데이터 패브릭 기술은 14가지 단위 기술로 이뤄져 있으며, 각 기술은 엔터프라이즈급 구축 사례를 보유하고 있다.

금융·공공·서비스 분야의 다양한 기업과 기관을 대상으로 데이터 통합과 표준화, 품질관리, 메타데이터, 마스터데이터, 데이터 카탈로그 및 데이터 거버넌스 체계를 구축해 왔다. 최근 주요 사례로는 한국마사회, 하나생명, KB증권, 세스코 등이 있다.

한국마사회에는 변경 데이터 캡처(CDC) 솔루션 DeltaStream과 데이터 추출·변환·적재(ETL) 솔루션 TeraONE을 적용해 데이터 표준화 지침을 마련했다. 다양한 원천시스템의 초기 데이터를 정제·이관하는 과정에서는 단계별 검증을 통해 데이터 품질을 높였다. 발매 매출 데이터웨어하우스(DW)와 요약 데이터 마트를 구축해 현업의 데이터 활용 기반을 마련하고, 통합 고객 데이터 플랫폼(CDP)을 통해 고객 여정과 이력을 한 화면에서 확인할 수 있는 싱글뷰 기반을 구축했다.

하나생명에는 IRUDA, MetaStream, QualityStream을 적용해 AI 및 차세대 시스템 구축을 위한 데이터 거버넌스와 정보계 데이터의 표준화를 수행했다. 이를 통해 데이터 거버넌스 체계를 확립하고 정보계를 데이터 표준에 맞춰 개편했으며, 엔드투엔드(End-to-End) 데이터 흐름 관리와 Self BI, 경영 대시보드 활용 기반을 마련했다.

KB증권에는 MetaStream과 QualityStream을 적용해 데이터 표준화와 품질관리 체계를 개선했다. 표준항목 자동 점검 등 반복 업무를 자동화하고 개인화 기능과 사용자 인터페이스 및 사용자 경험(UI·UX)을 강화했으며, 개발계·검증계·운영계 전반의 데이터 품질과 일관성을 확보했다. 이를 통해 향후 AI가 활용하기 좋은 형태로 데이터 구조와 운영 절차를 정비해 AI 준비 데이터 기반을 마련했다.

세스코에는 IRUDA, MetaStream, MetaStream for Bizdata, Q-TRACK을 적용해 데이터 거버넌스 체계와 IT·비즈니스 메타데이터 관리체계, 데이터 흐름 관리 및 데이터 카탈로그 시스템을 구축했다. 데이터의 생성부터 활용·폐기까지 전체 생애주기 관리 방향을 수립하고, 업무용어·표준지표·데이터 흐름·품질정보를 엔드투엔드로 검색하고 활용할 수 있도록 데이터 접근성을 높였다. 다만 세스코 사례의 정량적 개선 효과는 시스템 가동 이후 측정할 수 있는 단계다.

이러한 사례들은 데이터스트림즈의 기술이 단순한 데이터 이관이나 개별 솔루션 적용에 그치지 않고 데이터의 통합·표준·품질·흐름·메타데이터를 연결해 현업 활용성과 AI 활용 준비도를 높이는 데이터 관리 기반으로 적용되고 있음을 보여준다.

국내 구축 경험을 글로벌 데이터 인프라로

이영상 대표의 답변은 데이터스트림즈가 해외에서 판매하려는 대상이 개별 소프트웨어 제품에 머물지 않는다는 점을 보여준다. 회사가 제시한 모델은 데이터 표준과 품질, 운영 방법론과 인재 양성을 함께 이전하고, 현지 정부와 기업이 자국 데이터를 통제하면서 AI에 활용할 수 있도록 지원하는 구조다.

파키스탄 우정 자동화 사업은 이러한 전략을 해외 공공 인프라에서 검증하는 첫 단계가 될 전망이다. 향후 과제는 국내외 구축 사례에서 데이터 품질 개선과 업무시간 단축, 실제 이용률, 운영비용, AI 서비스 성과를 객관적인 수치로 제시하는 것이다. 검증 가능한 운영 성과가 축적돼야 한국의 데이터 기술이 국제표준과 해외 공공조달 시장에서 경쟁력을 입증할 수 있다.

다음 회에서는 자하오 쑨(Jiahao Sun) FLock.io 창업자 겸 최고경영자와의 인터뷰를 통해 원천 데이터를 외부로 이전하지 않고 여러 기관이 AI 모델을 공동 학습하는 연합학습의 가능성과 한계를 살펴본다. 민감한 데이터의 통제권을 유지하면서 데이터 주권과 공동 AI 개발을 함께 추진하기 위한 조건을 분석한다.

영문버전 보기