지난 몇 년간 공공 부문 현대화는 주로 연결성을 중심으로 추진되어 왔습니다. 더 많은 시스템을 연결하고, 더 많은 데이터에 액세스할 수 있게 하며, 팀이 필요한 정보에 더 빠르게 접근할 수 있도록 하는 것이 핵심이었습니다.
그러나 AI에 필요한 데이터는 또 다른 과제를 제기합니다. AI를 효과적으로 학습시키고 임무 성과를 높이는 데 가장 중요한 데이터일수록 기관 입장에서는 가장 강력하게 격리해야 하는 데이터인 경우가 많기 때문입니다.
기밀 정보는 외부 AI 서비스로 함부로 이전할 수 없으며, 민감한 정보가 데이터 환경 전반에서 통제 없이 이동하도록 둘 수도 없습니다. 기관에는 민감한 정보를 정해진 보안 경계 안에 유지하면서도, 분석과 AI에 필요한 경우 거버넌스가 적용된 방식으로 해당 데이터에 접근할 수 있게 해 주는 데이터 아키텍처가 필요합니다. 즉, 이동하거나 노출할 수 없는 데이터를 외부로 옮기는 대신 해당 데이터가 있는 환경 안에서 AI를 실행해야 합니다. 바로 이러한 이유 때문에 에어갭 데이터 아키텍처는 공공 부문 AI의 핵심 기반이 됩니다.
에어갭 환경의 이해
에어갭 환경은 외부 네트워크나 신뢰할 수 없는 네트워크와 의도적으로 분리된 보안 네트워크 또는 스토리지 시스템입니다. 이러한 분리 구조는 외부 시스템에 대한 노출을 줄여 정부 기관이 민감한 데이터와 워크로드를 더 안전하게 통제할 수 있도록 합니다.
하지만 분리 구조는 AI 활용 측면에서 분명한 어려움을 낳기도 합니다.
가령 현지 센서 피드와 임무 데이터에 액세스할 수 있는 팀이 경합 환경에서 작전을 수행하고 있다고 가정해 보겠습니다. AI 모델은 이러한 입력값을 상호 연결해 새롭게 나타나는 위협을 식별하는 데 도움을 줄 수 있습니다. 하지만 그 기반이 되는 데이터는 보안 환경 밖으로 이동할 수 없고, 외부 서비스와의 연결이 제한되거나 아예 불가능할 수 있습니다. 해당 모델을 사용하기 위해 데이터를 외부 서비스로 보내야 한다면 그 기술은 임무의 보안 요구 사항은 물론 연결이 제한된 환경에서 작전을 수행해야 하는 여건과도 맞지 않습니다.
따라서 AI 기능은 데이터가 있는 에어갭 환경 내부에서 작동해야 합니다. 그래야 팀은 데이터 자체를 보호하는 보안 경계를 유지하면서 민감한 정보를 분석하고, 그 결과로 얻은 인사이트를 바탕으로 조치를 취할 수 있습니다. 에어갭 환경에서는 격리 자체가 AI를 배포하고 AI에 거버넌스를 적용하며 실제로 활용하는 방식의 일부가 됩니다.
공공 부문 조직의 경우 이러한 유연성은 핵심 임무 환경에서 AI를 실제로 활용할 수 있는지를 결정짓는 요소가 될 수 있습니다.
통제력을 유지하면서 데이터가 있는 곳에서 AI 실행하기
에어갭 환경에서 AI가 어떻게 작동할 수 있는지 이해하려면 에어갭 아키텍처와 프라이빗 AI를 구분하는 것이 중요합니다. 두 개념은 서로 관련되어 있지만 해결하려는 요구 사항은 다릅니다.
에어갭 아키텍처는 시스템과 데이터를 외부 네트워크에서 격리해 명확한 보안 경계를 만듭니다.
반면 프라이빗 AI는 AI 자체에 대한 통제력을 유지하는 데 중점을 둡니다. 여기에는 AI가 액세스할 수 있는 데이터, 사용하는 모델, 추론이 이루어지는 위치, 그리고 이러한 기능이 배포되고 접근되는 방식이 포함됩니다.
프라이빗 AI는 연결된 환경에서도 운영될 수 있습니다. 하지만 에어갭 환경 안에 배포될 경우, 이러한 AI 기능은 사용하는 민감한 데이터와 동일한 보안 경계 안에서 작동합니다. 에어갭 아키텍처와 프라이빗 AI가 함께 적용되면 기관은 고도로 안전하고 격리된 환경 안에서 AI를 배포하면서도 해당 보안 경계 안의 민감한 데이터, 모델, AI 운영에 대한 통제력을 유지할 수 있습니다.
국방 분야에서는 이러한 과제가 JADC2에서 특히 뚜렷하게 나타납니다. JADC2는 군과 작전 영역 전반에서 데이터와 역량을 연결하기 위한 미국 전쟁부의 프레임워크입니다. JADC2는 데이터가 있는 위치에서 AI를 실행하는 것이 왜 중요한지를 잘 보여줍니다. JADC2가 성공하려면 일부 데이터가 보안 환경이나 기밀 환경 안에 남아 있어야 하는 상황에서도 임무 전반의 데이터를 의사결정권자가 활용할 수 있는 정보로 전환할 수 있어야 합니다.
한 단계 더 나아가 CJADC2에서는 국제 연합 파트너 간 데이터 공유까지 요구합니다. 그만큼 데이터 환경의 규모와 복잡성이 커지고, 데이터가 저장되거나 처리되는 국가와 지역에 따라 데이터 주권 요구 사항이 서로 다른 경우도 발생합니다. 에어갭 아키텍처는 기관이 데이터에 대한 통제력을 유지하도록 지원합니다. 단순히 정보가 어디에 저장되는지를 관리하는 데 그치지 않고, 데이터가 어디에서 처리되는지, AI 모델이 어디에서 실행되는지, 어떤 시스템이 데이터에 접근할 수 있는지까지 통제할 수 있습니다.
에어갭 환경에서 AI를 운영하기 위한 조건
민감한 데이터를 에어갭 환경 안에 유지하면 외부 위협에 대한 노출을 줄일 수 있습니다. 하지만 그 안에서 작동하는 AI를 신뢰할 수 있는지는 별개의 문제입니다.
AI 시스템이 격리되어 있더라도 오래되었거나 불완전하거나 거버넌스가 제대로 적용되지 않았거나 잘못 해석된 데이터에 의존한다면 신뢰할 수 없는 결과를 생성할 수 있습니다. 따라서 기관이 에어갭 환경에 AI를 도입할 때 아키텍처는 민감한 정보를 격리하는 것 이상의 역할을 해야 합니다. 해당 정보를 중요 임무에 활용되는 AI에 사용할 수 있도록 필요한 거버넌스, 데이터 수명 주기 및 운영 역량을 지원해야 합니다.
기관은 에어갭 환경에서 AI를 확장하기 전에 다음과 같은 몇 가지 핵심 질문을 통해 준비 상태를 철저히 검증해야 합니다.
팀은 AI가 생성한 인사이트의 기반이 되는 데이터를 원천까지 추적하고, 그 데이터가 어떻게 변경되었는지 파악할 수 있는가?
보안 환경을 벗어나지 않고도 데이터를 AI에 맞게 준비, 처리, 활용할 수 있는가?
여러 분석 및 AI 워크로드가 불필요한 복사본을 만들지 않고도 거버넌스가 적용된 동일한 데이터를 안전하게 사용할 수 있는가?
민감한 데이터를 노출하지 않고도 모델과 AI 기능을 배포하고 업데이트할 수 있는가?
외부 서비스에 의존하지 않고도 데이터 준비, 분석, 모델 서빙, 거버넌스, 모니터링을 계속 수행할 수 있는가?
데이터와 워크로드가 바뀌어도 동일한 보안, 액세스, 거버넌스 정책을 유지할 수 있는가?
이 질문들에 대한 답은 에어갭 환경이 해당 활용 사례가 요구하는 수준의 신뢰를 바탕으로 AI를 지원할 수 있는지를 결정합니다. 에어갭 데이터 아키텍처는 AI 수명 주기 전반에서 데이터를 안전하고 신뢰할 수 있으며 활용 가능한 상태로 유지해야 합니다.
에어갭 보안에서 임무 회복탄력성으로
에어갭 환경은 그동안 격리를 중심으로 정의되어 왔습니다. 하지만 AI는 이러한 환경의 역할을 확장합니다. 이제 기관은 격리를 필요하게 만든 보호 조치를 유지하면서도 이러한 환경에서 데이터 처리, 분석, AI까지 수행할 수 있어야 합니다.
기반 아키텍처는 민감한 데이터를 안전하게 유지하는 동시에 AI에 실질적으로 활용할 수 있는 형태로 만들어야 합니다. 이를 위해서는 데이터에 대한 거버넌스 기반 액세스를 제공하고, 데이터가 있는 곳에서 AI와 분석을 지원하며, 해당 데이터가 사용되는 동안에도 일관된 보안과 거버넌스를 유지해야 합니다. 공공 부문 AI의 다음 단계는 기관이 임무 수행에 필요한 곳이라면 어디에서든 데이터를 신뢰할 수 있는 인텔리전스로 전환할 수 있는지에 달려 있습니다. 여기에는 민감한 데이터를 안전하게 유지해야 하는 에어갭 환경도 포함됩니다.
Cloudera가 공공 부문 조직이 민감한 정보의 사용 위치 및 사용 방식을 통제하면서 보안과 거버넌스를 갖춘 AI를 데이터가 있는 곳에서 실행할 수 있도록 어떻게 지원하는지 확인해 보세요. 보안 환경 또는 에어갭 환경에 AI를 도입하는 방법에 대해 궁금한 점이 있으면 Cloudera Government 팀(government@cloudera.com)에 문의하세요.
