오늘날 생성형 AI(Generative AI)는 기업의 생산성을 혁신할 핵심 기술로 자리 잡았다. 특히 기업 내부의 방대한 데이터를 AI가 학습하거나 참조하여 정확한 답변을 생성하는 검색 증강 생성(RAG, Retrieval-Augmented Generation) 기술은 할루시네이션(환각) 현상을 줄이고 데이터 보안을 유지할 수 있다는 점에서 기업들의 가장 큰 관심을 받고 있다. 그러나 높은 기대와 달리, 실제 현업에서 RAG를 성공적으로 도입하고 운영하는 사례는 예상보다 더디게 나타나고 있다. 이는 기술 자체의 문제라기보다, 한국 기업 특유의 문서 작성 문화와 데이터 인프라의 현실적인 한계에서 기인하는 바가 크다. 우선 냉정하게 직시해야 할 점은 한국 기업의 문서 환경이 RAG를 도입하기에 결코 호락호락하지 않다는 사실이다. 서구권의 경우 텍스트 추출이 용이한 형식의 문서 활용이 보편화되어 있는 반면, 국내 기업들은 표와 복잡한 서식이 포함된 워드 프로세서 파일이나 이미지 중심의 PDF 문서를 주로 사용한다. 이러한 비정형 데이터들은 AI가 이해할 수 있는 텍스트로 변환하는 과정에서 구조가 깨지거나 정보가 유실되기 쉽다. 현업 부서가 단순히 좋은 RAG 솔
AI 리서치 플랫폼 기업 오픈서베이가 국내 리서치 기업 가운데 최초로 마켓리서치 분야 국제표준 ‘ISO 20252’ 인증을 획득했다. 리서치 프로세스 전반의 품질과 데이터 관리 체계를 국제 기준에 맞춰 검증받았다는 점에서 업계의 이목이 집중된다. ISO 20252는 국제표준화기구(ISO)가 마켓리서치·사회조사·오피니언조사 분야에 특화해 제정한 국제표준 인증이다. 조사 설계, 데이터 수집, 분석, 보고 등 전 과정의 운영 체계와 품질 관리 역량을 종합적으로 평가한다. 오픈서베이는 연구 프로세스 관리 시스템의 설계 완성도와 운영 체계의 안정성을 인정받아 이번 인증을 획득했다. AI 리서치 플랫폼 ‘데이터스페이스’를 기반으로 한 프로젝트 관리 체계와 데이터 품질 유지 시스템이 국제 기준을 충족했다는 평가다. AI 시대에 기업들은 소비자 데이터를 핵심 자산으로 활용하고 있다. 이에 따라 데이터를 안전하고 정확하게 수집·처리할 수 있는 기술적 역량과 제도적 관리 체계가 리서치 기업 선정의 주요 기준으로 자리 잡고 있다. 오픈서베이는 이번 인증을 통해 국내를 넘어 글로벌 기업 고객에게도 신뢰할 수 있는 리서치 파트너로서의 입지를 강화했다. 오픈서베이는 이미 국내 ISM
제조 현장에 AI를 도입했지만, 실제로 운영되는 사례는 많지 않다. 수많은 제조 AI 프로젝트가 PoC 단계에서 멈추거나 양산 라인에 안착하지 못한 채 사라졌다. 이 문제를 기술 한계로만 설명하는 시선도 여전하다. 그러나 라온피플 윤기욱 CTO는 제조 AI의 실패 원인을 전혀 다른 지점에서 짚는다. “제조 AI는 기술 문제가 아니라 운영 구조의 문제”라는 것이다. GPU 인프라와 AI 전문 인력을 전제로 설계된 기존 접근 방식은 오래된 생산 라인과 복잡한 공정 환경을 가진 제조 현장과 충돌할 수밖에 없었다. 여기에 데이터 관리, 모델 유지, 성능 저하 대응이라는 현실적인 과제가 더해지며 제조 AI는 ‘도입은 했지만 쓰이지 않는 기술’로 남았다. 라온피플은 제조 AI 플랫폼 ‘NAVI AI PRO’, 통합 MLOps 플랫폼 ‘EZ PLANET’, 생성형 AI 기반 지능형 관제 ‘Odin AI’, AI 에이전트 ‘HI FENN’을 통해 이 구조적 한계를 재정의하고 있다. 여기서는 제조 AI와 생성형 AI가 어떻게 ‘현장에서 살아남는 기술’로 전환되고 있는지를 짚는다. 제조 AI는 왜 현장에 정착하지 못했나 제조 AI는 오랫동안 ‘도입 대비 효과가 불분명한 기술’
생성형 AI의 성능을 가르는 핵심 요소로 ‘데이터 품질’이 부상하면서 데이터 전처리 기술의 중요성이 더욱 커지고 있다. 글로벌 시장조사기관 마켓앤마켓에 따르면 AI 학습 데이터 세트 시장은 연평균 27.7% 성장해 2029년 95억 8천만 달러 규모에 이를 전망이다. 시장 확대와 함께 AI의 신뢰도와 정확성은 LLM 자체보다 학습 데이터의 품질에 달려 있다는 점이 부각되고 있다. 잘못된 데이터는 AI의 ‘환각 현상(Hallucination)’을 유발해 결과물의 신뢰도를 떨어뜨리기 때문이다. 이러한 흐름 속에서 사이냅소프트는 AI 문서 구조 분석 솔루션 ‘사이냅 도큐애널라이저’를 효율적으로 공급하고 있다. 이 솔루션은 원본 문서의 구조와 맥락을 분석해 AI가 이해하기 가장 적합한 형태로 데이터를 변환·정제하는 역할을 한다. 단순 텍스트 추출을 넘어 문서의 제목·표·이미지·단락 등 시각적 구성과 논리적 순서를 식별하는 정교한 시각적 구조 분석(VSA) 기술을 갖췄다. 분석된 데이터는 마크다운(MD), JSON 등 정형 데이터로 변환되어 맥락을 보존하면서 LLM 학습 효율을 극대화한다. 사이냅 도큐애널라이저는 이미 다양한 산업 현장에서 활용되고 있다. 최근 한국주
테스트웍스는 30일인 오늘 구축된 데이터 셋의 오류를 검증 및 분석하는 인공지능 데이터 품질 검증 전문 도구인 ‘ADQ’ 베타버전을 발표했다. 인공지능의 서비스 상용화 및 성능 향상을 위한 품질 좋은 데이터 확보를 위해서는 데이터 구축 시점부터 품질에 대한 지속적인 관리가 필요하지만, 국내 인공지능 데이터 품질 검증은 초기 단계며 표준화된 방법이 없는 상황이다. 인공지능 데이터 셋 구축 업체들이 자체 개발한 다양한 라벨링 도구가 있지만 대부분의 도구는 데이터 라벨링과 라벨링 자동화 그리고 라벨러의 작업 관리에 초점이 맞춰져 있다. 데이터 품질에 대한 검증 및 지속적인 관리를 위해서는 구축 시점부터 데이터 검증을 위한 프로세스 수립을 시작으로 검증 작업 관리, 검증 후 결과 분석 보고서를 제공하는 전문 도구가 필요하다. 테스트웍스의 ADQ는 인공지능 데이터 품질 검증에 최적화된 도구로 구축된 데이터 셋의 오류 여부를 검증하고 관련 분석 정보를 제공한다. 이를 통해 인공지능 모델의 고품질 학습 데이터 셋 구축 및 관리에 필요한 시간 및 비용 절감에 기여할 것으로 보인다. ADQ는 인공지능 데이터 품질 검증을 수행해야 하는 기업 및 기관의 현업에서 겪는 어려움을
[헬로티] 10월 6일, 정보통신 단체표준화(TTA) 착수, 국제표준안으로도 제안 예정 과학기술정보통신부(이하 과기정통부)는 디지털 뉴딜 ‘데이터 댐’의 핵심자원인 인공지능(AI) 데이터 관련 품질의 개념과 범위, 세부 요구사항 등을 정립한 표준안을 개발하겠다고 밝혔다. ▲출처 : 게티이미지뱅크 한국정보통신기술협회(TTA) 단체표준으로 만들기 위해 지난 6일 한국정보통신기술협회 내의 단체 표준화 기구(TTA PG 1005, 인공지능기반기술)에 공식제안했고, 관련 전문가 등의 의견수렴 절차를 거쳐 내년 6월에 최종 채택·확정될 것으로 전망된다. 또한, 앞으로 관련 내용을 국제표준화 성과로도 이어지도록 추진할 계획이다. 이번 표준안에서 인공지능 데이터의 품질을 '인공지능 기술(모델 및 알고리즘)에 활용되는 데이터가 다양성, 정확성, 유효성 등을 확보해 사용자에게 유용한 가치를 줄 수 있는 수준으로 정의했다. 이는 데이터가 적정한 절차와 요구사항, 규격 등으로 처리되는지에 따라 좌우되며 인공지능 기술과 서비스의 성능을 좌우하는 핵심요소다. 하지만, 아직 세계적으로 품질 수준이 높지 않은 상황이다. 예를 들어, 세계적 정보통신기술
상호명(명칭) : (주)첨단 | 등록번호 : 서울,자00420 | 등록일자 : 2013년05월15일 | 제호 :헬로티(helloT) | 발행인 : 이종춘 | 편집인 : 김진희 |
본점 : 서울시 마포구 양화로 127, 3층, 지점 : 경기도 파주시 심학산로 10, 3층 | 발행일자 : 2012년 4월1일 | 청소년보호책임자 : 김유활 | 대표이사 : 이준원 | 사업자등록번호 : 118-81-03520 | 전화 : 02-3142-4151 | 팩스 : 02-338-3453 | 통신판매번호 : 제 2013-서울마포-1032호
copyright(c) HelloT all right reserved
UPDATE: 2026년 03월 30일 17시 33분
