Karin Werder

Perspective

28 10월, 2026

Artificial Intelligence

오늘날의 데이터를 내일의 AI에 맞게 준비합니다

Karin Werder

Perspective

데이터를 이해하기 쉽고, 접근 가능하며, 언제든 활용할 수 있도록 유지하는 것은 AI 기능이 발전함에 따라 새로운 가치를 창출할 수 있습니다

맑은 푸른 하늘을 배경으로 어두운 대각선 프레임이 있는 현대적인 유리 건물을 위에서 내려다본 모습.

제조업에서는 생산 라인에서 나오는 제품을 검사하고 엄격한 사양을 충족하는지 확인하기 위해 머신 비전과 센서 판독값을 사용하는 것이 일반적입니다. 대부분의 데이터와 마찬가지로, 해당 정보도 특정한 목적을 위해 생성됩니다.

더 알기 어려운 것은 그 데이터가 나중에 어떻게 유용하게 쓰일 수 있을지입니다. 수년 후, 새로운 AI 모델이 데이터 수집 당시에는 아무도 찾아야 할지 몰랐던 생산 기록상의 실패 패턴을 감지할 수도 있습니다. 하나의 애플리케이션을 위해 수집된 시각 데이터는 컴퓨터 비전 모델에 유용하게 사용될 수 있습니다. 운영 로그는 예측 유지보수를 개선할 수 있습니다. 분석 기술이 발전함에 따라 과학적 관찰을 통해 새로운 통찰력을 얻을 수 있습니다.

인공지능은 기존 데이터에서 가치를 추출하는 새로운 방법을 만들어내고 있습니다. 하지만 그러한 가치를 실현하려면 새로운 응용 프로그램이 등장했을 때 데이터가 여전히 이해하기 쉽고 사용 가능한 상태로 유지되어야 합니다.

인공지능이 활용할 수 있도록 데이터를 준비하는 요소는 무엇일까요?

기업 데이터 전반에서 작동하는 AI 시스템은 데이터가 무엇을 나타내는지, 어디에서 왔는지, 다른 정보와 어떻게 관련되는지, 그리고 어떻게 활용될 수 있는지 파악하기 위한 정보가 필요합니다.

그것은 여전히 ​​큰 과제입니다. Seagate의 데이터 인프라 준비 보고서에서 응답자의 53%가 데이터 품질 및 준비를 AI 배포의 주요 과제로 식별했습니다.

단 하나의 기술만으로는 문제를 해결할 수 없습니다. 데이터 아키텍처의 각 부분은 서로 다른 역할을 수행합니다.

메타데이터는 저장된 데이터의 특성을 설명할 수 있습니다. 출처 정보는 제품의 기원을 파악하는 데 도움이 되며, 버전 정보는 각 버전을 구분하는 데 도움이 됩니다. 분류 및 권한은 접근 및 사용을 관리하는 데 도움이 됩니다. 데이터 카탈로그 및 기타 관리 도구는 사람과 애플리케이션이 관련 정보를 찾는 데 도움이 될 수 있습니다.

정확한 조합은 데이터와 조직에 따라 달라집니다. 하지만 실질적인 요구 사항은 상당히 일정합니다. 즉, 보존할 가치가 있는 데이터를 유지하고, 이를 해석하는 데 필요한 정보를 보존하고, 검색 가능하게 만들고, 적절한 통제를 유지하고, 지속 가능한 비용으로 저장해야 합니다. 이러한 선택들을 종합적으로 고려하면 새로운 AI 애플리케이션이 등장함에 따라 조직의 데이터 자산 중 얼마나 많은 부분이 유용하게 유지될지가 결정됩니다.

오래된 데이터를 새로운 용도로 활용할 방법을 찾을 때 비로소 성과를 볼 수 있습니다. 조직이 이미 생성한 데이터를 더 많이 활용할 수 있게 되기 때문입니다. 이는 정보의 출처, 의미, 활용 가능성 등을 일일이 추리할 필요 없이 쉽게 찾아내고 평가할 수 있는 정보에서 시작됩니다.

누락된 부분: 데이터 가용성 유지

객체 스토리지는 특히 조직이 이미지, 비디오, 문서, 원격 측정 데이터, 로그 및 기타 형태의 비구조화된 데이터를 축적함에 따라 데이터 자산을 유지 관리하는 데 특정한 역할을 합니다. 객체는 객체를 설명하는 데 도움이 되는 메타데이터와 함께 저장될 수 있으며, 기타 정보 및 제어는 카탈로그, 거버넌스 시스템, 애플리케이션 및 ID 및 액세스 관리 시스템에 저장될 수 있습니다.

이 시스템들은 서로 다른 목적을 가지고 있습니다. 객체 스토리지는 대규모 데이터 세트와 관련 메타데이터를 저장하고, 해당 데이터를 둘러싼 시스템은 사람과 애플리케이션이 데이터를 찾고, 관리하고, 제어하고, 사용할 수 있도록 지원합니다.

조직들이 더 많은 데이터를 더 오랜 기간 동안 보관함에 따라, 데이터 저장 비용의 경제성이 점점 더 중요해지고 있습니다.

무엇을 남길지 결정하기

오늘날 저장 비용을 줄이기 위한 결정은 미래의 애플리케이션에 활용될 수 있었던 데이터를 삭제할 수 있습니다. 계층형 아키텍처는 조직의 요구 사항에 맞는 스토리지와 데이터를 매칭함으로써 조직에 더 큰 유연성을 제공합니다. 자주 액세스하는 데이터에는 고성능 스토리지가 필요할 수 있는 반면, 액세스 빈도가 낮은 데이터는 확장성과 비용 효율성을 고려한 스토리지에 보관할 수 있습니다.

장기간 보관해야 하는 대용량 데이터의 경우, HDD를 사용하면 데이터 보존 비용을 현실적으로 절감할 수 있습니다. 이를 통해 조직은 원래 용도를 넘어 그 가치가 확장될 수 있는 정보를 보존할 수 있는 더 많은 여지를 확보하게 됩니다. 스토리지 경제성은 새로운 용도가 나타났을 때 잠재적으로 가치 있는 데이터가 얼마나 남아 있는지 판단하는 데 도움이 될 수 있습니다.

더 많은 데이터를 실무에 활용합니다.

AI에 최적화된 데이터 아키텍처는 데이터의 다음 사용 용도가 알려지기 훨씬 전에 이루어지는 선택에서 시작됩니다. 즉, 무엇을 보존할지, 어떤 맥락을 유지할지, 그리고 증가하는 데이터 양을 어떻게 경제적으로 저장할지를 결정하는 것입니다. 가치 있는 데이터를 더 오랫동안 활용 가능한 상태로 유지함으로써, 다음 기회가 왔을 때 더 많은 데이터를 활용할 수 있게 됩니다.

읽기: 클라우드 및 AI 워크로드가 기본 스토리지의 개념을 어떻게 재정의하는지 살펴보세요.

관련 항목:

Data Creation Innovation
Black-and-white headshot of a Karin Werder with shoulder-length hair in a blazer, facing camera against a plain background.
Karin Werder

기술 및 클라우드 마케팅 담당 부사장