Power Platform의 사용자 지정 AI 모델과 사전 구축 AI 모델: 어떤 것이 필요할까요?

By Mirko Peters · 2026-10-25

Power Platform의 사용자 지정 AI 모델과 사전 구축 AI 모델을 비교해 봅니다. 기성 AI Builder 기능을 사용해야 할 때와 자체 데이터로 사용자 지정 모델을 학습시켜야 할 때를 알아봅니다.

Automatically translated with AI from the original post. Read the English original

Microsoft Power Platform에서 사용자 지정 AI 모델과 사전 구축 AI 모델 중 무엇을 선택할지는 전적으로 구체적인 비즈니스 요구 사항에 달려 있습니다. 사전 구축 모델은 일반 청구서 같은 표준 문서 형식을 별도 설정 없이 바로 처리할 수 있지만, 사용자 지정 모델은 자사의 과거 데이터를 활용해 독특한 형식의 기업 문서에서 데이터를 추출하는 데 강점이 있습니다.

핵심 요약

• 사전 구축 AI 모델은 학습이 전혀 필요 없으며, 일반 영수증 처리와 텍스트 추출 같은 표준 작업에 최적화되어 있습니다.
• 사용자 지정 AI 모델은 문서의 형태, 레이아웃, 회사 고유의 특성을 학습하여 고유한 파일에서 더 높은 정확도를 달성합니다.
• AI Builder에서 기본 사용자 지정 문서 처리 모델을 학습시키는 데 필요한 샘플 문서는 최소 5개면 충분합니다.
• 사용자 지정이 자동으로 더 낫다는 뜻은 아닙니다. 특정 비즈니스 과제에 더 맞춰져 있다는 의미일 뿐입니다.
• 두 모델 유형 모두 로우코드 작업과 Power Fx 수식을 통해 Power Apps와 Power Automate에 원활하게 통합됩니다.

핵심 차이 이해하기

Microsoft의 로우코드 생태계를 활용해 일상 업무에 인공지능을 도입하기 시작하면, 가장 먼저 내리게 될 설계 결정 중 하나가 적절한 모델 유형을 고르는 일입니다. 사전 구축 모델과 사용자 지정 모델의 핵심 차이는 학습 과정을 누구의 데이터가 수행하는지, 그리고 입력이 얼마나 표준화되어 있는지에 있습니다.

많은 시민 개발자와 IT 관리자가 머신 러닝 옵션을 검토할 때 대규모 데이터 과학 프로젝트를 떠올리며 망설이곤 합니다. 그러나 AI Builder는 기능을 두 가지 명확한 경로로 나누어 이 부담을 덜어 줍니다. 기성 솔루션을 배포할 때와 맞춤형 패턴 탐지기를 구축할 때를 구분해 이해하면 조직의 시간과 자원을 상당히 절약할 수 있습니다.

사전 구축 모델: 일반 작업을 위한 즉각적인 효율성

사전 구축 모델은 거의 모든 산업에서 반복되는 문제를 해결하기 위해 Microsoft가 대규모 데이터 세트로 이미 학습시킨 AI 엔진입니다. 학습의 번거로운 작업이 Microsoft 환경에서 이미 끝나 있으므로 바로 구현 단계로 넘어갈 수 있습니다.

대표적인 예로는 일반 명함 스캔, 일반 영수증 판독, 기본 텍스트 인식, 고객 피드백에 대한 감정 분석(의견이 긍정적인지 부정적인지 판단) 등이 있습니다. 발신자와 관계없이 모양이 같은 표준 양식을 받는 비즈니스라면, 사전 구축 모델은 팀이 학습 문서를 단 한 건도 제공하지 않아도 합계, 세금, 날짜를 바로 인식합니다.

사용자 지정 모델: 고유한 워크플로를 위한 맞춤형 솔루션

반대편에는 사용자 지정 모델이 있습니다. 이 모델은 학습 단계를 수행하기 위해 자사의 비즈니스 데이터, 문서, 과거 기록이 필요합니다. 조직 내부 프로세스의 정확한 형태와 특성에 맞도록 설계됩니다.

예를 들어 주요 공급업체가 청구서 하단의 비표준 표 깊숙한 곳에 계좌번호를 넣어 발행한다면, 일반 사전 구축 모델은 이를 놓칠 가능성이 큽니다. 사용자 지정 문서 처리 모델을 구축하면 시스템이 해당 특정 레이아웃을 인식하도록 학습시킬 수 있습니다. 놀랍게도 실제 문서 5개만으로도 사용자 지정 모델을 시작할 수 있어, 중소기업 팀도 기업 수준의 자동화를 쉽게 활용할 수 있습니다.

사전 구축 대신 사용자 지정을 선택해야 할 때

Power Platform 개발자가 지켜야 할 핵심 원칙은 입력 데이터의 고유성을 평가하는 것입니다. 표준 세금 신고서 처리나 언어 감지처럼 문제가 일반적이고 범용적이라면, 사전 구축 모델을 첫날부터 바로 활용할 수 있습니다. 엔지니어링 도면이나 공급업체 고유 양식 파싱처럼 문제가 고유한 경우에는 사용자 지정 모델이 높은 데이터 정확도를 보장할 수 있는 유일한 방법입니다.

Power Apps 및 Power Automate와의 통합

사전 구축 방식을 선택하든 사용자 지정 방식을 선택하든, 이러한 모델을 배포하는 과정은 간단합니다. Power Automate에서는 AI Builder 작업을 클라우드 흐름에 끌어다 놓기만 하면 되며, 이를 통해 밤사이 수신된 문서를 처리할 수 있습니다. Power Apps에서는 Power Fx 수식을 통해 모델에 직접 액세스할 수 있으므로, 사용자가 양식을 작성하는 동안 사용자 인터페이스가 정보를 동적으로 추출할 수 있습니다.

이러한 로우코드 인텔리전스 도구가 더 넓은 클라우드 생태계에서 어떻게 활용되는지 더 깊이 이해하고 싶다면, 전체 에피소드를 들어보세요. Microsoft 클라우드 기술을 한결 친근하게 느끼게 해 주는 전문가 인사이트, 실용적인 안내, 쉬운 설명을 확인할 수 있습니다.

자주 묻는 질문

사용자 지정 AI Builder 모델을 사용하려면 데이터 과학 배경이 필요한가요?

아니요. AI Builder는 로우코드 개발자와 비즈니스 사용자를 위해 설계되었으며, 코드를 작성하지 않고도 안내에 따라 점 찍고 클릭하는 방식으로 사용자 지정 모델을 학습시킬 수 있습니다.

사용자 지정 문서 처리 모델을 학습시키려면 문서가 몇 개나 필요한가요?

샘플 문서 5개만으로도 시작할 수 있어, 개념 증명(PoC) 워크플로를 빠르게 테스트하기 쉽습니다.

사전 구축 모델이 사용자 지정 모델보다 항상 실행 비용이 저렴한가요?

크레딧 사용량은 모델의 복잡성에 따라 달라집니다. 사용자 지정 문서 처리는 대상 파싱이 필요하기 때문에, 일반적으로 기본 텍스트 인식 사전 구축 모델보다 페이지당 더 많은 크레딧을 사용합니다.

사용자 지정 모델을 자동화된 Power Automate 클라우드 흐름 안에서 사용할 수 있나요?

예. 사용자 지정 모델을 학습시키고 게시하면, 클라우드 흐름에 직접 통합하여 백그라운드에서 파일 처리와 데이터 입력을 자동화할 수 있습니다.