WEBVTT

00:00:00.000 --> 00:00:06.340
직원들이 자신이 생성하는 모든 데이터에 자발적으로 태그를 지정할 것이라는 가정은 보안 모델의 가장 큰 실패 요인입니다.

00:00:06.500 --> 00:00:09.160
우리는 수년간 복잡한 거버넌스 프레임워크를 구축해 왔지만,

00:00:09.580 --> 00:00:14.000
이는 결국 사람이 저장 버튼을 누를 때마다 의식적이고 정확한 결정을 내린다는 전제에 기반합니다.

00:00:14.180 --> 00:00:15.460
그러나 혈실은 냉혹합니다.

00:00:15.700 --> 00:00:19.000
일반 기업에서 수동 태깅의 활용률은 30%에 불과하며,

00:00:19.040 --> 00:00:23.920
이는 기업의 지적재산 중 70%가 보안 도구에 의해 사실상 노출되지 않는다는 것을 의미합니다.

00:00:23.920 --> 00:00:29.120
우리는 엔지니어 또는 영업사원으로 일하는 사람들에게 마치 사서처럼 데이터를 관리하도록 요구하는 시스템을 구축해 왔습니다.

00:00:29.280 --> 00:00:31.640
이러한 시스템은 마찰을 유발하기 때문에 실패하고 있습니다.

00:00:31.900 --> 00:00:35.360
오늘날 우리는 사용자 주도 태깅에서 자율적인 거버넌스로 나아가고 있습니다.

00:00:35.640 --> 00:00:39.840
데이터 스트림의 속도에 맞춰 분류가 이루어지는 모델로 전환하고 있는 것입니다.

00:00:40.100 --> 00:00:42.840
수동 거버넌스의 구조적 결함은 바로 여기에 있습니다.

00:00:43.200 --> 00:00:46.380
현재의 라벨링 전략은 생산성에 대한 세금과 같으며,

00:00:46.440 --> 00:00:50.080
대부분의 세금처럼 사람들은 이를 피하기 위한 다양한 방법을 찾아냅니다.

00:00:50.080 --> 00:00:54.740
우리는 10년 동안 데이터 보안을 사후 처리 단계로만 바라보는 기존 모델에 의존해 왔습니다.

00:00:54.900 --> 00:00:57.620
사용자가 문서를 생성하고 5에서 10개의 민감도 레이블 목록을 보면,

00:00:58.040 --> 00:00:59.980
우리는 사용자가 올바른 레이블을 선택하기를 바랍니다.

00:01:00.200 --> 00:01:02.340
하지만 희망은 기술적 인 제어 수단이 아닙니다.

00:01:02.500 --> 00:01:07.480
팀즈, 시어포인트, 슬랙 등에서 폭발적으로 증가하는 데이터는 인간의 인지 능력을 공식적으로 앞질렀습니다.

00:01:07.640 --> 00:01:11.160
페타바이트 규모의 비정형 데이터를 수동으로 분류하라고 요구하면서,

00:01:11.380 --> 00:01:14.020
정확성을 기대하는 것은 수학적으로 불가능합니다.

00:01:14.020 --> 00:01:18.280
이러한 문제가 발생하는 이유를 살펴보려면 사용자를 지원하기 위해 사용해온 도구를 살펴봐야 합니다.

00:01:18.400 --> 00:01:21.240
기존에는 키워드 기반 정규 표현식 패턴에 의존해 왔습니다.

00:01:21.440 --> 00:01:23.120
정규 표현식은 속도가 매우 빠르며,

00:01:23.500 --> 00:01:26.780
대규모 언어 모델보다 텍스트를 스캔하는데 약 2만 8천 배 빠릅니다.

00:01:27.000 --> 00:01:29.480
그러나 정규 표현식은 문맥을 파악하지 못합니다.

00:01:29.740 --> 00:01:32.720
사회보장 번호처럼 보이는 문자열은 찾아낼 수 있지만,

00:01:33.440 --> 00:01:38.620
민감한 고객 아이디와 공개 기술 매뉴얼에 있는 이미 프로젝트 코드를 구분하지 못합니다.

00:01:38.880 --> 00:01:41.240
패턴은 인식하지만 위도는 놓치는 것입니다.

00:01:41.240 --> 00:01:45.720
패턴 매칭과 실제 이해 사이에 이러한 간극이 바로 위험의 근원입니다.

00:01:45.920 --> 00:01:50.600
IBM에 따르면 데이터 유출로 인한 평균 손실액은 488만 달러에 달합니다.

00:01:50.900 --> 00:01:53.740
이러한 손실은 암호화 실패나 방화벽 침해 때문이 아니라,

00:01:54.280 --> 00:01:58.000
민감한 데이터와 실제로 분류된 데이터 사이의 간극에서 발생합니다.

00:01:58.200 --> 00:02:01.740
파일에 분류가 되어 있지 않으면 데이터 손실 방지 정책이 적용되지 않고,

00:02:02.200 --> 00:02:04.200
조건부 접근 규칙도 적용되지 않습니다.

00:02:04.400 --> 00:02:09.680
게다가 유전공학 AI위 등장으로 이제는 조종사가 질문하는 사람에게 데이터를 요약해서 설명해 줄 수도 있습니다.

00:02:09.680 --> 00:02:13.300
기존 모델은 사용자가 데이터의 가치를 가장 잘 판단할 수 있다고 가정했지만,

00:02:13.740 --> 00:02:17.120
고속으로 데이터가 쏟아지는 세상에서는 오히려 사용자가 병목 현상을 일으킵니다.

00:02:17.260 --> 00:02:21.860
관리되지 않은 방대한 양의 비정형 데이터가 오히려 부담이 되는 지경에 이르렀습니다.

00:02:22.140 --> 00:02:25.220
아무리 정교한 마이크로소프트 퍼뷰 시스템을 갖추고 있더라도,

00:02:25.700 --> 00:02:30.520
데이터가 입력되는 시점에 정확하게 분류되지 않으면 전체 시스템이 제대로 작동하지 않습니다.

00:02:30.740 --> 00:02:34.840
마치 자율주행차의 탑승객에게 모든 경로를 수동으로 입력하라고 요구하는 것과 같습니다.

00:02:35.180 --> 00:02:36.580
제대로 작동하지 않는 것이죠.

00:02:36.580 --> 00:02:40.700
구조적 결함은 담당자 개인의 문제가 아니라 담당자의 개입이 필수적이라는 점입니다.

00:02:40.800 --> 00:02:43.640
바로 이 때문에 감사에서 결함 발생률이 매우 높은 것입니다.

00:02:43.840 --> 00:02:46.720
조직들은 문서상의 정책만 있으면 규정을 준수한다고 생각하지만,

00:02:47.220 --> 00:02:51.560
실제로 보안 검색을 해보면 공용 폴더에 수천 건의 기밀문서가 방치되어 있는 경우가 많습니다.

00:02:51.760 --> 00:02:54.740
이는 선택의 기로에 놓인 사용자에게 제약이 너무 크기 때문입니다.

00:02:54.920 --> 00:02:59.500
속도와 보안 중 하나를 선택해야 한다면, 사용자는 거의 항상 속도를 선택할 것입니다.

00:02:59.500 --> 00:03:02.900
이 문제를 해결하려면 선택의 여지를 완전히 없애야 합니다.

00:03:03.080 --> 00:03:07.420
운영의 핵심을 산만한 최종 사용자가 아닌 인프라 자체로 옮겨야 합니다.

00:03:07.640 --> 00:03:11.220
문서를 작성한 사람보다 문서를 더 잘 이해하는 시스템이 필요하며,

00:03:11.700 --> 00:03:15.040
그래야만 수백만 달러에 달하는 데이터 유출 사고를 예방할 수 있습니다.

00:03:15.280 --> 00:03:17.680
바로 인텔리전스 레이어를 구축하는 것입니다.

00:03:17.940 --> 00:03:24.620
수동 태깅 문제를 해결하기 위해 분류의 핵심을 최종 사용자가 아닌 실시간 LLM 추론 엔진으로 옮기고 있습니다.

00:03:24.620 --> 00:03:28.820
이는 마이크로소프트 퍼뷰 아키텍처에 대한 근본적인 변화입니다.

00:03:28.980 --> 00:03:34.520
대부분의 사람들은 AI를 기존 프로세스에 단순히 덧붙여 속도를 약간 높이는 플러그인 정도로 생각합니다.

00:03:34.720 --> 00:03:37.580
하지만 이 새로운 모델에서 AI는 구조적 계층입니다.

00:03:37.800 --> 00:03:40.960
원시 데이터 스트림과 퍼뷰 데이터 맵 사이에 직접 위치합니다.

00:03:41.200 --> 00:03:45.040
단순히 데이터 흐름을 지켜보는 것이 아니라 실제로 의사결정을 내리는 주체입니다.

00:03:45.240 --> 00:03:50.000
대규모 언어 모델, LLM, 이 여기서 강점을 보이는 이유는 미묘한 뉘앙스를 파악하는 문제를 마침내 해결했기 때문입니다.

00:03:50.000 --> 00:03:55.760
기존 도구는 특정 문자열을 검색하는 데는 탁월하지만 문서의 전체적인 맥락을 파악하는 데는 한계가 있습니다.

00:03:56.060 --> 00:03:58.020
LLM은 문서의 의도를 이해합니다.

00:03:58.400 --> 00:04:07.500
3페이지 분량의 전략 메모를 읽고 신용카드 번호나 사회보장 번호는 없지만 전체 내용이 보호해야 할 학병에 관한 것임을 인식할 수 있습니다.

00:04:08.360 --> 00:04:15.340
또한 특정 단어가 문서에 나타나지 않더라도 비밀 레시피나 독점 제조 공정이 지적 재산임을 이해합니다.

00:04:15.340 --> 00:04:21.400
하지만 일반적인 모델을 기업 데이터에 그대로 적용해서는 제대로 작동하지 않습니다.

00:04:21.560 --> 00:04:25.920
일반적인 모델은 너무 포괄적이고 이 정도 규모의 데이터에는 솔직히 너무 비쌉니다.

00:04:26.100 --> 00:04:30.340
이 혁신의 핵심은 파라미터 효율적 미세조정, PFT, 기술을 활용하는 데 있습니다.

00:04:30.640 --> 00:04:37.800
소규모 개방형 가중치 모델을 특정 기업 고유의 어휘에 맞춰 미세조정함으로써 F1 점수 0.97을 달성할 수 있습니다.

00:04:37.800 --> 00:04:45.600
F1 점수 0.97은 기계학습 모델이 일반적인 직원보다 훨씬 더 정확하고 일관성 있게 작업한다는 것을 의미합니다.

00:04:45.780 --> 00:04:49.520
기계학습 모델은 피로감을 느끼지 않고 회의 5분 전이라고 파일을 건너뛰지도 않으며

00:04:49.520 --> 00:04:53.460
단순히 클릭하기 쉬운 일반적인 네이블을 선택하는 편향된 사고 방식을 보이지도 않습니다.

00:04:53.660 --> 00:04:57.800
인텔리전스 레이어는 개념 간의 관계를 분석하여 데이터의 맥락을 파악합니다.

00:04:57.800 --> 00:05:02.800
이름 목록 옆에 진단 코드 목록이 있으면 건강 데이터임을 인식하고

00:05:02.800 --> 00:05:07.240
화학식 다음에 온도 제약 조건이 있으면 영업 비밀임을 인식합니다.

00:05:07.440 --> 00:05:11.680
이는 2026년 시대에 기업 거버넌스에 필요한 수준의 의미, 론적 인식 능력입니다.

00:05:11.920 --> 00:05:16.560
우리는 단순히 검색하고 찾는 방식에서 벗어나 데이터를 읽고 이해하는 방식으로 나아가고 있습니다.

00:05:16.860 --> 00:05:20.980
이 계층은 기본 저장소에 저장되기 전에 노이즈를 걸러내는 필터 역할을 합니다.

00:05:21.200 --> 00:05:24.720
팀즈 채팅에서 파일이 생성되거나 시어포인트 라이브러리에 업로드되면

00:05:24.720 --> 00:05:27.260
인텔리전스 계층이 메타 데이터를 가로챕니다.

00:05:27.260 --> 00:05:30.060
고속 추론을 통해 콘텐츠의 핵심 정보를 파악하고

00:05:30.060 --> 00:05:32.740
이를 기존 퍼뷰 민감도 레이블에 맵핑합니다.

00:05:32.920 --> 00:05:36.600
이 모든 과정은 사용자에게 팝업이나 드롭다운 메뉴를 표시하지 않고 자동으로 처리됩니다.

00:05:36.800 --> 00:05:40.260
마치 전기 난행방처럼 백그라운드에서 자동으로 작동하는 유틸리티와 같습니다.

00:05:40.580 --> 00:05:45.020
전용 추론 엔진에의 로직을 집중시킴으로써 단일 정보 소스를 확보할 수 있습니다.

00:05:45.300 --> 00:05:51.140
기존 모델에서는 수천 명의 개별 사용자가 기밀의 의미를 각기 다르게 해석하여 관리가 분산되어 있었습니다.

00:05:51.360 --> 00:05:55.560
하지만 이제는 모델의 가중치와 세밀하게 조정된 데이터 세트를 기반으로 로직이 관리됩니다.

00:05:55.560 --> 00:06:00.100
정책이 변경되더라도 전체 직원을 재교육할 필요 없이 모델만 업데이트하면 됩니다.

00:06:00.340 --> 00:06:02.340
이것이 바로 확장성 확보의 핵심입니다.

00:06:02.560 --> 00:06:07.740
사람의 행동을 바꾸려 애쓰는 대신 사람이 특정 방식으로 행동할 필요가 없는 시스템을 구축하는 것입니다.

00:06:07.960 --> 00:06:13.120
우리는 사람들이 본래 해야 할 일에 집중할 수 있도록 업무에서 가장 지루한 부분을 효과적으로 자동화하고 있습니다.

00:06:13.420 --> 00:06:15.960
여기서 발생하는 지연시간 불일치와 그 해결 방안을 살펴보겠습니다.

00:06:16.260 --> 00:06:18.560
대부분의 아키텍처는 바로 이 지점에서 문제가 발생합니다.

00:06:18.720 --> 00:06:22.660
대부분의 아키텍트는 시스템이 이미 운영 환경에 배포되기 전까지는 근본적인 속도 차이를 강과합니다.

00:06:22.660 --> 00:06:26.820
퍼뷰는 몇 시간 단위로 생각하지만 AI는 밀리초 단위로 생각한다는 점을 이해해야 합니다.

00:06:26.980 --> 00:06:30.080
이는 단순한 지연이 아니라 구조적으로 심각한 불일치입니다.

00:06:30.300 --> 00:06:38.300
실시간 분류에 대해 이야기할 때 우리는 보안 제어가 사람의 눈으로 추적할 수 없을 정도로 빠르게 처리되어 사용자가 보안 제어를 인식하지 못하는 경험을 목표로 합니다.

00:06:38.500 --> 00:06:43.580
하지만 마이크로소프트 그래프 API 위 기본 인프라는 이러한 속도를 위해 설계되지 않았습니다.

00:06:43.820 --> 00:06:47.980
레이블링을 위한 그래프 API 위 혀실은 본질적으로 비동기적이라는 것입니다.

00:06:47.980 --> 00:06:53.460
민감도 레이블을 적용하는 요청을 보내도 파일이 보호되었다는 즉각적인 확인을 받지 못합니다.

00:06:53.660 --> 00:06:57.200
마치 우편함에 편지를 넣고 곧 배달되기를 바라는 것과 같습니다.

00:06:57.620 --> 00:07:02.280
실제 기업 환경에서는 이러한 전파에 몇 분에서 최대 24시간이 걸릴 수 있습니다.

00:07:02.540 --> 00:07:05.380
이로 인해 제가 취약성창이라고 부르는 현상이 발생합니다.

00:07:05.580 --> 00:07:09.560
이 기간 동안에는 민감한 데이터가 환경에 존재하지만 사실상 아무런 보호장치도 없습니다.

00:07:09.840 --> 00:07:12.780
레이블도 없고 암호화도 되어 있지 않으며 접근 제한도 없습니다.

00:07:13.060 --> 00:07:16.740
특히 M365 코파일러 시대에는 이러한 취약성창이 매우 위험합니다.

00:07:16.740 --> 00:07:22.440
엔지니어가 자체 설계 사양서를 업로드하고 퍼뷰 레이블이 전파되기 전에 코파일럿 이 해당 파일을 인덱싱하면

00:07:22.440 --> 00:07:25.640
그 민감한 정보는 조직의 핵심 정보에 포함되는 것입니다.

00:07:25.820 --> 00:07:30.740
다른 부서에 다른 사용자가 코파일럿을 조회하여 해당 설계에 대한 요약 정보를 받을 수도 있습니다.

00:07:30.980 --> 00:07:34.700
거버넌스 계층이 아직 생각하는 동안 AI가 이미 작업을 진행하고 있기 때문입니다.

00:07:34.860 --> 00:07:37.760
24시간이 걸리는 도구로 밀리초 단위의 문제를 해결할 수는 없습니다.

00:07:38.080 --> 00:07:43.360
이러한 격차를 해소하기 위해서는 단순한 API 호출을 넘어 제가 가디언 에이전트 접근 방식이라고 부르는 것을 구현해야 합니다.

00:07:43.360 --> 00:07:48.180
가디언 에이전트는 실시간 프록시 역할을 합니다. 백엔드 퍼뷰 작업이 완료될 때까지 기다리는 대신

00:07:48.180 --> 00:07:52.200
이 에이전트는 프롬프트 경계에 위치하여 데이터가 접근되는 즉시 검증합니다.

00:07:52.400 --> 00:07:57.300
느리게 작동하는 중앙 레지스트리와는 독립적으로 작동하는 고속보안 검문소라고 생각하면 됩니다.

00:07:57.580 --> 00:08:00.140
공식 관할 데이터 맵이 백그라운드에서 업데이트되는 동안

00:08:00.140 --> 00:08:03.060
가디언 에이전트는 이미 엣지에서 정책을 시행하고 있습니다.

00:08:03.060 --> 00:08:08.820
이를 통해 분류로직이 데이터 스트림에 즉시 적용되어 취약점 발생 가능성을 효과적으로 차단합니다.

00:08:09.020 --> 00:08:11.800
사용자에게 불편함을 주지 않으면 서의 기능을 구현하려면

00:08:11.800 --> 00:08:15.580
TTFT, 타임 투 퍼스트 토큰 라는 특정 지표에 집중해야 합니다.

00:08:15.780 --> 00:08:19.940
보안 계층으로 인해 문서 열기나 AI 프롬프트 실행에 3초의 지연이 발생한다면

00:08:19.940 --> 00:08:22.560
직원들은 이를 우회하는 방법을 찾을 것입니다.

00:08:22.780 --> 00:08:27.020
개인기기나 관리되지 않는 AI 도구를 사용하여 업무를 처리할 것입니다.

00:08:27.260 --> 00:08:30.220
따라서 TTFT를 500mps 미만으로 유지해야 합니다.

00:08:30.220 --> 00:08:33.580
이를 위해서는 고도로 최적화된 추론 파이프라인이 필요합니다.

00:08:33.740 --> 00:08:37.940
단순히 모델을 실행하는 것이 아니라 요청의 물리적 엔지니어링까지 관리해야 합니다.

00:08:38.160 --> 00:08:41.420
즉, 추론 엔진을 데이터 소스에 최대한 가깝게 배치하고

00:08:41.420 --> 00:08:46.280
투기적 디코딩과 같은 기술을 사용하여 가능한 모든 지연 시간을 줄여야 합니다.

00:08:46.500 --> 00:08:50.360
보안을 단순한 규정 준수 요건이 아닌 성능 요구 사항으로 간주해야 합니다.

00:08:50.580 --> 00:08:52.460
분류 작업이 0.5 초도 안 되는 시간에 이루어지면

00:08:52.460 --> 00:08:55.080
사용자는 분류 작업이 진행 중이라는 사실조차 인지하지 못합니다.

00:08:55.280 --> 00:08:58.000
사용자가 저장 버튼을 누르면 가디언 에이전트가 콘텐츠를 검증하고

00:08:58.000 --> 00:09:00.120
네이블이 엣지에서 사실상 자동으로 적용되며

00:09:00.120 --> 00:09:03.080
그래프 API 가수신 준비가 되면 백엔드 동기화가 이루어집니다.

00:09:03.260 --> 00:09:05.000
이것이 바로 데이터 변화에 앞서 나가는

00:09:05.000 --> 00:09:07.340
자율관리 아키텍처를 구축하는 방법입니다.

00:09:07.600 --> 00:09:09.720
시스템이 따라 잡을 때까지 기다리는 대신

00:09:09.720 --> 00:09:12.700
생각하는 속도로 새로운 모델을 적용하는 것입니다.

00:09:13.380 --> 00:09:15.180
자율 분류의 경제성 측면에서

00:09:15.180 --> 00:09:19.100
대부분의 조직은 클라우드 API 토큰의 가격을 보고

00:09:19.100 --> 00:09:21.380
하루 5억 개의 토큰을 처리하는 것이

00:09:21.380 --> 00:09:24.100
재정적으로 엄청난 부담이라고 생각하여

00:09:24.100 --> 00:09:25.560
구매 단계에서 주저합니다.

00:09:26.100 --> 00:09:29.440
모든 분류 요청에 대해 표준 소매 가격으로 비용을 지불한다면

00:09:29.440 --> 00:09:33.080
결국 관리 예산이 실제 보안 예산을 초과하게 될 것입니다.

00:09:33.320 --> 00:09:36.680
이것이 바로 많은 기업이 수동 패깅을 고수하는 주된 이유입니다.

00:09:36.860 --> 00:09:39.300
인건비의 비효율성을 매물 비용으로 간주하는 반면

00:09:39.300 --> 00:09:42.960
API 비용은 새롭고 부담스러운 지출 항목으로 여기기 때문입니다.

00:09:43.140 --> 00:09:46.000
하지만 이는 새로운 모델에 대한 근본적인 오해입니다.

00:09:46.000 --> 00:09:51.380
자율 분류를 구현하려면 타사 클라우드 API 위 사용량 기반 방식에서 벗어나

00:09:51.380 --> 00:09:53.900
자체 호스팅의 효율성을 도입해야 합니다.

00:09:54.100 --> 00:09:56.380
전용 분류 엔진을 자체 호스팅하는 순간

00:09:56.380 --> 00:09:58.600
비용 구조가 완전히 달라집니다.

00:09:58.840 --> 00:10:02.620
2026년에는 대용량 추론 작업을 자체 인프라로 이전하는 기업의 경우

00:10:02.620 --> 00:10:05.640
최대 5배의 비용 절감 효과를 볼 수 있을 것으로 예상됩니다.

00:10:05.840 --> 00:10:07.760
이는 단순히 비용을 절약하는 것이 아니라

00:10:07.760 --> 00:10:11.200
전체 아키텍처를 장기적으로 지속 가능하게 만드는 것입니다.

00:10:11.400 --> 00:10:14.360
매주 테라바이트 단위로 증가하는 데이터를 관리해야 한다면

00:10:14.360 --> 00:10:17.840
성장에 따라 불리익을 주는 가격 모델에 얽매여서는 안됩니다.

00:10:18.000 --> 00:10:20.180
고정 비용의 유틸리티 모델이 필요합니다.

00:10:20.440 --> 00:10:22.340
실제 총 소유 비용을 살펴보겠습니다.

00:10:22.820 --> 00:10:26.800
엔비디아 A100 또는 H100 GPU 하나만으로도

00:10:26.800 --> 00:10:29.820
중견 기업 전체의 분류 처리량을 감당할 수 있습니다.

00:10:30.100 --> 00:10:32.780
초당 수천 개의 토큰을 처리할 수 있다는 의미입니다.

00:10:33.020 --> 00:10:35.440
해당 하드웨어 또는 자체 클라우드에 예약된

00:10:35.440 --> 00:10:37.620
동등한 하드웨어의 비용을 분산시키면

00:10:37.620 --> 00:10:40.600
초기 설정 후 분류당 비용이 거의 0에 가까워집니다.

00:10:40.600 --> 00:10:42.720
파일 내용 확인에 대한 비용을 지불하는 대신

00:10:42.720 --> 00:10:45.380
거버넌스를 컴퓨팅 스택의 표준 구성 요소처럼

00:10:45.380 --> 00:10:46.640
취급하기 시작해야 합니다.

00:10:46.920 --> 00:10:49.720
데이터베이스나 웹서버를 호스팅하는 것과 다를 바 없습니다.

00:10:50.080 --> 00:10:53.040
하지만 세부 조정에 따른 숨겨진 비용에 주의해야 합니다.

00:10:53.260 --> 00:10:54.860
순속 컴퓨팅 비용은 저렴해지고 있지만

00:10:54.860 --> 00:10:57.980
운영 부채로 인해 비용이 급증할 수 있으므로 신중해야 합니다.

00:10:58.180 --> 00:11:01.060
모델 버전 저장, 정확성 보장을 위한 지속적인 평가 주기,

00:11:01.380 --> 00:11:04.320
그리고 잘못 설계된 VPC와 관련된 네트워크 송출 비용 등이

00:11:04.320 --> 00:11:06.460
투자 수익률 ROI을 저해할 수 있습니다.

00:11:06.460 --> 00:11:12.300
따라서 데이터 스트림이 적을 때 규모를 축소할 수 있는 서버리스 또는 VPC 기반 옵션을 권장합니다.

00:11:12.500 --> 00:11:16.940
아무도 문서를 저장하지 않는 새벽 3시에 고성능 실리콘 비용을 지불하고 싶지는 않을 것입니다.

00:11:17.140 --> 00:11:21.720
이러한 경제적 변화는 분류를 운영 비용의 악몽에서 예측 가능한 인프라 비용으로 전환하는 것입니다.

00:11:21.900 --> 00:11:24.540
효과적으로 거버넌스를 공공서비스처럼 만들고 있는 것입니다.

00:11:24.740 --> 00:11:27.000
데이터 센터의 냉각 비용 지불 방식을 생각해보세요.

00:11:27.240 --> 00:11:29.120
온도 변화량에 따라 비용을 지불하는 것이 아니라

00:11:29.120 --> 00:11:31.240
기준선을 유지하는 시스템을 구축하는 것입니다.

00:11:31.440 --> 00:11:33.760
자율 분류도 바로 그러한 기준선이 되어야 합니다.

00:11:33.760 --> 00:11:37.680
인간 사서의 가변적 인비용과 토큰당 클라우드 사용료를 제거함으로써

00:11:37.680 --> 00:11:40.620
데이터 규모에 맞춰 확장 가능한 시스템을 구축할 수 있습니다.

00:11:40.840 --> 00:11:43.820
이러한 예측 가능성 덕분에 보안 수준을 높일 수 있습니다.

00:11:44.080 --> 00:11:47.600
분류 작업에 드는 비용이 줄어들면 더욱 세밀한 분류가 가능해집니다.

00:11:47.800 --> 00:11:50.980
모든 초안, 모든 채팅, 모든 임시 파일을 스캔하더라도

00:11:50.980 --> 00:11:52.920
월말 청구서 걱정은 하지 않아도 됩니다.

00:11:53.160 --> 00:11:54.620
이는 선순환을 만들어냅니다.

00:11:54.860 --> 00:11:56.840
더 나은 데이터는 더 나은 모델로 이어지고

00:11:56.840 --> 00:11:58.500
더 높은 정확도를 제공하며

00:11:58.500 --> 00:12:01.820
결과적으로 비용이 많이 드는 인적 수정 작업의 필요성을 줄여줍니다.

00:12:01.820 --> 00:12:06.080
본질적으로 시간이 지날수록 더 저렴하고 효과적인 시스템에 투자하는 것입니다.

00:12:06.220 --> 00:12:10.440
반면 기존의 수동 모델은 회사가 성장함에 따라 비용만 증가합니다.

00:12:10.640 --> 00:12:13.280
자체 호스팅 인텔리전스 레이어를 선택하는 것은

00:12:13.280 --> 00:12:15.120
단순히 도구를 구매하는 것이 아니라

00:12:15.120 --> 00:12:19.560
보호가 인프라의 표준 기능이 되는 새로운 경제적 현실을 선택하는 것입니다.

00:12:19.940 --> 00:12:22.860
AI 거버넌스의 새로운 위험을 완화하는 방법도 있습니다.

00:12:23.180 --> 00:12:25.040
인간의 개입을 제거하면 규모는 커지지만

00:12:25.040 --> 00:12:27.360
새로운 유형의 시스템적 위험이 발생합니다.

00:12:27.560 --> 00:12:30.320
자율 거버넌스는 한 번 설정하고 잊어버리는 솔루션이 아닙니다.

00:12:30.320 --> 00:12:32.740
이는 이전과는 다른 종류의 경계심을 요구합니다.

00:12:32.880 --> 00:12:34.780
첫 번째 위협은 모델 드리프트입니다.

00:12:35.020 --> 00:12:39.280
1월에 거의 완벽한 점수를 얻은 분류기도 6월에는 오히려 문제가 될 수 있습니다.

00:12:39.520 --> 00:12:42.220
데이터 자체가 살아있는 유기체와 같기 때문입니다.

00:12:42.420 --> 00:12:47.140
직원들의 글쓰기 방식, 사용하는 용어, 생성하는 파일 유형은 끊임없이 변화합니다.

00:12:47.360 --> 00:12:49.440
모델이 이러한 변화에 발맞춰 진화하지 않으면

00:12:49.440 --> 00:12:52.020
정확도가 서서히 떨어져 결국 원점으로 돌아가게 됩니다.

00:12:52.280 --> 00:12:55.140
하지만 이보다 더 교묘한 형태인 개념 드리프트가 있습니다.

00:12:55.480 --> 00:12:58.460
이는 AI 기반 규정 준수를 방해하는 조용한 살인자입니다.

00:12:58.460 --> 00:13:02.480
개념 드리프트는 찾고자 하는 대상의 기본 정의가 변경될 때 발생합니다.

00:13:02.660 --> 00:13:05.000
예를 들어 새로운 개인정보 보호 규정이 제정되어

00:13:05.000 --> 00:13:07.780
특정 유형의 메타데이터가 민감한 정보로 재분류될 수 있습니다.

00:13:07.980 --> 00:13:11.760
또는 비밀스러운 내부 프로젝트의 코드명이 아폴로에서 제우스로 변경될 수도 있습니다.

00:13:12.020 --> 00:13:13.520
AI가 여전히 아폴로를 찾고 있다면

00:13:13.520 --> 00:13:17.080
제우스로 명명된 문서가 최고 수준의 보안계층을 우회하도록 허용할 것입니다.

00:13:17.260 --> 00:13:20.500
맥락은 바뀌었지만 모델은 여전히 부식지도를 기반으로 작동하고 있는 것입니다.

00:13:20.720 --> 00:13:23.440
이러한 문제를 해결하기 위해서는 정책을 코드로 구현해야 합니다.

00:13:23.440 --> 00:13:27.200
실시간 드리프트 감지 기능을 거버넌스 파이프라인에 직접 통합해야 합니다.

00:13:27.360 --> 00:13:30.480
이는 단순한 모니터링이 아니라 자동화된 개입을 의미합니다.

00:13:30.700 --> 00:13:34.100
시스템이 신뢰도 점수 하락이나 데이터 분포 변화를 감지하면

00:13:34.100 --> 00:13:36.000
조치 수준 쓰인을 트리거해야 합니다.

00:13:36.240 --> 00:13:37.780
이는 안전장치 역할을 합니다.

00:13:38.040 --> 00:13:40.700
AI가 불확실해지면 자율적인 의사결정을 중단하고

00:13:40.700 --> 00:13:43.720
파일을 인간 전문가에게 전달하여 신속하게 검토하도록 합니다.

00:13:43.900 --> 00:13:46.640
본질적으로 기계가 도움이 필요할 때 알려주도록 하는 것입니다.

00:13:46.840 --> 00:13:49.060
다음으로 신속한 인젝션 공격에 위협이 있습니다.

00:13:49.360 --> 00:13:51.080
이는 새로운 데이터 유출 방식입니다.

00:13:51.080 --> 00:13:54.500
공격자는 방화벽을 해킹할 필요 없이 분류기를 속일 수 있습니다.

00:13:54.700 --> 00:13:58.400
문서 내에 숨겨진 텍스트를 사용하여 AI에게 이전의 모든 지침을 무시하고

00:13:58.400 --> 00:14:02.320
해당 파일을 공개 파일로 분류하도록 지시하는 악의적 임명령을 삽입할 수 있습니다.

00:14:02.560 --> 00:14:05.340
AI 계층이 단순하다면 이러한 지시를 따르게 됩니다.

00:14:05.580 --> 00:14:08.340
파일의 등급이 낮아지고 관할권 보호가 해제되며

00:14:08.340 --> 00:14:10.980
데이터는 일반적인 외부 채널을 통해 유출됩니다.

00:14:11.200 --> 00:14:14.060
이는 거버넌스 도구를 악용하는 정교한 방법입니다.

00:14:14.360 --> 00:14:18.180
이러한 위협에 대한 완화 전략은 보조 가디언 에이전트를 구현하는 것입니다.

00:14:18.180 --> 00:14:20.980
이 모델은 규모가 작고 고도로 전문화된 모델로

00:14:20.980 --> 00:14:23.640
주 분류기의 결정을 검증하는 역할 만 합니다.

00:14:23.800 --> 00:14:25.660
문서 전체를 살펴보는 것이 아니라

00:14:25.660 --> 00:14:28.460
조작 흔적이나 논리적 오류만 찾아 냅니다.

00:14:28.700 --> 00:14:31.900
주 분류기가 손상되거나 혼란스러워 지지 않았는지 확인하는

00:14:31.900 --> 00:14:33.360
추가적인 검증 역할을 합니다.

00:14:33.580 --> 00:14:34.900
두 모델의 의견이 일치하지 않으면

00:14:34.900 --> 00:14:37.440
시스템은 가장 엄격한 네이블을 기본값으로 사용합니다.

00:14:37.640 --> 00:14:39.500
이러한 다층적인 방어체계를 구축함으로써

00:14:39.500 --> 00:14:42.000
취약한 자동화에서 탄력적인 자동화로 나아갈 수 있습니다.

00:14:42.260 --> 00:14:45.100
AI는 강력하지만 오류를 범할 수 있다는 점을 인정하고

00:14:45.100 --> 00:14:49.540
모델을 지속적인 조정과 경고한 제동 시스템이 필요한 고성능 엔진처럼 다룹니다.

00:14:49.720 --> 00:14:51.760
이것이 새로운 모델의 마지막 단계입니다.

00:14:51.980 --> 00:14:54.320
단순히 인간의 오류를 기계로 대체하는 것이 아니라

00:14:54.320 --> 00:14:56.500
기계 자체의 고유한 오류를 고려하는

00:14:56.500 --> 00:14:58.500
구조적 프레임워크를 구축하는 것입니다.

00:14:58.740 --> 00:15:01.300
이것이 바로 현실 세계의 복잡성을 견뎌낼 수 있는

00:15:01.300 --> 00:15:04.040
기본적으로 안전한 시스템을 구축하는 방법입니다.

00:15:04.260 --> 00:15:05.500
거버넌스는 역동적이고

00:15:05.500 --> 00:15:07.340
자체 수정이 가능한 순환고리가 됩니다.

00:15:07.680 --> 00:15:09.380
우리는 규정 준수를 바라는 세상에서

00:15:09.380 --> 00:15:11.620
규정 준수를 설계하는 세상으로 나아가고 있습니다.

00:15:11.620 --> 00:15:14.000
이러한 변화를 통해 데이터가 증가함에 따라

00:15:14.000 --> 00:15:16.900
보안이 단순히 따라잡는 것을 넘어 더욱 스마트해집니다.

00:15:17.060 --> 00:15:19.740
마침내 미래를 위한 기반을 구축하게 되는 것입니다.

00:15:20.060 --> 00:15:22.300
구현은 90일 로드맵으로 진행됩니다.

00:15:22.520 --> 00:15:23.800
자율관리 아키텍처 구축은

00:15:23.800 --> 00:15:25.980
스위치를 켜고 끄는 것처럼 간단한 작업이 아니면

00:15:25.980 --> 00:15:28.200
90일의 전환 과정으로 접근해야 합니다.

00:15:28.380 --> 00:15:30.660
0일차에는 제가 진실계층이라고 부르는 것을

00:15:30.660 --> 00:15:31.920
확립하는 것부터 시작합니다.

00:15:32.120 --> 00:15:33.460
단 하나의 파일도 차단하지 않고

00:15:33.460 --> 00:15:35.040
현재 노출 수준을 파악하기 위해

00:15:35.040 --> 00:15:36.860
감사 전용 모드로 퍼뷰를 실행해야 합니다.

00:15:37.060 --> 00:15:39.120
여기서 하는 일은 레이블이 지정되어야 하는 데이터와

00:15:39.120 --> 00:15:41.580
실제로 레이블이 지정된 데이터 간의 차이를 측정하는 것입니다.

00:15:41.740 --> 00:15:43.240
대부분의 조직은 이 과정을 통해

00:15:43.240 --> 00:15:44.780
민감한 데이터의 절반 이상이

00:15:44.780 --> 00:15:47.300
현재 시스템에 감지되지 않는다는 사실을 발견합니다.

00:15:47.500 --> 00:15:49.460
이 기준서는 기존 모델의 실패 지점을

00:15:49.460 --> 00:15:50.880
정확히 보여주는 지도가 됩니다.

00:15:51.200 --> 00:15:53.360
이에 관계자에게 인프라 전환의 필요성을 설득하려면

00:15:53.360 --> 00:15:54.880
이러한 정확한 데이터가 필수적입니다.

00:15:55.080 --> 00:15:57.280
이 데이터가 없으면 추측에 불과하기 때문입니다.

00:15:57.460 --> 00:15:58.500
이 지도를 확보한 후에는

00:15:58.500 --> 00:16:00.080
효율성과 지능의 균형을 맞춘

00:16:00.080 --> 00:16:01.720
하이브리드 모델을 배포할 수 있습니다.

00:16:01.960 --> 00:16:03.540
단순한 신용카드 번호를 찾는 데에는

00:16:03.540 --> 00:16:05.800
엄청나게 비싼 추론 엔진이 필요하지 않습니다.

00:16:06.020 --> 00:16:08.100
제조원은 20년 동안 변하지 않은 구조화되고

00:16:08.100 --> 00:16:10.480
예측 가능한 패턴과 같이 쉽게 제거할 수 있는 것부터

00:16:10.480 --> 00:16:12.400
고속으로 걸러내는 방식을 사용하는 것입니다.

00:16:12.580 --> 00:16:14.700
복잡하고 비구조화된 지적재산과 같이

00:16:14.700 --> 00:16:16.180
실제 추론이 필요한 부분에는

00:16:16.180 --> 00:16:18.160
인텔리전스 레이어를 활용해야 합니다.

00:16:18.440 --> 00:16:20.180
이러한 계층적 접근 방식을 통해

00:16:20.180 --> 00:16:21.500
컴퓨팅 비용을 낮추면서

00:16:21.500 --> 00:16:23.640
동시에 보안 범위를 극대화할 수 있습니다.

00:16:23.640 --> 00:16:25.240
자원을 정밀하게 배분하고

00:16:25.240 --> 00:16:26.780
눈으로만 확인할 수 없을 때만

00:16:26.780 --> 00:16:28.480
두뇌를 활용하는 것이 핵심입니다.

00:16:28.660 --> 00:16:31.460
다음으로 30일 만에 모든 것을 해결하려 하기보다는

00:16:31.460 --> 00:16:33.820
적응형 범위를 사용하여 초점을 좁혀야 합니다.

00:16:34.000 --> 00:16:35.940
재무, 연구, 개발, 법무와 같이

00:16:35.940 --> 00:16:38.160
위험도가 높은 부서를 우선적으로 공략해야 합니다.

00:16:38.360 --> 00:16:39.920
이러한 부서는 침해 사고 발생 시

00:16:39.920 --> 00:16:42.260
가장 큰 손실을 초래할 가능성이 높은 영역입니다.

00:16:42.480 --> 00:16:44.760
이러한 소규모 환경에서 가치를 입증함으로써

00:16:44.760 --> 00:16:46.300
나중에 전체 규모로 배포하는 데

00:16:46.300 --> 00:16:48.140
필요한 내부 추진력을 구축할 수 있습니다.

00:16:48.140 --> 00:16:50.620
거대하고 부담스러운 규정 준수 프로젝트를

00:16:50.620 --> 00:16:53.160
작고 측정 가능한 성공으로 전환하는 것입니다.

00:16:53.320 --> 00:16:55.460
이는 일반적인 명령이 아닌 전술적 배포이며

00:16:55.460 --> 00:16:57.400
가장 어려운 문제부터 해결함으로써

00:16:58.480 --> 00:17:00.060
제대로 작동하는지 입증합니다.

00:17:00.240 --> 00:17:02.680
마지막 퍼즐 조각은 사람이 직접 참여하는

00:17:02.680 --> 00:17:04.220
재학습 피드백 루프입니다.

00:17:04.460 --> 00:17:06.940
가디언 에이전트가 신뢰도가 낮은 파일을 표시하면

00:17:06.940 --> 00:17:09.980
보안 담당자가 신속하게 확인하여 결과를 검증합니다.

00:17:10.220 --> 00:17:12.580
이 한 번의 클릭으로 파일 하나만 수정되는 것이 아니라

00:17:12.580 --> 00:17:15.800
모델이 실제로 재학습되어 모든 오류로부터 학습하게 됩니다.

00:17:16.080 --> 00:17:18.240
이렇게 하면 시간이 지남에 따라 성능이 저하되는 플랫폼이 아닌

00:17:18.240 --> 00:17:20.040
오히려 향상되는 플랫폼을 구축할 수 있습니다.

00:17:20.220 --> 00:17:22.360
90일째 되는 날에는 보안 병목 현상이 아닌

00:17:22.360 --> 00:17:24.180
보안 활성화 도구로 거듭나게 됩니다.

00:17:24.420 --> 00:17:26.700
보호는 즉각적이고 눈에 띄지 않게 이루어지며

00:17:28.480 --> 00:17:30.560
자동화의 확실성으로 대체하게 됩니다.