데이터 사일로 없는 주권형 AI
지난 몇 년 동안 주권 AI에 대한 논의는 극적으로 변화했습니다. 한때 지정학적 맥락에 기반한 정책적 논의에 그쳤던 것이 이제는 실제 인프라 구축 결정에 반영되고 있으며, 기업들은 AI의 잠재력을 최대한 활용하면서도 AI 구동에 필요한 데이터에 대한 통제권을 유지하는 방법을 모색하고 있습니다.
정부들이 국가 차원의 클라우드 구축 사업에 대규모 자금을 지원하고 있다. 기업들은 하이퍼스케일러에 대한 의존도를 줄이기 위해 데이터 환경을 재구성하고 있으며, 하이퍼스케일러 업체들 역시 이러한 수요를 충족하기 위해 지역별 “국가 주도 클라우드” 서비스를 도입하고 있다. 동시에 네오클라우드 제공업체들이 급증하고 있으며, 규제 당국은 국경을 넘나드는 학습 데이터의 이동 방식을 더욱 면밀히 감시하고 있다.
국가 주도형 AI 이니셔티브를 추진하는 기업 및 공공 부문 팀에서 공통적인 패턴이 나타나고 있습니다. 이들은 AI 파이프라인이 여러 관할 구역에 걸쳐 있는 인프라와 데이터 세트에 의존하는 경우가 많다는 사실을 발견하고 있습니다. 결과적으로, 여러 지역에 걸쳐 국가 주도형 AI 전략을 구현하는 과정에서 다음과 같은 몇 가지 반복적인 문제점이 제기되고 있습니다.
관할권 통제: 민감한 데이터와 AI 워크로드가 역외 접근의 대상이 되는 대신 현지 법률의 적용을 받도록 보장합니다.
지정학적 회복력: 핵심 디지털 역량을 위한 해외 초거대 인프라 의존도 감소.
데이터 보안 및 개인정보 보호: AI 파이프라인을 거치는 동안 지적 재산권과 규제 대상 데이터 세트를 보호합니다.
문화적 및 언어적 자율성 : 모델이 현지 언어, 맥락 및 사회적 규범을 반영하도록 보장합니다.
경제적 경쟁력: 국가 AI 생태계가 외부 플랫폼에 영구적으로 의존하게 되는 것을 방지합니다.
이러한 우려는 유럽의 규제 체계부터 미주, 중동, 아시아 전역에서 등장하는 국가별 AI 이니셔티브에 이르기까지 지역별로 다양합니다. 그러나 이 모든 것은 동일한 근본적인 과제를 지적합니다
AI 인프라가 본질적으로 분산되어 있는 세상에서, 데이터 주권(data sovereignty)을 어떻게 보장할 수 있을까요?
언뜻 보면 답은 간단해 보입니다. 민감한 데이터를 국가 경계 내에 보관하고, 지역별 클라우드 환경을 활용하며, 현지의 법적·운영적 관리 체계를 구축하는 것입니다. 이러한 조치들은 중요하며, 클라우드 사업자들도 이를 가능하게 하기 위해 많은 투자를 해왔습니다.
하지만 AI가 등장하는 순간, 지리적 위치만으로는 더 이상 충분하지 않게 됩니다.
AI 워크로드는 깔끔하게 나뉜 경계를 따르지 않습니다. 학습 데이터는 한 국가에서 생성되고, 다른 국가에서 보강된 뒤, 가속 컴퓨팅 자원이 확보된곳이라면 어디든 구축된 GPU 클러스터에서 처리될 수 있습니다. 추론 파이프라인은 확장성을 위해 여러 클라우드 리전으로 확장되며, 연구팀들은 일반적인 개발 과정의 일환으로 여러 국가 관할권에 걸쳐 협업합니다. AI를 지원하는 인프라는 탄력적이고 글로벌하게 설계되어 있는 반면, 데이터 주권 요건은 그렇지 않습니다.
이것이 바로 조직들이 AI 이니셔티브 추진을 검토하면서 마주하는 긴장 관계입니다. 혁신 부서는 이용 가능한 최고의 컴퓨팅 자원에 접근하길 원합니다. 보안 부서는 강제 가능한 경계와 통제를 원합니다. 규제 기관은 명확성과 책임성을 요구합니다. 이에 대한 본능적인 대응은 종종 별도의 전용 환경을 만드는 것입니다. 즉, 국가별 주권형 스택을 구축하고, 지역별로 데이터를 중복 저장하며, 유연성을 희생하는 대신 통제를 강화한 제한적인 AI 구역을 운영하는 방식입니다.
이 방식은 어느 정도까지는 효과가 있지만, 부작용이 빠르게 누적됩니다. 데이터가 복제되고 또 복제될수록 거버넌스는 사후 대응적으로 변하고, 운영 복잡성은 커집니다. 시간이 지날수록 데이터 환경은 더욱 파편화되지만, 정작 AI 이니셔티브는 오히려 더 통합된 데이터 환경을 필요로 합니다. 근본적인 문제는 단순히 데이터의 위치만이 아니라, 사일로화된 환경에서 데이터가 관리되는 근본적인 아키텍처 방식에 있습니다.
기존 아키텍처가 한계에 부딪히는 지점
기존 스토리지 시스템은 각 개별 시스템 내부에 독점적인 파일 시스템을 내장하고 있습니다. 데이터가 서로 다른 스토리지 유형이나 지역 간에 이동할 때, 파일과 그 메타데이터도 함께 이동하면서 새로운 복사본이 생성되고 여러 버전이 늘어나게 됩니다. 그리고 이 모든 데이터를 정책 규정에 맞게 일관되게 유지해야 하는 부담은 IT 팀과 수작업 프로세스에 맡겨지게 됩니다.
그 모델은 데이터가 하나의 애플리케이션에 명확하게 대응되던 시기에는 관리가 가능했습니다. 그러나 동일한 데이터셋이 동시에 여러 애플리케이션, 추론 파이프라인, 그리고 에이전트형 워크플로우에 공급되어야 하는 AI 환경에서는 더 이상 작동하지 않습니다. 데이터 규모가 페타바이트급으로 커질수록, 파편화된 사일로 전반에 걸쳐 데이터 주권을 적용하는 일은 기하급수적으로 복잡해집니다. 이제 논의의 초점은 스토리지 중심 관점에서 데이터 중심 관점으로 전환되어야 합니다. 즉, 데이터가 어디에 저장되어 있는지만이 아니라, 서로 호환되지 않는 다양한 시스템과 위치 전반에서 데이터를 어떻게 통제하고 거버넌스할 것인지에 집중해야 합니다.
실제로 데이터 주권은 매우 상황 의존적입니다. AI 파이프라인 내의 모든 데이터가 동일한 요구사항을 가지는 것은 아닙니다. 예를 들어, 원본 시민 데이터는 특정 국가 내에 반드시 머물러야 할 수 있지만, 파생 데이터셋은 국가 간 이동이 가능할 수 있습니다. 익명화된 일부 데이터는 보다 광범위한 모델 학습에 활용될 수 있으며, 모델 체크포인트나 산출물은 또 다른 별도의 분류 기준이 적용될 수 있습니다.
중요한 것은 단순히 인프라가 어디에 위치하느냐가 아니라, 개별 데이터셋이 허용된 범위 내에서만 이동·복제·저장될 수 있도록 가드레일(통제 기준)을 어떻게 정의하느냐입니다. 동시에 이러한 통제가 비즈니스 운영에 불필요한 마찰이나 추가 비용을 초래하지 않아야 합니다.
데이터 계층에 거버넌스를 내재화하기
Hammerspace는 이 문제를 데이터 중심 관점에서 접근합니다. 기존 스토리지 시스템에 데이터를 그대로 둔 채 파일 시스템 메타데이터를 통합함으로써, 데이터를 활용하기 전에 새로운 AI 저장소로 데이터셋을 복제해야 하는 필요를 없앱니다. 또한 파일 시스템 계층을 하부 인프라 위로 끌어올려, 온프레미스 환경, 여러 클라우드 사업자, 다양한 지역은 물론 어떤 벤더의 스토리지까지 아우르는 통합 데이터 플레인(data plane)을 구축합니다.
사용자와 애플리케이션은 이전과 동일하게 자신의 데이터에 접근할 수 있지만, 더 이상 개별 스토리지 시스템의 제한된 관점에 묶여 있지 않습니다. 대신 클라우드를 포함해 어떤 스토리지 유형이나 위치에 있든 비정형 데이터를 아우르는 글로벌 네임스페이스(global namespace) 안에서 데이터를 활용하게 됩니다. 그리고 이러한 통합된 가시성 뒤에는 제어 플레인(control plane)과 비중단형(non-disruptive) 규칙 기반 데이터 오케스트레이션이 결합되어 작동합니다.
사용자와 애플리케이션은 데이터가 실제 어디에 저장되어 있든 마치 로컬에 있는 것처럼 접근할 수 있습니다. 동시에 비즈니스 규칙에 따라 정의된 정책 기반 Objectives는 파일 단위의 세밀한 수준에서 데이터 주권 제한과 기타 요구사항이 준수되도록 보장합니다. 이 모든 것은 백그라운드에서 자동으로 이루어지며, 애플리케이션 서버나 사용자 단말기에 별도의 독점 소프트웨어를 설치할 필요도 없습니다.
Hammerspace는 데이터의 생성 시점이나 크기와 같은 일반적인 파일 시스템 메타데이터뿐만 아니라, 추가적인 맥락 정보를 제공하는 풍부한 사용자 정의 메타데이터까지 활용하여 데이터를 관리합니다. 이러한 메타데이터는 데이터가 수명주기 동안 서로 다른 스토리지 시스템 간에 이동할 때 자동으로 적용되고 상속될 수 있어, 누군가 분류 작업을 빠뜨리는 위험을 없애줍니다.
이러한 글로벌 수준의 정책 집행은 사일로 전반에 걸쳐 자동으로 적용되기 때문에 관리 복잡성을 크게 줄여줍니다. 또한 데이터가 한 스토리지 시스템에서 다른 시스템으로 이동한 뒤, 누군가 정책을 다시 적용해야 한다는 사실을 기억하고 수작업으로 처리할 필요도 없습니다. 인프라 환경이 변경되더라도 시스템은 정의된 Objectives와의 정합성을 다시 평가하고, 해당 정책에 따라 데이터를 자동으로 오케스트레이션하여 기준에 맞도록 조정합니다. 추가로 Hammerspace는 서로 다른 스토리지 사일로 경계를 넘어 시스템 ACLs(접근 제어 목록)을 추적함으로써, 특정 개별 시스템이나 사이트에 한정되지 않고 데이터 계층 자체에 내재된 감사 추적(audit trail)을 제공합니다.
예를 들어, 규칙에 따라 “EU-Restricted” 태그가 지정된 파일은 EU 관할권 내의 스토리지 볼륨에만 저장되어야 하며, 비EU 지역에는 명시적으로 배제되도록 설정할 수 있습니다. 또 다른 메타데이터 태그는 특정 데이터 집합에 대해 더 높은 수준의 내구성이나 성능 요건을 정의할 수도 있습니다. 사용자나 애플리케이션이 글로벌 네임스페이스 전반에서 데이터를 활용하더라도, 이러한 규칙들이 데이터 주권 제한을 유지하기 위한 가드레일 역할을 수행합니다.
이러한 모델에서는 데이터 주권 규칙이 선언형(declarative) 방식으로 운영됩니다. 다시 말해, 가드레일은 데이터 자체의 속성이 되며, Hammerspace는 데이터가 생성·수정·이동될 때마다 모든 사일로와 위치 전반에서 해당 규칙과의 정합성을 지속적으로 평가합니다.
예를 들어, 유럽의 한 공공기관이 시민 데이터셋을 기반으로 AI 모델을 개발하고 있다고 가정해 보겠습니다. 일부 원본 데이터는 반드시 프랑스 내에 유지되어야 하지만, 파생 산출물은 공동 분석을 위해 EU 내 다른 지역으로 이동이 허용될 수 있습니다. 재해 복구(Disaster Recovery)용 복제본 역시 해당 관할권 경계 내에 머물러야 하며, 다른 지역에 구축된 GPU 클러스터는 승인된 일부 데이터셋에만 접근할 수 있어야 합니다.
비즈니스 규칙에 의해 제한되는 메타데이터 기반 오케스트레이션을 통해, 이러한 구분 기준은 데이터 계층에 직접 반영됩니다. 원본 데이터셋은 자동으로 프랑스 내 인프라에만 제한되고, 승인된 일부 데이터셋만 정의된 EU 경계 내에서 이동할 수 있습니다. 또한 복제나 복원력(Resilience) 정책 역시 민감한 데이터를 지정된 지역 밖으로 반출하지 않은 채 운영됩니다. AI 파이프라인은 통합된 네임스페이스를 기반으로 동작하기 때문에 일관성을 유지하며, 동시에 파일 단위에서 데이터 주권 가드레일이 적용됩니다. 그 결과는 고립이 아닙니다. 통제된 참여입니다.
핵심 요약
Sovereign AI는 몇 가지 타협할 수 없는 핵심 원칙으로 요약됩니다. 데이터는 반드시 적절한 관할권 내에 머물러야 하고, 접근 통제는 입증 가능하며 감사 추적이 가능해야 합니다. 동시에 민감한 데이터셋의 새로운 ‘그림자 복제본(shadow copies)’을 만들지 않으면서도 높은 성능을 확보할 수 있어야 합니다.
그러한 요구사항에 직접적으로 부합하는 Hammerspace의 핵심 역량은 다음과 같습니다
1) 새로운 AI 사일로를 만들지 않고도 데이터 주권을 유지합니다.
기존 스토리지 시스템(온프레미스, 다중 사이트, 클라우드)에 분산되어 있는 비정형 데이터를 현재 위치 그대로 통합하여 하나의 논리적 데이터 플레인으로 구성합니다. 이를 통해 팀들은 데이터를 새로운 스토리지 저장소나 AI 레이크로 먼저 복제할 필요 없이, 현재 위치한 상태 그대로 분산 데이터셋을 활용할 수 있습니다.
글로벌 네임스페이스를 통해 애플리케이션과 사용자는 데이터에 대해 일관된 단일 뷰를 볼 수 있으며, 실제 하부 스토리지는 반드시 있어야 하는 위치에 그대로 유지됩니다.
2) 데이터가 저장되고 이동할 수 있는 위치를 관할권 기준으로 제어합니다.
정책 기반 데이터 배치 및 이동성: 데이터가 저장될 수 있는 위치(국가·지역·사이트), 처리될 수 있는 장소, 그리고 어떤 조건에서 이동이 발생하는지를 규칙으로 정의합니다.
정책/Objective 기반 지오펜싱(Geo-fencing): 규제 대상 데이터셋은 주권이 보장된 인프라에 고정해 두면서도, 허용된 데이터에 대해서는 사이트 간 운영과 활용이 가능하도록 지원합니다.
3) 주권형 인프라 위에서 AI 팩토리를 위한 고성능 데이터 접근 지원
파일 데이터(필요한 경우 오브젝트 데이터 포함)에 대한 고처리량 병렬 접근을 제공하여, 추론(inference) 및 에이전트형(agentic) 워크로드의 결과 도출 시간을 단축합니다.
표준 기반 클라이언트 접근 방식(예: 배포 환경에 따라 NFS/pNFS, SMB, S3 스타일 패턴 등)을 지원하여, 별도의 독점 클라이언트를 설치할 필요가 없으며 주권형 인프라 도입 고객들이 자주 꺼리는 ‘블랙박스’ 종속 구조도 피할 수 있습니다.
4) 다수 이해관계자 환경에서 보안, 격리, 최소 권한 접근을 보장합니다.
분산된 스토리지 전반에 걸쳐 권한을 중앙에서 관리하는 제어 플레인을 제공하여, 접근 정책이 사일로별로 분절되지 않도록 합니다.
엔터프라이즈 인증 연동(디렉터리 서비스)을 지원하며, 누가(Who) 어떤 데이터(What)에 어떤 환경(Which environments)에서 접근할 수 있는지를 정책적으로 통제할 수 있습니다.
5) 컴플라이언스 수준의 AI 운영을 위한 감사 추적성과 거버넌스 제공
풍부한 메타데이터와 검색·인덱싱 기능을 통해 민감한 데이터셋을 찾아내고, 분류하며, 통제할 수 있습니다. 또한 관리되지 않는 ‘알 수 없는 데이터(unknown data)’의 무분별한 확산도 줄일 수 있습니다.
규제 환경을 지원하기 위해 운영 가시성과 감사 추적(audit trail)을 제공하며, 누가 어떤 데이터에 언제 어디서 접근했는지를 확인할 수 있습니다.
6) 주권 경계 내에서 복원력과 업무 연속성 보장
허용된 주권 범위 내에서 사이트 간 복제 및 장애 조치(failover)를 지원하여, 특정 사이트나 시스템에 장애가 발생하더라도 핵심 AI 파이프라인이 지속적으로 운영될 수 있도록 합니다.
7) 주권형 프로그램이 선호하는 공급망 안정성과 상호운용성 체계 제공
기존 벤더의 스토리지와 연동하여 활용할 수 있으며, 모든 환경에 단일 독점 플랫폼 도입을 강요하지 않습니다.
하드웨어에 종속되지 않는 설계를 통해, 조달 가능하고 승인된 인프라를 그대로 활용하면서도 통합된 고성능 데이터 계층을 제공합니다.
결론
전 세계적으로 확산되고 있는 데이터 주권(Sovereignty) 정책은 디지털 인프라 전략을 의미 있는 방식으로 재편하고 있습니다. 조직들이 더 높은 수준의 명확성, 더 강력한 통제력, 그리고 더 큰 복원력을 요구하는 것은 당연합니다. 동시에 AI 이니셔티브는 앞으로도 분산 컴퓨팅, 국경을 넘는 협업, 그리고 탄력적인 확장성에 지속적으로 의존하게 될 것입니다.
Sovereign AI는 컴플라이언스와 혁신 사이에서 하나를 선택하도록 강요해서는 안 되며, 국가마다 인프라를 다시 구축하거나 데이터셋을 분리된 스택에 중복 복제하도록 요구해서도 안 됩니다. 필요한 것은 거버넌스가 데이터 계층 자체에 내재된 아키텍처 모델입니다. 즉, 메타데이터가 데이터의 동작을 결정하고, 사용자와 애플리케이션의 업무 방식에 지장을 주지 않으면서 정책이 지속적으로 집행되는 구조가 필요합니다.
데이터 주권이 사후적으로 덧붙이는 운영상의 통제 장치가 아니라 데이터 패브릭 자체의 일부가 될 때, 민첩성과 통제력은 더 이상 서로 경쟁하지 않습니다. 오히려 서로를 강화하게 됩니다.
이것은 시작에 불과합니다. AI 시스템이 전통적인 파이프라인을 넘어, 기업 데이터를 실시간으로 활용하며 스스로 작동하는 자율형 에이전트로 진화할수록, 분산된 거버넌스의 필요성은 더욱 커질 것입니다.
향후 게시글에서는 에이전트형 워크플로우(agentic workflows), 파일 단위 Objectives, 그리고 메타데이터 기반 오케스트레이션이 어떻게 결합되어 분산 인프라 전반에서 대규모로 Sovereign AI를 실제 운영 가능하게 만드는지 살펴볼 예정입니다. 특히 AI 시스템이 기업 데이터와 직접 상호작용하는 자율형 에이전트로 진화해 가는 흐름 속에서 그 의미를 집중적으로 다룰 것입니다.
