생성AI와 에이전틱 AI가 실험을 넘어 기업의 실제 업무와 서비스로 확대되면서 AI 투자 성과를 좌우하는 데이터 운영의 중요성이 커지고 있다. AI 모델과 GPU를 확보해도 필요한 데이터를 신속하게 찾고 준비하지 못하면 학습과 추론이 지연되고 고가의 연산자원이 대기하게 된다.
기업 데이터는 업무시스템과 데이터센터, 퍼블릭 클라우드, 엣지에 분산돼 있다. AI 프로젝트마다 데이터를 별도 환경으로 복사하면 원본과 복사본의 시점이 달라지고 중복 저장과 보안 검토, 접근권한 관리 부담도 늘어난다. 데이터 이동과 정제, 분류를 수작업에 의존하면 AI 서비스의 확대 속도만큼 운영인력을 늘려야 하는 문제도 발생한다.
AI 프로젝트를 실제 업무로 확장하려면 모델 선택에 앞서 신뢰할 수 있는 데이터를 얼마나 빠르게 연결하고 활용할 수 있는지 점검해야 한다. 성능과 확장성뿐 아니라 데이터 보호와 복구, 거버넌스, 비용을 함께 관리해야 일회성 시연을 지속적인 사업 성과로 전환할 수 있다.
데이터 플랫폼 기업 에버퓨어(Everpure, 옛 퓨어스토리지)는 이러한 과제를 해결하는 AI-레디 운영 모델로 '엔터프라이즈 데이터 클라우드(Enterprise Data Cloud)'를 제시한다. 개별 스토리지 장비를 추가하는 제품이 아니라 온프레미스와 클라우드, 엣지에 분산된 데이터를 하나의 논리적 기반에서 저장·관리·보호·이해하는 데이터 운영체계다.
엔터프라이즈 데이터 클라우드의 기반은 통합 데이터 플레인이다. 블록과 파일, 오브젝트 데이터를 비롯해 데이터센터·클라우드·엣지에서 실행되는 워크로드를 하나의 논리적 데이터 기반으로 연결한다. 스토리지 시스템별로 데이터를 따로 관리하는 대신 전체 데이터 환경의 위치와 이용 상태를 통합해 파악한다.
업무시스템과 AI 애플리케이션이 같은 데이터 기반을 이용하면 프로젝트마다 별도의 복사본이나 데이터 파이프라인을 만들 필요가 줄어든다. 데이터가 저장된 위치와 형식이 달라도 필요한 데이터에 접근할 수 있어 AI 준비 과정에서 발생하는 이동시간과 저장공간 사용량, 관리 복잡성을 낮출 수 있다.
에버퓨어는 통합의 범위를 저장 위치에 한정하지 않는다. 데이터가 AI 생애주기인 연결과 준비, 학습, 추론을 따라 이어지도록 관리한다. 여러 데이터 소스를 연결한 뒤 원천 데이터를 수집·정제·분류하고 벡터화와 인덱싱, 검색이 가능한 상태로 전환한다.
데이터 준비가 지연되면 모델 학습시간이 길어지고 GPU 이용률도 낮아질 수 있다. 추론 단계에서 오래되거나 필요한 맥락이 빠진 데이터를 검색하면 답변의 정확성과 신뢰성에도 영향을 준다. 통합 데이터 플레인은 수집부터 추론까지 이어지는 데이터 흐름을 하나의 운영 범위로 묶어 단계마다 별도 저장환경을 구성하는 부담을 줄인다.
이러한 데이터 기반은 검색증강생성(RAG), 기업 지식 검색, 고객지원 에이전트, 사기 탐지, 공급망·물류 분석 등에 이용할 수 있다. 고객지원 에이전트는 최신 정책과 제품 문서를 검색해 답변하고, 사기 탐지와 공급망 분석은 서로 다른 업무시스템의 데이터를 결합해 이상징후와 원인을 확인해야 한다.
제조 현장에서는 장비와 센서가 생성하는 대규모 데이터를 AI 워크플로와 연결해야 한다. 금융·공공 분야는 데이터 접근권한과 주권, 보호정책, 감사기록을 함께 관리해야 한다. 개별 애플리케이션마다 데이터를 복제하는 대신 공통 기반에서 필요한 데이터를 준비하고 업무별 정책에 따라 이용하는 방식이다.
통합된 데이터 환경은 지능형 컨트롤 플레인으로 운영한다. 관리자는 데이터 배치와 보호, 성능, 서비스 수준, 거버넌스에 관한 정책을 정의하고 여러 시스템에 같은 기준으로 적용한다. 시스템마다 관리도구에 접속해 용량과 성능을 확인하고 개별 설정을 변경하는 작업을 줄이는 방식이다.
지능형 컨트롤 플레인은 전체 데이터 환경에서 수집한 텔레메트리를 바탕으로 워크로드 상태와 데이터 이용 형태의 변화를 확인한다. 조직이 정한 정책에 따라 데이터의 프로비저닝과 배치, 보호, 최적화 작업을 처리하고 성능이나 가용성에 영향을 줄 수 있는 변화를 사전에 파악한다.
운영팀은 인프라 구성요소를 일일이 조정하는 대신 필요한 성능과 보호 수준, 이용 조건을 정책으로 관리할 수 있다. AI 워크로드와 데이터가 늘어나도 시스템별 설정 차이를 줄이고 온프레미스와 클라우드, 엣지 환경에 일관된 운영기준을 적용한다.
데이터를 연결하는 것만으로는 AI가 신뢰할 수 있는 결과를 만들기 어렵다. 데이터가 어디에 있는지뿐 아니라 무엇을 의미하는지, 다른 데이터와 어떤 관계가 있는지, 민감정보가 포함됐는지, 누가 어떤 조건에서 이용할 수 있는지도 파악해야 한다.
에버퓨어의 유니버설 데이터 인텔리전스(Universal Data Intelligence)는 데이터 자산에 의미와 관계, 민감도, 이용 조건 등의 맥락을 부여한다. 데이터 준비 계층은 원천 데이터를 수집하고 정제·분류한 뒤 AI가 검색하고 처리할 수 있는 형태로 전환한다.
이를 적용하면 검색증강생성에 이용하는 문서의 위치와 접근조건을 확인하고, 데이터 분류와 검색 과정에 보호정책을 연결할 수 있다. 기업은 AI 애플리케이션마다 데이터 관리체계를 새로 만드는 대신 통합된 데이터 기반에서 업무 목적에 맞는 정보와 정책을 함께 제공한다.
엔터프라이즈 데이터 클라우드는 API 중심 방식으로 개발·운영 파이프라인과 백업, 규정 준수, 클라우드 자동화 도구를 연결한다. 정책을 한 번 정의하면 분산된 데이터 환경에서 프로비저닝과 보호, 거버넌스, 최적화에 같은 기준을 적용해 수작업과 구성 편차를 줄인다.
금융기술기업 옵션스 테크놀로지(Options Technology)는 신규 고객을 위한 스토리지 조달과 구성, 관리에 드는 시간과 비용을 줄이기 위해 에버그린//원(Evergreen//One)과 에버퓨어 퓨전(Everpure Fusion)을 도입했다.
옵션스 테크놀로지는 주요 워크로드 성능을 80% 높였으며 7년 동안 100% 가용성을 유지했다고 밝혔다. 에버퓨어 퓨전을 통한 운영 통합으로 스토리지 관리 부담도 80% 줄였다. 분산된 인프라를 정책에 따라 관리하면서 금융서비스를 확장하고 AI 업무에 필요한 데이터 기반을 마련한 사례다.
AI ROI는 모델 정확도나 한 차례의 시연만으로 평가하기 어렵다. AI를 여러 조직과 서비스로 확대하려면 데이터를 반복적으로 복사·이동하지 않고 필요한 시점에 공급해야 한다. 워크로드 증가에도 성능과 비용, 보호, 복구 수준을 일관되게 관리할 수 있어야 한다.
에버퓨어는 엔터프라이즈 데이터 클라우드를 통해 기업이 스토리지 장비별 운영에서 벗어나 전체 데이터를 하나의 시스템으로 관리하도록 기술 범위를 확대하고 있다. 향후 AI 데이터 준비와 운영 자동화, 거버넌스, 사이버 복원력을 통합해 기업이 AI 프로젝트를 시험 단계에서 실제 업무와 서비스로 확장하는 기반을 강화할 계획이다.
임민지 기자 minzi56@etnews.com