도메인 특화 AI, 조직의 데이터와 업무 맥락을 이해하는 기술

범용 AI는 폭넓은 지식을 다룰 수 있지만, 조직마다 사용하는 고유한 용어와 판단 기준, 운영 절차를 처음부터 알고 있지는 않습니다. 같은 단어도 산업과 업무에 따라 의미가 달라질 수 있고, 필요한 정보는 여러 시스템과 문서에 나뉘어 존재합니다. 자연스러운 답변을 생성하는 능력이 곧 조직의 기준에 맞는 결과를 도출하는 능력을 의미하지는 않습니다.

도메인 특화 AI는 이러한 간극을 좁히기 위한 접근입니다. 특정 산업과 조직에서 사용하는 언어와 전문지식, 데이터의 특성을 AI에 반영하고, 실제 업무에 필요한 정보를 분석하고 활용할 수 있도록 만드는 것이 핵심입니다. S2W 역시 범용 LLM만으로 조직 고유의 지식과 복잡한 기업 데이터, 현업의 운영 조건을 충분히 반영하기 어렵다는 점에 주목해 도메인 특화 AI 기술을 발전시켜 왔습니다.

도메인마다 AI가 학습해야 할 데이터와 방식이 다르다

도메인 특화 AI는 사내 문서를 추가로 학습시키는 것만으로 완성되지 않습니다. 산업마다 사용하는 언어와 데이터의 형태가 다르고, 분석 과정에서 중요하게 다뤄야 할 정보도 달라지기 때문입니다. 어떤 데이터를 확보할 것인지뿐 아니라, 해당 데이터의 특성을 어떻게 보존하고 학습에 반영하며 성능을 평가할 것인지까지 도메인에 맞게 설계해야 합니다.

S2W가 연구하고 개발한 DarkBERT는 도메인 데이터의 중요성을 보여주는 사례입니다. 다크웹은 일반 웹과 사용하는 어휘와 표현 방식이 다르고, 데이터의 구조 또한 다양합니다. 연구진은 다크웹에서 수집한 데이터를 선별하고 정제해 DarkBERT를 사전학습했으며, 다크웹 관련 여러 평가 과제에서 기존 비교 모델보다 높은 성능을 확인했습니다. 특정 영역을 정밀하게 분석하려면 해당 환경에서 실제로 생성되는 데이터와 언어적 특성을 학습에 반영해야 한다는 점을 보여줍니다.

데이터의 특성만큼 중요한 것이 이를 학습하는 방식입니다. 사이버보안 문서에는 일반적인 자연어뿐 아니라 URL, 해시값 등 분석에는 중요하지만 일반 문장과 성격이 다른 정보가 자주 등장합니다. 이러한 정보를 일반적인 문장과 동일하게 처리하거나 단순히 제거하면 보안 분석에 필요한 특성이 충분히 반영되지 않을 수 있습니다.

S2W의 CyBERTuned 연구는 이러한 비언어적 요소를 단순히 제거하거나 치환하는 대신, 사이버보안 데이터의 특성을 고려한 사전학습 방식을 적용했습니다. 그 결과 CyBERTuned는 대부분의 평가 과제에서 다른 사이버보안 특화 사전학습 모델보다 높은 성능을 보였습니다.

DarkBERT와 CyBERTuned는 도메인 특화 AI의 서로 다른 기술적 과제를 보여줍니다. DarkBERT가 특정 영역의 언어적 특성을 반영한 학습 데이터의 중요성을 보여준다면, CyBERTuned는 그 데이터의 구조와 특성에 적합한 학습 방법이 성능에 영향을 미친다는 점을 보여준 사례이죠.

도메인 특화 AI의 경쟁력은 전문 데이터를 얼마나 많이 확보했는지만으로 결정되지 않습니다. 차이는 모델의 크기보다 해당 영역의 지식과 데이터 특성을 얼마나 적절하게 AI에 반영하느냐에서 만들어집니다. 도메인마다 어떤 정보가 중요한지 파악하고, 해당 영역의 특성을 잃지 않으면서 모델이 이를 효과적으로 학습하고 활용하도록 설계하는 기술이 필요합니다.

도메인 지식을 AI의 분석 역량으로 연결하는 기술

하지만 도메인의 언어를 잘 학습한 모델만으로 조직의 문제를 모두 해결할 수 있는 것은 아닙니다. 기업에서 필요한 정보는 내부 시스템과 문서, 전문 자료 등에 다양한 형태로 흩어져 있고, 데이터 사이의 관계나 담당자의 경험과 판단 기준이 명확하게 정리되어 있지 않은 경우도 많습니다. 또한 조직의 규정과 운영 환경은 계속 달라지기 때문에 학습 당시의 지식만으로 모든 질문에 대응하기도 어렵습니다.

따라서 기업 환경에서 도메인 특화 AI를 구현하려면 모델의 학습 성능뿐 아니라, 조직의 데이터를 어떻게 연결하고 필요한 정보를 어떤 방식으로 활용할 것인지까지 고려해야 합니다. S2W는 이를 데이터 준비부터 전문지식의 반영, 학습과 추론, 실제 업무 환경에서의 운영으로 이어지는 기술 체계의 관점에서 접근합니다.

출발점은 AI가 활용할 도메인 데이터의 기반을 마련하는 것입니다. 공개 웹과 전문 문서, 내부 시스템 등 다양한 출처에서 필요한 정보를 확보하고, 중복되거나 불필요한 데이터를 정리해 분석 목적에 적합한 데이터 자산을 구축합니다. 이때 중요한 것은 단순히 데이터를 통합하는 것이 아니라, 각 정보의 의미와 특성을 유지하면서 이후의 학습과 분석에 활용할 수 있도록 준비하는 것입니다.

이렇게 확보한 데이터를 모두 같은 방식으로 처리할 필요는 없습니다. 반복적으로 활용되는 전문지식과 고유한 언어적 특성은 도메인 특화 학습에 반영할 수 있지만, 수시로 변경되는 규정이나 최신 업무 자료는 검색증강생성(RAG)을 통해 필요한 시점에 참조하는 편이 적합할 수 있습니다. 정보 사이의 의미와 관계, 업무상 규칙이 중요한 경우에는 온톨로지와 지식그래프를 활용해 관련 지식을 구조화할 수도 있습니다.

각 기술은 서로 다른 역할을 수행합니다. 모델 학습은 특정 분야의 언어와 데이터에 대한 처리 역량을 높이고, 검색은 모델이 보유하지 않은 최신 정보나 조직 내부 자료를 활용하도록 돕습니다. 온톨로지와 지식그래프는 개별 정보 사이의 관계와 맥락을 표현하는 데 활용됩니다. S2W의 도메인 특화 AI 프레임워크는 이러한 기술을 분석 대상과 업무 목적에 맞게 조합해, 데이터와 전문지식이 실제 AI 활용으로 이어질 수 있도록 설계합니다.

실제 업무 환경에서 완성되는 도메인 특화 AI

기업이 AI를 도입할 때 마주하는 과제는 기술 구현에서 끝나지 않습니다. AI가 분석에 필요한 정보를 확보하더라도 조직의 업무 절차와 판단 기준을 충분히 반영하지 못한다면, 결과를 실무에 적용하기 어렵습니다. 결국 도메인 특화 AI는 기술적 성능뿐 아니라 조직이 실제로 일하는 방식과 운영 환경까지 고려해야 합니다.

도메인 특화 AI가 기업의 업무에 활용되려면 분석 결과가 실제 업무 과정에서 참고할 수 있는 형태로 제공되어야 합니다. 단순히 관련 정보를 찾아 답변하는 수준을 넘어, 조직의 업무 기준과 데이터에 근거해 결과를 제시하고 그 근거를 확인할 수 있어야 합니다. 특히 전문성과 정확성이 요구되는 업무일수록 AI의 응답 자체보다 어떤 정보를 바탕으로 결과가 도출됐는지 검토할 수 있는지가 중요합니다.

이러한 AI를 현업에서 활용하려면 기존 업무 시스템과의 연계도 필수적입니다. 기업이 사용하는 데이터와 문서, 시스템을 활용할 수 있어야 하며, 데이터의 민감도와 보안 정책에 따라 폐쇄망·내부망·온프레미스 등 다양한 환경에서 운영할 수 있도록 설계되어야 합니다. 또한 새로운 데이터가 축적되고 업무 기준이 변경되는 만큼, 도입 이후에도 사용자 피드백과 운영 결과를 반영해 성능을 지속적으로 개선할 수 있는 장치도 필요합니다.

S2W는 이러한 조건을 고려해 도메인 특화 AI를 조직의 분석, 검색, 대응 및 업무 지원 프로세스에 적용하고 있습니다. 데이터 확보와 모델 학습에 그치지 않고, 기존 시스템과의 연계부터 운영 환경까지 고려해 조직별 요구사항에 맞는 AI 활용 체계를 구축할 수 있도록 접근합니다.

결국 도메인 특화 AI의 가치는 얼마나 많은 지식을 갖추고 있느냐보다, 그 지식을 실제 업무의 맥락에서 얼마나 적절하게 활용할 수 있느냐에 달려 있습니다. 산업마다 다른 데이터의 특성과 조직 고유의 전문성을 AI에 반영하고, 이를 신뢰할 수 있는 분석과 판단으로 연결하는 것. 범용 AI의 가능성을 넘어 기업 현장에서 실질적인 가치를 만들어가는 도메인 특화 AI의 역할입니다.