디지털서비스 이슈리포트: 클라우드 컴퓨팅 동향 - 2025 플렉세라 보고서 분석 PDF Free Download
1 / 31/31
100%
03
클라우드 컴퓨팅 동향
- 2025 플렉세라 보고서 분석
Vol.
2025
- 2 -
본 제작물은 디지털서비스 이용지원시스템이 저작권을 보유하고 있습니다.
디지털서비스 이용지원시스템의 승인 없이 이슈리포트의 내용 일부 또는 전부를 다른 목적으로 이용할 수 없습니다.
디지털서비스 이슈리포트
01
클라우드 컴퓨팅 동향 - 2025 플렉세라 보고서 분석
3
│윤대균 아주대학교
02
최신 트렌드-AI를 결합한 데이터 레이크(Data Lake)
9
│Senior Program Manager 김영욱
03
AI를 통해 새로운 성장을 도모하는 중국 클라우드 기업 현황
18
│한상기 테크프론티어 대표
04
클라우드 기반 스마트팩토리 - 이슈들
24
│정채상 인이지 연구소 기술 책임자
디지털서비스 이슈리포트
- 3 -
01 클라우드 컴퓨팅 동향 - 2025 플렉세라 보고서 분석
│윤대균 아주대학교
1. 들어가며
플렉세라(Flexera)사에서는 다양한 컴퓨터 및 소프트웨어 산업 분야의 보고서를 매년 발표한다. 그 중
클라우드 컴퓨팅 산업에 관한 보고서가 ‘State of the Cloud Report’이다. 이 보고서의 조사 대상 및
방식 등 일반적인 배경은 이번 해도 예년과 거의 동일하므로 전년도 필자의 리포트를 참고하길 바란다.1)
이번 이슈 리포트에서는 지난 2024년 플렉세라 보고서와 비교하여 흐름의 변화를 간략히 추적하는 데
중점을 두었다. 특별히 짚고 넘어갈 만한 부분은 필자가 개인적인 의견을 담아 강조하였다. 플렉세라
보고서의 상당 부분을 커버하는 상세 도표는 생략하였으니 이는 리포트 원본을 참고하길 바란다.2)
원 보고서에서는 매우 다양한 스펙트럼으로 클라우드 활용 현황 조사 결과를 제시하고 있다. 본 이슈
리포트에서는 이 중 몇몇 주요 동향에 대해서 살펴보기로 하겠다.
2. 주요 동향 분석
2.1. 클라우드 도입 현황
2.1.1 멀티클라우드 전략 유지
2025년 보고서에 따르면, 대부분 조직은 이전과 마찬가지로 멀티클라우드 전략을 채택하고 있다.
응답자의 70%가 하이브리드 클라우드 전략3)을 사용하고 있으며, 여러 개의 퍼블릭 클라우드까지
포함하는 멀티 클라우드 사용률은 86%이다. 2024년도에는 이 수치가 각각 73%, 89%이다. 다소
줄어들기는 했으나 특별히 큰 의미 있는 변화는 아니고, 오히려, 2025년 데이터는 이러한 "안정
상태(steady state)"를 확인해 주며, 조직이 자신의 필요에 맞는 적합한 클라우드 조합을 찾은 것으로
보인다.
1) 디지털서비스 이슈리포트, “클라우드 활용 동향 - 2024년 플렉세라 리포트 분석”, 2024.05
2) https://info.flexera.com/CM-REPORT-State-of-the-Cloud
3) 최소 하나의 퍼블릭 클라우드와 동시에 최소 하나의 프라이빗 클라우드를 사용하는 것을 말함.
디지털서비스 이슈리포트
- 4 -
2.1.2 워크로드 회수(Repartration)율
워크로드 회수율을 2025년 플렉세라 보고서에서 새로 도입한 지표로 기업의 클라우드 활용 전략을
엿볼 수 있는 흥미로운 지표다. 말 그대로 클라우드에 있던 워크로드를 다시 온-프레미스로 가져온
것을 말한다. 이번에 조사에서 응답자는 워크로드와 데이터의 약 21%를 온프레미스로 다시 가져온
것으로 보고했다. 이 수치가 높다는 것은 퍼블릭 클라우드의 활용이 다소 주춤해지는 것으로 해석될 수
있다. 하지만, 이는 복합적으로 판단할 필요가 있는 것으로, 기업의 하이브리드 클라우드 전략과 깊이
맞물려 있다고 보는 것이 타당하다. 따라서 이 새로운 지표는 2025년 주요 클라우드 트렌드에서도4)
자주 언급되는 기업의 하이브리드/멀티클라우드 전략을 엿볼 수 있는 좋은 지표로 활용될 수 있다.
플렉세라에서는 앞으로 계속 이 지표를 추적한다고 선언했다.
한편, 2025년 보고서에서는 중소기업(SMB)의 향후 12개월 동안 퍼블릭 클라우드의 워크로드가 13%
증가할 것으로 예상했으며, 이는 보고서 역사상 가장 큰 예상 증가율로 알려졌다. 참고로, 2024년 보고서에
따르면 모든 응답자의 51%의 워크로드와 50%의 데이터가 퍼블릭 클라우드에 있는 것으로 나타났다.
2.1.3. 클라우드 제공업체별 활용 현황
AWS와 마이크로소프트 애저는 퍼블릭 클라우드 도입에 있어서 계속해서 치열한 경쟁을 벌이고 있다.
실제 클라우드 활용 현황은 워크로드 실행 비율로 알 수 있는데, 전체 응답자 중 "중요한 워크로드"를
실행하는 비율은 AWS가 53%로 애저의 50%보다 약간 앞서지만, "일부 워크로드"를 포함하면 애저가
81%로 AWS의 79%보다 앞선다. 플렉세라 보고서에서 따로 언급하지는 않았지만, 필자의 판단으로는
“일부 워크로드”에 마이크로소프트 365 서비스가 포함되기 때문으로 보인다. 구글 GCP는 올해도
3위를 차지하여 조사 대상의 약 절반(46%)이 GCP에서 일부 또는 중요한 워크로드를 실행하고 있는
것으로 나타났다. 최근 클라우드 서비스를 적극 확대하고 있는 오라클 CI(Cloud Infrastructure)의 경우
전년도 25%에서 27%로 늘었다.
중소기업만 따로 보면 77%가 AWS를 사용하는 반면 59%가 애저를 사용하는 것으로 조사되어
AWS가 월등히 앞서는 것으로 나타났다. GCP도 42%로 여전히 세 번째 자리를 차지하고 있다. 전년도
기준으로 세 기업 모두 소폭 하락했다. 하지만 오라클의 경우 2024년 6%만 일부 사용한다고
응답했으나, 2025년에는 “중요한 워크로드”를 실행한다고 응답한 1%를 포함 11%로 증가했다.
중소기업에서의 빅3 활용 비율 감소와는 대조적이다.
4) 디지털서비스 이슈리포트, “2024 클라우드 트렌드”, 2025.01
디지털서비스 이슈리포트
- 5 -
2.1.4 MSP(Managed Service Provider) 사용 증가
모든 조직에서 MSP 사용이 2025년에 60%에 도달했다. 기업의 관점에서는 클라우드 활용 대부분을
MSP에 의뢰하는 것(31%) 부분적으로 의뢰하는 것(29%)을 모두 포함해서이다. 기업의 MSP 사용은
지난 몇 년 동안 상대적으로 일관되게 유지되었지만, 중소기업(SMB) 부문에서 주목할 만한 변화가
있었다. 2024년에는 중소기업의 36%가 MSP를 사용했고, 추가로 13%가 사용할 계획이었다.
2025년에는 중소기업의 48%가 MSP를 사용하고 있는 것으로 나타났으니, 사용할 계획을 하고 있던
중소기업은 대부분 계획대로 이행되었음을 알 수 있다.
2.2 클라우드 지출 및 비용 최적화
2.2.1 퍼블릭 클라우드 비용 증가로 인한 지출 증가 추세
2025년 보고서에 따르면, 연간 1,200만 달러 이상을 퍼블릭 클라우드에 지출하는 조직의 비율이 29%에서
33%로 증가했다. 엔터프라이즈5)의 경우는 36%에서 40%로 증가했다. 이는 앞서 퍼블릭 클라우드에서
온-프레미스로의 워크로드 회수율이 21%나 되는 것과 상충하는 것으로 보일 수 있으나, 그만큼 더 많은
워크로드가 클라우드로 이동하거나 클라우드에서 생성되는 것을 의미한다. 이는 계속 증가하고 있는
클라우드 비용을 어떻게 최적화할 것인가라는 심각한 고민거리를 많은 기업이 안고 있음을 시사한다.
2.2.2 클라우드 비용 최적화에 대한 고민
기업이 클라우드 전략을 수립하고 이 전략에 기반한 목표를 달성하는 평가 기준을 다양하게 설정하고
있다. 비용 효율성/절감, 워크로드 마이그레이션 수준, 신속한 딜리버리 등이다. 이중 '비용 효율성/절감'
지표를 사용하는 기업 비율이 작년 65%에서 올해 87%로 크게 증가하면서 6년 연속 최우선 지표로
자리 잡고 있다. 동시에 '마이그레이션 된 워크로드 수'를 주요 평가 지표로 삼는 기업도 작년 36%에서
올해 78%로 대폭 증가했다. 이러한 변화는 점점 더 많은 워크로드가 클라우드로 이동하거나
클라우드에서 직접 개발되는 추세속에서 이에 수반되는 비용에 대한 깊은 고민을 동시에 하고 있음을
보여준다. 이에 '비용 회피'를 중요 지표로 보는 기업도 28%에서 64%로 크게 늘었다.
올해 특히 주목할 만한 변화는 '비용 회피' 지표의 증가이다. 비용 회피는 BYOL(기존 보유 라이선스
사용), 사용량 기반 결제 계획 등 적절한 라이선스 관리를 통해 달성할 수 있다. 다시 말해, 기업은
5) 종업원 1,000명 이상의 기업을 ‘엔터프라이즈’로 구분.
디지털서비스 이슈리포트
- 6 -
이제 단순히 '클라우드로 옮기는 것'뿐만 아니라 '클라우드에서 얼마나 비용 효율적으로 운영하는지'에 더
큰 관심을 기울이고 있으며, 특히 소프트웨어 라이선스 관리가 전체 클라우드 비용 최적화의 중요한
부분으로 부각되고 있다.
2.2.3 핀옵스(FinOps) 팀 도입 확대
비용 최적화에 대한 기업의 고민은 핀옵스 팀 도입 확대로 나타나고 있다. 2025년 보고서에서는 핀옵스
팀을 보유한 조직의 비율이 2024년 51%에서 59%로 증가했다. 핀옵스 팀이 없고 이를 위한 전략을
고민하고 있지도 않다고 응답한 비율은 20%에서 14%로 감소했다. 이는 핀옵스 실무가 계속해서
주목받고 있으며, 조직 전반에 걸쳐 핀옵스 팀 구현이 1년 내 많이 증가할 것임을 암시한다. 핀옵스
팀이 중앙 통제를 하기 시작하며 조직 전반에서의 클라우드 낭비는 감소하고 있는 것으로 기업
내부에서 판단하고 있는 것으로 보인다. IaaS 및 PaaS에 대한 예상 클라우드 낭비는 2022년 32%의
최고치에서 계속 감소하여 2025년에는 27%에 도달했다. 이는 핀옵스 조직의 역할이 실질적으로
재정적 이점을 제공하고 있음을 시사한다.
2.3 생성형 AI 및 AI/ML 서비스 도입 현황
2.3.1 생성형 AI 서비스 채택의 폭발적 성장
2025년 플렉세라 보고서에서 가장 주목할 만한 변화 중 하나는 생성형 AI(GenAI) 및
인공지능/기계학습(AI/ML) 서비스의 급격한 채택 증가다. 2025년 플렉세라 보고서에는 처음으로
생성형 AI를 모든 조직이 사용하는 퍼블릭 클라우드 서비스 옵션으로 포함하였으며(그림 1), 이는 즉시
높은 채택률로 나타났다.
그림 1 2025년에는 생성형 AI를 클라우드 서비스 항목에 추가하였음
디지털서비스 이슈리포트
- 7 -
2025년에는 응답자의 72%가 생성형 AI를 실제 사용한다고 답을 했으며 이중 절반은 광범위한
분야에서 일상적으로 사용하고 있다고 답했다. 2024년에는 클라우드 서비스 항목에 생성형 AI가 따로
있지는 않았지만, 별도로 이의 활용도를 질문하였는데, 이때 47%가 사용하고 있다고 답을 했으며
광범위하게 사용하고 있는 조직은 25%에 달했다. 생성형 AI와 이를 제외한 AI를 금년에 처음으로
구분하여 조사한 바에 따르면 ‘실험 중’ 카테고리에서 생성형 AI가 33%로 이를 제외한 AI 30%보다
높게 나왔다. 클라우드 서비스 항목 중 ‘실험 중’ 카테고리에서는 각각 1위와 2위이다. 사용하지
않는다고 답을 한 케이스는 2024년 14%에서 1%로 급격히 감소했다.
2.3.2 퍼블릭 클라우드의 AI/ML 서비스 채택 추세
생성형 AI를 제외한 AI/MA만 살펴보면 사용 비율은 2024년 41%에서 2025년 49%로 증가했고,
실험 중으로 응답한 비율은 32%에서 30%로 줄었다. 흥미로운 지점은 앞으로 활용할 계획이 있다는
응답이 17%에서 12%로 많이 떨어진 것이다. 2025년도에는 생성형 AI가 별도 조사 항목으로 나와
있기 때문에 아마도 응답자의 상당수가 이미 생성형 AI를 활용하거나 혹은 계획을 가지고 있어도
생성형 AI 비중이 높아서 나온 결과가 아닐까 생각한다. 엔터프라이즈나 SMB 수치는 조금 차이가
있지만 추세는 동일하다.
AI/ML 서비스 사용 증가와 함께 데이터 웨어하우스 서비스 사용도 눈여겨볼 부분이다. 조사 대상 전체
응답 기준 2024년 65%에서 2025년 74%로 증가했으며, 이는 AI 모델 훈련을 위한 데이터 준비와
관련이 있을 가능성이 높다.
2.4. 지속가능성 및 탄소 발자국
2.4.1 지속가능성 이니셔티브
2025년도 조사에서도 지속가능성에 대한 조사를 전년도와 마찬가지로 실시했지만 조사 항목을 좀 더
세분화했다. 2024년도에는 “당신의 조직은 탄소 발자국을 포함한 지속가능성을 위한 정해진 계획이
있는가?”라는 질문에 대한 답으로 “그렇다”, “아니다”, “모르겠다”, 이 세 가지 선택지가 주어졌다면,
2025년도에는 여기에 “지금은 아니지만 1년 안에 정할 것이다”와 “1년 뒤에 정할 것이다” 이 두 가지
선택지가 추가되었다.
2024년 “그렇다”의 비중이 48%에서 2025년 36%로 떨어진 반면, “계획이 없다”는 답도 45%에서
디지털서비스 이슈리포트
- 8 -
27%로 떨어졌다. 이는 선택 문항의 추가에 따른 기업의 답변이 갈려서 나온 결과로 볼 수 있다.
그럼에도 불구하고 이를 눈여겨보아야 하는 이유는 많은 조직에서 지속가능성보다 비용 절감을 더 높은
우선순위에 두고 있기 때문이다. 57%는 지속가능성보다 비용 최적화를 우선시한다고 답을 했으며 이는
2024년도의 59%와 큰 차이가 없다. 우선순위를 동등하게 보거나 혹은 지속가능성이 더 높다고 보는
비율도 2024년 2025년 모두 거의 비슷한 수준이다. 내부적 요구사항과 정부 규제를 통해 의무화된
지속가능성 요구사항이 계속 영향을 미쳐야 지속가능성 우선순위가 높아질 텐데, 클라우드 산업을
주도하는 미국 트럼프 정부의 친환경 정책이 쇠퇴함에 따라 내년에도 개선을 기대하기는 어려울 것으로
보인다.
2.4.1 유럽과 북미지역 비교
유럽도 지속가능성에 대한 이니셔티브 조사에서 계획을 가지고 있다고 답한 비율이 전년 56% 대비
43%로 줄어들었지만, 북미지역의 32%에 비하면 여전히 높은 비율을 유지하고 있다. 이러한 계획이
없다는 답은 37%에서 17%로 떨어졌지만, 이 역시 2025년도에 문항 옵션이 늘어난 것에 일부
기인한다. 계획이 없다고 답한 북미지역의 37%보다는 여전히 매우 양호한 수준이다.
3. 나가며
플렉세라 보고서는 앞에서 소개한 동향보다 훨씬 더 많은 카테고리에서 조사 결과를 포함하고 있지만,
본 이슈 리포트에서는 필자의 주관적인 판단하에 기업의 경영자 또는 고위 IT 관리자가 특히 관심을
가질 만한 내용 위주로 정리하였다. 전략 수립의 관점에서는 클라우드 비용 관리를 위한 거버넌스 체계,
특히 핀옵스 조직을 포함한 중앙 클라우드 팀(CCOE: Cloud Center of Excellence) 역할의 중요성을
더욱 강조하고 싶다. 이는 단순 비용 효율의 목적뿐만 아니라 탄소 발자국을 포함한 지속가능성의
측면에서도 매우 중요하다. 아울러 핀옵스 팀 및 IT 자산 관리(ITAM) 팀 간의 긴밀한 연결이 필요하다.
2025년 클라우드 활용 트렌드는 클라우드 비용 관리의 전략적 중요성 확대, 생성형 AI를 중심으로 한
인공지능 기술의 활발한 도입, 그러나 아직은 다소 만족스럽지 못한 지속가능성 전략으로 요약할 수
있다. 특히 생성형 AI의 급격한 성장은 향후 기업의 클라우드 도입 및 확산 전략에 가장 중요한 변수로
작용하게 될 것이다.
디지털서비스 이슈리포트
- 9 -
02 최신 트렌드-AI를 결합한 데이터 레이크(Data Lake)
│Senior Program Manager 김영욱
들어가며
2025년 2월, 세계에서 가장 많은 비즈니스 데이터를 보유한 기업 중 하나인 SAP와 선도적인 데이터
플랫폼을 제공하는 데이터브릭스가 전략적 파트너십을 통해, SAP 비즈니스 데이터 클라우드에
데이터브릭스의 데이터 인텔리전스 플랫폼을 통합한 서비스 ‘SAP 데이터브릭스’를 소개했다.6) AI 시대에
새로운 게임체인저가 될 것으로 기대를 모으고 있는 이 서비스는 통합 카탈로그 기반의 일관된 데이터
거버넌스 환경을 제공한다. SAP 시스템에서 생성된 구조화된 비즈니스 데이터와 데이터 레이크에 저장된
다양한 형태의 비구조화 데이터를 원활하게 통합할 수 있게 해준다. 이를 통해 기업은 데이터 레이크에
축적된 방대한 양의 데이터를 SAP의 비즈니스 프로세스 컨텍스트 내에서 활용할 수 있게 된다.
데이터브릭스의 레이크하우스 아키텍처는 데이터 레이크의 유연성과 데이터 웨어하우스의 구조화된 성능을
결합하여, SAP 비즈니스 데이터와 기타 소스의 데이터를 통합 분석할 수 있는 환경을 제공한다. 이러한
통합은 기업이 모든 데이터 자산을 완벽하게 활용하여 더 심층적인 인사이트를 얻고 데이터 기반 의사
결정을 강화할 수 있게 해준다. 즉, SAP 생태계 내에서 데이터 통합, AI 기능 구현, 데이터 관리가 더욱
원활해지며, 이를 바탕으로 고도화된 분석, AI 활용 사례, 그리고 에이전트 시스템 구현이 기능해진다는
해석이다. 이런 종류의 파트너십은 고객과 양사 모두에게 상호 보완적인 가치를 제공하며, 데이터 레이크
전략을 통해 데이터 중심 기업 전환을 가속화하고 디지털 경제에서의 경쟁력을 강화하는 데 기여한다.
그림 2 SAP 데이터브릭스를 포함한 SAP솔루션 (출처: SAP)
7)
6) SAP, SAP and Databricks Open a Bold New Era of Data and AI, Feb 13, 2025
디지털서비스 이슈리포트
- 10 -
데이터 레이크와 그 사용 범위
데이터 저장 엔지니어링을 이야기할 때 데이터 레이크와 함께 비슷한 개념의 데이터 웨어하우스가 있다.
정형화된 데이터를 구조화하여 저장하는 최적화 기술이 데이터 웨어하우스라면, 데이터 레이크는
정형화된 데이터를 포함 비정형화된 다양한 유형의 데이터를 유연하게 관리하기 위한 저장소이다.
데이터 웨어하우스는 데이터가 저장 전에 정제 과정을 통해 구조화되지만, 데이터 레이크는 데이터가
처음 상태 그대로 저장되어 필요에 따라 가공과 분석을 할 수 있다는 점에서 차이가 있다.
데이터 레이크는 기존 데이터 관리 방식의 한계로 인해 탄생하게 되었다. 많은 기업의 조직은 데이터가
분산 관리되고, 저장하는 데이터의 약 80~90%가 텍스트, 비디오, 오디오 등 비정형 데이터로 구성되어
있어 정형 데이터 저장에 최적화되어 있는 데이터 웨어하우스의 효용엔 한계가 있다. 지난 몇 년간
디지털 트랜스포메이션을 통해 조직/부서 간 데이터를 통합하여 효과적으로 저장하고 분석하는 업무가
요구되었는데, 이에 따라 정형·비정형 데이터를 통합적으로 저장할 수 있는 데이터 레이크가 등장하고
주목받게 되었다.
데이터 레이크는 IT, 헬스케어, 리테일 등 다양한 산업에서 예측 모델 구축을 위한 핵심 기술로
활용하고 있는데 특히 최근에는 데이터 사이언스 및 머신 러닝을 비롯하여 대규모 로그 데이터를
분석하고 이상 징후를 탐지하는 영역까지 확장 중이다.
국내 모범 사례 두 가지를 들어보자.
카카오게임즈는 온프레미스 환경에서 AWS 기반 데이터 레이크로 마이그레이션 했다.8) 게임
서비스에서는 실시간 데이터 분석이 중요한데, 온프레미스 환경에서는 대규모 데이터 처리 속도가
느려지고 유지보수 비용이 증가하는 문제가 있었다. 카카오게임즈는 데이터 레이크를 도입하여 게임
데이터를 보다 효율적으로 저장하고 분석할 수 있었으며, 게임 설치 수, 사용자 유지율 등 다양한 성과
지표를 관리할 수 있게 되었다. 또한, 사용자 행동 데이터를 통합으로 인사이트를 확보하여 사용자
경험을 향상시키고, 이탈률을 낮추어 매출 증대 효과를 얻었다. 덧붙여 AI 및 머신 러닝을 활용한
자동화된 분석 환경을 구축하여 실시간 모니터링 및 보안 대응을 구현한다.
7) https://news.sap.com/2025/02/sap-databricks-open-bold-new-era-data-ai/
8) AWS, 카카오게임즈 - 대용량 데이터 레이크 마이그레이션 사례 공유, May 26, 2023
디지털서비스 이슈리포트
- 11 -
그림 3 AWS 데이터 레이크를 활용한 카카오게임즈의 데이터 분석 아키텍처 (출처: AWS)
시스템 반도체 패키징 분야 국내 기업 네패스는 대규모 데이터를 처리할 수 있는 클라우드 데이터
레이크를 구축하고, 전사 데이터를 통합한 모범 사례가 있다. 스노우플레이크의 데이터 레이크를
도입하여 AI 모델 배포와 모니터링을 자동화하는 MLOps 환경을 구축하고, AI를 통한 의사 결정
프로세스를 실행하여 40%의 데이터 분석 성능 향상, 35% 비용 절감, 70% 저장공간 절감을
실현하였다.9) 데이터 레이크는 이처럼 다양한 산업에서 데이터 활용의 효율성을 높이는 데 기여하며,
실시간 분석과 머신 러닝을 통해 기업의 의사결정을 보다 효과적으로 지원한다.
AI와 결합한 데이터 레이크
데이터는 현대 비즈니스 환경에서 기업의 가장 중요한 자산이다. 특히 AI 기술의 발전과 함께 데이터의
저장, 처리, 분석 방식도 진화하고 있으며, 이러한 흐름 속에서 최근의 데이터 레이크와 AI의 결합은
데이터 활용의 새로운 발전을 보여준다. 새로운 변화에 대해 알아보자.
벡터 데이터 레이크
벡터는 데이터 포인트의 수학적 표현으로, 이미지나 텍스트와 같은 복잡한 데이터의 특성을 인코딩하는
다차원 배열이다. 기존의 벡터 데이터베이스는 세부적이고 다 차원적인 데이터를 관리하고 검색하는 데
9) Snowflake, 네패스, 공장 생산 지능화 및 예측화를 위해 Snowflake 기반의 데이터 레이크하우스 구축
디지털서비스 이슈리포트
- 12 -
중요한 역할을 해왔다. 그러나 더 방대하고 역동적인 데이터 시스템과의 원활한 통합 측면에서는 한계가
있었다. 특히 AI와 머신 러닝 분야에서 이러한 한계는 두드러졌는데, 데이터의 규모와 다양성이
알고리즘의 효과를 좌우할 수 있기 때문이다. 이러한 배경에서 벡터 데이터 레이크는 기존 벡터
데이터베이스의 복잡성과 한계를 극복하기 위해 등장했다.
벡터 데이터 레이크의 주요 특징은 임베딩(Embedding)이다. 임베딩은 텍스트, 이미지 또는 사운드와
같은 복잡한 데이터를 벡터 형태로 변환하여 계산적으로 관리하기 쉽게 만든다. 이는 AI 작업에
필수적인 요소로, 특히 생성형 AI 서비스에 중요하다. 생성형 AI는 주로 비정형 데이터를 다루며,
이러한 데이터는 고차원 벡터로 표현된다. 벡터 간 유사성 검색을 통해 생성형 AI 모델은 더 정확하고
관련성 높은 결과를 생성할 수 있다.10) 벡터 데이터 레이크는 다양한 소스에서 수집된 데이터를
통합하여 저장하고, 이를 기반으로 AI 모델의 학습 및 추론을 수행한다.
AI 아키텍처에서의 데이터 레이크 통합
데이터 레이크는 AI 컴포넌트 및 구조에 다양한 방식으로 통합된다. 데이터 처리 및 분석 측면에서
데이터 레이크는 확장 가능한 데이터 처리 프레임워크를 지원하여 AI 컴포넌트가 대규모 데이터셋에서
복잡한 분석, 특성 추출 및 모델 훈련을 수행할 수 있게 한다.11) 데이터 레이크 아키텍처는 데이터의
수집, 저장, 처리, 분석에 이르는 전체 데이터 파이프라인을 지원하며, 이는 AI 시스템의 핵심 인프라가
된다. 특히 실시간 데이터 처리 기능은 AI 모델이 최신 데이터를 기반으로 지속적으로 학습하고 개선될
수 있게 한다.
데이터 레이크를 AI 아키텍처에 통합하면 다음과 같은 세 가지 주요 이점이 있다.
1. 통합 데이터 저장소: 다양한 소스의 데이터를 한곳에 모아 AI 모델이 더 풍부한 데이터셋으로
학습할 수 있다.
2. 고급 분석 및 머신 러닝: 정형, 비정형 데이터를 모두 처리할 수 있는 유연성을 제공하여, 더
정교한 AI 모델을 개발할 수 있게 한다. 데이터 레이크의 유연성은 빠르게 변화하는 AI 요구사항에
적응할 수 있게 한다.
3. 실시간 분석 기능: AI 시스템이 타임 크리티컬한 중요한 결정을 내릴 수 있게 하며, 이는 금융,
의료, 제조 등 다양한 산업 분야에서 사용된다.
10) IBM, What is a vector database?, Jul 29, 2024
11) Estuary, Data Lake Architecture: Components, Diagrams, & Layers, Jun 29, 2023
디지털서비스 이슈리포트
- 13 -
AI 기반 데이터 구조의 발전
AI 기술의 발전은 데이터 레이크의 구조와 기능에도 영향을 미치고 있다. LLM은 데이터 레이크 내의
이질적인 데이터에 대한 구조화된 뷰를 생성하여 비구조화된 데이터를 쉽게 쿼리하고 분석할 수 있게
한다.12) 데이터 구조 측면에서 벡터 데이터베이스는 데이터를 고차원 벡터로 저장하여 AI 모델이 빠른
유사성 검색을 수행하고 복잡한 쿼리를 효과적으로 처리할 수 있게 한다. 이 방식은 특히 자연어 처리나
이미지 인식과 같은 AI 응용 프로그램에서 중요하다.
AI에서의 프레임 개념은 정형화된 상황을 나타내는 데이터 구조로, AI 시스템에서 효율적인 추론과
이해를 위해 지식을 하위 구조로 조직화한다. 이러한 개념은 데이터 레이크에서 지식 표현과 검색을
향상시키는 데 적용될 수 있다. 위상 데이터 구조는 위상학의 개념을 통합하여 AI가 여러 엔티티 간의
상호 작용이나 복잡한 계층 구조와 같은 고차원 관계를 가진 데이터를 처리할 수 있게 한다. 이는
모델이 전역 의존성과 질적 공간 속성을 포착하는 능력을 강화한다.
AI와 접목된 데이터 레이크 트렌드는 데이터 관리와 AI 애플리케이션 개발의 새로운 패러다임을
제시하고 있다. 특히 벡터 데이터 레이크의 등장은 생성형 AI와 같은 고급 애플리케이션을 지원하는
중요한 발전이다. 한편, AI 기반의 다양한 데이터 구조와 처리 방식은 데이터 레이크의 기능과 효율성을
높인다. 이러한 발전은 기업이 비정형 데이터를 포함한 모든 데이터 자산을 효과적으로 활용하여 보다
정교한 AI 솔루션을 구축할 수 있게 해준다. 향후 데이터 레이크와 AI의 통합은 더욱 긴밀해질 것이며,
이는 데이터 기반 의사결정과 자동화된 지능형 시스템의 발전을 가속화 할 것으로 전망한다.
데이터 레이크 솔루션 리딩 기업
데이터 레이크 솔루션 제공 기업의 특징과 그 내용에 대해 알아보자.
데이터브릭스(Databricks)
데이터브릭스는 빅데이터 처리를 위한 오픈소스 분산 컴퓨팅 시스템인 아파치 스파크를 기반으로 한
통합 데이터 분석 플랫폼을 제공하며, 이를 레이크하우스(Lakehouse) 아키텍처라고 부른다.
데이터브릭스의 가장 큰 차별점은 데이터 엔지니어링, 데이터 사이언스, 그리고 머신 러닝을 단일 협업
12) Arxiv, Language Models Enable Simple Systems for Generating Structured Views of
Heterogeneous Data Lakes, Mar 7, 2025
디지털서비스 이슈리포트
- 14 -
환경으로 통합했다는 점이다. 이는 팀이 대용량 데이터셋을 효율적으로 처리하고 분석하여 AI 모델을
개발하고 배포하는 과정을 원활하게 만들며, 데이터 레이크하우스 아키텍처를 통해 데이터 레이크의
유연성과 데이터 웨어하우스의 성능을 결합하여 AI 워크로드를 효과적으로 처리할 수 있도록 지원한다.
이를 통해 벡터 데이터베이스와의 통합이 용이하며, 고차원 벡터 데이터를 효율적으로 저장하고 처리할
수 있게 한다.
또한 데이터브릭스는 텐서플로우와 파이토치와 같은 인기 있는 ML 라이브러리와 원활하게 통합되어 AI
모델 구축, 훈련 및 배포 과정을 단순화한다. 아마존과의 협업을 통해 AWS의 트레이니움(Trainium)
AI 칩을 활용하여 기업이 자체 AI 모델을 맞춤화하거나 구축하는 데 도움이 되는 서비스를 제공할
계획이며, 이를 통해 AI 개발을 더 빠르고 비용 효율적으로 만드는 것을 목표로 한다. 그러나
데이터브릭스는 AI/ML 모델 개발 및 고급 데이터 사이언스 분석에 중점을 두고 있어, 보다 단순한
분석 요구사항을 가진 기업에는 과도한 선택일 수 있다. 또한 고급 분석 기능을 최대한 활용하기
위해서는 상당한 기술적 전문 지식이 필요할 수 있으며, 고급 기능에 대한 추가 비용이 발생할 수 있고
사용량 기반 과금이 예측하기 어려울 수 있다는 우려가 있다.
그림 4 데이터브릭스 데이터 레이크 구조 (출처: 데이터브릭스)
디지털서비스 이슈리포트
- 15 -
스노우플레이크(Snowflake)
스노우플레이크는 데이터 웨어하우징과 데이터 레이크 기능을 결합한 클라우드 네이티브 데이터
플랫폼을 제공한다. 완전 관리형 서비스로, 고객은 기본 인프라를 구축하고 유지할 필요 없이 데이터를
저장, 처리 및 분석할 수 있다. 스노우플레이크의 주요 강점은 스토리지와 컴퓨팅을 분리하여 리소스를
독립적으로 확장할 수 있게 함으로써 성능과 비용 효율성을 최적화한다는 점이다. 또한 다양한 조직 및
플랫폼 간의 안전하고 효율적인 데이터 공유를 촉진하여 협업을 강화한다. 사용자 친화적인
인터페이스로 설계되어 빠른 배포와 최소한의 유지보수가 가능하며, 다양한 기술 수준을 가진 사용자가
접근할 수 있다. 스노우플레이크는 주로 데이터 웨어하우징 솔루션이지만 다양한 AI 및 ML 도구와
통합되어 사용자가 스노우플레이크에 저장된 데이터를 사용하여 고급 분석을 수행하고 AI 모델을 구축할
수 있게 한다. 이를 통해 광범위한 데이터 마이그레이션 없이도 AI 애플리케이션 개발을 지원한다.
그러나 스노우플레이크는 데이터 분석 및 비즈니스 인텔리전스에 중점을 둔 기업에 적합하고, 복잡한
데이터 사이언스 워크플로에는 제한적일 수 있다. 또한 사용량 기반 과금 모델로 인해 대용량 데이터와
복잡한 쿼리를 사용할 경우 비용이 급증할 위험이 있으며, 완전 관리형 서비스 특성으로 인해 고도의
커스터마이징이 제한될 수 있다는 우려 사항이 있다.
그림 5 스노우플레이크 아파치 아이스버그를 활용한 개방형 데이터 레이크 구축하기 (출처: 스노우플레이크)
디지털서비스 이슈리포트
- 16 -
AWS
AWS는 Amazon S3 및 레이크 포메이션(Lake Formation)과 같은 서비스를 제공하여 고객이 자체
데이터 레이크를 구축하고 관리할 수 있게 한다. 또한 데이터 저장 및 처리를 위한 완전 관리형
서비스도 제공한다. AWS의 주요 강점은 스토리지, 컴퓨팅, 머신 러닝을 포함한 다양한 통합 서비스를
제공하여 다양한 비즈니스 요구사항에 대한 종합적인 솔루션을 제공한다는 점이다. 또한 기업
요구사항에 따라 원활하게 확장할 수 있는 실질적으로 무제한의 스토리지 및 컴퓨팅 리소스를 제공하며,
강력한 보안 조치와 규정 준수 인증을 구현하여 데이터 보호 및 규제 준수를 보장한다.
AWS는 세이지메이커(SageMaker)를 포함한 AI 및 ML 서비스 제품군을 제공하여 개발자가 ML
모델을 대규모로 구축, 훈련 및 배포할 수 있도록 지원한다. 이러한 서비스는 다른 AWS 제품과
원활하게 통합되도록 설계되어 AI 개발을 위한 일관된 환경을 제공한다. 벡터 데이터베이스와의 통합을
통해 고차원 벡터 데이터를 효율적으로 처리하고, 유사성 검색과 같은 기능을 구현할 수 있게 한다.
또한 AWS는 트레이니엄 및 인퍼렌시아(Inferentia)와 같은 특수 AI 칩을 개발하여 AI 워크로드의 성능
및 비용 효율성을 개선했다. 이는 그러나 AWS는 다양한 서비스 옵션으로 인해 초기 설정 및 관리가
복잡할 수 있으며, 다른 완전 관리형 솔루션에 비해 더 많은 구성 및 관리 작업이 필요할 수 있다.
또한 다양한 서비스 사용에 따른 복잡한 비용 구조로 예산 관리에 어려움이 있을 수 있다는 우려
사항이 있다.
그림 6 베드록과 아테나를 활용한 AWS 데이터 레이크 에이전트 구조 (출처: AWS)
디지털서비스 이슈리포트
- 17 -
마무리
AI 시대에 접어들면서 기업의 데이터 활용 방식은 근본적인 변화를 맞이하고 있다. 이 변화의 중심에는
데이터 레이크가 있는데, SAP와 데이터브릭스의 전략적 파트너십에서 볼 수 있듯이 기업은 데이터
관리와 AI 결합으로 새로운 가치를 창출하고자 한다. 특히 데이터의 통합성, 접근성, 그리고 활용성이
AI 시대에서 매우 중요한데, 과거 사일로화된 데이터 환경에서는 부서별로 데이터가 분산되어 있어
전체적인 인사이트를 얻기 어려웠다. 그러나 현재는 데이터 레이크를 통해 정형 데이터와 비정형 데이터
모두 한곳에 모으고 AI와 연결함으로써 실시간 의사결정, 예측 분석 강화, 비용 효율성, 벡터 데이터
처리, 확장 및 유연성 등을 경험할 수 있게 되었다. 데이터 레이크를 통해 AI 모델이 학습할 수 있는
다양하고 풍부한, 넓은 관점의 데이터를 제공하면, AI는 이를 기반으로 의미 있는 패턴과 인사이트를
발굴한다. 이를 통해 기업은 데이터 기반 의사결정을 가속화하고 비즈니스 프로세스를 최적화할 수
있다. 데이터와 AI의 효과적인 통합은 기업들이 빠르게 변화하는 비즈니스 환경에서 성공적으로
경쟁하고 성장하기 위한 필수 요소가 되었다.
디지털서비스 이슈리포트
- 18 -
03 AI를 통해 새로운 성장을 도모하는 중국 클라우드
기업 현황
│한상기 테크프론티어 대표
중국의 주요 클라우드 기업 즉, 알리바바, 화웨이, 텐센트는 2024년 3분기 기준으로 중국 시장에서
각각 36%, 19%, 15%의 시장 점유율을 갖고 있으며 이는 중국 시장의 70%를 차지하는 수준이다.
그러나 세계 시장으로 보면 알리바바가 4% 수준이며 나머지는 모두 1%에 머물고 있다.
세계 클라우드 컴퓨팅 시장이 2025년 9,128억 달러 수준으로 예상하며, 마켓앤마켓의 예측으로는
15%의 성장을 이루어 연말에는 1조 2,568억 달러로 성장할 것으로 보고 있다. 중국 시장은 AI 통합
등으로 성장이 이루어질 것으로 보는데, 전체 시장의 성장이 8%로 글로벌 시장에 비해 작은 숫자를
보이지만, AI 관련 서비스는 다르다.13)
알리바바의 AI 서비스는 분기에 200%씩 성장하고 있으며, 화웨이 역시 팡구(Pangu) 5.0 파운데이션
모델 발표 이후 13% 성장률을 보인다. 텐센트는 AI 모델로 더 고객을 끌어들이기 위해서 1억 개의
공짜 토큰을 제공하고 있다. 알리바바 클라우드, 바이두 AI 클라우드, 텐센트 클라우드, 화웨이
클라우드를 포함한 중국의 주요 클라우드 컴퓨팅 기업은 모두 딥시크의 AI 모델을 자사 플랫폼에
통합했다. 중국 클라우드 기업에게 AI는 또 다른 성장 동인이 될 수 있다고 보고 있는 것이다.
해외 시장에 대한 움직임도 지속적으로 보이는데, 알리바바는 처음으로 멕시코에 데이터 센터를
구축했다.14) 이는 라틴 아메리카에 처음 진출한 것이고 이를 통해 멕시코 지역 회사와 개발자들에게
클라우드 컴퓨팅 서비스를 제공하겠다는 의지를 보였다. 멕시코 시설은 알리바바가 2월 중순에 태국에
두 번째 데이터센터를 운영 시작한 지 6일 만에 발표한 것이다. 태국에서 구축한 첫 번째 데이터센터는
2022년이며, 이후에 아시아에서 데이터센터를 늘리겠다는 발표를 했다.
알리바바는 이제 29개 리전에 87개의 존을 갖고 있다. 그 중 해외는 다음과 같다.
13) China Internet Watch, “China’s Cloud Service Spending Reaches $9.4 Billion in Q2 2024, Led
by AI Integration,” Oct 10, 2024
14) ECNS, “Chinese cloud computing companies expanding abroad,” Mar 10, 2025
디지털서비스 이슈리포트
- 19 -
그림 7 알리바바 클라우드의 해외 리전과 존이 있는 국가
알리바바는 향후 3년 동안 클라우드와 AI 하드웨어 인프라에 523억 달러에 해당하는 3,800억 위안을
투자하겠다고 발표하기도 했다. 15)
알리바바는 AI 파운데이션 모델 개발에도 매우 적극적인데 글로벌 수준에서도 뛰어난 모델을 개발하고
있다. 클라우드에서 딥시크를 제공하겠다고 했으면 자체 모델 그룹인 큐웬 시리즈를 오픈 소스로
제공하고 있다.
지난 1월에는 GPT-4나 클로드 3.5 소넷, 딥시크-V3 같은 사전 학습 기반 모델을 능가하는
Qwen-2.5-맥스를 발표했다. 이는 20조 개의 토큰으로 학습한 모델로 SFT(지도 미세 조정), RLHF
(사용자 피드백을 통한 강화학습), 대규모 전문가 혼합 모델(MoE) 방식으로 구현했다.
Qwen-2.5-맥스는 API로 접근하며 알리바바 클라우드 모델 스튜디오 서비스로 활용할 수 있다.
Qwen의 API는 오픈AI의 API와 호환 가능하기 때문에 오픈AI API 사용 관행을 따른다.
알리바바의 큐웬 시리즈에는 대규모 언어 비전 모델인 Qwen-VL, 대규모 언어 오디오 모델인
Qwen-Audio, 코딩 모델인 Qwen-Coder, 수학적 모델인 Qwen-Math, 추론 모델인 QwQ-32B가
있다. 이 중에 QwQ-32B는 320억 개의 파라미터를 가진 모델로, DeepSeek-R1과 유사한 성능을
보였다.16) 이 모델은 대규모 언어 모델의 지능을 강화하기 위해 강화 학습(RL)을 활용했으며,
Qwen-2.5-32B를 기반으로 했다. 딥시크-R1의 열풍이 부는 가운데 알리바바가 더 뛰어난 모델을
선보일 수 있음으로 AI에서 리더십을 잃지 않았음을 보여준 것이다.
15) Reuters, “Alibaba to invest more than $52 billion in AI over next 3 years,” Feb 24, 2025
16) Alibaba Cloud, “Alibaba Cloud Unveils QwQ-32B: A Compact Reasoning Model with
Cutting-Edge Performance,” Mar 6, 2025
디지털서비스 이슈리포트
- 20 -
그림 8 알리바바 클라우드 모델 스튜디오 개념도
2위 기업인 화웨이는 모델아츠(ModelArts)라는 AI 플랫폼을 제공하고 있다. 이를 통해 엔드투엔드 모델
개발 파이프라인, 비용 효율이 좋은 AI 컴퓨트, 초거대 규모의 학습, 고신뢰성을 자랑하고 있다.
그림 9 화웨이의 모델아츠 아키텍처
디지털서비스 이슈리포트
- 21 -
화웨이는 판구(Pangu)라는 멀티모달 LLM을 자체적으로 개발해서 제공하는데 최초 버전은 2023년
7월에 나왔다. 2024년 6월 화웨이 개발자 컨퍼런스(HDC)에서 발표한 5.0까지 나왔는데 이 모델은
시각적 모델, 예측 모델, 판구 자연어 모델, 다중 스타일 모델, 과학적 컴퓨팅 모델을 포함하여 다양한
매개변수와 다양한 기능을 포함한다.
판구는 매개변수 규모에 따라 4개의 시리즈로 제공한다.
Ÿ판구 E 시리즈: 10억 개의 매개변수 수준을 갖춘 휴대폰, 태블릿, PC 및 기타 장치에서 스마트
앱을 지원한다.
Ÿ판구 P 시리즈: 100억 개의 매개변수 레벨을 보유하고 있으며 저지연 및 저비용 추론 조건에
적합하다.
Ÿ판구 U 시리즈: 이 라인은 1,350억 및 2,300억 매개변수의 두 가지 변형으로 제공한다. 둘 다
복잡한 작업을 관리할 수 있으며 대형 모델의 기반으로도 사용할 수 있다.
Ÿ판구 S 시리즈: 조 단위의 매개변수를 포함하고 있으며, 크로스 도메인이나 멀티태스킹 등 AI
기술 관련 상황을 관리할 수 있다.
화웨이는 또한 업계 최초의 STCG(space-time controllable generation) 기술을 새로운 모델에
통합했는데 이는 시공간 기반의 효과적인 콘텐츠 생성을 위한 것이다. 특히 자율 주행, 산업 생산, 건설
등과 같은 여러 시나리오에 집중하는 데 도움이 될 것이라고 한다. 예를 들어 자율 주행 분야에서 실제
도로 환경을 생생하게 구현하는 다양한 주행 시나리오를 생성할 수 있다. 일반적인 주행 상황부터
예측할 수 없는 도로 환경, 사고 및 급격한 변화가 요구되는 상황 등을 담은 영상을 생성해 자동차
기업이 자율 주행 시스템을 더욱 효율적으로 학습시킬 수 있도록 지원한다.
2024년에 화웨이는 판구 모델을 30개 이상의 산업에 배치했고 교육, 금융, 의료 연구, 정부 업무, 석탄
채굴, 철강, 철도, 자율 주행 등 400개 이상의 다양한 시나리오에서 사용했다고 한다.
중국 클라우드 시장 3위에 있는 텐센트는 AI 기반 클라우드 서비스를 활용하여 해외 기업이 디지털
전환을 실현하도록 지원하는 데 박차를 가하고 있다. 이 회사는 최근 사우디아라비아에 첫 번째 중동
데이터 센터를 건설한다고 발표했는데, 향후 수년 동안 인프라 건설에 총 1억 5천만 달러 이상을
투자하여 회사의 글로벌 확장에 있어 중요한 단계를 밟았다.
텐센트 클라우드 인터내셔널 중동 및 북아프리카 담당 부사장인 후 단(Hu Dan)은 새로운 데이터
센터가 디지털 미디어 및 스트리밍, 비디오 게임, e스포츠, 전자상거래, 관광, 금융 서비스, 통신을 포함한
디지털서비스 이슈리포트
- 22 -
주요 분야에서 사우디아라비아의 디지털 혁신 여정을 지원하는 회사의 역량을 강화할 것이라고 말했다.
지난 3월에는 AI 개발과 인프라를 강화하면서 2025년에 자본 지출을 늘릴 것이라고 밝혔는데, 자본
지출이 매출 대비 10% 초반대에 이를 것이라고 했지만 2024년 자본 지출이 1년 전 34억 달러에서
107억 달러로 급증하여 총매출의 12%에 도달한 점을 생각하면 2024년에 비해 크게 증가하지는 않을
것으로 보인다. 다만 4분기에 AI 이니셔티브에 390억 위안(54억 달러)을 지출한 것을 보면 AI에 대한
의지는 강하다. 그러나 틱톡의 모회사인 바이트댄스가 2025년 자본 지출에 1,500억 위안 이상을
책정했다고 보도하면서 주로 AI 개발과 컴퓨팅 성능에 집중할 것이라고 한 것과 비교하면 상대적으로
크다고 볼 수는 없다.
텐센트 역시 딥시크-R1을 능가하는 논증형 AI 모델을 개발했는데, 3월 22일에 훈유안(Hunyuan)
T1이라는 모델을 오픈 소스로 공개했다.17) 딥시크와 마찬가지로 합성 데이터를 활용한 강화학습으로
성능을 높였는데, 딥시크 R1과는 일부 벤치마크에서 앞서거나 대등한 수준을 보였다. 가장 장점은 가격
경쟁력이다.
특이한 점은 트랜스포머 아키텍처와 맘바(Mamba)를 결합한 하이브리드 구조를 기반으로 하는데,
하이브리드 방식은 메모리 사용량을 줄여 학습 및 추론 비용을 크게 줄일 수 있다고 한다. 텐센트는
T1이 "긴 텍스트 정보를 캡처하는 기능을 보장하는 동시에 리소스 소비를 크게 줄인다."고 선전했으며,
디코딩 속도가 200% 증가했다고 밝혔다.
이 회사는 딥시크-R1을 클라우드 플랫폼과 유안바오(Yuanbao) 챗봇에 통합하여 자체 훈유안 모델과
함께 대안을 제공하고 있으며 이는 자체 개발 타이틀과 독립 스튜디오의 타이틀을 홍보하여 비디오
게임 산업을 지배한 방식과 유사한 접근 방식이라는 평가를 받는다.
딥시크 V3와 R1을 통해 AI 분야에서 중국의 자존심이 크게 올라가고, 중국 정부는 모든 산업에 이
기술을 활용하라는 정책을 펼치고 있다. 중국의 주요 클라우드 업체는 당연히 딥시크를 자체 AI 서비스
안에서 제공하게 되었지만 그동안 AI 모델 개발을 꾸준히 해온 기업의 입장에서는 딥시크 못지않은
모델 개발에 박차를 가하게 했다. 알리바바와 텐센트는 딥시크를 능가하거나 이제 필적하는 수준의
모델을 속속 공개하기도 했다.
17) SCMP, “Tencent’s Hunyuan T1 AI reasoning model rivals DeepSeek in performance and price,”
Mar 22, 2025
디지털서비스 이슈리포트
- 23 -
오픈 소스를 통한 전 세계 AI 시장 공략을 전략의 핵심으로 삼은 중국의 입장에 발맞추면서 알리바바,
화웨이, 텐센트는 모두 해외 데이터 센터 확대를 통해 하드웨어 인프라를 갖추고 있다. 또한 딥시크로
인지도가 올라간 시점을 활용해 해외 파트너를 확대하고 외국 시장에서 존재감을 키우고 있다. 하나의
기술 혁신이 나라의 주요 기업에게 새로운 사업 확장 기회를 제공하게 만든 좋은 사례가 되고 있다.
디지털서비스 이슈리포트
- 24 -
04 클라우드 기반 스마트팩토리 - 이슈들
│정채상 인이지 연구소 기술 책임자
들어가며
지난 두 편의 클라우드 기반 스마트팩토리에 대한 소개에 이어 이번 회에서는 현장에서 실제로
부딪히는 문제들을 정보통신의 관점에서 몇몇 사례를 들어 이야기 해 보겠다. 아래 내용들은 필자가
함께하는 인이지를 비롯한 여러 회사들이 제조 공정 관련한 과제들을 수행하면서 만난 문제들과 이들을
해결하려는 방법들에 관한 내용들이다.
제조 산업에서도 스마트팩토리라는 키워드를 중심으로 여러 혁신의 노력들이 모이고 있고, 클라우드를
이용한 기술은 효율성과 유연성을 극대화하는 데 중요한 역할을 하며, 정보통신 업계에서의 노하우들을
다양하게 적용하면서 그 영향력을 넓혀 가고 있다. 특히 클라우드를 이용한 방법을 통해서는 다음과
같은 이득을 기대할 수 있다.
Ÿ데이터 기반 의사 결정
Ÿ유연성과 확장성
Ÿ비용 효율성
Ÿ디지털 전환(DX)의 가속화
이는 일반적으로 쓰이는 의미의 IT 시스템 도입과 이전으로 인한 이득과 같은 맥락이지만,
스마트팩토리는 현장의 물리적인 변화와 공정의 특성들을 고려할 때 단순한 IT 시스템 이전과는 다른
추가적인 복잡한 문제들이 발생한다.
Ÿ물리적 한계와 엔트로피 문제
Ÿ실시간 운영과 신뢰성 문제
Ÿ데이터 관리의 어려움
Ÿ디지털 전환과 문제 해결 가능성
이번 회에서는 이 추가적인 내용들에 대해 조금 더 구체적으로 살펴보겠다.
디지털서비스 이슈리포트
- 25 -
물리적 한계와 엔트로피 문제
기존의 데이터센터 중심의 IT 환경과는 달리, 스마트팩토리는 물리적 환경과 밀접하게 연결되어 있으며,
다양한 기계적 요소와 데이터가 실시간으로 상호작용하는데, 이는 예상치 못한 물리적 한계와 엔트로피
문제를 야기할 수 있다.
스마트팩토리는 제조 현장의 특성 상 생산 라인의 변화, 기계 설비의 교체, 센서 추가 등 물리적 변화가
빈번하게 발생한다. 이러한 변화는 데이터 흐름과 시스템 아키텍처에 직접적인 영향을 미치며, 클라우드
환경과의 통합을 복잡하게 만든다. 예를 들어, 새로운 센서를 추가할 때마다 데이터 수집 및 처리
시스템을 재설정해야 하고, 생산 라인 변경 시 데이터 분석 모델을 수정해야 하는 등. 이러한 물리적
변화에 유연하게 대응하지 못하면 시스템의 효율성이 저하되고 운영 비용이 증가할 수 있다.
또한 스마트팩토리는 다양한 기계와 센서, IT 시스템이 복잡하게 연결된 시스템이다. 전선으로 연결되어
빛의 속도로 연결되는 환경이 아니라 어느 곳에서 어떤 연료를 투입하면, 몇미터 떨어진 곳의 온도가 몇
분 후에 어떻게 변하는 등의 주변 상황들이 통제되지 않는 상황이 생기고, 대기의 온도, 습도 등에 따라
예기치 않은 변화들이 생기기도 한다. 시간이 지남에 따라 장치가 마모되거나 유지보수의 부담이
늘어나는 등 열역학 제2법칙인 엔트로피 증가의 법칙과 유사한 현상이 일어나게 되는데, 이로 인해
시스템의 안정성이 저하되고 오류 발생 가능성이 높아지며, 이는 생산 효율성 저하와 직결된다.
실제로 디지털 전환을 도입하려는 많은 제조 현장의 경우 온도와 습도 등의 환경이 많은 영향을 미치기
때문에, 온프레미스 시스템을 구성하기 위해서도 오차 없이 사용 가능한 장비들의 사용이 필요하고,
여기에 특히 클라우드 환경을 도입할 경우, 온프레미스 시스템과의 연동, 데이터 동기화, 네트워크
안정성 등 추가적인 유지보수 요소가 발생하는데, 클라우드 도입의 이점을 제대로 누리기 위해 이들로
인한 복잡성을 효과적으로 관리해야 한다.
이후 데이터가 모여서 분석하는 경우, 도면이나 공정 같은 현장의 지식이 없이 센서 데이터만으로는
분석의 한계가 생긴다. 시멘트나 철강 등의 공정을 생각한다면 물리적으로 수십 미터 떨어져 있는
데이터들이며, 센서들 사이에 어떤 간섭이 있는지, 바람은 잘 통하는지, 하루에 몇 번씩 청소하는지
등의 내용들이 고려되어야 현장의 문제에 접근할 수 있게 된다.
마찬가지로 용해로 시계열 온도 예측 같은 경우, 900도 온도를 맞추기 위해서 850도인 현재 상황에서
용해 물질에 어떤 재료를 얼마만큼 넣으면 몇 분 후에 온도가 올라가는지 등 데이터로 모아 놓기에
디지털서비스 이슈리포트
- 26 -
어려움이 많고, 산업공학, 기계공학, 화학공학 등의 정보들이 도메인 지식을 익힌 후에 더 나은 분석을
할 수 있는 경우가 많다.
실시간 운영과 신뢰성 문제
스마트팩토리는 고도의 자동화와 데이터 기반 운영을 통해 생산성을 극대화하는 것을 목표로 하는데,
이러한 목표를 달성하기 위해서는 실시간 운영과 시스템의 높은 신뢰성이 필수적이다. 하지만
스마트팩토리 환경은 다양한 변수와 복잡성으로 인해 실시간 운영과 신뢰성을 확보하는 데 어려움을
겪을 수 있다.
스마트팩토리는 24시간, 365일 가동되는 경우가 많은데, 이는 생산 효율성을 극대화하고 시장 수요에
신속하게 대응하기 위한 필수적인 조건이다. 따라서 예기치 않은 시스템 다운타임은 생산 차질, 납기
지연, 고객 신뢰도 하락 등 심각한 문제를 야기할 수 있다. 특히, 실시간 데이터 처리와 제어가 중요한
생산 라인에서는 단 몇 분의 다운타임도 재가동하는 비용을 포함한 큰 손실로 이어질 수 있다. 따라서
스마트팩토리는 시스템의 안정성을 최우선으로 고려해야 하며, 다운타임 발생 시 신속하게 복구할 수
있는 체계를 구축해야 한다. 예를 들면 용해로 재시작 재가동 등의 일들은 일반 컴퓨터 재부팅보다 훨씬
더 준비해야 할 게 많으므로 이런 점이 고려되어야 한다.
또한 시스템의 신뢰성을 높이기 위해서는 이중화 시스템 구축이 필수적이고, 환경에 따라서 데이터
백업, 네트워크 이중화, 서버 이중화 등 다양한 방법을 통해 시스템 장애에 대비해야 한다. 자원들이
유기적으로 연결되어 있는 클라우드 환경에서는 상대적으로 이중화 혹은 다중화 지원이 용이하지만,
온프레미스 환경에서는 이를 지원하기 위해 네트워크 장비나 실제 서버들의 추가적인 설치와 운영이
필요하다.
온프레미스에 저장되어 있는 데이터를 클라우드에 저장하고 운영하는 것은 추가적인 네트워크 연결을
도입하는 것이기에 이로 인한 위험도 있게 되므로, 실시간 데이터 처리 및 중요 데이터는 온프레미스에
저장하고, 분석 및 장기 데이터는 클라우드에 저장하는 하이브리드 모델을 많이 고려한다. 이러한
하이브리드 모델은 데이터 처리 속도와 안정성을 동시에 확보할 수 있으며, 엣지 컴퓨팅을 활용하여
실시간성이 요구되는 데이터의 경우 추가적인 데이터 이동을 절약함으로써 현장에서 필요한 데이터 처리
속도를 향상시킬 수 있다.
디지털서비스 이슈리포트
- 27 -
그림 10 고가용 시스템 네트워크 구조 예제
18)
스마트팩토리는 수많은 스마트 센서를 통해 데이터를 수집하고 분석하는데, 클라우드 기반 스마트
센서는 네트워크 연결이 필수적이므로, 안정적인 네트워크 환경을 구축해야 한다. 주변의 환경에 영향을
받기에 유무선 네트워크 장애는 센서 데이터 수집 및 전송에 문제를 일으킬 수 있고, 스마트 센서는
민감한 생산 데이터를 수집하므로, 데이터 보안을 강화해야 한다. 각각의 센서 혹은 시스템이 노출되는
형태이므로 데이터 암호화, 접근 제어, 보안 프로토콜 적용 등을 통해 데이터 유출 및 해킹을 방지해야
하고, 마지막으로 수많은 스마트 센서를 효율적으로 관리하고 유지보수해야 하는데, 원격 관리, 자동
업데이트, 센서 상태 모니터링 시스템 등을 통해 센서 관리 효율성을 높여야 한다.
18) https://en.wikipedia.org/wiki/High-availability_cluster
디지털서비스 이슈리포트
- 28 -
데이터 관리의 어려움: 저장과 조회의 균형
스마트팩토리는 생산 과정에서 발생하는 방대한 양의 데이터를 효율적으로 관리하는 것이 핵심이다.
현장에서 일어나는 모든 데이터가 관리 대상이기에 데이터의 양이 기하급수적으로 증가함에 따라 저장과
조회에 대한 어려움이 발생하고, 효율적인 데이터 관리 전략이 필수적이다.
스마트팩토리에서 생성되는 데이터는 실시간 데이터와 장기 분석용 데이터로 나눌 수 있다. 실시간
데이터는 생산 라인 제어, 품질 검사 등 즉각적인 응답이 필요한 데이터이며, 온프레미스에 저장하는
것이 유리한 반면, 장기 분석용 데이터는 생산 공정 최적화, 설비 예지 보전 등에 활용되며, 클라우드
스토리지를 활용하는 것이 좋다. 클라우드는 이 확장성에 대해 확실한 강점이 있어, 이후 효율적으로
저장하고 처리할 수 있다. 전사적 자원관리(ERP: Enterprise Resource Planning)의 내용과 같이
현장 바깥의 정보들과 같이 사용하는 경우 훨씬 유용하게 쓰일 수 있다.
스마트팩토리에서 생성되는 데이터는 많게는 초당 수백, 수천 건의 고화질 대용량 데이터들이
이용되기도 하는데, 이를 다루기 위해서 데이터 처리 성능이 중요하다. 데이터를 모으는 시스템과 읽는
시스템이 자원을 공유하기에 그 사이에서 오는 문제가 생기기도 한다. 실제 조회가 필요할 경우 제대로
운영하기 위해 알맞은 데이터베이스를 선택하고, 인덱스 설정, 쿼리 최적화 등을 통해 대응해야 하는데,
데이터를 이동시키는 데 드는 자원이 원래 시스템을 운영하는 데 방해가 되지 않아야 하고, 본래
시스템이 주어진 역할에 지장이 없도록 운영해야 한다.
데이터양이 증가함에 따라 저장 비용이 기하급수적으로 증가할 수 있다. 예를 들어 이미지를 통한 불량
탐지의 경우 불량률이 낮아질수록 중복된 정상 이미지들이 불필요하게 쌓이는 상황이 생기기도 하고,
모든 것들을 저장해야 한다고 하면 데이터 백업 등에도 추가적인 노력과 비용을 들여야 한다. 대용량
데이터를 실시간으로 처리하는 것은 클라우드 환경에서도 기술적으로 어려운데, 온프레미스에서도 분산
처리 시스템, 인메모리 데이터베이스, 엣지 컴퓨팅 등 다양한 방법들을 도입해야 한다.
이처럼 스마트팩토리의 데이터 관리는 저장 위치 결정, 읽기/쓰기 성능 최적화, 저장 비용 및 처리 성능
한계 극복 등 다양한 어려움을 내포하는데, 이러한 문제를 해결하기 위해 먼저 현장을 이해한 후에
데이터의 특성과 사용 목적에 맞는 데이터 관리 전략을 수립하고, 최신 기술을 적극적으로 활용해야
한다.
디지털서비스 이슈리포트
- 29 -
디지털 전환과 문제 해결 가능성
디지털 전환은 스마트팩토리의 생산성과 효율성을 향상시키기 위한 핵심 전략으로, 클라우드는 디지털
전환의 중요한 요소로 작용하며, 데이터를 중앙에서 실시간으로 분석할 수 있도록 지원한다. 이를 통해
공정 최적화와 이상 탐지가 가능하며, 공장 운영의 자동화를 가속화할 수 있다. 다양한 장점에도
불구하고, 현장의 문제를 풀어낼 수 있는가 라는 문제에 많은 고민들이 있다.
온도를 재는 아날로그 센서의 경우 고온고압의 환경을 센서가 버티지 못하는 경우도 있고, 최근의
화두인 탄소 수치의 경우 가상의 새로운 장치들이 필요하다. 제품의 완성도는 화면으로 100% 잡히지
않는 경우도 많고, 농도는 샘플링에 의존할 수밖에 없고, 물성은 완제품으로부터만 얻을 수 있는 경우가
대부분이다. 각각의 사례들이 데이터로 디지털화 되었다고 해도 세상의 물리와 화학은 이진 수학으로
떨어지지 않는 부분도 많고, 통계와 예측은 신뢰구간과 끊임없는 싸움이다.
앞의 여러 이슈를 겪은 후 데이터가 모인 후에는, 실제 문제를 정의하고 풀어 나가는 마지막 단계에
오게 되고, 이 경우 인력 문제로 귀결이 된다. 이미 제조 현장은 소수의 인원이 오랜 세월의 노하우로
운영을 하고 있고, 그 문제를 데이터로 풀려 하는 인력들과 거리가 있어 많은 현장에서 디지털 전환을
했음에도 실질적인 이득을 얻기 힘들다는 현실과 닿아 있다. 이 거리가 좁혀진 후에는 시계열 예측 혹은
설명 가능 인공지능 등이 추가적인 가치를 창출해 낼 수 있겠으며, 필자가 속한 인이지를 비롯해 많은
인공지능 관련 업체들이 기존의 제조산업 업체들과 문제를 정의하고 풀어 나가고 있다.
그림 11 인이지의 산업용 공정 효율 최적화 솔루션 예제
19)
디지털서비스 이슈리포트
- 30 -
맺으며
클라우드 기반 스마트팩토리는 분명 제조업의 혁신을 가속화하고 생산성을 극대화할 수 있는 강력한
도구이지만, 앞서 살펴본 바와 같이, 물리적 한계, 실시간 운영의 신뢰성, 데이터 관리의 어려움 등
해결해야 할 과제들이 산적해 있다. 이러한 문제들을 극복하기 위해서는 단순히 기술을 도입하는 것을
넘어, 현장의 특성을 깊이 이해하고, 데이터 기반의 의사 결정을 통해 지속적인 개선을 추구하는 노력이
필요하다.
또한, 스마트팩토리를 포함한 디지털 전환은 기술적인 변화뿐만 아니라, 조직 문화와 인력의 변화를
수반한다. 현장의 경험과 지식을 데이터 분석 및 활용 능력과 결합하여 시너지를 창출하는 것이
중요하겠으며, 클라우드 기반 스마트팩토리가 진정한 가치를 발휘하기 위해서는 기술, 사람, 그리고
조직의 조화로운 발전이 필수적이라 하겠고, 이 요소들이 다 고려되었을 때 비로소 디지털 전환이
되었다 할 수 있겠다.
19) https://ineeji.com/html/business/features.php
