한눈에 보는 핵심 인사이트 많은 기업이 AI에 투자하지만, PoC 이후 운영 단계로 넘어가지 못하고 멈추는 경우가 적지 않습니다. 원인은 기술이 아니라 데이터가 흩어져 현업에 닿지 못하는 구조에 있습니다. SKI E&S는 SK AX와 함께 Amazon SageMaker Unified Studio 기반의 통합 데이터·AI 플랫폼을 구축해 이 문제를 해결했습니다. 흩어진 데이터를 표준화된 계층 구조로 통합하고, 메타데이터 카탈로그와 생성형 AI 검색 챗봇으로 누구나 데이터를 찾을 수 있게 했으며, 단일 작업 공간에서 현업과 분석가가 역할에 맞게 함께 일하는 환경을 만들었습니다. 동시에 리소스 표준과 AI서비스 사용량 모니터링으로 통제 가능한 운영 체계를 갖췄습니다. 그 결과 데이터 탐색·추출에 수일이 걸리던 업무가 즉시 가능한 일로 바뀌었습니다. SK AX는 AI MSP로서 AI Readiness 진단부터 설계·구축·운영까지 End-to-End로 지원합니다.

 

AI가 현장에서 멈추는 진짜 이유

 

많은 기업이 AI에 투자하고 있지만, “그 AI가 지금 현업에서 제대로 돌아가고 있는가”라는 질문 앞에서는 쉽게 답하지 못합니다. Gartner와 S&P Global 등의 분석에 따르면 PoC 이후 운영 단계로 넘어가지 못하고 폐기되는 비율은 30%를 넘고, 실제 운영에 안착하는 경우는 절반에 못 미치며, 운영까지 걸리는 기간도 길게 나타납니다.

문제의 본질은 기술이 아니라 구조에 있습니다. 데이터가 시스템마다 흩어져 있어 현업이 곧바로 쓸 수 없고, 분석 모델은 조직별로 파편화되어 함께 일하기 어렵습니다. 여기에 운영 표준과 비용 관리 체계까지 부족하면, AI는 쓸수록 더 불확실해지는 환경에 놓이게 됩니다. 결국 던져야 할 질문은 ‘AI를 어떻게 도입할까’가 아니라 ‘누구나 데이터를 안전하게 쓸 수 있는 환경을 어떻게 만들까’입니다.

 

전사 데이터 연결과 통합을 향한 SKI E&S 혁신의 여정

 

 

SKI E&S는 사내 시스템의 정형 데이터부터 설비의 실시간 시계열 데이터, 외부 비정형 시장 데이터에 이르기까지 방대하고 다양한 데이터를 보유하고 있었습니다. 이처럼 각 영역에 특화된 데이터를 전사 차원에서 한데 모아 유기적으로 연결하고, 데이터가 비즈니스 가치로 직결될 수 있도록 고도화된 AI 통합 인프라를 마련하는 데 선제적으로 주목했습니다.

이를 위해 부서별로 최적화되어 있던 데이터 수집·전처리 과정을 통합·자동화하여 업무 속도를 한층 높이고자 했습니다. 궁극적으로는 흩어져 있던 데이터가 한곳으로 모이고, 누구나 쉽게 접근해 함께 작업할 수 있는 ‘단일화된 통합 데이터·AI 환경’을 마련하는 것을 목표로 삼았습니다.

 

표준화된 계층 구조로 데이터를 읽을 수 있게

 

 

SK AX는 SKI E&S와 함께 Amazon SageMaker Unified Studio를 중심으로 데이터의 수집·저장부터 분석·AI 활용, 운영 관리까지 하나로 잇는 통합 플랫폼을 설계했습니다.

먼저 데이터를 누구나 이해하고 사용할 수 있도록 표준화된 계층 구조로 정리했습니다. 원천 데이터는 AWS DMS와 Amazon MSK 등을 통해 손실 없이 수집해 원본 그대로 저장하고(L0, Lake), 이를 분석·실험용 데이터로 가공한 뒤(L1, DW), 최종적으로 BI나 생성형 AI 같은 현업 서비스에 바로 연결되는 목적별 데이터셋(L2, MART)으로 구조화했습니다. 목적과 사용자에 따라 데이터를 단계적으로 정제한 것입니다.

여기에 더해, 테이블·컬럼 같은 기술 정보(IT Meta)와 비즈니스 용어·한글 설명(Biz Meta)을 결합한 메타데이터 카탈로그를 구축하고, Amazon Bedrock 기반의 ‘메타 검색 챗봇’을 연동했습니다. 이제 현업은 “특정 작업 이력이 저장된 테이블이 무엇인지”를 자연어로 묻기만 하면, 관련 테이블과 주요 컬럼 정보를 바로 안내받을 수 있습니다. 기술 정보와 비즈니스 맥락이 연결되면서 데이터 탐색이 누구에게나 가능한 일이 되었습니다.

 

현업과 분석가가 함께 일하는 셀프서비스 환경

 

 

다음으로, 현업과 분석가가 같은 공간에서 일할 수 있는 역할 기반 셀프서비스 환경을 만들었습니다. 단일 SageMaker Unified Studio 안에서 현업은 자연어와 챗봇으로 데이터를 탐색하고, 분석가는 SQL과 노트북으로 분석·리포팅을 수행하며, ML 엔지니어와 데이터 엔지니어는 모델 학습·배포와 데이터 파이프라인 관리를 진행합니다.

권한은 Lake Formation을 통해 역할에 맞게 관리됩니다. 데이터를 만드는 ‘생산(Producer)’ 프로젝트와 이를 활용하는 ‘활용(Consumer)’ 프로젝트가 구독 요청과 허용 방식으로 안전하게 연결되어, 승인된 범위 안에서 데이터를 자유롭게 다룰 수 있습니다. IT팀에 따로 문의하지 않아도 각자의 역할에 맞게, 기다림 없이 데이터를 활용하고 인사이트를 얻게 된 것입니다.

 

통제 가능한 체계, 안전한 확장

 

마지막으로, 안전한 확장을 위한 운영 가드레일과 모니터링 체계를 함께 갖췄습니다. 무분별한 고비용 리소스 생성을 막는 표준 정책을 적용해, 프로젝트 권한 안에서 허용된 사양만 사용하도록 통제했습니다. 또한 눈에 잘 띄지 않는 리소스를 프로젝트 단위로 묶어 비용을 추적했습니다.

운영 가시성을 높이기 위해 Amazon Bedrock 모델 호출 현황, 토큰 사용량, Bedrock Agent 리소스 사용량을 한눈에 확인할 수 있는 모니터링 대시보드를 구축했습니다. AI 서비스 사용량과 주요 리소스를 통합적으로 관리할 수 있게 되면서 운영 현황을 보다 쉽게 파악하고, 비용 관리와 서비스 운영 효율성을 높일 수 있는 기반을 마련했습니다.

 

데이터 활용 속도가 만든 변화

 

 

가장 큰 변화는 데이터에 닿기까지의 시간이 크게 줄었다는 점입니다. 예전에는 데이터 정보를 담당자에게 일일이 문의해야 했지만, 이제는 메타 챗봇을 통해 데이터 정보를 곧바로 검색할 수 있습니다. 기존에는 필요한 데이터를 별도로 추출 및 가공하는 절차가 필요했지만, SageMaker에 등록된 데이터라면 권한 승인만으로 별도 추출 과정 없이 직접 조회하고 활용할 수 있게 되었습니다.

데이터 접근성과 사용 편의성도 한층 높아졌습니다. 부서·시스템별로 분리된 데이터에 개별적으로 권한을 신청하던 방식에서 벗어나, 프로젝트 안에서 승인된 범위를 자유롭게 활용할 수 있게 되었습니다. SQL·노트북·ML 도구를 각각 연동하던 복잡함도 사라지고, 단일 화면에서 빠르게 분석하고 Chat Agent까지 구성할 수 있습니다. 그 결과 SKI E&S는 전사 통합 데이터 저장소와 데이터 탐색·활용 환경을 확보하며, 데이터에서 시작하는 AI 활용 기반을 갖추게 되었습니다.

 

SK AX와 함께 데이터 활용력을 경쟁력으로

 

AI 시대의 진짜 경쟁력은 어떤 모델을 쓰느냐가 아니라, 데이터를 얼마나 잘 활용하느냐에 달려 있습니다. SKI E&S 사례는 통합 플랫폼과 거버넌스, 통제·관리 체계가 함께 갖춰질 때 비로소 AI가 현업에서 제대로 작동한다는 점을 보여줍니다.

SK AX는 AI MSP로서 고객의 현재 IT 환경을 진단하는 AI Readiness Assessment부터, 보안이 검증된 인프라 위에서 데이터를 통합·자산화하고 AI 서비스로 연결하는 End-to-End 설계·구축까지 지원합니다. 실제 구현 가능한 아키텍처를 함께 설계하며, 진단부터 구축, 운영까지 단절 없이 연계합니다. 데이터를 진짜 경쟁력으로 바꿀 준비가 되셨다면, 지금 SK AX와 시작해 보세요.

 

[FAQ]

 

Q1. 통합 데이터·AI 플랫폼은 기존 데이터 웨어하우스와 무엇이 다른가요?

단순히 데이터를 모아두는 저장소를 넘어, 데이터의 수집·저장부터 탐색·분석·AI 활용, 운영 관리까지 하나의 환경에서 처리한다는 점이 다릅니다. SKI E&S 사례에서는 Amazon SageMaker Unified Studio를 기반으로 현업·분석가·엔지니어가 같은 공간에서 역할에 맞게 일하고, 메타데이터 카탈로그와 생성형 AI 챗봇을 통해 데이터를 찾는 일까지 통합했습니다.

 

Q2. 데이터 계층을 L0·L1·L2로 나누는 이유는 무엇인가요?

목적과 사용자에 따라 데이터의 가공 수준을 달리하기 위해서입니다. L0(Lake)는 원천 데이터를 손실 없이 보관하는 원본 저장 영역, L1(DW)은 데이터 과학자 중심의 분석·실험용 영역, L2(MART)는 BI나 생성형 AI 같은 현업 서비스에 바로 연결되는 목적별 데이터셋입니다. 이렇게 단계를 나누면 원본의 신뢰성을 지키면서도 현업이 필요한 형태의 데이터를 빠르게 활용할 수 있습니다.

 

Q3. 현업이 직접 데이터를 다루면 보안이나 비용 통제가 어렵지 않나요?

권한과 표준 정책으로 통제하기 때문에 자율성과 안전성을 함께 확보할 수 있습니다. Lake Formation 기반의 역할별 권한 관리로 승인된 범위 안에서만 데이터를 활용하도록 하고, 고비용 리소스 생성을 막는 표준 사양 정책과 프로젝트 단위 비용 추적, AI 토큰 사용량 모니터링을 적용해 통제 가능한 범위 안에서 확장합니다.

 

Q4. 이런 플랫폼을 도입하려면 어디서부터 시작해야 하나요?

현재 IT·데이터·AI 환경에 대한 객관적인 진단에서 시작하는 것이 좋습니다. SK AX의 AI Readiness Assessment는 인프라, 데이터, AI 세 가지 축에서 도입 가능성을 진단하고 실행 가능한 아키텍처와 단계별 로드맵을 제시합니다. 이후 데이터 통합, 플랫폼 구축, 운영까지 단절 없이 연계해 진행할 수 있습니다.

 

---

 

AX 컨설팅부터 비즈니스 모델 발굴까지
Global Top 10 AX Service Company｜SK AX

#SKAX #SKIES #AmazonSageMaker #SageMakerUnifiedStudio #데이터플랫폼 #AI플랫폼 #AI전환 #데이터거버넌스 #AIReadiness #AI_MSP