재현자료로 개인정보 보호와 데이터 활용을 함께 설계하는 법

원본 데이터를 직접 쓰기 어려울 때의 선택지

재현자료(Synthetic Data)는 실제 데이터가 가진 통계적 특성과 패턴을 보존하도록 인공적으로 생성한 모의데이터다. 개인정보 보호 규제나 데이터 접근 제한 때문에 원본을 그대로 공유·분석하기 어려운 상황에서 대안이 된다.

데이터 기반 의사결정과 AI 모델 개발에서는 데이터 접근성이 곧 작업 범위를 결정한다. 의료·금융처럼 민감 정보를 다루는 산업에서는 특히 그렇다. 재현자료는 실제 개인정보를 포함하지 않는 방식으로 데이터 활용의 여지를 넓히는 데 쓰인다.

개인정보 보호 외에도 기밀 데이터 접근 제한을 완화하고, 내부 공유와 외부 협업을 지원하는 목적이 있다. 원본 데이터의 편향·불균형·노이즈를 다루거나 다양한 시나리오를 위한 여러 버전의 데이터를 만드는 용도도 고려할 수 있다.

비식별화 기술과 재현자료의 위치

재현자료는 단독으로만 다루는 기술이 아니다. 데이터 보호와 활용을 설계할 때 다른 비식별화 기술과 함께 비교·적용한다.

가명화(Pseudonymization)는 직접 식별자를 대체값으로 바꾸는 방식이다. 해싱(Hashing)을 사용하면 원본 식별자를 암호화된 값으로 변환할 수 있다. 일반화(Generalization)는 세부 정보를 덜 구체적인 값으로 바꾸며, 라운딩(Rounding)은 수치 데이터를 특정 단위로 반올림하는 사례다. 무작위화(Randomization)는 원본 값에 무작위 노이즈를 추가해 값을 변경한다.

동형암호(Homomorphic Encryption)는 암호화된 상태에서 연산할 수 있게 하는 암호화 방식으로, 분석 중 원본 데이터 노출 없이 연산을 수행하는 데 활용된다. 차등 프라이버시(Differential Privacy)는 개인을 식별하지 못하게 하면서 데이터셋의 통계적 특성을 보존하는 접근이며, 재현자료 생성 과정에 적용해 프라이버시 보호를 강화할 수 있다.

재현자료는 원본의 통계적 특성을 보존한 인공 데이터를 만드는 방식이다. 실제 개인정보를 포함하지 않는다는 점에서 데이터 활용과 개인정보 보호 사이의 선택지를 제공한다.

공개 범위에 따라 달라지는 재현자료

⤢✕

완전 재현데이터는 공개 데이터 전체를 인공적으로 생성한다. 전체 고객 데이터를 대체하는 합성 데이터셋처럼, 원본의 통계적 특성을 최대한 보존하는 것이 목표다.

부분 재현데이터는 공개 데이터 중 민감한 정보만 모조 데이터로 바꾸고 민감하지 않은 정보는 원본으로 남긴다. 의료 데이터에서 환자 식별 정보만 합성 데이터로 대체하는 경우가 이에 해당한다.

복합 재현데이터는 부분 재현데이터를 바탕으로 새 데이터를 생성하는 형태다. 기존 부분 재현데이터에 새로운 시나리오를 추가해 원본의 특성을 확장하여 활용할 수 있다.

분포 추정부터 생성 모형까지

통계적 분포를 이용하는 방식

전통적 통계 방식은 원본의 통계적 분포와 상관관계를 분석한 뒤, 유사한 특성을 갖는 데이터를 샘플링해 생성한다.

⤢✕

구현과 해석이 상대적으로 쉽다는 점은 장점이다. 반면 복잡한 패턴을 포착하기 어렵고 고차원 데이터 처리에는 제한이 있다. 인구통계 데이터나 단순한 금융 데이터에 적용할 수 있다.

GAN이 학습하는 경쟁 구조

GAN(Generative Adversarial Networks)은 생성자와 판별자가 경쟁적으로 학습하면서 고품질 재현데이터를 생성하는 모형이다.

⤢✕

복잡한 패턴을 학습하고 고품질 데이터를 만들 수 있지만, 학습이 불안정할 수 있고 계산 비용이 높다. 이미지 데이터, 시계열 금융 데이터, 의료 데이터에 적용할 수 있다.

VAE(Variational Autoencoder)는 원본 데이터의 잠재 표현을 학습해 새로운 데이터를 생성한다. 학습이 안정적이고 잠재 공간을 탐색하기 쉽다는 특성이 있다. 다만 GAN보다 선명도가 낮을 수 있으며, 텍스트 데이터와 의료 이미지에 활용할 수 있다.

차등 프라이버시를 생성 과정에 적용하는 방식

차등 프라이버시는 재현데이터를 만드는 과정에 적용할 수 있다.

⤢✕

프라이버시 보호 수준을 정량화할 수 있고 이론적 보장을 제공한다는 점이 장점이다. 대신 데이터 유용성과 프라이버시 사이의 균형을 조정해야 한다. 인구조사 데이터와 의료 연구 데이터가 적용 사례다.

산업별 데이터 활용 방식

금융 산업에서는 실제 고객 데이터 대신 재현자료를 사용해 신용평가 모델을 개발하거나, 다양한 사기 패턴을 포함한 데이터를 만들어 금융사기 탐지 알고리즘을 개발할 수 있다. JPMorgan Chase는 신용위험 모델 테스트에 재현데이터를 활용한 사례로, Mastercard는 사기 탐지 시스템 개발 사례로 제시된다.

의료 산업에서는 환자 개인정보를 보호하면서 의료 데이터를 공유하는 임상 연구와 희귀질환 데이터 부족 문제에 재현자료를 활용할 수 있다. MDClone의 재현 의료 데이터 플랫폼이 사례로 언급된다. 다양한 증상과 진단 결과를 포함한 재현자료는 의료 AI 모델의 학습과 테스트에도 쓰이며, Google Health의 의료 이미지 진단 모델이 예시다.

공공 부문에서는 인구통계 데이터를 기반으로 재현자료를 만들고 정책 시나리오를 시험할 수 있다. 미국 인구조사국의 합성 데이터 프로젝트가 이에 해당한다. 교통과 에너지 사용 패턴 등을 재현해 도시 인프라 최적화 모델을 개발하는 스마트시티 영역에서는 바르셀로나 시의 도시 계획 활용 사례가 제시된다.

활용 전에 확인할 품질과 위험

재현자료는 원본과 얼마나 비슷한지로만 평가할 수 없다. 원본과 재현자료의 분포를 비교하는 통계적 유사성, 재현자료로 학습한 모델의 성능을 보는 머신러닝 유용성, 재식별 위험을 평가하는 프라이버시 보호 수준을 함께 확인해야 한다.

한계도 있다. 전통적 통계 방식은 복잡한 관계를 포착하기 어렵고, 원본 데이터의 편향이 재현자료로 전이될 수 있다. 생성 모델 학습 과정에서는 과적합이나 과소적합도 발생할 수 있다.

재현자료는 연합학습과 결합해 분산 환경에서 데이터를 공유하지 않고 모델을 학습하는 방향으로 활용될 수 있다. 재현자료 관련 규제와 표준화가 발전하고, 금융·의료·제조 등 산업별 특화 생성 도구가 확산될 전망이다.