합성 데이터
Synthetic Data
합성 데이터란?
- 실제 대신 인공 생성 데이터
- 부족·민감 데이터 우회
- 품질 검증 필요
합성 데이터를 쓰기 시작하면 데이터 확보의 병목이 다른 자리로 옮겨갑니다. 원본을 받으려고 법무 검토와 반출 심의에 몇 달을 쓰던 구조가, 안전한 구역 안에서 원본을 한 번만 학습시키고 거기서 뽑은 인공 레코드를 밖으로 내보내 개발·테스트·외주 협업에 쓰는 구조로 바뀝니다. 데이터 담당자의 일도 구해 오는 일에서 만들고 검증하는 일로 옮겨갑니다.
만드는 방식은 크게 셋입니다. 설비 이상이나 자율주행처럼 물리 법칙이 명확한 영역은 시뮬레이터로 상황을 찍어내고, 고객·거래 같은 표 형태 데이터는 통계 모형이나 GAN·디퓨전 계열 생성 모델을 쓰며, 상담 로그나 계약 문서는 LLM으로 만듭니다. 가명처리와는 경계가 분명합니다. 가명처리는 실제 사람의 기록을 남긴 채 식별자만 가리지만, 합성은 대응하는 개인이 존재하지 않는 새 레코드를 만들어 냅니다.
품질은 세 축으로 봅니다. 원본과 분포가 닮았는지(충실도), 합성으로 학습한 모델을 실제 데이터로 평가했을 때 성능이 나오는지(유용성), 원본 한 줄이 그대로 복제되지 않았는지(프라이버시)입니다. 이 중 하나라도 빠지면 반드시 탈이 납니다 — 분포만 맞추면 실제 개인이 튀어나오고, 프라이버시만 조이면 데이터가 밋밋해져 학습에 쓸모가 없습니다. 그래서 실무에서는 합성만으로 끝내지 않고 실제 데이터 10~30%를 섞는 혼합 학습을 기본으로 둡니다.
가장 흔한 오해는 '합성이니 개인정보가 아니다'입니다. 생성 모델이 희귀한 이상치를 통째로 외워 내뱉으면 원본 한 사람이 그대로 노출되고, 규제 대응 논리가 한 번에 무너집니다. 없던 정보가 새로 생기지는 않는다는 점도 놓치기 쉽습니다. 사기 사례가 12건뿐인 데이터로 1만 건을 합성해도 그 12건의 변주일 뿐이라, 내부 검증에서는 잘 맞다가 실제 신종 수법에는 그대로 뚫립니다. 합성분을 다시 학습에 넣기를 반복하면 분포가 좁아지는 모델 붕괴도 나타나므로, 실제 데이터로 만든 평가셋만큼은 끝까지 따로 남겨 두어야 합니다.
데이터 부족·프라이버시 규제 대응의 필요에서 발전했으며, 생성 AI의 발달로 활용이 급증했습니다.
가상의 사례로 살펴보겠습니다. 임직원 900명 규모의 중형 카드사 A사는 이상거래탐지(FDS) 모델을 3년째 운영하고 있었습니다. 전체 거래 중 사기로 확정된 건은 0.02%, 신종 수법 사례는 분기당 20건 남짓이라 모델이 새 패턴을 거의 잡지 못했습니다. 게다가 원본 거래 데이터는 외부 반출이 막혀 있어 외주 개발사와의 협업도 4개월째 멈춰 있었습니다.
- 데이터플랫폼팀 김 팀장이 최근 1년 반출 심의 기록을 뽑아보니 12건 중 8건이 반려였고 평균 대기만 47일이었습니다. 회의에서 '데이터 기다리다 프로젝트가 끝난다'는 말이 나왔습니다.
- 보안망 안에 격리 서버를 두고 최근 2년치 거래 1,800만 건으로 생성 모델을 학습시킨 뒤, 사기 라벨 구간만 30배 증폭해 합성 거래 60만 건을 뽑았습니다.
- 정보보호팀 박 차장이 합성 레코드와 원본의 최근접 거리를 전수 대조해 원본과 사실상 동일한 1,204건을 걸러냈습니다. '한 건이라도 그대로 나오면 반출은 없다'는 조건을 먼저 못 박았습니다.
- 모델링 담당 이 책임은 합성만으로 학습한 모델을 실제 8월 거래로 평가했는데, 정탐률은 올랐지만 오탐이 2.3배 늘어 실제 데이터 20%를 섞는 혼합 학습으로 방식을 바꿨습니다.
- 6개월 뒤 신종 수법 탐지율은 61%에서 78%로 올랐고, 오탐 때문에 거는 고객 확인 전화는 하루 340건에서 190건으로 줄었으며, 멈춰 있던 외주 협업도 합성 데이터 반출로 3주 만에 재개됐습니다.