마키나락스가 말한 국방 AI의 현실론, 95% 기다리다 골든타임 놓친다

• 마키나락스가 국방 AI에서 던진 메시지는 꽤 직설적임. “95%짜리 완벽한 모델 기다리다 실전 타이밍 놓치지 말자”는 얘기임

  • 군 데이터는 보안 때문에 외부로 빼기도 어렵고, 학습용으로 충분히 모으기도 까다로움
  • 그런데 군은 보통 높은 정확도를 요구하니, 처음부터 95%를 맞추려 하면 배포 자체가 늦어지는 구조가 됨

• 그래서 제안한 방식은 70% 수준이라도 먼저 현장에 넣고, 운용하면서 나온 데이터로 계속 재학습시키는 루프임

  • 공개 데이터 등으로 초기 모델을 만들고, 실제 운용 데이터가 쌓이면 다시 학습해서 성능을 끌어올리는 식
  • 김민성 마키나락스 국방사업본부장은 “운용할수록 똑똑해지는 AI”가 되어야 한다고 설명함

• 마키나락스가 소개한 첫 사례는 국방과학연구소 안의 국방지능데이터센터 MLOps 구축임

  • 폐쇄망에서는 최신 오픈소스 모델을 들여오는 절차가 보안 검증 때문에 느릴 수밖에 없음
  • 마키나락스는 외부 저장소의 오픈소스를 보안 솔루션으로 검증한 뒤 내부망에 배포하는 과정을 자동화했다고 함
  • 이 과정으로 4일 걸리던 보안 검증 시간이 1시간 이내로 줄었다는 게 꽤 큰 포인트임

• GOP 작전지원체계에서는 데이터 부족 문제를 단계적 학습으로 풀었다고 함

  • 초기에는 공개 데이터 등을 섞어 70% 수준 모델을 먼저 만들고 배포함
  • 이후 실제 운용 과정에서 발생한 데이터를 다시 학습시켜 성능을 끌어올리는 구조임
  • 이 시스템은 온톨로지 기반으로 전장 상황을 인식하고, 지휘관에게 대응 방책을 추천하는 역할을 맡음

• 함포 정비 AI 사례는 개발자 입장에서 더 피부에 와닿음. “문서가 나쁘면 사람도 실수한다”는 문제를 RAG로 푼 케이스임

  • 김 본부장은 2024년 7월 함포 오발 사고를 언급하며, 비숙련자가 난해한 번역 교범에 의존하다 조작 실수가 발생한 사례라고 설명함
  • 현장 정비 교범이 외국 장비 지침서를 번역한 문서라 가독성이 떨어졌고, 실전 장비에서는 이게 바로 리스크가 됨
  • 마키나락스는 함정 내 폐쇄망 서버에 교범을 RAG 기반으로 넣고, 운용자가 질문하면 조작법과 근거 문서, 시각 자료를 함께 보여주는 시스템을 만들었다고 함

• 김 본부장은 AI 산업을 에너지, 반도체, AI 플랫폼·데이터센터, 모델, 애플리케이션의 5개 층으로 설명함

  • 사람들이 흔히 모델과 앱만 AI 산업으로 보지만, 실제 성과는 하단 인프라가 같이 받쳐줘야 나온다는 얘기임
  • 국방에서는 에너지와 반도체 같은 하단부는 국가 역할이 크고, 기업은 모델과 애플리케이션 쪽에서 역할을 할 수 있다고 봄
  • 마키나락스는 이 가운데 온프레미스 AI 운영체제 개발을 주력으로 삼고 있다고 밝힘

• 앞으로의 구상은 대규모 데이터센터에서 이동형 서버, 엣지 장비까지 이어지는 AI 운영체제 확장임

  • 엣지 장비는 저전력 제약이 크니 학습보다 추론 중심으로 둠
  • 작전 지역에서 나온 데이터는 이동형 서버로 보내 특화 모델을 갱신하는 방식임
  • 도시, 산악, 해안처럼 작전 환경이 다르면 필요한 모델도 달라지기 때문에 지역별 특화가 필요하다는 설명임

---

기술 맥락

• 여기서 중요한 선택은 “처음부터 완성형 모델을 만들 것인가, 아니면 낮은 성능으로 시작해 운영 데이터로 개선할 것인가”예요. 국방 환경은 데이터 반출과 공유가 어렵기 때문에, 일반 인터넷 서비스처럼 대규모 데이터를 먼저 모아 학습시키는 전략이 잘 안 맞거든요.

• 폐쇄망 MLOps가 중요한 이유도 여기에 있어요. 최신 오픈소스 모델을 쓰고 싶어도 보안 검증과 내부망 반입 절차가 느리면 현장 적용 속도가 확 떨어져요. 4일 걸리던 검증을 1시간 이내로 줄였다는 건 단순 자동화가 아니라 배포 주기를 바꾸는 얘기예요.

• 함포 정비 RAG 사례는 생성형 AI를 어디까지 믿을 수 있느냐의 문제예요. 군 장비에서는 그럴듯한 답보다 근거 있는 답이 훨씬 중요해요. 그래서 모델이 자체 지식으로 답하게 두는 대신, 교범을 검색하고 근거 문서와 시각 자료를 같이 보여주는 구조를 택한 거예요.

• 엣지, 이동형 서버, 데이터센터를 나누는 설계도 현실적인 제약에서 나온 선택이에요. 엣지 장비는 전력과 연산 자원이 부족하니 추론 위주로 쓰고, 재학습은 이동형 서버나 데이터센터에서 처리하는 식이에요. 작전 지역별로 모델을 다르게 가져가려면 이런 계층형 운영 구조가 필요해요.