AI 네이티브 시대의 프라이버시 인식 인프라: 자산 분류 사례 연구

AI 네이티브 제품은 새로운 데이터 모달리티, 임베딩, 멀티모달 입력 등을 도입하며 데이터 관리의 복잡성을 급격히 증가시킨다. 특히 동일한 필드명이라도 문맥에 따라 개인정보(예: 사람의 나이)일 수도 있고 단순 시스템 메타데이터(예: 캐시 TTL)일 수도 있어, 이름만으로는 프라이버시 요구사항을 결정할 수 없다.

Meta는 이러한 문제를 해결하기 위해 하이브리드 자산 분류(Asset Classification) 패턴을 적용한다. 핵심 전략은 다음과 같다:

• 모델이 추론하기 전 풍부한 컨텍스트(Context) 구축
• 모호성, 콜드 스타트, 신규 데이터 처리를 위해 LLM 활용
• 사람이 검토한 라벨과 모델이 생성한 권장 사항을 분리하여 관리
• 안정적인 동작은 **결정론적 규칙(Deterministic Rules)**으로 변환하여 실행

최종 목표는 모든 곳에 LLM을 사용하는 것이 아니라, LLM이 모호한 신호를 학습하면 이를 저지연 및 감사가 용이한 결정론적 로직으로 추출하여 운영 환경에 적용하는 것이다. 이를 통해 프라이버시 인식 인프라(PAI)는 데이터 이해, 탐지, 집행, 준수 증명이라는 네 가지 핵심 운영 과제를 수행한다.