하이브리드 클라우드와 EDB Postgres AI로 AI 혁신을 앞당기는 방법

어느 조직이나 AI 프로젝트는 우선순위 높은 과제입니다. 이처럼 중요하지만 프로젝트를 성공으로 이끄는 것은 쉽지 않습니다. 프로젝트 성과를 기대 이하로 낮출 수 있는 위험들이 곳곳에 자리하고 있습니다. 이중 프로젝트 성패를 가르는 요소로 인프라와 데이터를 꼽습니다.

 

AI 모델은 방대한 데이터에 접근해야 하고, 인프라는 예측하기 어려운 작업량 변화에 민첩하게 대응해야 하며, 이 모든 과정에서 엄격한 보안 및 규제 요구사항을 충족해야 합니다. 온프레미스에만 AI 전용 GPU 기반 컴퓨팅 인프라와 통합 데이터 환경을 갖춘 곳은 생각보다 많지 않습니다. 투자 부담부터 운영까지 생각보다 걸림돌이 많습니다. 더불어 최근 모델 경량화 기술을 활용해 엣지 컴퓨팅 환경에 모델을 배포해 추론을 수행하고자 하는 새로운 요구도 늘고 있는 추세입니다. 이런 현실적 도전 과제를 해결하는 방법으로 하이브리드 멀티 클라우드가 주목받고 있습니다.

하이브리드 클라우드 환경은 원활한 AI 프로젝트 추진과 서비스 운영 관련 여러 고민의 해법을 제시합니다. 개인 식별 정보(PII), 금융 기록, 지적 재산과 같은 민감한 데이터는 조직이 직접 관리하는 온프레미스 환경에 안전하게 보관하여 완전한 통제권을 유지할 수 있습니다. 대규모 연산이 필요하거나 비교적 덜 민감 데이터를 다루는 작업은 클라우드의 탄력적인 자원을 활용해 효율적으로 처리할 수 있습니다.

 

데이터 활용의 어려움

아무리 발전된 형태로 설계한 하이브리드 클라우드 환경을 갖추었더라도, 그 위에서 활용할 데이터가 파편화되어 있고 일관성이 없다면 무용지물입니다. 실제로 많은 조직이 분산된 데이터와 서로 다른 데이터 모델 때문에 AI 혁신에 어려움을 겪고 있습니다.

기업의 데이터 환경을 살펴보면 중요한 데이터 자산이 온프레미스 데이터센터와 여러 클라우드에 흩어져 있습니다. 데이터의 형태 또한 관계형 테이블에 구조화된 데이터뿐만 아니라 JSON 문서, 시계열 데이터, 이미지, 텍스트 등 다양하며, 기업은 이를 각기 다른 시스템으로 관리하는 경우가 많습니다. 여기에 기업이 활용하는 거대 언어 모델(LLM)이나 예측 모델 등 AI 모델 역시 각기 다른 플랫폼 위에서 동작하다 보니 관리와 활용이 어렵습니다.

이처럼 데이터 소스가 고립되고 모델이 분산되면, AI 개발에 필요한 데이터를 모으고 변환하는 과정에서 개발 속도가 느려지고 운영 복잡성은 커집니다. 결국 분산된 데이터 소스와 다양한 모델에 일관적으로 접근할 수 있는 환경과 역량이 AI 프로젝트의 성패를 좌우한다고 볼 수 있습니다.

 

EDB Postgres AI 출시 배경과 주요 특징

이러한 분위기 속에서 최근 EDB는 차세대 지능형 데이터 플랫폼인 EDB Postgres AI를 선보였습니다. EDB는 트랜잭션 처리, 데이터 분석, AI 워크로드 지원을 단일 플랫폼으로 통합하여 데이터 사일로에 대한 고민을 근본적으로 해결하기 위해 EDB Postgres AI를 출시했습니다.

EDB가 추구하는 가치는 분명합니다. OLTP, OLAP, 벡터 DB 등 각 분야별 전용 솔루션은 각자의 작업 분야에서 최고의 성능을 추구합니다. 반면에 EDB Postgres AI는 하이브리드 환경에서 데이터 파편화와 사일로 걱정 없이 TCO를 줄이고, 단순한 아키텍처를 유지하고, 데이터 거버넌스 체계를 마련할 수 있는 실용적인 길을 제시하는 것을 핵심 가치로 내세웁니다. 이러한 통합을 추구하는 접근이 AI 전환 시대의 다양한 요구를 어떻게 수용하는 지 주요 기능을 통해 알아보겠습니다.

그림. EDB Postgres AI 아키텍처 (출처: https://edbkorea.com/blog/edb-postgres-ai/)

• 하이브리드 컨트롤 플레인(Hybrid Control Plane): 분산된 데이터 환경에서 일관성을 확보하려면 중앙에서 모든 것을 제어하고 관찰할 수 있어야 합니다. EDB Postgres AI는 멀티 클라우드와 온프레미스에 걸쳐있는 모든 Postgres 데이터베이스를 단일 화면(Single Pane of Glass)에서 손쉽게 관리할 수 있도록 지원합니다. 덕분에 데이터 엔지니어는 각 환경마다 개별적으로 수행하던 프로비저닝, 백업, 시점 복구 같은 작업을 중앙 콘솔에서 자동화하여 데이터베이스 관리자의 반복적인 업무를 크게 줄일 수 있습니다. 더불어 통합된 모니터링 화면으로 모든 인스턴스의 상태와 성능을 한눈에 파악하고, 200여 개의 성능 지표를 실시간으로 수집하며 지능형 알림 및 진단 기능으로 시스템 병목 현상이 발생하면 이를 신속하게 찾아낼 수 있습니다. 팀 측면에서 보면 소수의 인력으로도 대규모 데이터베이스를 효율적으로 관리할 수 있다는 이점도 있습니다.

그림. EDB Postgres AI 아키텍처 (출처: https://edbkorea.com/blog/edb-postgres-ai/)

 

• 다중 데이터 모델 및 분석 가속(Multi-Model Data & Analytics Accelerator): EDB Postgres AI는 여러 형태의 데이터를 한곳에 모아 고성능으로 처리합니다. 관계형 데이터와 비관계형 데이터를 모두 지원하며, 고성능 분석 엔진을 내장해 기존에는 별도의 데이터 웨어하우스에서 처리해야 했던 대규모 분석 쿼리를 Postgres 내에서 직접 수행할 수 있습니다. 특히 벡터화된 실행 엔진을 도입해 표준 PostgreSQL 엔진보다 분석 쿼리 응답 속도를 높였고, 계층형 저장 기술로 자주 사용하지 않는 데이터는 오브젝트 스토리지로 옮겨 스토리지 비용을 절감할 수 있습니다. 덕분에 기업은 운영 데이터베이스에서 직접 대규모 분석을 실행하면서도 서비스 성능 저하 없이 결과를 얻는, 이른바 하이브리드 방식으로 트랜잭션/분석을 단일 플랫폼에서 처리하는 것을 현실화할 수 있습니다.
• AI 도입 가속(AI Accelerator): EDB Postgres AI는 데이터 플랫폼과 AI 개발 사이의 거리를 좁혔습니다. 예를 들어 과거에는 벡터 DB, 머신러닝 파이프라인, LLM API를 모두 따로 연결해야 했던 생성형 AI 애플리케이션을 단 몇 줄의 SQL만으로 실행할 수 있습니다. 이러한 간소화된 접근 방식은 AI 전문가가 아니더라도 데이터 엔지니어와 앱 개발자가 자신의 애플리케이션에 AI 기능을 손쉽게 탑재하도록 돕습니다. 사용자가 간단한 SQL 명령으로 AI 파이프라인을 만들면 플랫폼이 자동으로 벡터 임베딩 생성 및 저장, 유사도 검색, LLM 호출, 응답 생성까지의 과정을 처리합니다. 원본 데이터가 변경될 때 임베딩을 자동으로 업데이트하여 모델이 항상 최신 정보를 유지하도록 지원합니다.
• 데이터 및 AI 주권 보장(Sovereign AI): 많은 조직이 AI를 활용하면서도 데이터 통제권을 잃지 않기를 원합니다. EDB Postgres AI는 이러한 요구에 맞춰 모든 AI 기능이 기업이 직접 통제하는 인프라 내에서 작동하도록 설계되었습니다. 예를 들어 챗봇이나 추천 엔진 같은 AI 애플리케이션을 사내 데이터베이스 안에 구축하여 고객 데이터를 외부 클라우드 서비스로 보내지 않고도 자체 AI를 구현할 수 있습니다. 모든 데이터 처리와 AI 모델 호출이 데이터베이스 안에서 이루어지므로 민감한 정보가 외부에 노출될 위험이 없습니다. 또한, 투명한 데이터 암호화(TDE), 감사 로깅, 민감 정보 마스킹과 같은 강력한 보안 기능을 기본으로 제공합니다.

 

AI 시대를 선도하는 데이터 전략 수립하기

AI 시대에 단편적이고 수동적으로 기술에 접근해서는 성공을 기대하기 어렵습니다. 경쟁에서 앞서 나가려면 통합을 전제로 한 전략이 필요합니다. 유연성과 통제력을 동시에 확보하는 하이브리드 클라우드 아키텍처를 채택하고, 데이터 사일로를 허물어 PostgreSQL 같은 기술 종속 걱정 없는 통합 플랫폼 위에 데이터 기반을 구축해야 합니다. 그리고 EDB Postgres AI 같은 솔루션을 활용하여 조직의 AI 전략을 안전하고 효율적으로 실행해 나가야 할 것입니다. 더 자세한 내용이 궁금하다면 락플레이스로 문의바랍니다.