.png)
AX 시대를 위한 데이터 인프라 현대화
업종과 기업 규모를 떠나 모두가 디지털 전환(DX)과 AI 전환(AX)이라는 목표를 향해 나아가는 시대입니다. DX와 AX는 개별적인 것이 아닙니다. 비즈니스와 업무 방식을 디지털화하고 조직의 역량을 데이터라는 자산으로 쌓은 후 여기에 AI를 더해 변화를 이끌어 내는 여정입니다. 이런 흐름이 매끄럽게 이어지도록 엔터프라이즈 컴퓨팅 환경도 진화를 거듭하고 있습니다. 가장 두드러진 변화는 인프라에서 일어나고 있습니다. 클라우드 네이티브를 시작으로 인프라는 AI 네이티브 환경으로 바뀌고 있습니다. 이번 포스팅에서는 진화의 한 축을 담당하는 데이터 인프라가 어떤 과정을 거쳐 현대화되고 있는지 알아보겠습니다.
스토리지에 대한 인식의 변화
스토리지 운영이라고 하면 장비 관리가 떠오를 것입니다. 용량이 부족하면 장비를 추가하고 고성능이 필요한 애플리케이션에는 더 빠른 장비를 배치하는 방식이 익숙할 것입니다. 이러한 장비 중심의 인식은 플래시 스토리지와 가상화 기술이 보편화되면서 달라지기 시작합니다.
저장 자원을 물리 장치 단위가 아니라 논리적인 풀로 묶고 애플리케이션이 필요로 하는 용량과 성능을 더 유연하게 할당할 수 있게 되면서 스토리지를 달리 보기 시작한 것이죠. 관리 방식도 달라졌습니다. 장비 중단 없이 소프트웨어와 컨트롤러를 업데이트하고 데이터 서비스를 지속적으로 개선하는 작업 방식이 자리를 잡아 갔습니다. 플래시 스토리지와 가상화 등장 후 일어난 변화는 DX 시대가 되면서 새로운 차원으로 방향을 바꾸게 됩니다.
소프트웨어 정의 시대의 개막
DX는 인프라가 비즈니스 변화의 속도를 따라가야 한다는 새로운 요구를 만들었습니다. 새로운 서비스가 등장할 때마다 장비를 주문하고 수작업으로 구성하는 방식으로는 대응하기 어려워진 것이죠. 이런 현실적 한계를 넘어서기 위해 스토리지 업계가 내놓은 해결책이 바로 소프트웨어 정의 스토리지 개념입니다.
이 개념의 상위 개념은 소프트웨어 정의 데이터센터입니다. 컴퓨팅, 네트워크, 스토리지 자원을 소프트웨어로 추상화하고 정책에 따라 할당할 수 있는 환경을 뜻합니다. 소프트웨어 정의 데이터센터 시대가 되면서 API 기반 프로비저닝과 자동화 같은 운영 방식이 스토리지 분야에서 자리 잡기 시작했습니다. 운영자는 예전처럼 장비 단위로 관리하지 않고 소프트웨어 정의 기반으로 스토리지를 하나의 거대한 자원 풀로 다룰 수 있게 되었습니다. 이러한 접근은 AX 시대에 또 한 번의 변화를 맞이하게 됩니다.
AX 시대의 새로운 요구 사항
AX 환경에서는 데이터를 한 장비에 모으는 것보다, 여러 위치에 분산된 데이터를 일관된 방식으로 활용하는 것이 중요합니다. 훈련과 추론, 에이전트 등 AI 워크로드에 따라 필요한 데이터의 형태와 위치가 달라지기 때문입니다. 기업은 블록·파일·오브젝트 데이터를 엣지와 데이터센터, 클라우드에 나누어 보관하면서도 공통된 기준으로 보호하고 관리하며 필요한 워크로드에 공급할 수 있어야 합니다.
Everpure는 이러한 운영 방식을 데이터 우선(Data Primacy)이라는 관점으로 설명합니다. 애플리케이션이나 개별 스토리지에 데이터를 종속시키지 않고 조직 전체가 함께 활용하는 공통 자산으로 관리하자는 의미입니다. Everpure는 데이터가 기본 자산이 되고 애플리케이션이 부차적인 요소가 되는 전환이라고 표현합니다. 이를 구현하는 구조는 엔터프라이즈 데이터 클라우드(Enterprise Data Cloud)를 이루는 통합 데이터 플레인과 지능형 제어 플레인, 그 위에 얹히는 데이터 인텔리전스라는 세 영역으로 나눠볼 수 있습니다.
먼저 통합 데이터 플레인은 분산된 데이터를 연결하는 공통 기반입니다. 데이터의 유형이나 저장 위치가 달라도 동일한 보호·복제·이동·거버넌스 정책을 적용할 수 있는 기반을 제공하고, 다양한 AI 워크로드에 필요한 데이터를 공급합니다.
지능형 제어 플레인은 이 기반을 어떤 기준으로 운영할지 결정합니다. 워크로드가 요구하는 성능과 가용성, 보호 수준을 정책으로 정의하고 여러 시스템에 일관되게 적용합니다. 정책 위반을 찾아 알리고 바로잡는 규정 준수 기능, 자연어로 작업을 실행하는 코파일럿 기능도 여기에 속합니다.
데이터 인텔리전스는 여기에 데이터의 의미와 민감도, 활용 맥락을 파악하는 기능을 더합니다. Everpure가 1touch 인수로 확보한 기술을 기반으로 데이터를 탐색하고 분류하며, 업무 용어와 연결하는 시맨틱 지식 그래프를 만듭니다. 이를 통해 AI와 사용자는 데이터가 어디에 있는지만이 아니라 어떤 데이터가 신뢰할 수 있고 업무에 적합한지 판단할 수 있습니다.
이러한 구조가 필요한 이유는 AI 환경에서 데이터 사일로의 문제가 더 커지기 때문입니다. 데이터 과학팀이 훈련용 복사본을 만들고, 서비스팀이 추론용 복사본을 다시 만들며, 보안팀이 별도의 보호 체계를 운영하면 저장 용량이 늘어날 뿐 아니라 데이터의 최신성과 접근 권한도 관리하기 어려워집니다. 세 영역을 하나의 운영 체계 안에 묶으면 불필요한 데이터 복사와 이동을 줄이고 분산된 데이터를 필요한 AI 워크로드에 더 빠르고 안전하게 공급할 수 있습니다.
데이터 인프라 현대화, 어디서 시작해야 할까요?
그렇다면 AX 시대에 맞는 데이터 인프 운영 모델로의 전환은 어디서부터 시작해야 할까요? 당장 장비를 교체해야 할까요? 다음과 같이 점진적으로 접근하는 현대화 전략이 현실적일 것입니다.
Step 1: 데이터와 워크로드의 흐름을 파악합니다. 어떤 데이터가 어디에서 생성되고, 누가 어떤 목적으로 사용하며, 어느 수준의 성능과 보호가 필요한지 살펴봐야 합니다. AI 프로젝트에 필요한 데이터가 특정 시스템이나 조직의 사일로에 갇혀 있지는 않은지도 함께 점검해야 합니다. 이를 통해 데이터 활용을 가로막는 병목과 우선적으로 개선해야 할 영역을 확인할 수 있습니다.
Step 2: 데이터의 형식이나 위치와 관계없이 적용할 공통 운영 기준을 마련합니다. 블록·파일·오브젝트 스토리지와 온프레미스·클라우드 전반에서 성능, 가용성, 복구 목표, 보존 기간, 변경 불가 보호 등의 기준을 워크로드별 정책으로 정의하는 것입니다. 이러한 표준화가 이뤄져야 반복적인 운영 작업을 자동화하고, 데이터가 이동하더라도 일관된 서비스 수준과 보안 원칙을 유지할 수 있습니다.
Step 3: 효과를 확인할 수 있는 워크로드부터 시작합니다. 모든 시스템을 한 번에 교체하기보다 개선 효과가 뚜렷한 영역을 먼저 고릅니다. 데이터베이스 통합, AI 학습 데이터 파이프라인, 사이버 복구 저장소처럼 병목이나 운영 부담이 큰 영역이 좋은 후보입니다. 이후 프로비저닝 시간, 데이터 복사량, 운영 작업 수, 전력 및 공간 사용량 등의 지표를 전후로 비교하면 현대화의 효과를 구체적으로 검증하고 다음 단계의 투자 근거도 마련할 수 있습니다.
정리하자면 AX 시대의 스토리지 현대화는 단순히 더 빠른 장비로 교체하는 프로젝트가 아닙니다. 분산된 데이터를 일관된 방식으로 관리하고, 워크로드가 요구하는 성능과 보호 수준을 정책으로 구현하며, 데이터 서비스 전반을 지속적으로 최적화하는 운영 모델로 전환하는 과정입니다.
대원씨티에스는 Everpure와 함께 고객의 기존 환경과 AI 워크로드를 진단하고, 데이터 통합과 정책 표준화, 운영 자동화로 이어지는 단계별 현대화 방안을 제안합니다. AI를 위한 데이터 기반을 어디서부터 바꿔야 할지 고민하고 있다면 대원씨티에스로 문의 바랍니다.
참고 자료
댓글