[성공 사례] 엘에프아이티: 라벨링에서 비식별화까지, 공공 데이터 3년
엘에프아이티는 2023년 공공 AI 데이터 구축 과제로 슈퍼브에이아이 플랫폼을 도입한 뒤 두 차례 계약을 이어 가며, 별도 용역이던 비식별화까지 라벨링과 한 공정으로 합친 사례입니다.
사람이 찍힌 영상으로 AI를 학습시키려면 개인정보 처리 조건부터 정해야 합니다. 2026년 8월 20일 국회를 통과한 개인정보 보호법 개정안은 인공지능 개발을 위한 개인정보 활용 특례를 신설했습니다. 가명·익명 정보만으로는 개발이 곤란하고 공익·사회적 필요성이 인정되는 경우에 한해, 강화된 안전조치와 개인정보보호위원회 심의·의결을 전제로 원본 데이터 활용을 허용하는 내용입니다(개인정보보호위원회 보도자료, 2026년 8월 20일). 공포 후 6개월이 지나 시행되기 전까지, 그리고 시행 뒤에도 심의를 거치지 않는 대부분의 과제에서는 비식별 처리가 기본값으로 남습니다. 공공 AI 데이터 구축 사업을 수행하는 기업이라면 라벨링 공정 안에 비식별화를 함께 설계해야 하는 이유입니다. 엘에프아이티는 별도 용역이던 이 비식별화를 슈퍼브에이아이 플랫폼의 라벨링 공정 안으로 합쳐 중복 검수를 없앴습니다. 이 글은 2026년 10월 기준으로 작성했습니다.
엘에프아이티는 2010년 설립된 시스템 구축 전문 SI 기업입니다. 시스템 통합과 GIS 솔루션, IT 컨설팅을 주력으로 하면서 나아가 공공 부문의 AI 학습용 데이터 구축 과제를 꾸준히 수행해 왔습니다. 엘에프아이티는 2023년 공공 AI 학습용 데이터 구축 과제를 계기로 슈퍼브에이아이 플랫폼을 도입했습니다. 이후 2025년과 2026년 두 차례 계약을 이어 가며 과제의 성격이 바뀔 때마다 플랫폼의 쓰임을 넓혀 왔습니다. 이 글은 그 3년을 정리한 사례입니다.
라벨링과 비식별화를 한 공정에서: 엘에프아이티의 공공 AI 데이터 구축 3년 (32초)
과제: 과제마다 바뀌는 데이터, 바뀌지 않는 인력 규모
공공 AI 데이터 구축 과제는 한 건 한 건이 다른 프로젝트입니다. 엘에프아이티가 3년간 다룬 데이터만 보아도 그렇습니다. 2023년에는 생활도로 자율주행 데이터셋을 위해 가시광과 열화상 이미지에 객체 라벨과 키포인트, 이미지 캡션을 붙이는 과제였습니다. 2025년의 대상은 4K 해상도의 고해상도 이미지입니다. 2026년에는 도심·수변·산악 등 환경별로 나뉜 데이터셋과 열화상 데이터를 동시에 구축했습니다.
첫째, 과제마다 라벨링 체계를 새로 세우면 앞선 과제의 자산이 남지 않습니다. 클래스 정의, 작업 가이드, 검수 기준, 산출물 포맷을 과제마다 새 도구에서 다시 만들면 담당자의 시간이 설정 작업에 묶입니다. 이전 과제에서 검증한 작업 방식도 다음 과제로 이어지지 못합니다.
둘째, 수십만 장 규모의 이미지를 소수 담당자가 운영해야 합니다. 플랫폼 도입 전에는 라벨링을 별도 용역에 맡기고 최종 결과물만 전달받는 구조였습니다. 작업자와 소통이 어려워 가이드라인을 오인한 재작업이 잦았고, 납기 지연과 품질 저하로 관리에 어려움이 있었습니다. 지금은 과제별로 외부 작업 인력을 플랫폼에 직접 투입해 라벨링을 진행합니다. 담당자 한두 명이 수십 명의 작업자에게 작업을 배분하고 작업자별 작업량과 진행률을 관리하려면, 작업자 초대부터 검수·제출까지 한 화면에서 처리되는 운영 도구가 필요했습니다. 공공 과제는 작업 이력과 제출 규격의 증빙도 함께 요구합니다.
셋째, 사람이 찍힌 데이터는 비식별 처리를 거쳐야 합니다. 엘에프아이티는 그동안 비식별화를 라벨링과 별도의 용역으로 진행해 왔습니다. 공정이 둘로 나뉘면 같은 데이터를 두 번 검수해야 하고 용역 비용도 따로 듭니다.
해결: 플랫폼 하나로 3년의 과제를 이어 가다
1. 2023년: 50만 장 규모 공개 데이터셋 구축에 오토라벨링 적용
엘에프아이티는 2023년 AI 허브에 공개된 '생활도로 객체인식 자율주행 데이터' 구축 과제를 주관하면서 슈퍼브에이아이 플랫폼을 도입했습니다. 골목길과 생활도로처럼 보행자 사고 위험이 큰 환경에서 동적·정적 객체 인식률을 높이기 위한 데이터로, 가시광 카메라 40만 장과 열화상 카메라 10만 장에 객체 라벨을 붙이고 키포인트와 이미지 캡션 데이터까지 함께 구축했습니다. 용역에 결과물만 받던 방식 대신 작업자를 플랫폼에 초대해 직접 소통하며 진행하는 구조로 바꿨습니다. 플랫폼의 오토라벨링으로 1차 라벨을 만들고 작업자가 AI 결과를 수정·보완하는 방식입니다. 사람이 처음부터 그리는 라벨의 양이 그만큼 줄었습니다. 산출물은 과제가 요구하는 포맷으로 내보냈습니다. 과제 증빙에 필요한 작업 로그도 플랫폼에서 추출해 제출했습니다.
2. 2025년: 라벨링에 큐레이션을 더한 리뉴얼
엘에프아이티가 계약을 이어 간 이유는 다수의 작업자를 관리하고 작업자별 작업량 기록을 직관적으로 확인할 수 있다는 점, 그리고 작업자와 실시간으로 소통하며 바로 수정할 수 있다는 점이었습니다. 엘에프아이티 SI사업부 이정연 과장은 "가장 몸으로 느낀 부분은 작업자와 실시간으로 소통하고 바로 수정할 수 있다는 점이었습니다"라고 말했습니다. 2025년 계약은 라벨링에 데이터 큐레이션을 더한 구성입니다. 4K 고해상도 이미지 과제에서는 오토라벨링으로 1차 라벨을 먼저 만든 뒤 외부 작업자 수십 명을 프로젝트에 초대해 수정·검수를 진행했습니다. 2023년에 정리해 둔 클래스 체계와 작업 가이드를 플랫폼 안에서 그대로 불러 썼기 때문에 새 과제의 세팅에 드는 시간이 짧았습니다. 산업 특화 비전 파운데이션 모델 제로(ZERO)의 체험 환경도 이 시기에 열어, 새 과제의 객체 검출에 활용할 수 있는지 확인했습니다.
3. 2026년: 별도 용역이던 비식별화를 라벨링 공정 안으로
개인정보 보호를 위한 비식별화는 이전 과제에서도 필요한 과업이었습니다. 다만 그동안은 라벨링과 별도의 용역으로 진행했습니다. 두 공정이 나뉘어 있어 같은 데이터를 두 번 검수해야 했고 그만큼 작업이 반복됐습니다. 2026년 계약에서는 이 과정을 슈퍼브에이아이 플랫폼 하나로 합쳤습니다. 오토라벨링으로 얼굴 영역을 먼저 검출하고 같은 플랫폼에서 블러 처리까지 바로 적용합니다. 작업자는 검출 결과를 한 번만 검수하면 됩니다. 중복 검수 공정이 사라지면서 작업 시간이 줄었고 별도 용역 비용도 절감했습니다. 같은 해 도심·수변·산악·열화상 데이터셋 네 건을 동시에 구축하면서 작업자 초대, 오토라벨링, 비식별화, 검수, 제출을 모두 한 플랫폼에서 처리했습니다. 제로의 검출 기능도 작업에 썼습니다.
성과: 작업자 관리는 쉬워지고 비식별화 중복 검수는 사라졌다
- 3년, 두 차례 리뉴얼. 2023년 첫 계약 이후 2025년과 2026년에 계약을 이어 갔습니다. 과제의 데이터와 요구 사항이 바뀌어도 도구를 바꾸지 않았습니다.
- 다수 작업자 관리의 부담 감소. 담당자 한 명이 외부 작업자를 플랫폼에 초대하고 작업을 배분하며, 작업자별 작업량과 진행 상황을 한 화면에서 확인합니다. 작업자와 실시간으로 소통하며 바로 수정하므로 가이드라인 오인으로 생기던 재작업이 줄었습니다. 2026년에는 환경별 데이터셋 네 건을 같은 플랫폼에서 동시에 진행하며 활발하게 사용 중입니다.
- 비식별화 공정 통합. 별도 용역으로 진행하던 비식별화를 라벨링과 같은 플랫폼에서 처리합니다. 중복 검수가 사라져 작업 시간이 줄었고 별도 용역 비용도 절감했습니다.
- 과제 간 자산의 재사용. 클래스 체계, 작업 가이드, 작업자 운영 방식이 플랫폼에 남아 다음 과제의 출발점이 됐습니다.
맺음말
공공 AI 데이터 구축 과제는 해마다 대상과 규격이 바뀝니다. 엘에프아이티는 과제마다 도구를 새로 들이는 대신 플랫폼 하나에 과제의 경험을 쌓는 쪽을 택했습니다. 그 선택은 3년째 이어지고 있습니다. 2027년 3월 개정 개인정보 보호법이 시행되면 원본 데이터 활용의 길이 일부 열립니다. 그래도 심의를 거치지 않는 대부분의 과제에서 비식별 처리는 계속 필요합니다. 슈퍼브에이아이는 라벨링과 비식별화를 한 공정에서 처리하는 플랫폼으로, 공공 AI 데이터 구축 사업을 수행하는 기업이 데이터 규격이 바뀔 때마다 처음부터 다시 시작하지 않도록 돕겠습니다.
슈퍼브에이아이는 산업 현장의 시각 데이터를 기업이 활용할 수 있는 인텔리전스로 전환하는 비전 인텔리전스 기업입니다. 이 글의 사례는 슈퍼브에이아이가 실제 프로젝트에서 구축한 결과입니다.
자주 묻는 질문(FAQ)
Q. 공공 AI 데이터 구축 과제에 플랫폼을 쓰면 어떤 점이 달라지나요?
클래스 정의, 작업 가이드, 작업자 운영, 검수, 제출 포맷 변환이 한 곳에서 처리됩니다. 엘에프아이티는 2023년에 정리한 체계를 2025년과 2026년 과제에 다시 썼습니다.
Q. 얼굴 비식별화는 어떻게 처리하나요?
오토라벨링으로 얼굴 영역을 먼저 검출하고 같은 플랫폼에서 블러 처리까지 적용합니다. 작업자는 검출 결과를 한 번만 검수합니다. 별도 용역 없이 라벨링과 한 공정에서 처리됩니다.
Q. 외부 작업 인력을 쓰는 경우에도 운영할 수 있나요?
작업자를 프로젝트 단위로 초대해 작업을 배분하고, 작업자와 실시간으로 소통하며 수정 요청을 바로 반영할 수 있습니다. 엘에프아이티는 담당자 한 명이 수십 명의 외부 작업자를 플랫폼 안에서 운영했습니다.
Q. 열화상이나 4K 같은 특수 데이터도 다룰 수 있나요?
엘에프아이티는 가시광·열화상 이미지와 4K 고해상도 이미지를 같은 플랫폼에서 라벨링했습니다. 오토라벨링은 데이터 종류에 맞춰 적용합니다.
Q. 과제 증빙에 필요한 작업 이력도 받을 수 있나요?
작업 로그와 제출 이력을 추출해 과제 증빙 자료로 제출할 수 있습니다. 엘에프아이티는 2023년 과제에서 이 방식으로 증빙을 제출했습니다.
함께 보면 좋은 성공 사례
