[성공 사례] 오프라인 공간 영상 분석 기업 E사, 비식별화 데이터로 보행자 검출·추적 데이터셋 구축
원본 영상을 쓸 수 없는 개인정보 규제 환경에서, 비식별화 조건을 먼저 합의하고 보행자 검출부터 추적 데이터셋까지 구축한 익명 고객 사례입니다.
영상에서 의미를 읽어내는 비디오 분석 시장은 가파르게 크고 있습니다. 시장조사기관 모도 인텔리전스(Mordor Intelligence)는 글로벌 비디오 분석 시장이 2025년 123억 9,000만 달러에서 2030년 337억 4,000만 달러 규모로 성장할 것으로 전망합니다(Mordor Intelligence, Video Analytics Market Report). 시장이 커지는 만큼 학습 데이터 수요도 늘지만, 사람이 피사체인 영상 데이터는 개인정보 규제와 정면으로 만납니다.
국내에서 이 긴장은 제도로 확인됩니다. 원본 영상을 AI 학습에 활용하는 일은 원칙적으로 제한되어 있어, 2025년 12월 과학기술정보통신부가 ICT 규제샌드박스 실증특례로 지자체 CCTV 원본 데이터의 AI 학습 활용을 허용했을 때도 개인정보보호위원회의 '영상데이터 원본 활용시 안전조치 기준' 준수와 데이터안심구역 이용이라는 조건이 붙었습니다(이데일리 2025-12-23 보도). 실증특례라는 예외 절차가 필요할 만큼 원본 활용의 문턱이 높기 때문에, 대부분의 기업이 현실적으로 택하는 경로는 비식별화입니다.
오프라인 공간의 영상을 분석하는 비전 AI 기업 E사도 같은 문제 앞에 있었습니다. 사람의 움직임을 이해하는 AI 모델은 결국 사람이 찍힌 데이터를 학습해야 하는데, 학습에 쓰이는 영상과 이미지에는 얼굴을 비롯한 개인정보가 담겨 있기 때문입니다.
E사는 영상 속 사람의 위치와 움직임을 인식하는 모델을 고도화하기 위해 보행자 검출(Pedestrian Detection) 데이터셋이 필요했습니다. 조건이 하나 붙었습니다. 라벨링에 쓰이는 이미지가 원본이 아니라 비식별화 처리된 이미지여야 한다는 점입니다. 슈퍼브에이아이는 이 조건에 맞춰 데이터 라벨링 서비스를 설계했고, 검출 데이터셋 구축에 이어 영상 기반 추적(Tracking) 데이터셋 구축까지 프로젝트를 확장했습니다.
Challenge: 개인정보를 보호하면서 학습 데이터를 만들어야 한다
보행자 데이터셋 구축이 일반적인 사물 검출 라벨링과 다른 지점은 데이터 자체의 민감성입니다. 사람이 피사체인 이상 개인정보보호법의 적용을 받고, 원본 이미지를 외부 작업자에게 그대로 전달하는 방식은 선택지가 될 수 없습니다.
E사가 처음 문의했을 때 던진 질문도 기술이 아니라 규정에 관한 것이었습니다. 어떤 종류의 비식별화를 어느 수준까지 적용해야 하는지, 그리고 비식별화된 이미지로도 라벨링 품질이 확보되는지였습니다. 비식별화 수위가 높아질수록 개인정보 위험은 줄지만, 작업자가 참조할 시각 정보도 함께 줄어듭니다. 두 요구 사이의 균형점을 프로젝트 시작 전에 정의해야 했습니다.
내부 리서치 인력이 라벨링을 병행하기 어렵다는 현실도 있었습니다. 모델을 개발해야 할 연구 인력이 수천 장 단위의 어노테이션 작업에 시간을 쓰는 구조는 지속하기 어렵습니다.
Solution: 비식별화 조건에 맞춘 라벨링 파이프라인
슈퍼브에이아이는 킥오프 단계에서 E사와 작업 요구사항 문서를 함께 검토하며 라벨링 가이드라인을 정리했습니다. 비식별화를 어느 수준까지 적용할지는 고객이 문의 단계에서 제시한 조건을 기준으로 삼았습니다. 가공 방식은 바운딩 박스였고, 사람(person) 클래스에 세부 속성을 함께 기록하는 구조였습니다.
프로젝트에는 전담 PM과 테크서포트 엔지니어가 함께 배정됐습니다. 라벨링 자체 외에 두 가지 기술 작업이 병행됐기 때문입니다. E사가 보유한 사전 라벨링(pre-labeling) 결과를 슈퍼브 플랫폼에 업로드해 작업 출발점으로 삼는 일, 그리고 완성된 라벨링 결과물을 E사의 학습 파이프라인에 맞는 포맷으로 변환해 전달하는 일입니다. 기존 결과물을 버리고 처음부터 다시 작업하는 대신, 이미 있는 데이터를 이어받아 필요한 부분만 채우는 방식으로 작업 범위를 줄였습니다.
확장: 이미지 검출에서 영상 추적으로
검출 데이터셋 구축이 마무리 단계에 접어들자 E사는 다음 단계 데이터를 요청했습니다. 정지 이미지에서 사람을 찾는 검출을 넘어, 영상 프레임 사이에서 같은 사람을 이어서 인식하는 추적(Tracking) 데이터셋입니다. 첫 프로젝트와 같은 해에 추적 데이터셋 구축 계약이 이어졌습니다.
검출에서 추적으로 넘어가면 데이터의 단위가 이미지에서 영상으로 바뀌고, 프레임 간 동일 인물에 같은 ID를 유지하는 작업이 더해집니다. 라벨링 난이도와 검수 기준이 함께 올라가는 전환이지만, 첫 프로젝트에서 확정한 비식별화 조건과 가이드라인, 그리고 배정된 작업 조직을 그대로 이어받아 별도의 준비 기간 없이 착수할 수 있었습니다.
Benefit: 연구 인력은 모델에, 데이터는 파이프라인에
이 프로젝트에서 E사가 얻은 것은 두 가지입니다. 하나는 개인정보 보호 조건을 지킨 채 확보한 학습 데이터셋입니다. 어떤 데이터를 어떤 기준으로 다룰지 시작 전에 정리해 두었기 때문에, 작업 범위와 조건이 산출물과 함께 남았습니다. 다른 하나는 연구 인력의 시간입니다. 어노테이션과 포맷 변환을 외부 파이프라인으로 옮기면서 내부 인력은 모델 개발에 집중하는 구조가 만들어졌습니다.
이 프로젝트에서 슈퍼브에이아이가 맡은 범위는 라벨링 작업만이 아니었습니다. 고객이 이미 만들어 둔 사전 라벨링 결과를 이어받았고, 결과물은 고객의 학습 환경이 요구하는 포맷으로 변환해 전달했습니다. 검출에서 추적으로 과제가 바뀔 때도 처음 합의한 기준을 그대로 적용했습니다.
자주 묻는 질문(FAQ)
Q. 비식별화된 이미지로도 라벨링 품질이 확보되나요?
비식별화 수위에 따라 다릅니다. 작업에 필요한 시각 정보가 얼마나 남아 있는지가 관건이므로, 비식별화 종류와 정도를 라벨링 가이드라인과 함께 프로젝트 시작 전에 맞춰 두는 편이 좋습니다.
Q. 이미 자체적으로 라벨링한 데이터가 있는데 이어서 작업할 수 있나요?
가능합니다. 이 사례에서도 고객이 보유한 사전 라벨링 결과를 슈퍼브 플랫폼에 업로드해 출발점으로 삼았고, 완성본은 고객의 학습 파이프라인에 맞는 포맷으로 변환해 전달했습니다.
Q. 수천 장 규모의 단기 프로젝트도 진행하나요?
진행합니다. 이 사례의 첫 프로젝트도 수천 장 규모였습니다. 규모와 기간에 맞춰 전담 PM과 작업 조직을 구성하며, 과제가 확장되면 같은 기준으로 이어서 진행합니다.
함께 보면 좋은 성공 사례
