SPRI, 국제 표준 기반 신규 규모산정 프레임워크 제안

원본: AI프로젝트 규모산정 프레임워크

IS-217 AI프로젝트 규모산정 프레임워크.pdf

1.11MB

 

SPRI, 국제 표준 기반 신규 규모산정 프레임워크 제안

데이터를 중심으로 반복·지속적으로 진행되는 AI 사업의 특징 (출처: SPRI 보고서)

[아이티데일리] 인공지능(AI) 기술이 발전하면서 일반 기업을 넘어 정부 부처 및 공공기관들에서도 프로젝트를 발주하기 시작했다. 하지만 현장에서는 AI 프로젝트 대가 산정을 두고 우려의 목소리가 높다.

기존의 기능점수(FP) 방식은 챗봇 등과 같이 단순한 사용자 인터페이스에는 적용할 수 있지만, 방대한 데이터 처리와 복잡한 연산이 요구되는 AI 사업의 실질적 규모를 반영하지는 못한다. 이로 인해 AI 프로젝트 예산이 실제 투입되는 공수보다 낮게 책정돼 사업의 지속 가능성을 위협할 수 있다는 지적이다.

소프트웨어정책연구소(SPRI)가 발간한 ‘AI프로젝트 규모산정 프레임워크’에 따르면, AI 서비스는 수면 위에 드러난 기능요소보다 수면 아래 잠겨 있는 기술요소의 비중이 높은 것으로 나타났다. 데이터 정제, 임베딩, 벡터 저장소 구축 등 고난도 엔지니어링 영역은 기존 FP 방식으로는 측정할 수 없는 영역이다.

전통적인 SW 사업은 기획, 구현, 운영으로 이어지는 구조였다. 하지만 AI 사업은 데이터와 모델을 중심으로 반복적이고 지속적인 최적화 과정을 거쳐야 한다. 특히 AI 서비스는 정해진 기능을 실행하는 것이 아닌 확률적 추론과 패턴 인식 등 내부 학습 로직에 기반해 동작하기에, 사용자가 인식할 수 있는 기능이 제한적이다. 결국 전통적인 SW 사업에 적용됐던 FP 방식의 사업 대가 산정 형식은 AI 사업에는 적합하지 않은 구조다.

SPRi는 보고서를 통해 국제 표준인 SNAP(Software Non-functional Assessment Process) 모델을 제안하며 AI 사업의 기술 규모를 별도로 정량화해야 한다고 주장했다. 동일한 질의응답 기능이라도 단순 FAQ 챗봇과 LLM을 활용한 고성능 AI 챗봇의 가치를 다르게 평가해야 한다는 것이다.

보고서에 따르면, SNAP은 실제 RAG 구축 시나리오를 통해 적용 가능성이 입증됐다. 예를 들어 기업 공시자료인 사업보고서를 추출(Parsing), 분해(Chunk), 변환(Embedding)해 벡터 저장소에 구축하는 과정을 SNAP으로 측정할 경우, 각 단계의 기술적 난이도와 데이터 항목 수(DET)에 따라 구체적인 점수(Snap Point, SP)가 산출된다.

SPRI 보고서에 따르면, 사업보고서 단일 데이터셋 저장에는 187 SP가 소요되지만, 여기에 재무제표와 같은 정형 데이터를 추가하면 복잡도가 상승해 292 SP로 규모가 확장되는 식이다. 이는 AI 프로젝트의 규모가 입력되는 데이터의 종류와 처리 기술의 난이도에 비례한다는 사실을 입증할 수 있다.

이 같은 대가 산정 체계가 안착하기 위해서는 기술 규모 측정의 자동화와 실증 데이터 축적이 요구된다. 기술 규모는 데이터 처리량이나 알고리즘 복잡도 등 객관적 속성에 기반하므로 인간의 판단에 의존하는 FP보다 자동화 구현이 용이하다. 또한 실제 수행된 프로젝트의 측정 규모와 투입 공수 간의 관계를 증명할 AI 프로젝트 데이터뱅크를 구축해 적정 예산 구간을 도출해야 한다.

이와 같이 대가 산정 방식이 변화할 경우 AI 엔지니어링 기업 생태계 육성으로 이어질 것으로 예상된다. 그동안 정당한 보상을 받기 어려웠던 백엔드 기술 공수를 정량적으로 인정함으로써, 기술력 있는 중소·스타트업이 생존할 수 있는 공정 생태계를 조성해야 한다는 것이다.

SPRI 유호석 책임연구원은 보고서를 통해 “인력 투입 위주의 소모적 경쟁에서 벗어나 기술적 난이도를 해결하는 기술 가치 중심의 경쟁 구조로 전환해야 AI 산업의 질적 성장을 유도할 수 있다”고 강조했다.

출처: http://www.itdaily.kr/news/articleView.html?idxno=237324

AI 사업, FP 방식으로 실제 규모 산정 어려워…“SNAP 표준으로 대응해야” - 아이티데일리