개인정보 보호와 데이터 이해하기

개인정보 보호와 데이터 이해하기 · 10 min

요약대본

이 영상은 비영리 단체 전문가들이 AI에 대해 가장 흔히 갖는 우려 중 하나인 데이터 프라이버시를 다룹니다. AI 도구와 공유한 데이터에 실제로 어떤 일이 일어나는지, 개인정보 보호 측면에서 다양한 플랫폼과 플랜을 평가하는 방법, 그리고 민감한 데이터를 안전하게 AI에 사용하기 위해 준비하는 방법을 배우게 됩니다.

한국어 대본

00:00이 비디오에서는 많은 분들이 생각하고 있는 주제인 데이터 개인정보 보호와 AI를 다룹니다.
00:18데이터가 어디로 가는지 걱정되어 AI 사용을 망설였다면
00:22또는 민감한 정보에 어떤 일이 생길지 걱정했다면, 그 점을 높이 평가합니다.
00:26그런 우려는 커뮤니티에 대한 책임을 진지하게 받아들이고 있다는 뜻입니다.
00:31현실적으로 여기에는 모든 상황에 맞는 해결책이 없습니다.
00:36모든 보안 논의와 마찬가지로 트레이드오프가 있으며, 팀에 실질적인 이점과 위험 사이에서 균형을 잡아야 합니다.
00:44이 비디오에서는 AI와 공유한 데이터에 어떤 일이 일어나는지 명확히 이해할 수 있기를 바랍니다.
00:49특히 서로 다른 요금제와 플랫폼을 평가하고,
00:53이미 사용 중일 수 있는 다른 소프트웨어와 비교해 보겠습니다.
00:57마지막에는 AI를 효과적이고 안전하게 사용할 준비가 더 잘 되어 있기를 바랍니다.
01:03앞선 레슨에서는 설명-판별력 루프를 이야기했습니다.
01:07AI와 일상적으로 상호작용할 때 이끄는 AI Fluency 역량에 대해서도 배웠습니다.
01:13개인정보 보호 우려는 주로 다른 루프인 위임-성실 루프에서 다뤄집니다.
01:18이 루프는 AI와 함께 어떤 작업을 할지 신중하게 생각하고
01:24그 결과를 소유할 때의 책임도 고려하도록 가르칩니다.
01:28이제 본격적으로 들어가 보겠습니다. AI와 공유한 데이터에 어떤 일이 일어나는지 살펴보겠습니다.
01:32먼저 사용하는 모든 소프트웨어 도구, 이메일, CRM,
01:39스프레드시트 프로그램에는 데이터 처리 규칙이 있다는 점을 기억하세요.
01:42데이터를 어떻게 어디에 저장하고 얼마나 오래 보관하는지, 누가 접근할 수 있는지에 대한 규칙입니다.
01:47접근 권한 등에 관한 규칙도 포함됩니다.
01:50한 가지 예외를 제외하면 AI 도구도
01:52일반 소프트웨어를 평가하는 방식과 비슷하게 평가할 수 있습니다.
01:56AI 도구와 관련한 예외이자 우려는
01:59사용자 데이터를 학습에 사용하는지 여부입니다.
02:02일부 이용약관은 AI 기업이
02:04입력 내용을 모델 학습에 사용하도록 허용합니다.
02:07이는 데이터가 향후 출력에 영향을 줄 수 있다는 뜻입니다.
02:11다만 이것이 거의
02:13AI에 업로드한 데이터의 정확한 복사본을 누군가 얻게 된다는 뜻은
02:16아닙니다.
02:18오히려 AI가 데이터에서 패턴을 학습해
02:21그 패턴이 AI의 응답 방식에 영향을 줄 수 있다는 뜻입니다.
02:23향후 다른 사용자가 비슷한 질문을 할 때 말입니다.
02:27이는 주제나 통계를 드러낼 수 있습니다.
02:29조직의 데이터에서 나온 것이라도,
02:31정확한 단어를 그대로 재현하지 않더라도 말입니다.
02:34위임은 이런 우려를 고려하고
02:36AI 도구와 어떻게, 언제 협업할지 이해하도록 도와줍니다.
02:41플랫폼 인식은 모든 도구가
02:44모든 요금제가 똑같이 만들어진 것은 아니라는 점을 알려줍니다.
02:46일부 기업은 사용자 데이터로 학습하고, 일부는 명시적으로 학습하지 않습니다.
02:50대부분은 일정 기간이 지나면 대화를 삭제하고,
02:53많은 서비스가 앞의 방식을 여러 가지로 조합해
02:56서로 다른 설정과 요금제를 제공합니다.
02:58서로 다른 개인정보 보호 수준 안에서 말입니다.
03:00이는 서드파티 도구에도 적용됩니다.
03:02그 도구에 AI 기능이 있다면,
03:04동의한 이용약관에 따라 데이터를 AI 제공업체로
03:07다시 전달할 수 있습니다.
03:10AI와 함께 작업할 때
03:13어떤 정책이 적용되는지 아는 것이 중요합니다.
03:17가장 안전한 AI는 사용자 데이터를 학습에 사용하지 않고
03:20데이터 보관 기간도 매우 짧습니다.
03:23보통 30일 이하입니다.
03:25매우 민감한 작업이라면
03:27이런 보호 장치를 마련할 가치가 있습니다.
03:29단순한 브레인스토밍에는 대개 필요하지 않습니다.
03:33Anthropic의 Claude는
03:34privacy.claude.com에서 데이터 정책 정보를 확인할 수 있고
03:39trust.anthropic.com에서도 확인할 수 있습니다.
03:41Claude 앱에서 개인정보 보호 설정을 조정할 수도 있습니다.
03:44다른 기업에도 비슷한 자료가 있어야 합니다.
03:47그렇지 않다면 위험 신호일 수 있습니다.
03:50문제 인식과 작업 위임은
03:51작업을 구성 요소로 나누도록 가르칩니다.
03:55AI가 할 수 있는 일과 사람이 할 수 있는 일을 이해하기 위해서입니다.
03:59많은 경우 AI의 이점을 온전히 누릴 수 있습니다.
04:02매우 민감한 정보를 공유할 위험 없이 말입니다.
04:05약간의 사전 계획만 필요합니다.
04:08실제 상황을 하나 살펴보겠습니다.
04:10매우 민감한 데이터가 포함된 작업에
04:12어떻게 접근할지 보여드리겠습니다.
04:15한 번의 실수가 잠재적 피해를 일으킬 수 있는 종류의 작업입니다.
04:18푸드 뱅크를 운영한다고 상상해 보세요.
04:20지역사회 가족에게 서비스를 제공하는 곳입니다.
04:22서비스 이용 과정에서 이들의 요구와 경험을 파악하려고
04:24고객 설문조사를 실시했습니다.
04:26서비스에 접근한 경험까지 이해하기 위한 설문입니다.
04:28이 데이터를 분석해
04:30패턴을 찾고 프로그램을 개선하려고 합니다.
04:33바로 이런 종류의 작업으로,
04:34AI가 매우 유용하게 활용될 수 있고
04:37성실이 반드시 필요한 작업입니다.
04:39이 데이터의 보안을 침해하는 유출이
04:41발생하거나
04:43데이터가 학습 세트에 들어가면,
04:45취약한 집단의 개인정보가 노출될 위험이 있습니다.
04:50원시 데이터는 다음과 같을 수 있습니다.
04:52이름과 연락처 정보,
04:54가구 소득에 관한 세부 정보,
04:56고용 상태와 설문 질문에 대한 답변입니다.
05:00이 작업에는 어떻게 접근합니까?
05:02위임-성실 루프가 답을 제시합니다.
05:05먼저 문제 인식을 활용해 작업을 나눌 수 있습니다.
05:09비판적으로 생각해 보세요.
05:10이 데이터에서 실제로 무엇을 알아야 합니까?
05:13아마 혼자 개별 사례를 살펴보고 있을 것입니다.
05:16하지만 AI와 함께 작업할 때는
05:18전체 고객 기반에서 패턴을
05:20찾아내려 할 가능성이 큽니다.
05:22실제 목표를 이해하면
05:24정말 필요한 정보가 무엇인지 파악하는 데 도움이 됩니다.
05:27이 경우에는 꽤 분명합니다.
05:29가장 큰 위험 중 하나는
05:31개인 식별 정보를 AI와 공유하는 일이며
05:34그것은 사실 전혀 필요하지 않습니다.
05:36이 경우 필요한 인사이트에는 개인 정보가 전혀 필요하지 않다는 점을 알 수 있습니다.
05:43마찬가지로 지리 분석에 우편번호가 필요할 수 있지만 나머지는 모두 제거할 수 있습니다.
05:50다시 말해 사용자 데이터를 학습에 사용하지 않는 모델이라면, 이런 결정을 다른 클라우드 기반 도구에 정보를 추가할 때와 비슷한 방식으로 평가할 수 있습니다.
06:00스프레드시트에서 개인 데이터 열을 삭제하는 것이 가장 안전하지만, 언제나
06:05최종 목표에서 거꾸로 생각하고, 플랫폼 인식과 작업 위임을 활용해 정보에 근거한
06:11현재 상황의 위험에 대한 결정을 내려야 합니다.
06:15식별 정보를 제거했더라도
06:21AI 도구를 선택할 때 플랫폼 인식을 적용하는 것이 좋습니다.
06:24이런 작업에서는 모든 AI 도구와 모든 요금제가 똑같이 만들어지지 않았습니다.
06:30매우 민감한 데이터를 분석할 때는 입력 내용을 학습에 사용하지 않는 AI와
06:35강력한 데이터 보관 정책 또는 더 나아가 즉시 삭제를 제공하는 도구를 원합니다.
06:40이를 제로 데이터 보존, 즉 ZDR이라고도 합니다.
06:44이용약관을 대충 넘기고 싶은 유혹이 들 수 있습니다.
06:47약관은 길고 법률 용어로 가득하지만,
06:50이 경우 약관을 확인해야 위험을 줄이기 위해 할 일을 다했다는 확신을 얻을 수 있습니다.
06:54이용약관을 전부
06:56개인정보 처리방침과 함께 AI 대화에 넣고 질문할 수도 있습니다.
07:01그렇게 한다면 인용을 요청하고
07:04원문을 확인해 검증할 수 있도록 하세요.
07:07설명-판별력 루프를 사용해 결과를 다듬으며 AI와 작업하다 보면
07:11결국 전체 보고서를 만들 수 있는 단계에 도달할 수 있습니다.
07:16여기서 루프의 성실 부분이 작동합니다.
07:19투명성에 대한 성실을 고려하세요.
07:22이 분석에 AI가 관여했다는 사실과 그 방식을 누가 알아야 합니까?
07:25배포에 대한 성실도 중요합니다. 자신의 관찰과 패턴을 대조해 검증해야 합니다.
07:32이러한 컨텍스트 없이 분석 결과를 공유하지 말고, 인사이트를 바탕으로 보조금 신청서나 보고서를 작성한다면
07:37그 주장에 대한 책임을 져야 합니다. 이제 요약해 보겠습니다. AI Fluency가 없다면
07:45사용자 데이터를 학습하고 보관하는 AI에 식별 정보를 업로드했을 것입니다. 하지만 몇 분만 더 들이면
07:52안전한 도구를 선택하거나 기존 도구를 더 안전하게 만들어 위험을 줄일 수 있고
07:57데이터에서 개인 정보를 제거할 수 있습니다. 중요한 점은 여전히
08:02설문 분석 목표를 달성했다는 것입니다. 이제 어떤 분들은
08:08이렇게 생각할 수도 있습니다. 실수하면 어떻게 하지? 실수로 공유하면 안 되는 것을
08:12공유하면 어떻게 하지? 이런 일은 생길 수 있으니 선택지를 알아두는 것이 좋습니다. 무언가를
08:17공유해서는 안 되는 곳에 공유했다는 사실을 알게 되면 몇 가지 조치를 취해야 합니다.
08:21먼저 대화를 삭제하세요. 대부분의 AI 플랫폼에서는 개별 대화를
08:28대화 목록에서 삭제 또는 휴지통 아이콘을 찾으세요.
08:35특히 민감한 상황이라면 둘째로 데이터 삭제를 요청할 수 있습니다. 많은 제공업체에
08:41이런 절차가 있습니다. Claude의 경우 privacy.claude.com에서 자세한 정보를 확인할 수 있습니다.
08:47다른 플랫폼도 개인정보 처리방침이나 도움말 센터에 비슷한 옵션을 안내해야 합니다.
08:52셋째, 조직의 절차를 따르세요. 직장에 데이터 처리 지침이 있다면
08:59담당자에게 알리세요. 사용하는 모든 소프트웨어와 마찬가지로 생각하면 됩니다. 실수로
09:05민감한 이메일을 잘못된 사람에게 보냈다면 대처 절차가 있을 것입니다. 여기에도 같은 원칙이 적용됩니다.
09:11조직에 가져갈 세 가지 핵심 요약으로 마무리하겠습니다.
09:15첫째, AI는 특히 학습과 관련해 새로운 개인정보 위험을 만들지만
09:23데이터 보호의 기본 원칙 중 많은 부분은 여전히 적용됩니다.
09:27잃어서는 안 되는 것은 공유하지 마세요.
09:30식별 정보를 제거하고
09:35데이터의 민감도에 맞는 개인정보 보호 기능을 갖춘 도구를 선택하세요.
09:37자신의 데이터를 누구보다 잘 알고 있으며, 이미 민감도를 판단하고 있습니다.
09:42이메일과 암호화 메시지 중에서 선택할 때
09:45또는 대면 대화를 선택할 때 말입니다.
09:47둘째, 도구가 다르면 규칙도 다릅니다.
09:50행사 주제를 브레인스토밍할 때 쓰는 무료 AI는
09:53유료 계정과 같지 않습니다.
09:55그 유료 계정에는 엄격한 데이터 보관 정책이 적용됩니다.
09:58도구를 작업에 맞추세요.
10:00보호 기능이 있는 도구를 사용하면
10:03민감한 데이터를 더 안전하게 공유할 수 있습니다.
10:04마지막으로, 이 사례에서 보았듯이
10:07안전한 AI 사용은 AI를 피하는 것이 아닙니다.
10:09책임감 있게 사용하는 것입니다.
10:11AI로 새 프로젝트를 시작하기 전에 문제 인식과 플랫폼 인식, 작업 위임을 신중하게 고려하세요.
10:18이 내용은 무겁고 혼란스러울 수 있지만, 이미 가장 중요한 단계인 질문을 던지는 일을 시작했습니다.
10:24그것이 책임감 있는 AI 사용의 모습입니다.
10:27모든 답을 알고 있어야 하는 것이 아닙니다.
10:29시작하기 전에 무엇을 확인할지 알고, 과정에서 계속 배우는 것이 중요합니다.
10:35다음으로 AI에서 실제로 데이터를 다루는 방법을 살펴보겠습니다.
10:38분석을 수행하고 패턴을 포착하며 프로그램을 강화하는 인사이트를 만들어 내는 방법입니다.

Watch on YouTube

핵심 요약

AI는 새로운 개인정보 보호 고려사항을 가져옵니다—특히 학습과 관련하여: 일부 AI는 여러분의 입력을 향후 모델 학습에 사용하는데, 이는 여러분의 데이터에서 나온 패턴이 향후 출력에 영향을 줄 수 있다는 의미입니다.
도구마다 규칙이 다릅니다: 행사 테마를 구상할 때 사용하는 무료 AI는 엄격한 데이터 보존 정책을 갖춘 유료 계정과 다릅니다. 작업에 맞는 도구를 선택하세요—보호 수준이 높은 도구일수록 민감한 데이터를 더 안전하게 공유할 수 있습니다.
안전한 AI 사용은 AI를 피하는 것이 아니라 책임감 있게 사용하는 것입니다: 새 프로젝트를 시작하기 전에 문제 인식(Problem Awareness)과 플랫폼 인식(Platform Awareness)을 적용하세요. 작업을 구성 요소로 나누면 민감한 정보를 공유하지 않고도 AI의 전체 이점을 얻을 수 있는 경우가 많습니다.
식별 정보를 완전히 제거할 수 있는 경우가 많습니다: 패턴 분석을 위해서는 이름, 연락처 또는 기타 PII가 필요하지 않은 경우가 많습니다. 실제 목표에서 거슬러 올라가 진정으로 필요한 데이터가 무엇인지 파악하세요.
문제가 발생하면 선택할 수 있는 방법이 있습니다: 대화를 삭제하거나, 플랫폼의 개인정보 보호 절차를 통해 데이터 삭제를 요청하고, 조직의 프로토콜을 따르세요.

실습

데이터 민감도 평가하기

이 실습은 AI 도구와 공유하기에 안전한 데이터가 무엇인지에 대한 판단력을 기르는 데 도움이 됩니다.

1부: 샘플 데이터 검토

자신의 업무와 가장 관련 있는 다음 시나리오 중 하나를 선택하세요:

이름, 금액, 연락처 정보가 포함된 기부자 기부 내역 스프레드시트
인구통계학적 세부 정보를 포함한 프로그램 참가자의 설문 응답
수혜자 이야기와 성과 데이터가 포함된 보조금 보고서 초안

2부: 민감도에 따라 주석 달기

선택한 시나리오에 대해 다음을 파악하세요:

어떤 필드나 섹션에 개인식별정보(PII)가 포함되어 있나요?
원하는 분석에 필수적인 정보는 무엇인가요?
분석적 가치를 잃지 않고 제거하거나 익명화할 수 있는 정보는 무엇인가요?
이 데이터가 노출될 경우 최악의 시나리오는 무엇인가요?

3부: 접근 방식 계획하기

AI와 공유하기 전에 무엇을 제거하거나 수정하시겠습니까?
이 정도의 민감도 수준에는 어떤 도구/플랜 등급이 적절할까요?
AI의 분석 결과를 받은 후 어떤 검증 단계를 거치시겠습니까?

수업 돌아보기

AI 개인정보 보호에 대한 생각이 이미 다른 소프트웨어 도구(이메일, 클라우드 스토리지, CRM)에 대해 생각하는 방식과 어떻게 비교되나요?
이 수업을 바탕으로 AI와 데이터를 공유하는 방식에 대해 바꾸고 싶은 한 가지는 무엇인가요?

다음 단계

다음 수업에서는 AI를 활용한 데이터 분석을 살펴보면서 이러한 개인정보 보호 관행을 실제로 적용해 보겠습니다—패턴을 발견하고, 인사이트를 생성하고, 민감한 정보를 보호하면서 프로그램을 강화하는 방법을 배우게 됩니다.