인사이트

해운 AI:데이터 주권이 경쟁력이다 - 선사 맞춤형 AI 아키텍처 전략

2026. 7. 13.

Hayden

해운 AI의 경쟁력은 가장 큰 모델을 쓰는 데서 나오지 않습니다. 선사가 보유한 계약서, 정비 이력, 도면, PMS 기록, ERP 데이터 같은 독점 도메인 데이터를 얼마나 안전하게 자산화하고 활용하느냐가 핵심입니다. 이번 3편에서는 선사 맞춤형 AI 아키텍처를 구축하기 위한 데이터 자산화, RAG, 특화 튜닝, 검증 체계, 인프라 전략을 정리합니다.

지난 1편에서는 직원들이 공용 AI에 사내 정보를 입력하면서 발생하는 '섀도우 AI(Shadow AI)'의 치명적인 데이터 유출 리스크를 살펴보았습니다. 이어지는 2편에서는 대규모 인프라 교체 없이도 바로 검증할 수 있는 단기 PoC 과제, 즉 '탈탄소 규제 대응, Noon Report 검증, 정비 문서 검색' 등을 다뤘습니다.

현실적인 출발점을 찾았다면 이제 중요한 질문은 다음 단계입니다.

“우리 선사만의 독보적인 AI 비서를 만들려면 무엇부터 준비해야 하는가?”

정답은 모델이 아니라 데이터입니다. 해운사의 핵심 지식은 대부분 정형 데이터베이스에만 존재하지 않습니다. 용선 계약서, 정비 매뉴얼, 선박 도면, 검사 보고서, 이메일, PMS 기록, ERP 데이터, 과거 클레임 대응 문서처럼 다양한 형태로 흩어져 있습니다.

이 자료들이 정리되지 않은 상태에서 AI를 도입하면, AI는 실제 업무 맥락을 충분히 이해하지 못합니다. 반대로 사내 데이터를 구조화하고 검색 가능하게 만들면, AI는 인터넷의 일반 지식이 아니라 우리 선대의 실제 이력과 내부 기준을 바탕으로 답변할 수 있습니다.

해운 AI의 출발점은 따라서 “어떤 모델을 쓸 것인가”가 아니라 “우리 데이터를 AI가 읽을 수 있는 자산으로 바꿨는가”입니다.

[우리 선사 데이터로 AI PoC 가능성 무료 진단받기 ➡️]

도메인 데이터의 철저한 자산화

성공적인 해운 AI의 핵심은 화려한 알고리즘보다 데이터 전처리와 인덱싱입니다. 선사의 진짜 지식은 PDF 계약서, 스캔된 검사 보고서, 표가 많은 정비 매뉴얼, 도면 주석, 이메일 첨부파일, PMS 정비 이력처럼 비정형 문서에 흩어져 있습니다. 이 자료를 AI가 이해하려면 먼저 문서 파싱과 인덱싱이 필요합니다.

지능형 문서 파싱(Parsing): 복잡한 표, 조항, 이미지, 주석, 스캔 문서를 정보 손실 없이 추출하는 과정입니다. 예를 들어 선박 검사 보고서의 표, 계약서의 예외 조항, 정비 매뉴얼의 부품 코드가 단순 텍스트처럼 깨지지 않도록 정밀하게 구조화해야 합니다.
하이브리드 벡터 인덱싱(Vector Indexing): 선사 고유의 용어, 선박 부품명, 정비 관행, 계약 문구를 AI가 의미 단위로 검색할 수 있게 만드는 과정입니다. 단순 키워드 검색이 아니라 “비슷한 의미의 문서”를 찾아낼 수 있어야 실무자가 원하는 답변에 가까워집니다.

결국 데이터 자산화는 AI 프로젝트의 준비 작업이 아니라 핵심 경쟁력입니다. 우리 선사가 쌓아온 지식을 검색 가능한 내부 자산으로 바꾸는 것이 해운 AI의 첫 단계입니다.

RAG에서 특화 튜닝까지: 단계적 기술 스택

해운 AI를 처음부터 자체 LLM 개발이나 대규모 파인튜닝으로 시작하는 것은 비용과 리스크가 큽니다. 가장 현실적인 접근은 단계적 기술 스택(Phased Tech Stack)을 밟아나가는 것입니다.

[1단계: 기업용 RAG] ➔ [2단계: CPT/SFT 특화 튜닝] ➔ [3단계: VLM & 행동 에이전트]

2-1. 1단계: 기업용 RAG (Retrieval-Augmented Generation)

RAG는 AI가 답변하기 전에 사내 문서를 먼저 검색하고, 검색된 근거를 바탕으로 답변하게 만드는 구조입니다.

해운사 입장에서는 가장 현실적인 출발점입니다. 모델을 새로 학습시키지 않아도 계약서, 정비 매뉴얼, 규정 문서, PMS 이력, 내부 보고서를 검색해 답변할 수 있기 때문입니다. 특히 RAG는 답변의 출처를 함께 제시할 수 있다는 점이 중요합니다. AI가 어떤 문서를 근거로 답했는지 확인할 수 있어야, 현업 담당자가 답변을 검증하고 업무에 신뢰성 있게 반영할 수 있습니다.

📌 1단계 목표: 사내 문서를 안전하게 연결하고, 권한이 있는 사용자만 검색하게 하며, AI 답변에 근거 문서와 원문 링크를 함께 제공하는 것.

2-2. 2단계: CPT/SFT 특화 튜닝

RAG 환경이 안정화되면 다음 단계로 특화 튜닝을 검토할 수 있습니다.

CPT (지속 사전 학습, Continual Pre-Training): 선사 고유의 문서 패턴, 해운 전문 용어, 정비 표현, 계약 문체 등을 모델이 더 깊이 이해하도록 가중치를 추가 학습하는 방식입니다.
SFT (지도 미세조정, Supervised Fine-Tuning): 특정 업무의 질문과 정답 예시(Ground Truth)를 바탕으로 모델이 선사 고유의 업무 프로세스에 맞게 답변하도록 조정하는 방식입니다.

용선 계약 조항 비교, 해사 규제 해석, 정비 리스크 판단, 클레임 문서 분류처럼 반복성이 높고 전문성이 요구되는 업무에는 특화 튜닝이 강력한 효과를 발휘합니다. 다만 이 단계는 RAG보다 구축 비용과 데이터 준비 부담이 크므로, 1단계 RAG로 실무 사용성을 먼저 검증한 뒤 충분한 평가 데이터셋이 쌓였을 때 진행하는 것이 안전합니다.

2-3. 3단계: VLM 및 행동 에이전트

세 번째 단계는 텍스트를 넘어 이미지 영역과 시스템 업무 실행으로 확장하는 단계입니다.

VLM (시각 언어 모델, Vision-Language Model): 선박 사진, 부식 이미지, 드론 촬영 영상, 설계 도면, 스캔 문서처럼 시각 자료를 함께 이해하는 다중모달(Multimodal) AI입니다. 해운 업무에서는 도면 해석, 선체 부식 상태 검토, 검사 이미지 자동 분류 영역으로 확장할 수 있습니다.
행동 에이전트 (Action Agent): 단순한 답변 생성을 넘어 실제 사내 시스템에 작업을 지시하고 실행하는 AI입니다. 예를 들어 사용자가 *"지난 정비 이력과 부품 교체 주기를 바탕으로 다음 점검 작업 지시서를 생성해줘"*라고 요청하면, AI가 PMS나 ERP에 연동하여 작업 초안을 직접 생성하는 방식입니다.

이 단계는 매우 강력하지만 그만큼 통제가 중요합니다. 승인 없는 자동 실행은 치명적인 리스크를 초래할 수 있으므로, 반드시 인간의 최종 검토와 승인 절차가 아키텍처 내에 포함되어야 합니다.

Human-in-the-Loop 검증 체계

해운 업무에서 AI의 오답은 단순한 오타 수준의 불편이 아니라 막대한 비용, 안전, 규제 리스크로 이어집니다. 계약 조항을 잘못 해석하면 거액의 분쟁 리스크가 생기고, 정비 매뉴얼을 잘못 안내하면 인명 및 선박 안전 문제가 발생할 수 있습니다.

따라서 해운 AI에는 반드시 Human-in-the-Loop (인간 감독) 체계가 필요합니다. AI가 답변을 생성하면 현업 전문가가 이를 검토 및 보완하고, 이 검토 결과가 다시 AI의 평가 데이터로 축적되어 시스템을 고도화하는 선순환 구조입니다.

여기에는 해기사 출신 해상직원, 공무감독, 정비 담당자, 법무·계약 담당자, IT 보안 담당자가 주체로 참여해야 합니다. 이들이 실제 업무 시나리오를 바탕으로 AI 답변을 타이트하게 테스트하고 정답 데이터셋을 조율해야 합니다. 좋은 AI 시스템은 사람을 대체하는 것이 아니라, 전문가가 더 빠르고 정확하게 의사결정을 내리도록 돕는 강력한 조력자여야 합니다.

온프레미스·하이브리드 인프라

섀도우 AI 리스크를 구조적으로 줄이고 기업의 핵심 지식 자산을 지키기 위해서는 인프라 전략이 뒷받침되어야 합니다. 해운사는 외부 유출에 민감한 계약 정보, 선박 운영 데이터, PMS 이력 등을 다루기 때문에 모든 데이터를 공용 클라우드로 전송하는 방식은 보안 정책이나 컴플라이언스에 위배될 수 있습니다.

인프라 형태	운영 방식	주요 특장점
온프레미스 (On-Premise)	선사 내부 물리 서버 또는 폐쇄망 환경 내 LLM 구동	핵심 민감 데이터가 외부망 전송을 최소화하는 보안 중심 구조 환경 제공
하이브리드 (Hybrid)	민감 데이터는 내부망 처리 + 고성능 연산은 전용 프라이빗 클라우드 조합	보안성과 컴퓨팅 자원 활용의 효율성을 동시에 만족하는 유연성 확보

핵심은 기술의 유행을 무작정 따르는 것이 아니라, 데이터 민감도와 업무 목적에 맞는 구조를 선택하는 것입니다. 계약서, PMS, ERP, NAS, 이메일 데이터의 보안 등급을 분류하고, 어떤 데이터가 어디에서 처리되어야 하는지 명확한 거버넌스를 설계해야 합니다.

결론: 해운 AI의 경쟁력은 데이터 주권에 있다

해운 AI의 경쟁력은 시장에서 가장 크고 유명한 범용 모델을 구독하는 것에서 나오지 않습니다. 진짜 경쟁력은 선사가 수십 년간 축적해 온 계약서, 정비 이력, 운항 데이터, 도면, 검사 보고서, 내부 의사결정 기록을 얼마나 안전하게 자산화하고 통제하느냐에 있습니다.

따라서 올바른 선사 맞춤형 AI 전략의 정석은 다음과 같습니다.

데이터를 정교하게 파싱하여 정리한다.
기업용 RAG를 통해 사내망 내에서 안전하게 검색하고 근거 기반으로 활용한다.
충분한 실무 평가 데이터가 쌓이면 특정 전문 업무에 대한 특화 튜닝(CPT/SFT)을 감토한다.
VLM과 행동 에이전트로 확장하되, Human-in-the-Loop 검증과 보안 인프라를 유기적으로 결합한다.

결국 해운 AI의 본질은 기술 그 자체가 아니라, 우리 선사의 데이터를 통제 가능한 지식 자산으로 만드는 것입니다.

위슬리로 시작하는 해운 AI PoC

위슬리(Wissly)는 단순한 범용 챗봇이 아닙니다. 사내 문서와 업무 시스템을 안전하게 연결하여 실무자가 현업에서 즉각적인 생산성 향상을 체감할 수 있는 기업용 AI 지식 협업 플랫폼입니다.

해운사 환경에서는 NAS, 로컬 폴더, PMS, ERP, 이메일, 정비 문서, 계약서, 검사 보고서 등 곳곳에 파편화된 데이터를 유기적으로 연결합니다. 철저한 권한 기반(RBAC) 검색을 지원하며, 명확한 출처 근거가 포함된 답변과 보고서 초안 생성을 완벽하게 지원합니다.

처음부터 거대한 전사 시스템을 바꿀 필요는 없습니다. 특정 선박, 특정 문서군, 특정 실무 시나리오부터 작고 빠르게 시작하여 AI의 실효성을 검증하는 것이 가장 영리한 방법입니다.

🛠️ 위슬리와 당장 시작할 수 있는 해운 AI PoC 과제 예시