"AI 디시전(Decision·판단) 모델 'QEV'를 개발했습니다. 기존에는 전화번호, 주소록, 주민등록번호 패턴을 코드로 유형을 정해두는 탐지 방식을 고안했다면 이 모델은 LLM(대규모 언어모델) 기반 자체 학습을 통해 맥락을 보고 민감정보와 이상 탐지가 가능하다는 특징이 있습니다."
김삼영 쿼리파이 CTO(최고기술책임자)는 10일 머니투데이와 만나 "정규식·키워드 규칙부터 통계·머신러닝 분류까지 다양한 방식이 활용됐지만 사전에 정의되거나 학습된 유형의 범위 안에서 민감정보를 판별했던 기존 방법의 한계점을 QEV를 통해 극복했다"며 이같이 밝혔다.
회사 측은 QEV가 AI 디시전 모델로는 국내 첫 제품이라고 설명했다. 기업의 민감정보 유출을 막는 DLP(데이터 유출 방지) 분야에서 보안에 특화한 모델로, 최근 정보 유출에 대한 기업의 수요를 반영해 기술 선점에 나섰다.
김 CTO에 따르면 QEV는 입력된 문장을 분석해 정보를 분류하고 스스로 최적화를 판단한다. 일반적인 생성형 AI가 질문에 답하거나 새로운 콘텐츠를 만드는 데 중점을 두는 것과 달리 QEV는 주어진 정보가 특정 조건에 해당하는지 판단하고 정해진 선택지 가운데 적절한 결과와 선택지별 확률을 제시한다.
김 CTO는 "QEV는 어떤 직원이 AI 서비스에 고객 정보나 미공개 사업 자료를 입력할 경우 해당 문장에 개인정보나 기업 내부 기밀이 포함돼 있는지를 알아낼 수 있다"며 "민감한 정보가 외부로 유출되기 전 상황을 식별하고 보안 정책에 따른 검토와 대응도 가능할 것"이라고 말했다.
QEV는 공개 AI 모델인 '젬마 4'를 기반으로 자체 의사결정 AI 기술을 구현했다. 여기에 기업 보안 업무 데이터로 추가 학습과 최적화를 거쳐 민감정보 탐지에 특화한 제품을 개발했다.
김 CTO는 "QEV는 기업별 데이터와 업무 특성을 자체 학습할 수 있어 다양한 환경에서 사용될 것으로 예상한다"며 "이번 성과는 공개된 AI 모델을 기반으로 쿼리파이의 독자적인 기술과 보안 특화 데이터를 활용해 추가 학습과 최적화를 진행함으로써 DLP 분야에서 SOTA급 성능을 갖춘 모델을 자체적으로 개발했다는 데 의미가 있다"고 했다.
쿼리파이가 한국어·영어·일본어로 된 사내 문서로 성능을 검증한 결과 QEV의 민감정보 탐지율은 99.69%였다. 민감정보가 포함된 문서 1281건 가운데 1277건을 찾아냈다. 외부 상용 의사결정 모델인 JEV API의 탐지율은 96.41%로 QEV보다 3.28%포인트 낮았다.
김 CTO는 QEV가 운영 효율성까지 확보했다고 밝혔다. AI 모델을 운영하려면 많은 연산 자원과 GPU 메모리가 필요한데, QEV 계열 모델은 민감정보 탐지 성능을 대체로 유지하면서도 GPU 메모리 사용량을 27.5~45.2% 줄였다는 설명이다.
쿼리파이는 QEV를 AI 모델 공유 플랫폼인 '허깅페이스'에 공개할 방침이다. 별도 데모 페이지를 통해 QEV의 의사결정 기능을 손쉽게 체험할 수 있는 환경도 마련했다. 데모 서비스는 한국어·영어·일본어 등을 지원한다. 사용자는 미리 제공된 테스트 사례나 직접 입력한 문장으로 모델의 분류 결과와 선택지별 확률을 확인할 수 있다. 누구나 모델의 성능과 활용 가능성을 검증할 수 있도록 서비스를 개방해 제품에 대한 자신감을 내비친 셈이다.
김 CTO는 "이번 DLP 성능 검증을 바탕으로 기업이 실제 업무에서 활용할 수 있는 AI 기술을 지속해서 고도화하고 보안뿐 아니라 다양한 엔터프라이즈 영역으로 적용 범위를 넓혀 나가겠다"며 "활용범위는 무궁무진할 것"이라고 말했다.
쿼리파이는 미국 실리콘밸리에서 설립된 엔터프라이즈 보안·AI 전문 기업으로 국내 IPO(기업공개)를 목표로 하고 있다. 2020년 6월 카카오·네이버 출신 엔지니어들과 각 분야 전문가들이 함께 'Access Control Platform(ACP)'을 공식 출시했다. 이후 데이터·인프라·업무 시스템 전반의 접근제어와 감사 영역에서 성장해 왔다. 최근에는 보안 기반 위에 AI 기능을 더해 기업이 AI 도구와 AI 에이전트를 활용하면서도 권한·승인·감사·민감정보 보호를 일관되게 유지할 수 있도록 지원하고 있다.