LLM 데이터 귀속을 위한 인간 중심 프레임워크

초록

본 논문은 생성형 AI 모델이 학습에 활용한 원본 데이터에 대한 귀속( attribution) 문제를 인간 중심적으로 재구성한다. 이해관계자(창작자·출판사·플랫폼·AI 기업·사용자)의 다양한 목표와 힘의 비대칭을 분석하고, 상황별 협상 파라미터를 정의한 뒤, 이를 기반으로 실용적인 귀속 구현 방안을 제시한다. 또한, 데이터 경제의 지속 가능성을 위한 인센티브 설계와 정책 연계 가능성을 논의한다.

상세 분석

이 연구는 기존 NLP 분야에서 ‘데이터 귀속’이라는 기술적 과제를 사회·경제적 맥락에 통합하려는 시도로, 크게 네 가지 핵심 통찰을 제공한다. 첫째, 귀속 대상은 단순 텍스트 문자열이 아니라 스타일, 사실, 아이디어 등 다층적 요소이며, 각각에 대해 다른 수준의 추적·표시가 필요함을 강조한다. 둘째, 이해관계자를 창작자, 출판사, 플랫폼, AI 산업, 독자·사용자로 구분하고, 각 집단의 외재적(재정·사회)·내재적(학습·브랜드) 동기를 표로 정리함으로써, 귀속 정책이 어떤 목표를 달성해야 하는지 명확히 한다. 셋째, ‘인간 중심 프레임워크’는 이해관계자 간 협상 파라미터(예: 귀속 granularity, 공개 범위, 보상 메커니즘, 법적 준수 수준)를 정의하고, 도메인별 협상 결과를 기술 사양으로 전환하는 절차를 제시한다. 이는 일회성 기술 솔루션이 아니라, 지속적인 협상·평가 루프를 포함한다는 점에서 혁신적이다. 넷째, 현재 LLM 훈련 데이터의 비공개·불투명성을 지적하고, 데이터 귀속이 데이터 경제의 ‘건전한 인센티브 구조’를 회복하는 핵심 수단이 될 수 있음을 주장한다. 이를 위해 저자는 샤플리값 기반 데이터 가치 평가, 검색 강화 생성(RAG) 등 기존 방법을 정책·경제적 관점에서 재해석하고, 실용적인 ‘Moonshot’ 시나리오(예: 자동 인용·보상 시스템)를 제시한다. 전체적으로 기술적 가능성과 제도적 한계 사이의 격차를 메우려는 포괄적 접근법이라 할 수 있다.