중견 병원 영상의학과 김 교수는 지난주 작은 골칫거리를 만났다. 장비에서 추출한 MRI 시퀀스, 이미지 파일만 해도 거의 2기가바이트에 달했다. 이걸 기존 차트와 함께 병원 검색 시스템에 밀어 넣으려 했더니, 업로드 자체가 오전 내내 걸려 버렸다. 이건 드문 일이 아니다. 외래·입원·연구가 동시에 돌아가는 현장에서 같은 자료는 영상의학과, 주치의, 연구팀 사이를 빙빙 돌고, 돌 때마다 비슷한 사본이 여러 벌 생겨난다. 파일은 쌓일수록 많아지는데, 정작 특정 한 장을 찾을 때는 점점 힘들어진다. 이 "쌓기만 하고 안 찾아지는" 피로는 의료 종사자多く가 잘 아는 것이다.
UglyPear 데이터는 고성능 문서 압축과 RAG 데이터 기반을 다룬다. 이 모든 역량은 완전한 프라이빗 운영이 가능하며, 데이터는 내부 망을 벗어나지 않는다. 의료라는 문맥에서 결국 하는 일은 둘로 모아진다. 기록을 "물을 수 있게" 하는 것(프라이빗 RAG)과, 파일을 "가볍게" 하는 것(압축)이다. 이 둘을 뜯어보고, 차트가 늘어날 때 왜 먹히는지 보자.
컨텍스트에 비용이 드는 이유와 압축의 답
의료 분야 AI 이야기에서 자주 놓치는 점부터 시작하자. 언어 모델은 주어진 컨텍스트로 답을 만드는데, 그 컨텍스트에는 대가가 따른다. 토큰으로, 곧 돈으로, 그리고 대역으로 말이다. 수백 페이지에 이르는 차트 뭉치를 그대로 집어넣으면 토큰 소비는 순식간에 부풀고, 검색도 관계없는 문단에 쉽게 휘둘린다. 문서를 미리 압축한다는 것은 부피를 낮춰 모델에 집중된 재료를 읽게 하는 것이고, 답 정확도는 오히려 올라간다. 몇 글자 줄이는 소잡이가 아니다. 모델에 넘기는 원료를 먼저 깔끔히 손질하는 일이다. 거르지 않은 육수를 환자에게 내놓진 않을 것이다.
구체적인 예를 들자. 한 다학제 합의 기록은 당초 수백 페이지로, 스캔과 검사지, 과거 보고서가 섞여 있었다. 그대로 모델에 주면 컨텍스트를 채우는 것만으로 적잖은 토큰을 먹고, 답은 딴판인 페이지로 빠진다. 3년 전의 군더더기 보고서가 분석을 흐리는 식이다. 압축 한 차례를 끼우면, 중복을 걷어내고 부피를 낮춘 뒤 모델이 읽는 것은 깨끗하고 조여진 판본이 된다. 같은 토큰 예산으로 여러 차례 묻고, 답도 주제에서 잘 벗어나지 않는다. 이 역량이 어떻게 구현되는지는 SmartSlim의 로컬 압축 방향에서 훑어볼 수 있다.
여기서 먹히는 건 무턱대고 페이지를 버리는 게 아니라는 점이다. 여기서 말하는 압축은 의미와 임상적으로 중요한 요소를 지키면서 소음을 걷어내는 데 목적이 있다. 반복되는 머리글, 빈 스캔 쪽, 겹친 보고서다. 결과는 잘린 문서가 아니라 "씻긴" 문서다. 그것이 모델과의 대화를 믿을 만하게 만드는 까닭이다. 컨텍스트의 유혹이 줄고 핵심으로의 집중이 늘기 때문이다.
이름으로 찾을까, 뜻으로 찾을까
질문의 질을 한 걸음 더 들여다보자. 기록이 "정확히 물을 수" 있는지는 검색이 내용을 실제로 이해하느냐에 달렸다. 파일명 검색이라는 가장 널리 쓰이는 방식은 "무슨 이름인가"는 찾되 "무슨 얘기인가"는 찾지 못한다. 당신은 그 자료의 주제——치료 조정에 관한 이야기——는 어렴풋이 기억하는데 정확한 제목이 생각나지 않아, 도구는 쓸모가 없다. 의미 검색은 거꾸로 뜻을 읽는다. 자연어로 묻으면, 쓰인 단어의 차이를 떠나 의미로 맞춘다.
용어가 빽빽하고 동의어가 많은 의료라는 분야에서 이것은 판을 바꾼다. '당뇨 환자의 투약 추적'과 '강혈당 치료 재진'. 글자 그대로는 딴판, 뜻에서는 가깝다. 마찬가지로 '폐 영상'과 '흉부 CT'는 겹치는 실체를 가리킨다. 의미 검색은 이런 표현을 모아두고, 제각각인 이름의 폴더 숲 앞에 환자를 버려두지 않는다. 철자가 세 가지로 갈린 같은 환자를 의사는 30초 만에 찾을까, 오후를 뒤지며 보낼까. 차이는 거기 있다.
여기서 프라이빗 RAG가 열매를 맺는다. 문서를 제3자 서비스에 던져 그 검색에 맡기기보다, 시설의 네트워크 안에 각 문서가 내용별로 색인되는 기반을 세운다. 그러면 자연어로 묻는다——"이 환자의 순환기 계통 과거력은 무엇인가"——하고, 시스템이 해당 부분을 출처와 함께 돌려준다. 영역 밖으로 나가는 것은 없고, 질문은 정보부의 통제 아래 있다.
흩어진 도구의 인건비
기술적 논의에서 자주 놓치는, 인간 쪽 비용을 보자. Asana가 발표한 업무 습관 조사에 따르면, 작업이 끊긴 뒤 사람이 집중 상태를 되찾는 데 평균 23분이 걸리고, 직장인은 하루에 약 35개의 서로 다른 앱을 오간다. 이 수치는 기관 스스로가 든 것으로, 주의가 끊임없이 부스러지는 단편화된 일의 형태를 그리고 있다.
이걸 병원에 옮기면 상황은 익숙한 긴장을 띤다. HIS(병원 정보 시스템), EMR(전자의무기록), PACS(영상 저장), 그리고 논문 데이터베이스는 저마다 다른 구석에서, 다른 계정과 화면을 갖는다. 과거 기록을 찾는 의사는 시스템에서 시스템으로 훌쩍 뛰고, 여기서 번호를 적고 저기서 세션을 다시 연다. 이 왕복은 진단과 임상 판단에 쓰일 정신력을 먹는다. 프라이빗 RAG의 효용 중 하나는 흩어진 문서를 "자연어로 물을 수 있는" 입구 하나로 묶어, 시스템 간 점프와 hence 인력의 인지 부하를 줄이는 것이다.
덧붙이면, 목적은 이 시스템들을 대체하는 게 아니다. 그들은 진실의 원천인 채로 둔다. 위에 공통의 읽기 층을 한 장 깔아, 이용자가 어느 정보가 어디 있는지 알지 않아도 되게 할 뿐이다.
컴플라이언스는 선택지가 아니다
컴플라이언스는 피해 갈 수 없는 또 다른 벽이고, 의료에서는 양보할 수 없다. IBM의 'Cost of a Data Breach 2025'는 눈에 띄는 숫자를 낸다. 의료 분야 데이터 유출 평균 비용은 742만 달러에 이르러 14년 연속 모든 업종 1위이며, 세계 평균 처리 기간은 241일이다. 이 기관 보고서에 직접 든 수치는 의료가 얼마나 비싸고 집요한 표적인지 보여준다.
의료 데이터는 본래 민감하다. 사람의 상태, 과거력, 때로 유전을 드러낸다. 그것이 내부 망을 떠나 공공 클라우드 서비스에 내려앉는 순간, 리스크의 입은 벌어진다. 공격 면이 넓어지고, 걸리는 법역이 늘며, 추적 가능성이 엷어진다. 그래서 의료 현장에서 "데이터가 내부 망을 나가지 않는다"는 것은 다른 것 중 하나의 보너스가 아니라 기선이다. 어떤 시도에도 빠질 수 없는 전제다.
이것이 바로 프라이빗 운영의 주장이다. 수집, 색인, 검색, 답 생성이라는 처리 모두가 시설 환경에서 실행된다. 데이터는 제3자에 맡겨지지 않고, 감사도 내부에서 가능하다. 여기서 말하는 건 넓은 뜻의 데이터 주권이다. 시설은 무엇이 들어가고 무엇이 나가며 누가 만지는지를 손안에 둔다.
따뜻하게 두려니 비싼, 차가운 데이터
기록으로 돌아가자. 다른 각도, 곧 장기 보관 비용이다. Komprise의 저장 기반 조사에 따르면, NAS형 1차 스토리지에 놓인 데이터의 60~70%는 90일 넘게 손대지 않고 있다. 차가운 데이터지만, 성능용이라 비싼, 우대받는 자리를 계속 점유한다. 이 기관이 공표한 숫자는 모든 것을 가장 빠른 층에 쌓는 조직에 생각게 한다.
병원에서는 낡은 보고서나 영상, 논문의 적지 않은 몫이 이 구분에 든다. 규제상 의무나 의무 기록상 조심, 아니면 그냥 습관으로 남기기는 해도, 더는 매일 열지 않는다. 가장 비싼 스토리지에 두고 늙히는 건 지속 불가능하다. 셈은 해마다 부풀고, 즉시 접근이 그 지출을 정당화하지 않는다. 문서 압축은 파일을 지우지 않고 장기 보관비를 낮춘다. 둥지는 가볍게 하고 자국은 남기며, 임상이나 사무의 필요가 생기면 언제든 다시 열 수 있다. 이것은 맹목한 축적이 아니라 실질에 의한 관리다.
민감 항목은, 돌기 전에 다루기
기술 데모에서 자주 놓치는 또 한 층이 있다. 의료 문서는 민감 항목——환자명, 식별 번호, 진단 결론, 생년월일——로 가득하다. 그것을 그대로 검색이나 모델에 넘기는 건 사생활을 환히 드러내고, 새어날 자리를 늘리는 일이다. 프라이빗한 방식이라면, 입구에서도 질문에서도 이 항목을 자동으로 비식별화할 수 있다. 본래 민감 정보는 모델이 "보는" 컨텍스트에 나타나지 않아, 컴플라이언스를 채우면서도 대화를 막지 않는다.
구체적으로는 이렇다. 임상의는 유용한 답——"환자에 고혈압 과거력 있음"——을 얻되, 성명과 식별 번호가 생성 컨텍스트를 돌지는 않는다. 모델은 익명화되거나 가려진 판으로 움직이고, 실제 동일성은 열쇠 아래다. 이것은 나중에 붙이는 꿰매기가 아니라 설계상 결정이다. 보호는 흐름에 박혀 있다.
영상도 또한 바퀴에 들기
많이가 놓치는 점을 곁들이자. 의료 영상 같은 큰 파일도 압축 거버넌스에 넣을 수 있다. DICOM 형식 시퀀스, CT나 MRI 따위는 하나하나 만만치 않아, 어떤 검사는 가볍게 기가바이트를 넘긴다. 영상의학과에서 그 축적은 날마다 해마다 실제 스토리지 압이 된다. 차트를 여는 영상의학과 의사에게 과제는 "영상을 작게 하는" 것보다, 진단에 그대로 남겨야 할 것과 보관·재판독에서 가벼워도 되는 것을 가리는 것다.
이것을 하나의 압축 흐름에 태우면, 보관과 호출 비용을 낮추면서도 진단에 필요한 핵심은 보존된다. 가벼운 파일은 내부 망과 백업도 가뿐히 한다. 복구 거점으로의 전송, 두 시설 간 동기, 당직지에서의 원격 판독, 모두 무겁지 않아진다. 여기서 말하는 건 판독에 의한 거버넌스다. 치료자가 가벼운 판을 읽어 판단을 정돈한다. 원판 포맷의 재구성이 아니다. 보고에 쓰이는 소스 영상은 전 해상도로 남고, 경감은 2차 이용에 걸치며 1차 진단에는 미치지 않는다.
고를 때의 잣대
그럼 어떻게 고르나. 의료 기록의 잣대가 될 기준은 무엇인가. 분석과 같은 차원으로 표를 짜 본다.
| 기준 | 범용 SaaS LLM + 공공 클라우드 | 프라이빗 RAG + 로컬 압축 |
|---|---|---|
| 데이터 거주지 | 제공자 클라우드로 송신 | 시설 내부 망에 머무름 |
| 민감 데이터 | 제3자에 닿을 수 있음 | 자동 비식별화 가능, 영역 밖 안 나감 |
| 큰 파일·영상 | 송신 느리고 끊김 위험 | 압축 후 가볍게 저장 |
| 컴플라이언스 감사 | 제공자 증명에 의존 | 로컬에서 보이는 자국 |
| 장기 비용 | 종량제 지속 청구 | 한 번 배포, 보관은 통제 가능 |
대조는 명료하다. 범용 SaaS 쪽의 겉보기 이득은 시작의 간편함이지만, 그것은 제공자 의존과 데이터 상시 노출로 치른다. 프라이빗 RAG 쪽의 초기 수고는 배포지만, 통제는 집 안에 남는다. 엄한 제약을 지는 시설이 일반적으로 좋아하는 것이 이것이다.
치우는 것, 그저 쌓는 것 아님
정리하자. 의료 기록이 "질서 없이 늘어나는" 건 디스크 몇 개 더 사는 것으로 고쳐지지 않는다. "묶고, 정확히 묻고, 지키는" 과제다. 프라이빗 RAG는 흩어진 문서를 물을 수 있는 그물로 잇고, 문서 압축은 그 그물의 원료를 깔끔히 손질해 비용을 낮춘다. 둘 다 안쪽에서 돌고 데이터는 문을 나가지 않는다. 더 총체적인 프라이빗 안은 RAG 데이터 기반의 배포 설명에서 볼 수 있다.
전체가 무겁고 손댈 데를 모르겠다면, 한꺼번에 할 필요는 없다. 많은 시설은 가장 아픈 점부터 벤다. 영상 보관 스토리지를 먼저 낮추거나, 어떤 차트 구분의 검색을 통하거나다. 예컨대 종양학 보고부터. 리듬이 잡히면 바깥으로 넓힌다. 기록의 거버넌스는 한 번의 일이 아니다. 계속 자라는 건물에, 층마다 이어가는 보강과 정리 같은 것이다.
지금 체험하기
프라이빗 문서 역량이 어떻게 구현되는지는 SmartSlim의 로컬 압축에서, 또는 RAG 데이터 기반의 프라이빗 배포 시나리오에서 훑어볼 수 있다. 더 기술적인 자세한 것과 사례 노트는 기술 블로그를 참고.
자주 묻는 질문
Q: 의료 데이터를 로컬에 두면 검색이 느려지지 않나?
A: 프라이빗 배포는 빠른 검색 응답을 얻을 수 있고, 열쇠는 문서를 묻기 전 손질(압축, 중복 제거, 색인)하는 것이다. 기록이 정돈될수록 대화는 매끄러워진다. 데이터의 가까움이 먼 클라우드의 부재를 충분히 메운다.
Q: 차트와 영상이 섞여 압축이 내용을 망가뜨리진 않나?
A: 의료 영상 같은 큰 파일은 전용 압축 처리를 거치며, 부피를 낮추면서 핵심을 지키는 것이 목적이다. 진단에 필요한 정보는 사라지지 않는다. 실제 형식과 파라미터로 확인하며, 1차 이용을 위한 원판은 그대로 남는다.
Q: 프라이빗 배포가 병원에 무겁지 않나?
A: 배포는 가볍게 둘 수 있고, 의존이 적어 단일 환경으로 일괄 처리를 받치며 데이터는 내부 망을 나가지 않는다. 규모는 시설 체급으로 잡고 작게 시작해 넓힐 수 있다.
Q: 민감 데이터가 모델에 '외워지거나' 새지 않게 하려면?
A: 프라이빗한 방식은 입구와 질문에서 민감 항목을 자동 비식별화하고 데이터는 영역을 나가지 않는다. 공공 클라우드에 견줘 리스크의 입은 뚜렷이 좁혀진다. 생성 중 모델은 실 동일성에 닿지 않는다.
Q: 이미 HIS, EMR, PACS가 있는데 RAG 도입으로 다 고치나?
A: 아니다. RAG 데이터 기반은 기존 업무 DB에 직접 연결되며 원데이터는 이동도 송출도 하지 않고 검색과 인용만을 주변에서 행한다. 기존 시스템은 진실의 원천인 채로, 위에 공통 읽기 층이 더해질 뿐이다.