AI 데이터 캡슐이란 무엇인가요?
안전한 LLM 사용을 위한 엔터프라이즈 데이터 캡슐화 — AI 처리 전에 민감 데이터를 보호하고 처리 후 사용 가능한 출력물을 복원하는 방법.
문제
기업은 요약, 추출, 번역, 분석을 위해 민감 문서를 대규모 언어 모델로 처리해야 합니다. 원시 데이터를 외부 AI 서비스에 전송하면 허용할 수 없는 노출이 발생합니다. 기존 방식 — 마스킹, 삭제, 토큰화 — 은 AI 모델이 유용한 출력물을 생성하는 데 필요한 컨텍스트를 파괴합니다.
결과는 이분법적 선택입니다. AI를 사용하기 위해 데이터를 노출하거나, 데이터를 보호하고 사용 불가능한 결과를 얻거나.
정의
해설
AI 데이터 캡슐은 복원 가능한 워크플로우 내에서 세 단계를 통해 AI 활성화 데이터 레이어로 작동합니다.
- 로컬 캡슐화. 엔터프라이즈 문서의 민감 요소 — 이름, 계좌번호, 날짜, 의료 코드, 계약 조건 — 가 감지되어 구조 보존 표현으로 대체됩니다. 원본과 대체 값 간의 매핑은 로컬에 저장되며 절대 전송되지 않습니다.
- 보호된 AI 처리. 캡슐화된 문서는 모든 외부 LLM에 전송됩니다. 문서 구조가 보존되기 때문에 AI 모델은 요약, 추출, 분류, 번역을 효과적으로 수행할 수 있습니다. 어떤 원본 민감 데이터도 엔터프라이즈 환경을 벗어나지 않습니다.
- 로컬 복원. AI 결과는 원본 엔터프라이즈 데이터와 함께 로컬에서 자동으로 복원됩니다. 로컬에 저장된 매핑이 적용되어 실제 이름, 금액, 참조로 출력물을 재구성하며, 비즈니스 워크플로우에서 직접 사용 가능한 결과를 생성합니다.
기업 도입 사례
금융 컴플라이언스 검토
은행은 컴플라이언스 검토를 위해 AI로 500개의 대출 신청서를 요약해야 합니다. 각 문서에는 고객 이름, 주민등록번호, 계좌 잔액, 소득 데이터가 포함되어 있습니다.
With LLM Capsule,을 사용하면 은행은 모든 문서를 로컬에서 캡슐화합니다. AI는 보호된 버전을 처리하고 구조화된 요약을 생성합니다. 로컬 복원은 실제 고객 이름과 계좌 세부 정보를 요약에 복원하여 AI 제공업체에 원시 고객 데이터를 절대 노출하지 않고 컴플라이언스 준비 출력물을 생성합니다.
자주 묻는 질문
LLM Capsule이 여러분의 데이터와 함께 작동하는 방식을 확인해 보세요
문서, 배포 제약 사항, 평가 기준을 가져오세요. 실제 워크플로에서 직접 시연해 드립니다.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 148 16" xmlns="http://www.w3.org/2000/svg"><path d="M 11.102 15.765 L 0 15.765 L 0 0.225 L 3.59 0.225 L 3.59 12.61 L 11.102 12.61 L 11.102 15.766 Z M 24.19 15.765 L 13.086 15.765 L 13.086 0.225 L 16.676 0.225 L 16.676 12.61 L 24.188 12.61 L 24.188 15.766 Z M 26.177 0.226 L 29.85 0.226 L 34.324 10.366 L 38.798 0.226 L 42.472 0.226 L 42.472 15.765 L 38.882 15.765 L 38.882 7.361 L 35.526 14.844 L 33.13 14.844 L 29.774 7.36 L 29.774 15.764 L 26.184 15.764 L 26.184 0.225 L 26.177 0.225 Z M 57.981 0 C 60.649 0 62.947 1.352 64.375 3.556 L 63.362 4.334 C 62.01 2.341 60.09 1.27 57.99 1.27 C 54.4 1.27 51.785 4.139 51.785 8.012 C 51.785 11.886 54.453 14.74 58.058 14.74 C 60.219 14.74 62.138 13.698 63.499 11.674 L 64.467 12.452 C 63.068 14.626 60.694 16 58.056 16 C 53.741 16 50.469 12.565 50.469 8.011 C 50.469 3.458 53.696 0 57.996 0 Z M 65.483 15.765 L 71.62 0.225 L 73.335 0.225 L 79.472 15.765 L 78.142 15.765 L 76.562 11.793 L 68.392 11.793 L 66.812 15.765 L 65.482 15.765 Z M 76.079 10.57 L 72.466 1.456 L 68.869 10.57 Z M 81.833 15.765 L 81.833 0.225 L 87.872 0.225 C 90.706 0.225 92.55 2.008 92.55 4.711 C 92.55 7.414 90.706 9.151 87.872 9.151 L 83.14 9.151 L 83.14 15.765 L 81.832 15.765 Z M 83.141 7.92 L 87.811 7.92 C 90.048 7.92 91.212 6.651 91.212 4.718 C 91.212 2.785 90.049 1.464 87.812 1.464 L 83.14 1.464 L 83.14 7.92 Z M 95.465 12.028 C 96.553 13.81 98.299 14.739 100.196 14.739 C 102.093 14.739 103.891 13.697 103.891 11.96 C 103.891 10.224 102.607 9.499 99.757 8.495 C 96.583 7.37 94.973 6.275 94.973 4.077 C 94.973 1.389 97.467 0 99.773 0 C 102.304 0 103.99 1.314 104.821 2.71 L 103.808 3.488 C 102.924 2.008 101.496 1.268 99.772 1.268 C 98.049 1.268 96.296 2.243 96.296 4.048 C 96.296 5.489 97.528 6.328 100.158 7.218 C 103.952 8.51 105.214 9.71 105.214 11.938 C 105.214 14.573 102.818 16 100.196 16 C 97.785 16 95.54 14.784 94.49 12.806 L 95.457 12.028 Z M 108.278 0.226 L 109.578 0.226 L 109.578 10.102 C 109.578 12.835 111.475 14.715 114.528 14.715 C 117.581 14.715 119.478 12.85 119.478 10.102 L 119.478 0.226 L 120.778 0.226 L 120.778 10.102 C 120.778 13.636 118.398 15.999 114.528 15.999 C 110.659 15.999 108.278 13.629 108.278 10.102 Z M 124.785 15.765 L 124.785 0.225 L 126.092 0.225 L 126.092 14.512 L 135.056 14.512 L 135.056 15.772 L 124.785 15.772 Z M 137.67 0.226 L 147.329 0.226 L 147.329 1.464 L 138.978 1.464 L 138.978 7.097 L 146.188 7.097 L 146.188 8.343 L 138.978 8.343 L 138.978 14.534 L 147.571 14.534 L 147.571 15.773 L 137.67 15.773 Z" fill="rgb(35, 31, 32)" height="16px" id="o43yy6bJZ" width="147.57099816894532px"/></svg>)