합성 데이터(Synthetic Data)는 실제 수집 데이터가 아닌 알고리즘으로 생성된 인공 데이터입니다. Gartner는 2030년까지 AI 모델 학습 데이터의 대부분이 합성 데이터로 대체될 것으로 전망하고, IDC는 2026년까지 기업의 75%가 생성형 AI를 활용한 합성 고객 데이터 생성을 도입한다고 분석합니다. 데이터 프라이버시 규제 강화, 실제 데이터 고갈, 학습 비용 절감이라는 세 가지 압력이 동시에 작동하며, NVIDIA Omniverse Replicator·Gretel·MOSTLY AI 같은 도구가 표준으로 자리잡고 있습니다.
목차
- 국내 제조 기업의 도입 실험
- 합성 데이터란 무엇인가
- 실데이터의 한계와 합성 데이터의 부상
- 생성 기술과 주요 플랫폼
- 활용 사례 — 자율주행·금융·의료
- 도입 단계별 실전 가이드
- 품질 평가와 리스크 관리
- FAQ
- 같이 읽으면 좋은 것들
국내 제조 기업의 도입 실험 — 디지털 트윈 라인에서 본 풍경
지난해 가을 국내 한 가전사 스마트팩토리 PoC 현장을 방문한 적이 있습니다. 그곳에서 본 광경은 의외였습니다. 실제 라인 가동률 데이터 대신, NVIDIA Omniverse Replicator로 생성된 가상 라인에서 흐르는 합성 영상 데이터가 모델 학습용으로 사용되고 있었거든요. 엔지니어가 농담처럼 이런 말을 했습니다. "진짜 불량 데이터는 모으는 데 6개월이 걸렸는데, 가상에서는 하룻밤이면 1만 장 나옵니다."
자동차 산업에서도 흐름이 분명합니다. 현대자동차그룹은 생산 라인에 보스턴 다이내믹스 아틀라스 로봇을 도입하면서, 학습용 데이터 대부분을 Omniverse 기반 디지털 트윈에서 시뮬레이션으로 만들어 냅니다. 진짜 공장에서 로봇이 실수해도 안 되고, 실수가 일어나길 기다리기엔 시간이 너무 오래 걸리니까요. 합성 데이터는 '아직 일어나지 않은 일'까지 학습시킬 수 있는 거의 유일한 방법입니다.
금융권에선 결이 좀 다릅니다. 국내 한 인터넷 은행에서는 신용평가 모델 개발에 MOSTLY AI 솔루션을 검토 중인데, 핵심 동기는 데이터 부족이 아니라 프라이버시 규제였습니다. 실제 고객 데이터를 사용하기엔 개인정보보호법 부담이 큰데, 통계적으로 동등한 합성 데이터셋이라면 외부 협력사와도 안심하고 공유할 수 있다는 거죠. 합성 데이터의 가치는 산업마다 다른 얼굴로 다가옵니다.
합성 데이터란 무엇인가 — 정의·범주·역사
합성 데이터(Synthetic Data)는 실세계에서 수집된 게 아닌, 통계적 모델·시뮬레이션·생성형 AI를 통해 인위적으로 만들어 낸 데이터를 통칭합니다. 핵심은 '실제 데이터의 통계적 특성과 패턴은 유지하되, 실제 개인이나 사건과 직접 연결되지 않는다'는 점입니다.
세 가지 큰 범주
첫째, 테이블형(tabular) 합성 데이터. 고객 정보·거래 내역 같은 표 형태 데이터를 생성합니다. 금융·헬스케어에서 가장 많이 쓰이고, MOSTLY AI·Gretel·Synthesized 같은 회사가 주력합니다. 둘째, 비정형(unstructured) 합성 데이터. 이미지·영상·텍스트·음성 데이터를 생성하는 영역으로, NVIDIA Omniverse Replicator·Cosmos가 대표적입니다. 셋째, 시계열·이벤트 데이터. IoT 센서나 사용자 행동 로그 같은 시퀀스 데이터를 생성하며, 산업용 AI에서 빠르게 비중을 늘리고 있습니다.
의외로 오래된 기술
합성 데이터가 최근 등장한 개념처럼 보이지만, 통계학자 도널드 루빈(Donald Rubin)이 1993년 'multiple imputation'을 제안한 이후 학술적으로는 30년 넘은 분야입니다. 차이는 생성 품질과 도구 접근성. GAN(2014)과 디퓨전 모델(2020), 그리고 대형 언어모델 기반 생성기가 등장하면서 실데이터에 거의 근접한 품질이 가능해졌고, 이게 2024년 이후 폭발적 도입을 만든 결정적 변수입니다.
실데이터의 한계와 합성 데이터의 부상 — 세 가지 압력
기업이 합성 데이터로 이동하는 이유를 따라가 보면, 단순한 '비용 절감' 그 이상의 구조적 요인이 있습니다.
압력 1 : 데이터 고갈
대형 언어모델 학습용 공개 텍스트는 사실상 한계에 도달했습니다. Epoch AI의 추정에 따르면 양질의 영어 텍스트는 2028년 전후로 소진될 가능성이 높고, 그 이후의 모델 개선은 합성 데이터 없이는 어렵다는 게 다수 의견입니다. OpenAI·Anthropic·Google 모두 자체 합성 데이터 생성 파이프라인을 구축한 상태입니다.
압력 2 : 프라이버시 규제
EU GDPR, 한국 개인정보보호법, 미국 캘리포니아 CPRA가 일제히 강화되면서, 실제 고객 데이터를 사용해 모델을 학습시키는 일이 점점 위험해졌습니다. Gartner는 2030년까지 합성 데이터가 기업의 프라이버시 위반 제재의 70%를 피하게 해 줄 거라고 예측합니다. 데이터를 '익명화'하던 시대에서 '아예 가상의 데이터로 대체'하는 시대로 이동 중입니다.
압력 3 : 비용·시간
실데이터 수집·라벨링은 비싸고 느립니다. 자율주행 차량의 야간 폭우 데이터를 실제로 모으려면 몇 달이 걸리지만, Omniverse Replicator로는 하룻밤에 10만 장 이상 생성 가능합니다. NVIDIA는 자체 사례에서 모델 개발 시간이 5배 단축됐다고 보고합니다.
| 구분 | 실데이터 | 합성 데이터 |
|---|---|---|
| 수집 비용 | 높음 (라벨링 인건비) | 낮음 (생성 컴퓨트만) |
| 프라이버시 위험 | 높음 | 낮음~없음 |
| 희소 케이스 | 수집 어려움 | 무제한 생성 |
| 통계적 다양성 | 자연 분포 | 의도적 편향 보정 가능 |
| 도메인 정확성 | 100% | 검증 필요 |
생성 기술과 주요 플랫폼 — 누가 시장을 끌고 있나
합성 데이터 생성에는 크게 세 가지 기술 계열이 사용됩니다. 룰 기반 시뮬레이션, 통계 기반 모델(GAN·VAE), 그리고 최근 빠르게 표준이 된 LLM·디퓨전 기반 생성형 AI.
NVIDIA — 인프라와 도구를 모두 가진 기업
NVIDIA는 2025년 Gretel 인수를 통해 합성 데이터 전 영역을 자사 생태계로 흡수했습니다. Omniverse Replicator(이미지·영상), Cosmos(피지컬 AI용 월드 모델), Nemotron-4 340B(텍스트), 그리고 Gretel(테이블·텍스트)까지 네 축이 결합돼, 자율주행·로보틱스·금융·헬스케어를 모두 커버합니다. GTC 2026에서 발표된 통합 파이프라인은 디지털 트윈에서 학습 데이터 생성·모델 학습·검증까지 단일 워크플로로 묶어 줍니다.
MOSTLY AI·Gretel·Synthesized — 테이블 데이터 전문 진영
비엔나에 본사를 둔 MOSTLY AI는 유럽 금융권 표준 도구로 자리잡았습니다. GDPR 친화적 익명성 보증과 통계적 정확도 검증 리포트가 강점입니다. Gretel은 NVIDIA 인수 전부터 AWS·Azure 마켓플레이스에서 가장 많이 채택된 솔루션이었고, 인수 이후엔 NVIDIA Nemotron 인프라와 통합되며 엔터프라이즈 시장 입지를 강화했습니다.
한국 기업의 등장
한국에서는 페블러스(Pebblous), 슈퍼브AI 같은 회사들이 합성 데이터 도구를 자체 개발하고 있습니다. 슈퍼브AI는 피지컬 AI 학습용 합성 데이터 파이프라인을, 페블러스는 테이블 합성 데이터를 주력으로 합니다. 글로벌 대비 시장은 작지만, 도메인 특화 솔루션으로 차별화를 시도 중입니다.
활용 사례 — 자율주행·금융·의료
자율주행
웨이모와 테슬라부터 국내 OEM까지, 자율주행 학습 데이터의 50% 이상이 시뮬레이션 기반입니다. 실세계에서 거의 발생하지 않는 '엣지 케이스'(어린이가 뛰어드는 골목, 트럭이 적재물을 떨어뜨리는 순간)를 수만 번 변주해 학습시킬 수 있어, 안전성 검증의 표준이 됐습니다.
금융
이상거래 탐지(Fraud Detection)는 합성 데이터의 가장 빠른 ROI를 보여 주는 분야입니다. 실제 사기 사건은 전체 거래의 0.1% 미만이라 학습 데이터가 극단적으로 불균형한데, GAN 기반 합성 사기 시나리오로 데이터셋을 균형 잡으면 탐지율이 평균 15~25% 향상된다고 보고됩니다.
의료·헬스케어
희귀질환 환자 데이터는 본질적으로 부족하고, 환자 개인정보 동의를 받기도 어렵습니다. EHR(전자의무기록)을 통계적으로 동등한 합성 데이터로 변환해 연구자에게 제공하는 모델이 미국·EU에서 빠르게 확산되고 있고, 의료영상(X-ray·MRI) 합성 생성으로 AI 진단 모델 학습 데이터를 보강하는 사례도 늘고 있습니다.
컨택센터·HR
고객 응대 LLM을 만들 때 실제 통화 기록은 개인정보로 분류돼 사용이 제한됩니다. LLM 자체로 통화 시나리오를 합성해 학습용 데이터셋을 구성하는 방식이 이미 보편화됐고, HR 영역에서도 면접·평가 시뮬레이션 데이터가 모델 미세조정에 활용됩니다.
제조·로보틱스
산업용 로봇 학습에서 합성 데이터는 거의 필수입니다. 위험한 작업 상황이나 드물게 발생하는 불량 사례를 실제 라인에서 모으는 건 비현실적이거든요. BMW·아마존·폭스콘·현대자동차 같은 글로벌 제조사들이 디지털 트윈 위에서 작업 시나리오를 무한히 변주해 로봇 비전 모델을 학습시키고 있고, 도입 후 학습 데이터 준비 기간이 평균 70% 단축됐다고 보고됩니다. 한국 가전·반도체 라인에서도 불량 검출 비전 모델 학습용 합성 이미지 활용이 빠르게 확산 중입니다.
도입 단계별 실전 가이드
1단계 : 문제 정의
가장 흔한 실패는 '합성 데이터부터 도입하자'는 접근입니다. 먼저 답해야 할 질문은 다음 세 가지입니다. 우리가 해결하려는 게 데이터 부족인가, 프라이버시 위험인가, 비용인가. 셋 중 하나라도 명확하지 않으면 PoC가 산으로 갑니다.
2단계 : 데이터 유형 선택
테이블 데이터(고객·거래) → Gretel·MOSTLY AI. 이미지·영상 → Omniverse Replicator·Cosmos. 텍스트·대화 → LLM 기반 자체 파이프라인 또는 Gretel Text. 도메인 특이성이 강하다면 자체 모델 학습을 검토해야 합니다.
3단계 : 품질 검증 프레임워크 구축
합성 데이터의 함정은 '겉으로 그럴듯해 보이지만 모델 성능을 떨어뜨리는 경우'입니다. 통계적 유사도(KS·Wasserstein 거리), 다운스트림 모델 성능 차이, 멤버십 추론 공격에 대한 저항성 — 이 세 가지 지표를 최소한으로 둬야 합니다.
4단계 : 거버넌스와 운영
합성 데이터도 데이터입니다. 누가 어떤 목적으로 생성했는지, 원본 데이터셋이 어디까지 영향을 미쳤는지 추적 가능해야 합니다. AI 거버넌스 체계와 연결해, 합성 데이터의 라이프사이클을 별도로 관리하는 게 표준이 돼 가고 있습니다. 특히 한국 AI 기본법 시행 이후, 학습 데이터의 출처와 가공 이력을 문서화하는 의무가 강화될 가능성이 크기 때문에, 합성 데이터 메타데이터 관리 체계를 미리 갖춰 두는 게 안전합니다.
5단계 : 조직과 역량
합성 데이터 도입은 도구 구매로 끝나지 않습니다. 데이터 사이언티스트가 생성 품질을 평가하고, MLOps 엔지니어가 학습 파이프라인에 연결하며, 법무팀이 컴플라이언스를 검토하는 협업 체계가 필요합니다. 초기에는 외부 컨설팅을 병용하는 게 일반적이지만, 12~18개월 안에 내재화하는 게 ROI 측면에서 유리합니다.
품질 평가와 리스크 관리
합성 데이터가 만능은 아닙니다. 잘못 사용하면 오히려 위험합니다.
모델 붕괴(Model Collapse) 우려
합성 데이터로 학습한 모델이 다시 합성 데이터를 만들고, 그 데이터로 또 다른 모델을 학습시키는 순환이 반복되면 '모드 붕괴(mode collapse)'가 발생합니다. 다양성이 줄고 특정 패턴만 강화되며, 결국 모델 성능이 퇴화한다는 연구가 2024년 Nature에 발표되며 큰 논의를 불러왔습니다. 실데이터와 합성 데이터를 8:2 또는 6:4 비율로 혼합하는 게 현재의 안전한 가이드라인입니다.
프라이버시 누수
합성 데이터라고 해서 항상 프라이버시가 안전한 건 아닙니다. 생성 모델이 학습 데이터를 과적합하면, 특정 개인의 정보가 재구성될 수 있습니다. 차분 프라이버시(Differential Privacy)를 결합해 수학적으로 보호 한계를 설정하는 방법이 표준이 되고 있고, MOSTLY AI나 Gretel 모두 이 기능을 기본 제공합니다.
도메인 격차
시뮬레이션과 현실의 격차(Sim-to-Real Gap)는 자율주행·로보틱스의 오랜 숙제입니다. NVIDIA Cosmos가 '월드 파운데이션 모델'로 이 격차를 줄이려는 시도이고, 도메인 적응(domain adaptation) 기법을 병용하는 게 현실적 해법입니다.