{"cssClassNames":"page basicpage summit-page","templateName":"base-page-template54","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"AI 거버넌스는 엔터프라이즈가 AI 리스크, 규정 준수, 윤리 문제를 관리하는 방식입니다. AI의 책임성을 유지하는 프레임워크, 원칙 및 통제 방안을 알아보세요.","language":"ko","title":"AI 거버넌스 프레임워크, 리스크 및 모범 사례 | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ko/artificial-intelligence/ai-governance/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},":items":{"experiencefragment-banner":{"id":"experiencefragment-ad59300977","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/ai-governance"},"experiencefragment-header":{"id":"experiencefragment-85852391d4","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/ai-governance"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont":{"id":"flexible-column-container-901cbeae19","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-f452f90012",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-3b84571af5","items":[{"id":"breadcrumb-3b84571af5-item-6486f44734","link":{"valid":true,"url":"/ko/"},"active":false,"current":false,"title":"한국어",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-3b84571af5-item-bbf96f220b","link":{"valid":true,"url":"/ko/artificial-intelligence/"},"active":false,"current":false,"title":"인공지능",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-3b84571af5-item-b037f615aa","link":{"valid":true,"url":"/ko/artificial-intelligence/ai-governance/"},"active":true,"current":true,"title":"AI 거버넌스",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-f3177398e6","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-44e7c499ad",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_470483971":{"id":"text-4f25ea15c1","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003E기본 가이드\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-ada2ee389f","additionalClasses":"hub-hero__headline","type":"heading1","lines":["AI 거버넌스: 엔터프라이즈를 위한 가이드"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-4b15c5d4a8","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003E안전하고 신뢰할 수 있는 AI는 모델 성능만으로 완성되지 않습니다. 이 가이드에서는 전통적인 ML부터 생성형 AI와 에이전트에 이르기까지, AI 거버넌스가 엔터프라이즈의 리스크 통제, 정책 시행, 최신 AI 시스템 관리에 어떻게 기여하는지 살펴봅니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-bbb1bbad88",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-b5da22843c","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"800","alt":"Laurie Macpherson headshot","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie Macpherson","테크니컬 라이터, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-a56a4cf0b7","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/jiyun-kim/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"약력 보기"},"image":{"id":"image","height":"567","alt":"David Gaule","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7298322-b642-462f-a1ea-e4319d26238d/jiyun-kim-photo.jpg?quality=85&preferwebp=true","lazyEnabled":true,"width":"425",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Jiyun Kim","SEO Specialist, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_470483971","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-40d9abe6e6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-c065d1b2d6","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-c6b8f5f70d","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-82ea0cc378",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-bf93474d15","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EAI 거버넌스 주제:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-086784b5ed","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-compliance/\"\u003EAI 규정 준수\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-content-governance/\"\u003EAI 콘텐츠 거버넌스\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-ethics/\"\u003EAI 윤리\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-fairness/\"\u003EAI 공정성\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EAI 리스크 관리\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-traceability/\"\u003EAI 추적성\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-transparency/\"\u003EAI 투명성\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003E알고리즘 편향\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU 인공지능법\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO 42001\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/model-card/\"\u003E모델 카드\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/model-governance/\"\u003E모델 거버넌스\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/responsible-ai/\"\u003E책임 있는 AI\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-1cbb4984aa","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout_what-is-ai-governance_0":{"id":"text-3f02543eef","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EAI 거버넌스 정의\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003EAI 거버넌스는 조직이 내부 및 외부 요구 사항을 준수하면서 AI를 안전하고 공정하며 책임 있게 개발, 배포, 사용할 수 있도록 지원하는 정책, 표준, 통제, 감독의 프레임워크입니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-2be31bf83c","text":"\u003Cp\u003E성능이 뛰어난 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/\"\u003E인공지능\u003C/a\u003E(AI) 모델도 프로덕션 시스템에서는 신뢰하기 어려울 수 있습니다. 데모 환경에서는 프롬프트가 통제되고, 데이터는 정제되어 있으며, 액세스도 제한됩니다. 하지만 프로덕션 환경에서는 시스템이 오래된 정책을 노출하거나, 제한된 데이터를 드러내거나, 의도하지 않은 작업을 실행할 수 있습니다.\u003C/p\u003E\r\n\u003Cp\u003E모델 역량은 중요하지만, 신뢰성은 전체 시스템에 좌우됩니다. AI 거버넌스는 조직이 이러한 시스템을 정의하고 적용하는 방식입니다. 사용 사례에는 책임 있는 소유자를, 데이터에는 시행 가능한 정책을, 모델에는 승인 워크플로우, 모니터링 및 감사 추적을 연결합니다. 이를 통해 특히 영향력이 큰 결과물을 더 쉽게 검토하고 추적할 수 있으며, 실제 비즈니스 운영 방식과 더 잘 정렬할 수 있습니다.\u003C/p\u003E\r\n\u003Cp\u003EAI 시스템이 진화할수록 거버넌스의 중요성은 더욱 커집니다. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003E생성형 AI\u003C/a\u003E, \u003Ca href=\"https://www.snowflake.com/ko/fundamentals/rag/\"\u003E검색 증강 생성\u003C/a\u003E(RAG), \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-agents/\"\u003E에이전트\u003C/a\u003E는 전통적인 모델과 다르게 작동합니다. 이들은 데이터를 검색하고 콘텐츠를 생성하며, 경우에 따라 직접 작업을 수행합니다. 새로운 기능이 등장할 때마다 예외로 다루는 방식은 확장성이 떨어집니다. 거버넌스는 이러한 기능을 일관되게 관리할 수 있는 기반을 제공합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-governance":{"id":"title-v2-a7a952104e","additionalClasses":"anchor-title anchor-title--what-is-ai-governance","type":"heading2","lines":["AI 거버넌스란?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-governance_0":{"id":"text-da3a6da38c","text":"\u003Cp\u003EAI 거버넌스는 조직이 내부 및 외부 요구 사항을 준수하면서 AI를 안전하고 공정하며 책임 있게 구축, 배포, 운영할 수 있도록 지원하는 정책, 표준, 통제 및 감독 프로세스의 집합입니다. AI 거버넌스는 사용 사례 식별과 데이터 선택부터 모델 개발, 배포, 모니터링, 인시던트 대응, 폐기에 이르기까지 AI 수명 주기 전반에 적용됩니다.\u003C/p\u003E\r\n\u003Cp\u003E그 범위는 많은 팀이 예상하는 것보다 넓습니다. AI 거버넌스는 머신러닝(ML) 모델, 생성형 AI 애플리케이션, 멀티 모달 시스템, 여러 도구 전반에서 작업을 수행할 수 있는 에이전트형 워크플로우까지 포괄합니다.\u003C/p\u003E\r\n\u003Cp\u003E사기 감지 모델, 고객 지원 챗봇, RAG 기반 어시스턴트, AI 에이전트는 아키텍처가 크게 다를 수 있습니다. 하지만 모두 동일한 기본 통제를 필요로 합니다. 즉, 시스템이 무엇을 할 수 있는지, 어떤 데이터에 액세스할 수 있는지, 누가 승인했는지, 시간이 지나면서 그 동작을 어떻게 모니터링하는지에 대한 명확한 기록이 필요합니다.\u003C/p\u003E\r\n\u003Cp\u003EAI 거버넌스는 인접한 여러 분야와도 맞닿아 있습니다.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/data-governance/\"\u003E\u003Cb\u003E데이터 거버넌스\u003C/b\u003E\u003C/a\u003E는 테이블, 뷰, 정책, 메타데이터, 계보, 품질, 액세스와 같은 데이터 자산을 관리합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E모델 거버넌스\u003C/b\u003E는 등록, 검증, 설명서, 모니터링을 통해 모델을 엔터프라이즈 자산으로 관리합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-ethics/\"\u003E\u003Cb\u003EAI 윤리\u003C/b\u003E\u003C/a\u003E는 공정성, 책임성, 인간의 감독과 같은 원칙을 정의합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/fundamentals/ai-governance/compliance/\"\u003E\u003Cb\u003EAI 규정 준수\u003C/b\u003E\u003C/a\u003E는 규제, 계약, 감사 요구 사항을 충족하는 데 중점을 둡니다.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-governance-matters-now":{"id":"title-v2-029140dbcc","additionalClasses":"anchor-title anchor-title--why-ai-governance-matters-now","type":"heading2","lines":["지금 AI 거버넌스가 중요한 이유"],":type":"snowflake-site/components/title-v2"},"text_why-ai-governance-matters-now_0":{"id":"text-d7b500c64d","text":"\u003Cp\u003EAI 시스템이 가격 책정, 채용, 사기 감지, 고객 경험, 공공 서비스에 영향을 미치는 의사결정에 깊숙이 통합되면서 AI 거버넌스는 엔터프라이즈의 필수 요건이 되었습니다. 생성형 AI는 민감 정보를 노출할 수 있습니다. 에이전트는 여러 시스템에 걸쳐 작업을 수행할 수 있습니다. 이제 핵심 질문은 모델이 잘 작동하는지에 그치지 않습니다. 조직이 그 모델을 둘러싼 시스템을 통제하고 설명할 수 있는지가 더 중요해졌습니다.\u003C/p\u003E\r\n\u003Cp\u003E규제 압박은 그 주요 동인 중 하나입니다. \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU 인공지능법\u003C/a\u003E은 조직이 AI 시스템을 분류하고, 통제를 구현하며, 고위험 사용 사례에 대해 감사 대응 가능한 설명서를 마련하도록 요구하는 리스크 기반 접근 방식을 제시합니다. ISO/IEC 42001은 거버넌스 관행을 수립, 유지, 개선하기 위한 AI 관리 시스템 표준을 제공함으로써 이를 보완합니다. 도입은 자발적이지만, 더 많은 조직이 EU 인공지능법에 부합하기 위한 방법으로 이를 선택하고 있습니다.\u003C/p\u003E\r\n\u003Cp\u003E그러나 거버넌스가 중요한 이유는 규제만이 아닙니다. AI 시스템은 차별적 결과를 생성하거나, 민감 데이터를 노출하거나, 근거 없는 주장을 만들어내거나, 사람의 충분한 감독 없이 의사 결정을 자동화할 수 있습니다. 이러한 실패는 평판 리스크로 이어지고, 고객, 직원, 파트너가 AI 기반 워크플로우를 신뢰하기 어렵게 만듭니다.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake의 수석 데이터 전략가인 Jennifer Belissent는 \u003Ca href=\"https://www.snowflake.com/en/blog/ai-governance-customer-trust/\"\u003E이러한 비즈니스 현실을 명확히 짚습니다\u003C/a\u003E. “AI 및 데이터 거버넌스를 움직이는 진짜 동인은 이미 존재합니다. 바로 고객이 이를 요구한다는 점입니다. 데이터 보안과 개인정보 보호 통제를 구현하고 AI 사용을 관리하는 일은 규제 요건을 넘어 기업의 평판과 직결된 문제입니다.”\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_why-ai-governance-matters-now_0":{"id":"quote-item-7163c46a5c","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"AI 및 데이터 거버넌스를 움직이는 진정한 동인은 이미 존재합니다. 바로 고객의 요구입니다.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_why-ai-governance-matters-now_1":{"id":"text-98261bd640","text":"\u003Cp\u003EAI 보증은 이제 기업이 AI 준비도를 평가하는 핵심 기준으로 자리 잡고 있습니다. 핵심 질문은 조직이 \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/responsible-ai/\"\u003E책임 있는 AI\u003C/a\u003E 선언문을 갖추고 있는지가 아니라, 어떤 시스템이 존재하는지, 어떤 통제가 적용되는지, 어떤 위험을 수용했는지, 어떤 출력을 검토했는지, 어떤 인시던트를 보고하고 그로부터 학습했는지를 보여줄 수 있는지입니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why-ai-governance-matters-now_0":{"id":"card-v2-77b40fb4a1","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["고객 사례: Town of Gilbert"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/town-of-gilbert/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","alt":"Town of Gilbert Logo","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--83f793a0-df9c-45fe-8949-f4e33942489a/gilbert%25403x.png?quality=85&preferwebp=true","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ETown of Gilbert는 Snowflake를 통해 범죄 예방, 정신 건강 대응, 도로 포트홀 보수, 재활용 같은 서비스 전반의 투명성을 높이기 위해 시민에게 공개되는 대시보드 11개를 출시했습니다. 이 도시는 역할 기반 액세스 제어, 메타데이터 필드, 동적 데이터 마스킹 같은 거버넌스 및 보안 기능을 사용해 민감한 공공 부문 데이터에 대한 신뢰할 수 있는 액세스를 지원합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001":{"id":"title-v2-669540be05","additionalClasses":"anchor-title anchor-title--key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001","type":"heading2","lines":["주요 AI 거버넌스 프레임워크: EU 인공지능법, NIST AI RMF, ISO 42001"],":type":"snowflake-site/components/title-v2"},"text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0":{"id":"text-4af99f317e","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-governance/framework/\"\u003EAI 거버넌스 프레임워크\u003C/a\u003E는 조직이 리스크를 분류하고, 통제를 정의하며, 증거를 생성하는 데 필요한 공통 언어를 제공합니다. 단일 프레임워크가 모든 엔터프라이즈 요건을 포괄할 수는 없지만, 오늘날 많은 거버넌스 논의는 다음 세 가지 기준을 중심으로 전개됩니다.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://artificialintelligenceact.eu/\" target=\"_blank\"\u003EEU 인공지능법\u003C/a\u003E은 EU 시장에 출시되거나 EU 시장에서 사용되는 AI 시스템에 적용되는 구속력 있는 법적 프레임워크입니다. 이 법은 리스크 분류를 통해 금지된 관행, 고위험 AI 시스템, 투명성 의무, 범용 AI 모델 요건을 구분합니다. 기업에 인공지능법이 중요한 이유는 유럽 밖에서도 법무, 리스크, 기술 팀이 AI 사용 사례를 구체적으로 분류하고, 의무 사항을 연결하며, 필요한 경우 적합성 평가 증거를 준비할 수 있는 기준을 제공하기 때문입니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\" target=\"_blank\"\u003ENIST AI 리스크 관리 프레임워크\u003C/a\u003E는 AI를 설계, 개발, 배포 또는 사용하는 조직이 리스크를 관리하고 신뢰할 수 있는 AI를 촉진하도록 돕기 위해 마련된 자발적 프레임워크입니다. NIST는 Govern, Map, Measure, Manage와 같은 기능을 중심으로 프레임워크를 구성합니다. 따라서 특정 AI 법률의 적용 대상이 아니더라도, 여러 부서가 참여하는 AI 리스크 프로그램을 구축하는 기업에 유용합니다.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.iso.org/standard/42001\" target=\"_blank\"\u003EISO/IEC 42001\u003C/a\u003E은 국제 AI 관리 시스템 표준입니다. 이 표준은 AI 관리 시스템을 수립, 구현, 유지 및 지속적으로 개선하기 위한 요건을 명시합니다. 따라서 AI 개발 및 사용 전반에서 인증 가능한 거버넌스 구조를 원하는 조직에 적합합니다.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003E그 밖의 글로벌 기준도 중요합니다. \u003Ca rel=\"noopener noreferrer\" href=\"https://www.oecd.org/en/topics/ai-principles.html\" target=\"_blank\"\u003EOECD AI 원칙\u003C/a\u003E은 신뢰할 수 있고, 인권을 존중하며, 민주적 가치를 뒷받침하는 AI를 촉진합니다. 또한 \u003Ca rel=\"noopener noreferrer\" href=\"https://assets.publishing.service.gov.uk/media/65c1e399c43191000d1a45f4/a-pro-innovation-approach-to-ai-regulation-amended-governement-response-web-ready.pdf\" target=\"_blank\"\u003E영국 과학혁신기술부 백서\u003C/a\u003E는 AI 규제에 대해 혁신 친화적이고 맥락 기반의 접근 방식을 제시합니다. 이러한 기준이 공통적으로 가리키는 운영상의 요구 사항은 분명합니다. AI 시스템이 변화하는 과정에서도 조직은 리스크를 분류하고, 책임성을 부여하며, 통제를 적용하고, 증거를 생성할 수 있는 거버넌스 메커니즘을 갖춰야 합니다.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003E생성형 AI 윤리와 규제에 관한 대화 보기:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0":{"id":"embed-60b0ac12c8","youtubeVideoId":"DPs8nz59kss","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_key-components-of-ai-governance":{"id":"title-v2-90e13a9156","additionalClasses":"anchor-title anchor-title--key-components-of-ai-governance","type":"heading2","lines":["AI 거버넌스의 핵심 구성 요소"],":type":"snowflake-site/components/title-v2"},"text_key-components-of-ai-governance_0":{"id":"text-c643246d5d","text":"\u003Cp\u003E효과적인 AI 거버넌스는 AI 시스템이 조직의 목표에 맞춰 책임감 있고 안전하게 개발 및 사용되도록 보장하는 상호 연결된 구성 요소를 기반으로 합니다. 다음 구성 요소는 주요 AI 거버넌스 프레임워크의 공통 요소를 종합한 것입니다.\u003C/p\u003E\r\n\u003Ch3\u003E전략과 감독\u003C/h3\u003E\r\n\u003Cp\u003EAI 거버넌스는 명확한 전략적 방향성과 책임성에서 시작됩니다. 조직은 AI의 도입 및 관리 방식을 이끌 명확한 리더십 구조, 정책, 의사 결정 프로세스를 갖춰야 합니다. 이를 통해 AI 이니셔티브를 비즈니스 목표와 리스크 허용 범위에 맞출 수 있습니다.\u003C/p\u003E\r\n\u003Ch3\u003E위험 관리\u003C/h3\u003E\r\n\u003Cp\u003EAI는 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003E알고리즘 편향\u003C/a\u003E, \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-security/\"\u003EAI 보안\u003C/a\u003E 취약점, 의도치 않은 결과 등 다양한 리스크를 가져옵니다. 강력한 거버넌스 프레임워크는 AI 수명 주기 전반에서 이러한 리스크를 식별, 평가, 완화하며, 지속적인 모니터링과 인시던트 대응을 위한 프로세스를 포함합니다.\u003C/p\u003E\r\n\u003Ch3\u003E데이터 거버넌스\u003C/h3\u003E\r\n\u003Cp\u003EAI 시스템은 데이터에 크게 의존하므로, 거버넌스는 데이터가 정확하고 안전하며 책임감 있게 사용되도록 보장해야 합니다. 여기에는 데이터 품질, 개인정보 보호, 액세스 제어 관리와 명확한 데이터 계보 유지가 포함됩니다.\u003C/p\u003E\r\n\u003Ch3\u003E모델 거버넌스 및 수명 주기 관리\u003C/h3\u003E\r\n\u003Cp\u003E모델 거버넌스는 AI 모델을 개발, 테스트, 배포 및 유지 관리하는 방식에 초점을 맞춥니다. 여기에는 모델이 시간이 지나도 신뢰성과 목적 적합성을 유지하도록 보장하기 위한 검증, 설명서, 버전 관리 및 지속적인 모니터링 표준이 포함됩니다.\u003C/p\u003E\r\n\u003Ch3\u003E윤리와 책임 있는 AI\u003C/h3\u003E\r\n\u003Cp\u003E기술적 성능을 넘어, AI 시스템은 윤리 원칙을 준수해야 합니다. 거버넌스 프레임워크는 공정성, 투명성, 설명 가능성 및 인간 감독을 다루어 피해를 줄이고 결과가 사회적 가치 및 조직의 가치와 부합하도록 보장합니다.\u003C/p\u003E\r\n\u003Ch3\u003E규정 준수 및 법적 통제\u003C/h3\u003E\r\n\u003Cp\u003E조직은 AI 시스템이 적용 가능한 법률과 규정을 준수하도록 보장해야 합니다. 여기에는 감사 추적 유지, 문서화 요건 충족, 서드 파티 리스크 관리, 책임 및 지식재산권과 같은 문제 해결이 포함됩니다.\u003C/p\u003E\r\n\u003Ch3\u003E보안과 견고성\u003C/h3\u003E\r\n\u003Cp\u003EAI 시스템은 오용, 조작, 공격으로부터 보호되어야 합니다. 거버넌스에는 데이터와 모델을 보호하는 안전장치, 적대적 위협에 대한 회복탄력성, 무단 액세스 또는 유해한 사용을 방지하는 통제가 포함됩니다.\u003C/p\u003E\r\n\u003Ch3\u003E투명성과 책임성\u003C/h3\u003E\r\n\u003Cp\u003E명확한 문서화와 추적성은 신뢰의 기반입니다. 조직은 AI 시스템이 어떻게 설계되고 운영되는지에 대한 기록을 유지하고, 결과에 대한 적절한 설명을 제공하며, 문제가 발생했을 때 책임 소재를 명확히 해야 합니다.\u003C/p\u003E\r\n\u003Ch3\u003E운영과 모니터링\u003C/h3\u003E\r\n\u003Cp\u003EAI 거버넌스는 배포 이후까지 이어집니다. 지속적인 모니터링은 시스템이 예상대로 작동하도록 보장하며, 피드백 루프, 감사 및 인시던트 관리 프로세스는 조직이 문제에 대응하고 시간이 지나면서 개선할 수 있도록 지원합니다.\u003C/p\u003E\r\n\u003Ch3\u003E문화, 교육 및 변화 관리\u003C/h3\u003E\r\n\u003Cp\u003E성공적인 거버넌스는 프로세스만큼이나 사람에 달려 있습니다. 조직은 교육에 투자하고, 책임 있는 AI 관행을 촉진하며, 윤리적 고려 사항과 리스크 인식이 일상적인 의사결정에 내재화되는 문화를 조성해야 합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_key-components-of-ai-governance_0":{"id":"text-c956ac4c69","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003E자주 하는 실수\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003E데이터, 모델, 프롬프트, 애플리케이션 전반에서 거버넌스를 서로 연결되지 않은 통제의 집합으로 구현하면 가시성과 책임성에 공백이 생기는 경우가 많습니다. 이로 인해 AI 시스템의 동작 방식을 추적하거나 프로덕션 환경에서 정책을 일관되게 적용하기 어려워집니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_responsible-ai-principles-that-operationalize-governance":{"id":"title-v2-ba159d3acf","additionalClasses":"anchor-title anchor-title--responsible-ai-principles-that-operationalize-governance","type":"heading2","lines":["책임 있는 AI: 거버넌스를 실행으로 옮기는 원칙"],":type":"snowflake-site/components/title-v2"},"text_responsible-ai-principles-that-operationalize-governance_0":{"id":"text-7c03f984d3","text":"\u003Cp\u003E책임 있는 AI는 AI가 비즈니스 프로세스의 일부가 될 때 조직이 지키고자 하는 가치를 정의합니다. 여기에는 결과의 공정성, 시스템 동작에 대한 투명성, 의사 결정에 대한 책임성, 영향을 받는 사람들의 개인정보 보호, 예상된 조건과 예상치 못한 조건에서의 안전성, 시스템의 영향을 받을 수 있는 집단 전반의 포용성이 포함됩니다.\u003C/p\u003E\n\u003Cp\u003E이러한 원칙을 실제로 작동시키려면 운영 메커니즘이 필요합니다. 공정성 원칙은 문서화된 임계값을 갖춘 편향 감사로 구체화됩니다. 개인정보 보호 원칙에는 데이터 최소화, 마스킹, 보존 제한, 액세스 제어가 필요합니다. 인간 감독의 원칙은 AI가 생성한 추천을 사람이 언제 승인, 재정의 또는 조사해야 하는지 규정하는 검토 워크플로우로 구현됩니다.\u003C/p\u003E\n\u003Cp\u003EAI 거버넌스는 책임 있는 AI에 구조를 부여합니다. 원칙을 책임자, 아티팩트 및 통제와 연결합니다. 목표는 모든 AI 프로젝트에 동일한 프로세스를 적용해 속도를 늦추는 것이 아니라, 고위험 시스템이 그 영향도에 필요한 면밀한 검토, 문서화 및 모니터링을 받도록 보장하는 것입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-transparency-and-explainability":{"id":"title-v2-9e2704736b","additionalClasses":"anchor-title anchor-title--ai-transparency-and-explainability","type":"heading2","lines":["AI 투명성과 설명 가능성"],":type":"snowflake-site/components/title-v2"},"text_ai-transparency-and-explainability_0":{"id":"text-2c1464b410","text":"\u003Cp\u003E투명성과 설명 가능성은 함께 논의되는 경우가 많지만, 각각 답하는 질문은 다릅니다. \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-transparency/\"\u003EAI 투명성\u003C/a\u003E은 이해관계자가 시스템에 대해 무엇을 볼 수 있는가에 관한 문제입니다. 소유자가 누구인지, 어떤 목적을 위해 설계됐는지, 어떤 데이터 소스를 사용하는지, 어떤 제어가 적용되는지, 어떤 제한 사항이 문서화되었는지가 여기에 포함됩니다. 설명 가능성은 특정 예측, 분류, 추천 또는 생성된 출력이 왜 발생했는지에 관한 것입니다.\u003C/p\u003E\r\n\u003Cp\u003E투명한 AI 시스템은 모델 카드, 문서, 버전 기록, 승인 상태 및 알려진 제한 사항을 공개할 수 있습니다. 설명 가능한 시스템은 어떤 변수가 신용 리스크 예측에 영향을 미쳤는지, 또는 어떤 피처가 이탈 점수에 가장 크게 기여했는지 보여줄 수 있습니다. 생성형 AI 시스템의 경우, 생성된 답변을 뒷받침하는 그라운딩 근거로 어떤 검색 문서가 사용되었는지도 보여줄 수 있습니다.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://shap.readthedocs.io/en/latest/\" target=\"_blank\"\u003ESHAP\u003C/a\u003E 및 \u003Ca rel=\"noopener noreferrer\" href=\"https://c3.ai/glossary/data-science/lime-local-interpretable-model-agnostic-explanations/\" target=\"_blank\"\u003ELIME\u003C/a\u003E과 같은 기술적 설명 가능성 기법은 특히 테이블 형식 ML 컨텍스트에서 팀이 특정 모델 출력을 해석하는 데 도움이 될 수 있지만, \u003Ca href=\"https://www.snowflake.com/en/fundamentals/large-language-model/\"\u003E대규모 언어 모델\u003C/a\u003E에는 적용 가능성이 낮습니다. 하지만 설명 가능성은 모델 기법에만 국한되지 않습니다. 생성형 AI의 경우 RAG 그라운딩 근거, 인용된 소스 문서, 프롬프트 및 응답 로그, 사후 설명, 출력 신뢰도 신호, 시스템을 사용해서는 안 되는 상황에 대한 명확한 문서화도 필요할 수 있습니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-traceability-and-auditability":{"id":"title-v2-d006609cb5","additionalClasses":"anchor-title anchor-title--ai-traceability-and-auditability","type":"heading2","lines":["AI 추적성과 감사 가능성"],":type":"snowflake-site/components/title-v2"},"text_ai-traceability-and-auditability_0":{"id":"text-a2dd970849","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/ai-governance/ai-traceability/\"\u003EAI 추적성\u003C/a\u003E은 AI 출력을 이를 생성한 자산 및 작업과 다시 연결합니다. 전통적인 ML 시스템에서는 데이터 계보, 학습 데이터, 피처 변환, 모델 버전, 검증 결과, 배포 시점이 여기에 포함될 수 있습니다. 생성형 AI 애플리케이션에서는 시스템 프롬프트, 사용자 프롬프트, 검색된 컨텍스트, 모델 제공업체, 추론 구성, 도구 호출, 생성된 응답도 포함될 수 있습니다. AI 에이전트에서는 추적성이 메모리 상태, 작업 이력, 에이전트가 액세스한 외부 시스템까지 확장될 수 있습니다.\u003C/p\u003E\r\n\u003Cp\u003E감사 가능성은 내부 검토자 또는 독립 검토자가 시스템이 설계된 대로 작동했고 필요한 통제가 적용되었는지 확인할 수 있는 능력입니다. 이는 감사 추적, 필요한 경우 불변 로그, 모델 카드 문서, 모델 문서, AI 인시던트 보고 기록, 액세스 이력, 사후 검토가 가능한 통제 증거에 따라 달라집니다.\u003C/p\u003E\r\n\u003Cp\u003E이러한 역량은 AI 규정 준수 감사의 기반이 됩니다. 거버넌스 팀이 어떤 데이터가 사용됐는지, 어떤 모델 또는 프롬프트 버전이 활성화돼 있었는지, 어떤 사용자가 출력을 요청했는지, 이후 어떤 조치가 이어졌는지를 재구성할 수 없다면 시스템이 정책을 준수했는지 신뢰성 있게 평가할 수 없습니다. 이 때문에 AI 추적성에는 데이터 계보와 모델 계보가 모두 필요한 경우가 많으며, 프롬프트, 검색된 컨텍스트, 도구 사용을 캡처하는 애플리케이션 수준 로그도 함께 필요합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_training-data-governance-and-bias-auditing":{"id":"title-v2-6731727cb7","additionalClasses":"anchor-title anchor-title--training-data-governance-and-bias-auditing","type":"heading2","lines":["학습 데이터 거버넌스와 편향 감사"],":type":"snowflake-site/components/title-v2"},"text_training-data-governance-and-bias-auditing_0":{"id":"text-f582f8a618","text":"\u003Cp\u003EAI 거버넌스는 모델을 학습, 튜닝, 그라운딩 또는 평가하는 데이터에서 시작됩니다. 문서화가 부실한 데이터로 학습된 모델은 과거의 편향을 재현하거나, 민감 속성을 노출하거나, 신뢰할 수 없는 출력을 생성하거나, 원본 데이터에 대표되지 않은 집단에 적용될 때 실패할 수 있습니다. RAG 시스템의 경우 모델이 엔터프라이즈 문서로 학습되지 않을 수 있지만, 검색된 콘텐츠에도 동일한 거버넌스 질문이 적용됩니다. 해당 콘텐츠가 어디에서 왔는지, 누가 소유하는지, 얼마나 최신 상태인지, 어떤 액세스 정책이 적용되는지, 사용자의 요청에 적합한지 확인해야 합니다.\u003C/p\u003E\n\u003Cp\u003E학습 데이터 거버넌스는 프로비넌스, 동의, 라이선스, 품질, 보존, 액세스, 인구통계학적 속성, 데이터 최소화, 승인된 사용을 포괄합니다. LLM 데이터 거버넌스의 경우 범위가 사전 학습 데이터 공개, 파인튜닝 데이터, 임베딩, 프롬프트 로그 및 평가 데이터까지 포함할 수 있습니다. 합성 데이터 거버넌스는 또 다른 계층을 추가합니다. 합성 데이터가 어떻게 생성되었는지, 통계적 유용성을 유지하는지, 원천 데이터를 유출하는지, 어떤 사용 사례를 지원하도록 승인되었는지를 다룹니다.\u003C/p\u003E\n\u003Cp\u003E편향 감사는 AI 시스템이 보호 대상 계층, 인구통계학적 속성 또는 기타 관련 코호트 전반에서 허용할 수 없는 격차를 만들어내는지 테스트합니다. 이 작업은 명확한 정의, 대표성 있는 데이터, 민감 속성의 신중한 처리에 달려 있습니다. 경우에 따라 편향을 테스트하려면 인구통계학적 데이터가 필요할 수 있습니다. 반면 해당 데이터를 수집하거나 사용하는 것 자체가 개인정보 보호 및 규정 준수 리스크를 만들 수도 있습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_generative-ai-and-ai-agent-governance":{"id":"title-v2-654cba31af","additionalClasses":"anchor-title anchor-title--generative-ai-and-ai-agent-governance","type":"heading2","lines":["생성형 AI와 AI 에이전트 거버넌스"],":type":"snowflake-site/components/title-v2"},"text_generative-ai-and-ai-agent-governance_0":{"id":"text-b95bbe2a0a","text":"\u003Cp\u003E생성형 AI와 AI 에이전트는 이전의 모델 거버넌스 프로그램이 관리하도록 설계되지 않은 새로운 아티팩트와 동작을 도입하기 때문에 거버넌스 표면을 확장합니다. 분류 모델은 점수나 범주를 반환합니다. 생성형 AI 애플리케이션은 문단을 생성하거나, 문서를 요약하거나, 코드를 작성하거나, 이미지를 생성하거나, 검색된 컨텍스트를 기반으로 비즈니스 질문에 답할 수 있습니다. AI 에이전트는 여기서 더 나아가 도구를 선택하고, 계획을 수립하고, 메모리를 저장하고, 시스템 전반에서 작업을 수행할 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E생성형 AI 거버넌스\u003C/h3\u003E\n\u003Cp\u003E생성형 AI 거버넌스는 생성된 콘텐츠의 형태를 결정하는 데이터, 프롬프트, 모델, 검색 파이프라인, 출력, 공개 사항을 포괄합니다. 프롬프트 거버넌스는 특히 프롬프트가 정책, 역할 동작 또는 액세스 제약 조건을 인코딩하는 경우, 누가 시스템 프롬프트를 생성, 수정 및 승인할 수 있는지를 정의합니다. LLM 거버넌스는 어떤 파운데이션 모델이 사용되는지, 어디에서 실행되는지, 어떤 데이터가 공유되는지, 출력이 어떻게 필터링되는지, 어떤 계약상 또는 규정 준수 의무가 적용되는지를 추적합니다.\u003C/p\u003E\n\u003Cp\u003ERAG 거버넌스는 생성된 답변이 검색된 문서, 테이블 또는 지식 기반 항목에 의존하는 경우가 많기 때문에 엔터프라이즈 사용 사례에서 특히 중요합니다. 거버넌스가 적용된 RAG 시스템에는 프로비넌스 메타데이터, 액세스 제어, 최신성 검사, 소스 인용, 답변 관련성과 근거 충실성을 테스트하는 평가 지표가 필요합니다. 이러한 통제가 없으면 시스템은 오래되었거나 제한되었거나 제대로 이해되지 않은 콘텐츠를 기반으로 확신에 찬 답변을 생성할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003EAI 고지와 생성형 AI 투명성은 사용자, 고객 또는 직원이 AI와 상호 작용하고 있거나 AI 생성 콘텐츠를 받고 있다는 사실을 언제 알아야 하는지 정의합니다. 콘텐츠 거버넌스에는 \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://c2pa.org/\"\u003EC2PA\u003C/a\u003E와 같은 프로비넌스 표준, 영향도가 높은 출력에 대한 인간 검토, 적절한 경우 워터마킹, 외부에 게시되는 AI 생성 자료에 대한 정책도 포함될 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003EAI 에이전트 거버넌스\u003C/h3\u003E\n\u003Cp\u003EAI 에이전트 거버넌스는 도구 사용 감독, 에이전트 메모리 제어, 멀티에이전트 조정 규칙을 추가합니다. 응답 초안을 작성하는 지원 에이전트는 하나의 리스크 프로필에 해당하지만, 환불을 처리하거나 계정 기록을 업데이트하거나 민감한 내부 시스템을 쿼리할 수 있는 에이전트는 또 다른 리스크 프로필에 해당합니다. 거버넌스는 에이전트가 호출할 수 있는 도구, 상속하는 권한, 승인이 필요한 작업, 예외가 기록되는 방식을 정의해야 합니다.\u003C/p\u003E\n\u003Cp\u003E에이전트 메모리는 또 하나의 거버넌스 오브젝트를 만듭니다. 에이전트가 사용자 선호도, 프로젝트 컨텍스트 또는 이전 의사결정을 저장하는 경우, 팀은 보존, 삭제, 액세스, 개인정보 보호, 메모리가 향후 작업에 영향을 미칠 수 있는지에 대한 규칙을 마련해야 합니다. 멀티에이전트 시스템은 조정 리스크를 추가합니다. 한 에이전트가 데이터를 검색하고, 다른 에이전트가 이를 추론하며, 또 다른 에이전트가 작업을 수행할 수 있습니다. 감사 추적은 이러한 단계가 어떻게 연결되는지 보여주어야 합니다.\u003C/p\u003E\n\u003Cp\u003E실질적인 거버넌스 질문은 엔터프라이즈가 모델에만 의존하지 않고 에이전트의 동작을 제한할 수 있는지입니다. 가드레일, 권한, 데이터 정책, 워크플로우 승인, 추적 로그, 인시던트 보고는 모두 에이전틱 AI를 불투명한 워크플로우에서 통제된 시스템으로 전환하는 데 도움이 됩니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text":{"id":"text-f214b02e75","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003E팁\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EAI 에이전트가 메모리, 도구 액세스 또는 작업 수행 능력과 같은 자율성을 더 많이 가질수록 권한, 승인, 감사 추적을 중심으로 더 강력한 거버넌스 제어가 필요합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_model-governance-model-risk-and-alignment":{"id":"title-v2-fd1c34b588","additionalClasses":"anchor-title anchor-title--model-governance-model-risk-and-alignment","type":"heading2","lines":["모델 거버넌스, 모델 리스크 및 정렬"],":type":"snowflake-site/components/title-v2"},"text_model-governance-model-risk-and-alignment_0":{"id":"text-af2d2f2e37","text":"\u003Cp\u003E모델 거버넌스는 각 모델을 엔터프라이즈 자산으로 관리하며 일반적으로 모델 등록, 모델 카드, 설명서, 검증, 승인 워크플로우, 모니터링, 폐기, 소유권이 포함됩니다. 모델 레지스트리는 어떤 모델이 존재하고 어디에 배포돼 있는지 보여줍니다. 모델 카드는 의도된 사용, 평가 결과, 제한 사항, 윤리적 고려 사항, 모델을 사용해서는 안 되는 조건을 기록합니다.\u003C/p\u003E\n\u003Cp\u003E모델 리스크는 모델이 부정확하거나 부적절하거나 유해한 출력을 생성하거나, 의도된 컨텍스트를 벗어나 사용될 때 발생하는 리스크입니다. 금융 서비스 조직은 오랫동안 모델 리스크 관리를 공식적인 분야로 다뤄왔습니다. 미국 은행권의 오랜 모델 리스크 관리 지침인 SR 11-7은 거버넌스, 검증, 통제 및 감독을 강조했습니다. 2026년 4월, \u003Ca href=\"https://www.federalreserve.gov/supervisionreg/srletters/SR2602.pdf\" target=\"_blank\"\u003E미국 연방준비제도\u003C/a\u003E는 보다 리스크 기반의 접근 방식을 반영하기 위한 개정 지침을 발표했습니다.\u003C/p\u003E\n\u003Cp\u003EAI 거버넌스는 모델 리스크 전통을 차용하지만, 이를 더 광범위한 시스템으로 확장합니다. 챌린저 모델은 프로덕션 모델과 성능을 비교하는 데 사용될 수 있습니다. 모니터링은 드리프트, 정확도, 지연 시간, 비용, 공정성 또는 안전하지 않은 출력 비율을 추적할 수 있습니다. 책임 있는 AI 검토는 사용 사례가 조직의 원칙, 법적 의무 및 이해관계자의 기대에 부합하는지 검토할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E모델 정렬은 특히 생성형 AI에서 또 하나의 계층을 더합니다. 정렬은 모델이나 AI 애플리케이션이 의도한 목표, 정책, 인간의 가치에 일관되게 부합하는 방식으로 작동하는지를 묻습니다. 헌법적 AI와 같은 기법은 학습 또는 튜닝 과정에서 모델 동작을 형성할 수 있지만, 엔터프라이즈 정렬은 주변 통제에도 달려 있습니다. 승인된 사용 사례, 인간 검토, 가드레일, 평가 인프라, 시스템이 예상치 못하게 동작할 때의 명확한 에스컬레이션 경로가 여기에 포함됩니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-governance-and-compliance":{"id":"title-v2-d4486bd93d","additionalClasses":"anchor-title anchor-title--ai-governance-and-compliance","type":"heading2","lines":["AI 거버넌스와 규정 준수"],":type":"snowflake-site/components/title-v2"},"text_ai-governance-and-compliance_0":{"id":"text-856c6e42cb","text":"\u003Cp\u003EAI 규정 준수는 거버넌스 제어를 증거로 전환합니다. 정책에는 고위험 시스템에 인간 감독이 필요하다고 명시되어 있을 수 있지만, 규제 기관이나 고객은 승인 워크플로우, 검토자 이름, 검토 날짜, 이슈 이력, 해당 워크플로우가 배포 전에 적용되었다는 증명을 요구할 수 있습니다. 정책과 규정 준수 프로그램의 차이는 정책이 실제로 작동했음을 입증할 수 있느냐에 있습니다.\u003C/p\u003E\n\u003Cp\u003E제어 매핑은 AI 거버넌스 활동을 법률, 표준, 내부 정책의 구체적 요구 사항과 연결하는 데 도움이 됩니다. 예를 들어 모델 인벤토리 유지라는 단일 통제는 EU 인공지능법, ISO/IEC 42001, 내부 리스크 관리 및 고객 보증 질문서를 지원할 수 있습니다. 모델 카드 또는 AI 영향 평가와 같은 단일 아티팩트는 투명성, 책임성, 리스크 검토 및 감사 증적을 지원할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E규제 기관 대상 문서는 정확하고 최신 상태여야 하며 실제 시스템과 연결되어 있어야 합니다. 여기에는 AI 시스템의 의도된 목적, 데이터 소스, 리스크 분류, 평가 결과, 인간 감독 모델, 모니터링 계획, 인시던트 보고 프로세스, 변경 이력이 포함됩니다. 생성형 AI 및 에이전틱 시스템의 경우 관련성이 있는 경우 프롬프트, RAG 그라운딩, 도구 사용, 가드레일, 콘텐츠 프로비넌스, 출력 검토도 문서에 포함해야 합니다.\u003C/p\u003E\n\u003Cp\u003EAI 거버넌스 프로그램은 규정 준수 작업이 배포 이후에 이루어질 때 정체되는 경우가 많습니다. 더 지속 가능한 방식은 문서화, 모니터링, 통제 증적을 거버넌스 파이프라인에 내재화하여 승인된 모든 AI 사용 사례가 검토, 감사, 개선에 필요한 기록을 남기도록 하는 것입니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-to-implement-ai-governance":{"id":"title-v2-23245b9a28","additionalClasses":"anchor-title anchor-title--how-to-implement-ai-governance","type":"heading2","lines":["AI 거버넌스 구현 방법"],":type":"snowflake-site/components/title-v2"},"text_how-to-implement-ai-governance_0":{"id":"text-249b6b655b","text":"\u003Cp\u003EAI 거버넌스는 거버넌스 대상 시스템 가까이에 있을 때 가장 효과적으로 작동합니다. 정책 규칙은 모델 레지스트리, 데이터 정책, 액세스 제어, 승인 워크플로우, 모니터링 대시보드, 인시던트 보고서에 나타나야 합니다. 그렇지 않으면 거버넌스는 팀이 AI 작업을 빠르게 진행할 때 우회하는 병렬 프로세스가 됩니다.\u003C/p\u003E\n\u003Cp\u003E실무적인 구현은 보통 다음 여섯 단계에서 시작됩니다.\u003C/p\u003E\n\u003Col\u003E\n\u003Cli\u003E\u003Cstrong\u003E모든 모델과 AI 사용 사례 인벤토리화:\u003C/strong\u003E 기존 ML, 생성형 AI 애플리케이션, 내장형 벤더 AI, RAG 시스템, AI 에이전트, 이미 업무에 영향을 미치고 있을 수 있는 실험적 시스템을 포함하는 모델 인벤토리를 구축합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E리스크 기준 분류:\u003C/strong\u003E 영향도, 자율성, 데이터 민감도, 사용자 노출, 규제 범위를 반영하는 리스크 계층화 모델을 사용합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E책임 있는 소유자와 검토자 지정:\u003C/strong\u003E 각 시스템에는 책임 소유자, 기술 스튜어드, 검토 경로가 필요합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E데이터와 모델이 이미 실행되는 위치에 제어 내장:\u003C/strong\u003E 제어는 데이터, 모델, 애플리케이션의 제어 영역에 포함될 때 더 효과적입니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E지속적인 문서화, 모니터링, 감사:\u003C/strong\u003E 모델 문서, 모델 카드, AI 영향 평가, 계보, 액세스 이력, 감사 추적은 시스템이 변경될 때 함께 업데이트되어야 합니다.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003E인시던트 보고 및 교훈 도출:\u003C/strong\u003E AI 인시던트 보고는 어떤 일이 발생했는지, 누가 영향을 받았는지, 어떤 제어가 실패했거나 누락되었는지, 이후 무엇이 달라졌는지를 포착해야 합니다.\u003C/li\u003E\n\u003C/ol\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-ad496ee783","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"AI 거버넌스는 거버넌스 대상 시스템과 가까운 곳에 구현될 때 가장 효과적으로 작동합니다.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_why-ai-governance-on-snowflake":{"id":"title-v2-4c9efa4c97","additionalClasses":"anchor-title anchor-title--why-ai-governance-on-snowflake","type":"heading2","lines":["Snowflake 기반 AI 거버넌스의 가치"],":type":"snowflake-site/components/title-v2"},"text_why-ai-governance-on-snowflake_0":{"id":"text-b780dff8d1","text":"\u003Cp\u003EAI 거버넌스는 거버넌스가 적용된 데이터와 가까이 있을 때 이점을 얻습니다. 데이터 정책은 한 시스템에, 모델 개발은 다른 시스템에, 프롬프트는 또 다른 시스템에, AI 애플리케이션은 다른 곳에 존재한다면 팀은 거버넌스 작업의 상당 부분을 인벤토리 조정, 증적 복사, 사후에 발생한 일을 추론하는 데 쓰게 됩니다.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake는 거버넌스가 적용된 데이터가 이미 존재하는 위치에서 AI 거버넌스를 지원하도록 설계된 기능을 제공합니다. \u003Ca href=\"https://www.snowflake.com/ko/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E는 데이터와 AI를 위한 통합 거버넌스 계층을 제공하며, 액세스 제어, 동적 데이터 마스킹, 행 액세스 정책, 데이터 분류와 같은 기능을 포함합니다.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://trust.snowflake.com/\"\u003ESnowflake Compliance Center\u003C/a\u003E는 계정 보안 태세를 위한 모니터링 계층을 추가합니다. 이 기능은 스캐너 권장 사항을 기준으로 Snowflake 계정을 평가하고, 잠재적인 보안 리스크를 감지하면 발견 사항을 생성하며, 해결 지침을 제공합니다.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/blog/snowflake-cortex-ai-cortex-guard-llm-safeguards/\"\u003ECortex Guard\u003C/a\u003E는 Snowflake Cortex AI 함수에서 활성화되었을 때 잠재적으로 안전하지 않거나 유해한 LLM 응답을 필터링하여 생성형 AI를 위한 런타임 안전 계층을 제공하도록 설계되었습니다.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake의 ISO/IEC 42001 인증은 또 하나의 신뢰성 지표입니다. 이 인증은 AI 개발과 사용에서 투명성과 책임성을 중시하며, AI 수명 주기 관리를 위한 거버넌스 및 감독 구조를 갖추고 있음을 보여줍니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why-ai-governance-on-snowflake_0":{"id":"card-v2-e2d4c44137","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["고객 사례: Merkle"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/merkle/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","alt":"Merkle logo","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--14562da5-7f82-4c21-b8ff-55054c4d6c0c/merkle%25403x.png?quality=85&preferwebp=true","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EMerkle은 민감한 마케팅 데이터, 거버넌스 및 협업 워크플로우를 Snowflake로 통합해 데이터 개발 주기를 64% 단축하고 최대 20%의 비용을 절감했습니다(2025년 3월 기준). 또한 Snowflake Cortex의 Document AI를 활용해 RFP 응답 솔루션을 구축함으로써 최소 25명의 팀원이 수행하던 데이터 입력 작업을 줄였습니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_a-practical-path-to-safer-ai":{"id":"title-v2-e2c0b849a8","additionalClasses":"anchor-title anchor-title--a-practical-path-to-safer-ai","type":"heading2","lines":["더 안전한 AI를 향한 실질적 경로"],":type":"snowflake-site/components/title-v2"},"text_a-practical-path-to-safer-ai_0":{"id":"text-3222d196f6","text":"\u003Cp\u003E엔터프라이즈에서 AI 도입은 거버넌스 없이는 이루어질 수 없습니다. 거버넌스는 조직이 AI 시스템이 무엇을 하고 있는지, 누가 책임지고 있는지, 어떤 데이터와 모델이 그 동작을 형성했는지, 출력이 의사결정의 일부가 되기 전에 적절한 통제가 적용되었는지 파악하도록 돕습니다.\u003C/p\u003E\n\u003Cp\u003EAI가 엔터프라이즈 데이터를 검색하고, 콘텐츠를 생성하고, 도구를 호출하고, 운영 워크플로우에 영향을 미칠 수 있는 생성형 애플리케이션과 에이전트로 확장될수록 거버넌스는 더욱 중요해집니다.\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 관점에서 이것이 바로 AI 거버넌스의 실질적 가치입니다. 팀이 리스크를 더 명확히 파악한 상태에서 더 빠르게 움직이고, 신뢰와 책임성이 중요한 영역에서 AI를 사용하며, 고객, 규제 기관, 내부 이해관계자에게 AI 시스템이 시간이 지나면서 어떻게 관리되고 있는지 보여줄 수 있도록 돕습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_a-practical-path-to-safer-ai_0":{"id":"text-1b3461c080","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003E핵심 요약\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EAI 거버넌스는 전체 시스템 수명 주기 전반에서 정책, 제어, 책임성을 정렬해 엔터프라이즈가 AI를 안정적으로 운영하도록 지원합니다. 이를 통해 기존 모델부터 생성형 AI와 에이전트에 이르는 다양한 AI 접근 방식이 투명하고 통제 가능하며 실제 환경에 적합한 상태를 유지할 수 있습니다.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout_what-is-ai-governance_0","text_intro_0","title_what-is-ai-governance","text_what-is-ai-governance_0","title_why-ai-governance-matters-now","text_why-ai-governance-matters-now_0","quote_why-ai-governance-matters-now_0","text_why-ai-governance-matters-now_1","card_v2_why-ai-governance-matters-now_0","title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001","text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0","yt_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0","title_key-components-of-ai-governance","text_key-components-of-ai-governance_0","callout_key-components-of-ai-governance_0","title_responsible-ai-principles-that-operationalize-governance","text_responsible-ai-principles-that-operationalize-governance_0","title_ai-transparency-and-explainability","text_ai-transparency-and-explainability_0","title_ai-traceability-and-auditability","text_ai-traceability-and-auditability_0","title_training-data-governance-and-bias-auditing","text_training-data-governance-and-bias-auditing_0","title_generative-ai-and-ai-agent-governance","text_generative-ai-and-ai-agent-governance_0","text","title_model-governance-model-risk-and-alignment","text_model-governance-model-risk-and-alignment_0","title_ai-governance-and-compliance","text_ai-governance-and-compliance_0","title_how-to-implement-ai-governance","text_how-to-implement-ai-governance_0","quote_item","title_why-ai-governance-on-snowflake","text_why-ai-governance-on-snowflake_0","card_v2_why-ai-governance-on-snowflake_0","title_a-practical-path-to-safer-ai","text_a-practical-path-to-safer-ai_0","callout_a-practical-path-to-safer-ai_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-f58111a490",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-bbda97b6cf","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E이 가이드의 주요 내용\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-7e99c71390","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-ai-governance\"\u003EAI 거버넌스란?\u003C/li\u003E\n\u003Cli data-anchor=\"why-ai-governance-matters-now\"\u003E지금 AI 거버넌스가 중요한 이유\u003C/li\u003E\n\u003Cli data-anchor=\"key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001\"\u003E주요 AI 거버넌스 프레임워크: EU 인공지능법, NIST AI RMF, ISO 42001\u003C/li\u003E\n\u003Cli data-anchor=\"key-components-of-ai-governance\"\u003EAI 거버넌스의 핵심 구성 요소\u003C/li\u003E\n\u003Cli data-anchor=\"responsible-ai-principles-that-operationalize-governance\"\u003E책임 있는 AI: 거버넌스를 실행으로 옮기는 원칙\u003C/li\u003E\n\u003Cli data-anchor=\"ai-transparency-and-explainability\"\u003EAI 투명성과 설명 가능성\u003C/li\u003E\n\u003Cli data-anchor=\"ai-traceability-and-auditability\"\u003EAI 추적성과 감사 가능성\u003C/li\u003E\n\u003Cli data-anchor=\"training-data-governance-and-bias-auditing\"\u003E학습 데이터 거버넌스와 편향 감사\u003C/li\u003E\n\u003Cli data-anchor=\"generative-ai-and-ai-agent-governance\"\u003E생성형 AI와 AI 에이전트 거버넌스\u003C/li\u003E\n\u003Cli data-anchor=\"model-governance-model-risk-and-alignment\"\u003E모델 거버넌스, 모델 리스크 및 정렬\u003C/li\u003E\n\u003Cli data-anchor=\"ai-governance-and-compliance\"\u003EAI 거버넌스와 규정 준수\u003C/li\u003E\n\u003Cli data-anchor=\"how-to-implement-ai-governance\"\u003EAI 거버넌스 구현 방법\u003C/li\u003E\n\u003Cli data-anchor=\"why-ai-governance-on-snowflake\"\u003ESnowflake 기반 AI 거버넌스의 가치\u003C/li\u003E\n\u003Cli data-anchor=\"a-practical-path-to-safer-ai\"\u003E더 안전한 AI를 향한 실질적 경로\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-d335bfaec0","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-bd189529ed","additionalClasses":"hub-faq__headline","type":"heading2","lines":["자주 묻는 질문"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-641d7dade4","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EAI 거버넌스에 대한 주요 질문에 Snowflake 전문가가 답합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-c2e894db51","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"AI 거버넌스와 데이터 거버넌스의 차이점은 무엇인가요?","richText":"\u003Cp\u003E데이터 거버넌스는 테이블, 뷰, 파일, 메타데이터, 계보, 품질, 소유권, 액세스 정책, 보존 규칙과 같은 데이터 자산을 관리합니다. AI 거버넌스는 AI 시스템을 관리합니다. 여기에는 AI 시스템이 사용하는 데이터, 의존하는 모델, 출력을 형성하는 프롬프트와 검색된 컨텍스트, 이를 배포하는 애플리케이션 또는 에이전트, 그리고 지원하는 의사 결정이나 작업이 포함됩니다.\u003C/p\u003E"},{"title":"주요 AI 거버넌스 프레임워크는 무엇인가요?","richText":"\u003Cp\u003E주요 AI 거버넌스 프레임워크와 표준에는 EU 인공지능법, NIST AI 리스크 관리 프레임워크, ISO/IEC 42001이 포함됩니다.\u003C/p\u003E"},{"title":"엔터프라이즈에서 AI 거버넌스는 누가 담당하나요?","richText":"\u003Cp\u003EAI 거버넌스는 일반적으로 경영진 스폰서, 리스크 및 규정 준수 팀, 법무, 보안, 데이터 리더, AI 및 ML 팀, 제품 소유자, 비즈니스 이해관계자가 공동으로 담당합니다.\u003C/p\u003E"},{"title":"AI 거버넌스는 책임 있는 AI와 어떻게 다른가요?","richText":"\u003Cp\u003E책임 있는 AI는 AI 시스템이 어떻게 동작해야 하는지를 정의하는 원칙과 가치입니다. 여기에는 공정성, 투명성, 안전성이 포함됩니다. AI 거버넌스는 이러한 원칙이 실제로 준수되도록 보장하는 정책, 프로세스, 통제의 집합입니다.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-ee7b7bea2d","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-c36a387615",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-7d886f8530","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI 리소스 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-df78e0b9a8","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-338b6a6773","tagText":"보고서","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-caf8ce0061","type":"heading5","lines":["2026 생성형 AI와 에이전트의 ROI"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-e40b42c20f","tagText":"EBOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/ebook/building-the-interoperable-lakehouse-data-strategies-for-ai-leaders/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["상호 운용 가능한 레이크하우스 구축: AI 리더를 위한 데이터 전략"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-0a516a59d4","tagText":"백서","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/from-prompt-to-purpose-unlocking-business-value-with-agentic-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title-v2-48b527fee9","type":"heading5","lines":["프롬프트에서 목적까지: 에이전틱 AI로 비즈니스 가치 실현"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-0d6d83b1cb","tagText":"보고서","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/redefining-data-engineering-in-the-age-of-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["AI 시대의 데이터 엔지니어링 재정의"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-23dd6e9350","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-084e3d77b4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-b8ad534b96","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["AI 주제 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-6a47648eca","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003E인공지능의 모든 영역을 깊이 있게 살펴보세요\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-e86a42ff2b","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-ee2af85311",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-40b02c9dd4","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["인공지능"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E엔터프라이즈 AI의 기본 가이드: 작동 방식, 향후 방향, 비즈니스에 의미하는 바를 알아보세요.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-2eaadbc2bb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-667854ba15","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["머신러닝"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E경험을 통해 자동으로 학습하고 개선되는 알고리즘을 이해합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-220c4b4c32",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-44cc01f414","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["AI 윤리"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003E책임 있는 AI 사용을 안내하는 공정성, 책임성, 인간 감독과 같은 원칙입니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-111964d9f1",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-a83cc4c945","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-a6f97e71bf","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-9ed2faf40c","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-4bf40217fd","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/ai-governance"},"experiencefragment":{"id":"experiencefragment-13235516e9","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/ai-governance"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/ko/artificial-intelligence/ai-governance","analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ko/artificial-intelligence/ai-governance","language":"ko","category":"general","pageName":"AI 거버넌스: 엔터프라이즈를 위한 가이드","contentTags":[]},"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d"},"isPasswordProtected":false,"locale":"ko"}