합성 데이터는 실제 기록을 그대로 복사하지 않고, 원본 데이터의 구조와 통계적 특성을 학습해 새롭게 만든 데이터입니다. 개인정보 보호에 도움이 될 수 있지만, 생성 방식과 검증 수준에 따라 원본 정보가 노출되거나 분석 품질이 떨어질 수 있으므로 ‘가짜 데이터’라는 이유만으로 안전하다고 판단해서는 안 됩니다.
📌 핵심 5줄 요약
1. 합성 데이터는 실제 개인이 아닌 새로운 레코드를 생성해 개발·분석·테스트에 활용하는 방식이다.
2. 개인정보를 직접 삭제한 데이터보다 공유와 실험이 쉬울 수 있지만, 재식별 위험이 자동으로 0이 되지는 않는다.
3. 원본과 비슷할수록 유용하지만, 지나치게 비슷하면 개인정보 노출 위험이 커질 수 있다.
4. 전체 평균만 비교하면 안 되며 희귀 집단, 이상치, 상관관계, 실제 업무 결과까지 확인해야 한다.
5. 차등프라이버시, 접근권한 제한, 재식별 시험, 목적별 품질평가를 함께 적용해야 한다.
📌 목차
01 | 합성 데이터란 무엇인가
02 | 합성 데이터가 필요한 이유
03 | 대표적인 생성 방식
04 | 개인정보 보호에 유리한 점
05 | 데이터 품질을 높이는 장점
06 | 개인정보가 완전히 사라지지 않는 이유
07 | 합성 데이터의 대표적인 품질 위험
08 | 편향과 희귀 사례 문제
09 | 차등프라이버시의 역할
10 | 개인정보와 품질을 평가하는 기준
11 | 실무 도입 절차
12 | 사용하면 안 되는 상황
13 | 실무 사례로 보는 판단 기준
14 | 도입 전 최종 점검
01 | 합성 데이터란 무엇인가
합성 데이터는 원본 데이터의 분포, 변수 간 관계, 시간적 패턴 등을 바탕으로 생성한 새로운 데이터입니다. 이름·전화번호·주민등록번호를 단순히 지운 데이터와는 다릅니다. 원본 레코드를 변형하는 방식도 있지만, 통계 모델이나 생성 모델이 학습한 패턴을 이용해 새로운 레코드를 만드는 방식이 일반적으로 논의됩니다.
따라서 합성 데이터의 핵심은 ‘실제 사람이 존재하는가’보다 ‘원본의 민감한 정보가 생성 결과에 얼마나 남아 있는가’와 ‘필요한 분석 결과를 얼마나 정확하게 재현하는가’에 있습니다.
02 | 합성 데이터가 필요한 이유
기업과 연구기관은 실제 데이터를 활용해야 모델 개발과 서비스 검증을 할 수 있지만, 건강정보·금융정보·고객행동처럼 민감한 데이터는 외부 공유가 어렵습니다. 합성 데이터는 개발 초기 단계에서 개인정보 노출을 줄이면서 데이터 형식과 처리 흐름을 시험하는 대안이 될 수 있습니다.
특히 원본 접근권한이 없는 개발자에게 테스트용 데이터셋을 제공하거나, 신규 분석 방법을 검토하거나, 데이터 파이프라인의 오류를 재현할 때 유용합니다. 다만 최종 의사결정의 정확성을 보장해야 하는 업무라면 합성 데이터만으로 검증을 끝내서는 안 됩니다.
03 | 대표적인 생성 방식
단순한 통계 모델은 변수별 분포와 상관관계를 추정해 새로운 값을 만듭니다. 생성형 모델은 여러 변수 사이의 복잡한 관계를 학습해 실제 데이터와 유사한 레코드를 생성할 수 있습니다. 시계열 데이터는 시간 순서와 변화 패턴을, 이미지 데이터는 형태와 질감 같은 특징을 학습하는 식입니다.
방식마다 강점이 다릅니다. 단순 모델은 설명과 통제가 쉽지만 복잡한 관계를 놓칠 수 있고, 고도화된 모델은 현실적인 데이터를 만들 수 있지만 학습 데이터 암기, 편향 전파, 검증의 어려움이 커질 수 있습니다.
04 | 개인정보 보호에 유리한 점
합성 데이터는 실제 개인의 이름이나 계정번호를 그대로 공유하지 않고도 데이터 구조를 전달할 수 있습니다. 이 때문에 개발·교육·분석 협업 과정에서 원본 데이터의 직접 접근을 줄이는 데 도움이 됩니다.
그러나 데이터의 식별자를 지웠다는 사실만으로 충분하지 않습니다. 지역, 연령, 직업, 진단일, 구매시점처럼 여러 정보를 조합하면 특정인을 추정할 수 있기 때문입니다. NIST도 합성 데이터가 비공개 정보에서 파생되는 경우 완전한 공개 위험이 0이 아니며, 형식적 개인정보 보호 모델을 적용하지 않은 방식은 별도의 위험을 가질 수 있다고 설명합니다.
05 | 데이터 품질을 높이는 장점
합성 데이터는 실제 환경에서 얻기 어려운 조합을 보완하는 데 활용할 수 있습니다. 예를 들어 오류가 적은 정상 거래만 많은 데이터에서 이상 거래 패턴을 추가로 생성하거나, 서비스 출시 전 다양한 입력 형식을 시험하는 데 사용할 수 있습니다.
또한 데이터 형식과 스키마를 일정하게 유지하기 쉬워 소프트웨어 테스트에 적합합니다. 다만 ‘현실적인 모양’과 ‘분석에 유효한 정보’는 다릅니다. 화면에 그럴듯해 보이는 데이터라도 실제 예측 성능이나 정책 분석 결과를 재현하지 못할 수 있습니다.
06 | 개인정보가 완전히 사라지지 않는 이유
생성 모델이 원본의 희귀한 조합이나 극단적인 사례를 지나치게 잘 기억하면, 합성 데이터에 원본과 매우 가까운 레코드가 나타날 수 있습니다. 공격자가 다른 공개 데이터와 합성 데이터를 결합하면 특정 개인을 추정할 가능성도 있습니다.
특히 원본 표본이 작거나 특정 개인의 특성이 매우 독특할수록 주의해야 합니다. ‘합성’이라는 라벨보다 생성 과정, 학습 데이터의 민감도, 외부 데이터와의 결합 가능성, 공개 범위를 함께 평가해야 합니다.
07 | 합성 데이터의 대표적인 품질 위험
첫째, 변수 간 상관관계가 약해져 실제 분석 결과가 달라질 수 있습니다. 둘째, 시간에 따른 변화나 사건의 순서가 무너질 수 있습니다. 셋째, 결측값·오류값·이상치가 실제 데이터와 다르게 생성될 수 있습니다.
통계적 평균이 비슷하다는 이유만으로 품질이 확보되는 것도 아닙니다. 같은 평균과 분산을 갖더라도 집단별 분포나 변수 조합이 다르면 분류, 예측, 인과분석 결과가 달라질 수 있습니다. NIST는 합성 과정에서 추가적인 불확실성이 생기고, 생성 알고리즘의 편향이 후속 분석에 전파될 수 있다고 지적합니다.
08 | 편향과 희귀 사례 문제
원본 데이터에 이미 특정 집단의 표본이 부족하거나 사회적 편향이 포함돼 있다면 합성 데이터가 이를 그대로 재현하거나 더 강하게 만들 수 있습니다. 반대로 개인정보 보호를 위해 희귀 사례를 과도하게 제거하면 소수 집단이나 위험 상황을 제대로 표현하지 못할 수 있습니다.
따라서 전체 정확도만 보지 말고 성별·연령·지역·장애 여부 등 업무상 중요한 하위집단별 성능을 따로 확인해야 합니다. 의료, 금융, 채용, 공공서비스처럼 특정 집단에 불이익이 발생할 수 있는 분야에서는 합성 데이터의 편향 검토를 별도 단계로 두는 편이 안전합니다.
09 | 차등프라이버시의 역할
차등프라이버시는 특정 개인의 데이터가 포함되거나 제외되더라도 결과가 크게 달라지지 않도록 개인정보 손실을 수학적으로 관리하는 프레임워크입니다. 합성 데이터 생성에 차등프라이버시를 적용하면 단순한 비식별화보다 명확한 보호 기준을 설정할 수 있습니다.
다만 개인정보 보호 수준을 높일수록 데이터의 정확성이 낮아질 수 있습니다. NIST는 차등프라이버시를 적용하지 않은 합성 방식이 일부 보호 효과를 제공할 수는 있어도, 새로운 공격까지 견디는 강한 보장을 제공한다고 볼 수 없다고 설명합니다.
10 | 개인정보와 품질을 평가하는 기준
평가는 한 가지 점수로 끝내지 말고 목적에 맞는 여러 지표를 조합해야 합니다.
| 평가 영역 | 확인할 내용 |
|---|---|
| 분포 유사성 | 변수별 평균, 비율, 분산, 범주 분포가 원본과 크게 다른지 확인합니다. |
| 관계 보존 | 변수 간 상관관계, 주요 조합, 시간 순서가 유지되는지 봅니다. |
| 업무 유용성 | 실제 분석·예측·분류 과제에서 원본과 유사한 결과가 나오는지 확인합니다. |
| 하위집단 품질 | 소수 집단과 희귀 사례의 성능이 지나치게 낮지 않은지 평가합니다. |
| 공개 위험 | 원본과의 유사 레코드, 재식별 가능성, 외부 데이터 결합 위험을 점검합니다. |
어떤 지표가 가장 중요한지는 사용 목적에 따라 달라집니다. NIST도 모든 상황에 적용되는 단 하나의 품질 지표는 없으며, 데이터 사용자가 수행할 업무에 맞춰 평가 기준을 정해야 한다고 안내합니다.
11 | 실무 도입 절차
1단계는 목적 정의입니다. 테스트용인지, 모델 학습용인지, 통계 공개용인지에 따라 필요한 품질과 공개 수준이 달라집니다.
2단계는 원본 데이터 분류입니다. 직접 식별자, 준식별자, 민감정보, 희귀 사례, 외부 결합 가능성을 구분합니다.
3단계는 생성 방식 선택입니다. 단순 통계 모델, 생성 모델, 차등프라이버시 적용 방식 중 목적과 위험 수준에 맞는 방법을 선택합니다.
4단계는 원본과 결과 비교입니다. 전체 분포뿐 아니라 하위집단, 상관관계, 실제 업무 과제를 비교합니다.
5단계는 공격 관점의 검증입니다. 원본과 가장 가까운 레코드가 있는지, 공개 데이터와 결합해 개인을 추정할 수 있는지 시험합니다.
6단계는 사용 범위 통제입니다. 합성 데이터라도 접근권한, 보관기간, 재배포 조건, 사용 목적을 문서화해야 합니다.
12 | 사용하면 안 되는 상황
개인의 권리나 안전에 직접 영향을 주는 결정을 합성 데이터만으로 수행해서는 안 됩니다. 예를 들어 실제 고객의 신용 판단, 환자 치료 결정, 채용 합격 여부를 검증되지 않은 합성 데이터 결과만으로 결정하는 것은 위험합니다.
또한 원본 데이터가 지나치게 적거나 특정 사건의 사례가 거의 없는 경우에도 주의해야 합니다. 모델은 관찰되지 않은 현실을 정확히 상상할 수 없으므로, 합성 데이터로 부족한 사실을 임의로 채우면 실제 근거가 있는 것처럼 보이는 오류가 생길 수 있습니다.
13 | 실무 사례로 보는 판단 기준
소프트웨어 개발팀이 고객정보를 포함한 운영 데이터로 주문 시스템을 테스트한다고 가정해 보겠습니다. 이때 합성 데이터는 화면과 API의 형식, 오류 처리, 대량 입력 테스트에는 유용합니다. 그러나 실제 고객 이탈률이나 구매 전환율을 예측하는 모델을 평가할 때는 원본 검증 데이터와 별도의 실제 성능 검토가 필요합니다.
반대로 연구자가 민감한 설문 데이터를 외부 연구팀과 공유해야 한다면, 합성 데이터만 전달하는 것보다 공개 위험 평가와 사용 목적 제한을 함께 적용해야 합니다. 분석 결과가 중요한 경우에는 제한된 보안 환경에서 원본 분석을 허용하고, 외부에는 집계 결과만 제공하는 방식이 더 적합할 수 있습니다.
14 | 도입 전 최종 점검
합성 데이터는 개인정보 보호와 데이터 활용을 동시에 개선할 수 있는 도구지만, 보호 장치와 검증 절차가 결합될 때 의미가 있습니다. 원본과 유사한지뿐 아니라 실제 목적에 유용한지, 특정 집단에 불리하지 않은지, 원본 개인을 추정할 가능성이 낮은지를 함께 확인해야 합니다.
최종적으로는 ‘원본을 대체할 수 있는가’보다 ‘이 목적과 공개 범위에서 충분히 안전하고 유용한가’를 판단하는 것이 핵심입니다.
☑ 체크리스트
- 합성 데이터의 사용 목적과 허용되는 오류 수준을 정했는가
- 직접 식별자와 준식별자, 민감정보를 분류했는가
- 원본과 합성 데이터의 분포·상관관계·하위집단을 비교했는가
- 희귀 사례와 이상치가 과도하게 사라지거나 복제되지 않았는가
- 재식별 또는 원본 추론 공격을 시험했는가
- 차등프라이버시 등 공식적인 보호 모델 적용 여부를 확인했는가
- 합성 데이터의 사용 범위·접근권한·보관기간을 문서화했는가
📖 자주하는 질문 Q&A
합성 데이터는 개인정보가 아닌가요?
항상 그런 것은 아닙니다. 원본의 민감한 정보에서 만들어지고 특정 개인과 유사한 기록을 포함할 수 있으므로, 생성 방식과 재식별 가능성을 별도로 평가해야 합니다.
합성 데이터와 익명화 데이터는 같은가요?
같지 않습니다. 익명화 데이터는 기존 기록의 식별 가능성을 낮추는 처리이고, 합성 데이터는 모델을 통해 새로운 기록을 생성하는 방식입니다. 실제 시스템에서는 두 방식을 함께 사용할 수도 있습니다.
합성 데이터의 품질은 무엇으로 판단하나요?
변수별 분포뿐 아니라 변수 간 관계, 실제 업무 분석 결과, 하위집단별 성능, 희귀 사례 보존 여부를 목적에 맞게 평가해야 합니다. 단일 점수만으로 품질을 판단하기는 어렵습니다.
차등프라이버시를 적용하면 무조건 안전한가요?
차등프라이버시는 강력한 수학적 보호 기준이지만, 설정과 구현이 적절해야 하며 데이터 품질 저하나 사용 목적과의 부적합 문제까지 해결해 주지는 않습니다. 생성 과정과 결과에 대한 별도 검증이 필요합니다.
📝 마무리
합성 데이터의 장점은 개인정보 노출을 줄이면서 개발·분석·테스트를 가능하게 한다는 데 있습니다. 하지만 원본 정보의 추론 가능성, 편향, 희귀 사례 손실, 분석 품질 저하가 함께 발생할 수 있습니다. 목적별 품질평가와 재식별 위험 점검을 적용해야 개인정보와 데이터 품질 사이의 균형을 실제로 확보할 수 있습니다.