Kiji Privacy Proxy™: 생성형 AI 시대의 데이터 보호를 위한 오픈소스 솔루션

섹션별 상세

기업들이 생성형 AI 도입 시 겪는 가장 큰 장애물은 외부 API로 전송되는 민감 데이터의 보안 및 규제 준수 문제이다. 2026년 조사에 따르면 CIO의 85%가 추적성이나 개인정보 보호 우려로 인해 AI 프로젝트가 지연되거나 중단되는 경험을 했다. Kiji는 이러한 리스크를 해결하기 위해 로컬 환경에서 데이터를 선제적으로 처리하는 아키텍처를 채택했다.

근거

CIO의 85%가 추적성이나 설명 가능성 부족으로 AI 프로젝트가 지연되거나 중단되는 것을 목격했다. — From Shadow AI to Shadow Agents 섹션의 2026 Dataiku/Harris Poll 수치

Kiji Privacy Proxy는 ML 모델을 통해 16가지 이상의 개인정보 유형을 탐지하고 이를 현실적인 더미 데이터로 치환하여 외부로 전송한다. 요청 시에는 마스킹을 수행하고 응답 시에는 원본 데이터를 복원하는 양방향 처리를 통해 AI 모델은 실제 데이터를 보지 못하게 하면서도 앱의 동작은 유지한다. 이를 통해 GDPR, HIPAA와 같은 엄격한 데이터 보호 규제를 준수하면서 외부 LLM 서비스를 활용할 수 있다.

Kiji Privacy Proxy의 엔드투엔드 사용자 경험을 보여주는 GIF — Screenshot사용자가 텍스트를 입력하면 프록시가 실시간으로 PII를 감지하고 마스킹 처리하는 과정을 시각적으로 보여준다. 입력 데이터가 외부 API로 전달되기 전 어떻게 변환되는지 직관적으로 이해할 수 있게 돕는다.

사용자 편의성을 위해 macOS용 네이티브 앱, Chrome 확장 프로그램, Linux 서버 등 다양한 배포 형태를 지원한다. 모든 PII 탐지 프로세스는 로컬에서 수행되어 외부 API 호출이 발생하지 않으며, 대부분의 요청에서 지연 시간을 100ms 미만으로 유지한다. 별도의 코드 수정이나 환경 변수 설정 없이도 기존 워크플로에 즉시 통합 가능하다는 점이 큰 장점이다.

Google Chrome 확장 프로그램으로 작동하는 Kiji Privacy Proxy — Screenshot웹 브라우저 환경에서 별도의 코드 수정 없이 확장 프로그램을 통해 AI 서비스로 전달되는 데이터를 가로채고 보호하는 방식을 시연한다. 비기술적 사용자도 쉽게 보안 기능을 적용할 수 있음을 보여준다.

Dataiku의 575 Lab은 Kiji의 핵심 모델과 학습 데이터를 Apache 2.0 라이선스로 Hugging Face에 전면 공개했다. 공개된 kiji-pii-model-onnx 모델은 업계 벤치마크 데이터셋에서 94%의 F1 스코어를 달성하여 높은 신뢰도를 입증했다. 개발자는 공개된 리소스를 바탕으로 제약 산업이나 특정 국가의 ID 형식 등 도메인 특화된 PII 탐지 모델을 직접 구축할 수 있다.

근거

Kiji의 PII 탐지 모델은 업계 벤치마크 데이터셋에서 94%의 F1 스코어를 기록했다. — Why Kiji Privacy Proxy™ 섹션 마지막 문단 출처

근거 모음

근거

Doubleword 모델을 사용해 합성 데이터를 생성한 결과, 폐쇄형 모델 대비 5% 수준인 50달러의 비용만 발생했다. — A collaboration between forward-thinking ML companies 섹션의 Doubleword 설명

기술

Kiji Privacy Proxy
ONNX
Hugging Face
Metaflow
Label Studio
OpenAI API
Anthropic API

활용 사례

고객 상담 챗봇의 개인정보 자동 마스킹
민감한 내부 문서를 활용한 RAG 시스템 보안 강화
도메인 특화 PII 탐지 모델 학습 및 배포

언급된 리소스

문서Kiji PII Model ONNX

문서Kiji PII Training Data

GitHubKiji Privacy Proxy GitHub