최근 디지털 대전환 시대를 맞아 공간정보기술이 핵심기술로 조명받고 있는 가운데 공간정보 분야에서의 AI 도입은 ‘선택’이 아닌 ‘필수’ 과제로 인식되고 있다.
실제로 공간정보 분야에서의 AI 기술은 새로운 기술 환경에서 요구되는 고정밀·최신 공간정보를 안정적으로 확보하기 위한 핵심 기술인 동시에 급격히 늘어나는 데이터 규모와 변화를 관리하기 위한 필수적인 기술로 받아들여지고 있다.
특히, AI 기술 도입은 공간정보 산업의 생산성을 높이는 수준을 넘어, 분석, 시뮬레이션, 예측, 운영이 통합된 지능형 공간서비스 생태계 조성에도 기여할 것으로 기대를 모으고 있다.
또한, 공간정보를 단순한 지도와 주소에서 이해와 예측이 가능한 ‘공간지능’으로 승격시키는 동력, 운영의 압도적 효율화 산업 본질의 고도화를 유도할 수 있을 것으로 전망되고 있다.
공간정보 전문가들은 그동안 단순한 고정밀 지도를 구축하는 수준을 넘어 공간정보를 국가 AI 전략 인프라로의 인식 전환은 물론 국토 변화탐지 체계의 고도화, 기후위기·재난안전과 도시 인프라·스마트시티 관리를 위한 도구 영역에서 도입이 활발히 이뤄져야 한다는 데 뜻을 같이하고 있다.
또한, AI 도입 과정에서 발생하는 데이터 품질과 전문 인력 확보 등 현안 해결을 위해 공공과 민간 전체가 함께 해결책을 마련해 나가는 한편, 공간데이터 인프라와 품질 기반의 공동 강화, 규제 샌드박스나 테스트베드 도시 지정, 데이터 개방, 신산업 육성 지원, 규제 개선, 정책적 우선순위 확보 등을 통한 법·제도 및 산업생태계 차원에서의 지원 필요성도 언급하고 있다.
본지는 창간 27주년을 맞아 ‘공간정보분야와 AI의 만남을 이야기하다’라는 주제 아래 공간정보 전문가들의 의견을 모아 정리했다.
|
▲ 대담자 : (사진 왼쪽부터) 국토지리정보원 이상호 사무관, 공간정보품질관리원 김태훈 실장, 카이스트 이채석 교수, 웨이버스 박창훈 대표, 올포랜드 김병교 부사장
|
위성·항공·드론·교통·환경·행정 데이터 정보 ‘자동 분석 기술’ 시급
시설물·지형·토지 변화 ‘조기 탐지’ 등 지속적 모니터링에 ‘큰 도움’
새 비즈니스 모델 창출 등 지능형 공간서비스 생태계 조성 기대감
기후 위기·재난 안전·도시 인프라·스마트시티 분야 우선 적용돼야
- 공간정보 분야에 AI 기술 도입이 필요한 이유는 무엇인가?
이상호 - 최근 자율주행, UAM, 그리고 이른바 ‘피지컬 AI’로 불리는 기술이 등장하면서, 전 국토에 대한 고정밀 3차원 공간정보에 대한 요구가 높아지고 있다.
실제로 자율주행자동차와 도심항공교통, 실외이동로봇 등이 안전하게 운행하기 위해서는 도로와 건물, 지형 등 3차원 공간정보가 반드시 필요하고, 국토 변화를 신속하게 반영할 수 있는 체계 마련도 필요하다.
특히, 대규모 공간데이터를 안정적으로 구축·갱신하기 위해서는 기존의 수작업만으로는 한계가 있는 만큼 AI 기반 자동화 기술 도입이 필요하다. 변화탐지, 3차원 모델링, 도로·지형 구축 등 고난도 공정의 효율화도 시급하다.
AI 기술은 다양한 센서 데이터를 기반으로 객체를 자동 인식·분류하고, 반복적인 도화·편집 작업을 자동화해 공간정보의 생산성과 최신성을 획기적으로 높일 수 있다.
특히, 변화탐지는 자율주행·UAM·피지컬 AI와 직접 연결되는 분야로, 국토 변화 상황을 실시간에 가깝게 반영하기 위해 AI의 도입이 필수적이다.
결국 AI는 단순히 효율을 높이는 도구가 아니라, 새로운 기술 환경에서 요구되는 고정밀·최신 공간정보를 안정적으로 확보하기 위한 핵심 기술이다. 즉, 공간정보 분야에서의 AI 도입은 더 이상 선택이 아니라 필수적인 과제라고 할 수 있다.
그 일환으로 국토지리정보원에서는 ‘3차원 입체지도 구축·운영’ 사업을 추진하고 있으며, 현재 예비타당성 조사를 수행하고 있다.
예비타당성조사를 통과하게 되면 전 국토를 대상으로 고해상도 항공사진(해상도 5㎝)과 고정밀 라이다 데이터(100점/㎡)를 취득해 지형, 건물, 도로, 철도, 하천을 3차원 공간정보로 구축할 계획이다.
김태훈 - 공간정보는 단순한 지리 정보가 아니라, 도시와 사회가 어떻게 움직이는 지를 보여주는 ‘운영 맵’에 가깝다. 사람과 차량, 시설, 환경이 얽혀 만들어내는 변화는 매우 복잡하고, 하루 사이에도 수없이 다른 패턴이 생성된다.
특히, 위성·항공·드론 영상, 교통·환경 센서, 행정 데이터 등에서 생성되는 정보량이 그 규모를 훨씬 넘어서고 있는 가운데 방대한 데이터를 제때 처리하고 의사결정에 반영하기 위해서는 자동 분석이 가능한 기술, 즉 AI가 필수적이다.
AI는 대규모 영상·센서 데이터를 빠르게 해석해 지형 변화, 시설물 이상, 토지 이용 변화 같은 신호를 조기에 탐지해 주기 때문에 기존 방식으로는 놓치기 쉬운 변화를 지속적으로 모니터링하는 데 매우 큰 도움이 된다.
하지만, AI만으로는 충분하지 않다. AI가 정확한 판단을 하기 위해서는 기반 데이터의 신뢰성 확보가 필수적이다. 정확도는 물론 최신성, 정합성, 메타데이터의 충실도처럼 공간데이터의 기본 품질이 갖춰져야 AI 분석 결과도 의미가 있다.
따라서 공간정보 분야에서 AI를 활용하는 것은 ‘선택’이 아니라, 급격히 늘어나는 데이터 규모와 변화를 관리하기 위한 ‘필연적인 대응’이며, 동시에 고품질 공간데이터를 안정적으로 구축·관리해야 한다는 새로운 과제를 함께 가져온다.
이채석 - 공간정보는 단순한 좌표나 위치 데이터가 아니라, 인간의 생활과 산업 활동이 얽혀 있는 ‘공간적 맥락’을 담고 있는 데이터다. 도시 운영, 재난 대응, 물류, 로봇 내비게이션, 건설·토목 등은 모두 이 공간적 맥락 위에서 이뤄진다.
그럼에도 불구하고 기존의 지도나 주소체계는 정적·평면적인 구조에 머물러 있어 빠르게 변화하는 현실 세계를 충분히 반영하지 못한다는 한계를 갖고 있다.
이 같은 한계를 극복하는 열쇠가 바로 공간지능(Spatial AI)이다. AI가 이 같은 공간지능을 갖기 위해서는 대규모 공간데이터를 자동 수집·정제·분석하고 의미적 관계를 학습해 ‘지능형 공간정보(AI-Ready Spatial Data)’로 재구성하는 과정이 필수적이다.
최근 글로벌 빅테크들은 이미 언어 중심 AI에서 현실 세계를 모사·이해하는 ‘월드 모델’로 패러다임을 옮겨가고 있다. 공간정보는 이러한 월드 모델의 핵심 학습 재료이자, 현실 세계를 이해하는 AI의 기반 인프라다.
결국, AI는 공간정보를 단순한 지도와 주소에서 이해·추론·예측이 가능한 ‘공간지능’으로 승격시키는 동력이며, 동시에 공간정보는 AI가 진정한 지능으로 진화하기 위한 필수 발판이다. 두 영역은 이제 서로의 성장을 가속하는 상호보완적 관계라고 볼 수 있다.
박창훈 – AI 기술 도입 필요성은 효율성 극대화, 고도화된 의사결정 지원, 신규 서비스 창출이라는 세 가지 측면에서 분명하게 나타난다.
우선, 공간정보 구축에 대한 효율성 향상 측면에서는 인공위성·드론 영상, LiDAR 등 대규모 공간 빅데이터에 AI 기반 자동화 기술을 적용할 경우 수집·전처리·객체 탐지·변화 감지 등을 기계가 스스로 수행해 처리 속도와 정확도를 획기적으로 향상시킬 수 있다.
둘째, 공간데이터의 가치를 극대화하는 지능형 분석 역량 확보다. AI는 공간 데이터와 통계·센서·소셜미디어 등 비공간 데이터를 융합해 복잡한 공간 패턴을 분석하고 예측 모델을 생성하는 만큼 도시계획, 재난·기후 위험 예측, 교통 최적화, 환경 모니터링 등 다양한 공공·민간 영역에서 객관적이고 정교한 의사결정을 지원할 수 있다.
이는 통합 의사결정 지원 기능을 강화하는 방향으로 이어진다.
셋째, 새로운 공간정보 서비스와 비즈니스 모델 창출이다. 현재 국내에서는 고정밀지도를 비롯한 스마트시티 시뮬레이션, 방위·소방 특화훈련 등 실제 환경을 정밀하게 재현한 공간정보 서비스 수요가 빠르게 증가하고 있다.
이는 공간정보사업자가 디지털 트윈 기반 서비스와 AI 훈련 데이터 제작, 시뮬레이션 운영 플랫폼 등으로 사업영역을 확장할 수 있는 기회를 제공한다.
결국, AI 기술은 공간정보 산업의 생산성을 높이는 수준을 넘어, 분석·시뮬레이션·예측·운영이 통합된 지능형 공간서비스 생태계를 가능케 하며, 이는 향후 공간정보사업자의 경쟁력을 결정짓는 핵심 역량으로 자리 잡을 것이다.
김병교 - AI 도입의 필요성은 두 가지 차원에서 분명하다. 첫째, ‘운영의 압도적 효율화’다.
AI는 대규모 영상, 3D 모델, 센서 데이터를 자동으로 분류하고, 객체를 인식하며, 변화를 추적한다. 이는 데이터 구축과 갱신에 드는 막대한 비용, 시간, 인적 부담을 획기적으로 줄여 공간정보의 ‘최신성’과 ‘정확성’을 확보하는 기반이 된다.
둘째, ‘산업 본질의 고도화’다. AI는 단순히 데이터를 처리하는 것을 넘어, 그 속에 숨겨진 ‘보이지 않던 관계와 패턴’을 학습해 미래를 예측한다.
즉, 과거의 공간정보가 ‘어디에 무엇이 있는가’를 알려주는 ‘정적인 지도(Map)’였다면, AI와 결합한 미래의 공간정보는 ‘앞으로 무슨 일이 일어날 것인가’를 예측하고 ‘어떻게 대응해야 하는가’라는 해법을 제시하는 ‘동적인 지능(Intelligence)’으로 탈바꿈하는 것이다.
바로 이 지점에서 (주)올포랜드는 AI 기술의 가능성에 주목하고 있다. ‘Connecting, Sharing & Showing, 공간정보로 연결하고, 공유하고, 볼 수 있는 세상’이라는 비전 아래, 이 같은 비전의 완성도를 높이는 핵심 기술을 AI로 보고 있다.
대용량 공간데이터의 자동 처리, 3D 모델 분석, 변화 탐지에서 나아가 예측 모델링에 이르기까지, AI는 공공 의사결정을 더욱 정교하게 만들고 국가·지자체의 업무 효율을 혁신적으로 향상시킬 수 있다.
결국, AI 도입은 공간정보 산업의 다음 단계 도약을 위한 선택이 아닌, 국가적·산업적 경쟁력 확보를 위한 필수 전략이다.
- 가장 시급히 AI 적용이 필요한 영역과 그 이유에 대해 설명해 달라
김태훈 - 기후위기·재난안전 분야와 도시 인프라·스마트시티 관리 분야 등 크게 두 가지 영역으로 볼 수 있다.
기후위기·재난안전 측면에서 최근 산불, 홍수, 산사태, 폭염·한파, 해수면 상승 등은 시·공간을 동시에 고려해야 하는 복잡한 현상이 발생하고 있는 만큼 위성·드론·지상 센서 데이터를 AI가 실시간에 가깝게 분석할 경우 위험 징후를 조기에 포착하고 피해를 줄일 수 있다.
도시 인프라·스마트시티 관리 측면에서 교통 혼잡, 대기오염, 시설물 노후화, 에너지 수급 문제는 모두 공간 위에 펼쳐지는 패턴으로, AI를 통해 ‘어디를 먼저 보수해야 하는지’, ‘어떤 시간대에 어떤 조치를 취해야 하는지’ 같은 선제적 관리가 가능해진다.
단, 이 같은 시스템이 제대로 작동하려면, 기초가 되는 지도, 도로망, 건물·시설물 정보, 지형 데이터가 정확하고 최신 상태로 유지돼야 한다. 재난 예측지도나 디지털 트윈 기반 도시관리 시스템도 결국 그 바닥에 깔린 공간데이터의 품질에 따라 성능이 달라진다.
특히, AI 시스템 도입과 동시에 공공·민간·지자체가 함께 공간데이터의 정확도와 정합성, 갱신주기를 높이는 협력 체계를 마련하는 것이 무엇보다 중요하다고 생각한다.
이채석 - 공간정보는 재난·안전, 도시 운영, 로봇과 자율주행, 물류·교통 등 국가적으로 중요한 미래 산업 전반의 성패를 결정짓는 핵심 인프라인 만큼 공간정보를 단순한 행정 데이터가 아니라 ‘국가 AI 전략 인프라’로 인식하는 관점의 전환이 필요하다고 생각한다.
지금의 공간정보는 지하상가, 지하철역과 같은 실내 공간에 대한 공백, 현실 세계의 빠른 변화를 제때 반영하지 못하는 한계로, 재난 시 대피 안내, 구조 동선 설정, 연기·화염 확산 예측, 로봇·드론주행 같은 핵심 분야에서 데이터 시차와 공간 단절 문제가 반복되고 있다.
이 같은 문제들을 풀기 위해서는 센서·영상·행정데이터·이용자 로그 등을 활용해 공간데이터를 자동으로 수집·검증·갱신하는 공간정보의 AI 기반 지속적 생성·갱신 파이프라인 구축이 필요하다.
실내·외 통합 측위 기술도 필요하다. WiFi·BLE·IMU·영상 등 다양한 실내측위 기술과 입체주소(3D Address), 정밀 3D 공간모델을 결합해 사람·로봇·드론·자율주행 기기가 하나의 연속된 공간좌표계 위에서 움직일 수 있도록 해야 하고, 고품질·고일관성 공간데이터를 보증하는 AI 기반 품질관리 체계(AI-driven Spatial QA/QC)도 구축돼야 한다.
이 같은 세 가지 축이 결합하면, 이른바 ‘살아 있는 공간데이터(Alive Spatial Data)’로 운영할 수 있다. 이렇게 구축된 고정밀·고일관성 공간데이터는 월드 모델, 피지컬 AI, 로보틱스, 디지털 트윈이 현실을 정확히 학습·추론·예측하는 데 필수적인 국가 전략 인프라가 될 것이다.
박창훈 - 실시간 객체 탐지와 변화 감지를 통한 공간데이터 업데이트 자동화다. 특히, 정사영상·LiDAR 기반 객체 인식, 국토 변화 자동 감지 분야는 공간정보사업자에게 비용 절감과 서비스 경쟁력 확보 측면에서 즉시적인 효과가 가장 큰 영역이다.
실제로 데이터 현행화 비용과 시간 절감 효과를 최대로 거둘 수 있어 이는 사업자에게는 생산성 향상, 발주기관에게는 데이터 최신성 확보라는 명확한 가치를 제공한다.
또한, 재난·안전관리 분야에서의 골든타임 확보를 위해 AI 적용은 필수적이다. AI 기반 변화 감지 기술을 활용하면 위성·드론 영상이 수집되는 즉시 주요 변화를 자동 분석한 후 대응기관에 제공할 수 있어 골든타임 확보에 결정적인 역할을 할 수 있다.
이는 공간정보사업자가 디지털 트윈, 재난예측·관제, 스마트시티 안전 서비스 등 고부가가치 공공사업 영역으로 확장하는 데 매우 중요한 기반 기술이기도 하다.
김병교 - 단연 ‘재난 및 안전 관리’ 분야라고 생각한다. 기후 변화로 인한 재난의 양상이 과거의 데이터로는 예측 불가능할 만큼 복잡해지고 강도가 높아지고 있지만, 기존의 방식은 재난 발생 후 대응에 초점이 맞춰져 있어 골든타임을 놓치기 쉬웠다.
AI 기술은 이 같은 ‘사후 대응’에서 ‘사전 예측 및 실시간 대응’으로의 패러다임 전환을 이끌 수 있다.
이러한 AI 기반의 ‘예측 및 실시간 대응’ 역량은 궁극적으로 ‘국토·도시 및 인프라 통합 관리’ 영역으로 확장돼야 한다.
AI를 통해 토지이용 변화를 자동으로 탐지해 갱신 주기를 단축하고, 드론 영상이나 LiDAR 데이터를 활용한 시설물의 균열, 변형 등 위험요소의 자동 검출은 공공의 안전성을 확보하고 국가·지자체의 관리 부담을 획기적으로 줄이는 일이다.
이는 (주)올포랜드가 가진 DB·플랫폼 구축 역량과도 연결된다. 도시 ‘디지털 트윈’을 구축하고, 그 위에 AI 기반 시뮬레이션으로 재난 관리나 도시 계획 정책의 사전 검증이 가능해진다. 이 체계는 비용 절감과 국민 안전 확보를 동시에 달성하는 가장 효과적인 방안이다.
이상호 - 최우선 분야는 국토 변화탐지 체계의 고도화라고 생각한다. AI 기반의 국토 변화탐지는 국토의 변화를 자동으로 감지하고 실시간에 가깝게 반영할 수 있어 모든 공간정보 갱신의 출발점이 된다.
현재 국토지리정보원에서 추진 중인 ‘3차원 입체지도 구축·운영 사업’ 예비타당성 조사도 AI 기술을 활용한 변화탐지를 기반으로 한 갱신체계를 핵심 과제로 다루고 있다.
다음으로 시급히 AI를 적용해야 할 분야는 3차원 입체지도의 자동 구축이다. 그 일환으로 국토지리정보원에서는 ‘AI 기술을 활용한 3차원 건물정보 자동제작 기술 개발’을 추진하고 있으며, 도로, 지형을 대상으로 확대해 나갈 계획이다.
이번 사업은 건물 객체 추출, 지붕 형태 분석, 도형 생성 등 주요 공정을 AI로 자동화해 구축 속도와 품질을 동시에 향상시키는 것을 목표로 하고 있다. 향후 국가 단위 3차원 공간정보의 갱신과 고도화에도 큰 기여를 할 것으로 기대된다.
한편, 최근 디지털트윈국토를 정의하고 예산지원 근거, 표준화 적용, 플랫폼 구축 근거 등을 포함한 ‘국가공간정보기본법’ 개정안이 국회 본회를 통과한 만큼 전 국토에 대한 디지털트윈국토 즉, 3차원 입체지도 구축을 위한 AI 기반 변화탐지와 3차원 입체지도 자동 구축 기술개발이 시급히 이뤄져야 한다.
- 공간정보 관련 기업들이 AI 기술을 적극적으로 활용할 수 있는 방안은 무엇인가
이채석 - 첫째, AI-Ready 공간데이터로의 전환이 이뤄져야 한다. 좌표, 속성, 관계, 시간 정보를 AI가 이해할 수 있는 그래프(노드-링크) 기반 데이터 구조로 정비하고, 메타데이터·정합성 정보까지 함께 관리해야 한다.
둘째, 공공의 도로·건물·재난·교통 데이터와 민간의 센서·시공·현장 데이터를 결합한 개방형 데이터셋 마련이 필요하다. 이를 통해 중소기업도 월드 모델·로봇·디지털트윈 생태계에 보다 쉽게 참여할 수 있다.
셋째, 산업별 특화 AI 모델 공동 개발이 필요하고, 넷째, 넷째, 월드 모델·디지털트윈 시대에는 멀티모달·시뮬레이션 기반 학습 환경 구축이 필수적이다.
즉, 지도·영상·센서·텍스트를 복합적으로 활용하는 플랫폼을 도입해 AI가 현실 공간을 반복적으로 경험하며 학습할 수 있는 기반을 마련해야 한다.
특히, 형상에만 집중하던 기존 방식에서 벗어나, 물리 엔진을 반영해 실질적인 데이터를 생성·검증하는 방식으로 인식을 전환해야 한다.
박창훈 - 단기적으로는 내부 업무 프로세스의 자동화·지능화, 장기적으로는 AI 기반 고부가가치 솔루션 개발이라는 두 축으로 추진하는 것이 가장 현실적이며 효과적이다.
단기적 관점에서 업무 프로세스 자동화·지능화 측면에서는 지도 제작 과정에서의 건물 경계 추출, 도로 중심선 추출, DEM 생성과 같은 반복적·표준화된 작업을 AI 모델로 대체하면 생산성이 비약적으로 향상된다.
특히, 데이터 품질 검수 단계에 AI를 도입할 경우 데이터 품질은 대폭 향상되고 비용은 과감하게 절감하는 방향으로 혁신할 수 있다. 이는 공간정보 기업이 현재 인력 중심의 생산 구조에서 AI 기반 생산 자동화 체계로 전환하는 출발점이 된다.
또한, 기존의 다양한 공간정보 시스템을 AI Agent 기반으로 재구축하고, 이를 MCP·A2A 등 표준 인터페이스와 연계하면 서비스의 자동화와 지능화를 실현할 수 있다.
웨이버스에서는 이 같은 AI Agent 기술을 기존에 구축한 여러 사이트에 적용해 행정 효율성을 높이고, 민원 서비스의 편의성을 향상시키겠다.
장기적으로는 AI City 시대를 대비한 고부가가치 솔루션 개발이 핵심이다. 공간데이터와 AI 기반 수요·예측 모델을 결합해 최적의 입지 분석(점포·물류센터), 교통 신호 최적화, 에너지 사용 효율화, 도시 위험도 분석 및 경보 등을 제공하는 지능형 도시 운영 솔루션으로 확장할 수 있다.
이는 공간정보기업이 단순 제작 용역에서 벗어나 AI 기반 도시운영 플랫폼 사업자로 도약할 수 있는 전략적 분야다. 드론·UAM 분야에서의 AI 활용성 확장도 가능하다.
현재 드론 영상 분석을 통해 대규모 농업지의 생산량 예측, 병충해 탐지, 시설물 점검 등 정밀 농업 및 점검 서비스를 제공하는 등 AI 기반 맞춤형 공간정보 서비스 모델이 빠르게 확산되고 있다.
따라서 공간정보기업 입장에서는 데이터 생산+ AI 분석+ 서비스 제공을 결합한 새로운 수익모델을 확보할 수 있는 영역이다.
김병교 - ‘내부 운영의 압도적 효율화’와 ‘고부가가치 서비스로의 전환’ 등 두 가지 핵심 축에서 접근해야 한다.
‘운영 효율화’ 측면에서 AI는 기존의 수동적이고 노동집약적인 데이터 구축·갱신 프로세스를 자동화할 수 있다. 이는 막대한 비용과 시간 절감은 물론 서비스 품질의 근간이 되는 데이터의 최신성을 획기적으로 높여준다.
‘고부가가치 서비스 창출’은 더욱 중요하다. 단순히 데이터를 구축해 납품하는 시대를 넘어, AI를 활용한 ‘예측’과 ‘분석’ 솔루션을 제공하는 사업 모델로 전환해야 한다.
이를 위해서는 기업이 보유한 공간데이터를 구조화·표준화해 ‘학습가능한 자산’으로 만드는 전략이 필요하다. 모든 것을 자체 개발하려 하기보다는 검증된 오픈소스 모델이나 클라우드 기반 AI 서비스를 활용해 효율적으로 기술을 도입하는 것이 현실적이다.
이 과정에서 내부의 공간정보 전문가와 AI 기술자의 협업 구조를 만드는 것은 핵심이다. (주)올포랜드에서는 오랜 기간 축적한 SI·DB·플랫폼 개발 역량을 바탕으로 ‘공간융합연구소’를 운영하며 이 점에 집중하고 있다.
이상호 - 업무 공정에서 반복적이고 규칙성이 높은 영역을 중심으로 AI 적용 대상을 명확히 찾는 것이 가장 중요하다. 도화, 편집, 객체 추출, 변화탐지 등은 많은 인력과 시간이 투입되는 공정으로, AI를 활용하면 업무 효율과 정확도를 동시에 높일 수 있다.
또한, 공간정보 산업에는 오랜 기간 축적된 도형 표현 방식과 작업 규칙성이 존재한다. 예를 들어, 사각형 건물은 네 개의 꼭짓점이 정답이지만, 범용 AI 모델은 수십 개의 점을 출력하는 경우가 많다.
기업들은 이러한 업계 특유의 작업 방식과 노하우를 AI 모델 설계나 학습 과정에 반영함으로써 실제 업무에 적합한 성능을 확보할 수 있다.
자율주행·드론·로봇 등 기계 인식 목적의 기술 개발에서는 정확한 객체 인식이 필요하기 때문에 개발 단계에서 제한된 범위의 원본 데이터 활용이 불가피한 경우가 있다. 자율주행 분야에서도 이 같은 필요성을 인정해 관련 법률 개정을 통해 개발 목적의 데이터 활용을 지원하고 있다.
기업들도 이러한 기술적 특성을 이해하고 제도적인 틀 안에서도 AI 성능을 높일 수 있다.
또한, 기업들은 공공에서 제공하는 표준과 가이드라인을 바탕으로 내부 공정 자동화나 새로운 서비스 개발에 AI를 연결하는 방식으로 활용 범위를 넓힐 수 있다. 변화탐지나 3차원 구축 등 핵심 분야에서 AI를 적용하면 기업의 경쟁력도 자연스럽게 강화될 것으로 생각된다.
김태훈 - 기업 입장에서 AI는 ‘한 번에 큰 시스템을 도입하는 것’보다 단계적으로 조직 역량과 데이터 환경을 바꿔 가는 과정으로 접근하는 것이 현실적이다.
이를 위해 우선적으로 내부 역량 강화가 필수적으로 이뤄져야 한다. 기존 GIS 실무자들이 AI·데이터 분석의 기본 개념과 도구를 익힐 수 있도록 단기 교육은 물론 산학협력·공동 프로젝트 등을 통해 실제 데이터를 갖고 함께 실험해 보는 과정이 필요하다.
둘째, 상용 GIS의 내장 AI 기능이나 AutoML 도구를 활용한 소규모 파일럿 프로젝트를 시작점으로 삼는 것이 좋다. 범위가 명확한 과제부터 시도하고, 효과가 검증되면 점차 복잡한 업무로 확장하는 방식이다.
셋째, 데이터 품질과 거버넌스 체계를 갖춰야 한다. 기업이 보유한 공간데이터의 정확도, 서로 다른 데이터 간의 정합성, 갱신주기, 관리 책임 등을 점검하고, 이를 조직적으로 관리할 수 있는 구조를 만들어야 한다.
마지막으로, 공공·민간·연구기관이 함께 사용할 수 있는 품질 기준·가이드라인·참고 사례가 넓게 제공돼야 한다. 공공이 기본 인프라와 기준을 제시하고, 민간이 그 위에서 다양한 서비스와 솔루션을 개발하는 구조가 바람직하며, 품질관리 전문기관은 그 사이에서 품질 기준과 검증 절차를 고도화하는 역할을 수행할 수 있다.
- AI 도입 시 데이터 품질 확보, 전문인력 부족 등 현안에 대한 해결책은 무엇인가
박창훈 - 우선, 전통적인 공간데이터 구축 방식의 근본적 전환이 예상된다. 기존의 고정밀 데이터 구축 절차는 생산비용이 높고 처리 속도에도 한계가 있다. 이후의 데이터 가공·속성 연결·DB 업데이트·타 데이터와의 융합까지 고려하면 실시간 데이터 처리 체계를 구축하는 데 구조적 제약이 있을 수밖에 없다.
AI 기반 방식은 이 같은 구조적 문제를 근본적으로 개선시킨다. 이는 학습데이터 기반의 즉각적인 영상 해석 방식으로 전환되기 때문으로, 공간데이터의 표준 포맷 역시 벡터·래스터 중심에서 학습용 영상데이터까지 포함하는 형태로 확장될 가능성이 매우 크다.
특히, 국내 공간정보의 특수성인 도로 형태, 도심 패턴, 교통 체계, 건물 형상 등을 반영한 국내 맞춤형 소보린 AI 개발이 시급하다.
이를 위해서는 분야(섹터)별로 활용 목적에 맞춘 훈련용 학습데이터 포맷 표준화, 정부가 보유한 고품질 공간정보(국토정보플랫폼 등)에 대한 AI 학습용 표준 라벨링 후 민간 개방이 반드시 병행돼야 한다. 이는 공간정보사업자가 실질적으로 AI 기술을 적용해 생산성과 정확도를 높이는 데 필수적인 기반이 될 것이다.
전문인력 전략은 내부 역량 강화와 외부 전문성 활용을 병행하는 투 트랙 접근이 가장 현실적이다.
웨이버스에서도 내부적으로 AI 연구조직을 활성화해 실무 중심의 전문성을 빠르게 확보해 나가겠다.
또한, AI 전문가에게 GIS 도메인 지식 교육 제공을, 기존 공간정보 기술자에게는 AI·머신러닝 교육 제공을 통해 융합형 Geo-AI 엔지니어를 양성하는 것이 중장기적 경쟁력 확보의 핵심이다. 웨이버스는 전문연구요원 체계를 활용하는 방안도 검토하고 있다.
김병교 -기술을 넘어 전략적 거버넌스 차원에서 해결해야 한다.
데이터 품질 문제는 ‘Garbage in, Garbage out’이라는 공식처럼 데이터 거버넌스 차원에서 다뤄져야 한다. 이를 위해 데이터 수집 단계부터 표준화된 정제 및 검증 프로세스를 자동화하고, 스마트 한 데이터를 선별하는 ‘데이터 중심 AI(Data-centric AI)’ 접근법을 도입해야 한다.
또한, AI 기반의 오류 탐지 시스템을 도입함으로써 대규모 데이터에서도 품질을 체계적으로 보장할 수 있다.
(주)올포랜드는 다년간의 공공 DB 구축 노하우를 활용해 데이터 표준화 체계를 갖추고 있으며, 여기에 AI 기반의 자동 품질검수 기술을 단계적으로 결합하고 있다.
전문인력 부족 문제는 산업적 차원의 구조적인 문제로, 단기적으로는 기존의 우수한 공간정보 전문가들에게 AI 활용 능력을 부여하는 ‘업스킬링(Up-skilling)’ 또는 ‘재교육(Reskilling)’ 전략이 현실적이다.
장기적으로는 AI와 공간정보 지식을 모두 갖춘 ‘융합형 인재’를 꾸준히 확보하는 것이 관건이다.
이상호 - 데이터 품질 확보를 위해서는 기존 인력의 역할과 역량이 무엇보다 중요하다.
공간정보 분야는 도화·편집·검수 등 현장의 경험이 필요한 특수성이 크기 때문에 현재 업계에서 일하고 있는 인력들의 재교육과 역량 강화가 핵심 과제라고 생각한다.
기존 인력들이 오랜 경험을 바탕으로 AI를 이해하고, 데이터 검수·관리·품질 확보 역할을 수행할 수 있도록 체계적인 재교육이 필요하다.
특히, 변화탐지, 3차원 입체지도 구축, 지형 분석 등 복잡한 데이터는 현장의 노하우가 없으면 품질을 유지하기 어려운 만큼 기존 인력의 전문성을 AI 시대에 맞게 확장시키는 것이 중요한 해결책이라고 본다.
김태훈 - 데이터 품질은 수집–가공–관리 전 단계에서 품질 기준을 명확히 하고, 이를 실제 업무에 녹여내는 방식으로 해결해야 한다. 예를 들어, 좌표 정확도 기준, 속성 누락 허용 범위, 갱신주기와 검증 절차 등을 사전에 정하고, 이를 충족하지 못하면 자동으로 경고가 발생하도록 시스템을 설계하는 것이다.
이 과정에서 AI 기반 오류 탐지, 이상값 탐지, 변화 감지 기술을 품질관리 도구로 활용할 수 있다.
전문인력 부족 문제는 한 기관이 독자적으로 해결하기 어렵다. 재직자 교육, 산학 협력, 공공·민간·학계·스타트업 간 개방형 협업 생태계 구축이 필요하다. 특히, 공간데이터를 이해하고 책임 있게 관리할 수 있는 기본 역량을 갖춘 인력이 조직 안에 있어야 한다.
결론적으로 인력·기술·데이터 품질 문제는 어느 한 주체의 문제가 아니라, 공공·민간 전체가 함께 해결해야 할 공동 과제다. 정부는 방향과 기준을 제시하고, 공공기관은 인프라와 데이터를 제공하며, 민간과 학계는 기술 개발과 인재 양성을 맡는 역할 분담이 필요하다고 생각한다.
이채석 - AAI 기반 자동 품질관리(Automatic Spatial QA/QC)가 필요하다. 좌표·위계·속성 오류, 시계열 변화, 이상값 등을 AI가 자동 탐지·보정해 데이터 품질을 상시 유지해야 한다.
또한, 데이터 출처와 이력 기반의 신뢰도 관리 체계도 필요하다. 데이터가 언제, 어디서, 어떻게 변경됐는지를 투명하게 관리하면, AI 학습·추론 결과의 신뢰성과 설명 가능성을 높일 수 있다.
전문인력 부족 문제는 AI×공간정보 융합형 교육 생태계를 통해 해결해야 한다. 대학·기업·기관이 협력해 공간전문가는 AI를, AI전문가는 공간도메인을 함께 익히는 교차역량 체계를 마련하고, 현장 전문가 중심의 리버스 러닝(reverse learning) 방식 교육을 도입해야 한다.
한편, 현재 공간지능을 제대로 다루는 학과는 국내에서 드물고, 관련 학제도 부족한 현실을 반영해 관련 분야에 대한 정책적 관심과 학제 신설도 절실하다.
국토 전역 고정밀·최신성 확보 ‘변화탐지 체계’ 고도화 ‘최우선’
‘데이터 중심 AI’ 접근법 등 AI 기반 오류 탐지 시스템 도입 필요성
도로 형태 도심 패턴 교통 체계 반영 ‘국내 맞춤형’ 소보린 AI 개발 등
데이터 기반 조성 신산업 육성 위해 규제 개선 중심 법·제도 정비해야
- 법·제도 및 산업 생태계 차원에서 필요한 지원책에 대한 생각을 말해 달라
김병교 - AI 기반 공간정보 산업의 확산을 위해서는 현 정부의 정책적 지원이 필수적이으로, 데이터 개방, 제도 개선, 정책적 우선순위 확보 등이 필요하다.
첫째, 정부와 공공기관이 보유한 국가 핵심 공간 데이터를 민간이 AI 학습에 활용하기 좋은 형태로 과감하게 개방하고 표준화해야 한다.
둘째, 네거티브 규제 전환 및 실증 환경 조성 등 데이터 활용을 촉진하는 법·제도적 환경 개선이 시급하다. 데이터의 안전한 활용에 초점을 맞춘 가이드라인을 제시하고, 디지털 트윈, 드론 탐지 등 신기술을 현장에서 시험할 수 있도록 규제 샌드박스형 테스트베드를 전국적으로 확대해야 한다.
셋째, 기술력과 자본이 부족한 중소 공간정보 기업들을 위한 실질적인 지원책 마련이 필요하다. 정부가 2026년 AI 투자 예산을 약 10조 1,000억 원 규모로 확대하며 AI 관련 전방위 투자를 추진하고 있는 것은 매우 고무적이지만, 공간정보가 AI 산업의 기반 인프라를 구성하는 핵심 데이터임에도 불구하고, 예산·정책·인프라 지원은 아직 충분하지 않다.
따라서 정부가 추진 중인 대규모 AI 투자 전략 속에서 공간정보 산업을 ‘수혜자’가 아니라 ‘전략적 기반 산업’으로 인식하고 우선순위를 높여주는 것, 이것이 산업 전체의 경쟁력을 끌어올리는 가장 효과적인 길이라고 생각한다.
이상호 - 현재 항공사진을 포함한 주요 공간정보의 경우 보안 데이터로 관리되고 있다. 이는 산업계의 AI 연구 개발에 어려움으로 작용하고 있다. 따라서 민간이 활용할 수 있는 범위와 절차를 명확하게 정의한 기준이 마련될 필요가 있다.
특히, 항공·위성·드론 기반 공간데이터의 활용 목적과 방식에 대한 법적 근거와 절차가 명확해져야 하고, 개발 목적에서 필요한 데이터 유형, 서비스 제공 단계에서의 제한사항 등 목적별 활용 기준을 구분해 제시한다면 산업계와 기관 모두가 일관된 원칙 아래에서 데이터를 다룰 수 있을 것이다.
공간정보 AI 기술의 확산을 위해서는 표준화·검증체계 마련도 중요하다. 공간 AI 모델의 정확도 평가 기준, 공공업무 적용을 위한 시험·검증 절차를 제도화할 경우 민간에서 개발한 기술이 공공 조달이나 행정업무에 안정적으로 활용될 수 있을 것으로 생각된다.
결국 정부의 역할은 단순히 데이터를 제공하는 것이 아니라, 데이터 활용 범위·절차·기준을 명확히 제시하고, 기술 검증 체계를 구축하는 것이라고 생각한다. 이러한 제도적 기반이 마련될 때 공간정보 분야에서 AI가 안정적으로 확산될 수 있을 것이다.
김태훈 - 공간정보 데이터 생태계를 만들기 위해서는 우선 공간데이터 인프라와 품질 기반의 공동 강화가 이뤄져야 한다. 정밀도로지도, 3D 공간정보, 위성·항공영상, 각종 센서 데이터가 일정한 표준과 품질 기준 아래에서 공유·활용될 수 있어야 한다.
이를 위해 데이터 표준, 메타데이터, 품질 등급 체계 등에 대한 법·제도적으로 뒷받침이 필요하다. 이 과정에서 품질관리 전문기관은 표준 준수 여부를 점검하고, 품질 평가 체계를 지속적으로 고도화하는 역할을 수행할 수 있다.
둘째, 새로운 기술에 대응하는 법·제도 정비다. 드론 측량, 자율주행 지도, 실시간 위치정보 활용, 디지털 트윈 서비스 등과 관련된 법·지침·가이드라인을 공공·민간·전문가 그룹이 함께 논의해 정비함으로써, 산업 발전과 개인정보·안전보호가 균형을 이룰 수 있도록 해야 한다.
셋째, 민·관 공동 R&D 및 실증 기반 확대다. 공공과 민간이 함께 기술을 검증하고, 그 결과를 산업 전반으로 확산할 수 있는 구조를 만들어야 한다. 규제 샌드박스나 테스트베드 도시 지정도 한 방법이다.
넷째, GeoAI 융합 인재 양성 체계 구축이다. 대학·연구기관·산업계가 연계한 교육 프로그램을 통해 공간정보와 AI를 함께 이해하는 인재를 꾸준히 배출하는 것이 중요하다. 중장기적인 인력 기반 조성을 위한 정책적 지원이 필요하다.
이채석 - 첫째, 공간정보를 단순한 행정 데이터가 아니라 국가 핵심 AI 인프라 자산으로 재정의하는 법적·정책적 전환이 필요하다.
둘째, 공간정보의 AI-Ready 전환을 위한 국가 표준과 품질 인증 제도가 필요하고, 셋째, 공간정보×AI 융합을 촉진하기 위한 R&D·세제 인센티브를 마련해야 한다.
넷째, 개인정보보호법·위치정보법 등 기존 규제와 충돌하지 않도록 ‘공간AI·월드 모델 활용 가이드라인’을 정비해야 한다.
로봇주행, 실내측위, 재난 디지털트윈 등의 분야는 규제샌드박스·시범도시 기반의 단계적 검증 후 제도화하는 점진적 접근이 가장 효과적이라고 본다.
박창훈 - 데이터 기반 조성, 신산업 육성 지원, 규제 개선을 중심으로 정부와 법·제도 차원의 정비가 시급하다.
우선, 고품질 학습데이터 구축 지원 체계 강화가 필요하다. 국토 분야 소버린 AI 개발을 위해서는 대규모·고해상도·정밀 라벨링된 공간정보 데이터셋이 필수적이며, 이를 구축하기 위한 정부 예산 투입과 법적 근거 마련이 선행돼야 한다.
기업이 저작권 부담 없이 데이터를 활용할 수 있도록 명확한 이용 규정을 정비하고, K-Geo 플랫폼과 브이월드를 통해 현재 공개 가능한 센서 데이터·교통량 데이터 등의 개방 범위를 더욱 확대할 필요가 있다.
또한, 민간기업이 실질적으로 활용할 수 있도록 현실적인 API 제공 체계와 개발자 친화적인 플랫폼 운영 방식을 확립해야 한다.
신산업 육성을 위해서는 AI 기술을 도입하거나 자체 개발하는 공간정보 기업에 세액 공제, R&D 투자 보조금 등 초기 진입 부담을 낮추는 정책이 필요하다. 기업 솔루션 개발을 촉진하는 공모사업을 매칭펀드 형태로 확대한다면 실질적인 도움이 될 것이다.
실제로 NIA 공공 SaaS 개발·검증 사업을 통해 공간정보 기반 SaaS를 개발하고, 보안인증을 받은 경험이 있으며, 컨설팅—시범 적용—확대 적용까지 이어지는 단계형 공모사업 모델이 더 넓게 제공된다면 AI 활용 솔루션 개발을 크게 가속화 할 수 있다.
특히, 자율주행, 드론 등 첨단 산업 발전을 가로막는 고정밀 공간정보 수집·활용 규제를 보다 유연한 네거티브 규제 방식으로 전환할 필요가 있다.
개인정보 보호와 데이터 활용 사이의 기준을 명확히 정립하고, 규제 샌드박스를 확대해 신기술 테스트를 적극 허용하는 제도적 장치를 마련해야 한다. 이는 산업 전반의 AI 도입 속도를 높이는 데 핵심적인 기반이 될 것이다.
