공개 데이터(Open Data)가 사라지는 정보전쟁 시기 (미국)


Open Data Under Attack: How to Find Data and Why It Is More Important Than Ever (infotoday.com. 2025.3.1)

공개 데이터에 대한 위협: 데이터를 찾는 방법과 그 중요성

1. 공개 데이터(Open Data)의 중요성과 위기

공개 데이터는 누구나 접근하고 공유하며 사용할 수 있는 데이터로, 주로 정부 기관이 제공하는 것이 가장 크다. 오바마 대통령은 2013년 5월 9일 행정 명령을 통해 정부 데이터 공개의 중요성을 공식화하며 ‘공개 정부 이니셔티브(Open Government Initiative)’를 출범시켰다. 이를 통해 정부 부처들이 데이터를 개방하고 민주주의를 강화하며 효율성을 높이는 것을 목표로 삼았다.

그러나 현재 이와 같은 공개 데이터의 시대가 위협받고 있다.

2. 트럼프 행정부의 공개 데이터 삭제 및 역사 왜곡

트럼프 대통령 취임 후, 정부 내 다양성, 형평성, 포용(DEI) 관련 정책을 철폐하는 여러 행정 명령을 발표했다. 이에 따라 다음과 같은 변화가 발생했다.

  • 다문화, 공공보건(예: 백신 접종률, HIV/AIDS, 기후변화 관련 데이터) 등의 데이터를 포함한 8,000개 이상의 데이터셋과 웹페이지가 삭제됨.
  • 미국 국립문서관(National Archives and Records Administration, NARA)의 수장이 해임되면서 역사 보존이 위협 받음.
  • 일부 데이터가 법원 명령에 의해 복구되었지만, 많은 데이터는 영구적으로 손실됨.

일반적으로 정부 기관 간의 인수인계 시 데이터를 보관하는 것이 관례이지만, 새로운 행정부가 직접 데이터를 삭제하는 것은 매우 이례적인 일이다. 이에 대응해 일부 독립 기관들은 웹 스크래핑을 이용해 데이터를 아카이브하고 있지만, 로그인이나 캡차(captcha) 보안 장치가 있는 데이터는 보존이 어렵다.

3. 데이터 소스 및 접근 방법

공개 데이터가 사라지는 상황에서, 지속적으로 데이터를 활용하고 이를 감시하는 것이 중요하다. 다음은 주요한 데이터 출처들이다.

① 정부 데이터 소스

  • 미국 커뮤니티 조사(ACS): 인구, 소득, 교육 수준, 디지털 격차 등 지역별 통계를 제공.
  • 경제 연구 서비스(ERS, USDA): 농무부(USDA) 산하 기관으로, 미국 농촌 및 소도시의 인구, 경제, 이주, 빈곤, 장애 관련 데이터를 분석.
  • PLACES (CDC): 미국 질병통제예방센터(CDC)에서 운영하는 건강 및 사회적 필요 분석 데이터 제공.
  • 사회적 취약성 지수(SVI, CDC): 기후 재난, 빈곤, 인구통계적 요소에 따른 지역별 사회적 취약성 평가.
  • 식품 영양 서비스(FNS, USDA): 식량 안보, WIC 및 SNAP(저소득층 지원 식료품 프로그램) 이용 현황 제공.
  • EPA 스마트 성장 데이터: 교통 및 도시 개발과 관련된 데이터 제공.

② 비정부 데이터 소스

  • 위스콘신 대학교 공중보건 연구소: 건강 불평등 연구 및 지역 건강 지수 제공.
  • Opportunity Insights (하버드 대학 기반 연구소): 경제적 기회 및 아동 성장 환경이 미래 소득에 미치는 영향 분석.
  • Migration Patterns (MIT, Census, Opportunity Insights 공동 프로젝트): 청소년과 청년의 이동 경향 분석.
  • Feeding America & Reinvestment Fund: 지역 사회의 식량 불균형과 식품 접근성을 시각화하는 지도 제공.

이러한 데이터들은 도서관, 공공 기관, 연구소 등에서 지역 사회의 문제를 파악하고 정책을 마련하는 데 활용할 수 있다.

4. 데이터의 역할과 도서관과 정보 전문가들의 책임

데이터는 단순한 정보가 아니라, 사회 변화를 이끌어낼 수 있는 ‘무기’다. 도서관은 중립적이라는 인식이 강하지만, 정부가 특정 집단의 존재를 부정하고, 역사적 사실을 왜곡하며, 예술·인문학·박물관·도서관 지원을 철회하는 현 시점에서 중립이란 존재하지 않는다.

  • 정부가 학교 도서관 접근을 제한하고, 1,000개 이상의 책이 검열되는 상황에서 도서관이 정치적이지 않다고 말할 수 있는가?
  • 다양성과 포용성을 사회적 문제로 규정하고 탄압하는 상황에서 도서관이 여전히 중립적일 수 있는가?

도서관과 정보 전문가들은 데이터와 정보를 보존하고 배포하는 역할을 담당하며, 이를 통해 민주주의와 학문의 자유를 수호해야 한다. 지금의 ‘정보 전쟁’에서 중립을 지킨다는 것은, 방관자적 태도이며 결과적으로 역사 왜곡과 지식 통제에 동조하는 것이나 다름없다.
데이터가 삭제되고, 정부 기관이 역사와 과학을 왜곡하는 현실 속에서 정보의 수호자로서 도서관과 연구자들은 보다 적극적인 역할을 수행해야 한다.

"국민의 도서관이 불타고 있다. 우리가 행동하지 않는다면, 남는 것은 재만이 될 것이다."

Comments

Post a Comment

Popular posts from this blog

🧑‍🏫[칼럼] 미래 인재상, T자형 하이브리드로 설계하라

미래 인재상, T자형 하이브리드로 설계하라 – AI 시대, '내 역할'을 새롭게 정의하는 사람만이 살아남는다.  –   1. AI가 바꾸는 일터의 풍경 요즘 일터 곳곳에서 AI 기술이 빠르게 도입되고 있다. 반복적이고 단순한 일은 자동화되고, 정해진 답이 있는 문제는 AI가 더 빠르고 정확하게 처리한다. 이런 변화 속에서 많은 이들이 불안해한다. "그럼 나는 어떻게 살아남아야 할까?" 이 질문에 대한 답은 점점 분명해지고 있다. 이제는 정답을 아는 것만으로는 부족하다. AI 시대에 중요한 것은 정답이 없는 문제에 대응하는 능력, 그리고 여러 분야를 연결하고 해석하는 융합적 사고력이다. 이 새로운 시대가 요구하는 인재상은 바로 'T자형 하이브리드 인재'이다.   2. 왜 융합형 사고가 중요해질까? 많은 기업들이 AI를 통해 일하는 방식을 근본적으로 바꾸고 있다. 스타벅스, JP모건, 존디어 같은 글로벌 기업들은 직원들의 전문 지식을 AI 시스템에 학습시켜 조직 전체에 활용하려는 전략을 펼치고 있다. 이로 인해 단순히 '경험 많은 전문가'라는 타이틀만으로는 경쟁력을 유지하기 어려워졌다. 하지만 여전히 사람만이 잘할 수 있는 영역이 존재한다. 불확실한 상황에서의 판단, 서로 다른 입장의 조율, 고객과의 감정적 연결, 조직 내 신뢰 형성 등은 AI가 대체하기 어려운 일이다. 이러한 복잡하고 정형화되지 않은 문제를 해결하는 능력은 T자형 인재의 핵심적인 역량이다.   3. T자형 인재란 무엇인가? T자형 인재는 한 분야에 깊은 전문성을 갖추는 동시에, 여러 분야를 연결하고 협업할 수 있는 융합적 역량을 지닌 사람을 말한다. T자의 세로 줄은 마케팅, 법률, 공학, 디자인 등 특정 분야에서의 깊이 있는 전문성을 의미한다. 가로 줄은 디지털 이해력, 데이터 분석 능력, 커뮤니케이션, 협업 능력처럼 다양한 분야를 아우르며 융합적으로 사고할 수 있는 능력이다. 특히 중요한 것은 기술과 기술, 사람과 기술 사이를 연결...
Read more

[인사이트] "연구용 AI"의 등장과 연구 패러다임의 변화

Image
(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...
Read more

AI의 기반 : 데이터부터 시작하라

Image
* 이 내용은 " 단기 성과와 장기 성장 사이 ··· AI 투자의 딜레마" (CIO, 2025.2.19) 칼럼을 기초로 주로 데이터 부문의 내용을 중심으로 작성한 것입니다. 실질적인 AI 전략을 수립하기 위해 가장 먼저 투자해야 할 요소는 데이터 품질이다 . 데이터 품질이 확보되지 않으면 데이터에 대한 신뢰도도 확보될 수 없다 . ML , Gen   AI, 에이전틱 AI 의 신뢰성을 확보하기 위한 기본 전제는 바로 고품질의 데이터이다 . AI 가 데이터를 통해 가치를 창출할 수 있다. 하지만 데이터가 부실하면 그 결과 역시 신뢰할 수 없을 것이다 .   오라일리 (O’Reilly) 의 조사 에 따르면 , 48% 의 기업이 데이터 정확성을 유지하기 위해 머신러닝 , 데이터 분석 , AI 도구를 활용하고 있다 . 이는 AI 이니셔티브를 위해 탄탄한 데이터 기반이 필수 적임을 보여준다 . 클릭 (Qlik) 의 조사 에서는 21% 의 기업이 신뢰할 수 있는 데이터를 확보하지 못해 AI 도입에 어려움을 겪고 있다고 한다 . 이는 안정적인 데이터 플랫폼 구축의 필요성 을 강조하는 결과이다 . ‘ 데이터의 중력 (Data Gravity) ’ 개념에서 데이터가 한 곳에 모이면 그곳이 중심지가 되지만 그 데이터의 품질을 깊이 검증하지 않고 신뢰하는 경향이 있다고 한다. 실제로 중복성과 일관성이 부족해  신뢰할 수 없는 데이터가 저장소에 생성되는 것이다. 그래서  데이터 단절과 부정확성으로 인해 비즈니스 의사결정의 질이 떨어질 수밖에 없다 . 데이터 과학과 머신러닝에 투자하기 전에  데이터를 먼저 정제하고 통합하는 과정이 우선이다. 그냥 진행하면 오히려 데이터 품질과 신뢰 문제를 더욱 악화시킬 수 있다 . 데이터의 의미적 모델을 추상화하고 , 분석 도구에서 활용할 수 있는 비즈니스 준비된 데이터 계층을 구성해야 한다 . 데이터 품질과 신뢰도가 확보되지 않은 상태에서 머신러닝 알고리즘과 모델 개발을 위해 데이터 과학 자원에 투자하는 것은...
Read more