KT, 데이터 보정으로 AI 연산 부담 낮춘다

KT가 새로운 데이터를 처리할 때 모델을 다시 학습하지 않고도 성능을 높일 수 있는 인공지능 기술 ‘HyCal’을 개발했다. 중앙대학교·한국전자통신연구원과 공동으로 완성한 연구 성과는 지난 6월 미국에서 열린 국제 AI 학술대회 ‘CVPR 2026’에서 공개됐다. 데이터 보정만으로 반복적인 모델 업데이트에 필요한 연산 자원과 운영 비용을 줄이는 것이 핵심이다.

HyCal은 특정 분야의 데이터를 추가로 익히는 미세조정이나 매개변수 확장 없이 데이터 값을 조절한다. 보정된 데이터는 모델이 이미 학습한 임베딩 공간에서 처리된다. 의료 영상과 위성 이미지처럼 규모와 시각적 패턴이 다른 자료를 함께 다뤄야 하는 비전언어모델에서도 활용할 수 있다. 고객사와 산업, 이용 환경에 따라 데이터 편차가 커져도 별도의 재학습 부담을 덜 수 있다.

새로운 데이터가 추가될 때 전체 모델을 거듭 학습하면 GPU와 메모리 등 연산 자원이 필요하다. HyCal은 이런 과정을 줄여 업데이트가 잦은 환경에서 비용 절감 효과를 높이는 기술로 설계됐다. KT는 텍스트·이미지·오디오를 함께 이해하는 멀티모달 기반으로 확장 중인 자체 AI 모델 ‘믿:음 K’의 차세대 버전에 HyCal을 적용하는 방안을 검토하고 있다.

이번 기술은 박윤영 KT 대표가 신사업으로 제시한 ‘토큰 팩토리’ 구상과도 맞닿아 있다. 토큰 팩토리는 여러 AI 중 효율적인 모델을 자동으로 고르고, 사용량을 토큰 단위로 측정해 최적화와 과금·정산까지 처리하는 AI 운영 플랫폼이다. AI 에이전트 확산으로 세계 월간 토큰 사용량은 2026년 5000조 개에서 2030년 12경 개로 24배 늘어날 전망이어서, 적은 연산으로 같은 작업을 수행하는 효율화 기술의 역할도 커질 것으로 예상된다.