팔란티어에 투자하면 안되는 이유 (반드시 끝까지 보세요)
(00:03)
AI와 자동화를 핵심 기능에 적용하려는 기업들이 있습니다. 이들은 현실 세계의 복잡성을 고려해야 하고, 경우에 따라 중요한 임무 수행 환경에 배치되기도 합니다. 여기서 중요한 점은 단순한 솔루션이 아닌, 완전한 AI 제품을 개발하고 제공하는 것입니다. 단순한 래퍼(wrapper)가 아닌, 물류 네트워크 전반에서 자산을 효율적으로 분배하거나, 수만 개의 지점에서 맞춤형 고객 추천을 실행할 수 있는 제품이 필요합니다. 즉, 데이터, 논리, 액션의 복잡성을 완전히 반영하면서도 모바일, 웹, 엣지(Edge) 애플리케이션과 유기적으로 연결된 제품이어야 합니다.
(01:03)
그렇다면 이런 '완전한 AI 제품'을 만들기 위해 필요한 기술 스택은 기존의 3계층 아키텍처나 클라우드 네이티브 아키텍처와는 전혀 다른 형태를 띠게 됩니다. 예를 들어, 인프라 계층에서 단순한 컴퓨팅과 스토리지를 넘어, 노드 사이클링(node cycling)을 통해 보안 위협을 방지하고, 무중단 업그레이드를 가능하게 하며, 제로 트러스트 네트워크를 지원하는 강화된 자동 확장(autoscaling) 스택이 필요합니다.
(01:38)
이러한 인프라는 AI 및 인간의 모든 활동을 통제하는 보안 아키텍처와 연계되어야 합니다. 이를 위해 역할 기반 액세스 제어(Role-Based Access Control, RBAC)뿐만 아니라, 정보 흐름을 따라가는 마킹 기반 제어, 목적 기반 제어 등이 필요합니다.
(02:08)
또한, 수백 개의 서로 다른 데이터 소스(구조적 데이터, 비구조적 데이터, 스트리밍 데이터, 지리 공간 데이터 등)를 연결하고 변환할 수 있는 데이터 통합 엔진도 필수적입니다. 이를 배치(batch) 및 스트리밍 방식으로 대규모 처리할 수 있어야 하며, 보안 모니터링과 메타데이터 관리 기능도 갖춰야 합니다.
(02:36)
모델 통합 프레임워크 역시 중요합니다. 데이터 과학 환경에서 개발한 전통적인 최적화 모델, 비즈니스 규칙, 알고리즘을 컨테이너로 배포하거나 API로 연결해야 합니다. 여기에 더해 LLM(대형 언어 모델) 통합 기능도 필요합니다. AI 모델을 상용 공급업체 및 오픈소스 공급업체와 안전하게 연결할 수 있어야 하며, AI 모델이 실행되는 작업 환경(workbench)에서 LLM 기반 기능, 에이전트, 객체 및 프로세스를 정의할 수 있어야 합니다.
(03:05)
이러한 요소를 모두 갖추고 있어야 AI 제품이 지속적으로 발전할 수 있습니다. 하지만 중요한 점은, AI 개발에서 요구사항이 고정되지 않는다는 것입니다. 요구사항은 시간이 지남에 따라 유연하게 변할 수 있어야 합니다. 예를 들어, 12개의 새로운 데이터 소스를 추가하거나 LLM을 교체하거나, 프런트엔드 프레임워크를 변경하거나, 사용자 수를 10배 증가시켰을 때도 시스템이 안정적으로 유지될 수 있어야 합니다.
(04:04)
즉, AI 제품 개발에서 가장 중요한 요소는 '레버리지(leverage)'입니다. AI 제품을 개발하는 빌더들이 원하는 방식으로 구축할 수 있도록 플랫폼 차원의 확장성과 유연성을 제공해야 합니다. 또한, AI가 자동화하는 영역이 점점 확대됨에 따라, 점진적으로 더 많은 데이터를 통합하고, AI 기반의 비즈니스 로직을 추가하며, 자동화된 행동을 더욱 정교하게 조정할 수 있어야 합니다.
(05:01)
LLM을 통합하는 것뿐만 아니라, AI 모델이 실시간으로 어떻게 동작하는지 지속적으로 평가하는 기능도 필요합니다. 즉, 특정 워크플로우에 가장 적합한 모델을 선택하고 최적화할 수 있어야 합니다.
(05:28)
이러한 모든 고려 사항이 팔란티어(Palantir) 아키텍처의 중심에 있는 ‘온톨로지 시스템(Ontology System)’으로 연결됩니다. 온톨로지는 AI 제품을 구축하는 빌더들에게 최대한의 레버리지를 제공해야 합니다.
(06:04)
첫 번째로, 온톨로지는 AI 제품의 자동화 수준을 점진적으로 증가시킬 수 있어야 합니다. 이를 위해 인간과 AI가 공동으로 의사 결정을 수행할 수 있는 공유 모델을 제공해야 합니다. 즉, 객체와 관계를 정의하는 ‘의미적 요소(semantics)’뿐만 아니라, 액션과 프로세스를 정의하는 ‘역학적 요소(kinetics)’까지 포함해야 합니다.
(06:30)
두 번째로, 온톨로지는 제품 개발의 한계 비용(marginal cost)을 지속적으로 낮출 수 있어야 합니다. 즉, 첫 번째 제품을 만들면서 생성된 다양한 구성 요소가 두 번째 제품을 개발할 때 재사용될 수 있어야 하며, 더 복잡한 기능을 추가할 때도 기존의 자산을 활용할 수 있도록 해야 합니다.
(07:23)
팔란티어의 Foundry 및 AIP 플랫폼은 이러한 요구 사항을 충족하도록 설계되었습니다. Foundry는 데이터 파이프라인 통합, 전통적인 모델 개발, 온톨로지 관리, 전체 워크플로우 수명 주기 관리 기능을 제공합니다. AIP는 LLM 기반 기능 구축, 에이전트 개발, 상태 머신(state machine) 정의, AI 평가 프레임워크 등을 지원합니다.
(07:52)
이 모든 기능은 팔란티어의 핵심 서비스들과 연계됩니다. 즉, 온톨로지 시스템이 수십억 개의 객체를 쿼리하고 수만 개의 액션을 실행할 수 있도록 지원하며, 데이터 서비스가 이를 뒷받침합니다. AI 인프라는 전통적인 모델과 LLM을 모두 다룰 수 있어야 하며, 워크플로우 서비스는 상호작용, 배치 처리, 스트리밍 처리를 혼합하여 운영할 수 있도록 설계되어야 합니다.
(08:19)
이 모든 것이 보안 및 거버넌스 계층과 연결되며, 팔란티어의 Apollo 소프트웨어 딜리버리 시스템을 통해 인프라 수준에서의 안정성을 제공합니다.
결론
팔란티어의 AI 플랫폼은 강력한 기능을 갖추고 있지만, 과도하게 복잡하고 높은 수준의 기술적 요구 사항을 필요로 합니다. 투자자 입장에서 보면, AI 제품 개발의 기술적 복잡성이 증가함에 따라 지속적인 비용 상승과 운영 부담이 발생할 가능성이 큽니다. 또한, AI 산업 자체가 빠르게 변화하면서, 현재의 기술 스택이 미래에도 경쟁력을 유지할 수 있을지는 불확실합니다. 따라서 팔란티어에 대한 투자는 신중하게 검토할 필요가 있습니다.
