AI 증강 생태계 위한 새로운 아키텍처 문서 프레임워크

본 논문은 AI‑augmented 생태계가 급증함에 따라 기존 소프트웨어 아키텍처 문서 프레임워크인 arc42와 C4 모델이 AI 특유의 확률적 행동, 데이터‑의존적 진화, 그리고 ML·소프트웨어의 이중 라이프사이클을 충분히 표현하지 못한다는 근본적인 문제를 제기한다. 특히 EU AI Act(2024/1689) Annex IV이 요구하는 기술 문서화 요구사항을 충족시키지 못해 고위험 AI 시스템에 대한 규제 대응이 어려워지는 상황을 강조한다. 연구자는 설계 과학 연구(Design Science Research) 방법론을 채택해 기존 프레임워크와 EU AI Act 요구사항 사이의 격차를 G1‑G5로 정의하고, 이를 해소하기 위한 확장 프레임워크 RAD‑AI를 제안한다. RAD‑AI는 arc42에 8개의 새로운 섹션(E1‑E8)과 하나의 신규 섹션(E8)을 추가하고, C4 모델에 3개의 다이어그램 확장(C4‑E1~E3)을 도입한다. 각 확장은 앞서 정의한 격차(G1‑G5)와 직접 매핑되며, 백워드 호환성을 유지하면서 기존 문서와 병행 사용이 가능하도록 설계되었다. E1 ‘AI Boundary Delineation’은 시스템 경계에서 결정론적·비결정론적 영역을 명시하고, 출력 유형·신뢰도·갱신 주기·대체 동작이라는 네 가지 계약 요소를 통해 인터페이스를 구체화한다. E2 ‘Model Registry View’는 모델을 첫 번째급 빌딩 블록으로 승격시켜 모델 ID, 버전, 프레임워크, 학습 데이터 해시, 하이퍼파라미터, 성능 임계값, 배포 상태 등을 표준화한다. E3 ‘Data Pipeline View’는 데이터 흐름 전체를 런타임 뷰에 포함하고, 품질 게이트와 실패 시 행동을 명시한다. E4 ‘Responsible AI Concepts’는 공정성·설명가능성·인간 감독·프라이버시·안전을 매트릭스로 정리한 교차 절단 개념 매트릭스를 제공한다. E5 ‘AI Decision Records (AI‑ADR)’는 기존 ADR에 AI‑전용 필드를 추가해 모델 선택 이유와 규제 고려사항을 기록한다. E6 ‘AI Quality Scenarios’는 데이터 드리프트·적대적 입력·모델 노후화 등 AI 특화 품질 시나리오를 소스‑자극‑반응 형태로 정의한다. E7 ‘AI Debt Register’는 ML‑특화 기술 부채(경계 침식·엔탱글먼트·피드백 루프·데이터 의존·파이프라인 부채)를 위험·기술 부채 섹션에 통합한다. 마지막으로 E8 ‘Operational AI View’는 모니터링·재학습 정책·배포 전략·롤백 정책을 네 가지 하위 섹션으로 구조화한 신규 섹션이다. C4‑E1은 <>, <>, <>, <>, <> 등 다섯 개의 스테레오타입을 도입해 AI 컴포넌트를 시각적으로 구분한다. C4‑E2는 데이터 라인리지 오버레이를 통해 데이터 출처부터 변환, 모델 소비까지의 흐름을 추적하고, 스키마 기대치·신선도·프라이버시 등 메타데이터를 주석으로 표시한다. C4‑E3는 비결정론적 경계 다이어그램을 제공해 시스템을 결정론적 영역과 비결정론적 영역으로 구분하고, E1에서 정의한 계약을 동일하게 표시한다. 규제 매핑 측면에서 RAD‑AI는 EU AI Act Annex IV의 9개 섹션을 각 확장과 1:1 대응시켜 문서화 경로를 구체화한다. 실무자 6명을 대상으로 한 규제 커버리지 설문에서는 기존 프레임워크가 평균 36 % 수준이던 Annex IV 충족도가 RAD‑AI 적용 후 93 %로 크게 향상되었으며, 이는 AI‑특화 문서 요소가 규제 요구를 충족시키는 핵심임을 입증한다. 두 실제 AI 플랫폼(우버 Michelangelo, 넷플릭스 Metaflow)에 RAD‑AI를 적용한 비교 분석에서는 기존 arc42와 C4가 놓치던 8가지 AI‑특화 우려(모델 버전 관리, 데이터 드리프트, 인간‑인‑루프 설계, 책임성 메트릭 등)를 모두 포착했으며, 이러한 문서 결함이 도메인 특수성이 아니라 프레임워크 구조적 한계임을 확인했다. 스마트 모빌리티 생태계 사례 연구에서는 ‘cascading drift’(연속적인 데이터 드리프트가 시스템 전반에 파급)와 ‘differentiated compliance’(지역별 규제 차이) 등 생태계 수준의 우려를 시각화했으며, 이는 기존 C4나 arc42에서는 전혀 드러나지 않는다. 결론적으로 RAD‑AI는 기존 아키텍처 문서 프레임워크에 최소한의 확장만으로 AI‑augmented 시스템의 설계·운영·규제 요구를 포괄적으로 지원한다. 백워드 호환성과 단계적 도입 가능성을 강조해 실무 적용 장벽을 낮추었으며, 향후 표준화 작업과 도구 연계(Structurizr DSL, PlantUML) 등을 통해 산업 전반에 확산될 잠재력을 제시한다.