AI 모델 공개하기

• 1: AI 모델 공개 전 체크리스트
• 2: 모델 카드 작성
• 3: AI SBOM과 규제 대응

1 - AI 모델 공개 전 체크리스트

이 체크리스트와 모델 카드 작성은 순서대로가 아니라 함께 진행하는 것입니다. 모델 카드를 쓰기 시작할 때 이 목록을 한 번 훑어보시면 좋습니다. 공개 직전에야 발견하면 학습을 다시 해야 하는 항목이 섞여 있기 때문입니다.

1. 공개할 권리

가장 먼저 확인할 항목입니다. 여기서 걸리면 나머지 준비가 무의미해집니다.

• 베이스 모델을 파인튜닝했다면, 그 모델의 라이선스가 파생 모델 배포를 허용하는가?
• 베이스 모델 라이선스가 파생 모델에 요구하는 조건을 확인했는가? (이름 표기, 라이선스 승계, 사용 제한 조항의 하위 전달 등)
• 학습에 쓴 데이터셋의 라이선스가 학습 결과물의 배포를 허용하는가?
• 외부에서 구매하거나 계약으로 받은 데이터가 섞여 있다면, 계약상 공개가 가능한가?
• 모델이나 학습 방법에 관련된 특허 출원이 있는가?

2. 라이선스 결정

• 모델 가중치에 적용할 라이선스를 정했는가?
• 베이스 모델이 특정 라이선스를 강제한다면 그것을 따랐는가?
• 용도 제한이 필요하다면 그 근거를 정리했는가? (RAIL 계열 라이선스 등)
• 학습 데이터셋을 함께 공개한다면 데이터셋 라이선스를 별도로 정했는가?
• 모델 카드의 license 항목에 정확한 식별자를 적었는가?

라이선스별 특성은 AI Model 라이선스와 Llama 2 가이드, RAIL 가이드를 참고하세요.

3. 데이터와 민감정보

• 학습 데이터에 개인정보가 포함되어 있는지 확인했는가?
• 포함되어 있다면 개인정보 담당 부서의 확인을 받았는가?
• 학습 데이터에 타인의 저작물이 포함되어 있는지 확인했는가?
• 사내 문서나 고객 데이터가 학습에 쓰이지 않았는가?
• 모델이 학습 데이터를 그대로 출력할 위험을 검토했는가?
• 저장소에 올릴 파일에 API 키, 내부 서버 주소, 계정 정보가 없는가? (민감정보 제거 체크리스트 참고)

4. 모델 카드

작성 방법은 모델 카드를 참고하세요.

• 모델의 용도와 의도한 사용 범위를 적었는가?
• 사용하지 말아야 할 범위(제한 사항)를 적었는가?
• 알려진 편향과 한계를 적었는가?
• 학습에 쓴 데이터셋을 밝혔는가?
• 평가 결과와 평가 방법을 적었는가?
• 베이스 모델이 있다면 base_model 항목에 밝혔는가?
• 연락처나 문의 경로를 적었는가?

5. 파일과 식별자

• 공개할 가중치 파일 목록이 의도한 것과 일치하는가? (실험용 체크포인트가 섞이지 않았는지)
• 각 가중치 파일의 해시(SHA-256)를 확보했는가?
• 모델 이름이 사내 명명 기준과 상표 검토를 통과했는가? (프로젝트 이름 결정 참고)
• 버전 표기 방식을 정했는가?

6. 공개 승인과 이후

• 소속 조직 담당 임원이나 리더의 승인을 받았는가?
• OSRB 검토를 요청했는가? (공개 절차의 A 단계)
• 공개 후 문의에 답할 담당자를 지정했는가?
• 취약점이나 오용 신고를 받을 경로를 정했는가?
• 모델을 내리거나 수정해야 할 상황의 판단 기준을 정했는가?

자동으로 점검하기

위 항목 중 모델 카드와 라이선스, 데이터셋 관련 부분은 도구로 확인할 수 있습니다. BomLens에 모델 id를 주면 모델 카드를 읽어 빠진 항목과 채우는 방법을 정리해 줍니다. 왜 필요한지는 AI SBOM에, 설치와 실행 방법은 BomLens AI 모델 가이드에 있습니다.

도구가 확인하는 것은 모델 카드에 무엇이 적혀 있는지까지입니다. 학습 데이터에 개인정보가 섞였는지, 계약상 공개가 가능한지 같은 판단은 사람이 해야 합니다.

관련 문서

• AI 모델 공개하기 — 전체 절차
• 모델 카드 — 작성 방법
• AI SBOM — 규제 대응 문서화

문의

판단이 어려운 항목은 OSRB(opensource@sktelecom.com)로 문의하세요.

2 - 모델 카드 작성

모델 카드는 별도 양식의 문서가 아닙니다. 모델 저장소에 두는 README.md 파일이 그대로 모델 카드가 됩니다. 파일 맨 위 YAML 부분이 기계가 읽는 메타데이터이고, 그 아래 마크다운 본문이 사람이 읽는 설명입니다.

공개 후 사용자가 가장 먼저 읽는 문서이고, 규제 대응 문서화의 출발점이기도 합니다. 여기에 적히지 않은 내용은 도구로도 확인할 수 없습니다.

파일 구조

---
license: apache-2.0
language:
  - ko
  - en
base_model: meta-llama/Llama-3.1-8B
datasets:
  - HuggingFaceFW/fineweb
pipeline_tag: text-generation
library_name: transformers
---

# 모델 이름

모델 설명, 용도, 한계, 평가 결과를 적습니다.

메타데이터 항목

YAML 부분은 검색과 필터에 쓰이고, AI SBOM을 만들 때 기계가 읽는 부분이기도 합니다. 아래 네 항목이 특히 중요합니다.

표준 라이선스가 아니라면 license: other로 두고 이름과 링크를 함께 적습니다.

license: other
license_name: 라이선스 이름
license_link: https://example.com/license

학습 데이터셋을 공개하지 않는 경우에도 datasets 항목은 가능한 범위에서 밝히시기 바랍니다. 공개할 수 없는 사정이 있다면 본문에 그 사실과 이유를 적는 편이 아무것도 쓰지 않는 것보다 낫습니다.

본문에 담을 내용

Hugging Face가 제공하는 모델 카드 템플릿을 출발점으로 삼으시면 됩니다. 그중 다음 항목은 규제 문서화와 직접 연결되므로 비워 두지 않는 편이 좋습니다.

모델 설명 무엇을 하는 모델인지, 어떤 구조인지, 파라미터 규모는 어느 정도인지 적습니다.

의도한 용도 어떤 상황에서 쓰라고 만든 모델인지 적습니다. EU 인공지능법이 요구하는 기술 문서에서 시스템의 목적을 밝히는 부분과 대응합니다.

용도 밖 사용 쓰지 말아야 할 범위를 적습니다. 의료 진단이나 신용 평가처럼 잘못 쓰였을 때 피해가 큰 영역을 구체적으로 밝히는 편이 좋습니다.

한계와 편향 알고 있는 성능 한계와 편향을 적습니다. 검증하지 않은 영역이 있다면 검증하지 않았다고 쓰면 됩니다. 알려진 문제를 숨기는 것보다 밝히는 쪽이 안전합니다.

학습 데이터 어떤 데이터로 학습했는지, 전처리와 필터링을 어떻게 했는지 적습니다. 개인정보나 저작물을 걸러낸 방법이 있다면 함께 적습니다.

평가 어떤 기준으로 무엇을 측정했고 결과가 어땠는지 적습니다. 평가 데이터셋과 지표를 함께 밝힙니다.

작성 순서

모델 카드를 마지막에 몰아서 쓰면 학습 시점의 정보를 되짚어야 해서 부정확해집니다. 학습을 시작할 때 데이터 출처와 전처리 내용을 기록해 두시면 훨씬 수월합니다.

1. 학습 전에 데이터셋 목록과 출처, 라이선스를 기록합니다.
2. 학습 중에 하이퍼파라미터와 평가 결과를 기록합니다.
3. 공개 준비 단계에서 이를 모델 카드로 옮기고 용도와 한계를 씁니다.
4. 공개 전 체크리스트로 빠진 항목을 확인합니다.

관련 문서

• 공개 전 체크리스트 — 모델 카드 항목 점검
• AI SBOM — 모델 카드에서 만들어지는 문서
• Model Cards — Hugging Face 공식 문서

문의

작성 중 판단이 어려운 부분은 OSRB(opensource@sktelecom.com)로 문의하세요.

3 - AI SBOM과 규제 대응

AI SBOM은 모델과 학습 데이터셋, 그 출처와 라이선스를 기계가 읽을 수 있게 정리한 명세입니다.

• SBOM이 소프트웨어의 구성요소 목록이라면, AI SBOM은 모델 가중치와 학습 데이터처럼 일반 SBOM이 다루지 않는 항목까지 포함합니다.
• 모델 카드에 적힌 내용에서 만들어지므로, 모델 카드가 부실하면 AI SBOM에도 빈 항목이 그만큼 늘어납니다.

왜 만드는가

두 가지 쓰임이 있습니다.

1. 공개하는 쪽에서는 문서화가 얼마나 갖춰졌는지 확인하는 자기 점검 수단입니다. 무엇이 비어 있는지 목록으로 보이므로 공개 전에 메울 수 있습니다.
2. 공개한 뒤에는 다른 팀이나 조직이 이 모델을 도입할 때 검토 근거가 됩니다. 코드에 SBOM을 요구하듯 AI 모델에도 같은 문서를 요구하는 곳이 늘고 있습니다.

주요 규제

• EU 인공지능법은 제11조와 부속서 IV로 기술 문서 요건이 구체적입니다. 요구하는 문서는 시스템의 목적과 구조, 학습 데이터의 출처와 처리 방법, 성능과 한계를 담아야 합니다.
• 국내 인공지능 기본법은 세부 문서화 요구가 시행령에 있어 EU만큼 구체적이지 않습니다. 특히 제32조(안전성)는 시행령이 정하는 연산량 임계치 이상으로 학습한 시스템에만 적용되므로, 해당 항목이 걸린다고 해서 곧바로 의무 대상이 되는 것은 아닙니다.

G7 최소 요구사항

2026년 5월 미국 사이버보안 기관 CISA와 G7 국가들이 “Software Bill of Materials for AI — Minimum Elements"를 공동 발행했습니다. 독일 BSI, 이탈리아 ACN 같은 각국 사이버보안 기관이 주도했고, AI 모델의 명세가 갖춰야 할 최소 요소 50개를 일곱 묶음으로 정의합니다. 법적 구속력이 있는 규정이 아니라 권고입니다.

• 50개 중 13개는 자동으로 확인할 방법이 없습니다. 의도한 적용 분야나 학습 데이터의 민감도처럼 모델 카드의 어떤 필드로도 증명되지 않는 항목이라, 사람이 판단해서 채워야 합니다.
• EU 인공지능법 부속서 IV가 요구하는 문서에는 G7 묶음 중 시스템 속성, 모델, 데이터셋 속성이 대응합니다.
• 권고이지만 요구하는 항목이 앞의 규제가 요구하는 기술 문서와 상당 부분 겹칩니다. G7 쪽을 채워 두면 규제 대응에 필요한 문서도 함께 갖춰집니다.

AI SBOM 생성 방법

SK텔레콤이 공개한 오픈소스인 BomLens에 모델 id를 주면 모델 카드를 읽어 CycloneDX(SBOM 표준 형식) 형식의 AI SBOM을 만들고, G7 요소 충족도와 규제 대응 관계를 함께 정리합니다. (모델 가중치를 내려받지 않고 모델 카드만 조회)

• 설치와 실행 방법, 보고서를 읽는 방법은 BomLens AI 모델 가이드에 있습니다.
• 아래 명령은 BomLens를 설치한 상태에서 실행하는 예시입니다.

./scripts/scan-sbom.sh --project my-llm --version 1.0.0 \
  --model "my-org/my-llm" --generate-only

비공개 저장소는 읽기 권한이 있는 토큰이 필요합니다.

• 토큰을 HF_TOKEN으로 넘기는 방법과 게이트 저장소 조건은 비공개 모델과 게이트 모델에 있습니다.

결과로 다음이 나옵니다.

• 모델과 데이터셋을 담은 AI SBOM
• 요소별 충족 여부와, 비어 있는 항목을 채우는 방법
• EU 인공지능법과 국내 인공지능 기본법 대응 관계 정리
• 라이선스 검토가 필요한 항목 표시

결과 확인

전체 판정이 통과로 나와도 G7 항목이 다 채워졌다는 뜻은 아닙니다. 통과와 실패는 SBOM이 갖춰야 할 필수 형식 항목에서 갈리고, G7 요소는 모두 권고라 판정을 좌우하지 않습니다. 그래서 채워진 수와 비어 있는 수를 따로 보셔야 합니다.

• 비어 있는 항목은 두 종류로 나뉩니다. 모델 카드에 쓰면 채워지는 것과, 사람이 판단해야 하는 것입니다. 앞의 것부터 메우시면 됩니다.
• 보고서가 실제로 어떤 모습인지는 예시로 미리 볼 수 있습니다. 예시 모델을 스캔해 나온 적합성 보고서와 AI 준수 개요를 브라우저에서 그대로 열어 볼 수 있습니다.

관련 문서

• 모델 카드 — AI SBOM의 재료
• 공개 전 체크리스트 — 공개 전 점검 항목
• SBOM이란 — SBOM 일반
• BomLens AI 모델 가이드 — 설치와 실행, 보고서 읽는 법
• BomLens — SBOM 생성 도구 소개

참고 자료

• Software Bill of Materials for AI — Minimum Elements (G7, 2026-05)
• Regulation (EU) 2024/1689 (AI Act)
• 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법

문의

AI SBOM 생성과 해석에 관한 문의는 OSRB(opensource@sktelecom.com)로 연락하세요.