Ch11_아키텍처 설계

티스토리 뷰

UI_UX Design/HCI개론

Ch11_아키텍처 설계

jsBae 2025. 12. 3. 20:17

CHAPTER 11. 아키텍처 설계 (Architecture Design)

디지털 제품과 서비스가 고도화될수록, 사용자 경험을 구성하는 요소들은 더욱 복잡해지고 상호 의존적이 되어가고 있다. 이때 시스템이 안정적으로 작동하고, 일관된 사용자 경험을 제공하기 위해 반드시 필요한 핵심 과정이 바로 아키텍처 설계이다. 아키텍처 설계는 단순한 화면 구성이나 기능 배치의 문제가 아니라, 서비스가 지향하는 목표를 실현하기 위해 데이터·구조·인터랙션을 통합적으로 조직하는 일종의 ‘설계 철학’이자 시스템의 근본적 구조를 정의하는 작업이다.

아키텍처 설계는 사용자가 경험하게 될 모든 요소의 기반을 마련하는 단계이며, 기획자가 상정한 콘셉트와 비즈니스 모델을 실제 구현 가능한 형태로 연결하는 중추적 매개체 역할을 한다. 이를 위해서는 서비스가 어떤 문제를 해결하고자 하는지, 이를 위해 어떤 정보가 필요하며, 이 정보들이 어떠한 관계 속에서 조직되어야 하는지에 대한 깊은 이해가 요구된다. 특히 제원 데이터의 수집과 정교한 분류, 범주 간 관계 설정 과정은 전체 구조를 안정적으로 지원하는 기초가 되며, 이후 인터페이스 설계와 구현 단계의 품질을 좌우한다.

또한 본 장에서는 인공지능 기반 서비스가 증가하는 시대적 흐름에 대응하여, 제원 데이터 중 메타데이터의 중요성, AI 기반 정보 구조의 변화 가능성, 그리고 데이터의 신뢰성과 정합성 확보가 왜 아키텍처 설계에서 핵심 요소가 되는지를 함께 다룬다. 이러한 이해는 단순한 기능 구현을 넘어, 변화하는 디지털 환경 속에서 지속 가능한 UX를 설계하기 위한 필수적인 역량이다.

1. 아키텍처 설계란?

디지털 시스템이 복잡해질수록, 사용자가 이를 쉽게 이해하고 기억할 수 있도록 구성하는 일이 점점 중요해지고 있다. 아키텍처 설계는 이러한 요구에 응답하는 핵심 과정으로, 사람이 직관적으로 파악할 수 있는 방식으로 시스템의 구조를 정의하고 조직화하는 방법론이다. 이는 단순히 기능을 나열하거나 화면을 배치하는 수준을 넘어서, 서비스가 제공해야 할 정보와 작용이 어떠한 방식으로 연결되고 흐를 것인지에 대한 근본적인 원리를 다루는 과정이다.

인간이 만든 모든 인공물은 구조(structure), 기능(function), 표현(expression)이라는 세 요소를 통해 정의된다. 디지털 시스템 역시 예외가 아니며, 이 세 요소는 상호 연결된 하나의 통합 체계를 이룬다. 아키텍처 설계는 이러한 인공물의 특성을 바탕으로, 시스템의 정적인 구조를 명확하게 정의하여 사용자에게 필요한 제원(feature data)을 어떤 방식으로 제공할지 결정하는 일이다. 제원이란 시스템을 구성하는 핵심 정보 요소를 의미하며, 이를 어떠한 구조로 조직할지에 따라 정보의 이해 용이성, 접근성, 탐색성 등이 크게 달라진다.

HCI 관점에서 아키텍처 설계는 Architecture–Interaction–Interface로 이어지는 삼각 구조로 설명할 수 있다. Architecture는 시스템의 정적 구조를, Interaction은 사용자가 시스템을 통해 수행하는 동적 행위를, Interface는 사용자가 마주하는 표현적 표면을 의미한다. 이 세 요소는 각각 고유한 역할을 가지지만, 어느 하나가 단독으로 기능할 수 없으며 반드시 긴밀한 상호작용 속에서 의미를 가진다. 즉, 아키텍처 설계는 인터페이스 구성의 선행 작업이 아니라 전체 사용자 경험의 기둥을 형성하는 과정이다.

1-2 아키텍처 설계의 과정

이 장에서는 아키텍처 설계의 핵심 요소를 데이터–범주–관계라는 구조로 정리하여 설명한다. 첫째, 제원 데이터는 사실·절차·원리·원칙·묘사·예측·메타데이터 등 다양한 유형을 포함하며, 인공지능이 생성하는 데이터까지 고려해야 한다. 둘째, 수집된 데이터는 객관적 또는 주관적 기준에 따라 범주화되어야 하며, 인공지능 기반 서비스에서는 데이터 분류 과정에서의 ‘블랙박스 문제’ 또한 고려해야 한다. 셋째, 범주화된 데이터는 순차적, 그리드, 계층, 네트워크, 혼합, 인공지능 기반 관계 등 다양한 관계 구조 안에서 재조직화되어야 한다. 이러한 관계 설정은 시스템의 정보 흐름과 탐색 구조를 결정짓는 핵심 단계이다.

마지막으로, 이 모든 과정을 체계적으로 문서화하는 도구가 ER 다이어그램(Entity–Relationship Diagram)이다. ER 다이어그램은 제원 데이터의 정의, 데이터와 범주의 연결, 범주 간 관계 설정을 시각적으로 표현하여 기획자·디자이너·개발자 간의 의사소통을 단순화하며, 시스템 구축의 기반이 되는 실질적 설계 도면 역할을 수행한다.

아키텍처 설계는 디지털 시스템의 정보 구조를 체계적으로 구축하기 위한 일련의 절차이며, 크게 데이터 수집 → 범주화 → 관계 설정 → 도면화의 네 단계로 구성된다. 이러한 과정은 단순한 정보 나열이 아니라, 사용자의 이해·탐색·기억을 돕기 위한 구조적 기반을 마련하는 핵심 활동이다.

1) 데이터를 수집한다: 아키텍처 설계의 출발점은 사용자가 시스템을 활용하는 데 의미 있는 제원(feature) 데이터를 폭넓게 수집하는 단계이다. 이때 데이터는 사실, 절차, 원리, 원칙, 묘사와 같은 정형·비정형 정보뿐 아니라, 미래 예측 데이터나 메타데이터처럼 서비스 확장성에 중요한 요소까지 포함한다. 데이터 수집은 기획자의 선험적 판단이 아니라, 실제 사용자 목적·문제 상황·사용 맥락에 기반하여 이루어져야 한다.

2) 범주(category)로 분류한다: 수집된 제원 데이터는 의미적·구조적 특성에 따라 적절한 범주(category)로 분류된다. 이 단계에서 분류 기준은 크게 두 가지로 운영된다. 첫째, 글자 기준·시간 기준·숫자 기준 등 비교적 명확한 객관적 기준이다. 둘째, 사용자 목적·상황·시나리오와 같은 주관적 기준이다. 실제 서비스에서는 두 기준이 혼합적으로 적용되는 경우가 많으며, 인공지능 기반 서비스에서는 AI가 자동으로 범주를 생성·확장할 가능성도 존재한다.

3) 관계(relationship)를 설정한다: 범주화가 완료되면, 각각의 범주 간에 어떠한 관계가 존재하는지 정의해야 한다. 관계 설정은 정보 구조의 방향성과 탐색 가능성을 결정짓는 핵심 단계이다. 관계는 순차적 관계, 그리드 관계, 계층 관계, 네트워크 관계, 혼합 관계 등 다양한 방식으로 정의될 수 있으며, 서비스 특성과 사용자 경험 목표에 따라 적절한 구조를 선택하거나 혼합하여 사용할 수 있다.
이 단계는 데이터의 연결성뿐 아니라, 사용자 행위의 흐름과 정보 접근 전략을 결정하는 중요한 설계 단계이다.

4) 도면으로 정리한다: 마지막 단계에서는 범주와 관계를 바탕으로 전체 구조를 ER 다이어그램(Entity–Relationship Diagram) 등의 방식으로 시각화한다. 도면화는 기획자·디자이너·개발자 간의 의사소통을 명확하게 하고, 정보 구조의 논리적 일관성을 검증하는 과정이다. 또한 시스템의 확장성과 유지보수성을 높여주는 실질적 설계 산출물로서 기능한다.

2. 제원 데이터의 유형

제원 데이터(specification data)는 디지털 시스템의 구조를 설계할 때 반드시 고려해야 하는 핵심 정보 요소이다. 제원 데이터는 사용자가 서비스를 이해하고 경험하는 과정에서 중요한 역할을 수행하며, 시스템의 기능적·구조적·표현적 설계의 기반이 된다. 특히 인공지능 기반 서비스가 확산되면서, 전통적인 데이터 유형뿐 아니라 AI 도입을 위해 추가적으로 고려해야 할 데이터 유형 역시 중요성이 커지고 있다. 본 절에서는 제원 데이터의 일반적 유형을 체계적으로 분류하고, 각 유형의 특징과 활용 방식, 그리고 실제 서비스 사례를 중심으로 자세히 설명한다.

2.1 일반적인 제원데이터 유형

① 사실(Fact)

사실 데이터는 별도의 설명 없이 누구나 수긍할 수 있는 구체적이고 명확한 정보를 의미한다. 사실 자체는 난이도가 낮지만 구체성이 높기 때문에, 사용자가 빠르게 이해할 수 있다는 특징을 가진다. 디지털 헬스 등 데이터 기반 서비스에서는 이러한 사실 데이터가 곧 디지털 표현형(digital phenotype)으로 사용되기도 한다. 예를 들어 뉴스 기사에서 제공하는 수치 정보, 현황 보고 그래프, 질병 통계와 같은 내용은 대표적인 사실 데이터이다. 이러한 데이터는 육하원칙에 따라 명확하게 기술되며, 사용자에게 정확한 정보 전달을 목적으로 한다.

② 절차(Procedure)

절차 데이터는 사용자가 어떤 작업을 수행할 때 어떤 순서로 진행해야 하는지를 설명하는 정보이다. 절차가 불명확하면 사용자는 서비스를 이해하지 못해 사용을 중단할 수 있으므로, 반드시 단계적·순차적으로 제시해야 한다. 디지털 서비스에서는 특히 초심자에게 절차 안내가 중요하며, 챗봇 안내·세미나 등록 과정·운동 앱의 루틴 안내 등에서 자주 활용된다. 절차 데이터를 명확하게 제공할수록 사용자는 서비스에 대한 불확실성을 낮추고 안정적으로 기능을 수행할 수 있다.

③ 원리(Principle)

원리는 서비스가 어떤 원리로 작동하고 있는지, 그리고 특정 과정이 어떠한 이유로 필요하며 어떤 방식으로 진행되는지를 설명하는 데이터이다. 이는 전문적인 내용을 포함하고 있어 일반 사용자가 쉽게 이해할 수 있도록 시각자료·일러스트·애니메이션 형태로 제공되는 경우가 많다. 예를 들어 헬스케어 서비스에서 특정 약물이 왜 효과가 있는지, 운동 프로그램이 신체에 어떤 변화를 유도하는지 설명하는 자료는 원리 데이터에 해당한다. 원리 데이터는 사용자가 서비스의 신뢰성을 확보하는 데 중요한 역할을 한다.

④ 원칙(Rule)

원칙은 시스템을 이용할 때 사용자가 반드시 지켜야 하는 기준 또는 행위 지침을 의미한다. 이는 직접적인 요구 방식이거나, 성공 사례를 제공하는 간접적 방식으로 제시될 수도 있다. 디지털 헬스에서 원칙 데이터는 특히 중요하다. 예를 들어 약 복용법 “하루 3회, 식후 30분”은 대표적인 원칙이며, 디지털 치료제(DTx)에서도 “하루 25분, 주 5회”와 같은 사용 원칙을 지켜야 효과가 나타난다.
원칙 데이터는 반드시 정확하고 명확하게 제시되어야 하며, 준수해야 하는 이유 또한 설명될 필요가 있다.

⑤ 이야기(Story)

이야기 데이터는 실제 경험 또는 가상의 사례를 바탕으로 구성된 맥락 중심의 설명 데이터이다. 사용자가 매우 친숙하게 받아들이기 때문에 디지털 서비스에서 자주 활용된다. 이야기의 특징은 다음과 같다.

비공식적이므로 접근성이 높다.
익숙함과 즐거움을 동반하여 사용자의 몰입도를 높인다.
텍스트·이미지·영상 등 다양한 형태로 제공 가능하다.

예를 들어 치매 예방 앱에서 일상적 사례를 카드뉴스 형태로 제공하는 방식은 이야기 데이터를 활용한 대표적 사례이다.

⑥ 묘사(Description)

묘사 데이터는 특정 대상이나 현상을 여러 방식으로 표현하는 정보로, 사용자의 감정·인지·몰입에 영향을 주는 특성을 갖는다.
이미지·음악·영상 등 멀티미디어 자료는 사실·원칙·원리와 달리 사용자 정서에 직접적 영향을 주기 때문에, 서비스 경험의 질을 높이는 데 중요한 역할을 한다. 예를 들어 VR 명상 앱의 자연풍경, 심리 안정용 배경음악 등은 사용자의 집중력과 안정감을 향상시키는 묘사 데이터이다.

⑦ 예측(Prediction)

예측 데이터는 이미 수집된 데이터를 기반으로 향후 상황을 추정하거나 사용자에게 더 나은 결정을 도울 수 있는 정보를 제공하는 데이터이다. 수면 분석 앱에서 “가장 개운하게 깰 수 있는 시간”을 예측하여 알려주는 기능은 예측 데이터의 대표적 예이다.
다만 예측 데이터는 사생활 보호 문제, 알고리즘의 윤리성, 데이터 활용의 투명성 등 여러 윤리적 고려가 반드시 필요하다.

⑧ 메타데이터(Metadata)

메타데이터는 “데이터를 설명하는 데이터”로, 정보 간의 관계를 강화하고 전체 데이터를 체계적으로 이해할 수 있도록 돕는 역할을 한다. 예를 들어 태그(tag)는 텍스트, 이미지, 영상 등 다양한 데이터를 한 기준으로 분류할 수 있게 해주며, 사용자는 이를 통해 중요한 정보에 빠르게 접근할 수 있다. 메타데이터가 풍부할수록 정보 구조의 가치가 상승하고, AI 기반 자동 분류나 추천 시스템의 정확성도 향상된다.

2.2 인공지능과 제원데이터

인공지능을 활용한 제원 데이터 구성 시 고려해야 할 핵심 사항

최근 디지털 서비스 환경에서는 인공지능을 활용해 제원 데이터를 자동으로 생성하거나 보완하는 사례가 급격히 증가하고 있다. 특히 생성형 인공지능의 발전은 방대한 양의 자료를 신속하게 생산할 수 있다는 장점을 제공하지만, 동시에 데이터의 신뢰성·정합성·사용자 경험 품질에 대한 새로운 고민을 요구한다. 인공지능을 통해 제원 데이터를 구성할 때에는 다음 두 가지 측면에서 각별한 주의가 필요하다.

(1) 인공지능의 한계 인지: ‘할루시네이션’ 문제에 주의

인공지능이 생성하는 제원 데이터는 효율성을 높여주지만, 근본적으로 한계가 존재한다는 사실을 분명히 인식해야 한다. GPT와 같은 생성형 모델은 사용자의 요청에 따라 적절한 문장이나 이미지를 손쉽게 생성해주지만, 때때로 사실처럼 보이지만 실제로는 존재하지 않는 내용, 즉 할루시네이션(hallucination)을 발생시킨다.

이 문제는 다음과 같은 위험을 초래할 수 있다.

사실 데이터가 왜곡되거나
원리·원칙과 같은 전문적 제원 데이터가 부정확하게 구성되거나
사용자에게 ‘정확한 정보’처럼 오인될 가능성을 야기한다.

따라서 인공지능이 생성한 제원 데이터는 반드시 검증 과정을 거쳐 신뢰성을 확보해야 하며, 특히 의학·헬스케어·금융처럼 데이터 오류가 사용자의 의사결정에 직접적 영향을 미치는 분야에서는 더욱 엄격한 기준이 요구된다.

(2) 데이터 수집 시 발생할 제약 및 사용자 경험 고려

인공지능을 통해 대규모 데이터를 자동으로 수집할 수 있다는 장점은 분명하지만, 이러한 과정에서는 사용자 경험적 측면에서 발생할 수 있는 부담과 제약을 면밀히 고려해야 한다.

첫째, 사용자가 처음 경험하는 수집 과정에서 데이터 제공에 대한 불편감이나 심리적 저항감이 발생할 수 있다. 센서 기반 데이터, 생체 정보, 위치 정보 등 민감한 자료일수록 사용자 신뢰 확보가 선행되어야 한다.
둘째, AI 기반 자동 수집 과정에서 사용자가 통제권을 충분히 확보하고 있다고 인식하도록 설계하는 것이 중요하다. 수집 목적, 활용 범위, 보관 정책 등이 불명확하면 사용자는 불쾌감 또는 불신을 느낄 수 있으며, 이는 서비스 이탈로 이어질 가능성이 있다.

따라서 인공지능 기반 데이터 수집 단계에서는 다음 사항을 반드시 고려해야 한다.

수집 과정의 투명성(Transparency) 확보
사용자 동의 절차의 명확성
과도한 수집을 지양하는 최소 수집 원칙 준수
사용자에게 심리적 부담을 주지 않는 UI·UX 설계

이와 같은 고려는 단순히 규제 준수 차원을 넘어, 장기적으로 서비스에 대한 사용자 신뢰(User Trust)를 구축하기 위한 필수적인 요건이다.

03. 제원 데이터의 분류

디지털 시스템 설계에서는 다양한 제원 데이터를 체계적으로 관리하기 위해 적절한 분류(classification) 과정이 필요하다. 데이터 분류는 단순한 정리 차원을 넘어, 전체 아키텍처 구조를 구성하는 핵심 단계로서 서비스의 탐색성·확장성·이해 용이성을 결정한다. 본 절에서는 제원 데이터를 효과적으로 조직하기 위한 객관적 분류 방법과 주관적 분류 방법을 중심으로 그 특징과 적용 사례를 설명한다.

3.1 객관적인 분류 방법

객관적 분류 방법은 상호 배타적이고 정형화된 기준을 활용하여 데이터를 분류하는 방식이다. 다시 말해, 한 자료가 두 개의 범주에 동시에 속할 수 없으며, 기계적으로도 분류가 가능한 기준을 갖는다는 점이 특징이다.

(1) 상호 배타적 분류: 객관적 분류에서는 각 자료가 반드시 하나의 범주에만 속해야 한다는 원칙이 적용된다. 이 방식은 데이터 중복을 방지하며, 구조화된 정보 체계를 유지하는 데 효과적이다.
(2) 정형화된 기준에 따른 분류: 사람의 판단 개입 없이도 일정한 규칙에 따라 데이터를 나눌 수 있다는 점에서, 데이터 처리 자동화와 대규모 정보 체계 구축에 유용하다.

대표적 객관적 분류 기준은 다음 세 가지이다.

① 글자 기준(Letter-based Classification)

자료를 첫 글자의 기호적 순서에 따라 분류하는 방식이다.

사용자가 원하는 정보를 빠르게 찾을 수 있을 때 유용하다.
대량의 데이터를 사전식 혹은 알파벳 순서로 정리할 때 효과적이다.

예를 들어 운동 기록 앱에서 신체 부위(Chest, Leg, Shoulder 등)를 알파벳 순으로 정렬하는 방식은 글자 기준의 대표적 적용 사례이다.

② 시간 기준(Time-based Classification)

시간 자체가 의미를 가지는 경우 사용되는 분류 방식이다.

최신 정보와 과거 데이터를 구분해야 할 때
시간 변화에 따른 사용자 활동을 분석할 때
특정 시점별 비교가 필요한 경우

예를 들어 건강 앱에서 ‘일간·주간·월간’ 활동량 그래프를 제공하는 방식은 시간 분류 기준을 활용한 것이다.

③ 숫자 기준(Number-based Classification)

숫자의 크기나 값에 따라 데이터를 분류하는 방식이다.

순위 정보(예: 걸음 수 Top 10)
단위값 기준(예: 체중, 혈당 수치 범주)
가중치 기반 정렬 등

숫자 기준 분류는 정량적 비교가 필요한 분석형 서비스에서 특히 많이 활용된다.

3.2 주관적인 분류 방법

주관적 분류는 분류 기준 자체가 사용자의 관점·맥락·의미 판단에 따라 달라지는 방식이다. 즉, 어떤 기준이 더 중요한지에 대한 판단이 정형적으로 결정되지 않기 때문에 다소 모호하지만 실제 서비스에서는 매우 많이 활용되는 방법이다.

사람마다 분류 기준이 다르며 정형화하기 어렵다.
사용자 중심 정보 구성 방식과 자연스럽게 연결된다.
불명확한 기준일지라도 사용자 탐색 방식과 맞으면 유용성이 높아진다.

① 주제 기준(Topic-based Classification)

사용자에게 중요한 속성(attribute)을 중심으로 자료를 묶는 방식이다.

유사한 속성이나 성질을 가진 데이터끼리 그룹화될 때 유용하다.
대규모 데이터셋을 기능적·의미적 맥락으로 재구조화할 때 효과적이다.

예를 들어 의료 문헌에서 ‘기침’, ‘호흡곤란’, ‘통증’ 등 증상별 카테고리로 문서를 분류하는 방식은 주제 기준 분류의 대표적 예이다.

② 사용자 기준(User-based Classification)

사용자의 상태, 목표, 진단, 라이프스타일 등을 기준으로 자료를 분류하는 방식이다.

건강 관리 앱에서 ‘다이어트 목적 사용자’, ‘스트레스 관리 사용자’, ‘혈압 관리 사용자’ 등으로 정보를 구분
만성 질환 관리 앱에서 사용자 진단 기준에 따라 제공 콘텐츠가 달라짐

이 기준은 사용자의 맥락을 기반으로 정보 제공을 최적화하기 때문에 개인화 서비스의 핵심 분류 방식이 된다.

주관적 분류가 유용한 이유

사람들이 정보를 검색하고 구성하는 방식 자체가 주관적이기 때문이다. 실제 사용 상황에서는 목적 중심 탐색이 많아 주관적 범주가 더 자연스럽기 때문이다. 정형화된 기준으로는 담기 어려운 복잡한 맥락을 반영할 수 있기 때문이다.
따라서 주관적 분류는 서비스의 UX를 사용자에게 맞게 조정하는 데 필수적이다.

제원 데이터의 분류는 객관적 기준과 주관적 기준의 균형을 통해 이루어진다. 객관적 분류가 데이터 구조의 명확성과 체계성을 보장한다면, 주관적 분류는 실제 사용 경험을 반영하여 정보 접근성을 높인다.
특히 현대 디지털 서비스에서는 두 방식이 혼합되어 사용되며, 나아가 인공지능이 자동으로 범주를 생성하거나 사용자 기준의 분류를 학습하여 더욱 정교한 정보 구조를 제공하기도 한다.

3.3 인공지능을 통한 분류-블랙박스의 문제

디지털 서비스가 대규모 데이터를 다루기 시작하면서, 기존의 객관적 분류 방식이나 주관적 분류 방식만으로는 복잡한 정보 구조를 충분히 처리하기 어려운 상황이 증가하고 있다. 이에 따라 인공지능을 활용한 분류 방식이 중요한 대안으로 등장하고 있다. 인공지능 기반 분류 방식은 사람의 규칙 설계 없이도 데이터를 자동 분석하여 패턴을 학습하고, 그 결과를 바탕으로 새로운 범주를 생성하거나 기존 범주를 재구조화할 수 있다는 점에서 기존 분류 방식과 뚜렷이 구별된다.

인공지능을 통한 분류는 주로 머신러닝(Machine Learning)과 딥러닝(Deep Learning) 알고리즘을 활용하여, 데이터의 특징을 학습한 뒤 이를 기준으로 자료를 자동적으로 범주화하는 방식이다. 이때 인공지능은 사람이 만든 정형적 기준을 그대로 따르지 않고, 데이터의 통계적 패턴, 기저 구조, 연관성을 발견하여 새로운 분류 체계를 스스로 구축할 수 있다. 예를 들어 건강 앱이 사용자 수면 데이터, 심박 패턴, 행동 동선 등을 분석해 유사한 사용자군을 자동으로 묶는 방식은 인공지능 기반 분류의 대표적 사례이다.

(1) 인공지능 분류의 장점

① 비정형 데이터 처리에 강점이 있다. 이미지·음성·자연어 텍스트처럼 사람이 기준을 정의하기 어려운 데이터에서도 높은 정확도의 분류가 가능하다.
② 새로운 범주를 ‘발견’할 수 있다. 기존 설계자가 설정하지 않은 숨겨진 패턴을 찾아 새로운 분류 체계를 제안할 수 있다.
예: 사용자 건강 행동 패턴을 자동 분석하여 ‘잠재 위험군’, ‘예방 필요군’ 등 세부 군집을 생성.
③ 대규모 데이터 처리 효율이 높다. 사람이 판단하여 분류하기 어려운 방대한 데이터도 빠르게 분석하여 실시간 분류가 가능하다.

(2) 인공지능 분류의 한계와 위험

그러나 AI 기반 분류는 다음과 같은 문제를 수반할 수 있다.

① 블랙박스(Black-box) 문제

딥러닝 기반 분류 모델은 내부 계산 과정을 사람이 직접 이해하기 어려워, “왜 이 데이터가 특정 범주에 속했는가?”를 설명하기 어렵다. 이것은 다음과 같은 서비스 문제를 유발할 수 있다.

사용자에게 분류 결과를 설명하기 어려움
개발자·기획자가 구조를 재설계하기 힘듦
오류 발생 시 원인 파악이 어려움

② 학습 데이터 편향(Bias)의 문제

AI는 학습 데이터의 특성을 그대로 반영하기 때문에, 잘못된 데이터나 편향된 데이터가 포함되면 잘못된 분류 결과가 생성된다.

③ 윤리적 문제

의료·금융·채용 등 민감한 분야에서는 잘못된 분류가 사용자의 권리를 침해할 가능성이 있어 특히 신중한 검증이 필요하다.

(3) 인공지능 기반 분류의 활용 방향

AI 기반 분류는 객관적·주관적 분류 방식과 조합될 때 가장 효과적이다.

객관적 분류 → 기본 틀 제공
주관적 분류 → 사용자 경험 반영
AI 분류 → 숨겨진 패턴 발견 및 자동 확장

따라서 현대 디지털 서비스는 AI를 단독으로 사용하는 것이 아니라, 혼합(hybrid) 분류 전략을 통해 전체 데이터 구조의 안정성과 유연성을 동시에 확보하려는 경향을 보인다.

예를 들어 건강관리 서비스는

‘연령·질환명’(객관적 기준),
‘사용자 목표·라이프스타일’(주관적 기준),
‘AI 군집 분석 결과’(AI 기반 기준)
을 조합하여 최종 사용자 분류 체계를 구축한다.

인공지능을 활용한 분류 방식은 기존 분류 기준을 보완하며, 특히 대규모·비정형 데이터·사용자 특성 분석 등에서 중요한 역할을 수행한다. 하지만 AI는 학습 데이터에 따라 결과가 좌우되고, 블랙박스 문제로 인해 설명 가능성이 떨어지는 한계를 가진다. 따라서 AI 기반 분류는 전통적 분류 방식과 균형 있게 조합하여, 데이터의 정확성·투명성·사용자 수용성을 높이는 방향으로 사용해야 한다.

04. 제원 데이터의 범주 관계

제원 데이터는 단순히 분류되는 것만으로는 충분하지 않으며, 범주 간의 관계(relationship)를 어떻게 조직하느냐에 따라 시스템의 전체적 구조와 사용자 경험이 크게 달라진다. 범주 관계는 정보가 어떤 경로로 연결되고, 사용자가 어떤 흐름으로 탐색하게 되는지를 결정하는 핵심 요소이다. 따라서 아키텍처 설계에서 범주 관계를 이해하고 적절히 선택하는 일은 사용자 경험 설계의 기초이자 필수 단계이다. 본 절에서는 디지털 시스템에서 자주 활용되는 대표적인 여섯 가지 관계 구조—순차적 관계, 그리드 관계, 계층 관계, 네트워크 관계, 혼합 관계, 인공지능이 생성하는 관계—를 중심으로 설명한다.

4.1. 순차적 관계 (Sequential Relationship)

순차적 관계는 시스템을 구성하는 방식 가운데 가장 단순하고 익숙한 구조로, 정보가 시간의 흐름 또는 논리적 절차에 따라 일직선 형태로 배열되는 구조이다.

정보 공간이 서술적(narrative)이거나 절차가 명확할 때 적합하다.
모바일처럼 작은 화면에서 정보를 순차적으로 나누어 제시하고자 할 때 효과적이다.
사용자는 이전·다음 순서대로 자연스럽게 정보를 따라갈 수 있다.

한계

정보량이 많아지고 구조가 복잡해지면 오히려 탐색성이 떨어질 수 있다.

순차적 관계는 직관적이기 때문에 초심자나 절차 기반 서비스에 자주 사용되지만, 복잡한 정보 구조에는 적합하지 않을 수 있다.

4.2. 그리드 관계 (Grid Relationship)

그리드 관계는 데이터를 바둑판식 배열로 구성하는 방식으로, 하나의 범주 안에서도 여러 기준이 독립적으로 존재할 때 적합하다.

정보 간 관계를 수평·수직 두 가지 순차 형태로 표현할 수 있다.
각 정보 블록은 독립적이면서도 전체 구조 내에서 규칙적 배치를 갖는다.
상위 정보에서 하위 정보로 이동하는 수직적 링크, 동일 레벨 간 이동하는 수평적 링크가 필요하다.

장점

사용자가 구조를 이해하면 원하는 정보를 빠르게 찾을 수 있다.
카탈로그, 이미지 갤러리, 상품 리스트 등 비교 기반 구조에 적합하다.

단점

방대한 데이터가 있을 경우 기준에 따라 분류하기 어려울 수 있다.

그리드 구조는 시각적 규칙성이 높아 사용자가 전체 정보의 분포를 한눈에 파악할 수 있도록 돕는다.

3. 계층 관계 (Hierarchical Relationship)

계층 관계는 상위 개념과 하위 개념이 위계적으로 구조화된 형태로, 대부분의 디지털 정보 시스템에서 기본적으로 채택되는 방식이다.

상위 → 하위로 내려가는 DOWN 링크,
하위 → 상위로 이동하는 UP 링크로 구성된다.
복잡한 정보를 체계적으로 나누기 때문에 사용자에게 매우 친숙하다.

장점

제한된 화면에서도 중요한 정보를 우선적으로 제공할 수 있다.
기업 사이트 메뉴, 정부 기관 정보 구조 등에서 가장 널리 사용된다.

단점

너무 깊은 단계로 구성되면 사용자가 원하는 정보를 찾기 어려워질 수 있다.
계층이 모호하거나 구조가 비대칭적이면 탐색성이 떨어진다.

계층 관계는 전통적인 정보 구조의 기반이지만, 현대 서비스에서는 지나친 깊이를 줄이는 방식으로 개선되는 추세이다.

4. 네트워크 관계 (Network Relationship)

네트워크 관계는 개별 자료들이 명확한 구조 없이 서로 연결되는 복잡한 형태의 관계 구조이다.

하나의 정보가 여러 개의 정보와 동시에 연결될 수 있다.
계층 구조와 달리 정보 간 상호참조 링크(cross-referenced links)와 점프 링크(jump links)가 빈번하게 나타난다.
특정 경로가 아닌 비선형 탐색이 가능하다.

장점

사용자가 스스로 탐색 경로를 선택할 수 있어 상호작용성·자유 탐색성이 매우 높다.
지식·백과사전형 콘텐츠나 위키(Wiki) 구조에 적합하다.

단점

전체 구조를 파악하는 것이 상대적으로 어렵고, 초심자에게는 복잡하게 느껴질 수 있다.

네트워크 관계는 정보 접근의 자유도를 크게 높이지만, 설계자의 의도가 명확히 전달되지 않을 가능성이 존재한다.

5. 혼합 관계 (Hybrid Relationship)

혼합 관계는 계층 관계를 기본 뼈대로 삼되, 서비스적으로 필요한 부분에 한해 순차적·그리드·네트워크 관계를 적절히 섞어 사용하는 방식이다.

특징 및 사례

전체 구조는 계층 관계를 유지한다.
특정 절차적 단계는 순차적 관계를 부가적으로 활용한다.
비교·선택이 필요한 부분은 그리드 관계를 적용한다.
사용자 몰입을 높이는 영역에서는 네트워크 관계를 일부 활용할 수 있다.

현대 모바일 앱·웹 서비스의 대부분은 이러한 혼합 구조를 채택한다. 이는 사용자 경험의 복잡성을 조정하면서도 효율성과 유연성을 동시에 확보할 수 있기 때문이다.

6. 인공지능이 생성하는 관계 (AI-Generated Relationship)

최근에는 메타데이터를 중심으로 인공지능이 제원 데이터를 학습하여 관계 구조를 스스로 생성하는 방식이 등장하고 있다.

관계성이 명확하지 않은 상황에서도, 사용자 행동 데이터·콘텐츠 패턴·검색 연관도 등을 기반으로 AI가 관계를 학습한다.
사람 손으로 재분류·재가공할 필요 없이 지속적으로 업데이트할 수 있다.
데이터 양이 증가해도 자동 확장이 가능하다.

장점

다양한 데이터 변화를 유연하게 반영한다.
범주 간 경계가 모호한 경우에도 새로운 의미적 관계를 발견할 수 있다.

단점

학습의 방향성이 잘못될 경우 사용자가 의도하지 않은 관계 구조가 생성될 수 있다.
AI는 정확한 메타데이터나 태깅 정보가 필요하므로, 사용자가 태그를 일관되게 제공하도록 유도하는 시스템 설계가 중요하다.
AI가 생성한 관계는 설명 가능성이 낮아 투명성 문제가 발생할 수 있다.

AI 기반 관계는 변화하는 데이터 환경에 최적화된 방식이며, 향후 정보 구조 설계에서 점점 더 중요한 역할을 하게 될 것이다.

05. 아키텍처 설계 도면

제원 데이터의 종류와 범주 관계를 이해하고, 이를 직관적으로 해석하고 활용하기 위해서는 구조를 시각적으로 표현하는 과정이 필요하다. 아키텍처 설계 도면은 복잡한 정보를 체계적으로 정리하여 기획자·디자이너·개발자 간의 소통을 원활하게 하고, 데이터 구조의 논리적 일관성을 확보하는 데 중요한 역할을 한다. 본 절에서는 아키텍처 설계 도면 중 가장 많이 활용되는 ER 다이어그램(Entity–Relationship Diagram)의 개념과 작성 단계를 중심으로 설명한다.

5.1 ER 다이어그램(Entity–Relationship Diagram)

ER 다이어그램은 ‘개체(Entity)’와 ‘관계(Relationship)’를 중심으로 데이터 구조를 시각적으로 표현하는 표기법이다. 이는 원래 데이터베이스 설계를 위해 고안된 방식이지만, 제원 데이터의 범주 및 관계를 설명하는 데에도 매우 효과적으로 사용할 수 있다.
ER 다이어그램은 커뮤니케이션 도구로서 특히 다음과 같은 기능을 수행한다.

제원 데이터의 유형, 분류, 관계를 이해관계자에게 명확하게 전달
어떤 데이터가 어떤 기능에 활용되는지를 직관적으로 설명
설계 단계에서 데이터 간 관계를 도형으로 표현하여 오류를 최소화
상세 테이블 설계를 위한 개념적 기반 제공

따라서 ER 다이어그램은 단순한 데이터 그림이 아니라, 디지털 시스템의 정적 구조를 명확하게 규정하는 핵심 도식이다.

ER 다이어그램 1단계: 제원 데이터 정의하기

첫 단계는 제원 데이터가 어떤 범주(Category)에 속하는지 개념적으로 정의하는 과정이다. 이를 위해 ER 다이어그램은 세 가지 기본 요소를 사용한다.

제원 데이터(Data Feature) : 원형
분류된 범주(Category) : 사각형
범주 간 관계(Relationship) : 마름모

이 단계에서 중요한 것은 각 제원 데이터의 성격을 분석하여 그 범주를 명확히 파악하는 것이다. 즉, “이 데이터는 어떤 유형인가?”, “어떤 의미 구조 속에서 해석되는가?”를 정의하는 기초 작업이다.

ER 다이어그램 2단계: 제원 데이터와 범주 연결하기

두 번째 단계는 제원 데이터가 실제 어떤 범주에 속하는지를 연결하는 과정이다. 예를 들어 디지털 헬스 서비스 ‘리본(Reborn)’에서는 근감소증 치료를 위한 요소들이 다음과 같이 범주에 속한다.

SARC-F, Tapping, STS → ‘모니터링’ 범주
‘걷기’, ‘근력 운동’ → ‘운동’ 범주

이처럼 제원 데이터를 적절한 범주에 연결하면, 시스템 내에서 각 데이터가 어떤 기능 영역에 포함되는지가 명확해진다.
이는 향후 기능 설계, 화면 구성, 데이터베이스 구조화 등 모든 후속 설계 작업의 토대가 된다.

ER 다이어그램 3단계: 범주 간 관계 표시하기

세 번째 단계는 범주들 사이에 어떤 관계가 존재하는지를 마름모(relationship) 형태로 표현하는 과정이다.
예를 들어 ‘리본’ 서비스에서는

모니터링을 통해 사용자의 운동 수준을 평가하고
그 결과에 따라 난이도를 조절한 후
조정된 난이도에 맞는 운동 처방을 제공한다.

→ 따라서 “난이도를 조절한다”는 관계가 모니터링 ↔ 운동 범주 사이에 설정된다.

이 단계에서는 서비스 로직을 정확하게 시각화하여, 기능 간의 입력·처리·출력 흐름을 구조적으로 이해할 수 있게 한다.

| : 선 사이에 있는 | 표시는 반드시 있어야 하는 필수 사항
O : 선택사항
관계: 개체들 사이의 관계를 마름모 형태로 나타내고, 관계의 이름을 적습니다 (예: '주문한다').
연결선: 개체와 관계를 선으로 연결하고, 관계의 종류를 나타내기 위해 선의 모양이나 화살표를 사용합니다 (예: 1:1, 1:N, N:M).

관계의 종류와 카디널리티(Cardinality)

관계에서는 “한 개체가 다른 개체와 몇 개까지 연결될 수 있는지”가 중요하다. 이를 카디널리티라고 한다.

1:1 관계

한 개체의 한 행이 다른 개체의 한 행과만 연결되는 관계이다.
예: 사용자 – 사용자프로필(별도 테이블로 분리한 경우)

[엔터티 A] ----| |---- [엔터티 B]

1: 0개 또는 1개 (Zero or One) 관계 :O 기호와 | 기호를 함께 사용한다.

----O|

1:N 관계 (가장 많이 쓰임)

[하나] ----| <|---- [여러 개]

한 개체가 다른 개체를 여러 개 가질 수 있는 관계이다.
- 한 회원은 여러 개의 주문을 할 수 있다.
- 한 강의에는 여러 수강생이 등록될 수 있다.

N:M 관계 (다대다 관계)

한 개체의 하나가 다른 개체의 여러 개와, 동시에 그 반대도 가능한 관계이다.
- 학생–강의: 학생은 여러 강의를 수강, 강의도 여러 학생을 가짐
- 사용자–관심태그: 한 사용자는 여러 태그, 한 태그는 여러 사용자에게 속함

ER 다이어그램 완성 사례

ER 다이어그램은 데이터, 범주, 관계의 연결이 모두 이루어졌을 때 비로소 완성된다. ‘리본’ 사례의 완성된 ER 다이어그램은 다음과 같은 특징을 가진다.

모니터링(범주)에 여러 제원 데이터(SARC-F, Tapping, STS)가 속한다.
모니터링의 결과가 난이도 조절이라는 관계로 이어진다.
난이도 조절은 운동(범주)으로 연결된다.
운동 범주 아래에는 다양한 운동 제원 데이터가 배치된다.

이와 같은 구조는 사용자의 현재 상태를 기반으로 운동 처방을 결정하는 전체 시스템 로직을 직관적으로 보여준다.

아키텍처 설계 도면은 복잡한 제원 데이터를 시각적·구조적으로 정리하여 실제 시스템으로 구현하기 위한 필수 설계 단계이다. 특히 ER 다이어그램은 다음과 같은 이유로 아키텍처 설계의 핵심 도구로 자리 잡고 있다.

제원 데이터의 구조적 특성을 한눈에 파악할 수 있음
설계 내 논리적 오류를 초기에 발견·수정할 수 있음
기획자–디자이너–개발자 간 협업 효율을 높임
향후 기능 확장이나 데이터베이스 설계의 기반이 됨

따라서 ER 다이어그램은 단순한 문서화가 아니라, 디지털 서비스의 정보 구조를 정교하게 조작하는 전략적 도구라 할 수 있다.

실습: "스타벅스 사이렌 오더"

[시나리오] 사용자는 앱을 통해 커피를 주문한다. 커피를 선택할 때 '샷 추가', '시럽', '컵 사이즈'를 선택할 수 있다. 주문이 완료되면 '닉네임'으로 호명된다.

제원 데이터 (타원):
- 샷 수 (Shot Count)
- 시럽 종류 (Syrup Type)
- 컵 크기 (Cup Size)
- 음료 이름 (Beverage Name)
- 사용자 닉네임 (User Nickname)
- 결제 수단 (Payment Method)
범주 (직사각형):
- [퍼스널 옵션]: 샷 수, 시럽 종류, 컵 크기
- [기본 메뉴]: 음료 이름
- [주문 정보]: 사용자 닉네임, 결제 수단
관계 (마름모/선):
- [기본 메뉴]는 사용자의 선택에 의해 [퍼스널 옵션]과 결합된다. (Relation: Customization)
- 결합된 최종 메뉴는 [주문 정보]를 생성한다. (Relation: Create Order)

기본메뉴 ↔ 퍼스널옵션 : Customization
→ 하나의 기본 메뉴에 여러 커스터마이징 조합이 가능하므로 1 : N
퍼스널옵션 ↔ 주문정보 : Create Order
→ 현재 시나리오는 “커스터마이징된 메뉴 1개 → 주문정보 1개”라서 1 : 1로 둔다
(뒤에서 “한 주문에 여러 잔” 구조로 확장한다)

https://app.diagrams.net/

Flowchart Maker & Online Diagram Software

Flowchart Maker and Online Diagram Software draw.io is free online diagram software. You can use it as a flowchart maker, network diagram software, to create UML online, as an ER diagram tool, to design database schema, to build BPMN online, as a circuit d

app.diagrams.net

728x90

공지사항

최근에 올라온 글

최근에 달린 댓글

Total

Today

Yesterday

티스토리 뷰