Executive Summary

2026년 5월, ISO/IEC JTC 1/SC 42가 ISO/IEC TR 5259-6:2026, 데이터 품질 시각화 프레임워크를 발행했다. 이로써 AI·머신러닝 데이터 품질을 다루는 5259 시리즈는 용어(1)·측정(2)·관리(3)·프로세스(4)·거버넌스(5)에 이어 측정 결과를 사람에게 보여주는 방법(6)까지 갖추게 됐다. 이 글은 그중에서도 측정을 정의한 5259-2와 시각화를 정의한 5259-6이 어디서 이어지는지를 본다.

5259-2가 "완전성·정확성·대표성 같은 품질을 어떻게 숫자로 잴 것인가"에 답했다면, 5259-6은 그 숫자를 AI 개발자·데이터 공급자·규제 기관이 같은 화면에서 다르게 읽을 수 있게 어떻게 보여줄 것인가에 답한다. 다만 5259-6은 강제 규격(IS)이 아니라 권고 성격의 기술 보고서(TR)이고, 분량도 19쪽으로 얇다. 이 글은 확인된 사실과 업계 일반 관행을 구분해 서술한다.

페블러스 블로그는 이미 5259-2 측정 기준을 14편 넘게 다뤘지만, "그 결과를 어떻게 보여줄 것인가"는 비어 있던 자리였다. 이 글은 그 빈 칸을 채운다.

1

시리즈가 이어졌다 — 2026년 5월의 마지막 조각

ISO/IEC 5259는 AI와 머신러닝에 쓰이는 데이터의 품질을 다루는 국제 표준 묶음이다. 2024년 용어와 측정 기준이 먼저 나왔고, 이후 관리·프로세스·거버넌스가 차례로 쌓였다. 2026년 5월 발행된 5259-6은 그 위에 얹힌 시각화 파트다. "데이터가 좋은지 나쁜지를 눈으로 확인하고 소통하게 만드는" 조각이 마지막에 붙으면서, 시리즈는 정의부터 표현까지 한 바퀴를 돈다.

여기서 문서의 등급을 정확히 짚어야 한다. 5259-2가 여러 해에 걸쳐 개발된 국제 표준(IS, International Standard)인 반면, 5259-6은 기술 보고서(TR, Technical Report)다. TR은 인증 심사에서 "반드시 지켜야 하는 요구사항"이 아니라, 실무에 참고하라고 내놓는 권고·안내 성격의 문서다. 분량도 19쪽으로 짧다. 그러니 "5259-6이 특정 차트를 의무화했다"는 식의 서술은 사실과 다를 수 있다. 이 글은 표준이 제시한 방향과, 그 방향에 부합하는 업계 일반 관행을 구분해서 쓴다.

5259-6을 읽는 올바른 기대치: 세부 차트 규격을 받아쓰는 매뉴얼이 아니라, "측정 결과를 이해관계자에게 어떻게 전달할 것인가"를 조직이 스스로 설계하도록 돕는 프레임워크다. 강제가 아니라 나침반에 가깝다.

2

ISO/IEC 5259 여섯 파트 지도

시리즈 전체를 한 화면에 놓으면 5259-6이 어디에 서 있는지 분명해진다. 아래 표는 각 파트의 제목과 역할, 문서 등급을 정리한 것이다. 3·4번의 정확한 발행 연도는 공개 정보만으로는 완전히 교차검증되지 않아 발행됨으로만 표기했다.

파트 제목 역할 (한 줄) 발행 등급
5259-1 Overview, terminology, and examples 용어와 개념 정의 2024 IS
5259-2 Data quality measures 무엇을 측정할 것인가 2024 IS
5259-3 Data quality management requirements and guidance 품질을 어떻게 관리할 것인가 발행됨 IS
5259-4 Data quality process framework 품질 관리 프로세스의 틀 발행됨 IS
5259-5 Data quality governance framework 조직 차원의 거버넌스 2025 IS
5259-6 Visualization framework for data quality 측정 결과를 어떻게 보여줄 것인가 2026-05 TR

페블러스 블로그는 이 지도의 왼쪽, 특히 5259-2를 오래 다뤄 왔다. 15개 품질 측정 기준을 한 장에 정리한 5259-2 치트시트, 이미지 데이터셋에 특화된 이미지 품질 가이드, LLM 학습용 텍스트 데이터 품질 평가, 그리고 국내 인증을 향한 표준화 로드맵까지가 그 자산이다. 전체 목록은 ISO 5259 허브에서 볼 수 있다. 이번 글은 그 지도의 오른쪽 끝, 시각화 파트를 채운다.

3

5259-2가 답하는 질문 — 무엇을 측정할 것인가

5259-2는 데이터 품질을 감(感)이 아니라 측정 가능한 기준으로 잡는다. 완전성, 정확성, 일관성, 신뢰성처럼 데이터 자체에서 결정되는 특성이 있고, 접근성이나 규정준수처럼 데이터와 시스템이 함께 결정하는 특성이 있으며, 가용성이나 이식성처럼 시스템 환경에 달린 특성도 있다. 여기에 AI·ML을 위해 다양성·유사성·대표성·균형 같은 특성이 더해진다. 각 특성은 "얼마나 채웠는가", "얼마나 맞는가"를 수치로 환산할 수 있게 정의된다.

이 지점이 5259-2의 힘이자, 동시에 5259-6이 필요해지는 이유다. 측정을 마치면 손에 남는 것은 표 하나에 빼곡한 숫자다. 완전성 0.98, 대표성 0.71, 균형 0.63… 이 숫자들은 정확하지만, 그 자체로는 판단을 주지 않는다. 0.71이 합격인지 불합격인지, 어느 축이 위험한지, 지난달보다 나아졌는지는 숫자를 나열해서는 잘 보이지 않는다. 각 측정 기준의 구체적 정의는 5259-2 치트시트에 정리해 두었다.

측정 결과 예시 — 숫자는 있으나 판단은 없다 완전성 0.98 대표성 0.71 균형 0.63

▲ 세 수치는 정확하지만 합격선도 색도 없다 — 5259-6이 채우는 자리 | 페블러스 원본 도식

측정은 결론이 아니라 재료다. 15개 기준을 정확히 재고도, 그 결과가 표 속 숫자로만 남으면 정작 판단을 내려야 할 사람에게는 닿지 않는다. 5259-6은 바로 이 "재료에서 판단으로" 넘어가는 구간을 다룬다.

4

5259-6이 답하는 질문 — 어떻게 보여줄 것인가

공개된 정보로 확인되는 5259-6의 방향은 세 가지로 요약된다. 첫째, 직관적 이해를 돕는다. 숫자나 텍스트로만 존재하는 품질 측정 결과를 차트·그래프 같은 시각 형태로 바꿔, 데이터셋이 조직이 세운 품질 목표를 충족하는지 한눈에 판별하게 한다. 둘째, 이해관계자 사이의 소통을 넓힌다. 전문성이 서로 다른 AI 개발자, 데이터 공급자, 규제 기관이 같은 품질 상태를 명확히 이해하도록 공통의 표현 기준을 제공한다. 셋째, 수명주기 전반의 활용을 안내한다. 데이터 관리 전 과정에서 품질 변화를 시각적으로 추적하고 개선하는 실무 가이드를 담는다.

여기서 정직하게 선을 그어야 한다. 표준 원문은 유료이고 공개 소스로는 세부 시각화 기법 목록까지 확인되지 않는다. 그래서 아래 예시는 표준이 규정한 것이 아니라, 표준의 취지에 부합하는 업계 일반 관행으로 읽어야 한다.

4.1취지에 부합하는 흔한 표현 방식

아래 네 가지는 실무에서 자주 쓰이는 표현 방식이다. 공통점은 하나다. 각기 다른 질문에 답한다는 것. 어느 축이 약한가, 지금 합격인가, 나아지고 있는가, 어디가 비었는가. 읽는 사람이 던지는 질문이 다르면 같은 측정값도 다른 형태로 놓아야 답이 보인다. 형태의 종류를 외우기보다, 각 형태가 어떤 질문에 답하는지를 기준으로 읽는 편이 낫다.

  • • 레이더 차트 — 완전성·정확성·대표성 등 여러 축을 한 도형으로 겹쳐 데이터셋의 강점과 약점을 형태로 파악한다.
  • • 신호등(RAG) 표시 — 목표 대비 초과·주의·미달을 빨강·노랑·초록으로 나눠, 전문 지식이 없어도 합격 여부를 즉시 읽게 한다.
  • • 시계열 대시보드 — 같은 지표를 시간축에 놓아 품질이 나아지는지 나빠지는지 추세로 보여준다.
  • • 분포·히트맵 — 클래스별 균형이나 결측 위치를 색의 농담으로 드러내, 어디가 비었는지 좌표로 짚는다.
레이더 차트 신호등(RAG) 시계열 대시보드 분포·히트맵

▲ 같은 측정값도 질문에 따라 다른 형태로 놓인다 (업계 일반 관행 예시, 표준 규정 아님) | 페블러스 원본 도식

핵심은 차트의 종류가 아니라 목적이다. 어떤 형태를 쓰든, 시각화는 측정값을 "이 데이터로 학습해도 되는가"라는 판단으로 번역해야 한다. 5259-6이 강조하는 것은 그 번역의 투명성이다. 결과를 눈에 보이는 형태로 남겨야, 나중에 그 판단의 근거를 되짚을 수 있기 때문이다.

5

2와 6의 관계 — 측정에서 소통으로

두 표준은 한 파이프라인의 앞뒤다. 5259-2는 데이터셋에서 측정값을 뽑는 계층이고, 5259-6은 그 값을 이해관계자별 판단으로 옮기는 계층이다. 아래 도식은 같은 측정 결과가 어떻게 서로 다른 독자에게 서로 다른 화면으로 도착하는지를 나타낸다.

데이터셋 원천 데이터 5259-2 측정 완전성 0.98 대표성 0.71 · 균형 0.63 5259-6 시각화 레이더 · 신호등 대시보드 · 추세 AI 개발자 어느 축을 고칠까 규제·감사 근거가 남는가 경영·의사결정 배포해도 되나

같은 숫자를 다르게 보여줘야 하는 이유는 전문성의 격차다. AI 개발자는 어느 품질 축이 떨어졌는지 축별 수치를 봐야 하고, 규제·감사 담당자는 판단의 근거가 문서로 남았는지를 봐야 하며, 경영진은 "배포 가능/불가"라는 한 줄 결론을 봐야 한다. 5259-2의 측정값 하나가, 5259-6을 거치면서 세 개의 화면으로 갈라진다. 측정이 정확성의 문제라면, 시각화는 도달의 문제다.

5259-2와 DataClinic을 1:1로 매핑한 과정은 DataClinic 매핑 글에서 다룬 바 있다. 이번 글은 그 매핑의 결과물, 즉 측정된 숫자가 어떻게 사람에게 전달되는지를 이어서 본다.

6

DataClinic 관점 — 이미 하는 것과 표준이 가리키는 것

페블러스 DataClinic은 데이터 품질을 진단하고 그 결과를 리포트로 보여주는 서비스다. 5259-2 측정 기준을 실제 데이터셋에 적용해 온 만큼, 5259-6이 가리키는 방향과 상당 부분 겹친다. 진단 결과를 차트로 요약하고, 목표 대비 상태를 표시하고, 데이터셋 간 비교와 시간축 추세를 제공한다. 이것이 5259-6이 말하는 "직관적 이해"와 "목표 대비 판별"이 풀려는 문제이고, DataClinic은 이미 그 문제를 붙들고 있다.

차이가 드러나는 지점은 정합성의 언어다. 표준은 시각화 산출물을 감사와 컴플라이언스의 근거로 남기는 방향, 전문성이 다른 독자를 위한 접근성, 시각화가 어떤 측정 기준에서 나왔는지의 추적성을 강조하는 것으로 해석된다. 실무 도구가 이미 "보여주기"를 하고 있다면, 표준은 그 보여주기를 "누구에게, 어떤 근거로, 얼마나 되짚을 수 있게"라는 축으로 정렬하도록 요구한다. 즉 표준은 새 기능을 요구한다기보다, 이미 하는 일을 공통 언어로 정렬하도록 밀어붙인다.

5259-6은 "시각화를 하라"가 아니라 "시각화가 측정과 어떻게 연결되고, 누구를 위한 것이며, 근거로 남는가를 설계하라"에 가깝다. 이미 리포팅을 하는 조직에게 이 표준은 도구의 교체가 아니라 정렬의 기준이 된다.

7

조직은 무엇을 준비하면 되는가

5259-6은 TR, 즉 권고 문서다. 오늘 당장 인증 요구사항으로 닥치는 것이 아니라, 선제적으로 준비해 두면 유리한 방향에 가깝다. 측정을 이미 하고 있는 조직이 시각화 계층을 점검할 때 던져 볼 만한 질문을 정리하면 다음과 같다.

  • • 시각화–측정 매핑 — 화면에 뜬 차트가 어떤 5259-2 측정 기준에서 나온 값인지 되짚을 수 있는가.
  • • 이해관계자별 뷰 — 개발자·감사·경영진이 각자 필요한 형태로 같은 결과를 읽을 수 있는가.
  • • 목표 대비 판별 — 조직이 세운 품질 목표선이 화면에 함께 표시되어 합격 여부가 즉시 읽히는가.
  • • 감사 추적 — 시각화 산출물이 판단의 근거로 저장·재현되어 나중에 검증할 수 있는가.
  • • 접근성 — 색만으로 정보를 전달하지 않는지, 전문 지식이 없는 독자도 읽을 수 있는지 점검했는가.

이 질문들은 5259-6이 규정한 체크리스트가 아니라, 표준의 취지를 실무 언어로 옮긴 것이다. 완벽히 갖추라는 뜻이 아니라, 어디가 비어 있는지 스스로 확인하는 출발점으로 삼으면 된다.

Editor's Note

페블러스 블로그는 5259-2 측정 기준을 오래 다뤄 왔지만 시각화 파트는 비어 있었다. 이 글은 그 빈 칸을 한국어로 채우는 첫 정리다. 5259 시리즈의 나머지 파트와 DataClinic 적용 사례는 ISO 5259 허브에서 이어서 볼 수 있다.

R

참고문헌

공유 정본: project/ISO5259/references.json (ISO 5259 시리즈 전체 글이 공유하는 단일 출처)