[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,66 +1,446 @@
|
||||
---
|
||||
id: wiki-2026-0508-ai-data-sovereignty
|
||||
title: "AI & Data Sovereignty"
|
||||
title: AI & Data Sovereignty
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-AIDS-001]
|
||||
aliases: [데이터 주권, data sovereignty, AI sovereignty, sovereign cloud, data colonialism, data localization]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.93
|
||||
tags: [auto-reinforced, data-sovereignty, ai-ethics, privacy, digital-colonialism, data-governance]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.85
|
||||
verification_status: conceptual
|
||||
tags: [data-sovereignty, ai-policy, privacy, gdpr, data-localization, federated-learning, sovereign-cloud, geopolitics]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-09
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
inferred_by: Claude Opus 4.7 (manual cleanup 2026-05-09)
|
||||
tech_stack:
|
||||
language: policy / engineering
|
||||
applicable_to: [Compliance, Architecture, Government, Privacy]
|
||||
---
|
||||
|
||||
# [[AI & Data Sovereignty|AI & Data Sovereignty]]
|
||||
# AI & Data Sovereignty
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 주인은 누구인가: 우리의 모든 행동이 AI 학습의 공짜 재료가 되는 시대, 개인과 국가가 자신의 데이터를 통제하고 그로부터 창출된 부를 정당하게 나눠 가질 권리를 지키기 위한 투쟁."
|
||||
> **"매 data 의 owner 는 누구?"**. Individual / Org / National 의 3 layer. Big Tech AI 의 training data 의 hidden cost. **Federated learning + differential privacy + sovereign cloud** 의 modern technical answer.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
AI 및 데이터 주권(AI & Data Sovereignty)은 디지털 정보와 그로부터 파생된 AI 모델에 대해 개개인, 조직, 혹은 국가가 가지는 배타적인 통제권과 자기 결정권을 의미합니다.
|
||||
|
||||
1. **핵심 층위**:
|
||||
* **Individual Sovereignty**: 내 데이터가 어디에 쓰이는지 알고 거부하거나 보상받을 권리 (Privacy rights).
|
||||
* **National Sovereignty**: 자국민의 데이터가 해외 거대 테크 기업(Big Tech)의 AI 학습에 종속되지 않도록 인프라와 규제를 갖추는 것.
|
||||
* **Model Sovereignty**: 특정 국가나 기업의 AI 모델에 의존하지 않고 독자적인 연산력과 모델 아키텍처를 보유하는 능력.
|
||||
2. **부각되는 배경**:
|
||||
* 거대 모델 학습을 위한 무분별한 데이터 수집이 '디지털 식민주의'를 초래할 수 있다는 우려 확산.
|
||||
### 3 layer 의 sovereignty
|
||||
|
||||
#### 1. Individual sovereignty
|
||||
- 매 user 의 own data.
|
||||
- Right to know (어떤 data 의 어떤 use).
|
||||
- Right to delete (GDPR).
|
||||
- Right to object (Article 21).
|
||||
- Right to portability.
|
||||
- 매 AI training data 의 opt-in / opt-out.
|
||||
|
||||
#### 2. Organizational sovereignty
|
||||
- 매 company 의 customer data.
|
||||
- 매 IP / trade secret.
|
||||
- 매 vendor 의 DPA (Data Processing Agreement).
|
||||
- 매 sub-processor 의 list.
|
||||
- 매 cloud provider 의 dependency.
|
||||
|
||||
#### 3. National sovereignty
|
||||
- 매 citizen data 의 location.
|
||||
- 매 geopolitical risk (foreign govt access).
|
||||
- 매 strategic AI capability.
|
||||
- 매 industrial policy.
|
||||
|
||||
### Major regulation
|
||||
| Regulation | Region | Key |
|
||||
|---|---|---|
|
||||
| **GDPR** | EU | Individual rights + extraterritorial |
|
||||
| **CCPA / CPRA** | California | Sale opt-out, sensitive data |
|
||||
| **PIPL** | China | Strict cross-border transfer |
|
||||
| **DPDPA** | India | 2023+ |
|
||||
| **PIPEDA** | Canada | Federal privacy |
|
||||
| **POPIA** | South Africa | |
|
||||
| **LGPD** | Brazil | GDPR-similar |
|
||||
| **Korea PIPA** | Korea | Modeled on GDPR |
|
||||
|
||||
→ 매 country 가 different 의 fragmentation.
|
||||
|
||||
### Cross-border transfer 의 challenge
|
||||
- **Schrems II** (EU 2020): US-EU Privacy Shield invalid → 매 transfer 의 SCC + assessment.
|
||||
- **EU-US Data Privacy Framework** (2023): replacement.
|
||||
- **China data export**: strict (CSL, DSL, PIPL).
|
||||
- **Russia data localization** (2014+).
|
||||
|
||||
### Data colonialism critique
|
||||
- 매 Big Tech (US) 의 global data collection.
|
||||
- 매 Global South 의 data extractivism.
|
||||
- 매 local context 의 underrepresented.
|
||||
- 매 AI 의 Western perspective bias.
|
||||
|
||||
→ Couldry & Mejias 의 academic concept.
|
||||
|
||||
### Sovereign cloud
|
||||
- 매 country / region 의 own infra.
|
||||
- Examples:
|
||||
- **GAIA-X** (EU): federated cloud.
|
||||
- **Bleu** (France): MS Azure 의 French sovereign.
|
||||
- **S3NS** (France): Google Cloud sovereign.
|
||||
- **Confidential Computing** (Azure / GCP): hardware-isolated.
|
||||
- **AWS Sovereign Cloud** (EU 2024+).
|
||||
|
||||
→ 매 vendor 의 "sovereign" claim 의 verification 어려움.
|
||||
|
||||
### Sovereign AI capability
|
||||
- 매 country 의 own LLM.
|
||||
- Examples:
|
||||
- **France**: Mistral AI.
|
||||
- **Falcon** (UAE).
|
||||
- **Kosmos** (Korean LG AI Research).
|
||||
- **HyperCLOVA X** (Naver).
|
||||
- **Yi** / **Qwen** (China).
|
||||
- **NTT 의 tsuzumi** (Japan).
|
||||
- Compute (GPU export control).
|
||||
- 매 data (자국 corpus).
|
||||
- 매 talent.
|
||||
|
||||
→ AI sovereignty 의 strategic priority.
|
||||
|
||||
### Privacy-preserving AI
|
||||
|
||||
#### Federated Learning
|
||||
- 매 device / hospital 의 own data.
|
||||
- 매 model update 의 share.
|
||||
- Central server 의 aggregate.
|
||||
|
||||
```python
|
||||
# Conceptual
|
||||
import flwr as fl
|
||||
|
||||
class Client(fl.client.NumPyClient):
|
||||
def fit(self, params, config):
|
||||
model.set_weights(params)
|
||||
model.fit(local_data)
|
||||
return model.get_weights(), len(local_data), {}
|
||||
|
||||
# 매 hospital / phone 의 own data + collective learning.
|
||||
```
|
||||
|
||||
#### Differential Privacy
|
||||
- 매 query 의 noise 추가.
|
||||
- 매 individual 의 contribution 의 privacy 보장.
|
||||
|
||||
```python
|
||||
# Apple's iOS, Google's Chrome.
|
||||
import numpy as np
|
||||
|
||||
def dp_mean(data, epsilon=1.0):
|
||||
sensitivity = (max(data) - min(data)) / len(data)
|
||||
noise = np.random.laplace(0, sensitivity / epsilon)
|
||||
return np.mean(data) + noise
|
||||
|
||||
# Aggregate stats with privacy guarantee.
|
||||
```
|
||||
|
||||
#### Homomorphic encryption
|
||||
- 매 encrypted data 의 compute.
|
||||
- 결과 도 encrypted.
|
||||
- Decrypt 후 result.
|
||||
- Computational cost ↑.
|
||||
|
||||
#### Secure Multi-Party Computation (MPC)
|
||||
- 매 party 의 own data + collective compute.
|
||||
- Cryptographic.
|
||||
|
||||
#### Confidential computing
|
||||
- Hardware enclave (Intel SGX, AMD SEV-SNP, AWS Nitro).
|
||||
- 매 cloud 의 compute 의 protect.
|
||||
- 매 government / sovereign 의 critical.
|
||||
|
||||
### 매 industry challenge
|
||||
|
||||
#### Healthcare
|
||||
- 매 country 의 health data localization.
|
||||
- HIPAA (US) + GDPR (EU) + 매 local.
|
||||
- 매 multi-national clinical trial 의 어려움.
|
||||
|
||||
#### Finance
|
||||
- 매 transaction data 의 cross-border.
|
||||
- 매 country 의 banking regulation.
|
||||
|
||||
#### Government / defense
|
||||
- 매 classified data 의 isolation.
|
||||
- 매 supply chain (chips, software).
|
||||
- Air-gapped + sovereign.
|
||||
|
||||
#### Big Tech enterprise (Salesforce, AWS)
|
||||
- 매 customer 의 data location 의 commit.
|
||||
- Region selection.
|
||||
- 매 EU customer 의 EU-only.
|
||||
|
||||
### 매 AI training data 의 issue
|
||||
|
||||
#### Copyright lawsuit (2023+)
|
||||
- NYT vs OpenAI: training 의 paywalled article.
|
||||
- Getty vs Stable Diffusion: image 의 watermark.
|
||||
- 매 author / artist 의 copyright class action.
|
||||
|
||||
#### Opt-out mechanism
|
||||
- robots.txt + AI bot identifier.
|
||||
- ai.txt proposal.
|
||||
- 매 publisher 의 opt-out (NYT, Reddit deal).
|
||||
|
||||
#### Right to be forgotten in training data
|
||||
- GDPR 의 right to erasure.
|
||||
- 매 trained model 의 unlearn 어려움 (active research).
|
||||
|
||||
### 매 organizational pattern
|
||||
|
||||
#### Data classification
|
||||
- Public / Internal / Confidential / Restricted.
|
||||
- 매 AI tool 의 access 의 매 level.
|
||||
|
||||
#### Data localization
|
||||
- 매 customer 의 region 의 storage.
|
||||
- 매 service 의 region 의 deploy.
|
||||
- Cross-region 의 explicit replication.
|
||||
|
||||
#### Privacy by design
|
||||
- 매 system 의 default privacy.
|
||||
- Minimum data collection.
|
||||
- Purpose limitation.
|
||||
- Storage minimization.
|
||||
|
||||
### Future trend
|
||||
- 매 country 의 AI sovereignty 의 push (chip, data, model).
|
||||
- 매 tech bloc (US, EU, China, India) 의 fragmentation.
|
||||
- 매 user 의 portable identity (Solid Pods, Web3 식).
|
||||
- 매 personal AI (on-device).
|
||||
|
||||
## 💻 패턴 (Engineering)
|
||||
|
||||
### Region-aware data routing
|
||||
```ts
|
||||
class DataRouter {
|
||||
determineRegion(user: User): string {
|
||||
if (user.country === 'DE') return 'eu-central';
|
||||
if (user.country in EU_COUNTRIES) return 'eu-west';
|
||||
if (user.country === 'CN') return 'cn-north';
|
||||
if (user.country === 'IN') return 'ap-south';
|
||||
return 'us-east';
|
||||
}
|
||||
|
||||
async store(data: any, user: User) {
|
||||
const region = this.determineRegion(user);
|
||||
const client = this.getClientFor(region);
|
||||
await client.put(data);
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
### Differential privacy (Apple-style)
|
||||
```python
|
||||
def collect_with_dp(events, epsilon=1.0):
|
||||
"""RAPPOR-style randomized response."""
|
||||
f = 0.5 # response prob
|
||||
p, q = 0.5, 0.5
|
||||
|
||||
randomized = []
|
||||
for e in events:
|
||||
if random.random() < f:
|
||||
randomized.append(random.choice([0, 1])) # noise
|
||||
else:
|
||||
randomized.append(e)
|
||||
|
||||
return randomized
|
||||
|
||||
# Apple iOS / Google Chrome 가 사용.
|
||||
```
|
||||
|
||||
### Federated learning
|
||||
```python
|
||||
import flwr as fl
|
||||
|
||||
# Server
|
||||
def server_strategy():
|
||||
return fl.server.strategy.FedAvg(
|
||||
fraction_fit=0.5,
|
||||
min_available_clients=10,
|
||||
)
|
||||
|
||||
fl.server.start_server(server_address='[::]:8080', strategy=server_strategy())
|
||||
|
||||
# Client (per hospital)
|
||||
class HospitalClient(fl.client.NumPyClient):
|
||||
def fit(self, parameters, config):
|
||||
self.model.set_weights(parameters)
|
||||
self.model.fit(self.local_x, self.local_y, epochs=1)
|
||||
return self.model.get_weights(), len(self.local_x), {}
|
||||
|
||||
def evaluate(self, parameters, config):
|
||||
loss, acc = self.model.evaluate(self.test_x, self.test_y)
|
||||
return float(loss), len(self.test_x), {'accuracy': acc}
|
||||
|
||||
fl.client.start_numpy_client(server_address='central:8080', client=HospitalClient())
|
||||
```
|
||||
|
||||
### Confidential computing (AWS Nitro)
|
||||
```bash
|
||||
# Nitro Enclave 의 isolated compute
|
||||
nitro-cli build-enclave --docker-uri my-app:latest --output-file my.eif
|
||||
nitro-cli run-enclave --eif-path my.eif --memory 2048 --cpu-count 2
|
||||
|
||||
# 매 enclave 의 isolated, attestable, host 의 access X.
|
||||
```
|
||||
|
||||
### Data classification + DLP
|
||||
```python
|
||||
SENSITIVE_PATTERNS = [
|
||||
(r'\b\d{3}-\d{2}-\d{4}\b', 'SSN'),
|
||||
(r'\b4\d{12,15}\b', 'CreditCard'),
|
||||
(r'(?i)passport[:= ]+\w+', 'Passport'),
|
||||
]
|
||||
|
||||
def classify(text: str) -> str:
|
||||
for pattern, label in SENSITIVE_PATTERNS:
|
||||
if re.search(pattern, text):
|
||||
return 'restricted'
|
||||
return 'internal'
|
||||
|
||||
# 매 prompt 의 매 outgoing 의 check.
|
||||
```
|
||||
|
||||
### opt-out signaling (ai.txt / robots.txt)
|
||||
```txt
|
||||
# robots.txt
|
||||
User-agent: GPTBot
|
||||
Disallow: /
|
||||
|
||||
User-agent: Google-Extended
|
||||
Disallow: /
|
||||
|
||||
User-agent: anthropic-ai
|
||||
Disallow: /
|
||||
|
||||
User-agent: ClaudeBot
|
||||
Disallow: /
|
||||
```
|
||||
|
||||
→ 매 LLM 의 training 의 opt-out (compliance 의 vendor 의 의지 의존).
|
||||
|
||||
### Vendor DPA template (excerpt)
|
||||
```markdown
|
||||
## Data Processing Addendum
|
||||
|
||||
Vendor agrees:
|
||||
1. Process Data only per Customer instructions.
|
||||
2. NOT use Customer Data for AI training without explicit opt-in.
|
||||
3. Maintain ISO 27001 / SOC 2 Type II.
|
||||
4. Sub-processors listed at: vendor.com/subprocessors.
|
||||
5. Data location: EU (Frankfurt + Dublin).
|
||||
6. 30-day notification of new sub-processor.
|
||||
7. Customer right to audit (60-day notice).
|
||||
8. Data deletion within 30 days of contract end.
|
||||
9. Breach notification within 72 hours.
|
||||
```
|
||||
|
||||
### Region failover (data residency)
|
||||
```yaml
|
||||
# K8s region affinity
|
||||
apiVersion: v1
|
||||
kind: Service
|
||||
metadata:
|
||||
name: my-app
|
||||
annotations:
|
||||
cloud.google.com/load-balancer-type: 'Internal'
|
||||
spec:
|
||||
type: LoadBalancer
|
||||
selector:
|
||||
app: my-app
|
||||
region: eu-west # EU traffic 의 EU pod 만.
|
||||
```
|
||||
|
||||
### Audit log (sovereignty compliance)
|
||||
```ts
|
||||
async function auditDataAccess(user: User, data: any, action: string) {
|
||||
await db.auditLog.insert({
|
||||
userId: user.id,
|
||||
userRegion: user.region,
|
||||
dataLocation: data.region,
|
||||
action,
|
||||
timestamp: new Date(),
|
||||
crossBorder: user.region !== data.region,
|
||||
});
|
||||
}
|
||||
```
|
||||
|
||||
→ 매 cross-border access 의 visible.
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
|
||||
| 상황 | 추천 |
|
||||
|---|---|
|
||||
| EU customer | EU storage + GDPR |
|
||||
| China citizen | Data localization (PIPL) |
|
||||
| Government | Sovereign cloud |
|
||||
| Healthcare cross-country | Federated learning |
|
||||
| Aggregate stats | Differential privacy |
|
||||
| Cross-org compute | Secure MPC |
|
||||
| Hardware-enforced | Confidential computing |
|
||||
| AI training | Opt-in / explicit consent |
|
||||
|
||||
**기본값**: Privacy by design + region-aware + audit log + opt-in for AI training.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 인터넷의 '개방성과 공유' 정책이 최우선이었으나, 현대의 AI 패권 경쟁 정책은 데이터가 곧 전략 자산임을 인식하고 '데이터의 폐쇄적 권리 확보 정책'으로 이동함(RL Update).
|
||||
- **정책 변화(RL Update)**: EU의 GDPR 및 AI Act와 같이, 개인 데이터를 학습에 쓰려면 명시적인 '옵트-인(Opt-in)'을 거치게 하고 위반 시 막대한 과징금을 부과하는 정책이 데이터 주권 보호의 표준이 됨.
|
||||
- **Open data vs sovereignty**: 매 open access 의 historical preference vs strategic data 의 control.
|
||||
- **Federated learning 의 limit**: 매 model update 의 leak (gradient inversion attack).
|
||||
- **Differential privacy 의 utility loss**: 매 epsilon 작 = privacy ↑ + utility ↓.
|
||||
- **Sovereign cloud 의 vendor lock-in**: 매 vendor 의 sovereign claim + 매 underlying tech 의 dependency.
|
||||
- **Cross-border 의 enforcement 어려움**: 매 country 가 다른 rule.
|
||||
- **AI training data 의 lawsuit**: 매 outcome 의 unclear.
|
||||
- **개인 vs 국가 sovereignty 의 tension**: 매 government access (China, etc.).
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Ethics & AI|Ethics & AI]], [[AI Accountability|AI Accountability]], [[Sociology of Knowledge|Sociology of Knowledge]], [[Universal Basic Income (UBI)|Universal Basic Income (UBI)]], Foundational Models
|
||||
- **Modern Tech/Tools**: Federated Learning (Privacy-preserving AI), Differential Privacy, Sovereign Clouds.
|
||||
---
|
||||
- 부모: [[Privacy]] · [[Data-Governance]] · [[AI-Ethics]]
|
||||
- 변형: [[GDPR-Compliance]] · [[Data-Localization]] · [[Sovereign-Cloud]] · [[Sovereign-AI]]
|
||||
- 기술: [[Federated-Learning]] · [[Differential-Privacy]] · [[Homomorphic-Encryption]] · [[Confidential-Computing]] · [[Secure-MPC]]
|
||||
- 비판: [[Data-Colonialism]] · [[Big-Tech-Power]] · [[Digital-Imperialism]]
|
||||
- 응용: [[AI-Governance-Policy]] · [[AI-Accountability]] · [[Privacy-by-Design]]
|
||||
- 정책: [[Schrems-II]] · [[EU-AI-Act]] · [[China-PIPL]] · [[GAIA-X]]
|
||||
- AI sovereign: [[Mistral-AI]] · [[HyperCLOVA-X]] · [[Yi-Qwen-China]] · [[Falcon-UAE]]
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
- 매 multi-region SaaS 의 architecture.
|
||||
- 매 AI vendor 의 DPA negotiation.
|
||||
- 매 government / regulated industry 의 deployment.
|
||||
- 매 cross-border data flow 의 design.
|
||||
- 매 privacy-preserving ML 의 implementation.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
- Specific country 의 legal advice (counsel).
|
||||
- Crisis 의 immediate response (incident team).
|
||||
- 매 small team 의 over-engineering (KISS first).
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
- **Single region 의 global service**: 매 customer 의 data residency 의 violation.
|
||||
- **No DPA**: vendor 의 data 의 free for all.
|
||||
- **AI training opt-in 없음**: 매 user 의 trust loss + lawsuit.
|
||||
- **Sovereign cloud 의 marketing claim 의 verify X**: false sense of security.
|
||||
- **Federated learning 만 + leak protection X**: gradient inversion.
|
||||
- **No audit log**: compliance fail.
|
||||
- **GDPR 만 + 다른 regulation 무시**: fragmented violation.
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
- **정보 상태:** verified (concept-level).
|
||||
- **출처 신뢰도:** B (GDPR text, EU AI Act, IAPP / privacy Bar Association resources, academic data colonialism literature).
|
||||
- **검토 이유:** Manual cleanup. Active regulation. 매 6 month review.
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
- **기존 유사 문서:** [[AI-Governance-Policy]] (related), [[Privacy]] (parent), [[AI-Accountability]] (related).
|
||||
- **처리 방식:** KEEP (sovereignty 의 specific lens).
|
||||
- **처리 이유:** Geopolitical + technical 의 intersection.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 | UPDATE | A |
|
||||
| 2026-05-09 | Manual cleanup — 3 layer + privacy-preserving tech + regulation map + 안티패턴 추가 | UPDATE | B |
|
||||
|
||||
Reference in New Issue
Block a user