생성형 AI 기반 국가유산 데이터 유형별 활용 특성 연구
A Study on the Utilization Characteristics of National Heritage Data by Type Based on Generative AI
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
(연구배경 및 목적) 최근 국가유산 분야에서는 디지털 기술 발달과 데이터 개방 정책에 따라 다양한 형식의 국가유산 데이터가 폭넓게 활용되고 있다. 특히 생성형 AI의 확산은 국가유산 데이터 기반 콘텐츠 제작을 가속화하고 있으며, 예술 창작·전시·교육·디지털 복원 등 활용 영역을 크게 확장하고 있다. 그러나 기존 연구는 국가유산 데이터 구축과 기술 적용 중심에 머물러 있어, 생성형 AI가 국가유산 데이터를 학습하고 유형별로 어떤 방식으로 재현·활용하는지에 대한 분석은 부족한 실정이다. 이에 본 연구는 생성형 AI 기반 국가유산 콘텐츠 사례를 중심으로, 국가유산 데이터의 유형별 활용 특성을 규명하고, 원형적 가치와 문화적 맥락을 유지하면서도 디지털 콘텐츠로 확장될 수 있는 방향성을 제시하는 것을 목적으로 한다. (연구방법) 본 연구는 생성형 AI 기반 국가유산 콘텐츠 제작 사례를 분석하기 위해 국가유산을 문화유산·무형유산·자연유산의 세 유형으로 분류하고, 유형별 대표 사례를 선정하였다. 이후 생성형 AI의 데이터 활용 요소를 데이터 유형·데이터 학습·데이터 활용의 세 가지 기준을 중심으로 사례를 분석하여, 유형별 내용 및 생성형 AI 기반 데이터 활용 특성을 도출한다. (결과) 사례 분석 결과, 생성형 AI가 국가유산 데이터를 활용하는 방식은 데이터 유형의 본질적 속성에 따라 뚜렷한 차이를 보였다. 문화유산 데이터의 경우 기록물·촬영 이미지·스캔 자료 등 물리적 실체 기반의 시각 정보를 기반으로 형태·질감·색채를 사실적으로 재현하는 특성이 두드러졌으며, 이는 전시·교육·영상 분야에서 고증 기반 콘텐츠 제작에 적합한 것으로 나타났다. 반면 무형유산 데이터는 공연·음악·동작 등 시간성과 행위성을 중심으로, 생성 과정에서 발성·리듬·창법·동작 패턴을 학습해 전통 소리의 재현·보완·교육적 피드백 등 실용적 확장 가능성을 보였다. 자연유산 데이터는 지형·경관·생태 등 비정형적 공간·시계열 정보로 구성되며, 생성형 AI는 사실적 경관 재현과 추상적 시각화라는 두 방향의 결과물을 산출하는 것으로 나타났다. 이러한 분석을 통해 국가유산 데이터의 유형별 특성이 생성형 AI의 재현 방식과 활용 목적을 결정하는 요인임을 확인하였다. (결론) 본 연구는 생성형 AI가 국가유산 데이터를 기반으로 사실적 재현과 창의적 확장이라는 두 방향을 동시에 실현할 수 있는 기술임을 확인하였다. 특히 본 연구는 단순 사례 나열을 넘어, 국가유산 데이터의 특성과 생성형 AI 활용 방식 간의 관계를 데이터 유형·학습 방식·활용 방식의 구조적 틀로 설명할 수 있게 했다는 점에서 학술적 의의를 가진다. 실무적으로도, 향후 국가유산 기반 AI 콘텐츠 제작에서는 데이터 수집–정제–학습–활용을 연계하는 파이프라인 구축과 목적 기반 데이터 선정·구조화 전략의 중요성을 제시한다. 본 연구에서 제안한 분석 틀은 향후 국가유산 기반 AI 콘텐츠 연구 및 제작의 기초 자료로 활용될 수 있을 것이다.
Abstract
(Background and Purpose) The growing availability of national heritage data, supported by digital technologies and open data policies, has expanded its application across various fields. The rapid spread of generative artificial intelligence (AI) has accelerated the creation of heritage-based digital content, enabling broader applications in artistic production, exhibitions, education, and digital restoration. However, most prior studies have focused on data construction or technical implementation and have offered limited analysis of how generative AI learns from and utilizes national heritage data according to the data type. Addressing this gap, this study examines cases of generative AI–based heritage content cases to identify type-specific utilization characteristics and proposes strategies for digitally extending heritage content while preserving its original value and cultural context. (Method) National heritage was classified into three categories: cultural, intangible, and natural. Representative cases were selected for each type. A structural analytical framework comprising data type, data learning, and data utilization was applied to examine how generative AI interacts with each form of heritage data and compare the distinctive usage patterns observed across types. (Results) The findings indicate that the use of heritage data by generative AI is strongly shaped by the intrinsic properties of each data type. Cultural heritage data, including records, photographs, and scans of physical objects, support the realistic reproduction of form, texture, and color. These characteristics make them particularly suitable for exhibitions, educational content, and audiovisual content that require historical accuracy. Intangible heritage data consisting of performances, music, and movement with temporal and performative qualities enable AI models to learn patterns of vocalization, rhythm, singing style, and motion. This facilitates applications such as the reproduction or enhancement of traditional sounds and provision of real-time feedback for learning. Natural heritage data composed of terrain, landscapes, and ecological elements contain irregular spatial and temporal features that allow generative AI to produce either realistic landscape reconstructions or abstract artistic visualizations. These results demonstrate that the nature of each data type determines how generative AI reconstructs or transforms national heritage, and the types of content it can effectively support. (Conclusions) This study confirms that generative AI functions as a technology capable of faithful reconstruction and creative expansion of national heritage content. In addition to describing individual cases, this study contributes to academia by offering a structural framework that clarifies the relationship between heritage data types and AI utilization patterns. Practically, this research highlights the need for integrated pipelines linking data collection, refinement, learning, and application, as well as strategies for purpose-driven data selection and structuring. The proposed framework provides a foundation for future research and production of AI-based national heritage content.