AI 프로젝트에서 "이 데이터를 학습에 사용해도 되는가"라는 질문은 의외로 뒷전으로 밀리기 쉽다. 스크레이핑(Scraping)으로 수집한 뉴스 기사, 웹에서 가져온 이미지, 구매한 데이터셋——각각의 라이선스나 이용 약관을 정밀하게 검토하지 않은 채 학습을 진행하다가, 출시 직전에 법무 부서로부터 제동이 걸리는 케이스는 드물지 않다. cdo-review는 그러한 종류의 판단 실수를, 플래닝(Planning) 단계에서 CDO(최고 데이터 책임자)의 입장에서 체계적으로 다시 묻는 기술이다. 단순한 체크리스트가 아니라, 의사결정을 촉진하는 대화 형식으로 맹점을 파헤친다.

주로 세 가지 국면에서 사용할 수 있다. 첫 번째는 학습 데이터의 권리 확인. 외부 소스의 데이터를 파인튜닝(Fine-tuning)이나 사전 학습(Pre-training)에 사용하기 전에, 저작권·프라이버시·이용 약관의 관점에서 적절한지 정리한다. 두 번째는 데이터 아키텍처(Data Architecture)의 선정. 배치(Batch)인지 실시간(Real-time)인지, 웨어하우스(Warehouse)인지 레이크하우스(Lakehouse)인지, 스케일(Scale)과 비용 전망을 다시 물으며 선택지를 좁혀 나간다. 세 번째는 데이터 프로덕트화·채용 계획의 검증. 외부로 제공하는 데이터 API의 품질 보증 체계나, 채용하려는 데이터 엔지니어(Data Engineer)의 스킬셋(Skill set)이 사업 목표에 부합하는지를 확인한다.

/cs:cdo-review <플랜의 개요를 1~3단락으로 기술>

Claude Code에서 위를 실행하기만 하면 된다. 기술은 CDO가 부하 직원의 프레젠테이션을 듣는 듯한 형태로 질문을 던져온다. 그에 답하면서 모호한 전제를 하나씩 확인함으로써, 나중에 발각될 리스크를 구현 전에 없앨 수 있다. 도입 절차로는, Claude Code를 설치한 후, /skills에서 cdo-review가 표시되는 것을 확인하고, 리뷰하고 싶은 플랜을 평문으로 전달하기만 하면 된다. "계획에는 자신 있지만, 놓치는 것이 두렵다"라는 단계에서 사용하는 것이 가장 효과적이며, CDO가 없는 팀일수록 혜택을 받기 쉽다.

skill_content 측의 parse/generate에 대해서는, 위 텍스트를 그대로 전달하면 _parse()가 각 라벨을 추출할 수 있습니다. generate() 실행은 Nobu의 승인 후에 진행합니다.