모든 테스트는 8년 된 MacBook Air (Intel)에서 실행되었습니다. 제가 logcat 뷰어에 AI 진단 기능을 추가했을 때, 첫 번째 질문은 "어떤 모델을 쓸 것인가"가 아니라 "어떻게 하면 사용자 데이터를 타인의 서버에 보내지 않을 것인가"였습니다.

모든 것이 클라우드 중심인 시대에 개인정보 보호는 사치(luxury)가 되었습니다. 제가 HiyokoLogcat과 HiyokoPDFVault를 위한 AI 기능을 구축할 때, 저는 실제적인 엔지니어링 과제에 직면했습니다. 개발자에게 민감한 로그 데이터를 노출하지 않으면서 어떻게 LLM (Large Language Models)의 힘을 제공할 것인가 하는 점이었습니다. 그 해답은 엄격한 로컬 마스킹 (local masking)을 동반한 "오프라인 우선 (Offline-First)" 아키텍처에 있습니다.

요약 (TL;DR)

• Logcat 출력에는 외부 API 호출 전에 반드시 마스킹되어야 하는 민감한 데이터(IP, 토큰, 이메일 등)가 포함되어 있습니다.
• Rust 기반의 정규 표현식 (regex) 마스킹 파이프라인이 로컬에서 실행되어, 데이터가 Gemini에 도달하기 전에 민감한 패턴을 플레이스홀더 (placeholders)로 교체합니다.
• HiyokoPDFVault는 서버 개입 없이 완전히 로컬에서 작동하는 시맨틱 검색 (semantic search) 및 OCR을 위해 candle-core를 사용합니다.
• 사용자는 데이터가 기기를 떠나기 전에 명시적인 선택형 동의 (opt-in consent) 대화 상자를 받게 됩니다.

문제점: 로그는 비밀로 가득 차 있습니다

Android 기기에서 출력되는 Logcat은 디버깅의 노다지이지만, 개발자의 머신을 절대 벗어나서는 안 되는 데이터를 일상적으로 포함하고 있습니다:

// 민감한 데이터가 포함된 전형적인 logcat 출력
D/NetworkManager: Connected to 192.168.1.105:5555
D/AuthService: Bearer token: eyJhbGciOiJSUzI1NiIsInR5cCI6Ikp...
...

이것을 분석을 위해 클라우드 AI로 직접 전송하는 것은 언제든 보안 사고로 이어질 수 있는 위험한 행동입니다. IP 주소는 네트워크 토폴로지 (network topology)를 드러냅니다. Bearer 토큰은 접근 권한을 부여합니다. 이메일 주소는 개인을 식별합니다.

로컬 마스킹 파이프라인

단 한 줄의 로그라도 Gemini API로 전송되기 전에, HiyokoLogcat은 Rust 기반의 마스킹 파이프라인을 실행합니다. 이 파이프라인은 제 듀얼 코어 MacBook Air에서도 초당 수천 줄을 처리할 수 있을 만큼 빠릅니다:

use regex::Regex;
use once_cell::sync::Lazy;

...

마스킹 후, 동일한 logcat 출력은 다음과 같이 보입니다:

// 마스킹된 출력 — Gemini API로 전송해도 안전함
D/NetworkManager: Connected to [IP_MASKED]
D/AuthService: [CREDENTIAL_MASKED]
...

AI는 실제 민감한 값을 전혀 보지 않고도 문제를 진단할 수 있습니다("NetworkManager가 성공적으로 연결되었고, 그 후 AuthService가 토큰을 보냈으며, 그 후 사용자가 로그인했습니다").

candle-core를 이용한 완전 로컬 AI

HiyokoPDFVault를 위해 저는 한 걸음 더 나아갔습니다. PDF 문서에는 변호사-의뢰인 특권(attorney-client privileged) 자료, 의료 기록 또는 금융 데이터가 포함될 수 있습니다. 마스킹을 하더라도 이러한 데이터를 클라우드 API로 전송하는 것은 많은 사용자에게 용납될 수 없는 일입니다.

대신, HiyokoPDFVault는 candle-core를 사용하여 Metal을 통해 GPU에서 작은 임베딩 (embedding) 모델을 로컬에서 실행합니다:

use candle_core::{Device, Tensor};

/// macOS Metal GPU에서 로컬 임베딩 엔진 초기화
...

실제 구현에서는 여기에 표시되지 않은 추가적인 예외 상황(edge cases)들을 처리합니다.

결과적으로, 사용자는 단 1바이트의 데이터도 기기를 벗어나지 않고도 자신의 PDF 라이브러리를 의미론적 (semantically)으로 검색할 수 있습니다("위약금 조항이 언급된 계약서 찾아줘"). 제 MacBook Air의 통합 GPU에서 이 작업은 쿼리당 약 200ms에 실행됩니다. 즉각적인 수준은 아니지만, 대화형 사용(interactive use)에는 충분히 빠른 속도입니다.

명시적 사용자 동의

개인정보 보호는 블랙박스여서는 안 됩니다. HiyokoLogcat 또는 HiyokoBar가 Gemini API를 호출하기 직전에, 사용자는 정확히 어떤 일이 일어나고 있는지 확인하게 됩니다:

1. 대화 상자에 전송될 마스킹된 로그 내용이 표시됩니다.
2. 사용자는 네트워크 요청이 발생하기 전에 내용을 검토, 수정 또는 취소할 수 있습니다.
3. API 키는 macOS Keychain에 저장되며, 일반 설정 파일에는 절대 저장되지 않습니다.

이러한 옵트인 (opt-in) 모델은 기본 상태가 "기기에서 아무것도 나가지 않음"을 의미합니다. 외부 AI 사용은 주변에 깔려 있는 기능(ambient feature)이 아니라, 명시적인 동작입니다.

개인정보 보호는 단순히 체크박스 하나를 채우는 문제가 아니라, 아키텍처의 문제입니다. 마스킹, 로컬 추론 (local inference), 그리고 명시적 동의를 기반 구축 단계부터 통합함으로써, "오프라인 우선 (Offline-First)" AI는 마케팅 문구가 아닌 진정한 경쟁 우위가 됩니다.

개발자 도구에 AI를 통합할 때 민감한 데이터를 어떻게 처리하시나요? 로컬 마스킹 (Local masking)만으로 충분할까요, 아니면 클라우드 AI (Cloud AI)를 완전히 피하시나요?

이 내용이 도움이 되었다면, **HiyokoPDFVault**를 확인해 보세요 — AES-256 암호화, OCR, 워터마크, 병합/분할/압축, Bates numbering 기능을 갖춘 PDF 도구입니다.

Rust + Tauri v2로 구축되었습니다. 8년 된 MacBook Air에서 테스트되었습니다.