사이버 보안 위험에 대응하는 데 필요한 ‘성숙한’ 준비성을 갖춘 기업 비율
Z세대 : 결제의 미래 (Gen Z: the future of spending)
디지털 신뢰 하위 그룹 중 SW 공급망 침해를 경험한 비율
2023년 구글이 삭제한 정책 위반 광고
오픈 데이터가 매년 세계 경제에 기여하는 가치
현재 마이크로소프트는 AI 분야의 선두 주자다. 27일(현지시간) 종가 기준 마이크로소프트의 시가총액은 3조 1300억 달러(약 4,218조 원)로, 지구상에서 다. 이런 상승세는 오늘날 선풍적인 인기를 끌고 있는 챗GPT를 만든 오픈AI와의 투자 관계 덕분이다. 오픈AI의 GPT는 마이크로소프트가 깃허브, 윈도우, 마이크로소프트 365 등 거의 모든 제품에 내장하고 있는 생성형 AI 도구인 마이크로소프트 코파일럿의 기반이다. 마이크로소프트의 AI 우위는 극복할 수 없는 것처럼 보인다. 하지만 기술 분야에서는 상황이 빠르게 변할 수 있다. 애플은 구글의 생성형 AI 도구 제미나이를 아이폰에 탑재하기 위해 을 진행 중이며, 협상이 성사되면 생각보다 빨리 마이크로소프트의 자리를 빼앗을 수 있다. 동시에 마이크로소프트는 하고, 코파일럿의 개선된 버전을 출시하기 위해 맹렬히 경쟁하고, 코파일럿 수익화를 시작하는 등 AI 주도권을 확장하기 위해 바삐 움직이고 있다. 구글과 애플이 마이크로소프트의 아성을 무너뜨릴까, 아니면 마이크로소프트가 가까운 미래에도 AI 분야에서 우위를 유지할까? 애플과 구글의 블록버스터급 거래 가능성과 마이크로소프트의 최근 움직임을 살펴보고, 미국 및 유럽 정부의 반독점법 소송이라는 가장 큰 와일드카드를 통해 상황을 점쳐본다. 구글-애플의 AI 협력 가능성 이 소식을 처음 보도한 블룸버그의 기사에 따르면, 구글과 애플은 올해 말 구글의 생성형 AI 도구 제미나이를 아이폰에 탑재하기 위한 협상을 진행 중다. 블룸버그는 "AI 산업을 뒤흔들 블록버스터급 계약의 발판이 될 것"이라고 말했다. 하지만 이런 표현은 과장이다. 제미나이는 이미 구글과 다른 기기 제조업체에서 만든 안드로이드 휴대폰에 내장돼 있다. 제미나이가 아이폰에도 탑재된다면 구글은 마이크로소프트와 오픈AI를 제치고 모바일 기기에서 AI를 독점하게 되는 셈이다. 뉴욕 타임즈는 이런 상황을 두고 "사실상 하룻밤 사이에 구글은 챗GPT를 만드는 주요 라이벌인 오픈AI보다 더 많은 소비자에게 자사 AI를 사용하게 만들 수 있다"라고 설명했다. 이번 거래는 오랜 기간 지속한 애플과 구글의 관계를 연장할 것이다. 구글은 이미 애플 기기에 자사 검색 엔진을 기본 탑재하는 대가로 연간 180억 달러(약 24조 원)를 애플에 지급하고 있다. 계약이 성사되면 제미나이의 사용자 기반은 전 세계 사용자 수십억 명으로, 마이크로소프트와 오픈AI의 사용자 기반을 넘어서게 된다. 또한 구글이 제미나이를 매우 빠르고 더 강력하게 개선하는 데 도움이 된다. 생성형 AI 도구는 학습된 데이터의 양과 품질만큼 성능이 향상되며, 학습은 도구의 성능과 효과를 개선하는 지속적인 프로세스다. 이미 매일 수십억 명의 사람이 제미나이를 사용하고 있으므로 구글은 챗GPT와 코파일럿이 개선될 수 있는 속도보다 더 빠르게 제미나이를 개선할 수 있을 것이다. 마이크로소프트에 이런 상황은 데자뷰다. 수십 년 전 마이크로소프트는 윈도우 운영체제로 전 세계 운영체제를 거의 독점하다시피 했다. 애플이 아이폰을 출시하기 7년 전, 모바일 운영체제인 포켓 PC 2000(Pocket PC 2000)을 출시했을 때는 운영체제 독점이 영원히 지속될 것 같았다. 하지만 iOS와 아이폰 하드웨어는 마이크로소프트가 만든 그 어떤 모바일 OS/기기보다 훨씬 뛰어났고, 안드로이드도 마찬가지였다. 스마트폰이 전 세계를 강타하면서 마이크로소프트의 OS 지배력은 사라졌다. 구글과 애플의 거래가 실현된다면 AI 분야에서도 같은 일이 일어날 수 있다. 제미나이는 모바일 덕분에 챗GPT와 코파일럿을 제칠 것이다. MS가 여전히 우위를 점할 수 있는 이유 하지만 구글과 애플의 거래가 성사되더라도 마이크로소프트는 여전히 AI를 지배할 수 있다. 마이크로소프트는 AI 분야에서 상당한 선두를 달리고 있으며, 계속 움직이고 있다. 오픈AI는 지난 2023년 GPT-4를 출시했고, 올 여름에는 "실질적으로 더 나은" GPT-5가 출시할 예정이다. 새롭고 더 강력한 버전의 GPT가 빠르게 출시되고 있고, 즉 챗GPT와 코파일럿은 지속적으로 더 강력해지는 중이다. 최근 마이크로소프트는 구글이 2014년 인수한 AI 스타트업 딥마인드의 공동 창업자 무스타파 슐레이만을 영입했다. 슐레이만은 딥마인드를 매각한 후 또 다른 AI 스타트업인 인플렉션 AI(Inflection AI)를 설립한 인물이다. 마이크로소프트는 슐레이만뿐 아니라 수석 과학자 카렌 시모니안을 포함한 인플렉션의 AI 직원 거의 전원을 고용했다. 현재 마이크로소프트에서 세계 최고의 AI 인재들이 모여 오픈AI를 위해 일하고 있다. 마이크로소프트는 AI 에도 박차를 가하고 있다. 코파일럿은 마이크로소프트의 모든 제품군에 내장돼 유료 애드온으로 제공된다. 마이크로소프트는 이렇게 얻은 수익을 다시 연구에 투자할 수 있다. 물론 구글과 애플이 거래를 성사시킬 것이라고 예견된 결론은 아니다. 설령 거래가 성사되더라도 얼마나 잘 작동할지는 확실하지 않다. 와일드카드 : 규제 당국 최종 승자는 기술 기업이 아니라 미국 정부에 의해 결정될 수도 있다. 구글과 애플은 모두 주요 연방 반독점 소송에 맞서고 있다. 두 회사의 AI 거래가 조사를 받게 되더라도 놀라운 일은 아니다. 계약이 체결되기도 전에 연방 정부가 계약을 파기하려고 시도할 수 있다. 한편 마이크로소프트는 자체적인 반독점 AI 문제도 안고 있다. FTC는 에 대해 잠재적인 반독점법 위반 여부를 조사하고 있는 것으로 알려져 있다. 조사 결과에 따라 마이크로소프트가 AI 선두주자인 오픈AI와의 거래를 잃을 가능성도 있다. 세 회사 모두 와 영국에서도 반독점 조사와 소송에 직면한 상황이다. 향후 어느 회사가 AI를 지배할지는 이들 소송과 조사 결과에 따라 결정될 수 있다. 연방 정부의 조치 가능성을 포함해 아직은 너무 많은 것이 불확실하다. 한 가지 확실한 것은 챗GPT, 코파일럿, 제미나이조차도 최종 결과를 예측할 수 없다는 점이다. editor@itworld.co.kr
포스트그레SQL 개척자인 마이크 스톤브레이커와 스파크를 만든 마테이 자하리아, 그리고 MIT와 스탠퍼드의 여러 컴퓨터 과학자가 가세해 그린필드(greenfield, 기존 앱 없이 완전히 새로 만드는 것) 웹 애플리케이션 개발에 적합한 새로운 데이터베이스 지향 운영체제(DBOS)를 만들었다. 이를 확산하기 위해 'DBOS'라는 회사도 설립했다. 최근 출시된 첫 번째 제품인 DBOS 클라우드(DBOS Cloud)는 트랜잭션 서버리스 애플리케이션 플랫폼으로, 서비스형 함수(FaaS)로도 정의할 수 있다. 오픈소스 가상머신 모니터링 서비스인 파이어크래커(Firecracker)를 활용해 아마존 웹 서비스(AWS) 기반으로 제공되며, DBOS 운영체제를 기반으로 한다. 제품은 크게 3가지 요소로 구성된다. 오픈소스 DBOS SDK(현재 타입스크립트용), DBOS 타임 트래블 디버거(Time Travel Debugger), 그리고 기반 운영체제다. 업체는 이 제품이 개발자가 서버리스 함수, 워크플로우, 애플리케이션을 구축하고 실행하는 데 도움이 되며, 시간 이동 디버깅, SQL 액세스가 가능한 관측가능성 데이터를 함께 제공한다고 설명했다. DBOS와 DBOS 클라우드의 기원 스톤브레이커와 자하리아, 그 외의 연구원은 어떻게 모였고, 왜 DBOS를 만들었을까? 3년 전, 스톤브레이커는 InfoWorld와의 인터뷰에서 데이터와 컴퓨팅에 대한 수요가 증가하면서 데이터베이스에는 대량의 운영체제 상태 저장이라는 새로운 과제가 생겼다고 언급한 바 있다. 그 무렵 그는 데이터브릭스의 CTO이기도 한 자하리아의 강연에 참석해 포스트그레SQL의 성능에 대한 자하리아의 지적을 유심히 들었다. 스톤브레이커에 따르면 자하리아는 당시 데이터브릭스가 운영체제 스케줄링을 어떻게 수행하는지에 대해 설명했다. 그는 "자하리아는 데이터브릭스가 클라우드에서 '백만 단위'의 스파크 서브 작업을 주기적으로 관리하는데, 그 정도 규모를 운영하면서 전통적인 운영체제 스케줄링 기법을 사용하는 것은 불가능하다고 말했다. 대신 자하리아는 데이터브릭스가 모든 스케줄링 정보를 포스트그레SQL 데이터베이스에 넣고 스케줄링을 SQL 애플리케이션으로 실행한다고 했다"라고 말했다. 스톤브레이커는 얼마 후 자하리아에 연락했고 전통적인 운영체제OS 기능을 대규모로 사용할 수 없는 기업이 매우 많다는 사실을 알게 됐다. 이 논의가 DBOS의 탄생으로 이어졌다. 두 창업자는 새로운 스택의 가장 아래에서 데이터베이스 관리 시스템을 실행하고 모든 운영체제 서비스를 똑같이 실행하는 방식을 채택했다. 스톤브레이커는 "팀이 충분히 시스템을 구축해 기업이 현재 사용 중이거나 하고 있는 방식이 무엇이든 이 반전된 운영체제의 성능이 그에 못지않게 빠르다는 것을 입증했다. 기본적으로 이는 기업이 성능 저하 없이 데이터베이스의 모든 것을 활용할 수 있다는 것을 의미한다"라고 말했다. 데이터 프로비넌스 데이터베이스는 모든 것을 기록하므로 팀의 다음 작업은 리눅스 기반 커널 사용을 최소화하는 데이터 프로비넌스 시스템을 개발하는 것이었다. 스톤브레이커는 "DBOS는 데이터 웨어하우스에 스풀링되는 매우 정교한 프로비넌스 시스템을 통해, 리눅스, 쿠버네티스, 기타 트랜잭션 파일 시스템, 고가용성 전달 시스템과 같은 많은 계층을 없앨 수 있다"라고 말했다. 업체에 따르면 이런 계층이 없어지면 비용과 복잡성, 공격 표면 감소 측면에서 이점이 있다. 스톤브레이커는 "컨테이너 또는 오케스트레이션 계층이 필요 없고, OS가 더 많은 일을 알아서 해주므로 코딩해야 할 양도 줄어든다. 기존 제품과 비교할 때 속도 저하 없이 이상 이벤트를 감시할 수 있으며 유지보수가 간편하다"라고 말했다. 또 다른 이점은 랜섬웨어 공격과 같은 적대적 이벤트 발생 시 신속하게 백업하는 기능이다. 스톤브레이커는 "공격 트랜잭션을 피할 수 있는 전체 이벤트 로그가 있으므로 공격이 발생하면 특정 시간으로 백업이 가능하다. 백업에 며칠에서 몇 주까지 걸리는 다른 제품과 달리 몇 초에서 몇 분이면 된다"라고 말했다. 프로비넌스 시스템을 개발한 후 팀은 온프레미스 시스템보다 클라우드에 초점을 두고 개발자를 위한 프로그래밍 인터페이스를 구축했다. 스톤브레이커는 "데이터베이스 시스템을 기반으로 서비스형 소프트웨어(SaaS) 프로그래밍 환경을 만들었다. 이 타입스크립트 기반 환경을 통해 개발자는 하나의 그래프로 연결되는 마이크로 연산 모음을 작성할 수 있다. 마이크로 연산은 데이터베이스에 수집되어 동시성 제어를 통해 병렬 프로그램 버그를 차단한다. 이밖에 애플리케이션을 위한 디버거도 지원한다"라고 말했다. 클라우드 우선 개발팀은 먼저 클라우드를 기반으로 DBOS를 서비스하기로 했지만 클라우드가 유일한 타깃은 아니다. 스톤브레이커는 "시간이 지나 자리를 잡으면 온프레미스 엔터프라이즈로 방향을 전환할 것이다. 수익이 나는 분야는 결국 엔터프라이즈이기 때문이다. 엔터프라이즈 소프트웨어 판매 주기는 일반적으로 매우 길다"라고 말했다. 온프레미스에서 실행되도록 하려면 유닉스용 POSIX 표준 인터페이스 모음을 추가로 지원해야 한다. DBOS를 처음 접하는 개발자에게 도움이 되는 DBOS 문서는 서 찾을 수 있다. 가격 정책은 다양하다. 무료 티어의 DBOS 클라우드는 아마존 RDS 포스트그레SQL을 사용하는 동안 서비스 호출 월 100만 회, 시스템 데이터 보존 기간 3일을 지원한다. 엔터프라이즈 또는 개발자는 다른 데이터베이스에서도 DBOS 클라우드를 사용할 수 있지만 이 경우 맞춤 구성을 요청해야 한다. DBOS, 확산할 수 있을까 시장조사업체 IDC의 칼 올로프슨, 디비인사이트(dbInsight)의 토니 베어, 콘스텔레이션 리서치(Constellation Research)의 홀거 뮬러를 포함한 여러 분석가는 DBOS가 애플리케이션 개발 시간 단축에 긍정적인 영향을 주고 보안의 이점이 있다고 분석했다. 반면 몇 가지 단점과 우려 사항도 있다. 뮬러는 DBOS 기업 자체의 개발 확장성에 의문을 제기했다. 그는 "DBOS의 소규모 팀이 운영체제, 데이터베이스, 관측가능성, 워크플로우, 사이버 스택 등을 동종 최고(best of breed) 업체의 조합만큼 원활하게 개발, 운영할 수 있을지 의문이다"라고 말했다. 올로프슨은 키-값, 시계열, 문서 등 전문화된 데이터베이스 관리 시스템 시대인 현재의 관계형 데이터베이스 시스템은 모든 요구사항을 충족하지 못할 수 있다고 지적했다. 그는 "DBOS가 좋은 보안 기능을 갖추고 있지만 데이터 도난과 손실의 가장 큰 원인은 일반적으로 피싱 공격과 같은 기법을 통해 획득하는 가짜 자격 증명 사용이다. 어떤 DBMS 기술도 명백하게 정당한 자격 증명을 소유한 악의적 행위자가 데이터를 훔치거나 파괴하는 것을 막지는 못한다"라고 말했다. editor@itworld.co.kr
자바스크립트는 큰 인기를 누리는 인터프리트 스크립팅 언어로, . 2023년 전체 구인 공고의 29%가 자바스크립트 또는 타입스크립트 프로그래밍 경험을 요구 조건으로 제시할 정도다. 자바스크립트의 성공에는 개방형 표준이며 단일 업체에 지배되지 않는다는 점, 수많은 구현과 배우기 쉬운 구문 등 다양한 이유가 있다. 현재 웹페이지에서 거의 모든 인터랙티브 또는 애니메이션 요소는 자바스크립트로 렌더링된다. 또한 Node.js, 데노(Deno), 번(bun)과 같은 서버측 프레임워크 덕분에 브라우저 이상으로 확장해 클라이언트에서 서버, 클라우드 기반 애플리케이션에 이르기까지 온갖 용도의 코드를 작성하는 데 자바스크립트가 사용된다. 여기서는 자바스크립트의 간단한 역사와 자바스크립트가 사용되는 애플리케이션의 종류, 자바스크립트를 다루기 위한 툴, 자바스크립트를 배우기 위한 리소스를 포함해 자바스크립트에 대해 전체적으로 살펴본다. 자바스크립트의 간단한 역사 이름에서 알 수 있듯이 자바스크립트는 스크립팅 언어다. C++와 같은 전통적인 언어는 실행 가능한 바이너리 형식이 되려면 컴파일을 거쳐야 하며, 이 과정에서 컴파일러가 전체 프로그램의 오류를 검사한다. 반면 스크립팅 언어는 인터프리터라는 다른 프로그램에 의해 한 번에 한 줄씩 실행된다. 스크립팅 언어는 처음에는 다른 프로그램을 실행하는 데 사용되는 일련의 셸 명령으로 시작됐지만, 유연함과 사용의 용이함 때문에 그 자체로 인기 있는 프로그래밍 언어의 한 유형으로 부상했다. 이후 웹 시대가 도래하면서 자바스크립트와 같은 언어가 중요한 위상을 갖게 됐다. 자바스크립트를 처음 접하는 많은 개발자는 이름의 '자바' 부분에 대해 궁금해한다. 간단히 설명하자면 자바와 자바스크립트는 같은 역사적 시점에 등장했으며 둘 다 웹의 탄생에 중요한 역할을 했다. 이 둘의 역사는 서로 얽혀 있지만 각기 별개의 언어다. 자바스크립트의 창시자인 브렌든 아이크는 최초의 넷스케이프 브라우저에서 자바스크립트를 자바의 중요한 보완 요소로 간주한 이유를 했다. 처음에는 라이브스크립트(LiveScript)로 불렸던 이 언어는 새롭게 부상하는 자바 개발자 커뮤니티를 공략하기 위해 표면적으로 자바와 비슷한 구문을 사용하도록 만들어졌다. 자바 및 초기 웹 개발과 함께 자바스크립트 언어의 사용도 덩달아 증가했지만 오랜 기간 동안 자바스크립트는 더 강력한 자바 프로그래밍 언어의 하위 보조 도구 정도로 취급됐다. 1997년에 ECMA(유럽 컴퓨터 제조사 협회)는 누구나 구현할 수 있는 언어를 정의하는 표준을 발표했다. 당시 "자바"는 여전히 썬(Sun)의 상표였고, 이를 사용할 라이선스는 유일하게 넷스케이프에만 있었기 때문이다. 새로운 표준화된 버전의 자바스크립트에는 ECMA스크립트라는 이름이 붙었지만 실무자 사이에서는 대부분 자바스크립트라는 이름으로 통했다. 자바스크립트의 용도 자바스크립트는 인터랙티브 웹사이트를 만들기 위한 용도로 개발됐고 지금도 여전히 그 목적으로 주로 사용된다. 개발자가 웹사이트 코드에 자바스크립트를 채택하면 사용자 브라우저에 내장된 인터프리터가 코드를 실행한다. 자바스크립트 코드는 즉석에서 HTML을 생성하거나 수정해 동적인 콘텐츠를 생산하고 백엔드 데이터 저장소와 상호작용한다. 자바스크립트가 이 방식으로 사용될 때 이를 클라이언트 측 언어라고 하며, 이 분야에서 가장 '수익성이 좋은' 애플리케이션 중 하나가 바로 모바일 게임이다. Node.js와 같은 서버 측 프레임워크는 자바스크립트의 범위를 넓혀서 더 확장성이 높은 이벤트 주도 애플리케이션용으로도 사용할 수 있게 해준다. 자바스크립트를 사용할 때 얻는 이점 자바스크립트가 완벽한 언어라고 주장하는 사람은 없지만 확실히 매우 유용한 언어다. 자바스크립트를 사용하면 작동하는 코드를 쉽고 빠르게 작성할 수 있다. 또한 인터프리트 언어는 컴파일된 코드에 비해 일반적으로 성능이 떨어지지만 자바스크립트는 처음부터 웹 브라우저용으로 만들어졌다는 데서 비롯되는 특별한 이점이 있다. 바로 세계 3대 소프트웨어 기업인 마이크로소프트, 애플, 구글이 고성능 자바스크립트 인터프리터를 경쟁적으로 만들고 있다는 점이다. 그 결과 자바스크립트는 시작은 미약했지만 놀랍도록 강력하고 확장성도 뛰어난 언어가 됐다. 브라우저를 벗어나서 실행할 수 있는 자바스크립트 런타임이 등장하자 자바스크립트에 능숙한 웹 개발자 군단이 갑자기 풀 스택 개발자가 됐다. 자바스크립트 툴 생태계는 브라우저에서 서버에 이르기까지 필요한 일을 척척 해내는 코드로 개발자 생산성을 높여준다. 자바스크립트는 인기가 높은 만큼 업데이트도 자주 이뤄진다. 인기가 채택을 이끌고 다시 인기로 이어지는 전형적인 선순환 사례다. 자바스크립트 라이브러리와 프레임워크 바닐라 자바스크립트(vanilla JavaScript)라는 말을 종종 듣는다. 간단히 말해 자바스크립트로 처음부터 새로 작성된 애플리케이션을 의미한다. 규모가 작을 때는 괜찮지만 대규모로 작업을 하면 곧 이 방식은 유지하기 어렵게 된다. 모든 엔터프라이즈 개발자가 똑같이 말할 것이다. 대부분 자바스크립트 개발자는 방대한 자바스크립트 라이브러리를 자주 활용한다. 라이브러리는 사전에 작성된 서드파티 코드로, 대체로 무료 오픈소스이고 일반적인 문제를 해결하며 프로젝트에 통합할 수 있다. 참고로 ECMA스크립트 표준에서는 이라고 지칭하지만 실무에서는 라이브러리라는 용어가 더 보편적으로 쓰인다. 대부분 자바스크립트 개발자는 기본적인 애플리케이션 얼개를 만들 때 처음부터 새로 만들기보다는 라이브러리를 찾는다. 또한 엔터프라이즈급 애플리케이션을 위한 골격을 제공하도록 설계된 라이브러리 모음인 프레임워크도 있다. 프레임워크를 사용하면 개발자는 프로그램의 기술적인 측면에 집중할 수 있다. 가장 유명한 자바스크립트 프레임워크는 앵귤러(Angular)이며, 그 외에 리액트(React)와 뷰(Vue)가 있다. 타입스크립트 : 자바스크립트의 상위 집합 타입스크립트는 자바스크립트 생태계의 중요한 한 측면이다. 타입스크립트는 자바스크립트와 비슷하지만 변수 및 기타 데이터 구조의 강력한 형식 지정과 같이 자바스크립트에는 없는 여러 기능을 제공한다. 타입스크립트 및 이와 유사한 여러 언어는 엔터프라이즈급 규모의 애플리케이션을 더 쉽게, 효율적으로 만들기 위해 설계된 경우가 많다. 실제로 타입스크립트는 마이크로소프트가 오피스 제품군의 웹 기반 버전을 개발하면서 만들었다. 타입스크립트는 구문에 자바스크립트의 모든 요소와 그 이상을 포함하므로 자바스크립트의 상위 집합으로 불린다. 좋은 자바스크립트는 항상 좋은 타입스크립트지만, 타입스크립트에는 자바스크립트에 없는 구문도 포함된다. 타입스크립트 코드는 일반적인 자바스크립트로 트랜스파일되며 브라우저와 표준 자바스크립트 런타임에서 실행할 수 있다. 타입스크립트와 자바스크립트의 유사점과 차이점에 대한 더 자세한 내용은 여기를 참고하면 된다. 자바스크립트를 배울 수 있는 리소스 자바스크립트 개발자가 되기를 진지하게 고려하고 있다면 여기서 다룬 내용보다 더 깊이 알아보는 것이 좋다. 는 자바스크립트 구문을 처음 접하기 좋은 자료다. 그 외의 시작할 때 도움이 되는 자료는 다음과 같다. 는 자바스크립트로 할 수 있는 일을 보여주는 라이브 예제다. 자바스크립트와 HTML, CSS만 사용해서 브라우저에서 실행되도록 만들 수 있는 고전 게임으로, 파나이오티스 니콜라우의 이 자습서에서 만드는 방법을 볼 수 있다. 자바스크립트 시작하기 이제 자바스크립트를 시작할 준비가 되었는가? 자바스크립트는 인터프리트 언어이므로 다운로드할 필요가 없다. 즐겨 사용하는 텍스트 편집기(물론 자바스크립트 편집기나 IDE라면 더 좋다)를 열고 바로 코드를 입력하면 된다! 자바스크립트 인터프리터는 명령을 실행하는 모든 웹 브라우저에 내장돼 있으므로 테스트하려면 HTML 문서에 자바스크립트를 넣고 로드하기만 하면 된다. 데스크톱 환경에서 자바스크립트 코드를 실행하고자 한다면 하면 된다. 그것만으로도 파일시스템에 액세스하거나 그 외의 다른 여러 작업을 할 수 있다. editor@itworld.co.kr
파이썬은 편리하고 유연하지만 계산 속도만 보면 다른 언어에 비해 현저히 느리다. 이 때문에 파이썬 생태계에는 이를 보완해 파이썬을 사용한 대규모 계산을 더 빠르고 편리하게 해주는 툴이 있다. 그 중 대표적인 는 개발자와 데이터 과학자들이 대규모 컴퓨팅을 위해 사용하는 가장 일반적인 파이썬 툴이다. 넘파이는 모두 C, C++ 및 포트란과 같은 고속 언어로 작성된 코드를 기반으로 하는, 배열과 행렬을 다루기 위한 라이브러리와 기법을 제공한다. 또한 모든 넘파이 연산은 파이썬 런타임 외부에서 실행되므로 파이썬 자체의 한계에 영향을 받지 않는다. 파이썬의 배열과 행렬 수학에 넘파이 사용하기 많은 수학 연산, 특히 머신 러닝 또는 데이터 과학의 수학 연산에서는 행렬, 즉 숫자 목록이 사용된다. 파이썬에서 하는 단순한 방법은 구조체 즉, 일반적으로 파이썬 list에 숫자를 저장한 후 이 구조체를 루프로 순환하면서 그 안의 모든 요소에 대해 연산을 수행하는 것이다. 그러나 이는 각 요소가 파이썬 객체와 머신 네이티브 숫자 사이를 왔다 갔다 변환해야 하므로 느리고 비효율적이다. 넘파이는 정수 또는 부동소수점과 같은 머신 네이티브 숫자 형식에 최적화된 특수한 배열 형식을 제공한다. 배열의 차원 수는 일정하지 않지만 각 배열은 균일한 데이터 형식인 dtype을 사용해 기반 데이터를 표현한다. 간단한 예를 들면 다음과 같다. import numpy as np np.array([0, 1, 2, 3, 4, 5, 6]) 이 예제는 제공된 목록에서 1차원 넘파이 배열을 생성한다. 이 배열에는 dtype을 지정하지 않았으므로 제공된 데이터를 통해 플랫폼에 따라 32비트 또는 64비트 부호 있는 정수가 될 것으로 자동으로 추론된다. dtype을 명시적으로 지정하려면 다음과 같이 하면 된다. 여기서 np.uint32는 이름에서 알 수 있듯이 부호 없는 32비트 정수의 dtype이다. np.array([0, 1, 2, 3, 4, 5, 6], dtype=np.uint32) 일반 파이썬 객체를 넘파이 배열을 위한 dtype으로 사용하는 것도 가능하지만 이렇게 하면 파이썬 대비 넘파이로 얻을 수 있는 성능 향상이 없다. 넘파이는 파이썬 네이티브 형식인 복소수, Decimal보다 머신 네이티브 숫자 형식인 int, float에서 가장 뛰어난 성능을 발휘한다. 넘파이가 파이썬의 배열 수학 속도를 높이는 방법 넘파이가 빠른 주된 이유는 파이썬의 객체 형식 대신 머신 네이티브 데이터 형식을 사용하기 때문이다. 또한 각 요소를 개별적으로 처리할 필요 없이 배열을 다룰 수 있는 방법을 제공한다는 점도 빠른 속도의 또 다른 이유다. 넘파이 배열은 많은 부분에서 전통적인 파이썬 객체와 같으므로 일반적인 파이썬 은유를 사용해 작업하려는 생각이 들 수 있다. 0~1000의 숫자로 넘파이 배열을 만들려면 다음과 같이 하면 된다. x = np.array([_ for _ in range(1000)]) 단, 위 구문은 동작은 하지만, 파이썬이 목록을 만들고 넘파이가 이 목록을 배열로 변환하기까지 시간이 소요되므로 그만큼 성능이 저하된다. 반면 같은 작업을 다음과 같이 넘파이 자체 내에서 훨씬 . x = np.arange(1000) 0 또는 다른 아무 초기 값 배열을 만들거나 기존 데이터 집합, 버퍼 또는 기타 소스를 사용하는 등 다른 많은 종류의 넘파이 내장 연산을 사용해 루프 없이 새 배열을 만들 수 있다. 넘파이가 속도를 올리는 또 다른 중요한 방법은 대규모로 작업 시 배열 요소를 개별적으로 처리할 필요가 없도록 하는 것이다. 앞서 언급했듯이 넘파이 배열의 동작은 편의성을 위해 다른 파이썬 객체와 상당히 비슷하다. 예를 들어 목록과 같이 하면 arr[0]은 넘파이 배열의 첫 번째 요소에 액세스한다. 이를 통해 배열의 개별 요소를 설정하거나 읽을 수 있다. 반면 배열의 모든 요소를 수정할 때는 넘파이의 "브로드캐스팅(broadcasting)" 기능을 사용하는 것이 최선이다. 파이썬의 루프 없이 전체 배열 또는 한 부분에서 연산을 실행할 수 있다. 이것 역시 성능에 민감한 모든 작업을 넘파이 자체에서 할 수 있도록 하기 위한 것이다. 예를 들면 다음과 같다. x1 = np.array( [np.arange(0, 10), np.arange(10,20)] ) 이 코드는 각 차원이 숫자 범위로 구성된 2차원 넘파이 배열을 생성한다. 생성자에서 중첩 목록을 사용해 원하는 차원 수로 배열을 생성할 수 있다. [[ 0 1 2 3 4 5 6 7 8 9] [10 11 12 13 14 15 16 17 18 19]] 이 배열의 축을 파이썬에서 뒤바꾸려면 일종의 루프를 작성해야 한다. 반면 넘파이에서는 이와 같은 종류의 연산을 다음과 같이 하나의 명령으로 수행할 수 있다. x2 = np.transpose(x1) 결과는 다음과 같다. [[ 0 10] [ 1 11] [ 2 12] [ 3 13] [ 4 14] [ 5 15] [ 6 16] [ 7 17] [ 8 18] [ 9 19]] 이런 연산은 넘파이를 잘 사용하기 위한 핵심이다. 넘파이는 배열 데이터를 조작하기 위한 폭넓은 을 사용하면 이런 항목을 직접 다루는 수고를 덜 수 있다. 대부분의 경우 하나 이상의 내장 루틴을 통해 파이썬 연산을 사용하지 않고 필요한 작업을 수행할 수 있다. 넘파이 범용 함수(ufunc) 파이썬 루프 없이 고급 계산 기법을 활용할 수 있게 해주는 또 다른 넘파이 기능은 , 줄여서 ufunc라는 기능이다. ufunc는 배열을 받아서 배열의 각 요소에 대해 연산을 수행하고 결과를 다른 배열로 보내거나 그 자리에서 바로 연산을 수행한다. 예를 들면 다음과 같다. x1 = np.arange(1, 9, 3) x2 = np.arange(2, 18, 6) x3 = np.add(x1, x2) 여기서 np.add는 x1의 각 요소를 취해 x2에 더하고, 결과는 새로 생성된 배열인 x3에 저장된다. 산출된 결과는 [ 3 12 21]이다. 모든 실제 계산은 넘파이 자체 내에서 실행된다. ufunc에는 더 유연하게 적용하고 수동 루프나 파이썬 측의 로직에 대한 필요성을 줄일 수 있는 도 있다. 예를 들어 x1을 받고 np.add를 사용해 배열의 합계를 계산하려면 배열의 각 요소를 루프로 순환하면서 합계를 계산하는 대신 .add 메서드인 np.add.accumulate(x1)을 사용하면 된다. 마찬가지로 축소 함수를 수행하려는 경우, 즉 다차원 배열의 한 축을 따라 .add를 적용해 그 결과로 한 차원 줄어든 새 배열을 얻고자 하는 경우를 가정해 보자. 루프를 사용해 새 배열을 만들 수 있지만 이 방법은 속도가 느리다. 그 대신 np.add.reduce를 사용해 루프 없이 같은 결과를 달성할 수 있다. x1 = np.array([[0,1,2],[3,4,5]]) # [[0 1 2] [3 4 5]] x2 = np.add.reduce(x1) # [3 5 7] where 인수를 사용해 조건부 축소를 수행할 수도 있다. x2 = np.add.reduce(x1, where=np.greater(x1, 1)) 이렇게 하면 x1의 첫 번째 축의 요소가 1보다 큰 경우에 한해 x1+x2가 반환되고 그렇지 않은 경우에는 두 번째 축의 요소 값이 반환된다. 이 경우에도 파이썬에서 배열을 수동으로 반복 처리할 필요가 없다. 넘파이는 특정 기준에 따라 데이터를 필터링 및 정렬하기 위해 이와 같은 메커니즘을 제공하므로 루프를 작성할 필요가 아예 없거나 작성하더라도 최소한으로 유지된다. 넘파이를 C와 함께 사용하기 파이썬의 사이썬(Cython) 라이브러리를 사용하면 파이썬 코드를 작성해 빠른 C로 변환하고 변수에 C 형식을 사용할 수 있다. 이런 변수에는 넘파이 배열이 포함될 수 있으므로 작성하는 모든 사이썬 코드는 할 수 있다. 넘파이와 함께 사이썬을 사용하면 다음과 같은 강력한 이점이 있다. 수동 루프 가속 : 넘파이 배열을 루프로 순환하는 것 외에는 다른 방법이 없는 경우도 종종 있다. 사이썬 모듈에서 루프 연산을 작성하면 파이썬이 아닌 C를 사용한 루프가 가능하므로 속도가 비약적으로 향상된다. 참고로 해당되는 모든 변수의 형식이 넘파이 배열이거나 머신 네이티브 C 형식인 경우에만 가능하다. 넘파이 배열을 C 라이브러리와 함께 사용 : 사이썬의 일반적인 사용 사례는 C 라이브러리를 위한 편리한 파이썬 래퍼를 작성하는 것이다. 사이썬 코드는 기존 C 라이브러리와 넘파이 배열 간의 다리 역할을 할 수 있다. 사이썬은 넘파이 배열을 다루는 2가지 방법을 제공한다. 하나는 이다. 메모리뷰는 넘파이 배열에 대한 빠르고 바운드에 안전한 액세스를 위한 사이썬 구조체 형식이다. 다른 하나는 기반 데이터에 대한 원시 포인터를 획득해 직접 다루는 방법이지만, 이는 안전하지 않고 객체의 메모리 레이아웃을 미리 알고 있어야 한다는 제약이 있다. 넘파이를 위한 JIT 가속 파이썬 코드 넘파이 배열에서 파이썬을 고성능으로 사용하는 또 다른 방법은 파이썬용 JIT 컴파일러인 넘바(Numba)를 사용하는 것이다. 넘바는 파이썬 인터프리트 코드를 머신 네이티브 코드로 변환하며 넘파이 등을 위한 특수한 기능을 제공한다. 넘파이 배열에 대한 파이썬 루프를 이 방식으로 자동으로 최적화할 수 있다. 그러나 넘바 최적화는 어느 정도까지만 자동화되며, 프로그램에 따라 큰 성능 개선을 얻지 못할 수도 있다. editor@itworld.co.kr
마이크로소프트에 따르면, 우리는 지금 ''에 살고 있다. 2024년에는 인텔, AMD, (곧 출시될) 퀄컴의 새로운 칩 덕분에 이른바 'AI PC'가 모든 곳에 등장할 예정이다. 하지만 광고를 맹신하지 않는 것이 좋다. 현재 구입할 수 있는 가장 강력한 AI PC는 마케팅에서 말하는 것과 큰 차이가 있기 때문이다. 여기서는 과대광고를 걷어내고 AI 노트북이 실제로 어떤 제품인지, 현재 이런 노트북으로 무엇을 할 수 있는지 살펴본다. 어떤 PC가 AI PC인가? AI PC 마케팅 열풍은 최신 노트북에 탑재된 NPU(Neural Processing Unit) 덕분이다. 인텔의 최신 코어 울트라 칩, AMD의 최신 라이젠 하드웨어, 곧 출시될 퀄컴의 스냅드래곤 X 엘리트에는 전력 효율적인 방식으로 AI 작업을 가속화하도록 설계된 하드웨어가 내장돼 있다. 이런 칩을 기반으로 현재 여러 PC 제조업체가 흥미로운 제품을 선보이고 있다. NPU는 분명 잠재력이 있지만, 마이크로소프트 윈도우는 그 잠재력을 아직 따라가지 못하고 있다. 현재 윈도우는 NPU로 할 수 있는 일이 많지 않으며, 서드파티 애플리케이션도 마찬가지다. 윈도우 AI는 아직 NPU를 쓰지 못한다 NPU가 탑재된 AI PC를 사용하는 경우 윈도우 스튜디오 이펙트(Windows Studio Effects)에 액세스할 수 있다. 윈도우 스튜디오 이펙트는 PC의 NPU를 사용해 온라인 화상 통화에서 비디오 및 오디오를 조정하는 기능을 제공한다. 예를 들어, 윈도우 스튜디오 이펙트는 사용자가 카메라를 작접 바라보는 것처럼 보이게 하고, 배경을 흐리게 하고, 마이크의 오디오를 더 선명하게 만들 수 있다. 후자의 경우 현재 카나리아 채널에서 테스트 중인 기능이다. 하지만 윈도우 스튜디오 이펙트를 제외하고 코파일럿이나 그림판의 코크리에이터, 캡처 도구의 OCR 등 중 그 어떤 것도 NPU를 사용하지 않는다. 윈도우 스튜디오 이펙트는 몇 가지 멋진 생성형 AI 기능을 제공하지만, 기대하는 것처럼 워크플로우를 대폭 업그레이드하는 기능은 아니다. PC 제조업체는 NPU가 탑재된 노트북에 팬 회전 속도를 제어하는 등의 작업을 수행하는 자사 AI 도구를 번들로 제공할 수 있지만, 지금까지 이런 작업은 AI 없이도 가능했다. 현재 PC 업계가 이야기하는 여러 기술 데모는 모두 멋진 데모일 뿐이다. 대부분 AI 도구는 클라우드에 실행된다 현재 출시된 소비자용 AI 도구를 사용할 때는 'AI PC'가 전혀 필요하지 않다는 점에 주목할 필요가 있다. 윈도우 11 코파일럿을 비롯해 챗GPT, 구글 는 모두 '클라우드'에서 실행된다. 즉, 컴퓨터 자체가 아니라 대기업의 데이터센터 이뤄진다는 뜻이다. 코파일럿 프로를 사용해 워드 및 엑셀과 같은 오피스 앱의 AI 기능이나 포토샵의 어도비 파이어플라이에 액세스하는 경우에도 모든 처리가 마이크로소프트나 어도비의 데이터센터에서 이뤄진다. 실망스럽겠지만, AI PC든 아니든 윈도우 코파일럿의 작동 방식은 크게 다르지 않다. 마이크로소프트는 AI PC 추진의 일환으로 키보드의 단축키를 누르면 코파일럿을 빠르게 실행할 수 있다. 윈도우 대규모 업데이트까지 기다려야 한다 마이크로소프트가 아직 구체적인 내용을 발표하지는 않았으나 2024년 후반 대규모로 업데이트될 윈도우 버전에는 NPU를 사용하는 AI 기능이 내장될 것으로 널리 알려져 있다. 대규모 윈도우 업그레이드는 '윈도우 11 24H2'라는 새로운 버전이 될 수도 있고 '윈도우 12'가 될 수도 있다. 어느 쪽이든 이런 업데이트는 일반적으로 가을에야 시작되므로 오는 10월이나 11월에야 윈도우가 AI PC에서 제공하는 흥미로운 기능을 사용해 볼 수 있을 것이다. 많은 사람이 윈도우에서 제공할 미래의 AI 기능에 대해 많은 사람이 불필요한 말을 덧붙이면서 좋은 인상을 주기 위해 노력하고 있다. 예를 들어 일반 소비자 또는 업무용 노트북을 배터리로만 사용 중일 때도 NPU를 통해 전력 효율적인 방식으로 AI 기능을 사용할 수 있다는 점은 훌륭하다. 이런 기능을 사용하려면 NPU가 탑재된 PC가 필요할 수 있다. 다만 분명한 사실은 현실적으로 2024년 말까지는 AI PC로 할 수 있는 일이 많지 않을 것이며, 정확히 무엇을 할 수 있을지조차 불확실하다. 물론 마이크로소프트가 이런 기능을 더 빨리 출시할 가능성도 있다. 하드웨어를 구매할 때 필자는 '미래에 할 수 있는 일'이 아니라 '현재 할 수 있는 일'을 고려해야 한다고 생각한다. 2024년 말 AI PC가 사용하고 싶다면 구매 시기를 늦추면 된다. 그 무렵이라면 세일을 통해 비용까지 절감할 수 있을 것이다. 아직 준비가 덜 AI PC용 소프트웨어 AI PC가 수행할 수 있는 AI 작업이 몇 가지 있지만, 데모 버전이나 직접 찾아서 설치해야 하는 오픈소수 도구로 제한된다. 대표적으로 의 경우 특정한 버전을 다운로드한 후 오다시티용 AI 플러그인을 설치해야 한다. 김프(Gimp)도 마찬가지다. 현재 AI PC에서 사용할 수 있는 오픈소스 플러그인은 하드웨어 집약적인 오픈소스 애플리케이션으로, 창의적인 워크로드용으로 출시된 것이 가장 많다. 즉, 비전문가인 일반 소비자가 사용할 만한 소프트웨어는 아니다. 진정한 AI PC를 원한다면 강력한 GPU를 찾자 NPU는 흥미롭다. 앞으로 마이크로소프트와 윈도우가 NPU로 무엇을 할 수 있을지 크게 기대하고 있다. 하지만 코파일럿, 챗GPT 및 기타 소비자 AI 도구만 사용하는 정도라면 AI 노트북이 필요하지 않다. 사실, AI PC로 이런 작업을 한다고 해서 속도가 빨라지지도 않는다. 그렇다면 생성형 AI 기능을 전문적으로 사용하는 사람에게는 어떤 선택지가 좋을까? 자체 하드웨어로 AI 이미지를 생성하기 위해 스테이블 디퓨전을 설치하고, LLM으로 해 실행하고, 생성형 AI와 관련한 소프트웨어를 사용하고 있다면 어떻게 해야 할까? 좋은 소식이 있다. 이미 AI PC를 보유하고 있을 수도 있을지도 모른다. PCWorld의 를 최근 출시했다. 이 도구를 사용하려면 지포스 RTX 30 또는 40 시리즈 GPU가 필요하다. 앞으로도 AI 작업에서는 GPU가 NPU를 계속 능가할 것이다. 그렇다면 NPU의 장점은 무엇일까? NPU는 CPU보다는 생성형 AI 관련 작업을 더 빨리 실행하며, GPU보다 저렴하고 전력 효율이 높다. 고성능 GPU는 가격이 비싸고 전력 소모량이 크다. 출시되는 모든 노트북에 NPU가 탑재될 미래에는 마이크로소프트와 다른 소프트웨어 개발자가 모든 최신 PC에서 실행되는 AI 기능을 제공할 수 있을 뿐 아니라 배터리 전력을 빠르게 소모하지 않고도 AI 워크로드를 감당할 수 있다. 미래를 생각한다면 좋은 소식이지만, 가장 빠른 AI PC를 원한다면 강력한 GPU가 필요하다. 단순한 'AI PC'보다는 강력한 엔비디아 GPU가 탑재된 게이밍 노트북을 찾는 것이 훨씬 더 낫다. 자체 AI 모델을 실행하는 데 있어서는 엔비디아가 선두를 달리고 있다. 필자는 AMD 라이젠 하드웨어를 좋아하지만, AI가 우선순위라면 엔비디아 GPU가 더 적합하다. 스테이블 디퓨전 같은 소프트웨어는 엔비디아 하드웨어에 더 최적화되거 있다. 엔비디아는 챗 위드 RTX와 같은 도구를 출시할 뿐 아니라 수년 전부터 ML 작업을 위해 CUDA(Compute Unified Device Architecture)를 개발해 왔다. 전반적인 소프트웨어 지원 부문에서도 AMD 라데온 사업부보다 앞서고 있다고 평가 받는다. 모두 '언젠가'의 일 마이크로소프트는 올해 말 대규모 윈도우 업그레이드를 통해 AI PC를 매력적인 제품으로 만들 수 있다. 필자 역시 언젠가는 NPU가 탑재된 노트북으로 생산성을 높일 만한 여러 유용한 작업을 하게 되기를 기대한다. 그러나 AI PC는 아직 존재하지 않는다. 새 노트북을 구입하기 전에 이런 점을 명심해야 한다. 다만 새 노트북을 구입할 때 고성능 GPU까지는 필요하지 않다면 NPU가 탑재된 'AI PC'를 추천한다. 인텔의 최신 코어 울트라 칩과 AMD 라이젠 8000 모바일 프로세서가 탑재된 노트북은 모두 AI PC가 될 예정이다. 지금 당장의 큰 변화를 기대하고 AI PC를 구매하는 일은 없기를 바란다. 크게 실망할 것이다. 그러나 미래는 밝아보이니 앞으로의 변화를 지켜보는 것도 재미있을 것이다. editor@itworld.co.kr
인터넷 보안은 그 분야 전문가에게도 복잡한 주제이며, 일반 사용자에게는 용어조차도 어려울 수 있다. 물론 모든 전문 용어를 다 알 필요는 없다. 하지만, 기본적인 용어에 대한 어휘력을 갖추면 주요 위협으로부터 자신을 보호할 수 있는 충분한 정보를 확보하는 데 도움이 될 수 있다. class="image" ⓒ Getty Images Bank 예를 들어 피싱 이메일이 무엇인지 안다면 피싱 이메일에 대한 경각심을 갖고 이런 흔한 위험을 피할 수 있다. 여기서 소개하는 주요 보안 용어는 보안 경고를 이해하고 홈 네트워크와 컴퓨터를 보호하기 위한 적절한 조치를 취하는 데 도움이 될 것이다. 핵심 보안 용어 컴퓨터 시스템과 네트워크는 무단 액세스로부터 사용자와 사용자의 데이터를 보호하기 위해 다양한 기술을 사용한다. 우선, 데이터를 보호하는 방법을 설명하는 가장 일반적인 용어부터 알아보자. 2FA. 이중 인증(TwoFactor Authentication)의 줄임말로, 비밀번호 외에 추가적인 '요소'를 추가해 온라인 계정을 보호하는 방법이다. 문자 메시지 확인 또는 신뢰할 수 있는 앱에서 생성한 코드를 추가 인증 요소로 사용할 수 있다. 만약 이중 인증을 사용할 수 있는 계정이라면, 사용하는 것이 좋다. 인증(Authentication). 일반적으로 비밀번호, 생체 인식 또는 코드 확인을 통해 플랫폼 또는 계정에 대한 승인된 액세스를 확인한다. 생체 인식. 얼굴 형상이나 지문과 같은 사용자의 신체적인 특성을 보안 인증 수단으로 사용하는 것을 말한다. 노트북의 지문 센서와 윈도우 헬로 카메라는 암호보다 더 쉽고 안전하게 로그인할 수 있는 일반적인 생체 인식 보안 기능이다. 인증서 인증(Certificate Authentication). 신뢰할 수 있는 기관에서 디지털 서명한 기록을 사용해 웹사이트, 파일 또는 시스템의 진위 여부를 확인한다. 암호화(Encryption). 미리 정해진 방식으로 정보를 뒤죽박죽으로 만들어 민감한 정보를 모호하게 하거나 숨기는 방법. 하드 드라이브 및 기타 저장 장치를 암호화하면 장치가 악의적인 사람의 손에 넘어갈 경우 데이터를 보호할 수 있으며, 네트워크 연결을 암호화하면 데이터가 네트워크를 통해 이동할 때 제 3자가 가로채지 못하도록 보호한다. 위험 및 악용 관련 용어 해커와 범죄자들이 사용하는 일반적인 위험과 수법에 관한 용어다. 보안 소프트웨어를 구매할 때는 모든 위협 유형으로부터 보호하고 내 정보가 다크 웹에 표시될 때 알려주는 옵션을 선택하기 바란다. 백도어. 공격자가 시스템에 액세스하는 은밀한 방법을 만드는 보안 취약점, 즉 PC에 열려 있는 '뒷문'을 만들어 악용하는 수법이다. 부팅 레코드 바이러스. 흔히 MBR(Master Boot Record) 바이러스라고하며, 컴퓨터 시스템이 부팅될 때 로드되는 하드 드라이브의 일부를 표적으로 삼는 바이러스 형태이다. 운영체제의 보안 기능을 우회하는 데 악용된다. 봇넷. '로봇 네트워크'의 줄임말로, 범죄자가 대상 시스템의 보안 장치나 인프라를 압도하기 위해 대량의 감염된 컴퓨터를 사용하는 것을 말한다. 무차별 대입 공격(Brute Force Attack). 사용자 아이디와 비밀번호 조합을 알아내기 위해 대량의 문자와 숫자 조합을 사용하는 방식이다. 크라임웨어(Crimeware). 사이버 범죄자가 범죄 행위를 수행하기 위해 사용하는 멀웨어이다. 봇넷에 감염된 컴퓨터를 추가하는 트로이 목마 바이러스가 대표적이다. 다크 웹(Dark Web). 특정 소프트웨어를 사용해 트래픽을 익명화하는 인터넷용 섀도우 네트워크의 일종이다. 다크 웹은 종종 도난당한 비밀번호를 포함해 불법 또는 도난당한 데이터를 전송하는 데 사용된다. 다크 웹을 모니터링하는 보안 서비스는 이런 네트워크를 검색해 위협 정보가 발견되면 사용자에게 경고한다. 데이터 마이닝. 대규모 데이터 세트를 사용해 특정 대상에 대한 상관관계를 찾는 것을 말한다. 공격자는 여러 웹사이트나 데이터베이스에서 개인에 대한 데이터 요소를 찾아내 공격을 수행하거나 신원 도용을 저지르기에 충분한 정보를 수집할 수 있다. 서비스 거부 공격. DoS(Denial of Service)라고 부르며, 대상 시스템의 정상적인 작동을 방해하기 위해 의도적으로 과부하 트래픽을 일으키는 공격이다. 봇넷을 이용해 수행하는 경우가 많다. 사전 공격(Dictionary Attcack). 대량의 공통 용어를 사용해 사용자의 비밀번호를 알아내는 자동화된 무차별 암호 대입 공격의 한 형태이댜. 결함 주입(Fault Attack). 결함 주입 공격이라고도 한다. 해커가 정상적인 기능을 우회하기 위해 서버나 웹 브라우저에 의도적으로 잘못된 데이터 패킷을 전송하는 등 시스템의 일부에 오류를 발생시켜 시스템에 액세스하는 데 사용하는 방법이다. 하이재킹(Hijacking). 감염된 컴퓨터나 네트워크 연결을 악의적인 목적으로 사용할 수 있도록 제어권을 획득하는 것을 말한다. IP 스푸핑. 일반적으로 실제 출처를 숨기거나 다른 시스템을 사칭하기 위해 자신의 IP 주소가 아닌 다른 IP 주소에서 온 것처럼 보이도록 신호를 변경하는 방법이다. 미디어 스트리밍처럼 국가별 제한이 있는 서비스를 우회적으로 이용하는 데 사용할 수 있다. 커널 공격. 운영 체제의 핵심 코드(커널이라고 함)를 수정해 정보를 훔치거나 시스템에 대한 제어 액세스 권한을 얻기 위한 채널을 생성하는 보안 악용 방법이다. 멀웨어(Malware). 컴퓨터 시스템에서 악의적인 행위를 수행하는 소프트웨어. 바이러스나 트로이 목마 또는 사용자가 입력하는 내용을 기록하여 비밀번호 및 기타 정보를 수집하는 키로거 등을 통칭하는 용어다. 중간자 공격(ManintheMiddle Attack). 두 시스템 간의 트래픽을 가로채 공격자가 임의로 조작하는 방식의 공격이다. 가로챈 데이터를 훔치거나 다른 목적으로 손상된 정보를 삽입하는 데 사용할 수 있다. 신분 위장 공격(Masquerade Attack). 합법적인 사용자 또는 시스템의 자격 증명을 사칭하거나 이를 사용해 시스템에 액세스하는 방법이다. 비밀번호 크래킹. 사전 공격 등을 통해 작동 중인 비밀번호를 알아내 시스템에 액세스하는 행위. 비밀번호 스니핑. 암호화되지 않은 비밀번호에 대한 네트워크 트래픽을 모니터링하여 사용자 자격 증명을 발견하는 방법입니다. 파밍(Pharming). 사용자가 유효한 사이트에 있다고 믿고 로그인 자격 증명이나 기타 식별 정보를 입력할 수 있는 스푸핑된 웹사이트로 트래픽을 리디렉션해 사용자의 데이터를 탈취하는 방법이다. 피싱 공격과 함께 사용되는 경우가 많다. 피싱(Phishing). 이메일이나 문자 메시지를 통해 피해자가 사용자 아이디와 비밀번호와 같은 민감한 데이터를 공개하도록 유인하는 소셜 엔지니어링 공격의 한 형태이다. 피싱 메시지는 일반적으로 은행이나 온라인 쇼핑몰처럼 신뢰할 수 있는 브랜드에서 보낸 것처럼 보이도록 디자인된 콘텐츠와 이미지를 이용한다. 포트 스캔. 공격자가 컴퓨터 시스템의 진입 지점을 발견하기 위해 사용하는 방법이다. 해커는 네트워크 또는 컴퓨터의 포트를 스캔해 사용 가능한 포트, 네트워크 내 컴퓨터에서 실행 중인 서비스 유형, 시스템에 액세스할 수 있는 기타 세부 정보를 파악할 수 있다. 랜섬웨어. 사용자가 시스템을 이용하지 못하게 잠그거나 민감하거나 당황스러운 데이터를 훔쳐내기 위한 멀웨어의 일종으로, 사용자가 액세스 권한을 되찾거나 정보 유출을 막기 위해 돈을 지불하도록 유도하는 것을 목적으로 한다. 세션 하이재킹. 사용자의 세션에서 활성 쿠키 데이터를 복제하는 등 이미 설정된 연결을 제어해 사용자의 온라인 계정에 액세스한다. 일반적으로 웹사이트 연결은 정해진 시간이 지나면 만료되는 세션 내에서 보안이 유지된다. 공격자는 만료되지 않은 세션의 쿠키 사본을 웹사이트에 제시함으로써 사용자를 사칭해 액세스 권한을 얻을 수 있다. 스니핑. 네트워크를 통해 전송되는 트래픽에서 데이터를 탐지하고 수집하는 모든 방법. 무선 네트워크에서 비밀번호를 찾는 데 자주 사용된다. 사회 공학. 인간의 사회적 취약점을 악용해 민감한 정보를 수집하거나 시스템에 액세스하는 데 사용하는 방법을 말한다. 피싱, 전화 사기, 신뢰할 수 있는 사람 사칭 등 다양한 기업이 사용된다. 스푸핑. 제한된 콘텐츠에 액세스하기 위해 컴퓨터의 IP 주소를 수정하거나 방문자를 속이기 위해 피싱 이메일 또는 가짜 웹사이트를 신뢰할 수 있는 브랜드의 소유인 것처럼 보이게 하는 등 시스템이나 계정을 그렇지 않은 것처럼 보이도록 수정하는 모든 기만적인 방법을 말한다. 트로이 목마. 겉보기에 안전한 애플리케이션 내에 숨겨져 있는 멀웨어. 컴퓨터에 악성 코드를 심는 데 이용한다. 바이러스. 스스로 복사본을 생성해 다른 파일과 시스템에 삽입함으로써 확산되는 멀웨어이다. 워초킹/워다이얼링/워드라이빙. 해커가 주변을 운전하며 무선 네트워크를 검색하거나(Wardriving), 걸어 다니며 같은 작업을 수행하고 눈에 띄는 방식으로 표적을 표시하거나(Warchoacking), 모뎀으로 액세스할 수 있는 컴퓨터를 찾기 위해 전화 번호를 자동 다이얼링하는(Wardialing) 방식으로 잠재적인 공격 대상을 발견하고 식별하는 방식이다. 전화를 받았는데 귀에서 모뎀의 치직거리는 소리가 들린다면, 워다이얼링 시도일 수 있다. 네트워킹 보안 용어 가장 단순한 홈 네트워크에도 일반적으로 침입자를 차단하고 데이터를 보호하는 데 도움이 되는 다양한 장치와 기능이 있다. 액세스 제어. 특정 디바이스의 네트워크 참여를 허용하거나 차단하는 라우터의 기능이다. 방화벽. 컴퓨터 또는 네트워크에 대한 액세스를 제한하는 장치 또는 소프트웨어이다. 방화벽을 통해 들어오고 나가는 항목에 대한 권한을 설정할 수 있다. 라우터. 네트워크의 액세스 및 트래픽 흐름을 관리하고, 네트워크 내의 컴퓨터에 주소를 할당하며, 네트워크 내의 시스템 간 연결 흐름을 지시하는 디바이스이다. 홈 라우터는 일반적으로 인터넷 서비스 업체의 모뎀에 연결되며 홈 네트워크 내의 디바이스가 서로 및 인터넷에 연결할 수 있는 중앙 허브 역할을 한다. 대부분의 라우터에는 외부 침입으로부터 네트워크를 보호하는 방화벽 및 액세스 제어 기능이 포함되어 있다. 홈 네트워크를 완벽하게 보호하려면 라우터의 기능을 알아두는 것이 좋다. 인터넷 보안 용어 사용자를 보호하고 온라인에서 데이터가 도난당하는 것을 방지하기 위해 웹사이트와 애플리케이션은 다양한 기술과 기법을 사용한다. 쿠키. 웹사이트 등의 시스템에서 사용자를 식별하고 추적하기 위해 사용하는 데이터 파일로, 종종 해당 사용자와 관련된 구성 정보가 포함되어 있다. 쿠키에는 사용자의 계정에 액세스하는 데 사용할 수 있는 개인 식별 정보 및 세션 데이터가 포함될 수 있다. 웹사이트 로그인을 활성 상태로 두면 세션 쿠키 데이터를 사용해 계정에 다시 액세스할 수 있다. 따라서 웹사이트 이용이 끝나면 의식적으로 로그아웃하면 이렇게 악용되는 것을 방지할 수 있다. HTTPS. 'S'는 안전하지 않은 일반 HTTP와 달리 신뢰할 수 있는 발급자의 서명된 인증서로 보호되는 연결을 나타낸다. 기본적으로 온라인 보안에 관심이 있다면 개인 데이터를 전송하는 모든 웹사이트의 주소가 HTTPS로 시작해야 한다. 인터넷 프로토콜(IP). 인터넷을 통해 컴퓨터를 연결하는 표준 방법으로, 각 시스템에는 IP 주소라고 하는 고유한 숫자 또는 영숫자 주소가 있습니다. IPv4의 경우, 192.168.1.72, Ipv6의 경우 2001:0db8:85a3:0000:0000:8a2e:0370:7334와 같은 주소를 사용한다. 현재 두 버전 모두 사용되고 있다. 일부 사이버 공격은 신뢰할 수 있는 출처에서 온 것처럼 보이도록 IP 주소를 변조한다. SSL(Secure Sockets Layer). 디지털 서명 보안을 사용해 인터넷에서 신뢰할 수 있는 시스템을 식별하는 보안 표준이다. 웹사이트의 신원을 확인하기 위해 HTTPS에서 사용하는 표준이기도 하다. 비즈니스 보안 용어 직장에서 IT 부서는 회사 데이터와 시스템을 안전하게 보호하기 위해 여러 가지 보안 프랙티스를 적용한다. 최소 권한. 보안을 손상시킬 수 있는 의도치 않은 구성 변경을 방지하기 위해 컴퓨터에 대한 관리자 액세스를 보류하는 등, 특정 시스템이나 사용자에게 필수 기능을 수행하는 데 필요한 만큼의 액세스 권한만 부여하는 보안 원칙이다. 기업 IT 환경에서는 이런 이유로 일반 사용자에게는 회사에서 발급한 PC에 대한 기본 액세스 권한만 부여한다. 가정에서도 자녀의 컴퓨터 설정을 제한하는 식으로 적용할 수 있다. VPN(Virtual Private Network). VPN은 인터넷을 통해 여러 대의 컴퓨터를 안전하게 연결하는 수단으로, 내부 네트워크처럼 동작하는 것이 특징이다. 많은 기업이 직원들에게 공개 인터넷이 아닌 VPN을 통해 민감한 시스템에 액세스하도록 요구한다. 가정에서도 VPN을 사용하면 웹 서핑을 할 때 개인 정보 보호 장치를 추가하는 효과를 얻을 수 있다. 기타 중요한 컴퓨터 및 보안 용어 데몬(Daemon). 컴퓨터 시스템에서 자동화된 백그라운드 프로세스로 실행되는 프로그램. 대부분의 데몬은 양성이지만, 많은 멀웨어가 데몬을 추가해 사용자 활동을 모니터링하고 인터넷을 통해 해커의 지시를 기다린다. 암호 해독(Decryption). 일반적으로 보안 인증을 통해 암호화된 데이터 또는 텍스트를 읽을 수 있는 상태로 복원하는 작업이다. 허니팟(Honeypot). 공격자를 유인하고 함정에 빠뜨리기 위해 고의적으로 노출된 시스템으로, 겉보기에는 가치 있는 데이터로 가득 차 있다. 네트워크 관리자와 사법기관이 사이버 범죄자를 잡기 위해 허니팟을 사용하기도 한다. 현재 일부 가정용 보안 방화벽에는 허니팟 기능이 포함되어 있어 액세스 시도를 감지하고 침입자에게 경고를 보낼 수 있다. 평문(Plaintext). 암호화되지 않은 텍스트 콘텐츠. 암호화된 암호 텍스트와 반대되는 개념이다. 비밀번호와 같은 민감한 정보는 어떤 시스템에도 평문으로 저장해서는 안된다. 루트(Root). 맥OS나 리눅스 같은 유닉스 계열 운영체제의 핵심 관리자 또는 수퍼유저 계정이다. 대부분의 최신 유닉스 계열 시스템은 수퍼유저 기능에 대한 무단 액세스를 방지하기 위해 기본적으로 루트 계정을 비활성화한다. 많은 사이버 공격의 목표는 루트 액세스 권한을 얻어 시스템을 완전히 장악하는 것이다. 스팸. 원치 않는 메시지로, 주로 이메일을 통해 전달되지만 문자 메시지와 소셜 미디어에서도 점점 더 흔해지고 있다. 반드시 위험한 것은 아니지만 피싱 공격과 사기가 포함될 수 있다. 제로 데이(Zero Day). 새로운 취약점이 발견된 첫날로, 공격자가 취약점을 인지하고 사용자가 시스템에 방어 패치를 적용하기 전에 취약점을 악용할 수 있기 때문에 가장 취약한 시기로 간주된다. editor@itworld.co.kr
‘뉴 노멀’에서 ‘올드 노멀’로 되돌아가는 데는 그리 오랜 시간이 걸리지 않았다. 외출할 때마다 마스크를 챙기고, 사회적 거리두기를 하던 기억도 이제는 희미하다. 하지만 코로나 19가 쏘아 올린 거시 경제적 위기는 여전했고, 2024년에도 계속될 전망이다. 불확실한 경제 상황, 예측할 수 없는 미래는 기업의 가장 큰 불안 요소이지만, 현재 상황을 분석하고 가능성 있는 미래를 염두에 둔다면 변화에 빠르게 대처할 수 있을 것이다. 2024년 IT 업계에서 가장 주목해야 할 기술은 여전히 AI다. 인터넷에 버금가는 사회/경제적 혁신을 이끌게 될 기술로 주목받는 AI는 2024년 한층 고도화되면서 안정기에 접어들 것으로 예상된다. 이에 따라 AI에 능통한 기업과 그렇지 못한 기업의 지식 격차는 2024년 기업의 생산성과 수익을 판가름할 것으로 보인다. 여기서는 2024년 한해 계획에 참고하면 좋을 만한 AI 관련 2024년 전망을 정리한다. 2024년에도 변화의 중심은 AI 가트너는 오는 2026년까지 생성형 AI 모델이나 API를 사용하는 기업이 80%에 달할 것으로 예상했다. 2023년 초에는 5% 미만이었던 것을 고려하면 폭발적인 성장이다. 이에 따라 AI의 신뢰와 리스크, 보안 관리를 의미하는 AI TRiSM(Artificial Intelligence Trust, Risk, and Security Management)의 필요성도 분명해졌다. 사전 예방적 데이터 보호, AI 전용 보안, 데이터 및 모델 드리프트, 모델 모니터링, 입출력 리스트 제어 등과 같은 AI TRiSM 기능을 적용하는 기업은 오류 및 불법 정보를 최대 80%까지 줄임으로써 보다 정확하게 의사결정할 수 있다. AI 성능에 핵심적인 역할을 하는 AI 반도체 시장도 몸집이 커지고 있다. 딜로이트는 생성형 AI 전용 반도체칩 시장 규모가 2024년 400억 달러(약 51조 9,600억 원) 수준까지 이르렀다가 2027년에는 4,000억 달러(약 519조 원)에 달할 것으로 전망했다. 또한 딜로이트는 기업용 소프트웨어 업체 대부분이 올해를 기점으로 제품과 서비스에 생성형 AI를 추가할 것이며, 생성형 AI를 도입한 SW 업체는 100억 달러(약 13조 원)의 추가 매출을 얻을 수 있다고 분석했다. 실무자의 업무 환경은 어떻게 바뀔까? 우선 중요도가 높지 않은 업무에서는 생성형 AI 사용이 고착화될 것으로 예상된다. 퀄트릭스의 ‘2024년 직원 경험 트렌드’에 따르면, 많은 직원이 자료 작성(63%), 개인 비서 역할(59%), 내부 지원 부서에 연락(50%)과 같이 AI를 직접 제어할 수 있는 업무에서 AI를 활용하는 것을 긍정적으로 생각하고 있었다. 반면 교육, 업무 성과 평가, 채용 및 승진 면접처럼 주관적인 의견이 개입되고 중요도가 높은 업무에 대해서는 선호도가 30%대에 그쳤다. AI는 직원의 업무 방식뿐 아니라 일자리 지형도 바꾸고 있다. 생성형 AI가 창의적인 사고를 성공적으로 수행하는 모습을 입증하면서 2023년에는 더 많은 일자리가 사라질 것에 대한 우려가 있었지만, 한편에서는 프롬프트 엔지니어(Prompt Engineer)처럼 AI가 창출한 새로운 역할도 생겨났다. SAS는 “AI 기술이 고용 시장에 일시적인 혼란을 야기할 수 있지만, 앞으로 경제 성장을 견인할 직무를 창출할 것“이라며, 올해는 이런 신규 일자리가 크게 주목받을 것으로 예상했다. 접근 방식도 달라진다 AI 도입이 필수적인 흐름이라면 2024년에는 비용 효율적인 운영을 고민해야 하는 시기다. 올해부터는 AI에 대한 논의가 이론에서 실제 추론 및 운영 환경으로 전환되면서 투자에 대한 초점 역시 훈련 비용에서 추론/운영 비용으로 이동할 것으로 보인다. 델 테크놀로지스에 따르면, 훈련 비용은 모델의 크기와 데이터 집합 사용에 따라 결정되지만 추론/운영 비용은 트랜잭션 수, 사용자 규모, 데이터 유형, 지속적인 유지보수에 좌우된다. 클라우데라는 비교적 적은 비용과 훈련 데이터로도 LLM 성능을 최적화하는 대표적인 3가지 방법으로 프롬프트 엔지니어링, 검색증강생성(Retrieve Augmented Generation, RAG), 파인 튜닝(Fine Tuning)에 주목했다. 또한 앞으로는 많은 기업이 더 나은 LLM을 만들기 위해 MLOps(Machine Learning Operation)와 데이터 페더레이션 기능 개발에 주력할 것으로 예상했다. AI의 잠재력을 극대화해 경쟁 우위를 확보하기 위한 방법으로 에퀴닉스는 ▲신뢰할 수 있는 출처 ▲전략적인 데이터 수집 ▲적절한 모델 3가지 요소가 필요하다고 강조했다. 또한 지난해에는 생성형 AI가 기업의 데이터를 유출하는 사고가 있었던 만큼 2024년에는 민감 데이터를 위험 요소로부터 효율적으로 보호하는 방법으로 프라이빗 AI 논의가 활발해질 것으로 전망했다. 마케팅 캠페인도 AI로 효과적으로 디지털 마케팅 분야에서도 AI가 핵심 키워드다. 인크로스는 경기 침체로 인해 2024년에는 광고 효율을 극대화할 수 있는 서비스와 기술이 계속해서 주목받을 것이라고 분석했는데, 특히 ‘AI 마케팅’이 크게 발전할 것이라고 전망했다. 실제로 마케팅 업계에서는 현재 AI를 활용해 광고 소재를 제작하고 ML을 통해 캠페인 효율을 최적화하는 추세가 점차 확산하고 있다. 인크로스는 광고 업계 전반에 AI/ML의 영향력이 확대할 것으로 바라봤다. 몰로코의 조사도 인크로스의 전망을 뒷받침한다. 몰로코가 전 세계 모바일 앱 마케터를 대상으로 실시한 조사에 따르면, 퍼포먼스 기반 모바일 마케팅 솔루션을 선택할 때 고려하는 10가지 요소 중 ‘고급 ML 기술’이 37%로 1위를 차지했다. 광고 패러다임 자체가 변화할 것이라는 전망도 있다. 메조미디어는 일방향적인 기존의 광고 방식이 생성형 AI를 통해 이용자와 상호작용하는 방식으로 광고 패러다임이 바뀔 것이며, 이에 따라 2024년에는 많은 마케터가 프롬프트 작성, 디지털 리터러시에 대한 이해, 유해 정보 필터링과 같은 생성형 AI 역량을 개발할 것으로 예상했다. 기회 혹은 위기…AI라는 양날의 검 모든 기술에는 어두운 이면이 있는 법이다. 올해 기업의 보안에 가장 큰 영향을 미칠 요소로 AI가 꼽히는 것도 자연스럽다. 미국보안산업협회(Security Industry Association, SIA)는 2024년 기업 보안에 영향을 미칠 것으로 예상되는 가장 중요한 트렌드로 AI를 선정했다. 구체적으로는 ‘AI 보안’을 가장 중요한 트렌드로 선정했으며, AI가 탑재된 디지털카메라의 비디오 인텔리전스, 생성형 AI, AI 규제가 뒤를 이었다. 매해 연말 보안 위협 전망을 내놓는 보안 업체들도 일제히 AI의 어두운 이면을 지적했다. 이글루코퍼레이션과 SK쉴더스는 피싱 이메일 작성, 악성코드 생성 등 생성형 AI를 악용해 해커가 공격을 더 쉽고 빠르게 수행할 수 있는 환경이 마련되면서 2024년 생성형 AI를 악용한 사이버공격이 증가할 것으로 전망했다. 특히 프루프포인트는 현재 맬웨어 개발자들이 AI를 활용해 더 많은 표적에 접근할 수 있는 첨단 프로그래밍 기법을 만들고 있음을 지적하며, 그 결과 2024년에는 샌드박스나 EDR(Endpoint Detection and Response)과 같은 도구를 피할 수 있는 맬웨어가 크게 확산하며 ‘맬웨어의 각축장’이 벌어질 수 있다고 경고했다. 세상의 모든 IT 리서치 자료, '넘버스' 여기서 소개한 모든 자료는 넘버스(Numbers) 서비스에 등록돼 있다. 넘버스는 IT 전문 미디어 ITWorld가 제공하는 IT 리서치 자료 메타 검색 서비스다. IDC, 가트너, 포레스터 등 주요 시장조사 업체의 자료는 물론 국내외 정부와 IT 기업, 민간 연구소 등이 발표한 기술 관련 최신 자료를 총망라했다. 2024년 1월 현재 1,300여 건의 자료가 등록돼 있으며, 매달 50여 건이 새롭게 올라온다. 등록된 자료는 출처와 토픽, 키워드 등을 기준으로 검색할 수 있고, 관련 기사를 통해 해당 자료의 문맥을 이해할 수 있다. 자료의 원문 제목과 내용을 볼 수 있는 링크, 자료를 발행한 주체와 발행 일자도 함께 확인할 수 있다. mia.kim@foundryco.com
구글의 고(Go) 프로그래밍 언어가 처음 등장했을 때는 이 언어는 호기심 많은 컴퓨터 전문가나 다루던 언어였다. 그러나 이후 10여 년의 시간을 거치면서 세계적으로 중요한 여러 클라우드 네이티브 프로젝트를 움직이는 검증된 프로그래밍 언어로 발전했다. 도커, 쿠버네티스와 같은 중요한 프로젝트에서 개발자가 고를 선택한 이유는 무엇일까? 고의 대표적인 특징은 무엇이고, 다른 프로그래밍 언어와 어떤 면에서 다를까? 고는 어떤 종류의 프로젝트에 가장 적합할까? 여기서는 고의 기능과 최적의 사용 사례는 물론 부족한 기능과 제약을 살펴보고 앞으로의 발전 방향을 예측해 본다. 작고 간소한 고 언어 고, 또는 흔히 말하는 고랭(Golang)은 오랜 유닉스 권위자이자 구글 특별 엔지니어인 롭 파이크를 주축으로 구글 직원이 만든 언어지만 엄밀히 말하면 “구글 프로젝트”는 아니다. 그보다는 언어의 사용 방법과 방향에 대해 명확한 소신이 있는 리더십의 주도로 커뮤니티에서 개발한 오픈소스 프로젝트라고 하는 편이 더 정확하다. 고는 쉽게 배울 수 있고 다루기 편하며 다른 개발자가 읽기 쉬운 언어를 목표로 한다. 고는 특히 C++와 같은 언어와 비교해 기능이 많지는 않다. 구문 측면에서는 C와 비슷하므로 오랜 기간 C를 사용해 온 개발자라면 비교적 쉽게 배울 수 있다. 그러나 고의 여러 기능, 특히 동시성 및 함수형 프로그래밍 기능은 얼랭(Erlang)과 같은 언어와 더 비슷하다. 고는 온갖 종류의 크로스 플랫폼 엔터프라이즈 애플리케이션을 구축하고 유지하기 위한 C와 유사한 언어로, 자바와도 많은 공통점을 갖고 있다. 또한 파이썬과는 유사점보다 차이점이 훨씬 더 크긴 하지만 어디에서나 실행 가능한 코드를 빠르게 개발할 수 있다는 면에서는 마찬가지라고 할 수 있다. 고 설명 문서를 보면, 고를 “동적 형식 지정 인터프리트 언어처럼 느껴지는 빠른 정적 형식 지정 컴파일 언어”라고 설명한다. 규모가 큰 고 프로그램도 컴파일에는 몇 초밖에 걸리지 않는다. 또한 고에서는 C 스타일의 include 파일 및 라이브러리에 따르는 오버헤드를 대부분 피할 수 있다. 고 언어의 강점 고는 여러 가지 면에서 개발자의 일을 편하게 해준다. 강점 1. 편리함 고는 많은 일반적인 프로그래밍 요구를 충족할 수 있다는 점에서 파이썬과 같은 스크립팅 언어와 자주 비교된다. 이런 기능 중에는 동시성과 스레드 동작을 위한 고루틴처럼 언어 자체에 내장된 경우도 있고, 고의 http 패키지와 같이 고 표준 라이브러리 패키지로 제공되는 부가적인 기능도 있다. 고는 파이썬과 마찬가지로 가비지 수집을 포함한 자동 메모리 관리 기능을 제공한다. 고 코드는 파이썬과 같은 스크립팅 언어와 달리 실행 속도가 빠른 네이티브 바이너리로 컴파일된다. 또한 C 또는 C++와 달리 고의 컴파일 속도는 매우 빨라서 고로 작업하다 보면 컴파일 언어보다는 스크립팅 언어에 가깝게 느껴진다. 고 빌드 시스템은 다른 컴파일 언어에 비해 덜 복잡하다. 몇 단계만 거치면 별다른 수고 없이 프로젝트를 빌드하고 실행할 수 있다. 강점 2. 빠른 속도 고 바이너리의 실행 속도는 C 바이너리에 비하면 느리지만 그 차이가 크지는 않아서 대부분의 애플리케이션에서 무시해도 될 정도다. 성능은 대부분의 작업에서 C에 필적하며, 자바스크립트, 파이썬, 루비 등 개발 속도로 유명한 다른 언어와 비교하면 대체로 훨씬 더 빠르다. 강점 3. 이식성 고 툴체인으로 생성된 실행 파일은 기본적인 외부 종속성 없이 독립적으로 작동할 수 있다. 고 툴체인은 다양한 운영체제 및 하드웨어 플랫폼용으로 제공되며, 이러한 툴체인을 사용해 여러 플랫폼에 걸쳐 바이너리를 컴파일할 수 있다. 강점 4. 상호운용성 고는 모든 기능을 기반 시스템에 대한 접근성을 희생하지 않고 제공한다. 고 프로그램은 외부 C 라이브러리와 통신하거나 네이티브 시스템을 호출할 수 있다. 예를 들어 도커에서 고는 저수준 리눅스 함수, 컨트롤 그룹(cgroups) 및 네임스페이스와 상호작용해 컨테이너 동작을 구현한다. 강점 5. 광범위한 지원 고 툴체인은 리눅스, 맥OS 또는 윈도우 바이너리나 도커 컨테이너로 무료로 사용 가능하다. 고는 레드 햇 엔터프라이즈 리눅스, 페도라와 같은 많은 인기 있는 리눅스 배포판에 기본적으로 포함되므로 이러한 플랫폼에 비교적 쉽게 고 소스를 배포할 수 있다. 마이크로소프트 비주얼 스튜디오 코드부터 액티브스테이트(ActiveState)의 코모도(Komodo) IDE에 이르기까지 많은 서드파티 개발 환경도 충실하게 지원한다. 고 언어가 가장 적합한 분야 모든 작업에 적합한 언어는 없지만 다른 언어에 비해 더 많은 작업에서 효과적인 언어는 있다. 고는 다음과 같은 애플리케이션 유형 개발에서 가장 빛을 발한다. 분야 1. 클라우드 네이티브 개발 고의 동시성과 네트워킹 특성, 높은 수준의 이식성은 클라우드 네이티브 앱을 구축하는 데 적합하다. 실제로 고는 도커, 쿠버네티스, 이스티오를 포함한 클라우드 네이티브 컴퓨팅의 여러 초석을 구축하는 데 사용됐다. 분야 2. 분산 네트워크 서비스 네트워크 애플리케이션의 성패는 동시성에 달려 있는데, 고루틴과 채널 등 고의 네이티브 동시성 기능이 이 부분에서 강점이 있다. API, 웹 서버, 웹 애플리케이션을 위한 최소한의 프레임워크 등 네트워킹, 분산 기능 및 클라우드 서비스를 위한 고 프로젝트가 많은 것도 이 때문이다. 분야 3. 유틸리티 및 독립형 툴 고 프로그램은 최소한의 외부 종속성을 가진 바이너리로 컴파일된다. 따라서 시작 시간이 빠르고 즉시 패키징해 재배포할 수 있으므로 유틸리티나 다른 툴을 만드는 데 적합하다. 한 가지 예로 SSH 등에 사용되는 텔레포트(Teleport)라는 액세스 서버가 있다. 텔레포트는 소스에서 컴파일하거나 사전 빌드된 바이너리를 다운로드하는 방법으로 빠르고 쉽게 서버에 배포할 수 있다. 고 언어의 제약 제약 1. 생략된 언어 기능이 많음 지향점이 뚜렷한 고의 기능은 칭찬과 비판을 동시에 받아왔다. 고는 작고 이해하기 쉬운 언어에 중점을 두고 설계됐으므로, 일부 기능은 의도적으로 생략됐다. 그 결과 다른 언어에서는 일반적인 몇 가지 기능을 고에서는 볼 수 없다. 오랜 불만 중 하나는 한 함수가 여러 유형의 변수를 받을 수 있게 해주는 제네릭 함수의 부재였다. 고 개발 팀은 고의 나머지 부분을 보완하는 구문과 동작을 구현해야 한다는 이유로 오랜 시간 동안 제네릭 추가에 반대 입장을 고수했다. 그러나 2022년 초에 출시된 고 1.18부터는 제네릭을 위한 구문이 포함됐다. 여기서 알 수 있는 점은 고는 여러 버전 간에 폭넓은 호환성을 보존한다는 이유로 중대한 기능을 추가하는 일이 거의 없고, 추가할 때도 많은 고민을 거친다는 것이다. 제약 2. 바이너리 크기가 클 수 있음 고의 또 다른 잠재적인 단점은 생성된 바이너리의 크기다. 기본적으로 고 바이너리는 정적으로 컴파일된다. 즉, 런타임에 필요한 모든 요소가 바이너리 이미지에 포함된다. 이 방식은 빌드 및 배포 프로세스를 간단하게 해주지만 그 대가로 “Hello, world!”를 출력하는 바이너리의 크기가 64비트 윈도우 기준 약 1.5MB에 이른다. 고 팀은 각 릴리스마다 바이너리의 크기를 줄이기 위한 작업을 해오고 있다. 또한 압축이나 디버그 정보를 제거하는 방법으로 고 바이너리 크기를 줄이는 것도 가능하다. 후자의 방법은 서비스가 실패할 경우 디버그 정보를 유용하게 사용할 수 있는 클라우드 또는 네트워크 서비스보다는 독립형 분산 앱에서 더 적합하다. 제약 3. 가비지 수집에서 많은 리소스 소비 고가 자랑하는 기능인 자동 메모리 관리는 단점이 되기도 한다. 가비지 수집을 위해 얼마간의 처리 오버헤드가 필요하기 때문이다. 고는 설계상 수동 메모리 관리 기능을 제공하지 않으며, 고의 가비지 수집은 엔터프라이즈 애플리케이션에서 발생하는 메모리 부하에 잘 대응하지 못한다는 비판을 받아왔다. 그래도 새 버전이 나올 때마다 메모리 관리 기능이 개선되고 있다. 예를 들어 고 1.8에서는 가비지 수집의 지연 시간이 크게 줄어들었다. 고 개발자는 C 확장에서 수동 메모리 할당을 사용하거나 서드파티 수동 메모리 관리 라이브러리를 사용할 수 있지만, 대부분의 고 개발자는 이러한 문제에 대해 네이티브 솔루션을 선호한다. 제약 4. GUI 구축을 위한 표준 툴킷의 부재 데스크톱 애플리케이션의 GUI와 같이 고 애플리케이션을 위한 풍부한 GUI를 구축하는 소프트웨어 문화는 여전히 빈약하다. 대신 대부분의 고 애플리케이션은 명령줄 툴 또는 네트워크 서비스다. 다만 고 애플리케이션에 GUI를 제공하기 위한 다양한 프로젝트가 진행 중이다. 대표적인 것이 GTK 및 GTK3 프레임워크를 위한 바인딩이다. C 바인딩에 의존하며 순수 고로 작성되지 않았지만 플랫폼 네이티브 UI를 제공하는 프로젝트도 있다. 윈도우 사용자라면 워크(walk)를 사용해볼 수 있다. 그러나 아직은 확고한 승자나 장기적인 관점에서 안전한 방법이 없다. 크로스 플랫폼 GUI 라이브러리를 구축하고자 했던 구글 프로젝트를 포함한 몇몇 프로젝트도 성과 없이 끝났다. 또한 고는 설계상 플랫폼 독립적이므로 이와 같은 프로젝트가 표준 패키지 모음의 일부가 될 가능성은 낮다. 마지막으로, 고는 네이티브 시스템 함수와 통신할 수 있지만 커널 또는 디바이스 드라이버, 임베디드 시스템과 같은 저수준 시스템 구성요소를 개발하기 위한 용도로는 적합하지 않다. 결국 고 런타임과 고 애플리케이션을 위한 가비지 수집기는 기반 운영체제에 의존한다. 이런 작업에 적합한 최신 언어에 관심이 있다면 러스트 언어를 추천한다. 고 언어의 미래 고 개발진은 고집을 부리기보다는 고 개발자 기반을 더욱 포용하는 방향으로 언어의 방향을 바꾸고 있으며, 그에 따라 앞으로는 이 개발자층의 희망 및 요구사항을 더 반영하며 개발될 것이다. 이 같은 변화의 대표적인 예가 최선의 방법에 대한 오랜 숙고 끝에 추가된 제네릭이다. 2021년 고 개발자 설문에서 고 개발자들은 고 언어가 제공하는 기능에 전반적으로 만족한다고 답했지만 개선해야 할 부분도 많다고 지적했다. 고 사용자들이 주로 개선을 원하는 분야는 종속성 관리(고 언어의 오랜 숙제), 버그 진단, 안정성이며, 그에 비해 메모리, CPU 사용률, 바이너리 크기, 빌드 시간 등의 순위는 훨씬 낮았다. 대부분의 언어는 핵심 사용 사례에 중점을 둔다. 고는 처음 등장하고 10년 동안 네트워크 서비스 틈새를 파고들었으며 이 영역에서 계속 확장해 나갈 가능성이 높다. 설문에서 확인된 고 언어의 주 사용 사례는 API 또는 RPC 서비스 생성(49%), 데이터 처리(10%), 웹 서비스(10%), CLI 애플리케이션(8%) 순이었다. 고 언어의 매력이 높아지고 있음을 보여주는 또 다른 신호는 언어 평가 후 실제로 도입하는 개발자의 수다. 프로젝트에 고 사용을 고려 중이라고 답한 설문 응답자 중 75%는 고를 선택했다. 고를 선택하지 않은 개발자가 선택한 주요 대안은 러스트(25%), 파이썬(17%), 자바(12%)였다. 이들 각 언어는 다른 틈새 시장을 발견했거나 지금 찾고 있다. 러스트의 경우 안전하고 빠른 시스템 프로그래밍, 파이썬은 프로토타이핑과 자동화 및 글루 코드, 자바는 전통적인 엔터프라이즈 애플리케이션이다. 고의 속도와 간편한 개발이 다른 사용 사례로 얼마나 확산될지, 또는 고가 엔터프라이즈 개발 분야에 얼마나 깊이 침투하게 될지는 아직 알 수 없다. 그러나 주요 프로그래밍 언어로서 고의 미래는 이미 보장돼 있다. 특히 고의 속도와 단순함은 가장 큰 미덕이다. 장기적인 유지 관리가 가능한 확장성 있는 인프라를 더 쉽게 개발할 수 있는 기반이 되는 클라우드에서고 언어의 미래는 확실하다. editor@itworld.co.kr
GPT, 바드, 라마 2 같은 대규모 언어 모델(LLM)은 대중의 상상력을 자극하고 다양한 반응을 끌어냈다. LLM에 대한 열기의 이면을 살펴보면서 대규모 언어 모델의 기원, 이러한 모델이 어떻게 구축 및 학습되는지를 살펴본다. 또한, 어떤 범위에서 효과적인지 검토하고, 가장 많이 사용되는 LLM에 대해 알아보자. 대규모 언어 모델이란? 언어 모델의 시초는 20세기 초까지 거슬러 올라가지만 대규모 언어 모델이 본격적으로 부상한 시점은 신경망이 도입된 이후다. 특히 2017년에 등장한 트랜스포머(Transformer) 심층 신경망 아키텍처는 언어 모델에서 LLM으로의 진화에 큰 역할을 했다. 대규모 언어 모델은 설명 프롬프트를 기반으로 한 텍스트 생성, 코드 생성 및 코드 완성, 텍스트 요약, 언어 간 번역, 텍스트투스피치 및 스피치투텍스트 애플리케이션을 포함한 다양한 작업에 유용하다. 한편, 적어도 현재 개발 단계에서의 LLM에는 단점도 있다. 생성된 텍스트의 품질이 그다지 좋은 편이 아니며, 형편없는 경우도 종종 발생한다. LLM은 없는 사실을 만들어 내기도 하는데 이를 환각(hallucination)이라고 한다. 답을 구하는 사용자에게 관련 지식이 없다면 환각은 상당히 그럴듯하게 들릴 것이다. 언어 번역의 경우, 네이티브 스피커의 검수를 받지 않은 문장은 100% 정확한 경우가 거의 없지만, 검수는 일반적으로 상용구에 한해서만 이뤄진다. 생성된 코드에는 버그가 흔하고, 아예 실행되지 않는 경우도 있다. 대체로 LLM은 논란의 여지가 있는 언급을 하거나 불법적인 행동을 추천하는 일이 없도록 미세한 조정을 거치지만 악의적인 프롬프트를 사용하면 안전 장치를 무력화할 수도 있다. 대규모 언어 모델을 학습시키기 위해서는 대규모 텍스트 말뭉치(corpus)가 하나 이상 필요하다. 학습 예제에는 1B 워드 벤치마크(1B Word Benchmark), 위키피디아, 토론토 북 코퍼스(Toronto Books Corpus), 커먼 크롤(Common Crawl) 데이터 집합, 그리고 공개 오픈소스인 깃허브 리포지토리 등이 포함된다. 대규모 텍스트 데이터 집합에는 저작권 침해와 쓰레기라는 두 가지 문제점이 있다. 저작권 침해의 경우 현재 여러 관련 소송이 진행 중이다. 쓰레기는 최소한 청소는 가능하다. 쓰레기 청소가 된 데이터 집합의 예로, 커먼 크롤 데이터 집합을 기반으로 한 800GB 용량의 데이터 집합인 콜로설 클린 크롤드 코퍼스(Colossal Clean Crawled Corpus: C4)가 있다. 대규모 언어 모델은 딥러닝 신경망, 대규모 학습 말뭉치를 사용하며, 신경망을 위한 수백만 개 이상의 매개변수 또는 가중치를 필요로 한다는 면에서 전통적인 언어 모델과 다르다. 하나 이상의 대용량 학습 말뭉치와 함께 LLM에는 많은 수의 매개변수, 즉 가중치가 필요하다. 매개변수의 수는 지금까지 매년 증가했다. 엘모(ELMo, 2018)의 매개변수 수는 9,360만 개이며 버트(BERT, 2018)는 1억 1,700만 개, T5(2020)는 2억 2,000만 개다. GPT2(2019)의 경우 16억 개, GPT3(2020)는 1,750억 개, 팜(PaLM, 2022)은 5,400억 개이며 GPT4(2023)의 매개변수는 1조 7,600억 개에 이른다. 매개변수가 많을수록 모델의 정확도는 높아지지만 그만큼 더 많은 메모리가 필요하고 실행 속도가 느려진다. 2023년에는 비교적 작은 모델들이 여러 가지 크기로 출시되기 시작했다. 예를 들어 라마 2(Llama 2)는 70억 개, 130억 개, 700억 개 버전으로 제공되며 클로드 2(Claude 2)는 930억 개와 1,370억 개의 매개변수 크기로 제공된다. 텍스트를 생성하는 AI 모델의 역사 언어 모델의 시초는 1913년에 시에 수학을 적용한 안드레이 마코프다. 마코프는 푸시킨의 유게니 오네긴에서 한 문자가 나타날 확률은 이전 단어에 따라 달라지며, 일반적으로 자음과 모음이 번갈아 나타나는 경향이 있음을 밝혀냈다. 현재 마코프 체인은 각 이벤트의 확률이 이전 이벤트의 상태에 따라 달라지는 이벤트 시퀀스를 설명하는 데 사용된다. 마코프의 연구는 1948년 클로드 섀넌의 통신 이론에서 확장됐고, 이후 IBM의 프레드 젤리넥과 로버트 머서가 1985년에 교차 검증 기반의 언어 모델을 만들어 실시간 대규모 어휘 음성 인식에 적용하면서 다시 한번 확장됐다. 기본적으로 통계적 언어 모델은 단어의 시퀀스에 확률을 할당한다. 언어 모델의 실제 작동을 간단히 보려면 구글 검색 또는 휴대폰에서 자동 완성을 켠 상태로 문자 메시지 앱에 단어를 몇 개 입력해보면 된다. 2000년에 요슈아 벤지오와 공동 저자들은 통계적 언어 모델의 확률을 신경망으로 대체하여 차원의 저주를 회피하고 당시 최첨단 기술이었던 평탄화 트라이그램(smoothed trigram) 모델에 비해 단어 예측을 20%~35% 개선하는 신경 확률 언어 모델을 다룬 논문을 발표했다. 피드 포워드 자동 회귀 신경망 언어 모델 개념은 지금도 여전히 사용되지만, 현재의 모델은 매개변수 수가 수십억 개에 이르고 광범위한 말뭉치로 학습되며, 그래서 ‘대규모 언어 모델’이라는 명칭으로 불린다. 언어 모델이 성능 개선을 목표로 발전하면서 시간이 갈수록 크기도 커졌다. 그러나 이 같은 크기 증가에는 단점도 있다. 2021년에 발표된 논문 ‘확률적 앵무새의 위험에 대해: 언어 모델의 크기에는 한계가 없는가?’는 언어 모델은 클수록 좋다고 생각하는 경향에 대해 의문을 제기한다. 논문 저자는 웹의 모든 것을 수집하지 말고 환경적, 재정적 비용을 먼저 고려해서 데이터 집합을 선별 및 문서화하는 데 투자할 것을 제안한다. 언어 모델과 LLM에 대한 이해 현재의 언어 모델은 다양한 작업과 목표가 있고 형태도 다양하다. 예를 들어 언어 모델은 문서에서 다음 단어를 예측하는 작업 외에 새로운 텍스트를 생성하고 텍스트를 분류하고 질문에 답하고 감정을 분석하고 명명된 개체를 인식하고 음성을 인식하고 이미지의 텍스트를 인식하고 손글씨를 인식할 수 있다. 일반적으로 중소 규모의 보충 학습 집합을 사용하여 실시되는 특정 작업을 위한 언어 모델 맞춤 설정을 미세 조정(finetuning)이라고 한다. 언어 모델에 들어가는 중간 작업의 예를 들면 다음과 같다. 학습 말뭉치를 문장으로 세분화 단어 토큰화 어간 추출 표제어 추출(어근 단어로 변환) POS(Part Of Speech) 태깅 정지단어 식별 및 제거(경우에 따라) 명명된 객체 인식(NER) 텍스트 분류 청킹(Chunking, 문장을 유의미한 구로 분할) 상호참조 해결(텍스트의 동일한 개체를 가리키는 모든 표현 찾기) 이 중에서 일부는 텍스트 분류와 같이 자체적인 작업 또는 애플리케이션으로도 유용하다. 대규모 언어 모델은 딥러닝 신경망과 대규모 학습 말뭉치를 사용하며, 신경망을 위한 수백만 개 이상의 매개변수 또는 가중치를 필요로 한다는 면에서 기존 언어 모델과 다르다. LLM 학습은 지정된 작업에 대한 모델의 오류를 가능한 가장 낮게 하기 위한 가중치 최적화의 문제다. 예를 들어 보통 자기 지도 방식으로 말뭉치의 임의의 지점에서 다음 단어를 예측하는 작업이 있다. 가장 인기 있는 LLM 최근 대규모 언어 모델의 폭발적인 성장을 촉발한 것은 2017년 발표된 “필요한 것은 주의 집중(Attention is All You Need)”이라는 논문이다. 이 논문은 “순환과 컨볼루션을 완전히 배제하고 오로지 주의 집중 메커니즘에만 기반을 둔 새롭고 단순한 신경망 아키텍처”로 트랜스포머를 소개했다. 오늘날 가장 많이 사용되는 대규모 언어 모델 중 몇 가지를 소개하면 다음과 같다. 엘모(ELMo) 엘모는 2018년에 나온 앨런NLP(AllenNLP)의 심층 맥락화 단어 표현 LLM으로, 단어 사용의 복잡한 특징, 그리고 언어적 맥락에 따라 그 단어 사용이 어떻게 달라지는지를 모델링한다. 원본 모델은 9,360만 개의 매개변수를 사용하며 1B 워드 벤치마크로 학습됐다. 버트(BERT) 버트는 구글 AI가 자사 트랜스포머 신경망 아키텍처를 기반으로 2018년에 출시한 언어 모델이다. 버트는 모든 레이어에서 왼쪽과 오른쪽의 맥락에 대한 공동 조건화를 통해 레이블 없는 텍스트로부터 심층 양방향 표현을 사전 학습하도록 설계됐다. 초기에 사용된 두 모델의 크기는 각각 매개변수 1억 개와 3억 4,000만 개였다. 버트는 토큰의 최대 15%가 “손상되는” 마스킹된 언어 모델링(MLM)을 학습에 사용한다. 영어 위키피디아와 토론토 북 코퍼스를 사용해 학습됐다. T5 구글의 2020년 텍스트투텍스트 트랜스퍼 트랜스포머(T5) 모델은 GPT, ULMFiT, 엘모, 버트 및 후속 모델에 적용된 최고의 전이 학습 기법을 기반으로 새로운 모델을 합성한다. 오픈소스 콜로설 클린 크롤드 코퍼스(C4)를 사전 학습 데이터 집합으로 사용한다. 영어용 표준 C4는 원본 커먼 크롤 데이터 집합을 기반으로 한 800GB 데이터 집합이다. T5는 모든 NLP 작업을 통합 텍스트투텍스트 형식으로 재구성한다. 클래스 레이블 또는 입력의 범위만 출력할 수 있는 버트 스타일 모델과 달리, 이 형식에서는 입력과 출력이 항상 텍스트 문자열이다. 기본 T5 모델에는 총 2억 2,000만 개의 매개변수가 사용된다. GPT 제품군 AI 연구 및 배포 기업인 오픈AI(OpenAI)의 사명은 “인공 일반 지능(AGI)이 모든 인류에 혜택이 되도록 하는 것”이다. 물론 AGI에는 아직 도달하지 못했고, 머신러닝의 개척자인 메타FAIR의 얀 르쿤 등 일부 AI 연구자는 AGI에 대한 오픈AI의 현재 접근 방식에는 답이 없다고 생각하기도 한다. 오픈AI는 GPT 언어 모델 제품군을 갖추고 있다. GPT 제품군 전체와 2018년 이후의 발전 과정을 간략하게 살펴보자. (참고로 GPT 제품군 전체는 구글의 트랜스포머 신경망 아키텍처를 기반으로 한다. 구글이 트랜스포머를 오픈소스로 공개했으므로 이는 합법적이다.) GPT(생성형 사전 학습 트랜스포머)는 오픈AI가 2018년에 출시한 모델로, 약 1억 1,700만 개의 매개변수를 사용한다. GPT는 토론토 북 코퍼스를 사용해 사전 학습된 단방향 트랜스포머이며 인과적 언어 모델링(CLM) 목표에 따라, 즉 시퀀스의 다음 토큰을 예측하도록 학습됐다. GPT2는 2019년에 출시된 GPT 확장 모델로, 매개변수는 15억 개이며 최대 40GB의 텍스트 데이터를 포함한 800만 개의 웹페이지 데이터 집합을 사용해 학습됐다. 오픈AI는 GPT2가 “너무 뛰어나고” “가짜 뉴스”로 이어질 수 있다는 이유에서 원래는 GPT2에 대한 접근을 제한했다. 이 조치는 나중에 철회됐지만, GPT3가 출시되면서 사회적 문제가 생길 가능성이 더 커졌다. GPT3는 2020년에 나온 자동 회귀 언어 모델로, 1,750억 개의 매개변수를 사용하며 필터링된 버전의 커먼 크롤과 웹텍스트2(WebText2), 북1(Books1), 북2(Books2), 영어 위키피디아의 조합으로 학습됐다. GPT3에 사용된 신경망은 GPT2와 비슷하지만 몇 개의 추가 블록이 있다. GPT3의 가장 큰 단점은 환각, 즉 명확한 근거 없이 사실을 지어내는 경향이다. GPT3.5와 GPT4에도 정도는 덜하지만 같은 문제가 있다. 코덱스(CODEX)는 2021년 GPT3에서 파생된 모델로 코드 생성을 위해 5,400만 개의 오픈소스 깃허브 리포지토리로 미세 조정됐다. 깃허브 코파일럿(Copilot)에 사용되는 모델이다. GPT3.5는 GPT3와 코덱스의 2022년 업데이트 집합이다. gpt3.5turbo 모델은 채팅에 최적화됐지만 기존의 완성 작업에서도 잘 작동한다. GPT4는 오픈AI의 주장으로는 일부 전문 및 학술 벤치마크에서 인간 수준의 성능을 발휘하는 2023년 대규모 멀티모달 모델(이미지와 텍스트 입력을 받아서 텍스트 출력을 생성)이다. GPT4는 미국 변호사 시험, LSAT, GRE 및 여러 AP 주제 시험을 포함한 다양한 시뮬레이션 시험에서 GPT3.5를 앞섰다. 참고로 시간이 지나면서 GPT3.5와 GPT4의 성능도 바뀌었다. 2023년 7월 스탠포드 대학 논문에 따르면 2023년 3월부터 2023년 6월 사이에 소수 식별을 포함한 여러 작업에서 모델의 동작이 크게 바뀌었다. GPT4 모델의 편향성에 대한 우려 GPT4의 학습 방법을 오픈AI가 설명하지 않은 것은 심각한 우려 사항이다. 오픈AI 측이 내세우는 이유는 경쟁이다. 마이크로소프트(현재까지 오픈AI에 130억 달러의 자금을 투자함)와 구글 간의 경쟁을 감안하면 어느 정도 납득은 되는 이유다. 그러나 학습 말뭉치의 편향성에 대해 알지 못한다는 것은 모델의 편향성에 대해 알지 못한다는 것을 의미한다. 에밀리 벤더는 2023년 3월 16일 마스토돈에 게시한 GPT4에 대한 글에서 “#오픈AI가 학습 데이터, 모델 아키텍처 등에 대한 정보를 *공개*하기 전까지 GPT4는 독성 쓰레기로 간주해야 한다”라고 말했다. 챗GPT와 빙GPT는 원래 gpt3.5turbo 기반의 챗봇이었지만 2023년 3월에 GPT4를 사용하도록 업그레이드됐다. 현재 GPT4 기반의 챗봇 버전에 액세스하려면 챗GPT 플러스에 가입해야 한다. GPT3.5 기반의 표준 챗GPT는 2021년 9월까지의 데이터로만 학습됐다. 빙GPT는 “더 뉴 빙”이라고도 하며, 마이크로소프트 엣지 브라우저에서 액세스할 수 있다. 마찬가지로 2021년까지의 데이터로 학습됐다. 이에 대해 빙GPT에 직접 물어보면 지속적으로 학습하면서 웹의 새로운 정보로 지식을 업데이트하고 있다고 주장한다. 홍콩 과학기술대학교 인공 지능 연구 센터의 파스칼 펑 교수는 2023년 3월 초에 챗GPT 평가에 대해 강연했는데, 시간을 투자해서 볼 만한 가치가 충분한 강연이다. 람다(LaMDA) 구글이 2021년에 발표한 “획기적인” 대화 기술인 람다(대화 애플리케이션을 위한 언어 모델)는 트랜스포머 기반 언어 모델로, 대화를 통해 학습되며 응답의 분별력과 구체성을 대폭 개선하도록 미세 조정됐다. 람다의 강점은 사람의 대화에서 흔히 발생하는 주제 표류에 대처할 수 있다는 것이다. 팜(PaLM) 팜(패스웨이 언어 모델)은 구글 리서치가 2022년에 발표한 고밀도 디코더 전용 트랜스포머 모델로 매개변수 수는 5,400억 개이며 패스웨이(Pathways) 시스템을 사용해 학습됐다. 팜은 고품질의 웹 문서와 서적, 위키피디아, 대화, 깃허브 코드를 포함한 여러 영어 및 다국어 데이터 집합의 조합을 사용해 학습됐다. 또한 구글은 모든 공백(특히 코드에 중요)을 보존하고, 어휘 목록에서 벗어난 유니코드 문자를 바이트로 분할하고, 숫자를 각 자릿수당 하나의 개별 토큰으로 분할하는 “무손실” 어휘 목록도 만들었다. 팜코더(PaLMCoder)는 파이썬 전용 데이터 집합으로 미세 조정된 팜 540B 버전이다. 팜E(PaLME) 팜E는 구글이 로봇공학용으로 2023년에 구체화한 멀티모달 언어 모델이다. 연구진은 팜을 가져와서 로봇 에이전트의 센서 데이터로 보완하여 “구체화(팜E의 ‘E’는 구체화를 의미)”했다. 또한 팜E는 팜 외에 ViT 22B 비전 모델도 채택했으므로 일반적인 기능의 비전 및 언어 모델이기도 하다. 바드(Bard) 바드는 구글이 2023년 출시한 람다 기반의 구글 대화형 AI 서비스다. 2023년 3월 21일에 출시된 후 2023년 5월 10일에 일반에 공개됐다. 바드는 출시 이후 여러 번 업데이트됐다. 2023년 4월에는 20개의 프로그래밍 언어로 코드를 생성하는 기능이 추가됐고, 2023년 7월에는 40가지 인간 언어 입력에 대한 지원과 함께 구글 렌즈가 통합되고 40개 이상의 언어를 사용한 텍스트투스피치 기능이 추가됐다. 라마(LLaMA) 라마(대규모 언어 모델 메타 AI)는 650억 매개변수를 사용하는 “원시” 대규모 언어 모델로, 메타 AI(전 메타FAIR)가 2023년 2월에 출시했다. 라마에 대한 메타의 설명은 다음과 같다. 대규모 언어 모델 분야에서는 라마와 같은 비교적 작은 기반 모델을 학습시키는 것이 바람직하다. 훨씬 더 적은 컴퓨팅 성능과 리소스만으로 새 접근 방식을 테스트하고 다른 사람들의 작업을 검증하고 새로운 사용 사례를 탐색할 수 있기 때문이다. 기반 모델은 레이블 없는 대량의 데이터 집합으로 학습되므로 다양한 작업을 위한 미세 조정에 이상적이다. 라마는 여러 크기로 출시됐으며 어떻게 구축되었는지에 대한 자세한 내용이 담긴 모델 카드가 제공된다. 메타 AI의 얀 르쿤에 따르면 원래는 체크포인트와 토크나이저를 요청해야 했지만, 정식으로 요청을 제출해서 모델을 받은 누군가가 4채널 사이트에 다운로드 가능한 토렌트를 게시한 덕분에 지금은 쉽게 구할 수 있다. 라마 2(Llama 2) 라마 2는 차세대 메타 AI 대규모 언어 모델로, 2023년 1월부터 7월 사이에 라마 1에 비해 40% 더 많은 데이터로 학습됐으며(공개적으로 사용 가능한 소스에서 2조 개의 토큰 사용), 컨텍스트 길이는 2배 더 긴 4096이다. 라마 2는 매개변수 70억 개, 130억 개, 700억 개의 여러 크기로 제공되고 사전 학습 및 미세 조정된 변형도 있다. 메타 AI는 라마 2가 오픈소스라고 주장하지만 허용되는 사용에 대한 제약이 포함됐다는 이유로 이 주장에 동의하지 않는 사람들도 있다. 커뮤니티 라이선스 외에 상용 라이선스도 제공된다. 라마 2는 최적화된 트랜스포머 아키텍처를 사용하는 자동 회귀 언어 모델이다. 조정된 버전은 지도 미세 조정(SFT)과 인간 피드백을 통한 강화 학습(RLHF)을 사용해서 유용성과 안전성에 대한 인간의 선호도에 맞게 조정된다. 라마 2는 현재 영어 전용이다. 모델 카드에는 벤치마크 결과와 탄소 발자국 통계가 포함돼 있다. 연구 논문 ‘라마 2: 개방형 기반과 미세 조정된 채팅 모델’에서 더 자세한 내용을 볼 수 있다. 클로드 2(Claude 2) 2023년 7월에 출시된 앤트로픽(Anthropic)의 클로드 2는 단일 프롬프트에서 최대 10만 개의 토큰(약 7만 단어)을 수락하며, 수천 토큰의 스토리를 생성할 수 있다. 클로드는 구조적 데이터를 편집, 재작성, 요약, 분류, 추출할 수 있으며 내용을 기반으로 한 Q&A와 그 외의 다양한 작업이 가능하다. 대부분의 학습은 영어로 이뤄졌지만 다른 여러 일반적인 언어에서도 잘 작동하며, 일반적이지 않은 언어로도 어느 정도의 커뮤니케이션이 가능하다. 프로그래밍 언어에 대한 지식도 방대하다. 클로드는 유용하고 정직하고 무해한(Helpful, Honest, Harmless, HHH) 모델로 학습됐으며 무해함을 강화하고 프롬프트를 통해 공격적이거나 위험한 출력을 생성하기가 더 어렵게 하기 위한 광범위한 레드 팀 과정을 거쳤다. 사용자의 개인 데이터를 학습에 사용하거나 인터넷에서 답을 참조하지 않지만, 사용자가 직접 클로드에 인터넷의 텍스트를 제공해서 그 내용으로 작업을 수행하도록 요청할 수는 있다. 클로드는 미국 및 영국 사용자에게 무료 베타 버전으로 제공되며, 생성형 AI 플랫폼인 재스퍼(Jasper), 코드 AI 플랫폼인 소스그래프 코디(Sourcegraph Cody), 아마존 베드록(Amazon Bedrock)과 같은 상업적 협력업체 채택됐다. 결론 살펴본 바와 같이 대규모 언어 모델은 여러 기업에서 활발하게 개발되는 중이며 오픈AI와 구글 AI, 메타 AI, 앤트로픽에서 거의 매달 새로운 버전이 나오고 있다. 이러한 LLM 중에서 진정한 인공 일반 지능(AGI)을 달성한 모델은 없지만 새 모델이 나올 때마다 대체로 지난 모델에 비해 개선되는 중이다. 다만 대부분의 LLM에서 환각을 비롯한 비정상적인 현상이 자주 발생하며, 경우에 따라 사용자 프롬프트에 대해 부정확하고 편향되거나 불쾌한 응답을 생산하기도 한다. 결국 출력이 정확함을 검증할 수 있는 경우에 한해서만 LLM을 사용해야 한다. editor@itworld.co.kr
누구나 널리 알려진 좋은 소프트웨어를 사용하고 싶지만, 사실 전문가용 프로그램은 개인이 구매하기에 너무 비싸다. 이럴 때는 실행 파일은 물론 소스 코드까지 다운로드할 수 있는 오픈소스 소프트웨어라는 대안이 있다. 무료 소프트웨어여서 그 품질과 기능에 의심이 들겠지만 걱정할 필요가 없다. 많은 오픈소스 소프트웨어가 전문가용 제품 못지않은 품질과 기능을 제공한다. 오피스부터 미디어 편집, 파일 관리 및 백업까지 분야별 최고의 오픈소스 애플리케이션을 모았다. 생산성 : 오피스, PDF 및 컨퍼런스 툴 컴퓨터에서 매일 하는 작업을 꼽으라면 무엇보다 문서 편집이다. 리브레오피스(LibreOffice)는 텍스트, 스프레드시트, 프레젠테이션을 작성하는 종합 오피스 패키지로, 2000년에 소스코드가 공개된 오픈 오피스(Open Office)에서 파생됐다. 오픈 오피스 프로젝트는 현재 아파치 오픈 오피스라는 이름으로 지속되고 있다. 리브레오피스의 빠른 업데이트 주기는 아파치 오픈 오피스보다 유리한 점이다. 최신 7.5 버전에서는 라이터(Writer)의 텍스트 문서 편집 기능이 개선돼 머리글의 서식이 향상됐고 표 삽입이 쉬워졌다. 컬러 북마크를 사용해 섹션을 더 쉽게 탐색하고 찾을 수 있다. 스프레드시트인 칼크(Calc)에서는 확장된 수식 보조 기능과 다이어그램을 위한 새로운 함수가 눈에 띈다. 드로우(Draw)와 임프레스(Impress)는 표를 더 쉽게 디자인할 수 있게 바뀌었고, EMF 그래픽을 더 빠르게 가져올 수 있다. 어두운 색의 사용자 인터페이스가 표시되는 다크 모드도 지원된다. 한편 여러 기기 간 문서 교환에 유용한 것이 바로 PDF 포맷이다. PDF 파일로 문서를 만들면 다른 운영체제와 모바일 앱에서도 문서가 깨지지 않고 똑같이 표시된다. 마킹, 메모와 같은 부가 기능을 사용해 신속하게 메모 또는 변경 요청을 문서화할 수 있고, 그룹 작업도 가능하다. 보통 많은 사람이 PDF 파일을 다루기 위해 무료 어도비 아크로벳 리더를 사용하지만, PDF 파일을 빠르게 보는 용도로는 오픈소스 프로그램인 수마트라 PDF(Sumatra PDF)가 있다. 구글 번역 및 딥엘(DeepL)을 통한 번역으로 연결되는 링크, 주석을 사용한 마커 삽입 등의 기능을 제공한다. 협업 툴도 살펴보자. 팀의 협업 형태는 코로나 시기를 거치면서 크게 변했다. 온라인 비디오 컨퍼런스가 이제 보편적으로 사용된다. 화상회의는 회의실이 불필요하고 출장을 갈 필요도 없으며 이동 중에도 참여할 수 있는 장점이 있다. 협업 툴에는 줌 또는 마이크로소프트 팀즈가 유명하지만, 오픈소스 대안으로 오픈 토크(Open Talk)가 있다. 오픈 토크 시스템은 클라우드에서 작동하며 웹사이트를 통해 바로 사용할 수 있다. 전화 걸기, 화면 공유, 투표, 회의 녹화 등 상용 경쟁 툴과 비슷한 기능을 제공한다. 이밖에 많은 기업이 이미 작업 그룹을 디지털 방식으로 관리할 텐데, 이 분야에는 매터모스트(Mattermost)가 있다. 그룹 채팅, 프로젝트 관리, 소리를 포함한 화면 공유 옵션 등을 지원하는 데스크톱, 모바일 및 온라인 시스템이다. 매터모스트 웹사이트의 무료 계정을 통해 사용할 수 있다. 회사 IT에 통합하려면 추가 소프트웨어가 필요하며, 기술 지원 및 IT 통합은 유료로 제공된다. 인터넷 : 브라우저와 이메일 메시징, 온라인 쇼핑, 인터넷 뱅킹은 많은 사람에게 없어서는 안될 요소로 자리잡았고, 이런 사이트에 액세스하려면 웹 브라우저가 필요하다. 많은 사용자가 구글 크롬을 선호하지만 크롬에는 개인정보 보호 문제가 있다. 인터넷 검색을 넘어서는 구글의 탐욕스러운 데이터 수집은 이미 악명이 높다. 대안은 언구글드 크로미엄(Ungoogled Chromium)이다. 크롬 웹 브라우저의 오픈소스 버전으로, 구글의 모든 액세스가 차단된다. 서핑 시 기능 제약은 없으며 크롬 웹 스토어의 확장 프로그램도 작동한다. 이메일 역시 PC에서 매일 사용하는 기능이다. 이메일은 속도가 빠르며 사진이나 문서, 다양한 데이터를 주고받기에 적합하다. 썬더버드(Thunderbird)는 많은 기능을 갖춘 무료 메일 프로그램이다. 여러 사서함과 다양한 전송 프로토콜, 주소록, 캘린더 등을 지원한다. 썬더버드 20주년을 맞아 개발팀은 앱 전체에 대한 전반적인 현대화를 진행중이다. 멀티 미디어 : 사진, 영상, DTP 및 디자인 디지털 사진의 인기가 계속되는 가운데, 김프(Gimp)를 사용하면 손쉽게 사진을 편집할 수 있다. 대비와 밝기를 조절하고 이미지를 더 선명하게 할 수 있다. 레이어, 마스크를 비롯한 이미지 몽타주 툴은 오래전부터 거의 모든 이미지 툴이 지원하는 표준 기능이다. 김프 버전 2.10부터는 배경 제거 툴이 추가됐고, 영역을 자르고 선택하는 툴도 포함된다. 또다른 오픈소스 이미지 편집 툴인 디지캠 포토 매니저(Digikam Photo Manager)는 사진 모음을 전체적으로 보여준다. 키워드, 평점, 컬러 마커를 기준으로 정렬하거나 사진의 메타데이터를 분석해 위치를 보여준다. RAW 이미지를 위한 편집 기능과 툴도 있다. 로우 테라피(RAW Therapee)도 RAW 사진 현상을 위한 다양한 툴과 이미지 보기 관리를 포함한 많은 RAW 옵션을 제공한다. 데스크톱 출판(DTP)용 문서 디자인 분야에는 잉크스케이프(Inkscape)와 스크라이버스(Scribus)의 조합을 추천한다. 잉크스케이프에서는 세밀한 일러스트레이션을 디자인할 수 있다. 곡선, 개체, 텍스트를 만드는 주요 기능을 지원하고, 요소 정렬, 색 채우기, 그라디언트 또는 그래픽 결합을 포함한 다양한 툴이 있다. 이 프로그램을 이용하면 확장 가능한 로고, 인포그래픽 및 기타 디자인을 빠르게 만들 수 있다. 이렇게 만든 요소는 스크라이버스의 페이지 디자인에 사용할 수 있다. 샘플 페이지와 자체 디자인된 표준 요소를 사용해 간단한 전단지 또는 메뉴뿐만 아니라 신문, 잡지도 만들 수 있다. PDF 형식으로 출력해 전문적인 인쇄까지 가능하다. 잉크스케이프와 스크라이버스는 JPG, TIF, PNG, SVG와 같은 다양한 그래픽 형식을 지원한다. 한편 그림을 그리고 스케치하고 색을 칠하는 작업을 컴퓨터에서 하는 경우가 늘어나고 있다. 그 결과 아티스트의 일러스트레이션, 그림 또는 개념 디자인까지 디지털로 받아 별도의 스캔 작업 없이 즉각 처리할 수 있는 세상이다. 이때 특수한 그래픽 프로그램을 사용하면 머리 속 아이디어를 바로 화면으로 옮길 수 있다. 크리타(Krita)가 대표적이다. 특수한 브러시 팁, 레이어, 효과, 마스크를 통해 이 과정을 지원한다. 애니메이션 옵션을 사용해 생기를 불어넣을 수도 있다. 그래픽 태블릿과 함께 사용하면 디지털 펜의 압력과 기울기까지 반영해 브러시 스트로크 또는 디지털 연필 스트로크를 표현한다. 3D 애플리케이션인 블렌더(Blender)도 있다. 나온지 30년이 넘은 이 유서 깊은 앱은 처음에 영화사에서 내부적으로만 사용되다가 2002년 오픈소스가 된 이후부터 개발 속도가 빨라졌다. 정교한 모델링과 텍스처 모듈 외에 애니메이션, 합성, 비디오 편집을 위한 기능도 제공한다. 플러그인 인터페이스와 스크립팅을 통해 사용자가 원하는 대로 확장하고 조정할 수 있다. 블렌더는 지원하는 기능이 워낙 다양해 쓰임새도 광범위하다. 예를 들어 스파이더맨 2와 원더우먼 등 헐리우드 영화 제작에도 이 툴이 사용됐다. 나사(NASA)는 인터렉티브 웹 애플리케이션인 익스피리언스 큐리오시티(Experience Curiosity)에 블렌더를 사용했다. 영상 재생기로는 VLC 미디어 플레이어가 압도적이다. 구형 휴대폰 촬영 영상부터 새로운 고해상도 4K 클립까지 VLC로 재생할 수 없는 형식은 거의 없다. 재생 목록 사용하기, 온라인 비디오 및 팟캐스트 검색, 홈 네트워크를 사용한 스트리밍 등으로 다양한 용도에 맞게 사용할 수 있다. 잘 알려져 있지는 않지만 비디오 변환 기능도 유용하다. 샷컷(ShotCut)은 비디오 편집에 유용하다. 비디오를 보고 자르고 배열하는 용도로 사용된다. 비디오, 오디오, 전환, 효과 믹싱을 위한 유연한 타임라인도 제공한다. FFmeg 프레임워크를 설치하면 다양한 비디오 형식을 가져오고 내보낼 수 있다. 많은 사용자가 마이크로소프트의 미디어 플레이어를 사용해 음악 파일을 관리한다. 미디어 플레이어는 디지털화, 재생, 다른 기기로의 스트리밍을 지원하는 좋은 툴이지만 시스템 리소스를 과도하게 쓰는 단점이 있다. 이럴 때 사용할 수 있는 오픈소스 대안이 도파민(Dopamine)이다. 훨씬 더 가벼우면서도 많은 관리 기능, 재생 목록, 통합 이퀄라이저를 제공한다. 또한 온라인에서 노래 가사를 불러오고 Last.fm 및 디스코드를 통합할 수 있다. 포터블 버전이 특히 유용하다. 음악이 들어 있는 USB 드라이브에 설치해 두면 다양한 컴퓨터에서 사용할 수 있으며 곡 데이터베이스는 항상 최신 상태로 유지된다. 이 기능은 로컬 네트워크에서도 작동한다. 보안과 관리 : 데이터 및 시스템 백업 중요한 데이터와 시스템 파티션은 반드시 정기적으로 백업해야 하는데, 문서, 사진 및 음악 백업에 안성맞춤인 오픈소스가 바로 듀플리카티(Duplicati)다. 설치하고 시작하면 백그라운드에서 작동하며, 데이터 선택, 스케줄 등의 구성은 브라우저 인터페이스를 통해 할 수 있다. 하드 디스크, 네트워크 드라이브, USB 스토리지 디바이스 또는 인터넷의 서버를 백업 파일 저장 대상으로 설정할 수 있다. FTP, WebDAV와 같이 잘 알려진 전송 프로토콜 외에 드롭박스, 아마존, 구글과 같은 클라우드 서비스 액세스도 지원한다. 저장된 데이터를 압축하며 AES256으로 암호화한다. 전체 파티션 또는 하드 드라이브 백업에 적합한 또다른 오픈소스 앱이 클론질라(Clonezilla)다. CD 또는 USB 드라이브에 부팅 가능한 복구 시스템을 만든 다음 이를 사용해 하드 디스크 또는 개별 파티션의 이미지를 만든다. 하드웨어 장애가 발생하면 클론질라로 시스템을 재시작하고 이미지 데이터를 복원하면 된다. 백업 저장 대상으로는 로컬 스토리지 기기 또는 네트워크 드라이브를 설정할 수 있다. 클론질라는 NFS 또는 WebDAV를 통해 연결을 설정해 인터넷의 서버로도 데이터를 백업할 수 있다. 한편 문서나 사진을 파일 단위로 공유하는 방법은 많다. 단, 클라우드나 이메일을 통한 공유는 많은 경우 보안 위험이 따르므로, 민감한 데이터의 경우 암호화된 연결을 사용하는 것이 좋다. 이처럼 안전한 파일 교환이 필요할 때 쓸 수 있는 앱이 어니언셰어(Onionshare)다. 어니언셰어는 토르(Tor) 브라우저에 적용돼 사용자 정보를 익명화하는 어니언(Onion) 기술을 활용해 데이터의 안전한 교환을 구현한다. 즉, 전송의 경우 수신자가 검색할 수 있는 어니언 주소를 생성하고, 데이터 암호화 자체가 부가적인 보안을 형성한다. 발신자는 수신자가 전송 잠금을 해제할 수 있는 개인 키를 정의한다. 어니언셰어에는 파일 공유 기능 외에 채팅 옵션과 토르 네트워크를 통해 안전하게 웹사이트를 제공하는 웹 서버 기능도 있다. 그밖에 유용한 오픈소스 애플리케이션 ZIP 형식은 여러 파일을 하나의 패키지로 합치고 데이터를 압축한다. 파일을 압축하면 메일 또는 클라우드를 통해 더 빠르게 전송할 수 있다. 이런 ZIP 압축 프로그램 중 가장 유명한 오픈소스 앱이 7Zip이다. 7Zip은 ZIP 압축 파일을 열고 생성하며 파일을 추가 또는 제거할 수 있고 원하는 경우 윈도우 탐색기의 컨텍스트 메뉴에 통합할 수 있다. 이렇게 하면 ZIP을 열고 만드는 작업을 빠르게 불러올 수 있다. 7Zip을 이용하면 ZIP 파일을 지원할 뿐만 아니라 RAR, TAR, BZIP2, GZ, ARJ, LHA, LZH와 그 외의 많은 형식도 읽을 수 있다. 민감한 데이터가 포함된 파일이라면 AES 크립트(AES Crypt)를 사용해 손쉽게 암호화할 수 있다. 파일을 암호화하면 인터넷을 통해 전송할 때도 안전하게 보호할 수 있다. AES 크립트를 설치하면 윈도우 탐색기의 컨텍스트 메뉴에 새 항목이 생긴다. 암호화를 실행하려면 마우스 오른쪽 버튼으로 하나 이상의 파일을 클릭하고 컨텍스트 메뉴의 “AESCrypt”를 클릭한다. 이후 열리는 창에서 비밀번호를 입력하고 확인을 누르면 된다. 비밀번호를 입력해야만 데이터에 대한 액세스를 허용하는 256비트 보안 파일을 생성한다. 이런 파일을 열려면 마우스 오른쪽 버튼을 다시 클릭하고 AES크립트 항목을 선택한 다음 비밀번호를 입력해야 한다. editor@itworld.co.kr
대규모 언어 모델(LLM)을 기반으로 하는 챗GPT, 클로드(Claude), 바드(Bard)를 비롯한 공용 생성형 AI 챗봇도 충분히 좋지만, 이와 같은 범용 챗봇은 엔터프라이즈 워크플로우에 매끄럽게 통합되지는 않는다. 기업 직원이 별도의 앱을 사용하거나, 회사가 시간과 노력을 들여 애플리케이션 프로그래밍 인터페이스를 통해 자체 애플리케이션에 AI 기능을 추가해야 한다. 또한 챗GPT 및 기타 생성형 AI 챗봇을 사용하기 위해서는 직원이 프롬프트 엔지니어링에 대해서도 배워야 한다. 반면, 임베디드 생성형 AI는 직원이 이 기술을 가장 필요로 하는 곳, 즉 기존 워드 프로세싱 애플리케이션과 스프레드시트, 이메일 클라이언트를 비롯한 기타 엔터프라이즈 생산성 소프트웨어에 새로운 AI 기능을 구현해주며, 이를 위해 회사가 따로 해야 할 일도 없다. 제대로 구현되면 직관적으로, 단절 없이 새로운 AI 기능을 사용할 수 있게 되므로 어려운 생성형 AI 사용법 학습 과정 없이 모든 혜택을 누리게 된다. 포레스터는 최근 북미와 영국의 기술 의사 결정자를 대상으로 한 설문조사 결과를 근거로 2025년까지 거의 모든 기업이 쓰기 및 편집을 포함한 커뮤니케이션 지원 용도로 생성형 AI를 사용하게 될 것으로 예측했다. 실제로 설문 응답자의 70%는 쓰기 또는 편집 작업의 대부분 또는 전체에서 이미 생성형 AI를 사용하고 있다고 답했다. 그러나 포레스터에 따르면 챗GPT 같은 독립적인 생성형 AI 툴은 교차 직무 협업을 지원하지 못하며 직원이 업무를 수행하는 부분에서 작동하지도 않는다. 포레스터는 설문조사 보고서에서 “많은 사용 사례에서 생성형 AI는 독립형 앱보다는 임베디드 기능일 때 더 큰 혜택을 제공한다는 의미”라고 설명했다. IBM 컨설팅의 글로벌 AI 및 분석 부문 리더 매니시 고얄 역시 “아무리 좋은 AI를 가져오더라도 정작 사람들이 워크플로우에서 AI를 사용할 수 없다면 채택되지 않는다"라고 말했다. 임베디드 생성형 AI와 관련하여 현재 가장 큰 화제는 마이크로소프트 365 생산성 제품군 전반에 통합 구축되고 있는 생성형 AI 비서인 마이크로소프트 365 코파일럿이다. 일부 생성형 AI 기능은 팀즈 및 기타 마이크로소프트 365 앱에 구현됐지만 코파일럿 자체는 아직 정식 출시되지 않았고 테스트를 위한 초기 액세스가 허용된 기업은 600개에 불과하다. 마이크로소프트 365 코파일럿의 정식 출시를 손꼽아 기다리고 있는 솔루션 통합업체 인사이트(Insight)의 최고 엔터프라이즈 설계자 겸 CTO 데이비드 맥커디는 “데모를 본 사람이라면 생성형 AI의 통합이 백오피스가 돌아가는 방식을 완전히 바꿔 놓게 될 것임을 알고 있다"라고 말했다. 한편 일부 기업은 오픈AI에 대한 API를 통하거나 라마 2(Llama 2) 같은 LLM을 로컬로 실행해서 자체 앱에 생성형 AI를 직접 추가하고 있다. 예를 들어 인사이트는 API를 통해 마이크로소프트 엑셀에 생성형 AI를 내장했다. 맥커디는 “다만 향후 오피스 365에 통합될 것이기 때문에 이 부분에 대한 개발을 너무 많이 하지는 않고 있다"라고 말했다. 자체 AI 임베드를 만드는 데 필요한 시간이나 인력을 갖추지 못한 기업도 지금 생산성 툴 내에서 생성형 AI 사용을 시작할 수 있다. 많은 업체가 이미 앱에 다양한 생성형 AI 기능을 추가했기 때문이다. 예를 들어 줌, 마이크로소프트 팀즈를 비롯한 여러 온라인 회의 플랫폼은 내장형 또는 애드온 방식으로 AI 기반 요약 기능을 제공한다. 맥커디는 “이 기능이 회의 요약 방식을 완전히 바꾸어 놓았다. 요약 기능이 매우 유용한다는 점은 확실히 말할 수 있다. 큰 이득이 없는 기능도 많지만 요약과 목록 작성만큼은 최고”라고 말했다. 일부 기업에서 워크플로우에 생성형 AI를 어떻게 사용하고 있는지, 어느 부분에서 효과적인지, 그리고 생성형 AI를 안전하게 도입하기 위한 전략은 무엇인지 알아보자. 스트림 파이낸셜 : 이메일, 텍스트 문서, 코드의 생성형 AI 미국 솔트레이크시티에 소재한 핀테크 기업 스트림 파이낸셜 테크놀로지(Stream Financial Technology)의 엔지니어링 책임자인 조완자 조셉은 “우리가 사용하는 스파크(Spark)라는 이메일 클라이언트에는 이메일 요약과 작성을 위한 생성형 AI가 내장돼 있다"라고 말했다. 조셉은 “나도, 경영진도 대부분 긍정적이다. 유일하게 부정적으로 보는 부분은 AI가 이해 부족을 가리는 허울이 될 수 있다는 점이다. 즉, 글을 읽다가 말이 안 되는 부분이 있어서 지적하면 AI가 써서 그렇다고 둘러댈 수 있다는 점”이라고 말했다. 스트림 파이낸셜이 사용하는 또 다른 생성형 AI 툴은 마이크로소프트 워드, 구글 문서도구를 비롯한 많은 애플리케이션 내에서 작동하는 그래멀리(Grammarly)다. 그래멀리는 처음에는 단순한 문법 검사기였지만 최근 AI 기반의 텍스트 생성, 문구 수정 및 요약 기능까지 더했다. 조셉은 “그래멀리 기업 구독을 이용하고 있다. 구글 문서 도구 내에서 작동하며, 단락을 쓰거나 요약하도록 지시할 수 있다. 내용을 채워 넣고 요약하는 용도로는 좋지만 기술적인 분야에 대한 심층적인 내용은 다루지 못한다"라고 말했다. 조셉이 지적한 그래멀리 AI의 문제점은 각각의 상호작용이 별개라는 점이다. 챗GPT, 클로드와 같이 대화를 계속 주고받으면서 결과물을 세밀하게 다듬을 수가 없다. 조셉은 “그래멀리 AI에 무엇을 해야 할지 지시할 좋은 방법이 없다"라고 말했다. 조셉은 회사 측이 기밀 데이터 또는 고객 정보에 대해서는 공용 AI를 사용하지 않도록 주의한다고 강조했다. 조셉은 “장기적 관점에서 생성형 AI를 사용해 마케팅 문구와 같은 콘텐츠를 생성하는 데 대해 낙관적이다. A/B 테스트를 위한 다른 문구를 작성하거나 동일한 문구를 다양한 형태로 반복 생성할 수 있다"라고 말했다. 조셉은 생성형 AI가 가장 크게 영향을 미치는 부분은 코드 생성이라면서 “깃허브 코파일럿에 1인당 월 19달러를 내고 있는데, 그 5배라 해도 기꺼이 낼 것이다. 막대한 시간을 절약할 수 있게 해주며 지식도 상당한 수준”이라고 말했다. 조셉은 “코드 생성은 생성형 AI의 가치가 입증된 부분이다. 그 외의 모든 부분은 아직 단언할 수 없고, 갈 길이 멀다"라고 말했다. NFP : 마케팅 문구, 회의 요약에 생성형 AI 사용 보험 중개업체 NFP는 2년 전부터 텍스트 작성에 AI를 사용해왔다. 이 회사의 영업 지원 부문 SVP인 카일 힐리에 따르면 NFP는 챗GPT가 대중에 공개되기 훨씬 전부터 재스퍼(Jasper) AI를 사용해서 마케팅 문구를 작성했다. 처음 오픈AI의 GPT 3.5 대규모 언어 모델을 기반으로 2021년 2월 출시된 재스퍼는 화이자, 스포츠 일러스트레이티드(Sports Illustrated), 허브스팟(HubSpot), 센티넬원(SentinelOne)을 포함한 10만 곳 이상의 기업 고객을 두고 있다. 현재 재스퍼 AI는 가장 진보된 버전의 챗GPT와 같은 기반 모델인 GPT 4를 사용한다. 여기에 특정 사용 사례에 따라 맞춤화된 마케팅 또는 비즈니스 콘텐츠를 생성하도록 설계된 부가적인 모델과 세부적인 조정 등 비즈니스 친화적인 기능을 추가했다. 또한 회사 자체 브랜드 성격을 학습시키고, 회사 워크플로우 내에서 확장 기능 및 API를 통해 사용할 수 있다. 힐리는 “보안에 대해 일부 우려가 있었다. 그리고 재스퍼는 폐쇄형 시스템이다. 마케팅 부서에서 일부 카피라이팅 작업에 여전히 재스퍼를 사용하고 있다"라고 말했다. 최근 NFP는 재스퍼에서 영업 활동 지원 플랫폼인 세일즈로프트(Salesloft)에 내장된 생성형 AI 툴로 대부분 전환했다. 세일즈로프트는 지난 봄에 빠른 이메일 작성을 위한 생성형 AI 기능을 추가했다. 힐리는 “CRM 시스템의 안내 및 코칭에도 생성형 AI를 사용하기 시작했다. AI 툴이 모든 부분에 연결되기 시작하면서 이제는 더 많은 프로그램에서 GPT를 사용하고 있다. 마이크로소프트 생태계 전반에 완전히 내장된 형태”라고 말했다. 힐리 본인도 생성형 AI를 적극적으로 사용한다. 힐리는 “2023년 비즈니스 계획 전체를 AI를 사용해 작성했다”면서 “AI의 효과에 대해 내부적인 설득 작업을 진행하던 중에 고위직의 누군가가 AI가 아직 그 수준에 이르지 못했다고 말했다. 그래서 오기로 비즈니스 계획을 AI로 만들어서 제출했는데, 반응이 아주 좋았다. 로봇이 작성한 것으로 믿기지 않는다는 반응이었다"라고 말했다. 힐리는 “사모펀드 분야에서 일하는 영업팀의 고위급 직원도 리드를 작성하고 계약을 체결하는 데 AI를 사용하기 시작했다. 올해 초부터 경영진, 영업부서를 비롯해 많은 직원이 AI를 사용하고 있다. 이들은 ‘AI를 채택해야만 한다’고 말한다"라고 전했다. NFP는 마이크로소프트 팀즈에서도 생성형 AI를 사용해서 회의 노트를 자동으로 생성한다. 힐리는 “모두가 이해해야 할 중요한 점은 AI가 우리 일을 대체하는 것이 아니라 증폭하고 보강한다는 것이다. 같은 수의 사람으로 더 많은 일을 할 수 있게 해준다"라고 말했다. 힐리는 다음 단계는 세일즈포스의 생성형 AI 기능을 사용해서 원시 데이터를 해설적 데이터로 바꾸는 것이라며 “지금 이 부분을 추진하고 있다. 이를 통해 경영진은 자연스럽게 느껴지는 방식으로 정보를 흡수할 수 있게 된다. 예를 들어 나처럼 숫자에 서툴고 항상 숫자에서 막힌다면 숫자가 아닌 다른 방식으로 정보를 흡수할 수 있게 될 것”이라고 말했다. 생성형 AI 툴을 사용할지 여부를 결정할 때 중요한 것은 학습 데이터의 정확성과 개인정보 보호, 보안, 그리고 사용성이다. 힐리는 “영업 및 마케팅 문구에서는 사유 부분을 다루지 않는다. 그러나 NFP는 인수합병을 많이 한다. 법무팀이 AI를 사용해서 계약서를 더 빠르게 만들거나 미묘한 차이 또는 세부 사항을 찾을 수 있을까? 개인정보 보호와 보안, 클로즈드 소스 모델을 살펴봐야 한다"라고 말했다. 힐리는 지금은 영업 담당자가 새로운 AI 툴을 익히도록 하는 작업을 진행 중이라면서 “간소함과 사용의 용이함이 중요하다. 자연스럽게 느껴지는지, 마음을 먹고 사용법을 배워야 하는지가 관건”이라고 말했다. 힐리는 예를 들어 챗GPT는 사용하기가 쉽지 않았다면서 “챗GPT에 말을 하기 위해서는 거의 정해진 코스에 따라야 한다. 어떤 면에서는 프로그래밍과 상당히 비슷하다. 하지만 NFP는 기술 기업이 아니고 보험을 판매하는 회사”라고 말했다. 직원이 이미 사용하는 툴에 내장된 형태의 생성형 AI는 이러한 사용성 장벽을 극복하는 데 도움이 될 수 있다. 힐리는 “예를 들어 세일즈로프트는 반복적이고 유기적이다. 생성형 AI는 이 툴의 자연스러운 확장이다. 새로운 것을 배울 필요가 없다는 것이 NFP에는 중요한 점이다. 35년째 일하는 보험 담당자도 바로 사용할 수 있고, 25세 직원이라면 시스템 전체를 지극히 자연스럽게 받아들인다"라고 말했다. 톰슨 로이터 : 서신 초안 작성, 직원 질문에 대한 응답에 생성형 AI 사용 뉴스 기업 톰슨 로이터(Thomson Reuters)의 최고 인사 책임자인 매리 앨리스 부이식은 수십년 전부터 제품과 사무실에서 AI를 사용해왔다면서 “이미 존재하는 많은 부분에 AI가 내장돼 있다. 핵심은 증강, 즉 사람들이 더 가치 있는 일을 할 수 있도록 해주는 데 있다"라고 말했다. 부이식은 AI는 사람이 아니라 “작업을 대체한다"라고 말했다. 생성형 AI가 보편화된 지금 톰슨 로이터는 선제적으로 공급업체에 관심을 갖고 이들의 AI 로드맵을 살펴봤다. 부이식은 이미 많은 부분이 발표됐다고 말했다. 예를 들어 세일즈포스와 워크데이(Workday) 모두 생성형 AI 전략을 마련했다. 부이식은 “마이크로소프트 코파일럿과 그 외에도 수많은 툴이 있다"라고 말했다. 부이식은 톰슨 로이터에서 이미 많은 생성형 AI 툴이 사용되고 있다고 말했다. 예를 들어 커뮤니케이션 팀은 AI를 사용해서 문서의 초안을 작성한다. “실제로 작업의 첫 번째 초안 작성에서 전반적으로 AI 툴을 사용할 여지가 있다. 다만 정확성은 AI에 의지할 수 없고 교육에서도 이 부분을 다뤘다. 처음 초안이 작성된 다음에는 사람이 편집한다. 즉, 사람의 전문성을 적용해서 더 높은 품질의 제품을 제공한다"라고 말했다. HR 분야에서는 생성형 AI를 사용해 직원 질문에 답하기와 관련한 실험이 진행 중이다. 부이식은 “초기 결과는 매우 만족스럽다. 지금까지 정확도는 95%이며 과거 이러한 질문에 답하느라 빼앗겼던 시간을 돌려줘서 부가가치를 창출하는 일에 투자할 수 있게 해준다"라고 말했다. 생성형 AI 도입을 위한 세 갈래 접근 부이식은 톰슨 로이터는 가능성에서 앞서 나가기 위해 AI 도입을 가속화하기 위한 전사적 이니셔티브를 출범했다고 말했다. 첫 번째 단계는 AI 표준과 윤리의 정립으로, 몇 년 전부터 해오고 있다. 부이식은 “톰슨 로이터는 30년 이상 AI를 사용하고 있다. 생성형 AI 이전에도 이 분야의 리더가 되기 위해 노력했다"라고 말했다. 부이식은 “다음 단계는 인력 교육이다. 이는 반드시 필요한 단계”라고 말했다. 톰슨 로이터는 지난 4월 전세계 모든 직원이 참여할 수 있는 AI 교육의 날을 열었다. 총 2만 7,000명의 직원 중 약 7,000명이 라이브로 이 이벤트에 참석했다. 부이식은 “그 외에도 수천 명이 비동기적으로 이 교육 자료를 활용하고 있다"라고 덧붙였다. 부이식에 따르면 참가자의 대다수는 이미 자신의 업무에 생성형 AI를 적용할 수 있다고 말했다. 부이식은 “이는 로이터 직원 대부분이 앞으로 일하면서 겪게 될 가장 중요한 혁신이다. 우리는 이 부분에서 선두에 서야 한다. 회사 측은 교육과 개발, 업스킬 및 리스킬에 대한 책임이 있다. 그러나 모든 개인도 배우고 발전해야 할 책임이 있다"라고 말했다. 톰슨 로이터 AI 전략의 세 번째 축은 모든 툴을 실험할 수 있는 안전한 장소를 제공하는 것이다. 부이식에 따르면 톰슨 로이터는 생산성 소프트웨어에 내장된 생성형 AI 외에도 오픈AI, 앤트로픽, 구글, 그리고 라마 2와 같은 오픈소스 모델을 포함한 다양한 대규모 언어 모델을 실험하고 있다. 부이식은 “변화의 속도가 매우 빠르다. 톰슨 로이터는 고객 사용 사례를 위해 최선의 기술을 활용하고자 한다"라고 말했다. 마지막으로, 이 회사는 학습과 실험의 문화를 강화하고 있다. 부이식은 “가장 빠르게 배우고 실험하는 팀이 승리하게 될 것”이라고 말했다. 위험을 고려해서 현명하게 선택하기 몇몇 엔터프라이즈 기술 업체는 생성형 AI 기능뿐만 아니라 모델을 학습시키는 방법 또는 사용할 구체적인 모델에 관한 유연함도 고객에 제공한다. IBM 컨설팅의 고얄은 “IBM은 세일즈포스를 사용한다. IBM의 세일즈포스 관리자는 나와 같은 최종 사용자가 그냥 볼 수 있도록 적절한 모델을 선택하고 구성할 수 있다. 세일즈포스는 임베디드 AI를 선택할 수 있는 옵션도 제공한다"라고 말했다. 고얄은 IBM 컨설턴트가 현재 기업과 협력해서 마이크로소프트 365를 비롯한 과련 기술로 무엇이 가능한지, 그리고 법률 및 보안 측면에서 생성형 AI가 어떤 영향을 미치는지에 대해 생각하도록 돕고 있다고 말했다. 고얄은 “IBM의 왓슨x(Watsonx)에 대한 입장은 확고하다. 고객의 데이터는 고객의 소유라는 것이다. IBM은 모델 학습에 고객 데이터를 절대 사용하지 않는다. 애저, AWS, 구글과 협력하고 있으며 이들 각 기업은 생성형 AI의 이 부분에 있어 예전부터 명확한 입장을 유지하고 있다. IBM의 파트너 및 고객 역시 마찬가지다. 고객이 업로드하거나 서비스에 사용하는 어떠한 데이터도 모델 학습에 사용되지 않는다. 그렇지 않으면 어떤 기업도 AI를 사용하지 않을 것”이라고 말했다. 이 원칙을 위반한 엔터프라이즈 업체의 예로 줌이 있다. 줌은 처음에 회의 녹취록을 AI 학습에 사용할 것이라고 말했다가 격렬한 반발에 직면해 황급히 철회한 바 있다. 그러나 초기 학습 데이터의 출처에 대해서는 업체의 투명성이 부족하다. 고얄도 그 점을 인정하면서 “왓슨x는 학습 데이터에 대한 완전한 데이터 계보를 제공한다. 그러나 모든 업체가 그렇지는 않다. 명확하게 밝히지 않는 경우가 많다"라고 말했다. 또한 몇몇 AI 업체는 저작권이 있는 상품을 허가 없이 AI 학습에 사용했다는 이유로 아티스트 및 작가로부터 피소된 상황이다. 고얄은 “AI에는 항상 위험이 있었다"라고 말했다. 대규모 언어 모델에는 과거의 오래된 위험이 더 증폭된 경우도 있고 새로운 위험도 있다. 고얄은 “기업은 생성형 AI를 사용할 때 가드레일을 설치해야 한다"라고 말했다. 그러나 기업에 결국 중요한 것은 이러한 새로운 기능을 어떻게 사용할 수 있을지를 살펴보는 것이다. 고얄은 “그 방법을 가장 빠르게 파악하는 기업이 승자가 되고 꿈처럼 보이는 일을 현실화할 수 있을 것”이라고 말했다. editor@itworld.co.kr
파이썬은 강력하고 유연하며 다루기 쉬운 언어로 유명하다. 이런 장점 때문에 방대하고 다양한 애플리케이션과 워크플로우, 분야에 사용된다. 그러나 인터프리티드 언어인 데다 런타임의 동적 특성 때문에 파이썬은 C, C++와 같은 머신 네이티브 언어에 비해 속도가 훨씬 더 느리다는 고질적인 단점이 있다. 개발자들은 오랜 시간 동안 파이썬의 속도 제한을 극복하기 위한 다양한 방법을 고민해왔다. 예를 들어 성능 집약적인 작업을 C로 작성하고 이 C 코드를 파이썬으로 래핑하는 방법 같은 것이다. 많은 머신러닝 라이브러리가 실제로 이 방식으로 동작한다. 또는 파이썬 코드에 런타임 형식 정보를 섞어 C로 컴파일할 수 있게 해주는 프로젝트인 사이썬(Cython)을 사용하는 방법도 있다. 그러나 차선책은 이상적인 방법일 수는 없다. 그냥 파이썬 프로그램을 그대로 가져와 훨씬 더 빠르게 실행할 수 있다면 좋지 않을까? 그 대답이 바로 파이파이(PyPy)다. 파이파이 vs. C파이썬 파이파이는 기본 파이썬 인터프리터인 C파이썬(CPython)을 대체한다. C파이썬은 파이썬을 중간 바이트코드로 컴파일하고 이 바이트코드가 가상머신에 의해 인터프리트되는 방식인 데 반해, 파이파이는 JIT(JustInTime) 컴파일을 사용해 파이썬 코드를 머신 네이티브 어셈블리어로 변환한다. 수행하는 작업에 따라 상당한 정도의 성능 향상이 가능하다. 평균적으로 파이파이는 파이썬 3.7에 비해 파이썬 속도를 약 4.7배 더 높여주며 일부 작업에서는 50배 이상의 속도 향상이 가능하다. 새로운 버전의 C파이썬 인터프리터에도 특정 종류의 JIT 최적화가 추가되고 있지만 현재 파이파이의 범위와 효과에 비할 바는 아니다. 앞으로 대등해질 가능성을 배제할 수 없지만 적어도 지금은 아니다. 가장 좋은 점은 파이파이가 제공하는 효과를 얻기 위해 개발자가 따로 해야 할 일이 거의 없다는 것이다. C파이썬을 파이파이로 바꾸기만 하면 된다. (다음에서 설명할) 몇 가지 예외는 있지만 파이파이의 공식적인 목표는 기존의 파이썬 코드를 수정 없이 실행하면서 자동으로 속도를 높여주는 것이다. 현재 파이파이는 파이썬 2와 파이썬 3을 각기 다른 프로젝트 구현으로 모두 지원한다. 즉, 실행할 파이썬의 버전에 따라 다른 버전의 파이파이를 다운로드해야 한다. 파이파이의 파이썬 2 브랜치가 나온 시점이 훨씬 더 오래됐지만 파이썬 3 버전도 최근 거의 따라잡았다. 현재 파이썬 버전 3.9까지 지원하며 파이썬 3.10은 실험 수준에서 지원된다. 파이파이는 모든 핵심 파이썬 언어를 지원하는 것 외에, 패키징을 위한 pip, 가상 환경을 위한 virtualenv 등 파이썬 생태계의 방대한 툴과도 호환된다. C 모듈을 사용하는 패키지를 포함해 대부분의 파이썬 패키지는 변경 없이 그대로 동작한다. 물론 일부 제한도 있다. 이는 아래에서 살펴본다. 파이파이의 작동 방식 파이파이는 동적 언어를 위한 다른 JIT 컴파일러에도 있는 최적화 기법을 사용한다. 실행 중인 파이썬 프로그램을 분석하면서 생성 및 사용되는 객체의 형식 정보를 판단한 후 이 형식 정보를 가이드 삼아 속도를 높인다. 예를 들어 파이썬 함수가 한두 개의 객체 형식에서만 작동한다면 파이파이는 이러한 특정 사례를 처리하는 기계 코드를 생성한다. 파이파이의 최적화는 런타임에서 자동으로 처리되므로 일반적으로는 개발자가 직접 성능을 조정할 필요가 없다. 고급 사용자라면 파이파이의 명령줄 옵션을 변경하면서 특수한 사례를 위한 더 빠른 코드를 생성할 수 있지만 그럴 필요까지는 거의 없다. 또한 파이파이는 몇몇 내부 함수를 처리하는 방식도 C파이썬과 다르지만 동작의 호환성을 유지하려고 노력한다. 예를 들어 파이파이의 가비지 수집 방식은 C파이썬과 달라서 범위에서 벗어나는 모든 객체가 즉각 수집되지는 않으므로 파이파이로 실행되는 파이썬 프로그램은 C파이썬으로 실행되는 경우에 비해 메모리 사용량이 더 높게 표시될 수 있다. 그러나 gc 모듈을 통해 노출되는 gc.enable(), gc.disable(), gc.collect()와 같은 파이썬의 고수준 가비지 수집 컨트롤을 여전히 사용할 수 있다. 파이파이의 JIT 동작에 대한 정보가 필요하다면 파이파이에 포함된, 파이썬 애플리케이션에 대한 많은 JIT 후크를 노출하는 pypyjit라는 모듈을 활용하면 된다. JIT에서 성능이 떨어지는 함수 또는 모듈이 있는 경우 pypyjit를 사용해 세부적인 통계를 확인할 수 있다. 또 다른 파이파이 전용 모듈인 __pypy__는 파이파이만의 다른 기능을 노출하며 해당 기능을 활용하는 애플리케이션을 작성하는 데 유용하다. 파이썬의 런타임 동적 특성 덕분에 파이파이가 있을 때 이러한 기능을 사용하고, 없을 때는 무시하는 파이썬 애플리케이션을 만드는 것이 가능하다. 파이파이의 제약 파이파이는 매우 강력하지만 제약도 있다. 파이파이는 기본 C파이썬 런타임에 대한 완전한 범용 대체재는 아니다. 몇 가지 제약으로 인해 특정 종류의 프로그램에서는 파이파이의 효과가 줄어들거나 아예 사라진다. 가장 중요한 제한 사항은 다음과 같다. 파이파이는 순수 파이썬 앱에서 가장 효과적 : 파이파이는 전통적으로 “순수” 파이썬 애플리케이션, 즉 다른 언어 없이 파이썬만으로 작성된 애플리케이션에서 최고의 효과를 발휘했다. 넘파이(NumPy)와 같이 C 라이브러리와 접촉하는 파이썬 패키지는 파이파이가 C파이썬의 네이티브 바이너리 인터페이스를 에뮬레이션하는 방식상 좋은 결과를 얻지 못했다. 파이파이 개발자들은 그동안 이 문제를 줄여 나가면서 C 확장에 의존하는 대다수 파이썬 패키지와의 호환성을 더 높였다. 예를 들어 넘파이는 지금은 파이파이에서 매우 잘 작동한다. 그러나 최대한의 C 확장 호환성을 원한다면 C파이썬을 사용해야 한다. 파이파이는 장기간 실행되는 프로그램에서 가장 효과적 : 파이파이가 파이썬 프로그램을 최적화하는 방법의 특성상 장시간 실행되는 프로그램이 최적화 효과를 가장 많이 얻는다. 프로그램 실행 시간이 길수록 파이파이는 런타임 형식 정보를 더 많이 얻을 수 있고 최적화도 더 많이 할 수 있기 때문이다. 단발성 파이썬 스크립트는 이러한 혜택을 얻지 못한다. 이 효과를 얻는 애플리케이션은 일반적으로 오랜 시간 실행되는 루프가 있거나 백그라운드에서 지속적으로 실행되는 웹 프레임워크 같은 애플리케이션이다. 파이파이는 AOT 컴파일을 하지 못함 : 파이파이는 파이썬 코드를 컴파일하지만 파이썬 코드용 컴파일러는 아니다. 파이파이의 최적화 수행 방법과 파이썬의 태생적인 동적 특성으로 인해 JIT 코드를 독립형 바이너리로 배출해서 재사용할 방법이 없다. 즉, 이 문서에 설명돼 있듯이 각 프로그램이 실행될 때마다 매번 컴파일해야 한다. 파이썬을 독립형 애플리케이션으로 실행할 수 있는 더 빠른 코드로 컴파일하고 싶다면 사이썬, 넘바(Numba), 또는 현재 실험 단계인 누이트카(Nuitka) 프로젝트를 사용해야 한다. editor@itworld.co.kr
머신러닝(Machine learning)과 딥러닝(deep learning)은 널리 알려진 익숙한 용어지만, 이런 유명세 만큼이나 더 폭넓은 오해를 받는 부분도 있다. 여기서는 한 걸음 물러서서 머신러닝과 딥러닝의 기본을 살펴보고, 가장 보편적인 몇 가지 머신러닝 알고리즘을 알아본다. 이런 알고리즘이 역사적 데이터로부터 예측 모델을 만들기 위한 퍼즐의 다른 조각과 어떻게 관련되는지도 설명한다. 머신러닝 알고리즘이란 머신러닝은 데이터로부터 자동으로 모델을 생성하는 방법이고, 머신러닝 알고리즘은 머신러닝을 움직이는 엔진이다. 즉, 데이터 집합을 모델로 바꿔주는 알고리즘이다. 지도, 비지도, 분류, 회귀 등 어떤 알고리즘이 가장 효과적인지는 해결하려는 문제의 종류, 가용한 컴퓨팅 리소스, 데이터의 속성에 따라 달라진다. 머신러닝의 작동 원리 일반적인 프로그래밍 알고리즘은 컴퓨터에 해야 할 일을 간단한 방식으로 알려준다. 예를 들어 정렬 알고리즘은 정렬되지 않은 데이터를 데이터에 있는 하나 이상 필드의 숫자 또는 알파벳 순서 등 특정 기준에 따라 정렬된 데이터로 변환한다. 선형 회귀 알고리즘은 직선, 또는 다항식과 같이 매개변수가 선형인 다른 함수를 수치 데이터에 맞추는데, 이를 위해 일반적으로 사용하는 방법은 선과 데이터 간의 제곱 오차를 최소화하기 위해 행렬 역변환을 수행하는 것이다. 제곱 오차를 척도로 사용하는 이유는 회귀선이 데이터 포인트 위에 있는지, 아래에 있는지는 중요하지 않기 때문이다. 중요한 것은 선과 포인트 간의 거리다. 매개변수가 선형이 아닌 곡선을 데이터에 맞추는 비선형 회귀 알고리즘은 조금 더 복잡하다. 선형 회귀 문제와 달리 결정론적 방법으로 해결할 수 없기 때문이다. 대신 비선형 회귀 알고리즘은 일종의 반복적 최소화 프로세스를 구현하는데, 이는 급속 하강(steepest descent) 방법의 변형인 경우가 많다. 급속 하강은 기본적으로 현재 매개변수 값에서 제곱 오차와 그 기울기를 계산하고, 단계 크기 즉, 학습률을 선택하고, 기울기 방향을 "아래로" 따라간 다음, 새로운 매개변수 값에서 제곱 오차와 그 기울기를 다시 계산한다. 운이 좋다면 최종적으로 이 과정은 수렴한다. 급속 하강에는 수렴 속성을 개선하고자 하는 여러 변형이 있다. 머신러닝 알고리즘은 비선형 회귀보다도 더 복잡한데, 머신러닝은 다항식과 같은 특정 수학 함수에 맞추는 제약이 없다는 점도 그 이유 중 하나다. 머신러닝이 해결하는 대표적인 두 가지 문제 범주는 회귀와 분류다. 회귀는 수치 데이터, 분류는 비수치 데이터에 사용된다. 전자는 특정 주소와 직업을 가진 사람의 예상 수입은 어느 정도인가와 같은 문제, 후자는 대출 신청자가 이 대출을 상환하지 않을 것인가와 같은 문제다. 예측 문제(“내일 마이크로소프트 주식의 시초가는 얼마가 될까?”)는 시계열 데이터에 대한 회귀 문제의 하위 집합이다. 분류 문제는 이진(예/아니요), 다중 범주 문제(동물, 채소 또는 광물)로 나뉘기도 한다. 지도 학습 vs. 비지도 학습 이러한 구분과 별개로 머신러닝 알고리즘에는 지도와 비지도, 2가지 종류가 있다. 지도 학습에서는 동물 이름이 딸린 일련의 동물 사진과 같은, 답변이 포함된 학습 데이터 집합을 제공한다. 이 학습의 목표는 이전에 본 적이 없는 사진을 올바르게 식별(학습 집합에 포함된 동물의 종류)할 수 있는 모델을 만드는 것이다. 비지도 학습에서는 알고리즘이 스스로 데이터를 살펴보고 유의미한 결과를 도출하려고 시도한다. 예를 들어 각 클러스터 내에서 연관될 수 있는 데이터 포인트의 클러스터 집합이 결과로 나올 수 있다. 클러스터가 겹치지 않을 때 더 효과적으로 작동한다. 학습과 평가를 통해 매개변수를 최적화해 데이터의 기준 진실과 가장 잘 일치하는 값 집합을 찾음으로써 지도 학습 알고리즘을 모델로 바꾼다. 알고리즘은 옵타마이저를 위해 예를 들어 확률적 경사 하강(SGD: 무작위 시작점에서 여러 번 수행되는 급속 하강이라고 할 수 있음)과 같은 급속 하강의 변형에 의존하는 경우가 많다. SGD의 일반적인 개선 방법은 운동량을 기반으로 경사의 방향을 수정하거나, 한 데이터 패스(에포크라고 함)에서 다음 패스로의 진행에 따라 학습률을 조정하는 요소를 추가하는 것이다. 머신러닝을 위한 데이터 정제 자연 상태에서 깨끗한 데이터는 존재하지 않는다. 머신러닝에 사용하려면 데이터를 적극적으로 필터링해야 한다. 예를 들면 다음과 같다. 데이터를 살펴보고 누락된 데이터가 많은 열을 제외한다. 데이터를 다시 살펴보면서 예측에 사용할 열을 선택한다. 이 열은 반복할 때 바꾸는 경우가 많다. 나머지 열에서 여전히 누락된 데이터가 있는 행을 제외한다. 명백한 오타를 교정하고 동일한 답변을 병합한다. 예를 들어 U.S. US. USA, 미국은 하나의 범주로 병합해야 한다. 범위를 벗어난 데이터가 있는 행을 제외한다. 예를 들어 뉴욕시 내의 택시 이동을 분석한다면 뉴욕시 경계 상자를 벗어난 승하차 위도 및 경도는 필터링으로 걸러낸다. 그 외에도 할 수 있는 일이 많지만 이는 수집된 데이터에 따라 달라진다. 지루한 작업일 수 있으나 머신러닝 파이프라인에 데이터 정제 단계를 두면 자유롭게 수정하고 반복할 수 있다. 머신러닝을 위한 데이터 인코딩 및 정규화 머신 분류를 위해 범주 데이터를 사용하려면 텍스트 레이블을 다른 양식으로 인코딩해야 한다. 일반적으로 2가지 인코딩이 사용된다. 첫째는 레이블 인코딩으로, 각 텍스트 레이블이 숫자로 대체된다. 둘째는 원핫(onehot) 인코딩으로, 각 텍스트 레이블 값이 이진 값(1 또는 0)이 있는 열로 변환된다. 대부분의 머신러닝 프레임워크에는 이 같은 변환을 수행하는 함수가 있다. 레이블 인코딩의 경우 머신러닝 알고리즘이 혼동해서 인코딩된 열이 정렬된 것으로 착각할 수 있으므로 일반적으로 원핫 인코딩이 선호된다. 머신 회귀에 숫자 데이터를 사용하려면 일반적으로 데이터를 정규화해야 한다. 그렇지 않으면 범위가 큰 숫자가 특징 벡터 간의 유클리드 거리를 지배하는 경향이 있고, 이들의 효과가 확대되면서 다른 필드가 희생되고 급속 하강 최적화가 잘 수렴되지 않을 수 있다. ML을 위해 데이터를 정규화 및 표준화하는 방법은 최소최대 정규화, 평균 정규화, 표준화, 단위 길이로 스케일링 등 여러 가지가 있다. 이 프로세스를 보통 특징 스케일링(feature scaling)이라고 한다. 머신러닝 특징 앞에서 언급한 특징(feature) 벡터가 무엇인지 알아보자. 우선, 특징이란 관찰 대상 현상의 측정 가능한 개별적인 속성 또는 특성이다. “특징”이라는 개념은 선형 회귀와 같은 통계 기법에서 사용되는 설명 변수와 관계가 있다. 특징 벡터는 한 행의 모든 특징을 하나의 숫자 벡터로 결합한다. 특징을 선택하는 기법 중 하나는 문제를 설명하는 최소 독립 변수 집합을 선택하는 것이다. 두 변수가 고도로 상호 연관된다면 하나의 특징으로 결합해야 하거나 하나를 삭제해야 한다. 주성분 분석을 수행하여 상호 연관된 여러 변수를 선형적으로 상호 연관되지 않은 변수들의 집합으로 변환하는 경우도 종종 있다. 새로운 특징을 구축하거나 특징 벡터의 차원을 축소하기 위해 사용하는 변환 방법 중에서 간단한 방법도 몇 가지 있다. 예를 들어 Year of Death에서 Year of Birth를 빼면 수명 및 사망 분석을 위한 주요 독립 변수인 Age at Death를 구축할 수 있다. 특징 구축이 명확하지 않은 경우도 있다. 일반적인 머신러닝 알고리즘 머신러닝 알고리즘은 선형 회귀와 로지스틱 회귀부터 심층 신경망 및 앙상블(다른 모델의 조합)에 이르기까지 수십 가지가 있지만 가장 일반적인 알고리즘은 다음과 같다. 선형 회귀 또는 최소 제곱 회귀(숫자 데이터) 로지스틱 회귀(이진 분류) 선형 판별 분석(다중 범주 분류) 결정 트리(분류와 회귀) 나이브 베이즈(분류와 회귀) K최근접 이웃(KNN, 분류와 회귀) 학습 벡터 양자화(LVQ, 분류와 회귀) 서포트 벡터 머신(SVM, 이진 분류) 랜덤 포레스트, “배깅” 앙상블 알고리즘의 한 유형(분류와 회귀) 부스팅 방법(AdaBoost 및 XGBoost 포함)은 일련의 모델을 생성하는 앙상블 알고리즘으로, 각각의 새로운 모델이 이전 모델의 오류를 수정하려고 시도 흔히 듣는 신경망과 심층 신경망은 어디에 있을까? 이 둘은 대체로 계산 집약적이라서 GPU 또는 다른 특수한 하드웨어가 필요하므로 비교적 단순한 알고리즘에는 맞지 않는 이미지 분류, 음성 인식과 같은 특수한 문제에만 사용해야 한다. 위에서 “심층”은 신경망 안에 숨은 계층이 많다는 것을 의미한다. 신경망과 심층 신경망에 대한 더 자세한 내용은 “딥러닝의 진정한 의미”를 참고하면 된다. 머신러닝 알고리즘의 초매개변수 머신러닝 알고리즘은 데이터로 학습해서 예측된 값 또는 클래스에 영향을 미치는 각 독립 변수에 대한 최적의 가중치 집합을 찾는다. 알고리즘 자체에는 초매개변수(hyperparameters)라는 변수가 있다. 결정되는 가중치가 아니라 알고리즘의 작동을 제어하기 때문에 매개변수가 아닌 초매개변수로 불린다. 많은 경우 가장 중요한 초매개변수는 학습률이다. 학습률은 최적화에서 다음에 시도할 가중치 집합을 찾을 때 사용되는 단계 크기를 결정한다. 학습률이 너무 높으면 경사 하강이 평지(plateau) 또는 비최적 지점에 빠르게 수렴할 수 있고, 학습률이 너무 낮으면 경사 하강이 정체되어 완전히 수렴하지 않을 수 있다. 다른 많은 일반적인 초매개변수는 사용되는 알고리즘에 따라 달라진다. 대부분 알고리즘에는 최대 에포크 수, 또는 최대 실행 시간, 에포크 간 최소 개선과 같은 중지 매개변수가 있다. 특정 알고리즘에는 검색의 형태를 제어하는 초매개변수가 있다. 예를 들어 랜덤 포레스트에는 리프당 최소 샘플 수, 최대 깊이, 분할 시 최소 샘플 수, 리프의 최소 가중치 비율, 그 외에 8가지에 대한 초매개변수가 있다. 초매개변수 튜닝 여러 프로덕션 머신러닝 플랫폼이 현재 자동 초매개변수 튜닝을 제공한다. 기본적으로 시스템에 변경할 초매개변수와 최적화하고자 하는 메트릭을 알려주면 시스템은 허용되는 만큼 많은 실행 횟수에 걸쳐 이러한 초매개변수를 스윕한다. 단, 구글 클라우드 초매개변수 튜닝은 텐서플로우 모델에서 적절한 메트릭을 추출하므로 직접 지정할 필요가 없다. 초매개변수 스위핑을 위한 검색 알고리즘에는 베이지안(Bayesian) 최적화, 그리드(grid) 검색, 무작위 검색의 3가지가 있다. 베이지안 최적화가 대체로 가장 효율적이다. 최대한 많은 초매개변수를 튜닝해야 최선의 답을 얻는다고 생각할 수 있다. 그러나 개인 하드웨어에서 실행하는 경우가 아닌 한 비용이 상당히 커질 수 있고, 어떤 경우든 얻는 이득은 점점 줄어든다. 자신의 데이터와 선택한 알고리즘에서 가장 중요한 초매개변수는 경험을 통해 발견할 수 있다. 자동 머신러닝 알고리즘 선택에 대해 말하자면, 어느 알고리즘 또는 알고리즘 앙상블이 현재 데이터에 맞는 최선의 모델을 제공할지 아는 방법은 하나밖에 없다. 모두 시도해 보는 것이다. 여기서 가능한 모든 정규화 및 특징 선택까지 시도한다면 조합의 수는 폭발적으로 증가한다. 모든 것을 수동으로 시도한다는 것은 비현실적이므로, 당연히 머신러닝 툴 제공업체들은 많은 노력을 기울여 오토ML(AutoML) 시스템을 출시했다. 우수한 시스템은 특징 공학과 알고리즘 및 정규화에 대한 스윕을 결합한다. 최선의 모델에 대한 초매개변수 튜닝은 나중을 위해 남겨두는 경우가 많다. 다만 특징 공학은 자동화하기 어려운 문제이며 이 부분을 다루지 않는 오토ML 시스템도 있다. 요약하자면, 머신러닝 알고리즘은 머신러닝 퍼즐의 한 조각일 뿐이다. 알고리즘 선택(수동 또는 자동) 외에도 옵티마이저, 데이터 정제, 특징 선택, 특징 정규화, 그리고 선택적으로 초매개변수 튜닝까지 처리해야 한다. 이 모든 부분을 처리하고 데이터에 맞는 모델을 구축했다면, 이제 모델을 배포하고 조건의 변화에 따라 업데이트할 차례다. 프로덕션의 머신러닝 모델을 관리하는 것은 또 다른 문제다. editor@itworld.co.kr
최신 윈도우 11 기능을 따라가다 보면 쉽게 혼란스러워진다. 마이크로소프트 빌드(Microsoft Build) 행사와 함께 새로운 기능이 끊임없이 쏟아지는 5월에는 더욱 그렇다. 올해도 마찬가지였다. 마이크로소프트는 실용적인 것부터 이상적인 것까지 빌드 행사에서 다양한 윈도우 11 기능을 쏟아냈다. 올해 빌드 행사에서는 윈도우 11의 모멘트 3(Moment 3)과 함께 흥미로운 새 기능이 공개됐고 향후 출시될 더 많은 기능에 대한 힌트도 얻을 수 있었다. 다만 소규모 기능 업데이트인 모멘트는 언제든 배포될 수 있기 때문에 출시 시기는 달라질 수 있다. 현재 모멘트 3에 도입될 것으로 알려진, 그리고 사용자 PC에 배포될 여러 새 기능을 간단히 설명한다. 윈도우 11 모멘트 3의 기능들 이제부터 소개할 모멘트 3 기능은 기본 기능이 아니라 옵션이며, 새로운 기능을 출시 즉시 받겠다고 미리 설정하지 않은 이상 6월 이후에야 배포된다. 2023년 6월, 아마도 패치 화요일 주기를 고려하면 6월 13일쯤 윈도우 11 비보안 프리뷰 릴리즈에 추가 선택 형식으로 배포될 예정이다. 새로운 기능을 한발 먼저 사용하는 것을 좋아하고 최신 업데이트가 출시되는 즉시 받고 싶은 사용자라면 윈도우 11 설정 앱의 ‘윈도우 업데이트 항목’으로 이동한다. 여기서 ‘최신 업데이트가 제공되는 즉시 받기’ 메뉴의 토글을 켠다. 마이크로소프트는 사용자의 삶의 질을 조금씩 개선하는 기능을 단계적으로 릴리즈한다. 모멘트 3 역시 마찬가지다. 마이크로소프트는 이달 초 이들 기능을 윈도우 참가자 프로그램 22621.1776(릴리즈 채널) 베타 일부분으로 테스트했고 이제 최종 릴리즈로 배포했다. 더 넓은 위젯 창 : 윈도우 11에 추가된 흥미로운 변화는 사용자가 앱을 더 많이 설정할 수 있도록 많은 공간을 확보하는 위젯의 변화다. 위젯은 2개가 아닌 3개 열로 더 넓어지고 개인화할 수 있다. 마이크로소프트가 공개한 새로운 위젯 선택기를 보면 사용자는 자신이 선택한 위젯이 어떤 모습으로 나타날지 미리 볼 수 있으며, 더 많은 위젯을 찾을 수 있다(위젯 선택기는 조금 늦게 배포될 수 있다). 센서 설정 : 일부 노트북은 사용자가 자리를 비우거나 보안을 위해 PC를 잠가 둘 경우 화면을 자동으로 어둡게 조정하는 존재 감지 센서가 있다. 설정 개인정보 보호 및 보안 감지 센서에서 관리할 수 있다. VPN 아이콘 : 이제 VPN을 사용할 때 작업표시줄에 작은 방패 아이콘이 나타난다. USB4 허브 및 설정 : 인텔 기반 노트북은 보통 썬더볼트 독과 연결된다. 그러나 USB4는 AMD 라이젠 노트북에서 거의 동일한 기능을 수행한다. 어떤 것이든 새로운 윈도우 설정 페이지에서는 노트북의 USB4 기능과 연결된 주변장치의 정보를 알 수 있다. 블루투스 지원 확대 : 윈도우 11은 이제 갤럭시 버드2나 버드2 프로 같은 이어폰에서 지원하는 저전력 오디오 표준인 블루투스 저전력 오디오(Bluetooth Low Energy Audio)를 지원한다. 계정 아이콘 배지 : 시작 메뉴의 계정 아이콘에 작은 느낌표가 나타나면 마이크로소프트 계정 관리에 주의가 필요하다는 뜻이다. 다른 윈도우 기능에 대한 유용한 알림(즉, 광고)과 연결되어 있다. 라이브 자막 언어 확대 : 자막이 없는 콘텐츠에 자막을 자동으로 제공한다. 라이브 자막은 중국어, 다양한 영어 방언, 프랑스어, 독일어, 스페인어 등을 지원한다. 마이크로소프트가 이전 프리뷰에서 공개한 내용을 기반으로 할 때 모먼트 3 릴리즈에서는 다음과 같은 작은 변경도 있을 것으로 보인다. 새로운 프린트 화면 바로가기 : PrtScn 키를 누르면 이제 캡처 도구가 열린다. 원드라이브 저장공간 표시 : 윈도우 11 설정 앱 안의 계정 페이지에서 사용자의 모든 원드라이브 구독 내용에 할당된 저장 공간의 전체 양을 확인할 수 있다. 2FA 복사 : '휴대폰과 연결' 앱으로 PC에 스마트폰을 연결하면 다른 서비스에서 받은 2FA 인증 코드가 자동으로 복사된다. 터치 키보드 옵션 : 새로운 설정 시간 및 언어 입력 터치 키보드 설정에서 터치 키보드를 항상 보이게 할지, 아예 없앨지, 하드웨어 키보드를 연결하지 않았을 때만 보이게 할지 선택할 수 있다. 키보드를 떼었다 붙일 수 있는 서피스 프로 같은 노트북에서 특히 유용하다. 초 시계 : 이제 작업 표시줄 시계 앱에서 초 단위의 시간을 알 수 있다. 검색용 빙 챗 AI 바로가기 : 이제 검색창에 작은 빙 챗 아이콘이 나타난다. 기업 계정으로 로그인할 때는 기업 아이콘으로 바뀐다. 콘텐츠 적응형 밝기 제어 : 콘텐츠 종류에 따라 디스플레이를 밝거나 어둡게 할 수 있다. HDR은 아니지만 유사한 기능이다. 모먼트 3 이외의 새로운 윈도우 11 기능들 마이크로소프트는 빌드 행사에서 모먼트 3 이외의 신규 기능도 공개했지만 출시 시기는 아직 알려지지 않았다. 일부는 윈도우 참가자 프로그램 베타 코드에서 보았거나 앞으로 볼 가능성이 있고, 다른 기능은 모먼트 업데이트를 통해 윈도우 PC에 배포될 것이다. WinRAR 지원 : WinRAR, 7Zip, GZ 같은 압축 포맷 형식이 윈도우에 통합된다는 반가운 소식이 전해졌다. 마이크로소프트는 해당 기능을 빠른 시일 내에 테스트할 것이으로 보이며, 완전한 압축 해제 기능이 윈도우 11에 릴리즈되는 것은 9월쯤으로 예상된다. 2024년에는 RAR, Zip 같은 다른 압축 파일을 생성하는 것도 가능하다. 윈도우 코파일럿 : 빌드 행사에서 큰 주목을 받은 윈도우 코파일럿은 AI 기술을 윈도우로 가져온다. 마이크로소프트는 6월 중 윈도우 코파일럿 출시를 약속했지만, 구체적인 방법은 알려지지 않았다. 윈도우 참가자 프로그램에서 윈도우 코파일럿을 확인할 수 있기를 기대한다. 작업표시줄 앱 그룹 해제 : 윈도우 10에서는 작업표시줄 내 다수 앱에 개별 레이블을 지정해 표시할 수 있다. 윈도우 11도 이 기능을 다시 수용했다. 참가자 프로그램(개발자 채널) 릴리즈에서 이번 주에 공개될 예정이다. 머지않아 전체 공개되기를 기대한다. 작업표시줄 앱 우클릭 : 작업표시줄과 관련한 또 하나의 재미있는 기능이 있다. 마치 작업 관리자에서 하듯이 작업표시줄에서 앱을 우클릭해 진행 중인 작업을 종료할 수 있다. 윈도우 백업 : 마이크로소프트는 참가자 프로그램(개발자 채널)에서 윈도우 백업을 테스트하고 있다. 윈도우 백업은 파일, 폴더(데스크톱에서의 레이아웃 위치까지), 앱과 더 많은 데이터를 클라우드에 저장하고 새로운 PC에서 재설치를 지원하는 기능이다. RGB 조명 제어 : 크리스마스트리처럼 색색의 조명을 달고 작동 중일 때마다 반짝거리는 PC 주변장치를 여럿 소유하고 있다면 축배를 들 만한 소식이다. 최근 마이크로소프트는 RGB 조명을 윈도우에서 제어하는 기능을 추가하고 업계에 표준화된 설정을 제공한다고 밝혔다. editor@itworld.co.kr
PC 사용자에게 가장 인기 있는 웹 브라우저인 크롬은 처음에는 빠르고 반응성 좋은 브라우징 경험을 제공하지만, 시간이 지나면 캐시 파일, 확장 프로그램, 리소스 소비 등의 요인 때문에 느려질 수 있다. 크롬의 성능을 향상시키는 방법은 브라우저 최신 상태 유지, 캐시 삭제, 이용 가능한 특수 기능 활용 등 많다. 크롬 실행 속도를 최대한 빠르게 유지하는 간단한 9가지 방법을 소개한다. 크롬을 항상 업데이트할 것 크롬을 최신 버전으로 업데이트하면 가장 최근의 성능 개선과 버그 수정, 보안 업데이트를 확보할 수 있다. 구글은 브라우저에 업데이트를 자주 제공하므로 항상 최신 상태를 유지하는 것이 중요하다. 업데이트는 브라우저를 닫을 때 백그라운드에서 자동으로 실행되도록 설계되어 있으며, 브라우저를 닫는 일이 거의 없다면 업데이트를 직접 확인해야 한다. 크롬은 업데이트 시간이 되면 브라우저 창 우측 상단 구석에 버튼이 생긴다. 이 버튼을 누르면 업데이트된다. 버튼이 보이지 않는다면 창 우측 상단 구석에서 세로 방향 점 3개 도움말 Chrome 정보를 클릭한다. 그러면 크롬이 업데이트를 확인한 후 설치한다. 다시 시작을 클릭하면 크롬 업데이트가 완료되고 크롬이 닫힌다. 따라서 업데이트 전에는 탭에 미완성 작업이 열려 있지 않은 지 확인해야 한다. 너무 많은 탭을 열지 말 것 브라우저에서 탭을 여러 개 열어 놓으면 메모리가 소비되며, 메모리만큼은 아니지만 CPU도 소비된다. 열어 놓은 탭의 개수가 늘어날수록 컴퓨터 리소스에 대한 수요도 늘어난다. 성능이 저하되고 페이지 로드 시간이 늘어날 수 있다. 시스템이 과부하 상태가 되면 정지 또는 멈춤 현상까지 발생할 수 있다. 미사용 확장 프로그램을 설정 해제할 것 확장 프로그램은 브라우저에 기능을 추가하는 작은 소프트웨어 프로그램이다. 유용하지만 너무 많이 설치하거나 부실하게 최적화된 것을 사용하면 구글 크롬의 성능에 부정적인 영향을 미칠 수 있다. 불필요한 확장 프로그램을 설정 해제하면 브라우저의 성능을 높일 수 있다. 브라우저 확장 프로그램을 설정 해제하는 방법은 간단하다. chrome://extensions 로 들어가 해당 확장 프로그램의 슬라이더를 끔 위치로 밀거나 삭제를 클릭하면 된다. 브라우징 데이터를 삭제할 것 기록, 쿠키, 캐시 파일 등의 브라우징 데이터를 삭제하면 디스크 공간이 확보되고 오래되거나 손상된 파일로 야기된 웹사이트 문제가 해결되므로 성능 향상에 도움이 된다. 시스템 성능뿐 아니라 개인정보보호 및 보안도 향상된다. 일반적으로 쿠키와 캐시 파일은 빠른 접근을 위해 컴퓨터의 RAM에 저장되므로 브라우징 데이터를 삭제하면 RAM 사용량을 줄여 성능이 향상될 수도 있다. 특히 장치의 메모리가 한정적인 경우, 브라우징이 부드러워지고 페이지 로딩 시간도 빨라지는 것이 보통이다. 브라우징 데이터를 삭제하는 방법은 세로 방향 점 3개 설정 개인 정보 보호 및 보안을 클릭한 후 각 옵션을 개별적으로 선택하고 데이터를 삭제하면 된다. 웹 페이지 미리 로드를 설정할 것 웹 페이지 미리 로드를 설정하면 웹 페이지에 실제로 도착하기 전에 리소스를 가져와 로드 함으로 성능이 향상된다. 사용자가 링크 위에 커서를 가져가거나 특정 페이지에 방문할 것으로 예측되면 크롬은 해당 페이지를 표시하는 데 필요한 리소스(예 : 이미지, CSS, 자바스크립트 파일)을 가져오기 시작한다. 이 작업은 사용자가 아직 현재 페이지에 있는 동안 배경에서 수행된다. 사용자가 결국 링크를 클릭하는 시점에는 컨텐츠의 많은 부분이 이미 로드 된 상태이므로 페이지의 로드 속도가 더욱 빨라 보인다. 웹 페이지 미리 로드를 설정하는 방법은 세로 방향 점 3개 설정 개인 정보 보호 및 보안 쿠키 및 기타 사이트 데이터를 클릭한 후 빠른 탐색 및 검색을 위해 페이지 미리 로드 옆에 있는 슬라이더를 켬 위치로 밀면 된다. 크롬의 에너지 절약 모드를 사용할 것 크롬의 에너지 절약 모드는 주요 기능이 배터리 지속 시간을 아끼는 것이지만 특정 배경 활동을 제한하는 방식으로 성능도 약간 향상시킨다. 에너지 절약 모드는 배터리 잔량이 20% 이하인 경우에만 사용 설정할 수 있으며, 컴퓨터의 전원이 연결되어 있지 않을 때 사용 설정할 수도 있다. 에너지 절약 모드를 설정하려면 세로 방향 점 3개 설정 성능을 클릭하고 전원 그룹에서 에너지 절약 모드 옆에 있는 슬라이더를 켬 위치로 민 다음 이 기능을 활성화하고자 하는 경우를 선택한다. 하드웨어 가속을 설정할 것 하드웨어 가속을 설정하면 크롬은 하드웨어 가속이 도움이 되는 특정 작업에 컴퓨터의 GPU를 사용한다. GPU는 그래픽 집약적인 작업을 효율적으로 처리하도록 설계되었고 특정 연산을 병렬로 처리할 수 있기 때문에 동영상 재생, 애니메이션, 그래픽 렌더링과 같은 작업에 더욱 적합하다. 이런 작업 중 일부를 CPU에서 GPU로 전가하면 성능이 향상되고 웹 컨텐츠 렌더링이 부드러워지며 시스템 리소스 소비가 줄어든다. 이는 고성능 그래픽 카드가 탑재된 시스템에서나 그래픽 요소가 많은 애플리케이션 및 웹사이트를 사용하는 경우에 특히 유익하다. 하드웨어 가속을 설정하려면 세로 방향 점 3개 설정 시스템을 클릭한 후 가능한 경우 하드웨어 가속 사용 옆에 있는 슬라이더를 켬 위치로 민다. 구글 플래그에서 GPU 래스터화를 설정할 것 래스터화는 벡터 그래픽(예: HTML, CSS, SVG 요소)을 화면에 표시될 수 있는 픽셀로 변환하는 과정이다. 기본적으로 크롬은 래스터화에 CPU를 사용한다. GPU 래스터화를 설정하면 이 작업이 컴퓨터의 GPU로 대신 전가된다. GPU는 CPU보다 그래픽 처리를 더욱 효율적으로 처리하도록 설계되었으므로 특히 고성능 GPU가 탑재된 시스템에서 웹 페이지의 렌더링이 빨라지고 성능이 향상될 수 있다. GPU 래스터화를 설정하는 방법은 chrome://flags로 이동하여 GPU Rasterization(GPU 래스터화)를 검색한 후 항목 옆에서 Enabled(설정)을 선택하면 된다. 이는 실험적인 기능이며 구글 크롬은 이 기능을 테스트 목적으로만 사용함을 분명히 밝히고 있다는 점에 유념해야 한다. 사용할 수 있다고 해서 사용해야 하는 것은 아니다. 위험이 보상보다 클 수도 있다. 또한, 하드웨어 가속을 설정했다면 래스터화도 어차피 설정되어 있다. 구글 크롬 설정을 초기화할 것 크롬을 기본 설정으로 초기화하면 브라우저가 원래 구성으로 복원되고 속도 저하 등의 문제의 원인인 사용자화, 확장 프로그램, 설정이 제거되므로 성능 문제가 해결될 수 있다. 이 방법은 다른 성능 개선 방법을 시도했으나 실패했거나 어떤 구체적인 설정이나 확장 프로그램이 문제의 원인인지 확실하지 않은 경우에 사용하면 좋다. 구글 크롬 설정을 초기화하려면 세로 방향 점 3개 설정 설정 초기화를 클릭하면 나오는 페이지에서 설정을 기본 값으로 복원하는 옵션을 선택하면 된다. 구글은 이미 크롬 속도를 높이고 있다 구글 크롬 112는 이 인기 웹 브라우저의 성능을 상당히 개선했다. innerHTML 파싱을 위한 전문 고속 경로뿐만 아니라 toString() 및 join()와 같은 자바스크립트 함수가 최적화되었다. 이런 기능은 다수의 웹사이트와 웹 앱에 걸쳐 널리 활용되면서 웹 브라우징에 눈에 띄는 차이를 가져왔다. 구글은 이런 개선 덕분에 3개월간 애플의 스피도미터(Speedometer) 2.1 브라우저 벤치마크가 10% 증가했다고 전했다. 크롬을 항상 최신 상태로 유지해야 할 또 하나의 이유다. 구글이 노고를 들여 항상 내놓는 성능 업데이트를 적극 활용하자. editor@itworld.co.kr
‘챗GPT’는 인공지능과 상호작용하는 방식에 혁신을 가져왔다. 고급 자연어 처리 기능을 갖춘 챗GPT는 퀴즈 놀이부터 시 쓰기까지 다양한 작업에 도움을 줄 수 있다. 여기서는 챗GPT를 활용할 수 있는 놀랍도록 재미있고 유용한 10가지 방법을 살펴본다. 재미있는 레시피 만들기 챗GPT가 할 수 있는 흥미로운 일 중 하나는 사용자의 입맛, 재료, 특정 식단 요건에 따라 레시피를 생성하는 것이다. 원하는 요리 종류, 사용하려는 재료, 식이 제한 사항 등 특정 정보를 입력하면 된다. 그러면 챗GPT가 단계별 지침, 재료의 양, 요리 팁이 포함된 레시피를 알려준다. 챗GPT에 위스키를 베이스로 하고 스웨덴 미트볼을 사용한 칵테일을 만들어 달라고 했다. 챗GPT는 파격적인 요청이라는 점을 금방 알아차렸지만 이내 요구사항에 따라 레시피를 제공했다. 칵테일 이름도 ‘스모키 미트볼 즈위즐’이라고 지어줬다(개인적으로는 ‘미트볼 맨해튼’이 더 낫다고 생각한다). 맞춤형 운동 계획 챗GPT는 사용자의 체력 수준, 목표, 사용 가능한 장비, 건강 상태 등에 따라 맞춤화된 운동 계획을 짤 수 있다. 기본 정보, 현재 체력 수준, 운동 경험, 목표, 건강 상태, 장비 사용 가능 여부 등의 정보를 제공하면 된다. 챗GPT에 3개월짜리 운동 계획을 만들어 달라고 했다. 나이, 성별, 몸무게를 입력하고 무릎이 좋지 않다고 언급했다. 또 헬스장 장비를 이용할 수 없고, 7kg가량을 감량하는 것이 목표라고 덧붙였다. 우선 챗GPT는 새로운 운동 계획을 시작하기 전에 의사 또는 개인 트레이너와 상담하고, 부상을 입지 않도록 자세 모니터링이 중요하다고 권고했다. 이어 제공한 정보를 바탕으로 운동 계획을 알려줬다. 어떤 정보를 입력해야 할지 모르겠다면 챗GPT에 가장 정확하고 개인화된 운동 계획을 짜는 데 필요한 정보가 무엇이냐고 물어볼 수도 있다. 퀴즈 게임 다양한 주제에 대한 질문, 답변 또는 흥미로운 사실을 제공해 챗GPT와 퀴즈 게임을 하거나, 퀴즈 게임을 만들어 달라고 할 수 있다. 예를 들어 챗GPT에게 게임하고 싶다고 말한 다음, 주제나 테마를 지정하면 챗GPT가 질문을 던진다. 직접 만든 퀴즈로 챗GPT에 문제를 낼 수도 있다. 챗GPT에게 퀴즈 게임을 하고 싶다고 말한 다음, 양자 물리학에 관련된 5가지 질문을 해달라고 했다. 챗GPT는 답을 입력하면 정답인지 아닌지 알려준다고 말했다. 구글의 도움으로 간신히 5개 퀴즈 중 3개를 맞힐 수 있었다. 가상의 여행 가이드 챗GPT는 다양한 여행지 정보, 추천, 조언을 제공하는 가상의 여행 가이드 역할을 할 수 있다. 한 가지 명심해야 할 점은 챗GPT의 지식은 적어도 현재로서는 2021년까지의 데이터를 기반으로 한다는 것이다. 즉, 신상 레스토랑처럼 최근에 문을 연 곳은 추천할 수 없다. 하지만 방문 장소, 현지 관습, 요리, 기타 여행 관련 주제에 관해 귀중한 인사이트를 얻을 순 있다. 챗GPT에게 대만 타이베이로 여행을 계획 중이라고 하고, 꼭 가봐야 할 명소와 현지인에게 인기 있는 음식을 추천해 달라고 했다. 방문해야 할 장소와 추천 음식 목록은 꽤 정확했지만, 개인적으로는 대만식 오믈렛 단빙이 목록에 포함돼 있지 않아 아쉬웠다. 음악 작곡 챗GPT는 직접 음악을 작곡하거나 오디오 파일을 만들 순 없지만 가사 작성, 코드 진행 제안, 노래 구조 및 편곡 팁 제공 등을 도울 수 있다. 특정 음악 콘셉트 지침을 요청하거나 멜로니 또는 하모니 아이디어를 브레인스토밍할 수도 있다. 챗GPT에게 E플랫 단조로 작곡 중인 재즈에 좋은 코드 진행을 제안해 달라고 했다. 챗GPT는 i – iv – VII7 – III7 – V7 – i(9) 코드 진행을 제안하고, 재즈 곡에 깊이를 더하기 위해 코드 확장, 대체, 변경을 실험해 보라고 권유했다. 명상 및 마음 챙김 연습 명상을 좋아하는 사용자가 있다면 챗GPT가 마음 챙김 운동을 도와줄 수 있다. 예를 들어 5분 동안 마음 챙김 호흡 운동을 하고 싶다고 하면, 챗GPT가 어떻게 해야 하는지 단계별로 자세히 알려준다. 다른 유형의 명상이나 마음 챙김 운동을 하고 싶지만 어떻게 해야 할지 잘 모르겠다면 언제든지 챗GPT에게 제안을 요청할 수도 있다. 이력서 작성하기 시중에 많은 이력서 빌더가 있지만, 이력서를 직접 작성하려고 한다면 챗GPT가 콘텐츠 및 형식 지침, 제안, 팁을 제공할 수 있다. 이력서에 포함하려는 업무 경험, 교육, 스킬, 성과, 기타 세부 정보를 입력하면 된다. 챗GPT로 이력서를 작성하는 것이 다소 불편하다면, 지원 직무에 관한 이력서 템플릿을 제공해 달라고 요청할 수도 있다. 실제로 PC월드에서 기자로 일하고 싶지만 개인정보는 제공하고 싶지 않다고 말했더니 꽤 괜찮은 이력서 템플릿을 만들어줬다. 빈칸을 채우기만 하면 됐다. 개인 스타일리스트 AI가 실제로 사람을 스타일링할 수 있는 수준까지 발전하진 못했지만, 의상 아이디어, 색 조합, 액세서리 등을 제안할 순 있다. 아울러 특정 상황에 맞는 옷차림 팁을 제공할 수도 있다. 선호하는 스타일, 체형, 행사 내용, 기타 특정 요구사항 등 몇 가지 개인 정보를 공유해야 한다. 이를테면 닌텐도를 테마로 한 파티에 갈 예정인데, 닌텐도의 기업 컬러를 반영한 비즈니스 캐주얼 스타일 제안이 필요하다고 챗GPT에 말했다. 매우 상세한 제안을 받았다. 텍스트 기반 RPG 게임 챗GPT는 주어진 프롬프트에 응답하고 시나리오에 따라 선택하며 플레이하는 텍스트 기반 롤플레잉 게임을 만들 수 있다. 게임 설정을 챗GPT에 맡기거나, 직접 자세한 설명을 할 수 있다. 예를 들면 방금 불시착한 외딴 적대 행성을 배경으로 하는 텍스트 기반 롤플레잉 게임을 하고 싶다고 챗GPT에 말했다. 이어 플레이어는 탑승자 중 유일하게 살아남은 사람이고, 이 행성에는 초목과 물이 거의 없으며, 목표는 살아남아 원래 행성으로 돌아가는 것이라고 덧붙였다. 시 쓰기 챗GPT는 다양한 스타일과 테마로 시를 쓸 수 있다. 주제, 스타일, 원하는 분위기 등 시를 작성하는 데 필요한 기본 정보나 관련 있는 정보를 챗GPT에 알려주면 된다. 그러면 해당 정보를 바탕으로 시를 생성한다. 마리오가 젤다를 가논도르프에서 구출하고 피치 공주가 질투를 느껴 루이지와 함께 도망치는 장면에 관한 시를 써달라고 요청했다. 아울러 자유시의 아버지라고 불리는 월트 휘트먼 스타일로 써야 한다고 덧붙였다. 그 결과 환상적인 시가 탄생했고, 이를 다시 하이쿠(일본 정형시)로 바꿔달라고 말했다. 다음 단계는? 챗GPT는 어시스턴트, 엔터테인먼트 또는 창의적인 영감을 원하는 사용자에게 ‘가능성의 세계’를 열어줬다. 레시피와 운동 계획 생성부터 이력서 작성, 시 창작까지 다양한 작업을 처리할 수 있는 다재다능함은 일상을 증강하는 AI의 힘을 보여준다. 기술이 계속 발전하면서 챗GPT와 유사한 AI 모델은 더욱 혁신적으로 응용되리라 예상된다. AI 어시스턴트의 미래는 밝으며, 사람들이 디지털 세상과 상호작용하는 방식을 혁신할 잠재력은 이제 겨우 표면을 드러내기 시작했을 뿐이다. editor@itworld.co.kr
여러 대의 컴퓨터 모니터로 작업하는 데 익숙하다면 노트북만 가지고 출장을 떠나는 것이 힘들 수 있다. 비좁은 노트북 디스플레이 하나만 써야 하기 때문이다. 하지만 다행히도 오래된 아이패드나 안드로이드 태블릿 또는 기타 노트북을 윈도우 PC용 추가 모니터로 활용할 방법이 있다. 심지어 공짜다! 바로 ‘스페이스데스크(Spacedesk)’ 앱을 사용하는 것이다. 물론 유일한 멀티 모니터 소프트웨어는 아니지만 지금까지 본 무료 옵션 가운데 가장 다재다능하다. 윈도우용 스페이스데스크 설치 스페이스데스크는 2가지 부분으로 구성된다. • 스페이스데스크의 드라이버 소프트웨어는 PC의 백그라운드에서 실행돼 다른 화면과 연결된다. 스페이스데스크 웹사이트에서 다운로드해 설치할 수 있다. 스페이스데스크를 실행하려면 방화벽 예외 설정을 해야 한다. 이 옵션은 설치 과정에 포함돼 있다. • 다른 기기에서 스페이스데스크의 뷰어 앱을 실행하면, PC에서 해당 기기를 보조 모니터로 인식한다. 웹 뷰어를 통해 윈도우, iOS, 안드로이드, 아마존 기기 및 기타 모든 기기에서 앱을 사용할 수 있다. 서버 연결은 와이파이를 통해 이뤄진다. 드라이버 소프트웨어를 설치했다면 뷰어 앱을 연다. 예를 들어 PC와 태블릿이 동일한 와이파이 네트워크에 연결돼 있으면 스페이스데스크가 자동으로 태블릿을 감지한다. 태블릿을 선택하고 2번째 화면 모드를 시작할 수 있다. 스페이스데스크 구성 기본적으로 스페이스데스크는 디스플레이 UI를 확대하지 않기 때문에 보조 모니터에서 너무 작게 보일 수 있다. 이 문제를 해결하려면 ‘윈도우 설정 시스템 디스플레이’로 이동해 모니터 목록에서 새 디스플레이를 선택한 다음, 디스플레이 해상도와 배율을 조정하면 된다. 아울러 스페이스데스크 드라이버는 컴퓨터가 부팅될 때마다 항상 실행된다. 변경하고 싶다면 스페이스데스크의 작업 표시줄 아이콘을 마우스 오른쪽 버튼으로 클릭하고, ‘스페이스데스크 드라이버 콘솔’을 선택한 다음 ‘시스템 부팅 시 자동 시작’을 해제한다. 윈도우에서도 모니터를 구성해야 한다. ‘설정 시스템 디스플레이’로 들어가면 모든 화면의 레이아웃이 표시되며, 이를 드래그 앤 드롭해 실제 위치를 반영할 수 있다. 뷰어 앱에서 톱니바퀴 아이콘을 클릭하고 추가 옵션(예: 화면 해상도 및 품질 등)을 설정할 수도 있다. 안타깝게도 스페이스데스크는 안드로이드 기기에서 유선 USB 연결만 지원한다. 아울러 향후 유선 연결 기능이 프리미엄 기능이 될 수 있다고 밝힌 바 있다. 그렇지만 무선 연결 상태에서 스페이스데스크는 이메일을 보내고, 문서를 확인하며, 팀 채팅을 하기에 충분한 성능을 갖췄다. 시스템 오디오와 동기화해 비디오를 재생하는 데도 문제가 없었다. 기타 멀티 모니터 소프트웨어 옵션 스페이스데스크 외에 살펴볼 만한 앱은 다음과 같다. • 루나 디스플레이(Luna Display)는 아이패드나 남는 맥을 보조 모니터로 바꾸는 130달러짜리 동글이다(USBC, HDMI 또는 맥용 디스플레이포트에서 사용 가능). 일반적으로 다른 솔루션에서 흔하게 볼 수 있는 커서 지연 문제가 없다. 그래픽 디자인 또는 세밀한 입력이 중요한 기타 애플리케이션에서 매력적인 대안이다. • 듀엣 디스플레이(Duet Display)는 유선 및 무선 연결을 모두 지원한다. 하지만 연간 25달러의 유료 서비스다. • 삼성 갤럭시 탭 사용자는 삼성의 세컨드 스크린(Second Screen) 앱을 활용해 태블릿을 보조 모니터로 사용할 수 있다. • 맥 사용자는 사이드카(Sidecar) 기능을 통해 아이패드를 보조 모니터로 활용할 수 있다. 제어 센터에서 ‘디스플레이’ 버튼을 누른 다음, 아이패드를 선택해 활성화하면 된다. 또는 녹색 전체 화면 버튼 위에 커서를 놓고 아이패드로 이동하는 옵션도 있다. editor@itworld.co.kr
최신 업데이트 버전인 iOS 17.4의 가장 큰 변화는 유럽연합 디지털시장법에 대비해 사용자의 서드파티 앱 스토어를 허용한 것이었다. 애플이라는 정원을 둘러싼 울타리 한 귀퉁이에 틈이 생긴 것이다. 디지털시장법에서 애플, 구글, 페이스북, 마이크로소프트, 아마존 등 거대 플랫폼 업체는 사용자간 소통을 통제하는 진입 장벽 앞 문지기로 정의되고 적극 규제 대상이 되었다. 디지털 서비스 없이는 아무것도 할 수 없는 세상에서 거대 기업을 적극 규제해 독과점을 방지하는 디지털시장법은 정보 편향 제거, 미성년 대상 광고 축소 등 실질적인 변화를 이끌어내고 있다.
생성형 AI 열풍 1년. 아직도 열기는 식지 않았지만 영리를 추구하는 기업은 조금 더 냉정해질 필요가 있다. 생성형 AI의 ROI에 대한 의문이 제기되고 비즈니스 케이스가 먼저라고 조언하는 전문가도 적지 않기 때문이다. 하지만 이런 의문 속에서 이미 생성형 AI를 도입해 성과를 올린 기업이 속속 등장하고 있다. 생성형 AI 업체 역시 자사 고객의 성공 사례를 자랑하고 있으며, 리서치 회사와 컨설팅 회사도 검증을 거친 산업별 사용례를 발표하고 있다.
증강현실, 가상현실 같은 용어에 익숙해졌더니 이제 애플 비전 프로는 공간 컴퓨팅이라는 새로운 개념을 들고 나왔다. 노트북, 태블릿, 스마트폰 등 디스플레이 뒤에서 연산을 실행하는 전통 컴퓨팅과 달리, 공간 컴퓨팅은 사용자 주변의 현실과 가상 공간에서 일어나는 상호작용, 그리고 현실과 가상 세계의 교차점을 의미한다. 애플이 비전 프로의파급력을 높이기 위해 친숙한 단어를 피한 것은 사실이지만, 관련 기술과 제품이 계속 발전한다면 공간 컴퓨팅은 분명 기계와 인간의 새로운 상호작용 방식이 될 것이다. 애플 비전 프로는 이제 시작에 불과하다.
마이크로소프트의 실적을 보면, 오픈AI에 막대한 자금을 투자한 것은 좋은 판단이었다. AI는 성장세가 둔화된 클라우드를 견인하고, 클라우드는 그런 AI의 기업 확산에 첨병 역할을 하고 있다. 하지만 클라우드와 AI의 동행이 행복하기만 한 것은 아니다. 대형 클라우드가 성취한 AI 혁신을 손쉽게 이용할 수 있는 것은 분명 큰 장점이지만, 사용량에 따라 빠르게 증가하는 비용과 민감한 데이터에 대한 불안감, AI 종속 등의 우려사항도 적지 않다. 일부 전문가는 아키텍처에 대한 재검토까지 요구하며 클라우드 기반 생성형 AI에 신중하게 접근할 것을 권고한다.
스팀 덱이 독주하던 핸드헬드 게이밍 PC 시장이 활기를 띠고 있다. 지난해 에이수스와 레노버가 각각 로그 엘라이, 리전 고를 출시한 데 이어 올해는 MSI가 자사 첫 핸드헬드 게이밍 PC ‘클로’를 공개했다. 클로는 인텔 코어 울트라 프로세서에 기반한 첫 핸드헬드 게이밍 PC라는 점에서 게이머의 기대를 한몸에 받고 있다. 정식 출시 전임에도 불구하고 후속작까지 예고됐다. 한편 벨브는 OLED 버전의 스팀 덱을 새롭게 출시하면서 선두 유지에 전념하고 있다. 마침내 핸드헬스 게이밍 PC의 전성시대가 도래하는 것일까? 리뷰부터 활용 기사까지 다양한 관련 소식을 모았다.
사용자에게는 눈이 즐거운 화려함과 기대를 주고, 기술업체에는 연초부터 기선을 제압하고 이미지를 쇄신할 기회인 세계 최대의 기술 박람회인 CES 2024가 개최됐다. 연내에 출시되는 제품도 있지만, 상용화를 염두에 두지 않고도 얼마든지 상상력과 가능성을 펼쳐보일 수 있는 장소다. PC 속 작은 LED 램프부터 반려동물처럼 사용자를 졸졸 따라다니는 가정용 로봇과 가장 실용적인 전자제품인 노트북까지, CES 2024에서 새로운 기술이 구현된 방법을 살펴 보자.
2023년 전체를 관통한 가장 뜨거운 주제를 꼽는다면 고민할 필요도 없이 '생성형 AI'다. 오픈AI가 챗GPT 서비스를 시작한 것이 지난 2022년 11월 30일인데, 불과 1달 후인 2023년 1월 ITWorld 웹사이트에서 가장 많이 본 기사가 <“나는 누구인가?” 챗GPT가 말하는 챗GPT>였다. 이후 2월, 4월, 7월, 9월, 11월까지 생성형 AI 관련 콘텐츠가 월간 많이 본 기사 1위에 올랐다. 흥미로운 것은 내용이 점점 심화, 확장됐다는 사실이다. 초반에는 챗GPT에 대한 호기심이었다면, 상반기에는 개인적인 사용법, 실제 기업의 활용 사례로 관심이 이동했다. 하반기에는 머신러닝 알고리즘, 대규모 언어 모델 같은 더 근본적인 기술에 대한 콘텐츠가 주목받았다. 학습하는 것은 본래 AI가 아니라 인간의 특기다. 2023년 생성형 AI에 대한 기본, 심화 학습을 끝낸 많은 기업과 개발자가 2024년에 어떤 새로운 개념과 서비스를 내놓을까.
아마존까지 생성형 AI 인프라 경쟁에 뛰어들었다. 아마존은 리인벤트 2024 행사에서 구축 서비스의 파운데이션 모델 업데이트, 모델 학습과 앱 개발 속도 향상에 생성형 AI를 활용하는 방법을 제안했다. 이번 행사의 주인공은 마이크로소프트 코파일럿과 직접 경쟁할 기업용 챗봇 아마존 Q였다. LLM 인프라, LLM, 애플리케이션 계층으로 세분화된 AWS의 생성형 AI 전략은 "기업용 생성형 AI에 진심"이라는 평과 함께 그 어느 리인벤트 행사보다 긍정적인 반응을 얻고 있다. 전반적으로 미래가 아닌 지금 바로 사용할 수 있는 다양한 서비스와 기능에 집중한 것도 좋은 변화다.
클라우드에서도 생성형 AI 열풍이 거세다. 빅3 클라우드 모두 새로운 매출원으로 생성형 AI를 내세우면서 그렇지 않아도 계속 증가하는 기업의 클라우드 관련 지출이 점점 더 커지고 있다. 문제는 클라우드가 예전처럼 마냥 저렴하지 않다는 것. IT 하드웨어 비용이 저렴해지면서 온프레미스로 애플리케이션과 데이터를 ‘송환’하는 일이 심심치 않게 벌어지고 있다. 그렇다고 클라우드를 사용하지 않을 수는 없다. ‘클라우드 스마트’ 전략이 필요한 시점, 전문가들은 적절한 통제와 올바른 핀옵스 프로그램, 그리고 적극적인 비용 최적화를 해법으로 제시한다.
PC 경험을 완성하는 것은 다채로운 색상을 사실적으로 재현하고 무한한 스크롤을 부드럽게 유영하는 느낌을 선사하는 모니터도, 어떤 작업이든 닥치는 대로 처리하는 고성능 그래픽카드도, AI를 통해 생산성을 몰라보게 개선하는 OS도 아니다. 사용자와 물리적인 상호작용이 가장 많은, 미세한 피드백까지 손끝으로 느낄 수 있는 키보드다. 자신에게 잘 맞는 키보드를 선택하면 일을 하든 게임을 하든 손의 피로도를 줄일 수 있을 뿐 아니라 눈과 귀도 즐겁다. 인체공학 키보드부터 다양한 기계식 키보드까지 완벽한 PC 경험을 선사할 리뷰 기사를 모았다.
JBL은 휴대용 스피커 시장의 주요 플레이어로, 초소형 모델인 클립(Clip)과 고(Go) 시리즈부터 대형 붐박스(Boombox)까지 다양한 블루투스 스피커를 선보이고 있다. 중간 크기의 제품은 펄스(Pulse), 플립(Flip), 차지(Charge), 익스트림(Xtreme)이 대표적이다. JBL의 모델명은 사용자의 뇌리에 잘 각인되어 있으며, 대부분 스피커는 이제 3세대 또는 4세대에 접어들었다. 지난 1월 개최된 CES 204에서 JBL은 클립 5와 고 4, 그리고 오랫동안 기다려온 익스트림 4를 선보였다. 익스트림 시리즈는 TechHive 에디터들이 가장 좋아하는 제품이다. 수영장, 해변, 공원에서의 모임 등 조금 더 큰 스피커를 가지고 다니고 싶은 사람에게 최적화된 제품이다. 무게는 2.1kg로 크기에 비해 약간 무겁지만, 들고 다니는 사람에게 성능으로 보답한다. 익스트림 4는 블랙, 블루, 카무플라주 3가지 색상으로 제공된다. 손잡이가 없기 때문에 가방에 넣고 다니거나 함께 제공되는 휴대용 스트랩을 사용해 어깨에 걸고 다닐 수 있다. 어깨 스크랩 버클을 병따개로 사용할 수 있다는 점이 재미있다. '좋은' 제품이 더 좋아졌다 익스트림 4는 이전 모델보다 약 0.2kg 더 무겁고 허리 부분이 약간 더 넓어져 전작보다 바닥에 더 안정적으로 고정된다. 스피커 전체가 거친 천으로 감싸져 있으며, 제품 양 끝부분에 탑재된 캡의 대형 패시브 베이스 라디에이터는 전작과 동일하다. 이전 모델과 마찬가지로 IP67 등급의 방수 및 방진 기능을 갖추고 있어 외부 먼지 및 습기에 비교적 안전하다. 스피커 상단 중앙에 있는 버튼 디자인은 이전 모델과 약간 다르지만, 기능은 거의 동일하다. 전원 버튼, 블루투스 모드 전환 버튼, 볼륨 조절 버튼, 재생/일시 정지/트랙 변경 버튼이 명확하게 표시되어 있다. 컨트롤은 간단하고 직관적이다. 여러 대의 JBL 스피커로 음악을 동시에 스트리밍하고 싶을 때 사용하는 파티부스트(Partyboost) 기술은 저전력 오디오 표준인 BLE(Bluetooth Low Energy Audio)를 사용하는 더 새롭고 안정적인 오라캐스트(Auracast) 기술로 대체됐다. 파티부스트를 지원하는 구형 JBL 스피커와는 JBL 휴대용 앱을 통해 연결할 수 있다. 익스트림 4에는 30W RMS 앰프 2개로 구동되는 70mm 우퍼 2개와 20W RMS 트위터(20mm) 2개가 탑재됐다(AC 전력 모드. 배터리 모드에서는 각각 20W, 15W 출력). 또한 JBL은 익스트림 4를 완전히 충전된 배터리로 최대 24시간 동안 사용할 수 있으며, 이전 모델의 경우 15시간 동안 사용할 수 있다고 주장했다. 2개의 익스트림 4를 스테레오 쌍으로 사용할 수 있는 기능(앞서 설명한 파티부스트 및 오라캐스트 기능에 추가됨), 4가지 프리셋이 포함된 맞춤형 5밴드 이퀄라이저 등 몇 가지 변경 사항이 있다. 사운드 경험에 관해서 익스트림 시리즈는 항상 좋은 소리를 제공했기 때문에 새로운 4세대 모델이 이전 모델보다 음질이 두드러지게 좋다고 말하는 것은 너무 과한 표현일 수 있다. 하지만 익스트림 4는 묵직한 저음과 충분한 출력으로 모두를 즐겁게 해줄 훌륭한 음질을 선사한다. 아직 국내에서는 출시되지 않았으며, JBL 영국 기준 가격은 329.99파운드(약 55만 9,000원)다. 상세사양 출력 : 30W×2(우퍼), 20W×2(트위터) 연결성 : 블루투스 5.3 배터리 수명 : 최대 24시간 배터리 완충 시간 : 3시간 30분 주파수 응답 : 44hz-20kHz 방수·방진 등급 : IP67 스마트 기능 : 없음 무게 : 2.1kg 크기(W×H×D) : 297×149×141mm editor@itworld.co.kr
가장 가볍고 정밀한 FPS 마우스로 정평이 난 로지텍 G 프로 X 슈퍼라이트를 써본 적이 있다면, 이 마우스가 커서를 따라가기 힘들 정도로 빠르다는 것을 잘 알고 있을 것이다. 그러나 로지텍 G는 프로게이머가 선택한 새로운 무기인 더 빠르고 가벼운 프로게이밍 마우스로 한 단계 더 발전했다. 크기는 전혀 변하지 않았으므로 그간 쓰던 로지텍 마우스를 업그레이드하려는 사용자에게 충분히 친숙하지만, 센서가 한층 더 빠르고 정확해졌다. 밀리초가 승패를 좌우하는 게임에서 로지텍 G 프로 X 슈퍼라이트 2는 승리를 위한 최고의 선택이다. 그러나 비용이라는 부담이 따른다. 159달러라는 상당한 비용을 지불해야 이 성능을 즐길 수 있다. 로지텍 G 프로 X 슈퍼라이트 2의 디자인과 사양 크기는 4.92X2.5X1.57인치로 전작과 동일하다. 가장 큰 차이는 무게다. 60g으로 3g 더 가벼워졌다는 것을 실감할 수 있다. 디자인도 거의 같다. 5개의 버튼이 있는 대칭형 본체와 손바닥을 감싸는 곡선이 돋보인다. 손 안에 쏙 들어오는 크기이므로 손바닥이 크거나 손바닥으로 쥐는 것을 선호하는 사용자 모두에게 적합하다. 메인 클릭 버튼 2개는 마우스 본체와 단단히 결합되어 전체 모양이 매끄럽고, 컴팩트하게 느껴짐에도 버튼 자체는 상당히 널찍하다. 왼쪽 버튼 한쌍이 높이 위치해 오클릭을 최소화했다. 버튼은 옵티컬과 기계식 부품을 조합한 라이트포스(Lightforce) 하이브리드 스위치가 탑재됐다. 옵티컬 부품으로 클릭 속도가 높아지고 기계식 부품은 전력 소비를 최소화해 마우스 배터리 수명에 영향을 준다. 마우스 휠에도 클릭 버튼이 있지만 고무 스트립이 얇아 너무 가볍고 약하게 느껴진다. 무게를 줄이기 위한 노력이었겠지만, 레이저 데스애더 V3 프로처럼 부피를 키워 안정성을 도모했더라면 좋았을 것이다. 슈퍼라이트 2는 모든 윈도우 10/11 PC와 호환된다. 2.4GHz 와이파이로 연결되고, 작은 USB-A 수신기가 포함되며, 역시 동봉된 USB-A와 USB-C 어댑터를 사용해도 된다. 최대 95시간까지 연속 플레이가 가능한데, 레이저 데스애더 V3 프로보다 5시간 더 길다. 로지텍 G 프로 X 슈퍼라이트 2의 게이밍 성능 이름은 길지만, 마우스 포인터가 화면 한쪽 끝에서 반대쪽 끝까지 이동하는 시간은 매우 짧다. 마이크론 이하의 정밀도를 제공한다는 프로급 센서의 덕이다. 히어로 2 센서는 전작보다 인상적인 업그레이드를 거쳤다. 최대 해상도가 2만 5,600DPI에서 3만 2,000DPI로 개선되었고 최대 속도도 초당 400인치에서 500인치로 빨라졌다. 최대 가속도는 40G로 동일하다. 슈퍼라이트 2의 최대 폴링 레이트는 1,000Hz에서 2,000Hz/0.5ms로 전작의 2배로 개선되었다. 이 업그레이드는 마우스 반응 능력에 실질적인 차이를 가져왔다. 그러나 센서는 마우스 속도라는 방정식의 한 변수일 뿐이며, 게임에서 성능을 발휘하려면 다른 여러 요소가 필요하다. 무게도 가벼워 빠르게 반응하는 데 도움이 된다. 기존 슈퍼라이트보다 3g이 더 가벼워져 움직임이 눈에 띄게 빨라졌고, 마우스가 너무 가벼워서 장시간 게임을 해도 손이 거의 피곤하지 않았다. 실제로 거의 느껴지지 않는 마우스 무게에 적응한 후에는 다른 FPS 마우스보다 훨씬 더 정밀한 컨트롤이 가능했다. 마지막 순간에 놓쳤을 수도 있는 목표물 주변부를 맞추는 등 몇 번의 성과도 있었다. 슈퍼라이트 2도 100% PTFE 피트 구성이 적용되었는데 결과는 정말 만족스러웠다. 마우스 아랫면이 대부분 덮여 있어 움직임이 균일하고 일관성 있다. 그러나 뒷면에는 앞쪽 절반과 뒤쪽 말굽 모양만 코팅되어 PTFE 피트라는 용어와 잘 어울리지는 않는다. 카운터 스트라이크 2를 플레이하자 슈퍼라이트 2가 FPS에 최적이라고 확신할 수 있었다. 마우스 모양이 대칭이라 포인터 정확도가 매우 향상되었고 목표물을 쉽게 맞출 수 있었다. 전문가용 마우스만큼 정확하고 빠르며 속도가 높은 경쟁 플레이에 이상적이다. 로지텍 G 프로 X 슈퍼라이트 2 소프트웨어 슈퍼라이트 2를 최대한 활용하려면 로지텍 G 허브 앱에서 DPI와 폴링레이트를 설정하고 명령을 할당하며, 마우스의 온보드 메모리에 설정 상태를 저장하는 것이 좋다. 로지텍 G 허브는 게이머에게 유용한 고급 기능이 몇 가지 있다. 우선 히어로 센서 캘리브레이션 기능 덕분에 이전 마우스에 저장된 DPI 설정을 슈퍼라이트 2에 그대로 가져와 적용할 수 있다. 설정을 재입력하지 않아도 되므로 번거로움을 덜 수 있다. 슈퍼라이트 2의 리프트 오프 거리를 조정하고 마우스의 X축과 Y축에 개별 DPI 값을 설정할 수 있다는 점도 좋았다. 로지텍 G 프로 X, 구입해야 할까? 전 세대보다 센서는 더욱 빠르고 강력하다. 본체는 더욱 가벼워졌다. 로지텍 G 마우스를 구입해야 할 이유에 더욱 설득력이 더해졌다. 프로게이머이거나 프로게이머 같은 플레이를 꿈꾸는 사용자에게 로지텍 G 프로 X 슈퍼라이트 2는 최고의 도구가 될 것이다. editor@itworld.co.kr
사양만 보면 벤큐의 아이디어캠(IdeaCam) S1 프로는 저렴한 4K 웹캠을 구입하려는 일반 사용자에게는 ‘너무 먼 당신’이다. 그러나 3가지 기능을 모두 해내는 이 웹캠은 숨겨진 장점이 매우 많다. 핵심 기능이 벤큐의 호언장담보다 약간 떨어지기는 해도 말이다. 벤큐 아이디어캠 S1 프로를 보면 앞뒤로 뒤집고 아래로 내릴 수도 있는 CA 에센셜 웹캠이 떠오른다. CA의 대형 잠망경 암은 없지만 대신 15배 매크로 렌즈를 추가했다. 게다가 벤큐의 웹캠 소프트웨어인 엔스파이어의 세심한 기능도 놀라웠다. 다운로드할 가치가 충분하다. 일반적으로 4K 웹캠은 4K 모니터나 3840×2160(829만 4,400만 개 픽셀) 해상도를 재생할 수 있어야 한다. 벤큐 아이디어캠 S1 프로의 최대 사진 해상도는 3264×2448(799만 272개 픽셀)이고, 영상 해상도는 16:9 비율에서 1,836p, 또는 4:3 비율에서 2,448p에 지나지 않는다. S1 프로에는 아주 뛰어난 이미지를 생산하는 소니 800만 픽셀 센서가 있다. 뿐만 아니라 개인정보를 보호할 때 닫을 수 있는 자석형 셔터 덮개와 렌즈 주변을 감은 링 모양의 조명도 있다. 심지어 리모컨까지 있다. 즉, 이 제품은 진정한 의미의 4K 웹캠이라기보다는 4K에 매우 가까운 웹캠이다. 60fps 옵션도 지원하지 않는다. 그러나 최고의 웹캠 선정 리뷰 기사에서 보듯 최고급 웹캠의 가격대가 299~329달러까지 올라간다는 점을 고려하면, 아이디어캠 S1 프로는 흥미로운 타협 지점이 될 것이다. 아이디어캠 S1 프로의 물리적 디자인에서 흔치 않은 특징은 웹캠을 받쳐주는 투박한 평형추와 단단히 고정하는 잠금 장치다. 책상 주변 물건을 자주 옮기는 사람이라면 매우 편할 것이다. 두께가 두꺼운 디스플레이에서도 잠금쇠를 풀지 않는 한 아주 단단히 고정되어 믿을 수 있다. 아이디어캠 S1 프로는 웹캠 몸체 안의 노치 안으로 밀려들어가는 맞물림쇠로 마운트에 고정된다. USB-A로 연결되는 긴 코드가 카메라에 달려 있다. 우선 아이디어캠 S1 프로가 찍는 화질에 정말 만족했다. 광량이 좋을 때는 더욱 그렇다. 색 균형이 우수하고 세부 표현이 섬세하며 자동 초점도 잘 작동했다. 테스트 시 필자의 머리카락까지 섬세하게 잡아낸 웹캠은 거의 없었다. 4:3과 16:9로 화면비가 달라지면 디지털 광학 줌이 바뀌어서 카메라 위치를 재조정해야 할 수도 있다는 점이 유일한 불편이었다. (16:9 화면비 모드일 때 줌을 가장 최대로 확대할 수 있다.) 전용 앱인 엔스파이어를 설치하면 렌즈를 확대하는 다양한 설정을 시험해볼 수 있다. 아이디어캠 S1 프로는 경쟁 제품인 레이저 키요 프로 울트라(Razer Kiyo Pro Ultra)와 달리 디지털 팬과 줌을 지원하지 않고 있다. 그러나 위층의 가족실로 올라가 커튼을 닫은 후 아이디어캠 S1 프로에 실망스러워지기 시작했다. 조도가 낮아지니 색감도 흐릿해졌고 웹캠 화질도 저하됐다. 다음 이미지에서는 큰 차이를 느낄 수 없지만 사실 렌즈 주변의 링 조명을 켠 상태다. 보통은 평소에 사용하는 노트북의 기본 웹캠과 비교하는데 이 경우는 서피스 랩탑 스튜디오 2였고, 조도가 낮을 때는 서피스의 기본 웹캠이 훨씬 선명했다. 앞서 기술한 것처럼 아이디어캠 S1 프로는 앞쪽으로 카메라를 기울일 수 있다. 완벽하지는 않다. 모니터보다 앞쪽으로 1인치가량 잡아 뺄 수 있어서 위에서 내려다보는 뷰가 원격 회의 등의 다른 사람에게는 방향이 바뀌어서 보일 수 있다. 이때 전용 소프트웨어가 자동으로 이미지를 올바른 방향으로 뒤집어주고, 벤큐의 엔스파이어 앱도 프로젝터처럼 이미지 방향을 올바르게 정렬하는 기능을 지원한다. 두 기능 모두 매우 유용하다. 깜박하고 렌즈 덮개를 닫지 않았을 경우를 대비해 카메라를 천장으로 향하게 하는 디자인도 반영되면 좋을 것 같다. 벤큐는 S1 프로를 핸드헬드 방식으로 촬영하는 웹캠으로 활용할 수도 있다고 주장하다. (사실상 다른 모든 웹캠과 마찬가지로 삼각대에 장착할 수 있는 전용 홀이 있다.) 어떤 이유에서인지는 몰라도 매크로(줌) 렌즈도 포함되어 있어 더욱 정밀한 촬영을 할 수 있다. 렌즈는 웹캠에 자석으로 부착되고 떼어낼 수 있다. 처음에는 장난감 같이 느껴졌지만 직접 노트북의 포트에 연결해 사용해보니 진지한 사양의 조립 PC에도 적합하다고 생각되었다. 매크로 렌즈는 몇 가지 한계가 있지만 잘 작동한다. 아이디어캠 S1 프로는 이미 자동 초점이 가능하고, 매크로 렌즈와 함께 사용하면 조금 불안하기는 하지만, 매크로 렌즈 실린더는 카메라 피사체와의 거리를 잘 고정하므로 엔스파이어 소프트웨어에서 고정 초점 모드(수동으로 설정)로 바꿀 경우 노트북 키보드 키캡에 묻은 지문까지 상세히 보인다. 아무 소프트웨어나 다운로드하지 않는 사람으로서 제조사 소프트웨어를 좋아하지는 않지만, 벤큐 엔스파이어는 분명 가치가 있다. 엔스파이어에서 사용자는 수동으로 색 대비나 밝기 같은 여러 가지 설정을 바꿀 수 있다. 사실 이 정도 기능은 윈도우에서도 할 수 있다. 하지만 자동 초점을 끄고 켜며, 웹캠이 찍는 동영상을 정지한 후 그 위에 메모나 필기를 하고 키스톤으로 명령을 내리는 것도 가능하다. 가장 좋은 기능은 화면 속 피사체의 거리, 직경, 곡면 각도를 잴 수 있는 도형자다. 다음의 스크린샷에서는 밀리미터 단위까지 측정할 수 있고 실제 노트북 키보드를 재어보았더니 매우 정확도가 높았다. 완전히 신뢰하지는 않지만, 거리나 길이를 대략적으로 이해하는 데에는 충분하다. 노이즈 캔슬링 마이크는 서피스 랩탑 스튜디오 2의 기본 설정 마이크보다 훨씬 뛰어났다. 윈도우의 음성 녹음기 앱으로 직접 목소리를 녹음하고 스마트폰으로 마이크에 가깝게 음악을 틀어놓는 테스트를 진행했다. 서피스 마이크로 녹음된 파일에서는 희미하게 배경 음악을 들을 수 있었고, 아이디어캠 S1 프로의 기본 마이크에서는 거의 음악이 들리지 않았다. (테스트에서는 AI가 내장 NPU로 필터링하는 기능인 윈도우 11의 스튜디오 효과를 사용하지 않았다.) 벤큐 아이디어캠 S1 프로의 핵심 기능은 그 외에도 더 있다. 마치 서피스 다이얼을 연상시키는 동그란 아이스하키의 퍽 리모콘으로 화면을 회전하거나 줌을 당기고 밀 수 있다. 이 리모컨은 기본으로 한 쌍 제공되는 AAAA 배터리로 움직이고 USB-A 동글로 카메라와 PC에 연결한다. 웹캠 케이블과 리모컨의 동글 둘 다 USB-A 케이블이므로 포트가 모자랄 수도 있다. 리모컨은 디지털 줌뿐 아니라 수동 초점 모드와 자동 초점 모드를 오갈 수도 있고, 화면을 정지하거나 스크린샷을 찍거나 마이크를 음소거 하는 등 다양한 역할을 한다. 웹캠 안에 50달러 정도의 주변 기기가 함께 들어 있는 것 같은 느낌이다. 벤큐 아이디어캠 S1 프로, 사도 될까? 장점이 있으면 단점도 있는 제품이다. 조도가 낮은 사무실을 선호할 경우에는 별도의 조명이 필요할 수도 있다. 가격대는 일반 웹캠과 최고급 웹캠 사이 중간에 있다. 일반 웹캠에 없는 부가적인 기능도 지원한다. 강력한 디자인, 전반적인 기능, 몇 가지 부가가치를 제공하는 기능에 높은 점수를 주고 싶다. 웹캠치고는 너무 비싼 것은 사실이지만, 아이디어캠 S1 프로는 벤큐의 의도를 잘 구현해냈다. editor@itworld.co.kr
보스는 인상적인 으로 유명하다. 하지만 최근 출시한 울트라 오픈 이어버드(Ultra Open Earbuds)를 통해서는 조금 다른 시도를 하고 있다. 울트라 오픈 이어버드는 오디오 성능 저하 없이 주변음을 들을 수 있도록 외이도를 열어두게끔 설계됐다. 의 트라이 프로 멀티 스포츠(Tri Pro Multi-Sport) 같은 제품에서 사용한 골전도나 후크형 구조가 아니다. 고급스러우면서도 독특하며, 음질은 완벽하지는 않지만 기대 이상이었다. 참고 : 테스트 도중 앱 연결 및 오디오 팝핑과 관련한 소프트웨어 문제가 발생했고, 보스에 의견을 전달했다. 이런 요소는 전체 점수에 영향을 미치기 때문에 문제가 해결될 때까지 보스 울트라 오픈 이어버드에 별점을 매기지 않기로 했다. 디자인 및 만듦새 보스는 울트라 오픈 이어버드를 '커프(cuff)' 디자인이라고 부르지만, 귀에 거는 클립형 이어폰이라고 생각하면 쉽다. 배터리 배럴이 귀 뒤에 위치하고 전면 스피커는 아래쪽 귓볼에 걸리는 구조다. 글로 읽으면 복잡해 보이지만, 제품을 처음 접했을 때부터 쉽게 착용할 수 있다. 보스는 하루 종일 편안한 착용감을 약속하는데, 필자도 여기에 동의한다. 클립형 귀걸이처럼 작동하지만, 몇 시간 동안 착용해도 끼임이나 불편함이 없었다. 각 이어버드의 무게는 10g으로 매우 가볍다. 필자가 사용해 본 오픈 이어버드 중 가장 편안하고 골전도 기술을 사용하는 헤드폰에서 느껴졌던 뺨의 따끔거림이 없었다. 안경을 쓰고 후드드를 쓴 채로 착용해도 간섭이 발생하지는 않았다. 튼튼하고 안전하다. 사이드 플랭크, 마운틴 클라이머, 팔 벌려 뛰기와 같은 동작이 포함된 고강도 운동을 하면서 테스트한 결과, 활동적인 운동 중에도 문제없이 귀에 잘 고정됐다. 이 제품의 방수방진 등급은 IPX4로, 일상적인 생활 방수를 지원한다. 제품을 소개하는 언론 브리핑 자리에서 보스 대변인은 한 팀원이 실수로 샤워 중에 착용했는데 아무런 문제가 없었다고 말했지만, 필자는 이를 직접 테스트할 만큼 용감하지는 않았다. 다만 비 오는 날 우산을 쓰지 않고 산책은 할 수 있었다. 울트라 오픈 이어버드는 블랙과 화이트 스모크 색상으로 제공된다. 필자가 선택한 와이트 스모크 색상은 밝은 흰색이 아닌 크림색에 가깝다. 암은 부드러운 실리콘으로 제작됐으며, 버튼과 암에 메탈릭 실버 마감 처리가 되어 있다. 패션 및 라이프스타일 편집샵 키스(Kith)와 협업한 도 있다. 키스 에디션은 블랙 색상 마감에 'Kith'라는 레터링이 보스 로고 느낌으로 세겨져 있다. 함께 제공되는 플라스틱 케이스는 청바지 주머니에 넣을 수 있을 정도로 작고 뒷면에 USB-C 충전 단자와 페어링 버튼이 있다. 방수 기능은 없다. 지문 같은 얼룩이 쉽게 묻지 않는 소재를 사용했다. 기능 울트라 오픈 이어버드를 스마트폰과 페어링하는 것은 처음에는 간단하다. 케이스 뒷면의 버튼을 누르고 휴대폰에서 블루투스를 열면 이어버드가 나타난다. 구글 패스트 페어(Google Fast Fair)을 지원한다. 하지만 최초 연결 후 음악을 재생하는 중에도 앱에서 연결 문제가 발생하는 경우가 종종 있었다. 초기 생산 제품이라서 그런 것일 수도 있겠지만, 와이어드(Wired)도 비슷한 문제가 있었다고 보도했다. 울트라 오픈 이어버드를 세부 설정하려면 뮤직(Music) 앱이 필요하다. 앱은 오디오 조정, 튜토리얼 및 연결 섹션으로 구성되어 있으며, 앱에서 각 이어버드의 배터리 수명을 10% 단위로 볼 수 있다. 각 이어버드의 배터리 배럴 하단에 버튼이 있으며, 다른 경쟁사 제품처럼 터치식 컨트롤은 아니다. 버튼을 통해 재생, 음량 조절, 전화 받기, 오디오 모드 전환을 제어할 수 있으며, 앱에서 설정할 수 있다. 버튼의 클릭 반응은 빠르고 귀 아래쪽에서 딱딱하게 느껴지지도 않았다. 앱에는 4가지 EQ 모드가 사전 설정돼 있다. 베이스 부스터(Bass Booster), 트레블 부스터(Treble Booster), 베이스 리듀서(Bass Reducer), 트레블 리듀서(Treble Reducer)다. 혹은 슬라이더를 직접 조정해 취향에 맞게 조정할 수 있다. 일부 경쟁 제품은 음악, 영화, 스포츠 등 상황에 맞는 EQ 모드를 제공하지만, 보스는 사용자의 선호도에 더 초점을 맞췄다. 오픈이어 골전도 이어폰으로 잘 알려진 앱처럼 보스의 앱도 레이아웃이 깔끔하고 단순하며, 이어버드를 제어할 수 있는 많은 가이드를 제공한다. 여기에서 몰입형 오디오 모드를 설정하고 자동 볼륨 설정을 활성화할 수 있다. 디바이스 간 전환은 앱을 통해 가능하지만, 현재로서는 멀티포인트 기능을 지원하지 않는다. 보스는 올해 말 소프트웨어 업데이트를 통해 이런 문제를 해결할 예정이라고 밝혔다. 블루투스 범위는 30피트(약 9.1m)로 넓은 편이다. 청음 울트라 오픈 이어버드는 완전 오픈형 이어버드로서는 놀라울 정도로 인상적인 음질을 제공한다. 12mm 드라이버가 탑재됐으며, 퀄컴의 aptX 어댑티브 코덱을 지원하지만, LDAC는 지원하지 않는다. 케미컬 브라더스의 ''와 같은 무거운 트랙은 섬세한 기타 솔로와 함께 파워풀한 소리를 제공했다. 오픈형이므로 시끄러운 환경에서는 일부 소리가 들리지 않을 수 있다. 울트라 오픈 이어버드의 성능은 시끄러운 지하철에서도 팟캐스트를 비교적 선명하게 들을 수 있을 정도로 인상적이었다. 제대로 된 소음 차단 팁이 있는 일부 이어버드도 울트라 오픈 이어버드를 따라가지 못할 정도다. 소리의 누출이 거의 발생하지 않아 사무실에서도 걱정 없이 사용할 수 있다. 음량을 낮게 설정하면 커피숍에서도 바리스타와 쉽게 대화할 수 있고, 상대방의 목소리를 또렷하게 들을 수 있다. 물론, 약간 무례하게 보여질 수 있다. 울트라 오픈 이어버드는 달리기를 할 때나 길을 건널 때처럼 소리를 통해 주변 교통 상황을 인지해야 하는 상황에서 빛을 발한다. 보스의 공간 음향 기능인 몰입형 오디오(Immersive Audio)는 스틸(Still)과 모션(Motion) 2가지 모드를 제공한다. 스틸은 책상에 앉아서 일하거나 소파에서 휴식을 취하는 등 가만히 앉아 있을 때, 모션은 출퇴근길과 같이 분주하게 움직이는 상황에 적합하다. 몰입형 오디오는 콘서트 라이브 음원을 듣거나 액션 영화를 감상할 때 사용하는 것을 추천한다. 표준 음원을 몰입형 오디오 모드로 들었을 때는 소리를 예측하기 어려웠다. 어떤 때는 트랙에 깊이를 더해주기도 하고, 때로는 신디사이저 같은 일부 악기가 메아리처럼 울리기도 했다. 오디오 순수주의자라면 몰입형 오디오를 아예 사용하지 않는 것이 좋다. 울트라 오픈 이어버드는 주변 환경에 따라 음량을 자동으로 조절하는 기능을 제공한다. 집에서 나와 시끄러운 도로로 가는 동안 필자가 듣고 있던 팟캐스트 음량이 허용할 수 있는 수준까지 커졌다. 하지만 팟캐스트에서 음악으로 콘텐츠를 바꾸고 걸을 때 잠시 돌풍이 불자 음량이 크게 흔들렸다. 음량은 사용자가 선호하는 수준으로 고정해 두는 것을 추천한다. 필자가 리뷰한 제품에서는 몰입형 오디오과 자동 볼륨 기능을 켜고 스포티파이와 아마존 뮤직을 사용할 때 약간의 팝핑 현상이 발생했다. 이에 대한 의견을 듣기 위해 보스에 연락을 취했고, 자세한 답변을 받으면 리뷰를 업데이트할 예정이다. 아이맥에서는 이런 문제가 없었기 때문에 휴대폰과의 호환성 문제인 것으로 예상된다. 각 이어버드에는 듀얼 마이크가 탑재돼 있다. 조용한 환경에서는 통화 소리가 선명하게 들리지만, 잡음 제거 기능이 없기 때문에 길거리처럼 주변이 시끄러운 상황에서는 통화 상대방에게 주변 소음이 전달될 수 있다. 오픈형 이어버드라는 특징에서 짐작할 수 있듯이 노이즈 캔슬링이나 토크 스루(talk through) 기능은 제공하지 않는다. 배터리 수명 및 충전 보스는 몰입형 오디오를 끈 상태에서 7.5시간 동안 지속할 수 있다고 주장한다. 테스트 결과도 보스의 주장과 일치했다. 몰입형 모드는 한 번 충전으로 4.5시간 동안 사용할 수 있는데, 이는 경쟁 제품보다는 뒤처지는 성능이다. 케이스로 충전하면 스테레오 모드에서 최대 19.5시간, 몰입형 오디오에서 최대 12시간까지 사용할 수 있다. 필자의 경우 며칠 동안 충전 걱정 없이 출퇴근과 업무용으로 사용했다. 구성품에 USB-C 케이블이 포함되어 있으며, 10분 충전으로 최대 1시간 동안 음악을 들을 수 있다. 무선 충전을 지원하지 않는 점은 아쉽다. 가격 울트라 오픈 이어버드 가격은 에서 재입고 알림을 신청할 수 있다. 상황에 따라 외부음 차단 여부가 중요하다면 ANC 및 헤드 트래킹 옵션을 제공하는 반개방형 디자인의 은 주파수 범위가 제한돼 있어 오디오 성능이 아쉬울 수 있다. 두 제품 모두 프리미엄급인 울트라 오픈 이어버드보다 저렴하다. 울트라 오픈 이어버드, 구매해야 할까? 보스 울트라 오픈 이어버드는 필자가 본 것 중 최고의 오픈이어 디자인이다. 편안하고 안전하며, 언뜻 보기에는 IT 제품이라기보다는 독특한 패션 액세서리처럼 보인다. 저음을 좋아하는 사람이라면 폐쇄형 이어버드나 오버이어 헤드폰과 같은 경험을 얻지 못하지만, 청음은 대부분 만족스러웠다. 물론 단점도 있다. 가격이 꽤 비싸며, 스테레오 모드에서는 하루 종일 들을 수 있지만 몰입형 모드를 사용하기에는 배터리 성능이 인상적이지 않다. 필자가 겪은 소프트웨어 문제도 간과할 수 없는 부분이다. 오픈형 이어버드 중에서 최고의 오디오 경험을 원하고 예산이 넉넉하다면 보스 울트라 오픈 이어버드를 고려할 가치는 충분하다. 세부사양 이커프 디자인 12mm 드라이버 블루투스 5.3 ACC, aptX 어댑티브, SBC 코덱 지원 버튼 컨트롤 마이크 4개 보스 몰입형 오디오 지원 배터리 수명 : 1회 충전으로 최대 7.5시간 재생(몰입형 오디오 사용 시 4.5시간) 충전 방식 : USB-C 크기 : 18.5×17×27.2mm(이어버드), 41.9×65×26.4mm(충전 케이스) 무게 : 10g(각 이어버드), 약 40g(충전 케이스) 방수방진 등급 : IPX4 색상 : 블랙, 스모크 화이트 editor@itworld.co.kr
2024년형 프레임워크 랩톱 16(Framework Laptop 16)은 지향점이 명확한 노트북이다. 강력한 성능을 제공하는 노트북이면서 동시에 다른 노트북에서는 찾아볼 수 없는 수리성을 보장하는 것을 목표로 한다. 결과적으로 프레임워크 랩톱 16은 이 원대한 목표를 잘 구현했다. 단지, 상당한 값을 치러야 한다는 전제가 붙는다. 이 제품을 자세히 살펴보자. 사양과 기능 이번에 리뷰한 2024년형 프레임워크 랩톱 16 사양은 DIY 에디션이어서 약간의 조립 과정이 필요하다. 메모리, 스토리지, 포트, 확장 베이 등을 고를 수 있다. 메모리와 스토리지를 다른 사이트에서 구매할 수 있지만, 이런 부품을 사용하려면 프레임워크가 '확장 카드(Expansion Cards)'라고 포트를 사야한다. CPU : AMD 라이젠 9 7940HS 메모리 : 32GB LPDDR5 그래픽/GPU : AMD 라데온 RX 7700S (확장 베이 활용) 디스플레이 : 2560×1600 165Hz IPS 스토리지 : 2TB PCIe Gen4 NVMe SSD 웹캠 : 1080p 60fps 연결성 : 총 6개 확장 카드 선택 가능 네트워킹 : Wi-Fi 6E, 블루투스 5.2, 선택 가능 생체인식 : 지문 인식기 배터리 용량 : 85watt-hours 크기 : 35.7×29.0×2.1cm 무게 : 2.4kg 가격 : $1,399부터 시작, 리뷰한 제품은 약 2,400달러 DIY 에디션은 사용자가 노트북의 사양을 원하는 대로 선택할 수 있다. 필자는 라데온 RX 7700S GPU(라데온 780M 내장 그래픽도 사용 가능), USB-C 2개, USB-A 1개, 디스플레이포트, 3.5mm 오디오 등 4개 포트를 골랐다. 프레임워크는 HDMI와 이더넷 등 2개 확장 카드도 함께 제공했지만, 필자는 이를 사용하지 않았다. 디자인과 구성품 프레임워크 랩톱 16 DIY 에디션 제품 포장을 벗기면 여느 노트북과 다른 상황에 마주친다. 완전히 조립된 완제품이 아니라 대부분 부품을 직접 조립해야 한다. 메모리와 스토리지의 경우 프레임워크가 아니라 다른 곳에서 별도로 구매해도 된다. 조립 방법은 온라인으로 확인할 수 있고 부품을 조립하는 데 필요한 드라이버는 제품에 포함돼 있다. 프레임워크의 제품 철학은 크게 맞춤화, 업그레이드, 자가 수리 등 3가지로 정리할 수 있는데, 랩톱 16의 디자인 역시 이를 충실하게 반영한다. 키보드와 숫자패드, 매크로패드, LED 매트릭 라이트, 포트 등 많은 부품을 별도의 툴 없이도 교체해 사용할 수 있고 심지어 노트북 전원을 켠 상태에서도 바꿀 수 있다. 단, 메모리와 스토리지, 확장 베이는 드라이버가 필요하고 노트북 전원을 끈 상태에서 작업해야 한다. 또한 DIY 에디션은 운영체제도 별매다. 필자는 리뷰를 할 때 윈도우 11을 사용했다. 필자가 프레임워크 랩톱 16 DIY 에디션을 조립해 설정하는 데 채 2시간이 걸리지 않았다. 설명서가 매우 자세하고 명확했으며, 이전에 PC 하드웨어를 다뤄보지 않았다고 해도 쉽게 조립할 수 있을 정도다. 물론 비싼 제품인 만큼 직접 조립하는 것이 부담스러울 수 있다. 이런 이들을 위해 프레임워크는 미리 조립된 상태의 노트북도 판매한다. 조립을 다 하고나면 프레임워크 랩톱 16이 꽤 괜찮은 디자인이라는 것을 알 수 있다. 슬림한 제품은 아니고 다른 제품보다 넓은 베젤, 실버 메탈 바디 등 약간 구식 같은 느낌도 있지만, 소재 품질이 좋아서 디자인 완성도를 높이고 패널의 휘어짐을 최소화한다. 무게는 2.4kg으로 16인치 노트북 중에서는 무거운 편이고, 크기도 마찬가지다. 분명 휴대성이 좋은 제품이라고는 할 수 없다. 키보드와 트랙패드 프레임워크 랩톱 16이 사용자 맞춤 구성에 얼마나 진심인지는 키보드를 보면 알 수 있다. 프레임워크는 다양한 언어와 선호에 맞춰 여러 가지 키보드를 제공한다. 필자는 US 영어 자판, RGB 백라이트 키보드를 골랐다. 이외에도 숫자패드, 매크로패드 등을 원하는 대로 선택할 수 있다. 노트북을 사용하면서 숫자패드를 추가하거나 빼내는 것도 간단하기 때문에, 가끔 숫자패드가 필요한 사용자라면 필요 없을 때 빼놓고 사용하면 된다. 필자는 숫자패드를 빼고 키보드를 중앙에 배치한 후 양쪽 옆에 빈 곳을 메우는 스페이서(spacer)를 끼워뒀다. 이 스페이서 역시 사용자의 취향에 따라 다양한 색상을 고를 수 있는데, 이를 통해 노트북의 외관에 개성을 담을 수 있다. 프레임워크는 LED 매트릭 스페이서도 판매한다. 이를 이용하면 스페이서 공간에 원하는 알림이나 텍스트를 띄울 수 있다. 키감은 평범하다. 키 트래블과 바닥을 치는 느낌이 적당하지만 촉감이 좀 부족하고 키보드 가운데 부분의 굴곡이 상당하다. 단, 전반적으로 부족하다는 의미는 아니다. 수천 단어를 입력해 봤는데 문제가 없었다. 그래도 키보드 선택사항이 더 늘어나길 기대한다. 특히 기계식 키보드를 지원했으면 좋겠다. 터치패드에는 안타깝게도 선택사항이 부족하다. 크기가 12.7×7.6cm 정도로 다른 16인치 노트북과 비교해 다소 작은 편이다. 반응성이 좋고 편리하지만 멀티 터치 제스처를 사용할 때는 약간 답답하게 느껴진다. 화면과 오디오 프레임워크 랩톱 16은 같은 16인치, 2560×1600, 165Hz, IPS 패널 디스플레이다. 파손됐을 때 프레임워크에서 부품을 구매해 교체할 수는 있지만, 다른 디스플레이를 선택할 수는 없다. 이는 아쉬운 부분이다. 2024년에 판매되는 고가의 노트북 디스플레이가 4K 해상도도, OLED 패널도, 다이내믹 미니 LED 백라이트도 지원하지 않는 것은 많이 안타깝다. 결과적으로 이미지 품질은 좋지만 OLED나 미니 LED 같은 심도와 몰입감을 제공하지 못한다. 드라마나 영화를 보거나 게임을 즐길 때 생생함이 떨어진다. 에이수스 비보북 프로 16X OLED 같은 비슷한 가격대의 다른 노트북과 비교하면 차이가 더 도드라진다. 반면 이것이 꼭 단점인 것은 아니다. IPS 디스플레이는 선명함과 밝기에서 다른 화면 대비 강점이 있다. 랩톱 16의 화면 패널에는 무광 코팅이 돼 있어서 빛 반사를 줄여 주고, 해상도는 일반적인 거리에서 (놀라운 정도는 아니지만) 뛰어난 선명도를 제공한다. 문서 스프레드시트, PDF 같은 것을 보고 편집하는 용도의 화면으로는 안성맞춤이다. 165Hz 재생률 덕분에 모션의 선명도도 훌륭하다. 480Hz까지 지원하는 제품도 있지만, 이 노트북에는 165Hz가 잘 맞는다. 60Hz 재생률과 비교하면 게임과 데스크톱 작업 모두에서 개선된 선명도를 제공한다. 오디오 품질은 훌륭하다. 프레임워크 16에는 상향식 스피커가 들어가, 노트북이 놓인 표면에 의해 소리가 뭉개지거나 왜곡되지 않는다. 최대 음량은 평범하지만 음악을 듣기에 충분하다. 저음과 고음 모두 한쪽으로 쏠리지 않고 균형이 잘 잡혔다. 결과적으로 오디오가 전반적으로 또렷해 간단하게 스포티파이를 듣거나 넷플릭스 영상을 보기에 충분하다. 웹캠과 마이크, 생체 인식 프레임워크 랩톱 16에는 듀얼 마이크가 달린 1080p, 60fps 웹캠이 들어갔다. 영상 품질을 보면 색감은 조금 탁하지만, 프레젠테이션에 문제가 없고 노이즈도 심하지 않다. 마이크는 큰 볼륨으로 깔끔하게 목소리를 잡아낸다. 줌과 구글 행아웃 혹은 다른 영상회의 소프트웨어와 궁합이 잘 맞는다. 이 노트북에는 카메라와 마이크를 비활성화하는 스위치도 달려 있다. 프라이버시를 중요하게 여기는 사용자라면 반가워할 기능이다. 반면 이 기능은 소프트웨어적으로 작동한다. 물리적으로는 카메라와 마이크를 차단할 수 없다. 생체 인식 로그인 기능은 전원 버튼에 통합된 지문인식기를 이용한다. 필자가 기존에 썼던 다른 제품만큼 정상적으로 작동했다. 보통 지문인식기 자체는 안정적으로 작동하지만, 얼룩이나 물기에 의해 오동작하는 경우가 있다. 프레임워크는 리눅스용 지문인식기 드라이버를 제공해, 윈도우와 마찬가지로 운영체제 내에서 이 기능을 사용할 수 있다. 연결성 프레임워크 랩톱 16의 연결성은 여느 노트북과 완전히 차별화된다. 즉 고정된 것이 아니라 확장 카드 슬롯을 통해 사용자가 원하는 대로 바꿀 수 있다. 노트북 아래쪽에 좌우 한쪽 면마다 3개씩 총 6개 슬롯을 사용할 수 있다. 이 6개 슬롯에 끼울 수 있는 부품은 다양하다. HDMI, 디스플레이포트, USB-C, USB-A, 3.5mm 오디오, 이더넷, 마이크로SD 카드 리더 등이다. 이 중에서 원하는 대로 골라서 구매하면 된다. 프레임워크는 USB-C 포트는 반드시 1개 이상 선택할 것을 권장한다. 노트북 충전용 포트가 필요하기 때문이다. 흥미로운 것은 프레임워크 랩톱 16의 USB-C 포트다. 디스플레이포트 대체 모드를 지원하고 동시에 최대 240W 충전이 가능하다. 모든 USB-C 어댑터를 이용해 전원을 공급받을 수 있다는 점에서 매우 훌륭하다. AMD 라데온 RX 7700S가 들어간 그래픽 모듈에도 USB-C 포트를 달려 있는데, 이 포트는 디스플레이포트 대체 모드를 지원하는 반면 충전은 불가능하다. 이밖에 프레임워크 랩톱 16에는 AMD 자체 와이피아 6E 카드와 블루투스 5.2가 기본으로 들어가 있다. 와이파이 어댑터는 필요에 따라 교체할 수 있지만, 필자가 테스트해보니 AMD 와이파이 어댑터가 안정적으로 작동했다. 대부분 사용자는 이걸 사용해도 충분하다. 성능 프레임워크 랩톱 16의 내부는 흥미롭다. 단순히 수리, 교체하기 쉽기 때문이 아니다. 필자가 테스트한 AMD 라이젠 7 7940HS 프로세서가 들어갔는데, 놀랍게도 그래픽 확장 베이를 추가로 구매해 AMD 라데온 RX 7700S 그래픽 2개를 추가할 수 있다. 일종의 외장 그래픽이다. 이를 쓰지 않으면 내장 라데온 RX 780을 사용해야 한다. 2024년 2월 기준 CPU와 GPU 모두 AMD를 사용한 노트북은 쉽게 찾을 수 없다. 이런 조합의 성능이 어떨지는 다음을 보면 알 수 있다. 프레임워크 랩톱 16의 PC마크 10 결과는 8,328점이다. 필자가 비교군으로 고른 다른 제품과 비교했을 때 단연 앞선 수치다. 더 비싼 에이수스 로그 스트릭스 스카 18과 비교해도 경쟁력이 있을 정도다. 이처럼 좋은 점수가 나온 것은 테스트한 제품이 사양의 균형을 잘 잡았기 때문이다. 또한, PC마크 10은 CPU와 GPU의 성능을 모두 테스트하고 메모리가 커야 유리한데, 리뷰한 랩톱 16은 32GB였다. 짧은 시간 무거운 멀티 스레드 CPU 성능을 테스트하는 시네벤치 R20에서는 프레임워크 랩톱 16이 다소 부진했다. 라이젠 9 7940HS는 선두권에서 밀려났다. 하지만 더 많은 전력을 사용하는 MSI 프레스티지 16 스튜디오 등 인텔 코어 i7 노트북과 비교하면 경쟁력이 있다. 긴 시간 CPU 성능을 테스트하는 핸드브레이크에서도 비슷했다. 라이젠 9 7940HS는 준수하지만 평균적인 성능을 나타냈다. MSI 프레스티지 16 스튜디오보다는 뛰어났지만 에이수스 비보북 프로 16X OLED보다는 떨어졌다. 이제 GPU 성능을 자세히 알아볼 차례다. AMD의 라데온 7700S는 8GB 그래픽 메모리가 달린 중급 GPU다. 경쟁 제품은 엔비디아 RTX 4060이다. 3D마크 타임 스파이 테스트에서는 8,513점을 기록했다. 에이수스 비보북 프로 16X OLED 같은 일부 RTX 4060 노트북보다 성능이 떨어졌지만, MSI 프레스티지 16 스튜디오보다는 앞섰다. 플레이스테이션 4와 엑스박스 원 콘솔용 고사양 게임인 쉐도우 오브 더 툼 레이더(Shadow of the Tomb Raider) 테스트 결과는 RX 7700S의 성능이 어느 정도인지 보여준다. 1080p 해상도 설정을 최고로 했을 때 평균 초당 120프레임이 나왔다. 게임을 즐기기에 매우 쾌적한 환경으로, 프레임워크 랩톱 16이 엔비디아 RTX 4060 그래픽과 비슷한 제품 시장에서 경쟁하고 있음을 알 수 있다. 이보다 더 사양이 높은 메트로 엑소더스(Metro Exodus)를 최고 설정으로 해 놓고 테스트해봤다. 그 결과 초당 평균 39프레임이 나왔다. 솔직히 훌륭한 게임 성능이라고는 할 수 없지만 노트북 치고는 꽤 좋은 결과다. 에이수스 비보북 프로 16X OLED보다 약간 뒤진다. 프레임워크 랩톱 16의 전반적인 성능을 정리하면, 비슷한 가격대의 16인치 노트북에 기대하는 정도다. 넘치지도 모자라지도 않는다. 단, 분명한 것은 이 노트북과 경쟁 제품이 속해 있는 시장의 기기들은 대부분 속도가 빠르고 충분한 성능을 제공한다는 사실이다. 랩톱 16 역시 다양한 콘텐츠 저작 작업과 엔터테인먼트 작업을 충분히 감당할 수 있다. 배터리 사용시간 프레임워크 16 노트북의 배터리 용량은 85Wh로 다른 노트북과 비슷하다. 원하는 대로 용량을 늘릴 수는 없지만 교체하는 것은 쉽게 가능하다. 16인치 노트북에 탑재할 수 있는 최대 용량은 아니지만, 사용시간이 모자랄 정도는 아니다. 화면 밝기를 200니트 정도로 맞추고 단편 영화 '로봇의 눈물(Tears of Steel)' 4K 파일 반복해서 재생하는 일반적인 배터리 테스트 결과 9시간 36분 동안 사용할 수 있었다. 매우 뛰어난 결과는 아니지만, 외장 그래픽 카드를 사용한 윈도우 노트북과 비교하면 준수하다. 외장 GPU를 쓰지 않을 때 전력 효율이 높은 내장 라데온 780M APU로 전환했기 때문으로 보인다. 참고로, 제품 출시 전에 이뤄진 리뷰용 제품을 쓰는 과정에서 작은 문제를 발견했다. 이상한 소음이다. 특히 GPU를 사용할 때 발생했다. 프레임워크 측은 잘못된 축전기 값과 이와 관련된 유도자 때문이라며, 실제 판매용 제품에서는 이런 문제가 해결될 것이라고 설명했다. 강력한 성능+손쉬운 부품 교체 프레임워크 랩톱 16은 노트북에서도 맞춤 구성, 자가 수리가 가능하면서 좋은 성능을 제공하는 것이 가능하다는 것을 보여주는 가장 좋은 증거다. 훌륭한 벤치마크 결과와 배터리 사용시간, 견고한 디자인 등도 장점이다. 물론 완벽한 제품이라는 의미는 아니다. 키보드는 평범하고 터치패드는 더 커질 필요가 있다. 디스플레이 화질도 훌륭하다고는 할 수 없다. 하지만 이런 단점을 훌륭한 오디오 품질, 충전까지 가능한 USB-C 등 뛰어난 연결성을 보완한다. 또하나 꼭 언급해야 할 것은 가격이다. 1,400달러부터 시작하지만, 필자가 테스트한 구성은 2,400달러이고, 미리 조립된 제품을 구매하면 2,600달러까지 올라간다. 프레임워크 랩톱 16의 성능을 고려하면 터무니없는 가격은 아니지만, 레이저 블레이드 16에 가까운 가격이 된다. 따라서, 만약 앞으로 계속해서 업그레이드하고 수리하며 쓸 생각이라면 프레임워크 랩톱 16은 충분히 이 가격에 구매할 만한 제품이다. 하지만 그렇지 않다면 추천하기 힘들다. editor@itworld.co.kr
마우스로 컴퓨터를 사용하기 시작한 이후 아이콘은 운영체제의 중심이었다. 폴더, 휴지통 또는 돋보기를 나타내는 작고 단순한 이미지를 클릭하면 원하는 작업을 바로 시작할 수 있다. 일반적으로 아이콘의 모양은 운영체제가 제어하며 대부분은 바꿀 이유가 없다. 예를 들어 휴지통이 갑자기 계산기처럼 보이게 한다거나 검색 도구 아이콘을 폴더로 바꿀 필요가 없다. 하지만 사용자 폴더나 바로 가기 등 아이콘 모양을 바꾸는 것이 오히려 더 편리한 경우가 있다. 또한, 아이콘이 매우 많을 경우 모두 똑같지 않다면 더 매력적이고 찾기도 쉽다. 특히 폴더 같은 경우 색깔만 달라도 찾기가 훨씬 쉽다. 애플은 이 점을 깨달았고 맥에서는 폴더의 색상을 쉽게 변경할 수 있다. 윈도우에서는 이보다 조금 더 복잡하면 역시 바꿀 수 있다. 물론 색상을 바꾸는 데 만족할 필요도 없다. 아이콘의 모양을 자유롭게 선택할 수 있다. 예를 들어, 승마 관련된 문서가 있는 폴더라면 노란색 폴더 아이콘을 말 그림으로 바꿀 수 있다. 자주 방문하는 웹 페이지의 바로 가기에 해당 사이트의 로고를 넣는 것도 좋다. 방법은 무궁무진하지만 한 가지 명심해야 할 중요한 사항이 있다. 이미지 폴더의 아이콘을 변경하면 미리보기 기능이 사라진다. 일반 기본 아이콘을 사용하면 폴더 콘텐츠의 썸네일을 볼 수 있지만 아이콘을 변경하면 이 기능을 더는 사용할 수 없다. 아이콘을 바꾸는 단계별 방법 1. 설정 열기 사용하려는 폴더 또는 파일을 마우스 오른쪽 버튼 클릭하고 속성을 선택한다. 폴더인 경우 사용자 지정 탭을 선택하고 바로 가기인 경우에는 바로 가기라는 탭을 클릭한다. 어느 쪽이든 아이콘 변경이라는 옵션이 표시된다. 2. 기본 아이콘으로 변경하기 이제 시스템에 내장된 기본 아이콘이 표시되며, 변경하려는 아이콘은 변경하려는 항목에 따라 달라진다. 사용하려는 아이콘을 찾아 클릭한 다음 확인을 선택한다. 확인을 한 번 더 눌러 최종 선택한다. 3. 나만의 아이콘 사용하기 기본 제공 아이콘이 마음에 들지 않으면 일명 'ico' 파일을 사용할 수 있다. 온라인에서 다운로드할 수 있는 사이트가 많이 있으며 그중 가장 좋은 사이트가 아이콘파인더(Iconfinder)다. 으로 이동해 아이콘을 클릭한다. 4. 아이콘 검색 아이콘파인더에는 600만 개 아이콘이 등록돼 있다. 카테고리를 검색하거나 탐색해 원하는 아이콘을 찾을 수 있다. 일부 아이콘은 유료지만 검색할 때 무료를 선택하면 무료 아이콘만 볼 수 있다. 5. 아이콘 다운로드 마음에 드는 아이콘을 찾으면 저장하면 된다. 단, ico 형식을 선택하는 것이 중요하다. 기타 > ICO를 클릭한 다음 'ICO로 다운로드'를 선택한다. 이 파일을 사용해야 하므로 쉽게 찾을 수 있는 폴더에 저장하는 것이 좋다. 6. 아이콘 변경하기 이제 다시 아이콘 속성을 열고 변경 아이콘을 누른다. 찾아보기를 선택하고 ico 파일을 찾는다. 열기를 누르면 아이콘의 썸네일이 나타난다. 아이콘이 강조 표시됐는지 확인하고 확인을 두 번 누른다. 이제 이전 아이콘이 새 아이콘으로 바뀐 것을 확인할 수 있다. 7. 선택적으로 이미지 변경하기 기존 아이콘이 마음에 들지 않으면 직접 만들 수 있다. 기존 이미지를 가져와서 ico 형식으로 변환하면 된다. 와 같이 무료로 이 작업을 할 수 있는 웹사이트도 있다. 8. 처음부터 새로 만드는 것도 가능 같은 웹 서비스를 사용해도 좋다. 이것은 윈도우 아이콘을 만들기 위한 간단한 웹 기반 그리기 프로그램이다. 마우스로 그리거나 하드 드라이브에서 이미지 파일을 가져와서 만들 수 있다. 결과가 만족스러우면 다운로드를 클릭해 이미지를 아이콘 파일로 저장한다. 파비콘은 디자인 측면에서 약간 오래된 서비스지만, 잘 작동한다. editor@itworld.co.kr
랜섬웨어는 재해복구 계획을 뒷방에서 전면으로 끌어올렸다. 허리케인, 토네이도, 지진의 피해를 입지 않을 것이라 생각하는 것은 이해할 수 있다. 하지만 기업이 랜섬웨어의 공격을 받지 않을 것이라 생각하는 것은 복권에 당첨될 것이라 생각하는 것과 같다. 기업이 랜섬웨어의 공격을 받을 확률은 매우 높기 때문에 사고 대응 계획에 포함된 견고한 재해 복구 계획이 필요하다. 수십 년간 이 업계에서 일하면서 배운 것이 있다면, 백업이나 복제본만 있다고 해서 진정한 의미의 재해 복구 계획이 수립된 것은 아니라는 것이다. 필자는 중요한 시스템 복구를 직접 겪었고, 추측만 하고 계획이 불완전할 때 어떤 일이 벌어지는지 목격했다. 특히 오늘날과 같이 랜섬웨어가 만연한 환경에서는 복구 준비는 타협할 수 없다. 복구 인프라의 사전 정의 적절한 DR 계획은 완전히 새로운 인프라에서 데이터와 시스템을 복원해야 한다는 가정을 바탕으로 수립된다. 포렌식 상의 이유로 원래 시스템을 보존해야 하거나 하드웨어가 수리가 불가능해 사용할 수 없을 수도 있다. 공격이나 재해가 발생한 후 동일한 물리 서버를 재사용하는 것은 무모한 일이다. 불가능할 수도 있으므로 완전히 새로운 하드웨어로 복구를 시작할 준비가 되어 있어야 한다. 즉, 이벤트 발생 후 임시 배포를 위해 대기 장비 또는 장애 조치 호스트를 미리 확보해야 한다. 클라우드 인프라를 활용하는 것은 이를 위한 좋은 방법 중 하나인데, 구성을 미리 만들어 두고 필요할 때 비용을 지불하면 되기 때문이다. 혼란스러운 상황에서 교체 서버를 구입하기 위해 허둥대는 것은 위기를 더욱 키울 뿐이다. 따라서 교체 시스템이 실제로 필요하기 훨씬 전에 대체 시스템을 어디에서 가져올지 알고 있어야 한다. 페일오버 환경의 신속한 보호 사람들이 간과하는 또 하나는 페일오버가 발생한 후 DR 사이트를 백업하는 방법이다. 온프레미스든 클라우드든 DR 사이트로의 전환이 발생하면 새로운 환경에 대한 백업을 즉시 시작해야 한다. 중요한 시스템을 성공적으로 복구했는데, 백업 생성을 소홀히 해 2차 랜섬웨어가 DR 사이트까지 위험에 빠뜨리는 것은 누구도 원치 않을 것이다. 복구 하드웨어 구입 계획과 마찬가지로, 복구 사이트 역시 백업할 방법을 미리 결정하고 설계해야 한다. 또한, 복구 사이트에 장애가 발생하면 자동으로 백업이 시작되도록 설계하는 것이 가장 좋다. 레거시 백업이 다시 설정될 때까지 복구가 완료된 것으로 간주해서는 안된다. 가시적인 복구 기간 목표 정의 일반적인 비즈니스 책임자에게 어떤 종류의 복구 요구 사항이 있는지 물어보면 데이터 손실이 전혀 없는 즉각적인 복구(즉, RPO와 RTO가 0인 복구)가 필요하다고 말할 것이다. 하지만 이런 요구 사항을 충족하는 데는 천문학적인 비용이 든다. 따라서 어렵겠지만, 재해가 발생하기 전에 현실적인 복구 시간과 데이터 손실 허용 임계치에 대해 논의를 마쳐야 한다. 조직의 우선순위를 조정하고 비즈니스 연속성 요구 사항과 실제 IT의 역량 및 비용 제약의 균형을 맞추기 위해 경영진의 이해관계자와 더 많이 논의할수록 복구가 더 성공적으로 이루어질 수 있다. '성공'은 상대적인 개념이므로 비즈니스에서 설정한 목표를 달성해야만 성공할 수 있다는 점을 기억하자. 이런 목표가 현실적이고 적절한 자금이 뒷받침된다면 성공으로 가는 길에 들어선 것이다. 의심 극복을 위한 문서화 및 테스트 목표가 정의되어 있더라도, 치열한 전투 상황에서는 문서화되고 입증된 실행 지침이 필수적이다. 데이터와 시스템을 대규모로 효율적으로 복원하는 방법을 이해하지 못하면, 단순히 백업 복사본이나 복제본을 보유하는 것만으로는 아무 소용이 없다. 시스템 종속성을 포함해 중요도 순으로 자산을 복구하는 단계별 절차가 필요하다. 또한 문서에는 복구 환경의 전체 인벤토리, 모든 직원 및 공급업체의 연락처 목록, 문제 처리를 위한 단계별 프로세스가 포함돼야 한다. 모의 시나리오에서 중요하고 반복적인 테스트를 하면, 가장 중요한 순간에 담당자가 이 문서를 활용해 가치를 실현하는 연습을 할 수 있다. 자동화보다 중요한 걸음마 단계 초기 DR 작업은 수동 절차가 주를 이룰 수 있지만, 자동화를 지속적으로 추진해야 한다. 프로그래밍 방식으로 스크립팅하거나 트리거할 수 있는 복구 작업이 많을수록 성공 확률이 높아진다. 하지만 최고만을 추구하면 오히려 독이 될 수 있다. 완전한 자동화를 추구하느라 초기 단계의 DR 계획 수립이 늦어져서는 안 된다. 아무것도 없는 것보다는 무엇이라도 있는 것이 낫다. 먼저 모든 것을 문서화한 다음 테스트 피드백을 바탕으로 시간이 지남에 따라 선별적으로 자동화를 추진하기 바란다. 마라톤의 결과보다 중요한 것은 걸음마 단계이다. 클라우드 활용 클라우드는 데이터 복제, 특히 임시 DR 인프라를 프로비저닝하는 데 높은 유연성을 제공한다. 클라우드 서비스를 사용하면 테스트 환경을 편리하게 가동 및 중단할 수 있어 재해 시나리오를 훨씬 쉽게 연습할 수 있다. 온프레미스 인프라를 사용하는 기업의 경우에도 DR 목적으로 클라우드 기반 백업 복제를 고려하기 바란다. 대부분의 경우, 클라우드는 이미 사이버 복원력 준비에 있어 중요한 역할을 하고 있으므로 재해 대비에도 클라우드를 적용하는 것이 좋다. 허점이 드러날 때까지 테스트 DR 문서가 있는 것은 좋지만 필요할 때만 테스트하는 것은 좋지 않다. 테스트의 또 다른 목적은 근육 기억을 개발하는 데 도움이 되는 것 외에도 프로세스의 부족한 부분을 찾아내는 것이다. 모의 재난을 통해 선제적으로 실패를 경험해 보는 것이다. 새로운 기능이나 절차를 검토할 때 때때로 발생하는 장애를 예상할 수도 있다. 29년 전, 딸이 막 태어났을 때 아내의 병실에서 전화가 걸려와 복구 작업을 도와달라는 요청을 받은 적이 있다. 문서화된 프로세스가 있었기 때문에 전화를 끊고 새 아이에게 집중할 수 있었다. 문서화된 복구 프로세스가 언제 필요할지는다. 하지만 지금이 바로 프로세스를 시작할 때다. editor@itworld.co.kr
LLM(Large Language Model)을 사용하는 방법은 의외로 간단하다. 효과적인 프롬프트만 있으면 된다. 반면 언어 모델을 기반으로 한 애플리케이션 개발은 어려울 수 있다. 오픈AI 같은 업체에서 제공하는 API를 사용하든, 오픈소스 모델을 앱에 임베딩하든 프롬프트 작성 이상의 작업을 수반한다. 매개변수 조정부터 응답 조정에 이르기까지 개발자가 고려해야 할 요소는 많으며, 여러 가지 LLM을 다뤄야 할 경우 복잡성은 배가 된다. 이때 사용하면 좋은 도구가 바로 랭체인(LangChain)이다. 랭체인은 언어 모델 기반 애플리케이션 개발을 간소화하는 파이썬 및 자바스크립트용 모듈식 프레임워크다. 여기서는 랭체인의 작동 방식과 설치 및 사용법을 알아보고, 랭스미스를 활용해 랭체인으로 개발한 LLM 앱과 에이전트를 추적 및 평가하는 방법을 정리한다. 주요 내용 - “LLM 개발을 더 간편하게” 랭체인의 개념과 이해 - “다양한 모델을 체인으로 연결한다” 예제로 시작하는 랭체인 - 구글 PaLM 2 API와 랭체인을 함께 사용하는 방법 - 랭체인과 구글 PaLM 2를 사용한 Q&A 앱 만들기 - LLM용 추적 및 디버깅 도구 ‘랭스미스’ 따라잡기
핸드폰이 생긴 이래로 우리는 종종 핸드폰을 물속에 빠뜨리곤 한다. 오늘날 아이폰은 물방울이나 침수에 강하지만, 너무 많이 젖어 커넥터 내부에 액체가 있으면 액체 감지 경고가 표시되는 경우가 있다. 아이폰이 침수됐을 때 복구 방법으로 '쌀 한 봉지'에 아이폰을 넣는 방법이 민간 요법으로 회자되곤 한다. 휴대폰을 쌀이 담긴 봉투에 넣고 밀봉한 후 하루 정도 기다리면 물기가 전자 부품에 닿아 손상을 입히기 전에 쌀이 휴대폰 내부의 물기를 흡수한다는 개념이다. 물에 휴대폰을 빠뜨린 경험이 있는 사람들은 이런 방법을 신뢰하고 있으며, 실제로 효과가 있다는 주장도 있다. 하지만 여러 핸드폰 수리 전문가는 그동안 쌀 봉투를 이용하는 방법이 일종의 미신에 가까우며, 휴대폰을 더 빨리 말리지 않고 오히려 휴대폰 건조 시간을 늦추어 메인보드가 손상되기 쉽게 만든다고 주장한다. 심지어 애플은 최근 업데이트한 에서 이런 방법을 권장하지 않는다고 못을 박았다. 애플은 "그렇게 하면 작은 쌀 알갱이가 아이폰을 손상시킬 수 있기 때문"이라고 설명했다. 휴대폰이 침수됐을 경우 애플은 다음과 같은 단계를 따를 것을 제안했다. 커넥터가 아래를 향하도록 든 상태에서 아이폰을 손으로 가볍게 두드려 액체를 제거한 후, 아이폰을 공기가 약간 통하는 건조한 곳에 둔다. 최소 30분 후 라이트닝 또는 USC-C 케이블로 충전하거나 액세서리를 연결해 본다. 침수 경고가 여전히 표시되면 커넥터나 케이블 핀 아래에 액체가 남아 있는 것이다. 최대 하루 동안 아이폰을 바람이 잘 통하는 건조한 곳에 둔다. 그동안 충전 또는 액세서리 연결을 다시 시도해보면 된다. 완전히 마르는 데는 최대 24시간이 걸릴 수 있다. 휴대폰이 충분히 말랐지만 여전히 충전되지 않는다면, 케이블을 어댑터에서 분리하고 가급적 어뎁터도 벽에서 분리한 다음 다시 시도한다. 애플에 따르면, 외부 열원이나 압축 공기로 아이폰을 말리거나 면봉이나 종이 타월 같은 '이물질'을 라이트닝 또는 USB-C 포트에 삽입하는 행위는 하지 않도록 주의해야 한다. 아이폰 12부터는 최대 수심 6미터의 물에서 최대 30분까지 버틸 수 있으므로 액체로 인한 손상은 걱정하지 않아도 되지만, 혹시라도 물에 빠뜨리게 된다면 쌀은 그냥 보관함에 넣어 두도록 하자. editor@itworld.co.kr
충전 케이블을 전원에 연결했는데도 노트북이 충전되지 않는 것보다 더 짜증스러운 일은 없다. 특히 케이블 관리에 서투른 사람이라면 자주 겪는 일이다. 그렇다면 노트북이 충전 문제를 겪을 때 어떻게 대처해야 할까? 노트북의 충전 문제 종류와 각 해결법을 알아보자. 케이블 재점검 때로는 눈앞에 답이 있다. 문제 해결에 돌입하기 전에 먼저 충전 케이블이 멀티탭이나 벽면 콘센트에 제대로 꽂혀 있는지 확인해야 한다. 다른 콘센트로 옮겨 케이블을 연결해 본다. 모든 케이블이 노트북에 제대로 결합되어 있는지 살펴본다. 올바른 충전기나 포트를 사용하고 있는가 노트북을 가끔 사용하거나 테스트처럼 기종이 자주 바뀌는 경우에는 충전 케이블을 엉뚱한 포트에 꽂는 실수가 발생할 수도 있다. 충전용 포트가 따로 정해져 있는 제품이 많이 출시돼 있고, 충전 전용 포트 옆에 작은 전원 아이콘이 보통 표시돼 있다. 충전 포트를 식별할 수 없다면 올바른 포트를 찾을 때까지 케이블을 여러 포트에 바꿔 꽂아 보자. 노트북에 포함돼 있는 충전기를 사용할 것을 권장한다. 꼭 필요한 경우 서드파티 충전기도 괜찮겠지만 기기에 적합한 와트가 아니라면 배터리가 손상된다. 서드파티 충전기의 와트가 낮으면 충전 속도가 한없이 느려진다. 노트북 같이 소비 전력이 큰 제품용으로 설계되지 않은 충전기도 있다. 케이블이나 포트의 손상 확인 충전 케이블에 흠집이 없는지 꼼꼼히 살펴보자. 오래 쓴 케이블이라면 와이어 일부가 빠지거나 닳은 경우가 있다. 물론 피복이 닳거나 해진 부분을 전기 테이프로 감쌀 수도 있지만 우선 케이블 플러그를 뽑아 타는 냄새가 나는지 확인해야 한다. 충전 케이블의 어댑터에서 타는 냄새가 난다면 빨리 교체해야 한다. 충전 케이블이 정확히 삽입되었는지 확인할 때는 포트에 먼지나 이물질이 있는지도 검사한다. 면봉이나 이쑤시개로 조심스럽게 이물질을 제거하면 된다. 그러나 너무 거칠게 다루면 포트가 손상되고 이물질이 더 깊이 들어갈 수 있으니 주의해야 한다. 압축 공기 스프레이로 먼지를 날리는 방법도 있지만, 너무 세게 분사하거나 포트에 직접 분사해서는 안 된다. 배터리 고장 가능성 분리 가능한 노트북이라면 배터리를 분리해 보자. 하드웨어를 하드 리셋한다고 생각하면 된다. 사용 설명서를 참고해 배터리를 분리하고, 전원 버튼을 몇 초 동안 누르고 충전기를 다시 연결한다. 노트북이 켜지고 전원만으로 정상 작동한다면 배터리에 문제가 있는 것이다. 극세사 천으로 배터리 접촉면을 부드럽게 닦은 후 다시 끼워 넣고 전원을 켜 보자. 배터리가 분리되지 않는 노트북이라면 직접 배터리를 분리해서는 안 된다. 제품에 심각한 손상을 가져올 수 있다. 실행 프로그램이 너무 많은 자원을 소모한다면 내부 하드웨어와는 관련이 없는 문제일 수도 있다. 노트북에서 자원을 많이 소비하는 프로그램을 여러 개 실행한다면 배터리 효율이 떨어진다. Ctrl + Alt + Delete 단축키로 작업 관리자 앱에 액세스해 현재 실행 중인 프로그램을 확인하자. 종료하려는 프로그램을 선택하고 작업을 종료한다. editor@itworld.co.kr
엔터프라이즈 IT는 오랫동안 서로 어긋나는 인프라를 선택해야 하는 악조건 속에 있었는데, 최근에는 상황이 더 악화했다. 예를 들어, 클라우드는 모든 것을 개선할 것처럼 약속했지만 10년 이상 클라우드 네이티브에 투자한 결과는 달랐다. 마이크로서비스와 API, 그밖에 점점 늘어나는 '클라우드 네이티브 모범 사례'를 만들어 IT 환경을 더 복잡하게 만들었다. 그렇다면 AI가 이 모든 것을 해결할 수 있을까? 이에 대한 대답은 명확하다. 정상적인 IT 담당자라면 챗GPT를 CRM이나 ERP 시스템에 연결하려 하지는 않을 것이다. AI를 제어할 거버넌스가 부재하기 때문이다. 그러나 복잡성과 다소 어려운 거시 경제 환경에도 불구하고 "훌륭한 소프트웨어를 만드는 목표를 포기해서는 안 된다"고 아폴로 그래프QL의 CTO이자 공동 창립자인 매트 디버갈리스는 말한다. 낡고 복잡한 인프라를 붙잡고 있는다고 해서 해결되는 것은 아무 것도 없다는 것이다. 대신 그가 제시하는 해법은 '슈퍼그래프(supergraph)'다. 겁먹을 필요는 없다. 이 솔루션은 많은 개발자가 잘 알고 또 좋아하는 그래프QL 기술을 기반으로 한다. 필자 역시 기업이 그래프QL 도입을 최우선적으로 고려해야 한다고 믿는다. 그래프QL은 개발자의 생산성을 훨씬 더 높일 수 있기 때문이다. 새로운 것은 없다 엔터프라이즈 IT에서 소위 '그린필드(greenfield)' 즉, 아무 것도 없는 상태에서 애플리케이션을 만들 수 있는 사람은 사실상 아무도 없다. 레드몽크의 애널리스트 제임스 거버러는 "새로운 기술이 도입되더라도 기존 기술 스택과 공존하고 이를 기반으로 구축돼야 한다"라고 말했다. 이것이 바로 코볼과 자바가 공존하는 이유이자 러스트를 함께 사용하는 이유다. 또는 어떤 기업이 AWS에 "올인"하면서도 여전히 HP-UX, 윈도우 NT 등은 말할 것도 없고 애저를 많이 쓰는 이유이기도 하다. 엔터프라이즈 IT에서 완전히 제거하는 것은 거의 없다. 대부분은 '더하기'의 문제다. 그래프QL은 API를 위한 유연한 쿼리 언어로, 이를 이용하면 개발자가 서로 다른 서비스를 연결할 수 있다. 이전에는 개발자가 이런 모든 서비스를 연결하기 위해 깨지기 쉬운 API 코드를 작성하는 데 업무 시간의 2/3 이상을 써야 했다. 이때 그래프QL을 사용하면 이런 서비스 연결이 훨씬 더 유연해진다. 슈퍼그래프는 마이크로서비스, 내부 및 외부 데이터 소스 등에 대한 플랫폼 뷰를 제공하는 통합 네트워크 또는 구성 계층이다. 따라서 기업이 슈퍼그래프를 도입하면 상황이 더 개선된다. 드버갈리스는 이 슈퍼그래프를 "플랫폼처럼 작동하는 컴포저블 API 계층"이라고 설명한다. 넷플릭스와 같은 멋진 IT 기업은 수년 동안 이 슈퍼그래프를 사용해 왔으며, 그 과정에서 상당한 이점을 발견했다. 에 따르면, 슈퍼그래프는 확장성과 운영성 측면에서 일관성과 개발 속도 문제를 해결한다. 현재 그래프QL은 넷플릭스 같은 유명 기업만 사용하는 것이 아니다. 그래프QL의 주요 스폰서인 아폴로 그래프QL에 따르면, 포천 100대 기업 중 절반이 그래프QL을 쓴다. 이유는 명확하다. 드버갈리스는 "그래프는 앱 개발을 위한 기술적인 '올바른 것'일 뿐만 아니라 기업에 전략적으로 꼭 필요한 것이다. 지금까지 개발자는 프론트엔드나 경험 API를 위해 수많은 백엔드를 수작업으로 작성했다. 하지만 컴포저블 '슈퍼그래프' API 계층으로 전환하면 개발자는 엔터프라이즈 인프라를 거스르는 것이 아니라, 오히려 인프라가 개발자가 원하는 대로 작동하도록 할 수 있다"라고 말했다. AI로 인한 복잡성의 문제 이는 대규모 언어 모델(LLM)과 같은 AI 인프라에서도 마찬가지다. 드버갈리스에 따르면, 최근 생성형 AI의 발전으로 소프트웨어 엔지니어링과 비즈니스 리더들 사이에서 AI 기술에 대한 관심이 크게 늘었다. 이처럼 모두가 AI를 활용하는 방법에 대해 고민하고 있지만, 그렇다고 LLM을 기업 시스템에 직접 연결하는 것이 좋은 생각이라고 생각하는 사람은 아무도 없다. LLM이 실수로 기업 데이터를 외부에 노출하지 않도록 가드레일을 세울 수 있는 좋은 방법이 있는 것도 아니다. 실제로 프롬프트 주입 문제를 아직 누구도 해결하지 못했다. 이 문제가 해결될 때까지 기업은 LLM이 가장 민감한 기업 데이터에 얼마나 가까이 접근할 수 있도록 허용할지 고민하게 될 것이다. 여기서도 슈퍼그래프의 역할이 있다. 슈퍼그래프가 프롬프트 주입 문제를 없애지는 못하지만, 개선하는 것은 가능하다. 그래프QL의 쿼리 계획 및 정책 엔진을 사용하면 사용자가 차세대 개인화된 경험을 제공하는 데 필요한 데이터와 서비스에 안심하고 LLM을 연결할 수 있다. 일부 기업에서는 이미 그래프에 대한 쿼리를 구성하는 데 LLM을 사용하고 있지만, 널리 활용되는 수준은 아니다. 여전히 아직은 많은 개발자가 LLM 쿼리를 그래프QL에 연동하는 방법을 고민하고 있다. 좋은 사례는 하면 된다. 아직 해결해야 할 부분이 많지만, 그래프QL에 대한 관심은 점점 커지고 있다. 다행히 기업이 그래프QL 기반 슈퍼그래프를 도입하기 위해 기존 API 접근 방식을 뜯어 고치거나 새로 교체할 필요가 없다. 실제로 디버갈리스와 아폴로 그래프QL은 기업이 수십 년 동안의 API 투자를 폐기하라고 하는 것이 아니다. 오히려 그 반대다. 기존 투자를 더 가치 있게 만들려고 노력하고 있다. 디버갈리스는 "실제로 그래프QL은 API의 가치를 더 높여주는 계층을 의미한다. REST와 그래프QL은 정말 잘 어울린다"라고 말했다. 그렇다면 슈퍼그래프를 이용해 HP-UX 레거시 인프라와 구글 제미나이 또는 아마존 베드락 모델을 연결해 사용하는 것이 가능할까? 보안을 보장하기 위해 거버넌스를 계속해서 개선하면서 말이다. 이에 대한 슈퍼그래프의 대답은 모두 '그렇다'이다. editor@itworld.co.kr
분산 컴퓨팅의 하위 집합인 엣지 컴퓨팅은 새로 등장한 기술은 아니지만, 지연 시간에 민감한 애플리케이션 리소스를 보다 최적으로 분배할 수 있는 가능성을 보여준다. 요즘은 모든 기술이 무자비하게 과대포장되거나 부당하게 무시되는 것 같다. 엣지 컴퓨팅도 어느 한 쪽에 속하는 기술이 될 것 같지만, 아니다. 엣지 컴퓨팅은 두 가지 모두가 적용될 수 있다. 우리가 현실을 무시한 채 엣지를 과대포장하고 있기 때문이다. 처음 엣지 컴퓨팅의 정의는 단순했다. 짧은 지연 시간, 즉 처리해야 하는 이벤트와 그 처리 결과 사이에 매우 짧은 시간 간격이 필요한 애플리케이션이 있다. 사실 너무 짧아서 특별한 네트워크 서비스가 필요했지만, 네트워크 개선만으로는 충분하지 않았다. 이 때문에 컴퓨팅을 사용자에게 더 가깝게, 즉 이벤트가 생성되고 결과가 전달되는 지점에 더 가깝게 이동시켜야 했다. 그것이 바로 엣지이다. 엣지는 새로운 클라우드이자 새로운 네트워크 서비스의 원동력이었다. 가장 최근에는 AI의 필수 요건이 됐다. IT 분야의 어디든 계속 적용할 수 있는 선물과도 같은 개념이다. 뿐만 아니라 엣지는 실재한다. 제조, 물류창고, 운송, 공공시설, 통신, 심지어 정부까지 엣지 애플리케이션이 이미 구축되어 있는 모든 산업군을 확인할 수 있다. 엣지 컴퓨팅에 전적으로 의존하는 기업과 산업도 있다. 이쯤 되면 필자가 왜 엣지 컴퓨팅을 과대포장이라고 말하는지, 또는 엣지의 경우 과대포장이라는 평가가 정당한지 의아할 것이다. 한 가지 이유는 이 모든 것이 수십 년 된 이야기라는 것이다. 엣지가 실재한다면, 오래된 것이다. 그렇다면, 엣지를 어떻게 다시 새로운 것으로 만들 수 있을까? 분산 컴퓨팅을 기억하는가? 미니컴퓨터와 개인용 컴퓨터는? 수십 년 동안 우리는 데이터센터 외부에 배치하는 분산형 컴퓨터를 구축해 왔다. 필자는 지금 한 컴퓨터에서 글을 쓰고 있고, 많은 독자가 다른 컴퓨터에서 이 글을 읽고 있다. 스마트폰과 스마트워치도 분산 컴퓨팅의 한 형태이다. 수십 년 동안 제조 현장에서 사용된 산업용 컨트롤러도 마찬가지다. 대형 마트에서 계산대에서도 분산 컴퓨팅 애플리케이션을 사용하고, 분산 컴퓨팅을 통해 ATM에서 쇼핑할 돈을 찾을 수도 있다. 분산 컴퓨팅은 컴퓨터 의존도가 높은 활동을 할 때, 이를 지원하는 컴퓨터가 멀리 떨어진 데이터센터에 잠겨 있으면 큰 혼란을 초래한다는 단순한 사실에 기반을 두고 있다. 집에 중요한 장비가 있는데, 이웃집 콘센트에 연결하기 위해 수백 피트에 달하는 연장 케이블을 연결하고 싶지는 않을 것이다. 그리고 각 부서에서 중앙 IT 개발 및 배포 지연을 해결하기 위해 시스템을 구매하기 시작하면서 이 모든 분산 컴퓨팅이 시작됐다. 클라우드 컴퓨팅은 이런 분산된 시스템 중 일부를 다시 중앙 통제하에 두기 위한 '서버 통합'에서 시작됐다. 그리고 이 모든 것이 엣지라는 견고하고 합리적인 개념을 과대포장의 영역으로 끌어올려 버렸다. 논리는 단순하다. 엣지 컴퓨팅은 분산 컴퓨팅의 한 형태이며, 분산 컴퓨팅은 클라우드의 초기 동력이었다. 따라서 엣지 컴퓨팅은 클라우드의 원동력이어야 하며, 분산 서버와 마찬가지로 엣지 컴퓨터도 클라우드로 대체돼야 한다. 현재 온프레미스에서 실행 중인 애플리케이션 중 지원하는 활동과 밀접한 애플리케이션은 클라우드 애플리케이션으로 전환해야 한다. 이런 애플리케이션은 지연 시간에 매우 민감하기 때문에 클라우드 호스팅 지점을 네트워크의 엣지로 옮겨야 지연 시간을 최소화할 수 있다. 엣지는 과거이자 현재이자 미래이다. 하지만 잠깐만, 스마트폰이 클라우드로 대체된다는 뜻인가? PC는 어떻게 될까? 가상 PC는 수십 년 동안 사용됐지만, 지난 해 필자와 대화한 약 3,000명의 사용자 중 실제 PC 대신 가상 PC를 실행하는 사용자는 단 한 명도 없었다. 사람들은 휴대폰에서 더 많은 것을 실행하기를 원하지, 더 적은 것을 실행하고자 하지 않는다. 필자가 평가한 지연 시간에 민감한 산업군에서 400곳 이상의 기업 중에서 실시간 산업용 온프레미스 애플리케이션을 클라우드 애플리케이션으로 대체한 기업은 한 곳도 없었다. 교착 상태처럼 들리지만, 사실은 인사이트의 시작이다. 현재의 과대포장은 잊고 분산 컴퓨팅으로 돌아가야 한다. 엣지 컴퓨팅은 그 하위 집합이다. 우리가 놓치고 있는 것은 앞으로도 계속 하위 집합으로 남아있을 것이라는 점이다. 컴퓨팅의 미래는 클라우드도, 엣지도, 데이터센터도 아니다. 지난 50년 동안 분산된 미래를 향해 진화해 왔지만, 그 변화를 제대로 해석하지 못했다. 이는 곧 무엇이 필요한지 제대로 해석하지 못했다는 뜻이기도 하다. 애플리케이션은 이미 여러 컴퓨팅 포인트에 걸쳐 작업을 연결하고 있다. 지연 시간에 민감한 실시간 애플리케이션을 더 많이 구축하려면 멀티홉 워크플로우의 모든 부분을 클라우드 엣지의 한 곳으로 가져올 수 없다는 사실을 인정해야 한다. 배포할 장소가 필요한 만큼 작업을 최적으로 분산할 수 있는 기능도 필요하다. 엣지 컴퓨팅은 이런 최적의 분산이라는 필요성에 지연 시간 관리라는 차원, 즉 연결 지연 시간과 프로세스 지연 시간이라는 차원을 추가한다. 엣지가 어디에 있든, 얼마나 멀리 떨어져 있든, 필요한 곳에 리소스를 배치할 수 있기 때문에 엣지의 위치는 중요하지 않다. 할 수 없는 것은 애플리케이션을 그 위치에 배치하는 것이다. 분산 배치 가능한 애플리케이션은 그렇게 설계해야 한다. 최적화를 수행하는 미들웨어 기능과 툴을 활용하도록 구축해야 하며, 조건이 변경되면 필요에 따라 다시 최적화할 수 있어야 한다. 또는 애플리케이션 단계와 비즈니스 단계 모두에서 분산된 부분의 합이 훌륭한 전체를 만들어야 한다는 더 큰 문제를 고려하기 시작할 때 다시 최적화해야 한다. 오늘날 우리는 스마트 빌딩을 가지고 있고 스마트 시티에 대해 이야기하지만, 스마트 시티란 무엇인가? 스마트 시티는 스마트 빌딩에 또 다른 스마트함이 추가된 집합체일 수도 있다. 엣지 컴퓨팅의 미래는 오늘날의 엣지 호스팅 포인트를 클라우드로 옮기는 것이 아니라 더 높은 수준의 호스팅 포인트를 추가함으로써 만들어질 수도 있다. 조립 라인은 진공 상태에서 조립하는 것이 아니라 부품 운송과 제품 배송을 포함하는 회사의 일부이며, 두 가지 모두에 관련된 모든 서류 작업이 포함된다. 우리가 실제로 그렇게 생각하지 않고 회사 운영의 모든 부분이 완전히 통합되어 있지 않다는 점을 제외하면 통합된 실체이다. 필자는 300곳 이상의 기업에 비즈니스를 운영하기 위해 완전히 통합된 애플리케이션을 보유하고 있는지 물어봤다. 그렇다고 답한 기업은 단 한 곳도 없었고, 이것이 바로 엣지의 진짜 문제이다. 우리는 엣지를 이해할 필요가 없다. 엣지는 진짜 문제가 아니다. 엣지는 차세대 클라우드도 아니고, 1세대 IoT도 아니고, 데이터센터의 새로운 모델도 아니다. 엣지는 우리가 50년 동안 작업해 온 분산 컴퓨팅의 한 부분일 뿐이다. 우리가 이해해야 할 것은 컴퓨팅을 나누지 않고 분산해야 한다는 것이다. 건물, 회사, 도시, 국가는 모두 하나의 집합체이며, 각각은 작은 조각, 분산된 조각으로 구성되어 있다. 50년 동안 우리는 분산 컴퓨팅을 제대로 구현하기 위해 노력해 왔다. 엣지에 대한 이 모든 이야기는 우리가 아직 거기에 도달하지 못했고, 여전히 전체가 아닌 일부에 집중하고 있다는 증거일 뿐이다. 미래를 위한 사명이 있다면, 영광스러운 전체를 만드는 것이다. editor@itworld.co.kr
클라우드 서비스가 점점 일용품화되고 있다. 어느 업체에 최고의 가치가 있는지 판단할 때 신중을 기해야 한다. 빠르게 진화하는 클라우드 컴퓨팅 환경에서 퍼블릭 클라우드 서비스 업체들의 특징과 기능이 점점 더 비슷해지고 있다. 물론, 필자는 이들이 완전히 똑같지 않다는 것을 잘 알고 있다. 그보다는 모든 클라우드 서비스 업체가 같은 작업을 수행하는 비슷한 서비스 그룹으로 향하고 있다고 생각해도 좋을 것 같다. 이런 발전은 서비스 업체 간의 경쟁 구도를 형성하고 기업에 새로운 기회와 도전을 제공한다. 만약 세 곳의 주요 클라우드 서비스 업체와 이들을 빠르게 따라잡고 있는 다른 세 곳의 클라우드 서비스 업체가 있다면, 더 이상 한 곳만을 지목하는 것은 합리적이지 않다. 더 이상 '최고의 클라우드'는 존재하지 않는다고 해도 과언이 아니다. AWS, 마이크로소프트 애저, 구글 클라우드 플랫폼과 같은 선도적인 업체는 혁신을 주도하며 클라우드 기능 전반에 걸쳐 상당한 투자를 해왔다. 그리고 이들이 대상으로 하는 시장은 거의 똑같다. 바로 기업 시장이다. 그리고 기업들은 주로 같은 것을 요구한다. 데이터를 저장하고, 처리하고, 이해하고, 애플리케이션을 호스팅해야 한다. 이런 요구를 충족하기 위해 클라우드 서비스 업체들은 어떤 서비스를 구축하고 운영할 것인지에 대해 똑같은 회의를 했다. 또한 이런 서비스를 구축하는 주체가 누구인지 살펴보면, 유사성의 이유가 더욱 명확해진다. 지난 15년 동안 주요 임원과 개발자들은 클라우드 서비스 업체를 옮겨 다니며 이 클라우드에서 저 클라우드로 아이디어를 가져왔다. 따라서 오브젝트 스토리지와 서버리스 시스템이 비슷해 보이는 것은 놀라운 일이 아니다. 클라우드 서비스 업체를 화나게 하는 말 “일용품화” 퍼블릭 클라우드 서비스 업체를 화나게 하는 방법이 있다. 클라우드가 일용품화되었다고 말하는 것이다. 모든 것이 일용품화되고 있는데, 안될 것 없지 않은가? 하지만 퍼블릭 클라우드 서비스 업체들은 지난 15년 동안 잘못한 일보다 잘한 일이 더 많다고 해야 할 것이다. 이들 모두 뛰어난 확장성과 상당히 높은 가동 시간 기록을 가지고 있다. 그렇다면 클라우드 서비스 업체끼리는 어떤 부분에서 차별화할 수 있을까? 확장성은 성능이나 보안을 떨어뜨리지 않고 수요를 빠르게 충족해야 하는 기업에 필수적인 요소이다. 클라우드 서비스 업체는 확장성과 통합 기능을 강화해 엔터프라이즈급 운영의 요구 사항을 만족할 수 있다. 그러나 이런 서비스에는 비용이 청구되며, 최근 많은 기업에서 이런 "깜짝 클라우드 청구서"에 대해 불만을 제기하고 있다. 이는 확장성이 매몰 비용인 기존 자체 하드웨어와 비교되는 부분이다. 물론 언젠가는 자체 하드웨어를 더 구입하고 설치 및 관리 비용을 지불해야 할 것이다. 퍼블릭 클라우드는 그렇게 할 필요가 없기 때문에 사용하는 것이다. 마켓플레이스 생태계는 타사 애플리케이션부터 통합 및 인증 파트너에 이르기까지 다양한 제품을 제공하는 클라우드 서비스 업체 간의 또 다른 차별화 요소이다. 예를 들어 AWS는 방대한 마켓플레이스를 통해 상당한 시장 우위를 자랑한다. 구글 클라우드 플랫폼과 마이크로소프트 애저도 무수히 많은 기업의 요구 사항을 충족하는 포괄적인 마켓플레이스를 제공한다. AWS에 조금 뒤처져 있지만, 기능적으로는 동일한 역할을 수행한다. 생성형 AI와 머신러닝 기능은 기능의 동일성 경쟁에서 또 다른 영역을 개척하고 있다. 많은 기업이 이를 최근의 혁신으로 여기지만, 이미 모든 주요 클라우드 서비스 업체가 제공해 온 것이다. 실제로, 어떤 경우에는 서로 다른 클라우드에서 동일한 서비스를 제공하는 경우도 있다. 많은 오픈소스 AI 솔루션도 마찬가지다. 클라우드 서비스 업체는 생성형 AI를 다른 클라우드와 차별화할 새로운 방안으로 보고 있다. 그러나 앞으로 몇 년 동안은 클라우드 스택에서 사용할 스토리지, 컴퓨팅, 데이터베이스 및 기본 사항을 고려하는 것이 가장 좋다. AI가 중요할 수도 있지만, 최소 5년 동안 사용할 클라우드를 AI 툴 지원 능력만으로 선택해서는 안된다. 이는 잘못된 의사 결정으로 이어져 비즈니스 결과를 악화시킬 수 있다. 같아지는 특징과 기능이 가져다주는 기회 스토리지, 컴퓨팅, 데이터베이스, AI 등 많은 기본 기능에서 클라우드 서비스 업체가 거의 동일하다면, 기업은 이런 업계의 진화를 활용해 더 많은 가치를 얻을 수 있을까? 아마 그럴 것이다. 클라우드 서비스 업체는 가격 전략이 있다. 이들 업체는 기업이 다른 업체의 오브젝트 스토리지를 구매할 수 있다는 것을 잘 알고 있다. 서비스 업체는 이런 문제를 피해 대화를 자사의 차별화 기능으로 전환하는 방법을 잘 알고 있다. 물론 이런 기능 대부분은 사용자가 사용하지 않을 기능이다. 하와이에 살면서 새 트럭에 열선 스티어링 휠 옵션을 1,000달러에 구입한다고 생각해 보라. 단일 업체의 서비스를 선택한 이유에 대해 해당 업체만이 제공하는 특정 기능이 필요할 것이라고 생각했다는 매우 불만족스러운 답변을 들은 적이 몇 번인지 모른다. 과연 여기에 5년 동안 50만 달러를 추가로 지불할 가치가 있을까? 퍼블릭 클라우드 서비스 업체의 특징과 기능이 같아지면서 기업은 업체를 선택할 때 기능 그 이상을 살펴보는 것이 좋다. 가격 전략, 규정 준수, 데이터센터의 지리적 가용성과 같은 요소가 중요한 고려 사항이 됐다. 사실은 항상 그래야 했다. 너무 많은 기업이 '불필요한 기능'을 고려하다가 중동 지역으로 서비스를 확장하기 위한 거점을 두고 싶어도 거점이 없다는 사실을 알게 되는 경우가 많다. 업체를 선택할 당시에는 아무도 물어보지 않았던 것이다. 또한 매니지드 서비스의 중요성도 고려해야 한다. 매니지드 서비스는 단순히 운영을 유지하는 것 이상으로 기업이 클라우드 여정을 탐색하는 데 필요한 지원을 제공한다. 매니지드 서비스는 자체 인력에 대한 투자를 꺼리는 기업에 가장 적합하다. 또한 필요한 지원을 받을 수 있는 고객 서비스 기능 등을 간과하는 경우가 너무 많다. 경쟁하는 클라우드 서비스 업체의 제품과 서비스가 똑같아 보이는 오늘날의 클라우드 서비스에도 같은 원칙이 적용된다. 10년 전 언론 보도로 맺어진 제휴 관계 때문에 특정 업체에 갇혀 있다고 생각하는 함정에 빠지지 말기 바란다. 모든 클라우드와 모든 서비스가 고려 대상이다. 올바른 이유에 적합한 서비스를 사용하면 모든 클라우드에서 더 많은 가치를 얻을 수 있을 것이다. editor@itworld.co.kr
IT 업계에는 CIO가 "일을 다 망쳐놓는 최종 사용자만 없다면 IT 운영이 훨씬 더 원활할 텐데"라며 투덜거린다는 오랜 농담이 있다. 맞는 말이다. 사람들은 해야 할 일, 더 정확하게는 IT 부서에서 하길 바라는 일을 하지 않으려는 경향이 있다. 오늘날 인증 및 보안 문제에 부딪힌 주요 음식 배달 서비스에서 이 교훈을 바로 확인할 수 있다. 음식을 배달하는 사람이 실제 지정된 배달 담당자가 맞는지 확인함으로써 주문자가 더 안심할 수 있도록 한다는, 지극히 합리적인 이유로 시작한 인증이 정작 현장에서 제대로 작동하지 않고 있다. 소매 기술 기업 패스바이(PassBy) CEO 샘 암라니는 최근 링크드인 포럼에서 이 문제에 대해 불만을 쏟아냈는데, 곧 같은 문제를 경험한 다른 사람들도 동조하며 논의에 가담했다. 그는 "배달 기사가 합법적인 앱 사용자가 맞는지, 아니면 뭔가 악의적인 일이 일어나고 있는지 알 방법이 없다. 이 문제의 원인이 시스템의 기술적 오류일까, 불법 노동자를 위해 방치되는 암시장일까? 두 가지 다인 것 같다"라고 말했다. 이어 "사람들은 계장을 팔거나 임대하는 긱(gig) 작업 중개업자를 통해 이러한 앱을 이용하고 있다. 보호되지 않고 있는 긱 경제 앱의 빈틈이다. 필자가 긱 경제 앱을 통해 주문한 음식의 80% 정도는 누구인지 전혀 알 수 없는 사람이 배달했다. 배경 조사도, 신원 확인도 없다. 아무런 규제 없이 사람들이 건물 안으로, 자동차 안으로 들인다. 물론 이 사람들의 99%는 그저 암시장을 통해 생계를 꾸려가는 사람들이겠지만, 이대로 두면 위험한 결과를 초래할 수 있다"라고 말했다. 트러스트D의 디렉터 시오프라 니어리는 "기사를 할당하고 이들의 세부 정보를 전달하는 주체가 앱인 만큼 배달 기사가 실제 그 사람이 맞는지 확인할 책임도 앱에 있다"라고 말했다. 중국 요도원 게임즈(Yodo1 Games)의 성장 마케팅 부문 책임자인 리카르도 루소는 "중국에서는 주요 차량 호출 및 배달 앱에서 약 2시간마다 얼굴 인식을 통한 확인으로 문제를 해결했다. 전에는 큰 문제였다"라고 말했다. (이 문제에 대한 링크드인 토론은 한 참여자가 청부 살인 일당이 음식 배달 서비스의 배달 기사로 위장하는 내용의 TV 시리즈로 만들면 좋겠다는 제안을 하면서 옆길로 샜다. 광고 문구: "당신을 죽이는 것은 포화지방이 아니다.") 컴퓨터월드는 문제에 대해 미국의 3대 음식 배달 서비스인 그럽허브(Grubhub), 우버이츠(UberEats), 도어대시(DoorDash)에 문의했는데, 이들 업체는 신원 도용 문제를 알고 있음을 인정하거나 최소한 부정은 하지 않았다. 다만 어느 업체도 문제를 더 심층적으로 다룰 공식적인 인터뷰 제안에는 응하지 않았다. 그럽허브는 "모든 배달 파트너에 대해 배경 조사를 실시하며, 드문 경우이긴 하지만 사칭 또는 사기 행위가 신고될 경우 해당 배달 파트너의 계정이 비활성화될 수 있다"는 정형화된 답변을 보냈다. 그러한 행위를 선제적으로 차단하기 위한 계획은 없다는 뜻이다. 우버이츠는 지정된 배달 기사가 아닌 다른 기사가 배달한 경우 신고할 수 있는 앱 내의 링크를 알려줬다(있긴 있는데 찾기가 매우 어려운 링크). 신고 내용이 맞는 것으로 확인될 경우 기사에게 어떤 조치가 취해지는지에 대해서는 명확한 정보가 없다. 우버이츠가 이 문제를 심각하게 받아들인다면 신고 양식 작성에 대해 소비자에게 예를 들어 50달러 쿠폰을 제공하되, 현관 카메라 영상과 같은 증거를 요구해서 허위 신고를 줄일 수 있을 것이다. 도어대시의 한 직원은 인터뷰에 응하긴 했지만 이들이 "대셔(Dasher)"라고 부르는 배달 기사들의 배경에 대한 이야기만 해야 한다는 조건을 붙였다. 도어대시 관계자는 "이는 기술적인 문제 또는 코딩 오류와는 아무런 관계가 없다. 대셔가 가끔 자신의 친구, 파트너 또는 가족과 같이 배달을 하는 경우가 있다. 이는 허용되는 행위지만 실제 배달을 완료하는 사람은 계정에 등록된 대셔 본인이어야 한다. 대셔가 대셔가 아닌 사람들과 계정을 공유하는 사례도 발견되고 있으며 이는 엄격한 정책 위반이다. 이와 같은 행위에 관련되는 모든 대셔에 대해서는 도어대시 플랫폼 퇴출을 포함한 적절한 조치가 이뤄진다"라고 말했다. 결국 세 업체 중에서는 도어대시가 유일하게 미등록 배달 기사 문제를 해결하기 위해 노력하고 있다. 도어대시는 2023년 8월 기사에게 주기적으로 즉시 셀카를 찍어 보내도록 요구하는 재검증 메커니즘을 구현했다. 이렇게 받은 사진을 회사 측이 이미 보유하고 있는 서류의 정부 신분증 사진과 비교해 확인한다. 그런데도 도어대시 기사 중에는 계정에 등록된 본인이 아닌 경우가 여전히 많다. 필자가 도어대시를 사용하면서 그런 경우를 많이 겪었다. 수시 확인의 정해진 빈도가 어느 정도인지는 물론, 실제로 얼마나 자주 수행되는지도 불확실하다. 암라니는 이러한 사칭이 범죄에 이용될 가능성을 언급하며 "범죄 조직은 이 방법으로 강도 또는 침입할 장소를 사전에 정찰할 수 있다. 아파트 건물이나 사무실 단지에 손쉽게 들어가 볼 수 있기 때문이다. 수요와 공급의 문제다. 합법적인 노동 인력이 부족하기 때문에 이렇게 느슨하게 만든 것이다. 이 빈틈은 업체에서 마음만 먹으면 훨씬 더 조밀하게 막을 수 있지만 그렇게 하지 않고 있다"라고 말했다. 배달 서비스 업체들 스스로가 문제를 수면 위로 드러낸 측면도 있다. 회사 규칙을 어기는 기사가 있다는 것을 알고 그 규칙을 더 엄격하게 시행하지도 못한다면(기사 공급이 수요를 따라가지 못하는 상황이므로) 애초에 기사의 이름과 사진은 왜 공유하고 있을까? 이 문제에는 2가지 측면이 있다. 첫째, 기사는 배달 도중에 기사를 바꿔치기하는 경우가 많다. 그 자체는 범죄는 아니다. 원래 기사가 배달을 취소해서 다른 기사가 이어받는 경우도 있다. 그러나 이 경우 사전 신원 확인이 무의미하게 된다. 둘째는 도어대시도 인지하고 있는 문제로, 기사가 배달에 자신의 친구 및 가족들을 동원하는 경우다. 이 문제를 해결할 때까지(아마 그럴 일은 없겠지만) 기사의 신원 게시를 중단하면 되지 않을까? 적어도 주문한 사용자의 혼란은 사라질 것이다. 지금의 인증 문제에는 도움이 되지 않지만 어차피 해결되지 않을 문제다. 필자가 말하고자 하는 요점은 인증을 하려면 최종 사용자(소비자든 동료 직원이든)가 현실적으로 그 인증을 어떻게 사용할 것인지에 대해 진지하게 생각해야 한다는 것이다. 인증 방법을 간단히 피해 갈 방법이 있는가? 악의적인 사용자가 인증을 우회하기가 얼마나 어려운가? 음식 업계에 국한된 이야기가 아니다. 은행을 생각해 보자. 여전히 많은 은행이 제한적이지만 잔고 확인, 최근 5~10회 거래/활동 확인 등 민감한 작업을 할 때 발신자 번호 확인을 통해 사용자를 확인한다. 그러나 발신자 번호는 손쉽게 위조가 가능하다. 편리함이 보안보다 우위에 있는 또 다른 사례다. 음성 인식을 사용하는 한 대형 투자사도 있다. 편집된 디지털 오디오 파일을 통해 음성 인식 생체 시스템을 속일 수 있다는 사실에도 불구하고 그냥 사용한다. 강력하고 새로운 생성형 AI 툴이 음성 인식 시스템을 손쉽게 속일 수 있다는 사실까지는 언급할 필요도 없을 것이다. 결국 대부분의 경우 기술은 잘 작동한다. 말썽을 일으키는 인간만 없다면. editor@itworld.co.kr
비즈니스 리더는 기업과 주주를 위한 최상의 성과를 도출하기 위해 비즈니스 전략에 생성형 AI를 도입할 최선의 방법을 찾느라 분주하다. 가트너에 따르면, 비즈니스 리더 38%는 고객 경험과 유지가 생성형 AI에 투자하는 가장 큰 목적이라고 답했다. 생성형 AI를 비즈니스 미래를 위한 필수 요소로 인식하는 것이다. 그러나 생성형 AI가 아무리 매력적이라 해도 AI 전략을 수립하기 전에 LLM이 과연 비즈니스에 맞는 선택인지 여부를 고려하는 것이 중요하다. 기성품 LLM의 경우 손쉽게 곧바로 접근할 수 있지만, 산업별 컨텍스트가 부족한 지나치게 일반화된 고객 경험, 모델 임베딩을 아웃소싱하는 데 따르는 비용 증가, 데이터를 외부에 공유하는 데서 비롯되는 개인정보 보호 우려 등 효과적으로 사용하기 어려운 측면이 있다. 내부 AI 모델을 학습시키면 이런 우려를 해소하는 동시에 팀 내에 창의성과 혁신을 촉진해 다른 프로젝트에도 모델을 활용하도록 유도할 수 있다. 도메인별 AI가 필요하다고 결론을 내렸다면, 내부적으로 자체 모델을 만드는 여정에 착수하기 전에 다음과 같은 5가지 중요한 질문을 던져야 한다. 1. 비즈니스 문제가 무엇이고 AI가 그 문제를 어떻게 해결하는가? 파운데이션 모델과 LLM의 세계로 깊이 들어가기 전에, 한 걸음 물러나서 해결하고자 하는 문제를 짚어본다. 문제를 파악한 다음에는 어떤 자연어 작업이 필요한지 판단하는 것이 중요하다. 예를 들어 요약, 명명된 개체 인식, 의미론적 텍스트 유사성, 질문 응답 등이 있다. 다운스트림 작업과 도메인 인식은 사과와 배처럼 서로 다른 영역이므로 차이점을 아는 것이 중요하다. GPT, 라마(Llama), PaLM과 같은 LLM 모델은 널리 사용되지만 사실 퓨샷(few-shot) 프롬프트 또는 부가적인 미세 조정이 포함된 다운스트림 작업에만 적합하다(질문 응답, 요약 등). 파운데이션 모델은 더 넓은 범위의 컨텍스트에서도 작동할 수는 있지만, 대부분 애플리케이션에서 유용성을 갖추는 데 필요한 산업 또는 비즈니스별 도메인 전문 지식은 부족하다. 다운스트림 작업에서 좋은 결과를 달성한다고 해서 특정 산업에 대한 도메인 인식이 가능하다는 것을 의미하지는 않는다. 2. 사용 가능한 산업별 AI 툴이 이미 있는가? AI 전략의 연구 단계에서 기존 툴을 면밀히 평가하는 것이 중요하다. 이들 툴 중에는 산업용이라고 해도 여전히 특정 비즈니스에 관한 구체적인 데이터가 부족할 수 있기 때문이다. 사용 가능한 툴을 감사할 때는 AI 모델이 프롬프트의 의미를 잘 파악하고 사용자 관점에서 관련성 있는 응답을 생성할 수 있도록 컨텍스트, 그리고 원하는 언어로 된 단어를 잘 이해하는지 확인하는 데 초점을 둬야 한다. 2년 전 필자가 소속된 서드파티 위험 관리 업체 블랙 카이트(Black Kite)는 연구 및 테스트를 거친 결과, 서드파티 위험에 특화된 강력한 사이버보안 LLM이 없다는 사실을 발견했고 사이버보안에 대한 미세 조정을 위해 BERT 파운데이션 모델을 선택했다. 또한 AI 모델을 구축하는 과정에서 사이버보안 도메인 내의 다양한 텍스트를 분석하면서 결과가 일관적으로 특정 범위 안에 들어온다는 점을 확인했다. 블랙 카이트가 채택한 파운데이션 모델은 이런 텍스트를 동질적인 것으로 인식하고, 동일한 도메인 내의 기원에 기인하는 것으로 판단했기 때문이다. 블랙 카이트는 사이버보안 산업의 컨텍스트와 뉘앙스를 제공하는 데 많은 노력을 기울였고 결과적으로 이런 노력은 도메인 인식 부족 문제를 해결하는 데 도움이 됐다. 컨텍스트 역시 필수적이다. 지금도 생성형 AI는 특정 사안에 대해 환각을 일으킬 수 있으므로 있는 그대로 100% 신뢰해서는 안 되기 때문이다. 이런 문제는 바이든-해리스 행정부가 안전하고 신뢰할 수 있는 AI에 대한 행정 명령을 내린 대표적인 이유다. 정부 기관은 서비스형 AI 툴을 사용하기 전에 그 서비스가 안전하고 신뢰할 수 있는지를 확인해야 하는데, 일련의 예시 출력을 살펴보는 것만으로는 일반적으로 명확하게 파악할 수 없다. 또한 바이든-해리스 행정부의 행정 명령은 민간 분야 기업에는 적용되지 않지만, 이와 비슷한 정책을 도입해야 하는 기업이라면 마찬가지로 고려해야 한다. 내부 모델의 학습 및 미세 조정 프로세스에는 철저한 테스트, 약점 식별, 모델 분석이 포함된다. 상당히 오래 걸리는 작업이지만 장기적으로 보면 그만한 가치가 있다. 3. 데이터는 준비되었는가? 자체 LLM 학습에 앞서 평가해야 할 가장 중요한 자산은 기업의 데이터다. 장기간 동안 고품질 데이터를 축적한 기업은 오늘날 LLM 시대에 가장 운이 좋은 기업이다. 학습, 테스트, 재학습, 베타 테스트를 포함한 거의 모든 단계에 데이터가 필요하기 때문이다. LLM 학습에서 고품질 데이터는 성공을 위한 핵심이므로 세 번째 질문의 실질적인 의미를 고려하는 것이 중요하다. 답은 물론 작업과 도메인에 따라 바뀌지만, 준비된 데이터에 대한 일반적인 규칙은 선별 작업이 최소화되고 재학습 필요성이 적은 데이터다. 기업은 LLM 학습 여정을 시작하면 일반적으로 여러 면에서 데이터가 준비되지 않았음을 알게 된다. 데이터에 노이즈가 너무 많거나, 전문가의 역량 부족 또는 전문가에게 부여된 시간의 부족으로 인해 레이블이 제대로 지정되지 않았을 수도 있다. 또는 학습 프로세스에 거의 아무런 가치도 제공하지 않고 도메인이나 작업을 완전히 나타내지 않는 숨은 반복이 데이터에 포함될 수 있다. 결과적으로 AI 모델은 과적합 상태가 된다. 데이터 정리에 가장 많은 시간이 걸리므로 자칫하면 데이터가 프로젝트의 병목 지점이 되기 쉽다는 점을 알아야 한다. 데이터가 진정한 의미에서 AI에 맞게 준비되기까지는 몇 년이 걸릴 수도 있다. 4. AI 모델을 학습시킬 전문가가 충분한가? 전문가는 데이터 생성과 데이터 품질 판단에서 중요한 역할을 한다. 학습 프로세스에 사용될 신뢰할 수 있는 데이터를 생성하기 위해서는 여전히 인간이 필요하기 때문이다. 합성 생성된 데이터 집합도 존재하지만, 이런 데이터 집합은 인간 전문가의 평가와 심사를 거쳐야 유용성을 갖출 수 있다. 내부 전문가든 아웃소싱 전문가든 전문가를 선택할 때는 모델을 미세 조정하기 위한 깊은 산업 지식을 갖췄는지 확인해야 한다. 더 구체적으로는 데이터에 레이블을 지정하고 데이터에 대한 피드백을 제공하고 데이터를 테스트하고 피드백을 기반으로 재학습을 실행할 전문가가 필요하다. 이는 학습된 AI 모델에서 정확하고 신뢰할 수 있는 결과를 얻기 위한 과정에서 중요한 부분이다. 5. 시간 제약이 있는가? 내부 AI 모델 학습은 비용이 많이 들고 기간도 오래 걸린다. 비즈니스 문제, 즉시 가용한 데이터의 품질, 참여하는 전문가와 AI 엔지니어 인원 등이 모두 프로젝트 기간과 품질에 영향을 미친다. 이 프로세스는 시행착오에 의존하므로 솔루션을 사용할 수 있게 되기까지는 본질적으로 긴 시간이 걸릴 수밖에 없다. 데이터에서 비롯되는 문제 외에, 학습 알고리즘의 초매개변수를 설정할 때 발생할 수 있는 다른 과제, 예를 들어 학습률, 에포크의 수, 레이어의 수 등도 있다. 테스트 단계에서 명확히 드러나는 과적합 및 심각한 망각 문제를 해결하기 위해 AI 전문가가 리엔지니어링을 해야 할 수도 있는데, 이런 경우 프로젝트 시간은 더욱 늘어난다. 프로세스를 세심하게 계획하면 스트레스가 줄어들지만 새 LLM 솔루션이 등장하면서 내 솔루션이 구식이 될 위험은 상존한다. 결국 관건은 도메인의 특수함과 틈새에 있다. AI 기술의 빠른 발전 속도를 감안해 타이밍과 품질 사이에서 균형을 추구해야 한다. 많은 혁신적인 솔루션이 그렇듯이 모든 경우에 맞는 한 가지 접근 방식은 없다. 회사의 AI 여정을 시작할 때 첫 번째 단계는 회사 비즈니스에 맞는 모델에 대한 여러 옵션을 저울질하는 것이다. 비즈니스 리더에게 LLM을 처음부터 새로 학습시키는 일은 어렵게 느껴질 수 있지만, 가용한 데이터가 있고 일반적인 LLM이 해결하지 못하는 도메인 특유의 "비즈니스 문제"가 있다면 장기적으로 투자할 가치가 있다. *Gokcen Tapkan은 Black Kite의 데이터 리서치 디렉터다. editor@itworld.co.kr
매일매일 업데이트되는뉴스레터 받아보기
테크라이브러리자료 업로드 신청
기업이 사이버 공격에 맞서기 위해서는 네트워크 세분화, 샌드박스, 방화벽, 이상 탐지 기능을 강화해야 하는 것으로 나타났다. 또한 지난 한 해 동안 기업의 보안 준비도는 하락한 반면 보안에 대한 신뢰도는 오히려 높아진 것으로 나타났는데, 우려스러운 추세라는 분석이다. 시스코가 발표한 2024 사이버보안 준비 지수(2024 Cybersecurity Readiness Index) 보고서의 주요 내용이다. 이런 신뢰 수준과 보안 준비도 간의 격차는 기업이 위협 환경을 탐지하는 능력을 과신하고 있으며 직면한 문제를 제대로 파악하지 못하고 있음을 시사한다. 이번 설문은 전 세계 30개국의 비즈니스 및 사이버보안 리더 8,000명을 대상으로 조사했다. 글로벌 기업의 3%만이 최신 사이버보안 위험에 탄력적으로 대응하는 데 필요한 '성숙한' 수준의 준비성을 갖춘 것으로 나타났다. 불과 1년 전 준비성 수준이 15%였던 것과 비교하면 매우 낮은 수치라고 시스코 전략 참여 담당 이사 ...
2005년 이후 유튜브는 다양한 동영상으로 우리를 즐겁게 했다. 초기에는 바이럴 동영상의 수요가 더 많았지만, 2010년 이후에는 뮤직비디오의 인기가 가장 높다. 예를 들어 아델의 '헬로(Hello)' 뮤직비디오는 불과 87일만에, (현재까지) 역사상 가장 빠르게 10억 뷰를 넘어섰다. 그럼에도 이 영상 조차 역대 가장 많이 본 동영상 상위 10위에 들지 못했다. 2024년 2월 기준 가장 많이 재생된 유튜브 동영상 10개는 다음과 같다. 10위부터 역순으로 알아보자. 10위 : 미로쉬카 ТV "색깔 배우기 - 농장의 알록달록한 계란" 릴리즈 날짜 : 2018년 2월 26일 조회수 : 50억 10위는 아이들에게 러시아어로 다양한 색을 알려주는 러시아 채널 미로쉬카 TV(Мiroschka ТV)의 교육용 동영상이다. 이 영상은 농장에 있는 여러 개의 달걀이 단계적으로 색을 갈아 입는 애니메이션이다. 2018년부터 50억 회 이상 클릭됐다.  ...
오늘날의 네트워크 환경은 수작업만으로 추적하기에는 너무 복잡하다. IT팀은 디지털 트윈 기술을 통해 프로덕션 네트워크의 가상 모델을 구축하고 이를 사용해 구성을 검증하고 변경 사항을 시뮬레이션하며 관리를 간소화할 수 있다. 물리적 사물이나 시스템을 디지털로 표현한 디지털 트윈의 사용이 증가하고 있다. 기업은 디지털 트윈을 사용해 인프라, 네트워크 장비, IoT 디바이스 등 IT 환경을 복제하고 시뮬레이션을 실행해 변경의 영향을 테스트하고 성능을 최적화할 수 있다. 예를 들어 네트워크의 현재 상태를 검증하고 구성 변경, 펌웨어 업데이트 또는 보안 정책 조정을 테스트하는 데 사용할 수 있다. 디지털 트윈 기술은 이렇게 물리적 세계와 가상 세계 사이의 격차를 해소할 수 있는 잠재력으로 주목을 받고 있다. 그랜드 뷰 리서치에 따르면, 글로벌 디지털 트윈 시장은 2023년부터 2030년까지 연평균 38%의 높은 성장률을 기록할 것으로 전망된다. 인공지능, 클라우드 컴퓨팅, ...
오픈 데이터의 흐름이 전 세계적으로 확산하고 있다. 이는 엄청난 혁신을 불러일으킬 것으로 기대된다. 실제로 매켄지는 자유롭게 사용하고 재배포할 수 있는 데이터인 오픈 데이터가 세계 경제에 연간 3조 달러의 기여를 할 수 있으며, 혁신을 일으키고 경제의 모든 부문을 변화시킬 수 있는 잠재력을 가지고 있다고 평가한다. 세계은행도 오픈 데이터의 큰 잠재력을 인정하며, 민간 기업의 공공 데이터 사용이 "이제 막 활용되기 시작했다"고 분석했다. 새로운 디지털 정책을 앞장서 추진하고 있는 EU는 최근 공공 부문 기관이 무료로 사용할 수 있는 새로운 '고가치 데이터 세트'를 추가한 오픈 데이터 지침(Open Data Directive)을 시행했다. 이 데이터 세트에는 지리공간과 환경, 기상, 통계, 모빌리티, 기업 데이터가 포함되는데, 이를 통해 사회의 디지털 혁신을 장려하고 이동성과 의료, 에너지 절약, 지속 가능성을 개선하는 것을 목표로 한다. 티에리 브르통 EU 집행위원장은...
직업 사이트 연구 및 교육 업계의 새로운 데이터에 따르면, 2024년 기업이 전문가에게 원하는 역량이 생성형 AI의 도입으로 인해 바뀌고 있다. 생성형 AI는 노동자를 대체하기보다는 자동화할 수 있는 일상적인 업무는 줄이고 제품 개발과 같은 창의적인 업무에 더 집중할 수 있게 도와줄 것으로 기대된다. 프리랜서 고용 플랫폼 업워크(Upwork)는 최근 2023년 전체 프리랜서 노동자의 수입에 대한 연구를 발표했는데, 그 결과 생성형 AI와 데이터 과학 및 분석 기술의 중요성이 전례 없는 성장을 보이고 있는 것으로 나타났다. 또한 업워크 연구는 AI를 활용하는 프리랜서가 더 복잡하고 더 높은 가치를 창출하고 결과적으로 더 높은 수익을 얻는 기술 역량 중심의 변화가 있음을 확인했다. 업워크 리서치 인스티튜트의 매니징 디렉터 켈리 모나한은 최근 블로그 게시물에서 "AI가 대부분 일자리를 대체할 가능성은 낮지만, 가치를 창출하는 데 필...
자바는 지난 몇 년에 걸쳐 여러 가지 큰 변화를 거쳤다. 특히 얼핏 무관해 보이는 여러 힘이 함께 작용하며 플랫폼의 사용 편의성을 더 높였다. 자동 컴파일, var 키워드와 같은 새로운 기능으로 초보자와 숙련자 모두 자바를 더 편하게 사용할 수 있게 됐다. 새롭고 더 친화적인 이번 자바에서 관심을 끄는 것은 무엇인지 살펴보자. 적어도 오랜 자바 사용자에게 현대 자바의 가장 놀라운 점은 var 지원이라고 할 수 있다. 자바의 대표적인 특징 중 하나는 강력한 형식 지정인데 var는 이것을 약간 느슨하게 풀어준다. 이제 메서드 내에서 컴파일러가 형식을 추적하는 var를 사용해 참조를 정의할 수 있다. 자바 개발자는 이 기능의 도입을 두고 불안에 떨었지만 정작 지원이 시작되자 그런 불안이 무색할 만큼, 마치 자바에 원래부터 있던 기능인 듯 아무렇지도 않게 받아들였다. var numbers = new ArrayList<In...
마이크로소프트의 오픈소스 프로그래밍 편집기인 비주얼 스튜디오 코드는 많은 확장 프로그램을 통해 모든 개발자에게 강력한 도구가 되어 준다. 확장 프로그램 없이도 유용한 기능을 기본적으로 풍부하게 갖추고 있다. 다만 이런 기능 일부가 명확히 드러나 있지는 않아서 경험이 많은 사용자라 해도 모르는 경우가 있다. 또한 VS 코드 새 릴리즈가 나올 때마다 추가되는 유용한 기능도 눈에 띄지 않는 경우가 많다. 아직 잘 알려지지 않은 유용한 비주얼 스튜디오 코드 팁과 단축키 10가지를 소개한다. 대다수 팁은 초보부터 숙련된 베테랑에 이르기까지 모든 VS 코드 개발자에게 도움이 될 것이다. VS 코드 명령 찾기 VS 코드의 명령을 찾고 싶을 때는 Ctrl + Shift + P를 누르고 입력을 시작한다. 명령 팔레트라는 기능이 작동하면서 모든 등록된 명령(추가 기능이 제공하는 명령 포함)에 빠르게 접근할 수 있게 해준다. 또한, 특정 명령...
엔터프라이즈 IT는 오랫동안 서로 어긋나는 인프라를 선택해야 하는 악조건 속에 있었는데, 최근에는 상황이 더 악화했다. 예를 들어, 클라우드는 모든 것을 개선할 것처럼 약속했지만 10년 이상 클라우드 네이티브에 투자한 결과는 달랐다. 마이크로서비스와 API, 그밖에 점점 늘어나는 '클라우드 네이티브 모범 사례'를 만들어 IT 환경을 더 복잡하게 만들었다. 그렇다면 AI가 이 모든 것을 해결할 수 있을까? 이에 대한 대답은 명확하다. 정상적인 IT 담당자라면 챗GPT를 CRM이나 ERP 시스템에 연결하려 하지는 않을 것이다. AI를 제어할 거버넌스가 부재하기 때문이다. 그러나 복잡성과 다소 어려운 거시 경제 환경에도 불구하고 "훌륭한 소프트웨어를 만드는 목표를 포기해서는 안 된다"고 아폴로 그래프QL의 CTO이자 공동 창립자인 매트 디버갈리스는 말한다. 낡고 복잡한 인프라를 붙잡고 있는다고 해서 해결되는 것은 아무 것도 없다는 것이다. 대신 그가 제시하는 해법은 '슈퍼...
온라인 스토리지 계정을 여러 개 소유한 사용자라면, 각각의 웹사이트와 클라이언트로 모든 온라인 스토리지를 관리하기가 무척 번거롭다는 것을 잘 알고 있을 것이다. 무엇이 어디에 저장되어 있는지만 기억하는 것도 보통 일이 아니다. 그러나 클라우드마운터(CloudMounter), 익스팬드라이브(ExpanDrive), 마운틴 덕(Mountain Duck), 에어라 이브 드라이브(Air Live Drive), 레이드라이브(RaiDrive)와 같은 애플리케이션을 발견하면서 이런 번거로움은 사실상 종료됐다. 이들 클라우드 스토리지 관리자 앱은 온라인 스토리지 서비스와 FTP/SFTP 및 WebDAV를 연결해 윈도우 탐색기, macOS 파인더 같은 운영체제 내 파일 관리자에 통합한다. 연결 속도는 약간 느리기는 해도 실제와 똑같이 작동하고 드라이브 문자도 할당된 로컬 또는 로컬 또는 네트워크 드라이브로 나타난다. 여기에 더해 추가 소프트웨어나 웹 브라우저를 실행하지 않고도 온라...
더 빠르고 효율적이며, 더 저렴한 새로운 무선 충전기가 곧 쏟아질 예정이다. 최신 치2(Qi2, '치'라고 읽음) 충전 표준을 기반으로 한 이 새로운 무선 충전기는 현재 사용 가능한 대부분의 무선 충전기보다 2배 빠른 15W 전력 전송을 지원한다. 이 치2를 지원하는 대표적인 제품이 바로 앤커(Anker)의 폴더블 앤커 맥고 쓰인인원(Anker MagGo 3-in-1) 무선 충전 스테이션이다. 치2 표준을 활용하면 어떤 제품이 나오는지를 잘 보여주는 좋은 사례다. 이 제품은 아이폰(아이폰 13 이상)을 15W로 충전하며, 애플 인증을 받아 애플 워치도 고속 충전한다. 무선 충전 케이스를 지원하는 에어팟에도 쓸 수 있다. 하지만 모든 신기술이 그렇듯 회의적인 시각이 있을 수 있다. 치2가 정말 맥세이프만큼 좋을까? 리뷰 결과 이에 대한 대답은 명확하다. '그렇다'. 그래도 남아 있을 불안을 고려해 일단 치2 충전 기술에 대해 간단히 알아보자. 그 후에 본격적으로 이 제품을 리뷰한다...
회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512 | 등록번호 : 서울 아00743 등록발행일자 : 2009년 01월 19일
발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규 | 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950
Copyright © 2024 International Data Group. All rights reserved.