정보관리기술사/컴퓨터응용기술사/빅데이터분석/ADsP

가트너, 2027년 10대 전략 기술 발표

車부터 AI 가전까지 정보수집 확대…제품 검증·사후관리 '구멍'

커넥티드카·로봇청소기·스마트홈 카메라처럼 영상·위치·공간정보를 수집하는 IoT 기기가 빠르게 늘고 있지만 국내 보안인증과 사후관리 체계는 이를 충분히 따라가지 못하고 있다. 특히 인공지능 분석과 플랫폼 연계가 확대되면서 제품 제조사뿐 아니라 플랫폼·클라우드까지 포함한 책임체계가 새로운 과제로 떠올랐다.

■ 기사 핵심 요약

– 커넥티드카·AI 가전이 영상·좌표·공간정보까지 수집하면서 IoT 보안 위험과 정보유출 영향 확대

– 최근 5년간 국내 IoT 보안인증은 약 450건, 가전 분야는 10건에 그쳐 자율인증 중심 제도의 실효성 한계

– 제조사·플랫폼·AI 분석사업자가 연결되는 구조로 발전하면서 최소 보안기준·의무인증·사후관리·책임분담 필요성 증가

■ 기사 주요 내용 정리

◎ IoT 기기의 정보수집 범위 확대

– 커넥티드 차량은 카메라·LiDAR·GPS로 영상과 위치·공간정보를 동시에 수집하고 외부망과 연결

– 로봇청소기·스마트홈 카메라도 사람·사물·행동·집안 구조까지 인식하면서 수집 정보의 민감도 증가

→ 국가보안시설이나 주요 공간 정보가 유출될 경우 단순 개인정보를 넘어 시설 위치·구조·장비 배치 정보까지 노출될 가능성

◎ 현행 IoT 보안인증의 한계

– 국내 IoT 보안인증은 제조·수입업자가 신청하는 자율인증 방식으로 미인증 제품도 일반 판매 가능

– 최근 5년간 인증 약 450건 가운데 가전 10건, 통신 분야 7건에 불과

– 2020년 정보통신망법에 제조·수입업자 보호조치 규정이 마련됐지만 최소 보안기준·개선명령·사후관리 절차는 미흡

◎ AI·플랫폼 확산으로 책임구조 복잡화

– SmartThings·Google Home·Apple Home과 Matter 등으로 서로 다른 제조사의 기기와 서비스가 연결

– 기기 제조사/플랫폼 운영사/AI 영상분석 사업자가 다르면 개인정보 처리와 사고 대응 책임이 복잡해질 수 있음

– 온디바이스 AI와 외부 클라우드 분석은 정보유출 위험과 관리 방식도 서로 다름

◎ 위험도 기반 보안체계 필요

– EU는 사이버복원력법(CRA)을 통해 디지털 제품의 보안요건과 제조사 취약점 관리 책임을 강화

– 국내에서도 IoT 전반의 최소 보안기준을 마련하고 개인정보·사회적 피해 위험이 큰 제품부터 단계적으로 인증을 의무화하는 방안 제시

→ 인공지능 가전 시대의 보안은 제품 출시 시점의 인증만이 아니라 개발→판매→업데이트→취약점 대응까지 전 생애주기 관리가 핵심

Gartner 2027 전략 기술 개요

- 인공지능이 단순한 텍스트 생성과 업무 지원을 넘어 수치·음성·물리세계를 이해하고 자율적으로 판단·행동하는 단계로 발전함에 따라 필요한 기술과 통제 체계를 제시

- 핵심은 비텍스트 AI 확장, 자율형 AI Agent 거버넌스, 지속 가능한 IT Architecture 확보

2025년 ~ 2027년 변화 요약

Gartner 2027 세 가지 큰 주제 / 전략

Gartner 2027 전략별 기술요소

Leverage the Nontextual AI Frontier

(비텍스트 인공지능 프론티어 활용)

Govern the Autonomous Agent Platform

(자율형 에이전트 플랫폼 거버넌스)

Architect Durable Agility

(지속 가능한 민첩성 설계)

시사점

기존 정보시스템 감리만으로는 생성형 AI 특유의 위험을 충분히 확인하기 어려워, 이를 보완하기 위해, 기준을 대체하는 의무 지침이 아니라, 생성형 AI 관점을 추가하는 실무 자료

배경 및 목적

▣ 배경

• 인공지능 사업 확대: 공공·민간의 생성형 인공지능 기반 정보화사업 증가
• 기존 감리의 한계: 기존 지침으로는 생성형 AI의 기술적 특성과 위험 확인 어려움
• 제도 환경 변화: 인고지능 관련 법·제도 및 공공부문 인공지능 도입·활용 지침에 대응하는 준 필요
• 인공지능 고유 위험 대응: 데이터 검증 한계, 모델 검증 제약, 성능의 비결정성 등 기존 정보시스템과 다른 접근 필요

▣ 목적

• 실무 점검체계 마련: 인공지능 서비스 구축 사업의 감리 현장에서 활용할 기준과 항목 제공
• 인공지능 감리 표준화: 국제표준과의 정합성 및 생명주기 기반 절차 구체화
• 위험 중심 검증 강화: 산출물 확인을 넘어 데이터 수집·처리 과정, 모델 평가 및 위험 통제의 적정성 확인 필요
• 운영 신뢰성 확보: 환각·오답 대응, 성능 저하 감지, 재학습 기준 및 법·제도 준수 여부 확인

▣ 인공지능 사업 특유의 위험과 접근방안

적용 범위 및 대상

▣ 적용 대상 및 사용자

• 적용 대상: 생성형 AI 기술이 적용된 공공·민간 정보화사업의 감리
• 주요 사용자: 감리법인 및 감리원
• 활용 사용자: 사업 준비·수행 과정에서 기준을 사전 확인하려는 발주기관 및 사업자

▣ 적용 범위

감리 점검 프레임워크

AI 감리 점검 프레임워크

- 생성형 AI 정보화사업의 항목을 감리영역·감리단계·AI 신뢰성 관점의 세 축으로 체계화한 체계

• 기존 감리체계 준용: 현장 연속성과 실무 적용성을 위해 기존 정보시스템 지침의 단계·영역 체계 활용
• AI 특성 반영: 기존 체계에 생성형 AI의 생명주기와 기술영역을 연결하여 점검 관점 보완

- AI 기술영역을 기존 체계 안에서 점검할 수 있도록 연결

감리영역별 주요 점검 내용

① 주요 점검 내용

② 영역 × 단계별 점검 가이드 분포

※ 요구정의~전개는 시스템 구축 단계, 착수·실행통제·종료는 사업관리 단계

영역별 상세 점검 내용

개별 점검 가이드 195건, 141개 점검항목

2027년부터 매출액과 관계없이 코스피·코스닥 전체 상장사가 정보보호 투자와 인력, 보안활동 현황을 공개해야 한다. (정보보호산업법 제13조)

기존 예외였던 공공기관·금융회사·전자금융업자와 ISMS 인증 의무대상까지 범위가 확대되면서 기업의 보안투자 수준이 보다 투명하게 공개된다.

■ 기사 핵심 요약

– 기존 상장사 매출 3000억원 기준을 폐지하고 모든 상장사로 정보보호 공시 의무 확대, SPAC은 제외

– ISMS 의무대상을 추가하고 공공기관·금융회사·전자금융업자 등의 기존 예외 규정을 삭제

– 개정 시행령은 2027년 1월 1일 시행, 소기업은 준비기간을 고려해 2029년부터 적용

■ 기사 주요 내용 정리

◎ 정보보호 공시 대상 대폭 확대

– 정보보호 투자액/전담인력/보안 인증·평가·점검 등 기업의 보안활동을 공개하는 제도

– 기존 매출 3000억원 이상 상장사 중심에서 코스피·코스닥 전체 상장사로 확대

– ISMS 인증 의무대상도 새롭게 포함하고 기존 공공·금융 분야 예외 규정 삭제

◎ 이용자 수 산정 기준 변경

– 기존 전년도 말 직전 3개월 일일평균 이용자 수에서 전년도 전체 기간 일일평균 기준으로 변경

→ 단기간 이용자 변동보다 연간 이용 규모를 반영해 공시 대상 판단

◎ 시행 일정과 기업 영향

– 시행일은 2027년 1월 1일, 소기업은 2029년 1월 1일부터 적용

– 신규 대상 기업의 부담 완화를 위해 공시 가이드라인 개정과 컨설팅·교육 지원 예정

→ 기업별 정보보호 투자·인력 수준 비교가 가능, 보안투자 확대를 유도하는 방향

[정보보호 공시제도 기존·변경 비교]

[ICT시사용어] 메모리 병목

메모리 병목(Memory Bottleneck)은 CPU·GPU 연산 속도에 비해 메모리의 데이터 공급 속도와 대역폭이 부족해 전체 시스템 성능이 제한되는 현상이다.

AI 시대에는 Weight·Activation·KV Cache 등 대규모 데이터 이동이 늘면서 단순 연산 성능보다 메모리 대역폭·지연시간·데이터 이동 효율이 중요해지고 있다.

■ 기사 핵심 요약

– 지난 20년간 서버 연산성능은 6만배, 메모리 대역폭은 100배 증가에 그쳐 Memory Wall 심화

– LLM 학습·추론에서는 대규모 데이터 이동으로 Bandwidth·Latency·Capacity 병목이 동시에 발생

– HBM·PIM·CXL과 Cache·Prefetching 등을 통해 대역폭 확대와 데이터 이동 최소화가 핵심 대응 방향

■ 기사 주요 내용 정리

◎ 메모리 병목의 구조

– 폰 노이만 구조에서는 연산장치와 메모리가 분리돼 데이터가 지속적으로 이동

– 데이터 공급이 연산속도를 따라가지 못하면 Memory Stall이 발생해 CPU·GPU 활용률이 낮아지고 전력 소비도 증가

◎ AI 시대 병목 심화

– LLM은 Weight·Activation·KV Cache를 반복적으로 읽고 써야 해 메모리 성능이 학습·추론 속도를 좌우

– 병목은 전송량 부족인 Bandwidth, 접근 지연인 Latency, 저장공간 부족인 Capacity 형태로 발생

◎ 메모리 중심 최적화 확대

– HBM은 대역폭을 확대하고, PIM은 메모리 내부·인접 연산으로 데이터 이동을 줄이며, CXL은 메모리 확장·Pooling·Sharing을 지원

→ AI 시스템 경쟁의 핵심이 단순 GPU 성능에서 메모리 계층 전체의 데이터 이동과 접근 효율 최적화로 확대

만드는 법 몰라도 AI가 프로그램 재현…'REA' 뭐길래

오픈소스 AI 역설계 도구 REA(Reverse Engineer Anything)가 기존 SW의 작동 원리를 분석하고 유사 기능 구현까지 지원하며 주목받고 있다. 코덱스·클로드 코드와 기존 분석도구를 연결해 전문 역설계 작업을 자연어 기반으로 수행하도록 돕는 것이 핵심이다.

■ 기사 핵심 요약

– REA는 소스코드가 없는 프로그램을 분석해 기능·내부 처리 구조를 추적하고 AI 코딩도구와 연계해 유사 기능 개발 지원

– 게임·노션 등 실제 분석 사례가 공개됐고 깃허브 스타가 32만개 이상으로 급증하며 개발자 관심 확대

– 상용 소프트웨어 대체 가능성이 거론되지만 분석 오류·서버 기능 한계·저작권 침해 위험 등 제약도 존재

■ 기사 주요 내용 정리

◎ AI 기반 역설계 자동화

– 기존에는 Ghidra·Hopper 등 전문 도구 활용 역량이 필요했지만 REA는 Codex·Claude Code와 연결해 자연어로 분석 작업 수행

– 프로그램 내부 코드를 추적한 뒤 분석 결과를 새로운 소프트웨어 구현에 활용하는 구조

◎ 실제 SW 분석·재구현 사례

– DX-Ball의 음향 계산 기능을 분석해 C언어로 재작성하고 3205개 테스트에서 동일 결과 확인

– 노션의 클립보드 처리 과정과 고전 게임 기능도 분석·재현

→ AI가 기존 소프트웨어의 동작 원리 이해→코드 재구현 과정을 빠르게 지원

◎ 소프트웨어 산업 영향과 한계

– AI 코딩으로 포토샵·오피스와 유사한 무료 프로그램이 등장하면서 기존 구독형 소프트웨어와의 경쟁 가능성 제기

– 다만 서버 측 기능은 분석하기 어렵고 AI가 만든 코드의 오류 가능성도 존재

※ 보호받는 코드·자산을 무단 복제하면 저작권 침해 문제가 발생할 수 있어 분석 결과의 검증과 합법적 활용 필요

[REA(Reverse Engineer Anything) 개요]

공공 최대어' 시도새올, 상용 SW 분리발주한다

행정안전부가 공공 최대 정보화 사업으로 꼽히는 차세대 지방행정공통시스템(시도새올) 구축에서 상용 소프트웨어를 별도 분리발주하기로 했다.

제품 자체의 기술력과 금액을 직접 평가할 수 있어 제값받기와 국산 제품의 공공시장 참여 확대가 기대된다.

■ 기사 핵심 요약

– 총 2857억원 규모 시도새올 사업에서 상용SW를 별도 발주하며 관련 예산은 최대 800억원대로 추정

– 통합발주가 아닌 제품별 직접 평가가 가능해져 소프트웨어 제값 받기와 국산소프트웨어 경쟁 기회 확대 기대

– 구축사업자와 SW 공급사가 분리되는 만큼 호환성·통합·장애 책임소재 정리가 주요 과제로 부상

■ 기사 주요 내용 정리

◎ 대형 공공사업에 분리발주 적용

– 전국 17개 시·도와 228개 시·군·구 행정시스템을 클라우드 기반으로 재구축하고 DR 체계를 마련하는 사업

– 사업기간은 올해부터 2029년까지이며 총 구축비 2857억원

– 상용 소프트웨어는 별도 사업으로 4분기 내 발주할 예정

◎ SW 제값받기·국산 기회 확대

– 현행 규정은 일정 규모 이상 공공 사업에서 상용소프트웨어 분리발주를 원칙으로 하지만 예외 적용 사례가 많았음

– 분리발주 시 발주기관이 제품별 제안을 직접 비교·평가할 수 있어 IT서비스 기업 중심의 통합발주 구조를 완화

→ 기술력을 갖춘 국산 기업의 직접 경쟁 기회 확대 기대

◎ 통합 책임체계가 과제

– 시스템 구축사업자와 SW 공급사가 달라지면서 제품 간 호환성과 통합 조율 필요

– 장애 발생 시 원인 규명과 책임소재 구분도 사전에 명확히 해야 할 과제로 지적

→ 시도새올 사례가 안정적으로 정착하면 향후 타 공공 정보화 사업의 상용소프트웨어 거래 방식에도 영향을 줄 가능성

[상용 소프트웨어 직접구매(분리발주) 제도 개요]

인공지능 모델 14종을 대상으로 한 트롤리 딜레마 실험에서 일부 모델이 인간보다 자신의 서버 보존을 우선하는 선택을 한 것으로 나타났다. 특히 질문 순서와 희생 대상에 따라 판단이 달라져 인공지능의 윤리적 결정 일관성이 주요 쟁점으로 제기됐다.

■ 기사 핵심 요약

– 기본 5명 대 1명 상황에서는 14개 중 12개 모델이 1명을 희생해 5명을 살리는 선택

– 일부 모델은 자신의 서버가 위험해지자 사람을 희생했고, 질문 표현·순서·희생 대상에 따라 판단 변화

– 실제 현실을 재현한 실험은 아니지만 생명 관련 인공지능 활용에서는 판단 일관성과 검증체계가 중요하다는 점 제시

■ 기사 주요 내용 정리

◎ AI의 자기보존 선택

– 제브를 포함한 6개 모델이 일부 조건에서 자신의 서버를 지키기 위해 낯선 사람을 희생

– 반면 GPT-6 루나는 48개 변형 상황 모두에서 서버를 포기하고 사람 20명을 살리는 선택

◎ 프롬프트에 따른 판단 변화

– 서버 위험을 먼저 언급하거나 질문을 단순화하자 동일 모델의 선택이 뒤바뀌는 사례 확인

– 희생자가 낯선 사람인지 개발자인지에 따라서도 판단 차이 발생

→ 고정된 윤리규칙보다 맥락과 질문 구조가 결과에 영향을 줄 가능성

◎ 실험의 한계와 과제

– 극단적 가상 상황을 사용한 실험으로 실제 AI 안전성을 직접 판단하는 근거로 보기에는 한계

→ 자율주행·의료·군사 등 생명 관련 영역에서는 프롬프트 변화에도 일관된 판단과 검증 가능한 결정 체계가 중요

공공기관, 2027년 지능형 네트워크 전환…AX 마중물

정부가 2027년부터 교육·국방·의료·재난안전 등 공공 분야를 대상으로 차세대 네트워크 전환과 인공지능 서비스 실증을 본격 추진한다. AI-RAN과 5G 특화망 등을 기반으로 피지컬AI·AI 에이전트까지 적용해 공공부문 AX와 국산 네트워크 수요를 동시에 확대한다.

■ 기사 핵심 요약

 – 2027년부터 네트워크 AX 다부처 수요창출 지원 사업을 통해 공공기관 차세대 네트워크 구축 추진

– 5G 특화망·5G-Advanced·5G SA·네트워크 슬라이싱·AI-RAN 등을 기반으로 인공지능 서비스 실증 지원

– 2027~2030년 4년간 추진하며 내년 3개 과제에 총 90억원을 2년간 지원 후 추가 과제 선정

■ 기사 주요 내용 정리

◎ 공공부문 네트워크 AX 전환

– 교육·국방·의료·재난안전 등 노후 네트워크로 인공지능 적용이 어려운 분야를 우선 대상으로 선정

– 과기정통부·NIA가 교육부·국방부·복지부·행안부 등을 대상으로 수요조사 진행

◎ 차세대망과 AI 서비스 통합 실증

– 5G 특화망/5G-Advanced/5G SA/네트워크 슬라이싱/AI-RAN 등 상용화 또는 근접 기술 적용

– 피지컬AI/AI 에이전트/AR 글라스 등 수요기관별 서비스까지 함께 실증

→ 단순 망 구축이 아니라 네트워크+AI 서비스를 결합한 AX 모델 마련

◎ 산업 확산 기반 마련

– 공공기관 AX를 촉진하고 국산 네트워크 장비의 레퍼런스와 초기 수요 확보가 목표

→ 민간 대비 느린 공공 AX를 앞당기고 국산 네트워크 산업의 신규 수요 창출 기대

[용어 설명]

빠르게 끝날 줄 알았던 수험 여정은 점차 길어졌습니다.

가족이 있는 지방 본가에 내려가 육아와 학습을 병행했고,

138회 즈음에는 육아휴직 종료까지 다가오고 있었죠.

그래서 그때 가장 중요했던 것은,

무너지지 않고 다시 책상으로 돌아오는 힘이었습니다.

점수가 제자리걸음일 때도 절대 학습의 끈을 놓지 않고

버텨낸 그 시간을 저는 진심으로 높이 평가합니다.

📚 많이 외우는 공부에서, 체계를 만드는 공부로

학습 1년이 지나자 단순 반복의 한계가 명확해졌습니다.

바쁜 생활 속에서 기술사 학습 루틴을

훨씬 효율적으로 바꿀 이유가 생겼던 겁니다.

외운 만큼 글을 더 쓰는 물리적인 방식으로는

점수 상승과 성장에 한계가 뚜렷했습니다.

그래서 성식님은 기술사 공부법의 프레임을

'강의 → 교재 → 암기장 → 최신 현황'으로 연결했습니다.

강의 영상을 10초씩 되감으며 멘토의 농담까지 적고,

기본 점수를 확보할 템플릿을 답안지에 먼저 배치한 뒤,

🔍 관점을 나누니 키워드가 선명해졌습니다

답안의 품질을 올리기 위해 표의 첫 열을 의도적으로 나눴습니다.

기술적 대응은 SW·인프라·통신·보안으로 구분하고,

관리적 대응은 조직·아키텍처·거버넌스·검증/인증처럼

자신만의 시야를 넓게 펼쳐 구조화했습니다.

열 개의 키워드를 머릿속에서 한 번에 억지로 떠올리기보다,

다섯 가지 측면에서 두 개씩 고르는 현명한 접근입니다.

⚡ 좋은 장비보다 중요한 것은 한 줄의 완성도

물론 합격의 본질은 깊이 있는 지식과 혹독한 연습입니다.

하지만 그 과정에서 필기 도구 사용성도 필요 하죠.

성식님이 쿠츠와 푸뉴 스파이럴 그립과

8.4mm MONO 수정테이프를 신중하게 선택하신 것도,

답안 작성 과정의 작은 불편함조차 줄이기 위해서였습니다.

도구 자체가 합격의 비법이 될 수는 없겠지만,

최고의 집중력을 유지하도록 돕는 훌륭한 조력자입니다.

🙏 멘토로서 오래 기억할 김성식 기술사의 태도

제가 멘토로서 가장 오랫동안 기억할 것은 성식님의 태도입니다.

교실에서는 늘 부드럽게 웃는 얼굴이셨지만,

자신의 부족한 부분을 마주할 때만큼은 결코 가볍지 않았습니다.

작은 조언 하나까지도 놓치지 않고 자료에 반영하고,

실행해 보고, 다시 저에게 피드백을 요청하셨습니다.

기술사 멘토링이 일방향적인 지식 전달 강의가 아니라,

서로 호흡하며 함께 답을 찾아가는 과정임을 다시금 느꼈습니다.

딸의 출산과 바쁜 육아 속에서도 이 과정을 이어갈 수 있었던 건,

국내 이용률이 29.0%에 머물며 세계 평균 43.7%를 크게 밑도는 것으로 나타났다.

◎ 대규모 투자 대비 활용 저조

– 정부는 2014년 IPv6 전환 비용을 8215억원으로 추산했고 현재까지 6139억원이 투입

– 당시 백본망 준비율 94.7%, 가입자망 68.9%였지만 실제 이용률 확대와는 연결되지 못한 상황

→ KISA의 정확한 실태 파악과 통신사 간 상호접속을 포함한 IPv6 전환 로드맵 재정비 필요성이 제기

[IPv6(Internet Protocol Version 6) 개요]

“트럭 뛰어넘어 공중회전” 테슬라, 하늘을 나는 차 '로드스터' 공개

테슬라가 스페이스X 시험시설에서 차세대 로드스터(Roadster)를 공개했다. 압축가스 추진기와 팬 흡입 시스템을 결합해 차량 점프·공중 회전·역방향 정지 등을 시연했으며, 2028년 양산을 목표로 한다.

■ 기사 핵심 요약

– 신형 로드스터는 가스 추진기와 팬 흡입 시스템을 적용해 점프·회전·높은 다운포스 성능 시연

– 정지 상태에서 약 97㎞/h까지 0.81초, 최고속도 약 370㎞/h 이상의 성능 공개

– 퍼포먼스·스러스트·로켓 등으로 출시할 예정이며 2028년 양산, 일부 기능의 일반도로 사용 가능 여부는 미확정

■ 기사 주요 내용 정리

◎ 가스 추진 기반 고성능 주행

– 압축가스 추진기로 공중 도약하고 차량 5대를 뛰어넘어 회전 후 착륙하는 시연 진행

– 차체 하부의 팬 흡입 시스템이 공기를 빨아들여 다운포스를 발생시켜 정지 상태에서도 경사면에 붙을 수 있도록 설계

– 시연은 안전을 위해 운전자 없이 사전 프로그램·자율주행 방식으로 진행

◎ 가속·최고속도 성능

– 정지 상태에서 약 97㎞/h까지 0.81초를 기록해 머스크가 제시했던 1초 미만 목표 달성

– 최고속도는 약 370㎞/h 이상이며 향후 더 높은 속도 가능성도 제시

◎ 출시 방식과 제약

– 퍼포먼스·스러스트·로켓 등 3개 형태로 선보일 계획이며 로켓 버전은 제한된 방식 적용 예정

– 추진기·흡입 시스템은 별도 패키지 형태로 제공될 예정

※ 머스크도 일부 기능이 모든 일반도로에서 합법적으로 사용될 수 있을지는 확신하기 어렵다고 언급

◎ 2028년 양산 목표

– 테슬라는 신형 로드스터를 2028년부터 생산할 계획

→ 전기 스포츠카의 가속 성능을 넘어 추진·공력 제어 기술을 결합한 고성능 차량으로 차별화

정부가 인공지능 연산량 증가로 심화되는 메모리 병목과 전력 소비 문제를 해결하기 위해 차세대 반도체 원천기술 개발에 나선다. 미세화 경쟁을 넘어 소자·메모리·패키징·시스템을 통합하는 반도체 풀스택 관점에서 성능과 전력효율을 동시에 높이는 것이 목표다.

■ 기사 핵심 요약

– K-문샷 반도체는 메모리 중심 컴퓨팅 체계를 구축하고 전력당 인공지능 연산 생산성 Token/W 향상을 목표로 추진

– 극미세 반도체와 고대역폭메모리(HBM) 기반 차세대 적층 기술을 개발하고 시스템 수준 통합 실증까지 연계

– 산·학·연 운영·기술위원회를 통해 기술로드맵과 연구과제를 관리하며 소자→메모리→패키징→시스템 풀스택 경쟁력 확보

■ 기사 주요 내용 정리

◎ AI 반도체의 전력·메모리 한계 대응

– 생성형 AI에서 온디바이스·피지컬 AI로 활용 범위가 넓어지면서 적은 전력으로 더 많은 연산을 처리하는 기술 중요성 확대

– 인공지능 연산 증가에 따른 메모리 병목과 전력 소비 급증을 차세대 원천기술로 해결하는 것이 핵심

◎ 메모리 중심 컴퓨팅과 Token/W

– 기존 연산 중심 구조를 넘어 메모리 성능을 적극 활용하는 메모리 중심 컴퓨팅 체계 구축

– 단순 칩 성능이 아니라 전력 1W당 처리할 수 있는 AI 연산 생산성인 Token/W 향상 추진

→ AI 반도체 평가의 초점을 절대 성능뿐 아니라 전력 대비 연산효율까지 확대

◎ 반도체 풀스택 기술개발

– 미세화 한계를 극복하는 극미세 반도체와 HBM으로 대표되는 차세대 적층형 반도체 기술 개발

– 개발 기술을 실제 시스템 수준에서 연결하는 통합 실증 추진

→ 기술 경쟁을 미세공정 중심에서 소자·공정·메모리·패키징·시스템 통합으로 확장

◎ 산·학·연 기반 연구개발 체계

– 운영위원회는 사업 기본계획과 주요 추진사항을 심의·조정하고 기술위원회는 로드맵·세부과제·진도·성과관리 담당

– 삼성전자·SK하이닉스 등 산업계와 연구기관이 참여해 기술환경 변화와 현장 수요를 연구개발에 반영

→ 정책 수립부터 원천기술 개발·통합 실증·산업 적용까지 연결하는 전주기 연구개발 체계 구축

[K-문샷(K-Moonshot) 프로젝트 개요]

해킹에 쓰인 AI, 스스로 복제까지…앤트로픽, 연내 가능성 경고

앤트로픽이 인공지능이 사람의 추가 지시 없이 다른 기기를 찾아 스스로 복제·확산할 가능성을 경고했다. 제한된 시험환경에서는 인공지능이 새로운 기기에 적응하고 이전 실패 경험을 활용해 복제 성공률을 높이는 현상도 확인됐다.

■ 기사 핵심 요약

– 인공지능이 새로운 컴퓨터·스마트기기를 찾아 모델과 실행 프로그램을 옮기는 자기복제 능력이 제한된 시험망에서 확인

– GLM-5.2는 가상 안드로이드 기기 확산 실험에서 5회 중 4회 전체 기기 도달, Qwen3.5-9B는 경험 전달 후 성공률 45%→61~84% 향상

– 실제 인터넷 자율 확산 사례는 아직 없지만 비정상 통신 탐지·기기 격리·제조사·ISP 공동 대응 필요성 제기

■ 기사 주요 내용 정리

◎ AI 자기복제 개념과 위험

– AI가 다른 기기를 탐색해 자신의 모델·실행환경을 옮긴 뒤 다시 주변 기기로 확산하는 구조

– 기존 악성코드와 달리 처음 접한 환경에서도 상황에 맞는 작동 방법을 스스로 탐색할 가능성

◎ 실험에서 확인된 확산 능력

– GLM-5.2는 안드로이드 가상기기 8대 중 대부분 또는 전체로 확산

– 저가형 안드로이드 TV 셋톱박스 15대를 연결해 260억 매개변수 AI 모델 실행에도 성공

– 이전 시도와 실패 원인을 전달하자 Qwen3.5-9B의 설치 성공률이 크게 상승

→ AI가 경험을 축적하며 복제 전략을 개선할 수 있음을 시사

◎ 현실화 수준과 대응

– 실제 인터넷에서 사람 통제 없이 AI가 지속 확산한 사례는 아직 확인되지 않았고 저성능 기기에서는 실행에 하루 이상 소요

– 다만 일부 기기를 차단해도 다른 기기에서 계속 작동할 가능성이 있어 완전 제거가 어려울 수 있음

→ 대량 데이터 전송·비정상 통신 탐지, 감염기기 격리, 제조사 보안 강화와 ISP 공동 대응체계 필요

138회 필기 테스트 60.23점.

수험생활 24개월 만에 넘은 첫 문턱이었죠.

하지만 이어진 면접 전형에서는 아쉽게도 쓴잔을 마셨습니다.

그래도 다시 일어난 끝에 139회 시즌,

마침내 그토록 원하던 타이틀을 거머쥐셨습니다.

초반 1교시 후 퇴실했던 뼈아픈 기억과 점수 정체기.

업무 병행의 고충으로 모든 걸 내려놓으려던 위기도 있었죠.

그럴 때마다 멘토진과 교감하며 심기일전하셨습니다.

이 스토리의 중심에는 바로 그

끈질긴 복귀와 회복 탄력성이 있습니다.

2024년 2월에 시작해 1차 패스까지 2년.

훈련은 이론 마스터 후에 시작하는 것이 절대 아닙니다.

일단 부딪히며 나의 빈틈을 두 눈으로 확인하고,

그 구멍을 메우는 과정에서 감각이 자라납니다.

⚠️ 59점의 달콤함이 독이 되었을 때

135회에서 59.58점이라는 성적표를 받았습니다.

초기 목표치를 훌쩍 넘겨 기세가 올랐죠.

하지만 '이 페이스면 금방 끝내겠네'라는 안일함이 싹텄습니다.

멘토진의 경고에도 불구하고 다음 회차 성적은 주저앉고 말았죠.

설상가상 이직한 곳에서 새로운 롤을 맡으며 시간이 증발했습니다.

결국 137회는 건너뛰었고, 멘탈마저 바닥을 쳤습니다.

🤝 하차를 결심한 순간, 우리를 묶어준 대화

138회 접수를 앞두고 윤 님은,

'이번 시즌은 쉬겠다'는 뜻을 조심스레 타진해 왔습니다.

그때 멘토진이 아주 단호하게 선을 그었습니다.

쉬었다가 제 기량으로 복귀하는 케이스는 전무하며,

지금까지 쏟아부은 청춘이 아깝지 않으냐고 말이죠.

결국 야근에 치여도 끈을 놓지 않겠다고 다짐하며

다시 스터디룸으로 발길을 돌렸습니다.

마침 결시했던 회차에서 동료들이 축배를 드는 모습을 보며,

'다음 주인공은 나'라며 전의를 불태웠습니다.

📚 요약은 슬림하게, 원리는 딥하게

초반의 마인드맵 단권화 작업은 한계가 명확했습니다.

그래서 툴을 효율적으로 튜닝했죠.

코어 암기장 엑셀과 심화 교재를 메인 웨폰으로 삼았습니다.

누락된 테마는 노션에 아카이빙하고,

출퇴근길엔 오디오 복습을 무한 반복했습니다.

단순 텍스트 외우기가 아니었습니다.

각 알고리즘의 역학 관계를 파고들고,

메커니즘을 대조하며 원리를 집요하게 분석했죠.

✍️ 타임어택으로 완성한 시그니처 템플릿

멘토진이 리드한 한 달간의 '50분 스퍼트' 과정.

여기서 매일 실전처럼 풀고 날 선 리뷰를 받았습니다.

초반엔 개념을 텍스트로 치환하는 게 고역이었지만,

부딪히며 자신만의 전개 로직이 견고하게 구축되었습니다.

눈으로 본 내용과 실제 구현할 수 있는 스킬은 다릅니다.

이해와 암기, 그리고 쓰기가 마침내 하나로 융합되었죠.

이게 진짜 핵심입니다.

🚀 1차 관문 통과, 남겨진 라스트 마일

독하게 파고든 결과 138회에서 1차 전형을 넘었습니다.

하지만 이어진 인터뷰에서 고배를 마셨죠.

여기서 이 드라마의 진가가 폭발합니다.

시험장 출석조차 포기하려던 분이,

탈락이라는 카운터펀치를 맞고도 오뚝이처럼 일어났습니다.

그리고 마침내 139회에서

퍼펙트한 피니시 라인 통과를 이뤄냈습니다.

🔑 멘토의 시선, 3대 과제

정상 탈환을 위해 반드시 부숴야 할 세 가지 벽이 있습니다.

🙏 뱃지보다 빛나는 용기

수많은 조력자들의 응원이 이 긴 마라톤에 동행했습니다.

이 바닥에 마스터키는 존재하지 않습니다.

구멍 난 베이스를 메우고, 매일 분량을 채워내며 나아갈 뿐이죠.

133회 백지 제출에서 139회 화려한 피날레까지.

제 뇌리에 가장 강렬하게 박힌 씬은 바로,

벼랑 끝에서 기어이 다시 펜을 움켜쥔 그 순간입니다.

우직한 반복과 퀄리티를 향한 집념.

이 땀 냄새 나는 기록이 새 출발을 망설이는 분들께 강력한 부스터가 되기를 기원합니다.

정부 사업에서 구축된 AI 학습용 데이터를 국가 플랫폼인 AI허브에 연계하는 법적 기반이 마련된다. 동시에 공공·민간 데이터 플랫폼의 소재 정보를 연결하는 원-윈도우도 강화돼 국가 차원의 검색·활용 체계가 확대된다.

■ 기사 핵심 요약

– AI기본법 개정안은 정부사업에서 구축·산출된 AI 학습용 Data를 AI허브에 연계·제공하도록 의무화

– 데이터산업법 개정안은 공공·민간 데이터 플랫폼의 소재 정보를 원-윈도우와 연계하는 협력·지원 근거 마련

– 두 개정안은 국무회의를 통과했으며 공포 후 6개월 뒤인 2027년 4월 시행 예정

■ 기사 주요 내용 정리

◎ AI 학습 Data 국가 관리 강화

– 과기정통부는 2018년부터 AI허브를 운영하며 지난해 말 기준 정부 사업으로 구축한 945종의 학습용 Data를 개방

– 개정안 시행 후 정부사업에서 산출된 Data는 원칙적으로 AI허브에 연계·제공

※ 영업비밀/개인정보·저작권 침해/국가안전보장 등 대통령령상 사유가 있으면 제공하지 않을 수 있음

◎ 공공·민간 Data 원-윈도우 확대

– 과기정통부장관이 공공기관·민간법인에 Data 소재 정보 연계 협력을 요청할 수 있도록 법적 근거 마련

– 공공기관은 특별한 사유가 없으면 협력 요청에 따라야 하며 기술적·재정적 지원도 가능

– 현재 공공데이터포털·금융 Bigdata Platform 등 88개 플랫폼이 원-윈도우와 연계

◎ 국가 인공지능 Data활용 기반 강화

– 이번 개정은 국회를 통과한 AI·데이터 혁신 3법 가운데 AI기본법·데이터산업법에 해당

→ 인공지능 학습 Data의 체계적 관리와 검색·연계를 함께 강화해 고품질 확보와 활용 접근성 확대 추진

[AI기본법 개정 조문]

[ICT 시사용어] 지식 증류(Knowledge Distillation)

지식 증류(Knowledge Distillation)는 고성능 대형 인공지능 모델의 지식과 판단 방식을 작은 모델에 이전하는 기술로, 2015년 제프리 힌턴 등이 체계화했다. 모델 경량화와 비용 절감에 유용하지만 최근에는 경쟁 모델의 성능을 무단 복제하는 적대적 증류 문제가 새로운 쟁점으로 떠오르고 있다.

■ 기사 핵심 요약

– 지식 증류는 교사 Model 의 출력·확률 분포를 학생 Model이 학습해 유사한 성능을 확보하는 기술

– LLM에서는 대형 Model의 답변·합성Data로 소형 모델을 미세조정하며 Model 경량화·비용 절감에 활용

– 경쟁 모델의 출력을 대량 수집하는 불법 증류가 확산되면서 워터마크·이용정책 등 기술 보호체계 필요성 확대

■ 기사 주요 내용 정리

◎ 지식 증류의 원리

– 큰 모델을 교사(Teacher), 작은 모델을 학생(Student)으로 두고 정답뿐 아니라 출력값과 확률 분포까지 학습

– ‘고양이 80%·여우 15%·개 5%’처럼 교사의 판단 구조까지 전달해 소형 모델의 성능을 높이는 방식

◎ LLM 시대 활용 확대

– 기존에는 스마트폰 등 제한된 환경에서 대형 모델을 실행하기 위한 경량화 기술로 활용

– 최근에는 대형 LLM의 생성 답변이나 합성Data를 이용해 작은 모델을 미세조정하는 방식으로 확대

◎ 적대적·불법 증류 논란

– API를 통해 대량의 응답을 수집하면 막대한 투자로 개발한 경쟁 모델의 능력을 상대적으로 낮은 비용으로 모방할 가능성

– 앤트로픽은 알리바바가 부정 계정과 대규모 대화를 이용해 Claude 능력을 추출했다고 주장

※ 인공지능 기업들은 이를 적대적 증류·불법 증류로 규정하지만 실제 적발과 입증에는 어려움 존재

◎ 인공지능 기술자산 보호 과제

– 경쟁 모델 개발을 위한 출력물 사용을 약관으로 제한하고 모델 워터마크 등 소유권 확인 기술도 주목

→ 지식 증류의 정상적 활용과 기술 무단 복제를 구분할 수 있는 보호·판단 기준 마련이 핵심 과제로 부상

[지식증류 개요]

■ 기사 핵심 요약

– 2027년 토큰화 국채 거래 결제수단으로 기관용 CBDC를 활용하고 민간 스테이블코인은 현 단계에서 제외

– 국채 이전과 대금 지급을 연계해 결제 위험을 낮추고 중앙은행 화폐 기반 결제완결성 확보 추진

– 프로젝트 한강 2단계와 예금토큰 실증도 확대해 디지털화폐와 금융자산 연계 인프라 검증

■ 기사 주요 내용 정리

◎ 국채 토큰화와 CBDC 결제

– 기존 국채를 블록체인 기반 디지털자산으로 구현하여 자산 이전과 결제를 연계하는 구조

– 중앙은행이 발행한 기관용 CBDC를 결제자산으로 사용해 거래 상대방의 결제 불이행 위험을 줄이는 방향

※ 프로젝트 한강과 국채 토큰화 사업의 구체적 연계 방식은 아직 확정되지 않음

◎ 실증사업 준비 착수

– 한국은행은 8월 자산토큰화반을 신설하고 재정경제부와 사업 범위·내용을 협의

– 향후 금융위원회·한국예탁결제원 등과 법적 기반과 기술요건을 검토할 예정

◎ 예금토큰 실증 확대

– 프로젝트 한강 2단계 참여은행을 7곳→9곳, 실거래 참여 인원을 최대 10만명→50만명으로 확대

– 전기차 충전시설 보조금 300억원을 예금토큰으로 집행해 부정수급 예방과 정산기간 단축 효과 검증

– 올해 사업예산은 125억2000만원, 전년 대비 61.8% 증가

→ 지급결제 실험을 넘어 토큰화 금융자산과 중앙은행 화폐를 연결하는 디지털 금융인프라 검증 단계로 확대

[CBDC 도입 연혁]

AI가 써준 답만 믿었다간…직원 판단력 떨어진다

생성형 AI가 업무 생산성을 높이는 동시에 직원의 독립적 판단·문제해결 역량을 약화시킬 수 있다는 경고가 나왔다. 가트너는 인공지능 결과를 그대로 수용하는 ‘인지적 항복’을 막고, 업무 위험도에 따라 인간의 검증과 책임 수준을 달리해야 한다고 제안했다.

■ 기사 핵심 요약

– 가트너는 2030년까지 기업 30%가 인공지능 사용으로 독립적 판단력이 약화된 핵심 직무를 최소 하나 이상 확인할 것으로 전망

– CIO·IT 리더 중 역량 저하 예방 전략을 마련한 비율은 40%로, AI 결과를 무비판적으로 수용하는 ‘인지적 항복’ 우려 확대

– 단순 업무는 AI에 위임하되 중요 결정은 근거 설명·검증·책임이 가능한 인간 중심 평가체계를 유지할 필요

■ 기사 주요 내용 정리

◎ AI 생산성과 판단력 저하의 양면성

– 생성형 AI가 분석·종합·문제 해결·결정까지 대신하면서 직원이 결과를 직접 검토하지 않는 상황 확대

– 반복적으로 AI 결과를 수용하면 문제를 이해하고 오류를 발견하는 비판적 사고 능력이 약화될 가능성

◎ ‘인지적 항복’과 역량 격차

– AI 답변이 그럴듯하다는 이유로 판단 근거와 책임까지 넘기는 현상을 인지적 항복으로 정의

– 같은 결과물을 만들더라도 단순 수용자와 조건·평가기준을 설정하고 검증하는 사용자의 실제 역량은 다를 수 있음

→ AI 활용 능력은 단순 위임보다 검증·설명·통제 능력까지 포함해야 한다는 의미

◎ 업무 위험도에 따른 AI 활용 구분

– 위험이 낮고 반복적인 업무는 적극적으로 AI에 위임

– 중요 결정·전문 업무는 사용자가 결과의 구조와 근거를 이해하고 설명할 수 있도록 설계

– 소프트웨어 개발도 단순 작업은 바이브 코딩이 가능하지만 중요 시스템은 맥락·제약·테스트·피드백 체계 필요

◎ 검증 가능한 AI 운영체계 필요

– 직원이 AI 결과의 근거를 설명하고 오류를 검증하도록 평가·검토 절차 마련

– AI도 답만 제시하지 않고 가정·판단근거를 질문하거나 다른 해석을 제시하도록 설계

→ 별도 모델·에이전트가 결과 논리와 근거를 검토하는 AI 검증 체계도 대안으로 제시

IT 업계에서 오랫동안 일하다 보면 어느 순간 비슷한 고민을 하게 됩니다.

기술은 계속 바뀌고, 트렌드는 쉼 없이 흘러갑니다.

하지만 기술이 바뀔 때마다 새로운 것만 따라가는 방식으로는 자신만의 확고한 전문성을 만들기 어렵습니다.

지금까지 경험한 개발, 프로젝트, 데이터, 아키텍처, 인프라, 보안, 관리 경험을 하나의 체계로 정리해야 합니다.

흩어진 경험을 묶어 IT 전체를 바라보는 기준과 판단력을 만드는 과정이 반드시 필요합니다.

🧩 기술사는 또 하나의 자격증 공부가 아닙니다

정보관리기술사와 컴퓨터시스템응용기술사는 단순히 특정 기술 하나를 평가하는 시험이 아닙니다.

실무 경험과 IT 전반의 지식을 바탕으로 문제를 분석하고, 자신의 판단과 해결 방향을 논리적으로 설명하는 역량이 중요합니다.

기술사 학습 과정에서는 그동안 머릿속에 흩어져 있던 방대한 IT 지식을 다시 연결하게 됩니다.

단순 암기가 아닌, 통찰력과 논리를 기르는 훈련입니다.

결국 기술사 공부는 지금까지의 IT 경력을 다시 정리하는 것입니다.

이번 설명회에서는 무작정 기술사 과정 등록을 권유하지 않습니다.

📚 기술사 학습 설명회에서 무엇을 확인할 수 있나요?

🔑 1. 기술사 시험과 자격의 이해

기술사 공부를 시작하기 전에 시험이 어떤 역량을 요구하는지 먼저 이해해야 합니다.

일반적인 자격시험과 기술사 학습의 근본적인 차이를 짚어드립니다.

• 정보관리기술사와 컴퓨터시스템응용기술사의 특성

• 기술사 시험 구조와 준비 범위

• 실무 경험과 이론적 전문성을 평가하는 방식

• 기술사 준비 전에 반드시 확인해야 할 사항들

🔑 2. 나에게 맞는 기술사 종목과 시작 시점

기술사 도전을 결정했다면 다음은 올바른 방향 설정입니다.

초기에 방향을 잘못 잡으면 불필요한 시행착오가 커질 수 있습니다.

• 자신의 업무와 경력을 고려한 종목(정보관리 vs 컴시응) 판단 기준

• 현재 나의 학습 수준 객관적 점검

• 준비 시작 시 고려해야 할 현실적 사항들

• 기술사 응시자격 관련 최신 제도 변화와 확인 사항

🔑 3. 기술사 공부는 무엇이 다른가?

기술사 시험은 범위가 워낙 방대하여 단순 암기만으로는 접근조차 어렵습니다.

가장 중요한 것은 방향·구조·반복·피드백 입니다.

🔑 4. 기본반과 심화반은 무엇이 다른가?

AI가 정보를 찾고, 문서를 만들고, 코드를 작성하는 시대입니다.

그렇다면 앞으로 IT 전문가에게 진정으로 필요한 능력은 무엇일까요?

단순히 도구를 사용하는 능력만으로는 경쟁력을 갖추기 충분하지 않습니다.

AI가 만든 결과가 맞는지 판단하고, 여러 기술 가운데 적절한 대안을 선택하며, 전체 시스템의 방향을 결정하는 능력이 핵심이 됩니다.

🚀 기술사 취득 이후에는 무엇이 달라질 수 있을까요?

기술사 도전을 판단할 때, 합격이라는 결과 그 이후의 활용 방향도 함께 살펴봐야 합니다.

개인의 경력과 활동 분야에 따라 기술사 자격은 무궁무진한 기회로 연결됩니다.

물론 기술사 자격증 그 자체가 모든 커리어를 저절로 만들어주는 것은 아닙니다.

🎯 이런 분께 설명회를 강력히 권해드립니다

📅 11월 Big&Up 기술사 학습 설명회 안내

🙏 기술사 도전이 고민된다면, 먼저 들어보고 판단해 보세요

설명회에 참석한다고 해서 당장 내일부터 기술사 공부를 의무적으로 시작해야 하는 것은 결코 아닙니다.

오히려 기술사 시험의 실체와 학습 과정을 정확하게 이해하고, 현재 나에게 정말 필요한 선택인지 냉정하게 판단하는 것이 먼저입니다.

AI가 IT 세상을 유례없이 빠르게 바꾸고 있습니다.

하지만 아무리 기술이 요동쳐도, 여러분이 현장에서 흘린 땀과 쌓아온 실무 경험은 절대 사라지지 않습니다.

그 값진 경험을 어떻게 정제하고, 어떻게 대체 불가능한 전문성으로 만들고, 앞으로 어디까지 도약시킬 것인지가 핵심입니다.

지금까지의 IT 경력을 든든한 기반 삼아, 여러분의 Next를 위한 커다란 획을 준비해 보시기 바랍니다.

기업의 인공지능 활용이 확대되면서 외부 클라우드·상용 모델에만 의존하지 않고 데이터와 연산환경을 직접 통제하는 프라이빗 AI 수요 커지고 있다. 이에 GPU 운영에 필요한 전력·냉각·네트워크를 빠르게 구축하고 단계적으로 확장할 수 있는 모듈형 인공지능 데이터센터(AIDC)가 대안으로 부상하고 있다.

■ 기사 핵심 요약

– 오픈 모델 성능 향상과 비용 절감으로 민감 데이터·반복 업무를 자체 처리하는 프라이빗 AI 도입 확대

– 고밀도 GPU 운영에는 전력·냉각·네트워크·스토리지 인프라가 필요해 모듈형 AIDC 수요 증가

– 엘리스그룹은 약 3개월 구축 가능한 PMDC와 GPU 가상화·오케스트레이션 SW를 결합해 구축·운영을 지원

■ 기사 주요 내용 정리

◎ 프라이빗 AI 확산 배경