기업에서 자동화는 새로운 개념이 아니다. 정해진 규칙에 따라 데이터를 입력하고, 승인 요청을 전달하고, 반복적인 보고서를 생성하는 업무는 이미 오래전부터 자동화되어 왔다. RPA, 워크플로, 배치 작업, 스크립트 같은 기술이 대표적이다. 최근에는 여기에 AI가 결합하면서 자동화의 범위가 달라지고 있다. 기존 자동화가 사람이 미리 정의한 규칙을 빠르고 정확하게 실행하는 데 초점을 맞췄다면, AI 자동화는 문서와 이미지 같은 비정형 데이터를 해석하고 상황을 분류하거나 다음 행동을 추천하는 영역까지 확장된다. 하지만 기업 관점에서 중요한 것은 기존 자동화를 AI로 모두 대체하는 것이 아니다. 실제 운영에서는 규칙 기반 자동화 + AI 추론 + 사람의 검..

생성형 AI 서비스와 대화하다 보면 모델이 질문의 의미를 이해하고 직접 문장을 작성하는 것처럼 느껴진다. 그러나 대규모 언어모델(Large Language Model, LLM)의 기본 작동 원리는 사람이 문장을 작성하는 방식과 다르다. LLM은 입력된 문장을 토큰(Token)이라는 단위로 나누고, 각 토큰의 관계와 지금까지 주어진 문맥을 계산한 뒤 다음에 올 가능성이 높은 토큰을 예측한다. 선택된 토큰을 다시 입력 문맥에 추가하고 같은 과정을 반복하면서 문장과 문단을 생성한다. 현대 LLM의 핵심에는 이러한 처리를 효율적으로 수행하는 Transformer 구조와 Attention 메커니즘이 있다. 이 구조를 이해하면 생성형 AI가 왜 자연스러운 글을 만들 수 있는지뿐 아니라, 왜 그럴듯하면서도 틀린 ..

기업이 클라우드 서비스를 도입하면 서버실, 물리 서버, 네트워크 장비와 같은 인프라를 직접 관리해야 하는 부담은 크게 줄어든다. 하지만 이것이 보안 책임까지 클라우드 사업자에게 이전된다는 의미는 아니다. 클라우드에서는 클라우드 서비스 제공자(Cloud Service Provider, CSP)와 이용 기업이 보안 책임을 나누어 갖는 '공유 책임 모델(Shared Responsibility Model)'이 적용된다. 어느 영역을 사업자가 관리하고 어느 영역을 기업이 직접 관리해야 하는지는 사용하는 서비스가 IaaS, PaaS, SaaS 중 무엇인지에 따라 달라진다. 이 책임 경계를 제대로 이해하지 못하면 "클라우드 사업자가 보안을 해줄 것"이라고 생각하면서 계정 권한, 데이터 공개 설정, 로그 모니터링 ..

기업에서 사용하는 시스템이 늘어나면 사용자가 관리해야 하는 계정과 로그인도 함께 늘어난다. 그룹웨어, ERP, 인사시스템, 클라우드 서비스, 보안 솔루션마다 별도의 아이디와 비밀번호를 입력해야 한다면 사용자 불편뿐 아니라 비밀번호 관리와 계정 통제의 복잡성도 커진다. 이 문제를 줄이기 위해 사용하는 대표적인 인증 구조가 SSO(Single Sign-On)다. SSO를 적용하면 사용자가 한 번 인증한 결과를 여러 애플리케이션에서 신뢰할 수 있기 때문에 시스템을 이동할 때마다 자격 증명을 다시 입력할 필요가 줄어든다. 하지만 SSO를 단순히 '한 번 로그인하면 모든 시스템을 사용할 수 있는 기능'으로 이해하면 실제 구조를 놓치기 쉽다. 핵심은 여러 애플리케이션이 사용자의 비밀번호를 각각 확인하는 대신 중..

기업의 SIEM(Security Information and Event Management)은 방화벽이나 서버에서 발생한 로그를 단순히 한곳에 저장하는 시스템이 아니다. 서로 다른 시스템에서 생성되는 데이터를 수집하고, 분석할 수 있는 형태로 가공한 뒤, 여러 이벤트의 관계를 분석해 보안 위협으로 판단할 만한 상황을 찾아내는 것이 핵심이다. 따라서 SIEM에서 실제 탐지가 이루어지려면 단순한 로그 수집만으로는 부족하다. 로그가 정상적으로 전달되어야 하고, 필요한 필드가 추출되어야 하며, 서로 다른 형식의 데이터를 비교할 수 있도록 정리한 뒤 탐지 규칙이나 분석 로직에서 사용할 수 있어야 한다. CISA 역시 보안 로깅에서 서버·방화벽·엔드포인트·클라우드 서비스 등의 로그를 활성화하고 중앙화한 뒤, 위..

웹사이트에 접속할 때 사용자는 서버의 IP 주소를 직접 입력하지 않는다. 일반적으로 example.com과 같은 도메인 이름을 입력한다. 이 도메인 이름을 실제 통신에 필요한 IP 주소와 연결해 주는 체계가 DNS(Domain Name System)다. DNS는 흔히 ‘인터넷의 주소록’으로 설명되지만 기업 환경에서는 단순한 주소 변환 기능보다 훨씬 중요하다. 웹사이트와 API, 메일, SaaS 연동, 클라우드 서비스, 사내 시스템 등 다양한 서비스가 DNS를 이용해 목적지를 찾기 때문이다. 서버와 네트워크가 모두 정상이어도 DNS 조회가 실패하면 사용자는 서비스에 접근하지 못할 수 있다. 따라서 DNS는 기업 서비스의 가용성을 결정하는 핵심 인프라 중 하나로 봐야 한다. 목차 DNS가 필요..

기업의 서버 장애 대응 방안을 이야기할 때 자주 함께 등장하는 용어가 이중화와 백업이다. 두 기술 모두 장애에 대비하기 위한 수단이지만 목적은 다르다. 이중화는 서버나 네트워크, 스토리지 같은 구성 요소에 문제가 발생했을 때 다른 구성 요소가 서비스를 이어받도록 해 서비스 중단 시간을 줄이는 것이 핵심이다. 반면 백업은 데이터가 삭제되거나 손상되었을 때 과거 시점의 데이터를 이용해 정상 상태로 복구하는 것이 핵심이다. Microsoft의 신뢰성 설계 가이드에서도 중복 구성은 단일 장애 지점을 제거하고 장애 발생 시 다른 리소스로 전환할 수 있도록 하는 방식으로 설명한다. 반면 AWS는 백업을 RTO와 RPO 요구사항에 맞춰 데이터·애플리케이션·구성을 복..

기업에서 새로운 시스템을 구축하거나 기존 서비스를 이전할 때 빠지지 않는 선택지가 온프레미스(On-Premises)와 클라우드(Cloud)다. 흔히 온프레미스는 직접 서버를 구축하는 방식, 클라우드는 외부 사업자의 서버를 빌리는 방식으로 설명하지만 실제 차이는 그보다 크다.두 환경은 서버가 위치한 장소뿐 아니라 인프라를 확보하는 방법, 네트워크 구성, 확장 방식, 장애 대응, 보안 책임, 비용 관리 방식까지 다르다. 따라서 기업이 인프라를 선택할 때는 단순히 구축 비용만 비교하기보다 업무 시스템의 특성과 운영 책임까지 포함한 전체 구조를 살펴봐야 한다.또 하나 주의할 점은 온프레미스와 클라우드가 완전히 반대되는 개념은 아니라는 것이다. NIST는 클라우드를 온디맨드 셀프서비스, 광범위한 네트워크 접근, ..

기업이 생성형 AI 서비스를 몇 개 도입했다고 해서 곧바로 AX(AI Transformation)가 이루어졌다고 보기는 어렵다. 직원들이 AI 챗봇을 사용하거나 일부 업무에 Copilot을 도입하는 것은 AI 활용의 시작점이 될 수 있다. 하지만 기존 업무 절차와 역할, 데이터 구조, 의사결정 방식이 그대로라면 기업 전체의 변화로 이어지는 데에는 한계가 있다. AX는 일반적으로 AI를 이용해 기존 업무와 프로세스, 제품·서비스, 의사결정 구조를 지속적으로 바꾸는 기업 변화라는 의미로 사용된다. 중요한 것은 AI 모델을 먼저 선택하는 것이 아니다. 어떤 업무 문제를 해결할 것인지 → 필요한 데이터와 기술이 준비되어 있는지 → 작은 범위에서 효과를 검증할 ..

인공지능은 생성형 AI가 등장하면서 갑자기 만들어진 기술이 아니다. 이미 기업에서는 스팸메일 분류, 이상거래 탐지, 상품 추천, 수요예측, 이미지 인식처럼 다양한 영역에서 머신러닝과 인공지능을 사용해 왔다. 그런데 생성형 AI는 기존 시스템과 사용 방식이 상당히 다르다. 기존 AI가 주어진 데이터를 분석해 분류하거나 예측하는 일에 많이 사용됐다면 생성형 AI는 학습한 데이터의 패턴을 바탕으로 새로운 텍스트, 이미지, 코드, 음성 같은 콘텐츠를 만들어낸다. 이 차이 때문에 생성형 AI는 단순한 분석 도구를 넘어 사람이 자연어로 요청하고 결과를 받아보는 새로운 인터페이스를 만들었다. 하지만 생성형 AI가 기존 인공지능을 대체하는 기술은 아니다. 분류,..