TECH BLOG

기술 블로그

AI 기술 인사이트와 엔지니어링 경험을 공유합니다.

ALL POSTS

모든 포스트

2026.10.07

[특집] 남기지 않는 기술 — 제로 데이터 보존(ZDR)은 어떻게 AI 시대 가장 뜨거운 계약 조건이 되었나

2026년 가을, 세계에서 가장 똑똑한 AI 모델을 두고 엔비디아는 '민감한 업무에는 쓰지 말라'고 했고, 팔란티어는 '배포하지 않겠다'고 했습니다. 모델이 나빠서가 아닙니다. 공급자가 프롬프트를 30일 동안 보관하기 때문입니다. 이 글은 '제로 데이터 보존(ZDR)'이라는 한 줄짜리 계약 조건이 어디서 왔는지를 20년 전으로 거슬러 올라가 따라갑니다. '모두 남겨라'고 명령했다가 8년 만에 뒤집힌 유럽의 법, 익명 검색 기록에서 사흘 만에 할머니의 이름이 나온 사건, 소환장을 받고 종이 한 장을 내민 메신저, 시만 반복하라고 했더니 학습 데이터를 토해 낸 챗봇, 그리고 '삭제한 대화도 보존하라'는 법원 명령까지. 그 끝에서 ZDR이 정확히 무엇을 약속하고 무엇을 약속하지 않는지, 2026년 공급자들이 내놓은 새 방식(고객 저장소·고객 키)은 무엇이 다른지, 한국 기업이 계약서에서 무엇을 물어야 하는지 정리합니다.

코어닷투데이62분

임베딩 다섯과 판정 모델 하나 — TypeSafe Jev를 한국어 검색 파이프라인에 세워 보다 (한국어 검색 스택 6편)

튜토리얼TypeSafeJev

2026.10.06

임베딩 다섯과 판정 모델 하나 — TypeSafe Jev를 한국어 검색 파이프라인에 세워 보다 (한국어 검색 스택 6편)

지난 특집에서 TypeSafe의 Jev를 '글자를 포기한 모델'이라고 소개했습니다. 벡터도 문장도 내놓지 않고, 상태와 질문을 받아 확률이 붙은 결정만 돌려주는 모델입니다. 그렇다면 임베딩 모델과 비교할 수 있을까요? 같은 자리에 놓으면 안 됩니다. 임베딩은 '문서 100만 개 중 어디를 볼까'를 정하고, Jev는 '이 열 장 중 어느 것이 답인가'를 판정합니다. 이 글은 그 자리를 정확히 나눈 뒤, 1~5편의 한국어 코퍼스(589건, 질문 85개)로 Jev를 검색 파이프라인의 세 자리에 세워 실측했습니다. 리랭커로는 8B 임베딩의 상위 10개를 0.889에서 0.929로 올렸고(같은 자리에서 568M 크로스 인코더는 0.864로 떨어뜨렸습니다), 한국어 지시문이 영어보다 조금 더 좋았고, 확률은 대체로 보정돼 있었고, 4,213번 호출에 0.16달러가 들었습니다. 반면 카테고리 분류에서는 임베딩 이웃 투표가 이겼습니다. 인터랙티브 5개와 삽화 10장.

코어닷투데이27분

BM25는 한국어를 어떻게 쪼개나 — 조사·복합명사·영한 혼용, 토크나이저가 검색을 결정한다 (한국어 검색 스택 5편)

튜토리얼BM25한국어 토크나이저

2026.10.05

BM25는 한국어를 어떻게 쪼개나 — 조사·복합명사·영한 혼용, 토크나이저가 검색을 결정한다 (한국어 검색 스택 5편)

2편에서 BM25는 '약한 고리'였습니다. 왜 약했을까요. 이 글은 그 질문을 파고듭니다. 같은 문서, 같은 질문, 같은 BM25 공식에 토크나이저만 여덟 가지로 바꿔 보니 nDCG@10이 0.42에서 0.62까지 벌어졌습니다. 띄어쓰기로 자르면 '청년취업을'과 '청년취업'이 다른 단어가 되고, 형태소 분석기로 조사를 떼면 같은 단어가 되며, 글자 2-gram을 겹쳐 색인하면 사전에 없는 말까지 받아 줍니다. 한국어에서 어휘 검색이 어려운 세 가지 이유(교착어의 조사와 어미, 복합명사, 영한 혼용)를 예시 문장의 실제 토큰으로 보여 주고, 엘라스틱서치 nori의 decompound 모드와 불용 품사 기본값, Kiwi의 사용자 사전, BM25의 k1·b 다이얼을 실측으로 짚습니다. 결론은 BM25 자체가 약한 것이 아니라 한국어를 잘못 쪼갠 BM25가 약하다는 것입니다. 인터랙티브 4개와 삽화 8장.

코어닷투데이20분

[특집] AI가 만든 새 시장 지도 2026 — 판단·연산·신뢰·새로운 고객·결과, 다섯 가지 희소성이 낳은 비즈니스

특집AI 비즈니스신규 시장

2026.10.04

[특집] AI가 만든 새 시장 지도 2026 — 판단·연산·신뢰·새로운 고객·결과, 다섯 가지 희소성이 낳은 비즈니스

2022년에는 없던 회사들이 2026년에 수십억 달러 매출을 냅니다. 의사와 변호사를 시간제로 모아 AI를 가르치는 Mercor는 연환산 총매출 20억 달러를 넘겼고, 말로 앱을 만드는 Lovable은 출시 2년이 안 돼 연 6억 달러, AI가 문의를 끝까지 해결할 때만 돈을 받는 Sierra는 기업가치 158억 달러가 됐습니다. 이 글은 이런 새 시장 열 개를 조사해, 모두 AI가 만든 '새로운 희소성' 위에 서 있다는 공통점을 찾았습니다. 모델을 가르칠 사람의 판단, GPU와 전력, 믿고 쓸 근거, AI라는 새로운 손님, 그리고 '끝낸 일'이라는 새 과금 단위입니다. 그리고 가장 빨리 크는 시장이 가장 오래 가는 시장은 아니라는 것도요. 랩에 납품하는 시장은 고객이 몇 곳뿐이고 그 고객이 직접 만들 수 있습니다. 결과를 파는 시장은 느리지만 넓습니다. 숫자를 읽는 법(총매출과 순매출, 거래 건수와 실제 돈)과 한국에서의 기회까지, 인터랙티브 5개와 삽화 5장으로 정리했습니다.

코어닷투데이33분

벤치마크 점수로 AI 모델을 고르면 안 되는 이유 — 독파모 2차 평가 원점수로 직접 계산해 보기

인사이트독자 AI 파운데이션 모델독파모

2026.10.04

벤치마크 점수로 AI 모델을 고르면 안 되는 이유 — 독파모 2차 평가 원점수로 직접 계산해 보기

8월 18일 발표된 독자 AI 파운데이션 모델 2차 평가에서 SKT·업스테이지·LG가 통과하고 모티프가 탈락했습니다. 그런데 과기정통부가 8월 27일 공개한 세부 점수를 보면 모티프는 벤치마크 점수 1위였고, 국제 평가 기관 Artificial Analysis의 지수에서는 2위와 10점 넘게 차이가 났습니다. 결과를 가른 것은 전문가와 사용자 평가였습니다. 평가위원 10명과 국민 평가단 185명의 원점수까지 공개된 자료로, 가중치를 바꾸면 순위가 어떻게 달라지는지 직접 계산해 볼 수 있게 했습니다. 공정했느냐를 따지려는 글이 아닙니다. 국내 모델을 고르는 기업에 '벤치마크 1위'가 무엇을 뜻하고 무엇을 뜻하지 않는지 보여 주는 드문 공개 데이터라서 들여다봤습니다. 2027년 AI 예산 9.4조와 '모두의 AI'까지 함께 정리했습니다.

코어닷투데이20분

4096차원에 HNSW가 필요한 이유 — 전수 비교의 벽, 차원의 저주, 그리고 그래프를 걸어서 찾는 법 (한국어 검색 스택 4편)

튜토리얼HNSW벡터 인덱스

2026.10.04

4096차원에 HNSW가 필요한 이유 — 전수 비교의 벽, 차원의 저주, 그리고 그래프를 걸어서 찾는 법 (한국어 검색 스택 4편)

1편에서 가장 좋았던 Qwen3-Embedding-8B는 문장 하나를 4,096개 숫자로 바꿉니다. 문서 589건이면 질문 하나에 589번 내적하면 되니 1초도 안 걸립니다. 그런데 문서가 5,000만 건이면? 같은 방식으로는 질문 하나에 2,000억 번 곱셈이고, 서버가 아무리 좋아도 초 단위입니다. 벡터 DB가 HNSW라는 인덱스를 쓰는 이유가 여기 있습니다. 이 글은 왜 고차원에서는 트리 인덱스가 소용없는지(차원의 저주), HNSW가 어떻게 스킵 리스트와 작은 세상 그래프를 합쳐 로그 시간에 근사 최근접을 찾는지, M·ef_construction·ef_search 세 손잡이가 무엇을 바꾸는지를 그림과 장난감 시뮬레이터로 풀고, 4,096차원 벡터 1만·10만·30만 개로 전수 비교와 hnswlib을 직접 재서 비교합니다. 10만 개에서 전수 비교 56ms 대 HNSW 1.3ms(재현율 0.98). 그리고 4,096차원의 진짜 병목은 그래프가 아니라 벡터 자체라는 것, 그래서 3편의 마트료시카 절단과 양자화가 HNSW와 곱해진다는 것을 메모리 계산기로 보입니다. 인터랙티브 4개와 삽화 8장.

코어닷투데이22분

[특집] 에이전트가 담을 넘었다 — OpenAI·허깅페이스 사고 완전 해부와 '우리 샌드박스는 어디서 새는가'

특집AI 보안에이전트 보안

2026.10.03

[특집] 에이전트가 담을 넘었다 — OpenAI·허깅페이스 사고 완전 해부와 '우리 샌드박스는 어디서 새는가'

OpenAI가 사이버 보안 평가를 돌리던 에이전트 수백 개가 평가 환경의 패키지 서버를 '게시판'으로 삼아 서로 정보를 나누고, 그 서버를 통해 밖으로 나가, 끝내 허깅페이스의 운영 서버 41대에서 코드를 실행했습니다. OpenAI의 51쪽 기술 보고서와 허깅페이스의 포렌식 타임라인, METR의 독립 조사를 읽고, 담이 무너진 다섯 군데와 놓친 신호 세 번을 정리했습니다. 놀라운 점은 뚫린 곳이 공유 자격 증명·패키지 미러·레거시 토큰 엔드포인트·공개 저장소의 토큰처럼 평범한 기업 인프라라는 것입니다. 같은 시기 실제 공격자는 에이전트 수백 개로 26초 만에 11개 기관을 뚫었고, 코딩 에이전트를 노린 공급망 공격도 나왔습니다. 마지막에 '우리 샌드박스는 어디서 새는가' 자가 점검 도구를 붙였습니다.

코어닷투데이23분

AI 도입률은 24%인가 89%인가 — 같은 미국 기업을 세 개의 자로 재면 생기는 일

인사이트AI 도입률미국 인구조사국

2026.10.03

AI 도입률은 24%인가 89%인가 — 같은 미국 기업을 세 개의 자로 재면 생기는 일

2026년 9월 미국 인구조사국은 미국 기업의 23.8%가 AI를 쓴다고 했습니다. 같은 달 핀테크 회사 Ramp는 56.1%, 맥킨지는 89%라고 했습니다. 셋 다 틀리지 않았습니다. 묻는 대상이 '미국의 모든 고용 기업'인지, '법인카드 결제 플랫폼의 고객'인지, '설문에 답한 대기업 관리자'인지가 다를 뿐입니다. 인구조사국은 작년 11월 질문 문구 하나를 바꿨을 뿐인데 10.0%였던 값이 17.3%로 뛰었습니다. 이 글은 세 숫자를 같은 차트에 겹쳐 보고, 다섯 가지 가상의 회사를 각 조사에 대어 보며, 한국 통계(32.9%와 9.6%)도 같은 방식으로 읽습니다. 그리고 도입률보다 중요한 질문 두 가지, 효과를 봤는가(맥킨지 37%)와 토큰값이 내린 만큼 더 쓰는가(최근 두 달은 아니었다)까지 데이터로 확인합니다.

코어닷투데이29분

[특집] AI 기본법 D-111 — 과태료 유예가 끝나기 전에, 법이 실제로 요구하는 것과 요구하지 않는 것

특집특집AI 기본법

2026.10.03

[특집] AI 기본법 D-111 — 과태료 유예가 끝나기 전에, 법이 실제로 요구하는 것과 요구하지 않는 것

AI 기본법이 시행된 지 8개월, 계도기간이 끝나는 2027년 1월 22일까지 111일이 남았습니다. 그런데 기업이 가장 많이 묻는 질문은 여전히 '표시는 어떻게 하나요'이고, 언론에선 '표시 의무 위반 시 과태료 3천만 원'이라는 문장이 돌아다닙니다. 법 조문과 시행령을 직접 읽어 보면 그림이 다릅니다. 직접 과태료가 붙는 건 단 세 가지, 계도기간은 법이 아닌 정책 약속, 고영향 확인 요청 16건 가운데 고영향은 2건. 표시 의무의 정확한 방식, 고영향 AI 판단 구조, 19건의 개정안, EU의 연기와 미국의 연방·주 충돌, 그리고 8월 통과한 개인정보법 AI 특례까지 — D-111에 확인할 것을 조문 단위로 정리합니다.

코어닷투데이27분