[IT Keyword] IT 짤막상식 2025

AI TRISM - AI Trus, Risk, Security Management
신뢰 구축과 위험 완화와 보안 강화를 위한 프레임 워크
- 대부분 기업은 AI 신뢰, 위험, 보안을 위해 뭐가 필요한지 모름
- For 신뢰할 수 있는 정확한 답변제공, 응답속도 보장, 비용최적화
   LLM Test & Evaluation, Guardrail, 비용관리, 모니터링, 보안

공간컴퓨팅
- Apple Vision Pro ~ 가상 및 증강현실 기술의 조화
- 사용자의 동작, 제스처, 음성을 인식해 가상/실제 세계와
   상호작용하여 직관적인 방식으로 컴퓨터를 활용함
- AR, MR 같은 몰입형 기술이 바탕

양자컴퓨터
- 슈퍼컴퓨터도 못하던 대량 데이터를 단시간내에 계산
- 큐비트 : 양자중첩과 양자얽힘의 원리가 적용
   *문제에 대한 여러 가능성을 동시에 탐색(병렬처리)

클라우드 거버넌스
- 보안, 컴플라이언스, 네트웤, 비용 등에 관해 클라우드 정책/프로세스/표준 수립을 포함
- 랜딩존 : Public Cloud 사용시, 회사정책에 맞춰 자원생성 및 사용토록 사전에 구성한 환경
- 랜딩존을 구성해 미리 정의된 기준과 일치 하에 자원생성 강요 가능
- 거버넌스 표준구성을 신규 클라우드 환경에 자동반영되는 등의 랜딩존 환경구성이 확대 중

Application Modernization
- 기존 IT 인프라, 플랫폼, 아키 등 레거시를 최신 기술을 사용해
  비즈니스 요구(속도, 어질리티, 인텔리전스)에 맞게 구축 및 개선하는 것
- ”어떤 영역에 적용할지, 어떤 효과가 있는지“의 AM 디스커러비 필요
   ➡️시스템별 주요 기술의 사용여부 판단, 로드맵 기반의 구축 및 개선

AI
- 강 인공지능 : 특정작업 국한되지 않고, 스스로 학습 및 다양한 문제 해결 aka. AGU, 인공일반지능
- 약 인공지능 : 음성인식, 번역 등 특정 작업에 최적화된 AI

LLM - Prompt Engineering
- 역할 지정 & 구체적인 지시 & 결과형식의 3가지가 필수 요소
- Few shot Prompting : 적은수의 예시로 더 나은 응답 생성
- Chain of Thought : 문제해결과정을 단계별로 설명하도록 요청함
- 구체적이고 정확한 질문설계로 할루시네이션 문제 방지가 특히 중요함
- 모델의 기능과 한계를 이해한 뒤, 명확하고 구체적인 질문을 해야 함

Diffusion Model
- 이미지 생성을 위한 ai 모델로서 노이즈를 변환(정방향)하고, 노이즈에서 원본을 복원(역방향)
- 정방향, 역방향을 반복해서 무작위 잡음에서 점차 특정 패턴/이미지로 발전
   *고유한 이미지 뿐 아니라, 다양한 스타일/테마의 이미지 생성 가능

VLM, Vision Language Model : 이미지,  영상을 토큰화하여 텍스트와 함께 처리하는 모델
MLLM, Multi-modal LLM : 음성, 시계열 데이터까지 다양한 데이터를 추가로 토큰화하는 모델
➡️ 입력값을 작은 Patch, Feature단위로 나눈 뒤, LLM이 이해할 수 있도록 벡터화함 *CLIP(인코더)를 통해 수행
       CLIP은 이미지, 텍스트 셋을 각각의 인코더로 벡터화한 뒤 이미지-텍스트 페어로 유사도를 학습함

Multi-Agent
- 여러 지능형 agent가 상호작용하며 협력해 사용자 요청을 해결하기 위해 능동ㅇ적으로 목표 달성
- 실제 서비스 구현을 위해 최적의 구조 설계가 필요함
- 주요 특징
1) 모듈성 : 개별 agent로 분리함으로써 개발/테스트/유지보수가 용이해짐, 독립적 관리로 복잡성 줄임
2) 전문화 : 특정도메인향 전문가 agent 생성 가능
3) 제어 및 확장성 : agent간 상호작용을 직접 설계/관리하며 유연한 시스템 구축 가능
4) 유연한 아키텍처 : 네트워크, 감독자, 계층등 다양한 아키텍처 구현 가능 ~ 문제 및 도메인에 맞는 최적안 선택 가능

MLOps : 머신러닝, DevOps, 데이터 엔지니어링의 종합체
- 비즈니스 변환에 민첩하게 대응하며 운영환경을 안정적으로 유지관리(DevOps)
   + 이러한 환경구성에 ML모델이 반영되어야 함
   + ML모델 운영을 위한 학습/추론데이터를 수집-저장-처리하기 위한 데이터 엔지니어링 필요
- 최종결과물이 소스코드와 데이터가 결합된 모델임
- 운영상에 발생하는 실 데이터가 계속 변화해, 이 변화에 대응하는 것이 가장 중요함
- 주요 요소 : 데이터 수집, 데이터 처리, 피처 엔지니어링, 데이터 라벨링, 모델학습 및 최적화, 배포, 모니터링
   ➡️ 이런 요소가 연속실행되는 체계가 ML 라이프사이클

퍼포먼스마케팅 주요 KPI
- ARPU, Average Revenue Per User, 유저당 평균 매출
- CAC, Customer Acquisition Cost, 고객 획득 비용
- CPC, Cost Per Click, 클릭당 비용
- CR, Conversion Rate, 전환율
- CTR, Click Through Rate, 클릭률