정보관리기술사의 노트

개인정보 보호·활용 기술 R&D 로드맵(2026~2030) — 4대 분야·11대 핵심기술·AI-PET

정보관리기술사의 노트 — Thu, 11 Jun 2026 12:38:48 +0900

개인정보 보호·활용 기술 R&D 로드맵(2026~2030) — 4대 분야·11대 핵심기술·AI-PET

개인정보보호위원회가 AI 시대의 개인정보 보호와 안전한 활용을 위한 「개인정보 전주기 보호·활용 기술 R&D 및 표준화 로드맵(2026~2030)」을 발표했습니다(2026.6.9). 에이전틱·피지컬 AI 확산에 대응해 4대 분야 11대 핵심기술을 선정한 것이 핵심입니다. 정보관리기술사 시험과 금융권 개인정보·AI 거버넌스 실무 양쪽에서 주목할 내용이라 정리합니다.

1. 로드맵의 배경과 의미

이번 로드맵은 기존에 따로 운영되던 기술 R&D 로드맵과 표준화 로드맵을 통합·연계해 조기 개정한 것입니다. 배경은 명확합니다.

에이전틱·피지컬 AI 확산으로 개인정보 처리 환경이 급변
AI 학습데이터의 노출·재식별 등 새로운 프라이버시 위험 증가
개인정보의 생성·수집부터 파기까지 생애 전 주기 관점의 기술 재정비 필요

즉, "AI가 행동하는 시대"에 맞춰 개인정보 기술 체계를 다시 짠 것입니다.

2. 4대 분야

로드맵은 개인정보 전주기 보호·활용 기술 분류체계를 새로 정의하고, 다음 4대 분야를 설정했습니다.

개인정보 주권보장
유·노출 위험 경감
신뢰기반 안전활용
인공지능 대응 기술개발

3. 11대 핵심기술

번호	핵심기술	내용
1	정책 준수 증명 결과 열람	개인정보 처리·삭제 이행 여부를 자동 분석·증명
2	딥페이크/합성 검증·레이블링	합성콘텐츠 여부를 자동 판별하고 검증 정보를 제공
3	엣지 디바이스 개인정보보호	모바일·IoT 단말의 개인정보 관련 이상행위를 탐지·차단
4	다크웹·표면웹 유출 탐지	다크웹 상 개인정보 불법유통 및 노출 여부를 탐지
5	재식별 위험도 평가·검증	가명·비식별 데이터의 재식별 가능성을 검증
6	합성데이터 등 PET 기반 비식별화	PET 기반의 안전한 데이터 활용 지원
7	마이데이터 동의·위임 통합 자동화 플랫폼	정보주체 동의·위임 등 통합 관리 플랫폼
8	AI 모델 안전성 평가	생성형 AI 모델의 개인정보 노출·민감정보 추론 위험 등 방지 및 평가
9	에이전트·도구·로봇 실행 보안	AI 에이전트의 개인정보 접근·실행 권한의 안전한 통제
10	피지컬 AI 실시간 프라이버시 제어	로봇·IoT 환경의 개인정보 수집 범위를 제어
11	AI 기반 비정형데이터 개인정보 탐지·비식별화	텍스트·영상·음성 내 개인정보를 탐지·비식별화

특히 8~10번은 AI 모델의 학습·추론 과정에서 발생하는 유·노출 위험 평가, 에이전틱·피지컬 AI 환경의 오·남용 방지 등 AI 환경에 적시 대응하는 기술 요소가 새로 반영된 부분입니다.

4. 함께 추진되는 것들

AI-PET: 개인정보보호 강화기술(PET)과 AI를 융합한 기술 연구
비정형데이터 비식별화: 텍스트·영상·음성 등 비정형 데이터 대상 연구
인력양성: 개인정보 분야 특화 전문가를 향후 10년간 단계적으로 양성하는 방향 신규 수립

5. 기술사적 관점에서 본 포인트

에이전트 실행 보안(9번)의 부상: AI 에이전트가 도구를 사용해 행동하는 시대에, 에이전트의 개인정보 접근·실행 권한 통제가 국가 R&D 과제로 명시됐습니다. MCP 등 에이전트 인터페이스 표준과 함께 HITL(인간 승인), 권한 최소화 같은 가드레일 설계가 실무 핵심이 될 것입니다.
재식별 위험·합성데이터(5·6번)의 제도화: 가명처리·합성데이터의 안전성을 "검증 가능한 기술"로 끌어올리겠다는 방향입니다. 유용성(Utility)과 안전성(Privacy)의 트레이드오프 관리가 시험·실무 공통 키워드입니다.
시험 대비 연결고리: AI 기본법(고영향 AI), 개인정보보호법(자동화된 결정 설명요구권), 그리고 이번 로드맵(11대 핵심기술)을 하나의 흐름 — "신뢰 가능한 AI의 제도·기술 기반" — 으로 묶어 답안 3단락에 활용할 수 있습니다.

출처: 정책브리핑(www.korea.kr), 개인정보보호위원회 「개인정보 전주기 보호·활용 기술 R&D 및 표준화 로드맵(2026~2030)」 (2026.6.9). 본문 텍스트는 공공누리 제1유형(출처표시)에 따라 활용했습니다.

IT 경제성 분석과 요구사항 관리 — NPV·BSC·WBS·요구사항 공학

정보관리기술사의 노트 — Tue, 9 Jun 2026 15:13:09 +0900

IT 경제성 분석과 요구사항 관리 — NPV·BSC·WBS·요구사항 공학

IT 투자의 타당성을 검증하는 경제성 분석과, 프로젝트 성패를 가르는 첫 단추인 범위·요구사항 관리는 정보관리기술사 시험에서 단독 토픽은 물론 '사업 관리' 테마의 서론·결론으로 자주 인용되는 핵심 영역입니다. 기술사 관점의 요약과 제언, 암기 두음 표까지 정리했습니다.

1. 경제성 분석 및 IT 투자 성과 관리

① 경제성 분석 기법 (정량적/정성적)

정량적 분석 (TRNIP): TCO를 기반으로 ROI, NPV, IRR, PP를 산출해 재무적 타당성을 검토. 특히 비용편익비율(BCR)이 1보다 커야 사업성이 있다고 판단
정성적 분석 (IOPE-BV): 가치 사슬(Value Chain) 분석, BCG 매트릭스 등을 통해 전략적 일치성과 비재무적 가치를 평가
다중접근 (BSC): 재무·고객·내부 프로세스·학습과 성장의 4가지 관점에서 IT 투자의 균형 잡힌 성과를 측정

② NPV(순현재가치)와 IT-ROI

NPV: 미래의 현금 흐름을 현재 가치로 할인하여 총합을 구하는 방식. NPV가 0보다 크면 투자가치가 있음
IT-ROI 체계: 사전(타당성) → 중간(효율성) → 사후(효과성) 평가로 이어지는 '사중후' 체계를 통해 단순 도입이 아닌 비즈니스 가치 실현을 추적

2. 프로젝트 범위 및 요구사항 관리

① 프로젝트 범위 관리 (계요정W확통)

프로젝트가 해야 할 일과 하지 말아야 할 일을 명확히 구분하는 과정입니다.

WBS(Work Breakdown Structure): 전체 작업을 관리 가능한 최소 단위인 작업 패키지(Work Package)로 분할하며, 100% Rule을 준수하는 것이 핵심

② 요구사항 공학 (추분명검 / 협기변검)

요건 개발 (추분명검): 요구사항 추출(Elicitation) → 분석(Analysis) → 명세(Specification) → 검증(Verification)
요건 관리 (협기변검): 기준선(Baseline) 설정 후 발생하는 변경 사항을 통제하고 추적성을 유지
SRS(요구사항 명세서): 기능·비기능 요구사항을 포함하며, 정명완일(정확성·명확성·완전성·일관성) 등의 속성을 갖춰야 함

3. 기술사적 제언 — 지표 중심에서 가치 중심 거버넌스로

Cloud/SaaS 시대의 TCO 재정의: 하드웨어 중심 CAPEX(설비투자)에서 OPEX(운영비) 중심으로 전환됨에 따라, 경제성 분석에 FinOps(비용 최적화) 관점을 결합해 실시간 비용 관리를 제언
요구사항의 추적성(Traceability) 강화: 프로젝트 실패의 상당수는 잘못된 요구사항에서 기인. RTM(요구사항 추적표)으로 소스코드·테스트 케이스까지 연결되는 추적 체계를 구축해 범위 이탈(Scope Creep)을 방지
애자일 환경의 연동기획(Rolling Wave): 불확실성이 높은 현대 IT 프로젝트에서는 초기 Upfront 계획에 집착하기보다, 근접 과업은 상세히·원거리 과업은 상위 레벨로 계획하는 연동기획으로 유연성을 확보하는 것이 실무적 정답

4. 토픽별 두음 정리표

구분	토픽	두음	두음 상세 내용
경제성	정량적 분석	TRNIP	TCO, ROI, NPV, IRR, PP (트론의 입)
경제성	정성적 분석	IOPE-BV	Information, Organization, Process, Employee, Business Value
경제성	IT-ROI 체계	사중후	사전 평가, 중간 평가, 사후 평가
범위	범위 관리	계요정W확통	계획, 요구사항 수집, 범위 정의, WBS 작성, 범위 확인, 범위 통제
범위	WBS 구성요소	작계사코통R	작업 패키지, 계획 패키지, WBS 사전, 코드, 통제계정, RAM
요구사항	요건 개발	추분명검	추출, 분석, 명세, 검증
요구사항	요건 관리	협기변검	협상, 기준선, 변경관리, 검토(확인)
요구사항	SRS 구성	개기비제인	개요, 기능, 비기능, 제약사항, 인수조건
요구사항	SRS 속성	정명완일 중검수추	정확성, 명확성, 완전성, 일관성, 중요도, 검토가능, 수정가능, 추적가능

기술사 시험을 준비하며 정리한 IT 경제성 분석·요구사항 관리 핵심 노트입니다. 추가로 다루었으면 하는 토픽이 있으면 댓글로 남겨주세요.

프로젝트 관리 핵심 정리 — PMBOK 7판·ISO 21500·PMO·테일러링

정보관리기술사의 노트 — Tue, 9 Jun 2026 14:26:10 +0900

프로젝트 관리 핵심 정리 — 기술사 시험 대비 (PMBOK 7판·ISO 21500·PMO·테일러링)

정보관리기술사·컴퓨터시스템응용기술사 대비, 프로젝트 관리(Project Management) 영역의 핵심을 정리했습니다. PMBOK 7판의 등장으로 '가치(Value) 중심'으로 전환된 패러다임을 이해하는 것이 이 구간의 핵심입니다. 주요 개념과 기술사적 제언, 암기 두음 표까지 담았습니다.

1. 프로젝트 관리 핵심 요약

① 프로젝트의 정의와 ISO 21500

프로젝트의 특징: 유일성, 일시성, 점진적 상세화, 명확한 목표 달성을 특징으로 하며, 자원을 투입해 비즈니스 가치를 창출하는 활동
ISO 21500: PMBOK 프로세스를 기반으로 수립된 국제 표준으로, 5대 프로세스 그룹(착계이감종)과 지식 영역의 가이드라인을 제공

② PMO(Project Management Office)와 감리

PMO: 조직 차원의 프로젝트 지원·통합 관리 전담 조직으로, 기업형(EPMO)과 공공형(G-PMO)으로 구분. 성과 책임(Active) 성격이 강함
감리: 제3자 입장에서 독립적으로 점검하여 품질을 보증(Passive)하는 활동
비교: PMO는 전자정부법 제64조의2(권고), 감리는 제57조(의무)에 근거. PMO는 사업 수행 전반의 밀착 지원을, 감리는 특정 시점의 독립적 점검을 수행

③ PMBOK 7판의 변화: 원칙과 성과 영역

패러다임 전환: 6판의 '프로세스(Process)' 중심에서 7판의 '원칙(Principles)'과 '성과(Performance)' 중심으로 변화
12대 원칙: 프로젝트 수행 시 지켜야 할 가이드라인(Stewardship, Value, Tailoring 등)
8대 성과 영역: 프로젝트 성공을 위해 집중해야 할 영역(이해관계자, 팀, 측정, 불확실성 등)

④ 테일러링(Tailoring)과 통합 관리

테일러링: 조직의 표준 프로세스를 프로젝트의 규모·복잡도·물리적 환경에 맞게 최적화하는 과정
통합 관리: 프로젝트 헌장 개발부터 종료까지 모든 관리 요소를 유기적으로 결합해 목표를 달성하는 핵심 지식 영역

2. 기술사적 제언 — 프로세스 준수에서 가치 전달로

최근 프로젝트 현장은 Agile·Hybrid 방법론의 확산으로 정형화된 프로세스만으로는 대응하기 어렵습니다. 답안 작성 시 다음 관점을 녹이는 것을 권합니다.

테일러링의 실효성: 단순한 절차 생략이 아니라, 프로젝트의 위험도와 비즈니스 가치에 근거한 '적정 관리 수준' 결정 역량이 중요함을 강조
PMO와 감리의 거버넌스 협업: PMO는 '상시적 위험 관리'를, 감리는 '객관적 품질 검증'을 수행해 상호 보완적인 Full-Lifecycle 거버넌스를 구축해야 함
Outcome 중심의 성과 측정: Output(산출물)의 개수보다 비즈니스 목표가 실제로 달성됐는지(Outcome)를 측정하는 PMBOK 7판의 성과 측정 관점을 3단락에 배치하면 고득점 포인트

3. 프로젝트 관리 두음 정리표

토픽	두음	두음 상세 내용
프로젝트 특징	한유점제자	한시성, 유일성, 점진적 상세화, 제한된 자원, 자산/산출물 창출
ISO 21500 프로세스	착계이감종	착수, 계획, 이행, 감시 및 통제, 종료
공공 PMO 절차	기집사	기획, 집행, 사후관리
PMO 유형	위R시기	위탁형, RMO(자원관리), 시행형, 기술지원형
법적 근거 비교	오칠감 육사P	57조(감리 의무), 64조의2(PMO 권고)
7판 성과 영역	이팀개기 성인측불	이해관계자, 팀, 개발접근방식/주기, 기획, 성과/실행, 인도, 측정, 불확실성
7판 12대 관리원칙	스팀이가 시리 조품복리적변	스튜어드십, 팀, 이해관계자, 가치, 시스템 사고, 리더십, 조정(Tailoring), 품질, 복잡성, 리스크, 적응성/회복탄력성, 변화관리
테일러링 절차	특표상세문	프로젝트 특성 분석, 표준 프로세스 선정, 상세 세부화, 문서화
통합 관리 프로세스	헌P지지감통종	프로젝트 헌장 개발, PMP 수립, 작업 지시 및 관리, 지식 관리, 감시 및 통제, 통합 변경 통제, 종료
통합 변경 통제(CR)	예결갱시	예방조치, 결함수정, 갱신, 시정조치

기술사 시험을 준비하며 정리한 프로젝트 관리 핵심 노트입니다. 추가로 다루었으면 하는 토픽이 있으면 댓글로 남겨주세요.

개인정보처리방침

정보관리기술사의 노트 — Tue, 9 Jun 2026 14:20:10 +0900

개인정보처리방침

「정보관리기술사의 노트」(이하 "본 블로그")는 이용자의 개인정보를 중요시하며, 관련 법령을 준수하기 위해 노력합니다. 본 방침은 본 블로그가 운영하는 사이트에서 수집하는 정보와 그 이용에 관한 사항을 안내합니다.

1. 수집하는 정보

본 블로그는 별도의 회원가입 절차 없이 콘텐츠를 제공하며, 이용자의 개인정보를 직접 수집하지 않습니다. 다만 댓글·방명록 작성 시 이용자가 입력한 정보(닉네임 등)와, 서비스 이용 과정에서 아래 정보가 자동으로 생성·수집될 수 있습니다.

접속 IP, 브라우저 종류 및 OS, 방문 일시, 접속 기록
쿠키(Cookie)를 통한 방문 및 이용 형태 정보

2. 광고 및 쿠키 (Google AdSense)

본 블로그는 제3자 광고 서비스인 구글 애드센스(Google AdSense)를 게재할 수 있습니다.

구글을 포함한 제3자 광고 사업자는 쿠키를 사용하여 이용자의 본 블로그 및 다른 사이트 방문 기록을 바탕으로 맞춤형 광고를 제공할 수 있습니다.
이용자는 구글 광고 설정(https://adssettings.google.com)에서 맞춤형 광고를 거부할 수 있습니다.
쿠키 수집을 원하지 않는 경우 웹 브라우저 설정에서 쿠키 저장을 거부할 수 있습니다. 다만 이 경우 일부 서비스 이용에 제한이 있을 수 있습니다.
구글의 광고 및 개인정보 처리에 관한 자세한 내용은 구글 개인정보처리방침(https://policies.google.com/technologies/ads)을 참고하시기 바랍니다.

3. 통계 분석 도구

본 블로그는 방문자 분석을 위해 티스토리 자체 통계 및 구글 애널리틱스 등 분석 도구를 사용할 수 있으며, 이 과정에서 쿠키를 통한 비식별 통계 정보가 수집될 수 있습니다.

4. 정보의 이용 목적

수집된 정보는 다음 목적으로만 이용됩니다.

블로그 운영 및 콘텐츠 개선
방문 통계 분석
광고 게재 및 성과 측정

5. 정보의 보유 및 파기

자동 수집된 접속 기록 및 쿠키 정보는 통계·분석 목적 달성 후 지체 없이 파기되거나, 관련 서비스(구글, 티스토리)의 정책에 따라 관리됩니다.

6. 이용자의 권리

이용자는 언제든지 본인이 작성한 댓글·방명록의 열람·수정·삭제를 요청할 수 있으며, 브라우저 설정을 통해 쿠키 수집을 거부할 수 있습니다.

7. 개인정보 보호책임자

개인정보 관련 문의는 아래로 연락 주시기 바랍니다.

운영자: 정보관리기술사의 노트
연락처(이메일): gks3116@gmail.com

8. 고지의 의무

본 개인정보처리방침은 법령·정책 또는 사용 서비스의 변경에 따라 내용이 수정될 수 있으며, 변경 시 본 페이지를 통해 공지합니다.

공고일자: 2026년 6월 4일
시행일자: 2026년 6월 4일

정보관리기술사 인공지능 예상 문제 TOP 10 — 2026년 출제 대비 (Agentic AI·GraphRAG·AI 기본법)

정보관리기술사의 노트 — Tue, 9 Jun 2026 14:12:53 +0900

정보관리기술사 인공지능 예상 문제 TOP 10 — 2026년 출제 대비 (Agentic AI·GraphRAG·AI 기본법)

최근 정보관리기술사 출제 경향은 개념을 넘어 실무적 도구 사용(Agentic AI), 기업 지식과의 결합(RAG), 법적 규제·윤리(AI 기본법)에 집중되고 있습니다. 2026년 시험 대비, 출제 가능성이 높은 인공지능 핵심 예상 문제 10선을 정리했습니다.

1. 에이전틱 AI(Agentic AI)와 자율형 에이전트

문제: LLM이 스스로 목표를 설정하고 도구를 선택해 과업을 수행하는 '에이전틱 AI'의 핵심 아키텍처와 주요 구성 요소를 설명하시오.

핵심 키워드: PATMR (Plan, Act, Tool, Memory, Reflection), MCP (Model Context Protocol), ReAct 프레임워크
기술사적 제언: 단순 챗봇을 넘어 '행동하는 AI'로의 패러다임 변화를 강조. 특히 에이전트 간 협업(A2A) 시 발생하는 교착 상태(Deadlock)나 자원 과부하 제어 방안을 함께 제시하면 고득점

2. GraphRAG (지식 그래프 결합형 RAG)

문제: 기존 벡터 검색 기반 RAG의 한계를 설명하고, 온톨로지·지식 그래프를 결합한 GraphRAG의 메커니즘과 장점을 기술하시오.

핵심 키워드: 할루시네이션, 엔터티 추출, 관계 요약(Community Summary), Multi-hop Search
기술사적 제언: 단순 유사도 검색의 '문맥 손실'을 지식 그래프의 '구조적 관계'로 해결한다는 점을 부각. 벡터 DB와 그래프 DB의 하이브리드 구성 방안 언급이 유리

3. sLLM(소형 거대언어모델)과 PEFT(LoRA)

문제: 기업 내부 데이터 보안·비용 효율성을 위한 sLLM의 필요성을 논하고, 효율적 미세조정 기법 PEFT(특히 LoRA)의 원리를 설명하시오.

핵심 키워드: Parameter-Efficient Fine-Tuning, Low-Rank Adaptation, 가중치 동결(Freeze), 온디바이스 AI
기술사적 제언: '거거익선(Big is Better)'에서 '적자생존(Fit is Better)'으로의 변화를 언급. 양자화·프루닝과 연계해 온디바이스 가용성을 강조

4. 멀티모달 AI와 비전언어모델(VLM)

문제: 텍스트·이미지·음성 등 이종 데이터를 통합 학습하는 멀티모달 AI의 핵심 기술인 Cross-Attention과 이미지 패치 임베딩을 기술하시오.

핵심 키워드: ViT(Vision Transformer), Contrastive Learning, 지언음청이시추, 데이터 정렬(Alignment)
기술사적 제언: 멀티모달이 피지컬 AI(로봇·자율주행)의 두뇌가 된다는 점을 연결. 다양한 감각 데이터를 하나의 벡터 공간에 투영하는 '공통 표현 학습'의 중요성을 기술

5. 인공지능 기본법과 고영향 AI 안전성 확보

문제: 2026년 시행된 '인공지능 기본법'의 주요 내용과 고영향 AI 사업자가 준수해야 할 안전성 확보 조치를 설명하시오.

핵심 키워드: 투안책영국과, 위험 식별 및 완화, AI 영향평가, 과기정통부 보고
기술사적 제언: 기술적 구현뿐 아니라 '법적 준거성(Compliance)'이 리스크 관리 핵심임을 강조. AI-BOM과 연계해 공급망 전체의 투명성을 확보하는 거버넌스 체계를 제언

6. LLMOps와 지속적 재학습(CT)

문제: LLM 생명주기 관리를 위한 LLMOps의 단계별 프로세스를 설명하고, 데이터 드리프트 대응을 위한 지속적 재학습(CT) 체계 구축 방안을 기술하시오.

핵심 키워드: 데이터 파이프라인, 프롬프트 버전 관리, 가드레일 모니터링, 피드백 루프(RLHF)
기술사적 제언: MLOps와 LLMOps의 차이(프롬프트 관리, 할루시네이션 모니터링 등)를 명확히 비교. 배포가 끝이 아니라 '지속적 운영 가시성' 확보가 핵심

7. 설명 가능한 AI(XAI) 및 신뢰할 수 있는 AI

문제: 딥러닝의 블랙박스 문제를 해결하기 위한 XAI 주요 기법(LIME, SHAP)을 비교하고, 고위험 분야(의료·금융)에서 XAI의 역할을 논하시오.

핵심 키워드: 라샤르제, Local/Global Explanation, 특징 기여도, 기여도 히트맵(LRP)
기술사적 제언: XAI는 '사회적 수용성'을 높이는 도구. 개인정보보호법상 '자동화된 결정에 대한 설명요구권'과 연결해 법적 정당성 확보 측면을 기술

8. AI 적대적 공격과 보안 가드레일

문제: AI 모델에 대한 적대적 공격(Evasion, Poisoning 등) 유형을 설명하고, 방어를 위한 기술적·운영적 대응 방안을 기술하시오.

핵심 키워드: 오회전추(EPIM), 프롬프트 인젝션, 적대적 훈련, AI-DLP, AI Kill Chain
기술사적 제언: AI 보안은 '데이터-모델-서비스' 전 수명주기에서 다뤄야 함. 레드팀을 통한 주기적 모의 공격과 실시간 입출력 필터링(가드레일) 다중화 전략을 제시

9. 데이터 중심 AI(Data-Centric AI)와 합성 데이터

문제: 모델 구조보다 데이터 품질 개선에 집중하는 Data-Centric AI 개념을 설명하고, 개인정보 보호·데이터 부족 해결을 위한 합성 데이터 활용 방안을 기술하시오.

핵심 키워드: 준완유/기다편안, 품질 가이드라인 3.5, 유용성 vs 안전성 Trade-off, 차분 프라이버시
기술사적 제언: "Garbage In, Garbage Out"을 상기. 합성 데이터 생성 시 실제 분포와의 유사성(Utility) 검증 방안을 반드시 언급

10. 소버린 AI(Sovereign AI)와 국가 전략

문제: 글로벌 빅테크의 AI 독점에 대응하기 위한 '소버린 AI'의 정의와 구성 요소(데이터·인프라·모델·정책)를 설명하시오.

핵심 키워드: 데모인정규산, 국가 AI 컴퓨팅 인프라, 자국어 특화 모델, 데이터 주권
기술사적 제언: AI는 '국가 전략 자산'이자 '문화적 정체성'의 보고임을 논함. 공공·국방 분야의 소버린 AI 도입을 통한 기술 자립과 데이터 안보 강화 측면을 제언

학습 팁 — 복합 출제에 대비하라

위 문제들은 단독으로도 나오지만, "에이전틱 AI 도입 시 보안 위협과 대응 방안(8+1)"이나 "sLLM 구축을 위한 데이터 품질·미세조정 전략(3+9)"처럼 복합 형태로 출제될 확률이 높습니다. 각 토픽 간 연관 관계를 이해하는 것이 합격의 지름길입니다.

2026년 정보관리기술사 인공지능 예상 문제를 정리한 노트입니다. 특정 토픽의 2교시 논술형 모범 답안이 필요하면 댓글로 남겨주세요.

2026년 정보관리기술사 인공지능 예상 문제 20선 — 출제 포인트와 두음 정리

정보관리기술사의 노트 — Tue, 9 Jun 2026 14:06:54 +0900

2026년 정보관리기술사 인공지능 예상 문제 20선 — 출제 포인트와 두음 정리

정보관리기술사·컴퓨터시스템응용기술사를 준비하는 입장에서, 현재 IT 시장 흐름과 2026년 예상 기술 트렌드를 반영해 출제 가능성이 높은 20개 핵심 토픽을 엄선했습니다. 단순 개념 암기를 넘어 상호 비교(Comparison)와 실무 적용(Implementation) 관점의 출제 가능성이 높은 주제들입니다.

2026년 대비 인공지능 핵심 예상 문제 20선

순위	도메인	핵심 토픽	주요 키워드 및 두음	출제 포인트
1	LLM	Transformer & Attention	포인피-마인피-리소 / QKV	LLM의 근간 아키텍처 및 병렬 연산 원리
2	활용	RAG (검색 증강 생성)	임청인 (임베딩-청킹-인덱싱)	할루시네이션 해결 및 외부 지식 결합 방안
3	운영	MLOps & LLMOps	수준모평 / CI-CD-CT	모델 배포 자동화 및 지속적 재학습(CT)
4	제도	AI 기본법 (AI Act)	투안책영국과	고영향 AI 규제 및 사업자의 법적 책무
5	튜닝	PEFT (LoRA)	저동R (저랭크-동결-Rank)	적은 비용으로 거대 모델을 최적화하는 기법
6	신뢰	XAI (설명 가능한 AI)	라샤르제 (LIME-SHAP-LRP)	결과 도출 근거 제시를 통한 투명성 확보
7	자율	Agentic AI	PATMR (계획-실행-도구-기억-성찰)	스스로 목표를 세우고 도구를 사용하는 에이전트
8	보안	적대적 공격 (Adversarial)	오회전추 (EPIM)	Evasion, Poisoning 등 AI 대상 공격 및 방어
9	융합	Multimodal AI (VLM)	표변정 / Cross Attention	텍스트·이미지 등 이종 데이터 통합 학습
10	학습	RLHF	교리사 (교사-리워드-사후강화)	사람의 피드백을 반영한 모델 정렬 기술
11	효율	On-Device AI	NPU / 양자화 / 프루닝	기기 내 추론을 위한 경량화 및 하드웨어 가속
12	평가	LLM 성능 지표	B-R-M (BLEU-ROUGE-METEOR)	생성 결과물의 품질을 측정하는 정량적 지표
13	전략	Data-Centric AI	데이터 품질 / 가이드라인 3.5	모델보다 데이터 정제에 집중하는 패러다임
14	거버넌스	AI-BOM	공컴버식의타어	AI 공급망 투명성 확보를 위한 명세서
15	아키텍처	MoE (Mixture of Experts)	전문가집단 / 게이팅NW	필요한 전문가만 깨워 연산 효율을 높이는 구조
16	저장	Vector DB	L-H-I (LSH-HNSW-IVF)	고차원 벡터 검색을 위한 인덱싱 및 유사도 측정
17	데이터	합성 데이터 (Synthetic Data)	유용성 vs 안전성 Trade-off	개인정보 보호 및 데이터 부족 해결을 위한 가상 데이터
18	프로토콜	MCP (Model Context Protocol)	Host-Client-Server / JSON-RPC	모델과 외부 도구 간의 표준 인터페이스
19	검증	AI 소프트웨어 테스트	메뉴안적스 (메타모픽-뉴런-안전)	확률적 모델의 신뢰성을 검증하는 특화 기법
20	지식	EKG (Enterprise Knowledge Graph)	온톨로지 / RDF / 추론엔진	기업 내 지식을 구조화하여 추론 성능 강화

고득점을 위한 기술사 답안 전략

1단락 — 개념과 배경 (Contextual Awareness)

단순 정의보다는 기술적 배경을 명시하며 시작합니다. 예를 들어 "최근 생성형 AI의 확산에 따른 신뢰성 결여 및 할루시네이션 문제 해결을 위해 ○○ 기술이 부상함"처럼 맥락을 먼저 제시하면 채점자에게 이해도를 보여줄 수 있습니다.

2단락 — 상세 메커니즘 (Deep Dive)

두음 키워드를 활용해 그림(Architecture)과 표를 구성합니다. 예를 들어 Transformer라면 셀프 어텐션과 포지셔널 인코딩이 반드시 그림에 포함되어야 합니다.

3단락 — 기술사적 제언 (Insight)

실무 관점에서 "도입 시 고려사항"이나 "기술적 한계 및 대응 방안"을 제시합니다. 예를 들어 RAG라면 "벡터 DB의 인덱싱 성능과 청킹 전략에 따른 정확도 트레이드오프 관리"를 언급하면 차별화됩니다.

2026년 정보관리기술사 인공지능 예상 토픽을 정리한 노트입니다. 각 토픽의 상세 정리나 모범 답안이 필요하면 댓글로 남겨주세요.

정보관리기술사 인공지능 Final Review — 7개 영역 두음 마스터표

정보관리기술사의 노트 — Mon, 8 Jun 2026 18:19:00 +0900

정보관리기술사 AI 토픽 마스터 두음 정리 — 143개 핵심 키워드 인출용 총정리

그동안 정리한 방대한 인공지능 토픽을 기술사 시험 대비용으로 체계화한 마스터 두음표입니다. 각 토픽의 핵심을 관통하는 두음(Mnemonic)과 키워드를 그룹별로 묶었습니다. 시험 직전 마지막 회독(Final Review)의 키워드 인출용으로 활용하세요.

1. 인공지능 및 기계학습 기초 (Fundamentals & Principles)

그룹	토픽	두음	핵심 키워드
학습 원칙	모델링 절차	수탐전모평배	수집, 탐색(EDA), 전처리, 모델링, 평가, 배포
학습 원칙	기계학습 원리	균오양	균등(가정최소화), 오캄의 면도날, 양보(Trade-off)
학습 원칙	학습 패러다임	지비준강	지도, 비지도, 준지도, 강화학습
모델 최적화	하이퍼파라미터 튜닝	매그랜베	매뉴얼, 그리드, 랜덤, 베이지안 서치
모델 최적화	하이퍼파라미터 종류	아정최과	아키텍처, 정규화, 최적화, 과적합 방지
모델 최적화	옵티마이저 분류	배관학복	배치, 관성(Momentum), 학습율, 복합(Adam)
모델 최적화	옵티마이저 유형	GS-모낙-아알-담	GD/SGD, 모멘텀/낙(NAG), 아다그라드/알(RMSProp), 아담
모델 최적화	경사하강법 유형	확배미	확률적(SGD), 배치(BGD), 미니배치(MSGD)

2. 알고리즘 및 학습 패러다임 (Algorithms & Paradigm)

그룹	토픽	두음	핵심 키워드
지도 학습	지도학습 알고리즘	신다은의 CS	신경망, 다층신경망, 은닉마르코프, 의사결정트리, CNN, SVM
지도 학습	KNN 특징	다거래유	다수결, 거리기반, 레이지(Lazy), 유연성
지도 학습	SVM 구성	MODS-K	Margin, Optimal hyperplane, Decision boundary, Support vector, Kernel
비지도 학습	비지도학습 알고리즘	K계군SPI	K-means, 계층군집, 군집화, SOM, PCA, ICA
비지도 학습	클러스터링 평가	엘실덴	엘보우 기법, 실루엣 계수, 덴드로그램
비지도 학습	DBSCAN 구성	에코보컨노	Epsilon, Core, Border, Connected, Noise
비지도 학습	차원축소(PCA)	전공고투	전처리, 공분산 행렬, 고유값/벡터, 데이터 투영
심화 학습	강화학습 요소	ASR AE	Agent, State, Reward, Action, Environment
심화 학습	Q-Learning 구성	정벨큐	정책, 벨만방정식, Q-함수
심화 학습	전이학습 유형	과도귀변자	과업전이, 도메인전이, 귀납, 변형, 자율학습
심화 학습	자기지도 학습	초문대	초기영상재건, 문맥이용, 대조학습

3. 신경망 및 딥러닝 아키텍처 (Deep Learning Architecture)

그룹	토픽	두음	핵심 키워드
신경망 기초	신경망 구성	입은출전가	입력층, 은닉층, 출력층, 전달함수, 가중치
신경망 기초	활성화 함수	항계시랠리탄	항등, 계단, 시그모이드, ReLU, Leaky ReLU, Tanh
신경망 기초	역전파 과정	순역수	순전파, 역전파, 가중치 수정
비전/시계열	CNN 계층	컨플풀	컨볼루션, 플래튼(FC), 풀링
비전/시계열	YOLO 절차	S바클객	SxS 그리드, 바운딩 박스, 클래스 확률, 객체 인식
비전/시계열	RNN 한계	장기소	장기의존성 문제, 기울기 소실
비전/시계열	LSTM 구성	셀포인아	Cell state, Forget, Input, Output gate
최신 아키텍처	트랜스포머 구조	포인피-마인피-리소	포지셔널, 인코더(어텐션/피드포워드), 디코더(마스크드/인코더-디코더/피드포워드), 리니어, 소프트맥스
최신 아키텍처	어텐션 요소	QKV	Query, Key, Value
최신 아키텍처	ViT 절차	패M-M-C	Patch Embedding, MSA, MLP, Classification
최신 아키텍처	MoE 핵심 요소	전게스 로토	전문가집단, 게이팅NW, 스파스활성화, 로드밸런싱, 토큰라우팅

4. 생성형 AI 및 대규모 언어모델 (Generative AI & LLM)

그룹	토픽	두음	핵심 키워드
생성 모델	GAN 구성	노생판	노이즈, 생성자(Generator), 판별자(Discriminator)
생성 모델	DCGAN(G)	제레타배	Generator: ReLU, Tanh, Batch Normalization
생성 모델	VAE 구성	인라평표디	인코더, Latent Space, 평균, 표준편차, 디코더
LLM 전략	ChatGPT 절차	교리사	교사학습(SFT), 리워드 모델학습(RM), 사후 강화학습(RLHF)
미세 조정	PEFT 유형	L-A-P-S	LoRA, Adapter, Prefix Tuning, Scaled PA
미세 조정	LoRA 특징	저동R	저랭크 분해, 동결(Frozen), Rank 설정
지식 확장	RAG 프로세스	임청인	임베딩, 청킹, 인덱싱
지식 확장	Vector DB 검색	L-H-I	LSH(인접), HNSW(그래프), IVF(군집)
지식 확장	Agentic AI 요소	PATMR	Plan, Act, Tool, Memory, Reflection

5. AI 운영 및 엔지니어링 (Operations & Engineering)

그룹	토픽	두음	핵심 키워드
운영 체계	MLOps 파이프라인	수준모평	데이터 수집, 데이터 준비, 모델링, 평가/배포
운영 체계	AutoML 프로세스	피하신	피처 엔지니어링, 하이퍼파라미터 최적화, 신경망 구조탐색(NAS)
운영 체계	ModelOps	DGDAL	Discovery, Governance, Deployment, Automation, Lifecycle
운영 체계	AIOps 프로세스	수분제가	수집, 분석, 제어, 가시화
경량화/최적화	알고리즘 경량화	지압가탐	지식증류, 모델압축, HW가속, 자동탐색
경량화/최적화	모델 구조 경량화	구합탐	구조변경, 합성곱 효율화, 경량모델 탐색
경량화/최적화	지식 증류 구성	TSDS	Teacher, Student, Distillation loss, Student loss

6. 품질, 보안 및 거버넌스 (Quality, Security & Trust)

그룹	토픽	두음	핵심 키워드
성능 평가	혼동 행렬 지표	PA-RSA	Precision, Accuracy, Recall, Specificity, AUC
성능 평가	LLM 생성 평가	B-R-M	BLEU(번역), ROUGE(요약), METEOR(생성)
성능 평가	교차 검증	홀K랜	홀드아웃, K-fold, 랜덤 서브샘플링
보안/위협	적대적 공격	오회전추(EPIM)	오염(Poisoning), 회피(Evasion), 전도(Inversion), 추출(Extraction)
보안/위협	신뢰성 4요소	해근공안	해석가능(XAI), 근거성(RAG), 공정성, 안정성
보안/위협	AI 테스트 기법	메뉴안적스	메타모픽, 뉴런 커버리지, 안전반경, 적대적 공격, 스트레스
거버넌스	AI 기본법	투안책영국과	투명성, 안전성, 책무, 영향평가, 국내대리인, 과태료
거버넌스	AI 윤리 원칙	인사기	인간 존엄성, 사회 공공선, 기술 합목적성
거버넌스	AI-BOM 요소	공컴버식의타어	공급자, 컴포넌트, 버전, 식별자, 의존성, 타임스탬프, 저작자
거버넌스	소버린 AI 요소	데모인정규산	데이터, 모델, 인프라, 정책, 규범, 산업생태계

7. 최신 트렌드 및 하드웨어 (Trends & Hardware)

그룹	토픽	두음	핵심 키워드
최신 트렌드	피지컬 AI 요소	지언행	지각(Perception), 언어/인지(Cognition), 행동(Action)
최신 트렌드	이미지 어노테이션	폴폴 바포큐시	폴리곤, 폴리라인, 바운딩박스, 포인트, 큐보이드, 시멘틱세그멘테이션
최신 트렌드	멀티모달 학습	표변정	표현성(REP), 변환성(TRA), 정렬성(ALL)
인프라/HW	AI 가속기 칩	시엠에이치	시스톨릭어레이, MMU, ASIC, HBM
인프라/HW	차세대 반도체	PIM/SNN	Processor In Memory, Spiking Neural Network
인프라/HW	온디바이스 AI	경N-A	경량화, NPU, AIoT

마무리 제언 — 두음을 점수로 바꾸는 법

두음의 연결: 글자만 외우지 말고, '수탐전모평배'를 외우며 각 단계에서 어떤 기술(예: 전처리 단계의 PCA)이 쓰이는지 연결해 보세요.
3단락 차별화: 답안 3단락(기술사적 제언)에서 할루시네이션 해결을 위한 RAG 도입, 모델 신뢰성을 위한 AI-BOM 도입 같은 최신 트렌드 키워드를 녹이면 고득점이 가능합니다.
구조도 연습: Transformer, LSTM, GAN, RAG는 직접 구조도를 그려보는 연습이 반드시 병행되어야 합니다.

정보관리기술사 AI 도메인 전체를 한 장에 모은 마스터 두음표입니다. 각 토픽의 상세 정리는 개별 글로 다루었으니, 함께 참고하세요.

온톨로지·머신 언러닝·AI 보안 정리 — 지식그래프·SISA·AI 수명주기·프롬프트 인젝션

정보관리기술사의 노트 — Mon, 8 Jun 2026 17:10:12 +0900

온톨로지·머신 언러닝·AI 보안 정리 — 기술사 시험 대비 (지식그래프·SISA·AI 수명주기·프롬프트 인젝션)

인공지능이 단순 알고리즘을 넘어 지식 체계(Ontology)로 진화하고, 이를 안전하게 운영하기 위한 보안·거버넌스, 데이터 권리를 보장하는 머신 언러닝까지 아우르는 '신뢰할 수 있는 AI'의 완성형 패러다임입니다. 지식의 구조화와 위협 대응 시나리오를 중심으로 정리했습니다.

1. 인공지능 지식 체계 및 신기술 (Ontology & Memory)

온톨로지(Ontology) 및 지식 그래프

AI가 데이터 간 관계를 단순 통계가 아닌 '의미'로 이해하게 하는 기술입니다.

구성: RDF(주어-술어-목적어), Triple Store, Reasoner(추론기)
Semantic Search: 질의 확장(Query Expansion)으로 사용자 의도를 파악해 정확도를 혁신
EKG (Enterprise Knowledge Graph): 기업 내 흩어진 정형·비정형 데이터를 의미적으로 통합한 '기업형 두뇌'

차세대 메모리 및 머신 언러닝

HBF (High Bandwidth Flash): 3D NAND 적층으로 고대역폭을 확보한 AI 특화 메모리
머신 언러닝 (Machine Unlearning): 특정 데이터를 모델에서 '삭제'하는 기술. GDPR '잊혀질 권리' 대응에 필수
- 기법 — SISA(Sharded, Isolated, Sliced, Aggregated): 데이터를 조각내어 학습시키고, 해당 조각만 제거한 뒤 재취합

2. AI 보안 위협 및 수명주기 거버넌스

AI 보안 위협 및 대응

AI 시스템은 데이터 수집부터 서비스 제공까지 전 단계에서 공격받을 수 있습니다.

주요 위협: 데이터 오염(Poisoning), 모델 추출(Extraction), 프롬프트 인젝션, 회피 공격(Evasion)
프롬프트웨어(Promptware): AI에 악성 프롬프트를 주입해 기밀을 유출하거나 악의적 행위를 수행하게 하는 'AI판 멀웨어'

AI 시스템 수명주기 (수-학-구-운-폐)

기술사 답안에서는 프로세스 관점의 접근이 필요합니다.

수집/정제(수): 원시 데이터 수집 및 라벨링 품질 검증
AI 학습(학): 모델 학습 및 지속적 학습(CT) 체계 구축
시스템 구축(구): 인프라 및 가드레일 설정
운영/모니터링(운): 드리프트 감지 및 보안 관제
폐기(폐): 데이터 파기 및 모델 무효화

3. 차세대 AI 보안 패러다임: 에이전틱 & 피지컬 AI

구분	주요 보안 위협	대응 방안 (가드레일)
에이전틱 AI	메모리 오염, 무단 도구(Tool) 사용, 목표 조작	호출 도구 화이트리스트, 권한 최소화, 목표 검증
피지컬 AI	센서 데이터 변조, 백도어 삽입, 오동작	안전모드(Fail-safe), HW 보안 강화, 입력 임계치 설정

4. 기술사적 제언 (Professional Insight)

지식의 연결(Knowledge Convergence): 온톨로지와 지식 그래프는 단순히 검색 성능을 높이는 도구가 아님. RAG(검색 증강 생성)와 결합해 LLM의 최대 약점인 '할루시네이션'을 데이터의 구조적 신뢰성으로 해결하는 '심볼릭 AI와 커넥셔니즘의 결합'으로 이해해야 함
보안의 내재화(Security by Design): AI 보안은 사후 대응이 아니라 수명주기 전체에 녹아 있어야 함. AI-BOM으로 투명성을 확보하고, AI Kill Switch / Kill Chain을 설계해 위급 상황 시 즉각 격리가 가능한 아키텍처를 답안에 제시
데이터 권리와 윤리: 머신 언러닝은 단순 삭제를 넘어 기업의 '데이터 컴플라이언스' 역량을 평가하는 기준이 될 것. SISA 같은 효율적 삭제 알고리즘은 성능과 권리 보호 사이의 최적점을 찾는 기술사적 고민의 결과물

기술사 시험을 준비하며 정리한 온톨로지·머신 언러닝·AI 보안 핵심 노트입니다. 추가로 다루었으면 하는 토픽이 있으면 댓글로 남겨주세요.

AI-BOM·고영향 AI 안전성·경량화·차세대 반도체 정리 — RBI·양자화·LoRA·PIM

정보관리기술사의 노트 — Mon, 8 Jun 2026 16:04:18 +0900

AI-BOM·고영향 AI 안전성·경량화·차세대 반도체 정리 — 기술사 시험 대비 (RBI·양자화·LoRA·PIM)

AI 공급망 투명성(AI-BOM), 네트워크 보안(RBI), 법적 준거성(AI 기본법 안전성 확보), 성능 최적화와 하드웨어까지 인공지능의 'End-to-End' 생태계를 관통하는 핵심 토픽입니다. 기술사 시험 고득점을 위해 기술 메커니즘을 구조화해 정리했습니다.

1. AI 공급망 투명성 및 보안 (AI-BOM & RBI)

AI 모델이 '블랙박스'에서 벗어나 투명한 관리 체계로 진입하고, 외부 위협으로부터 실행 환경을 격리하는 기술입니다.

AI-BOM (AI Bill of Materials)

개념: AI 모델의 학습 데이터, 알고리즘, 라이브러리, 성능 지표 등을 기록한 자재 명세서
주요 구성 요소 (공컴버식의타어): 공급자, 컴포넌트, 버전, 식별자, 의존성, 타임스탬프, 저작자
MLOps 연계: 모델 배포 시 AI-BOM을 자동 생성해 파이프라인에 통합. 공급망 내 취약점 탐지와 데이터 편향성 추적으로 지속적 거버넌스를 구현

원격 브라우저 격리 (Remote Browser Isolation, RBI)

메커니즘: 웹 콘텐츠를 사용자 단말이 아닌 클라우드 기반 샌드박스 서버에서 실행하고, 결과(이미지/벡터)만 안전하게 렌더링해 전달
핵심 기술: 콘텐츠 무해화(CDR), 제로 트러스트(ZTN) 기반 접근 제어, 데이터 유출 방지(DLP)

2. AI 법적 준거성 및 데이터 학습 (안전성 & 멀티모달)

최근 제정된 AI 관련 법안과 데이터 품질을 평가하는 고도화된 지표입니다.

고영향 AI 안전성 확보 (AI 기본법 제32조)

대상: 연산량 10²⁶ FLOPS 이상의 모델 또는 사람의 생명·기본권에 중대한 영향을 미치는 AI
사업자 의무: 위험 식별 및 평가 → 완화 조치 이행 → 3개월 이내 결과 보고서 제출
위험 완화 전략
- 기술: 프롬프트 필터링, 알고리즘 교체
- 운영: API 접근 제어, 응답 거부 설정
- 조직: 리스크 게이팅(Risk Gating), 외부 전문가 자문

멀티모달 데이터 학습 및 평가

생성·멀티모달 모델은 모달리티별로 평가 지표가 다릅니다.

구분	주요 지표	특징
텍스트	BLEU, ROUGE-N, PPL	번역 정확도, 요약 성능, 단어 예측 확률(Perplexity)
이미지	IS (Inception Score)	생성 이미지의 다양성 및 품질 측정
이미지	FID (Fréchet Inception Distance)	실제 데이터와 생성 데이터 분포 간 거리 (낮을수록 우수)

3. AI 성능 최적화 (경량화 및 학습 기술)

거대 모델을 효율적으로 운영하기 위한 모델 압축·미세조정 기술입니다.

양자화 및 지식 증류

양자화 (Quantization): 가중치(Weight)를 고정소수점(FP32)에서 저정밀도(INT8, INT4)로 변환
- PTQ: 학습 완료 후 양자화
- QAT: 학습 과정에서 양자화 오차를 반영해 정확도 손실 최소화
지식 증류 (Knowledge Distillation): Teacher 모델의 Soft Label(확률 분포)을 Student 모델이 학습해 지식 전이

PEFT 및 효율적 학습

LoRA (Low-Rank Adaptation): 원본 가중치는 고정하고 저랭크 분해 행렬만 학습해 파라미터 최적화
병렬 처리: 데이터 병렬(Data Parallel), 모델 병렬(Model Parallel), 파이프라인 병렬(Pipeline Parallel)을 통한 분산 연산

4. AI 인프라 및 차세대 하드웨어

AI 연산의 병목을 해결하기 위한 가속기·데이터센터 혁신 기술입니다.

AI 가속기 및 데이터센터

NPU / ASIC: 신경망 연산에 최적화된 Systolic Array 구조와 행렬 연산 유닛(MMU) 탑재
액침 냉각 (Immersion Cooling): 서버를 비전도성 액체에 담가 열을 식혀 전력 효율(PUE)을 극대화

차세대 반도체

PIM (Processor In Memory): 메모리 내부에서 직접 연산을 수행해 데이터 이동에 따른 폰 노이만 병목을 해결
SNN (Spiking Neural Network): 인간 뇌의 스파이크 신호를 모방해 이벤트 발생 시에만 연산하는 초저전력 구조

5. 기술사적 제언 (Professional Insight)

AI 거버넌스의 실체화(AI-BOM): 단순 윤리 강령을 넘어 AI-BOM을 통한 가시성 확보는 AI 사고의 책임 소재 규명과 공급망 보안의 핵심 도구가 될 것. 기업은 MLOps 체계 내에 BOM 관리 프로세스를 내재화해야 함
규제와 기술의 상생: AI 기본법 제32조의 안전성 확보 조치는 사업자에게 부담일 수 있으나, 이를 위험 관리(Risk Management) 역량으로 승화시키면 글로벌 시장에서 신뢰도(Trust)를 확보하는 경쟁 우위가 됨
H/W-S/W 공동 최적화(Co-Design): 모델 크기가 커짐에 따라 PIM 같은 차세대 반도체와 양자화·PEFT 같은 S/W 최적화는 별개가 아닌 통합 솔루션으로 제공되어야 함. 특히 온디바이스 AI 시장에서는 이런 수직적 통합 역량이 승부처

6. 핵심 토픽 두음 정리

토픽	두음	두음 내용 (상세 내용)
AI-BOM 요소	공컴버식의타어	공급자, 컴포넌트, 버전, 식별자, 의존성, 타임스탬프, 저작자
안전성 확보 절차	식평완제	위험 식별, 평가, 완화, 제거 (3개월 이내 보고)
위험 완화 조치	기운조	기능 제한, 운영 제한(API), 조직적 조치(리스크 게이팅)
멀티모달 학습	표변정	표현성(REP), 변환성(TRA), 정렬성(ALL)
AI 최적화 기술	양지P분	양자화, 지식증류, PEFT(LoRA), 분산학습
가속기 핵심 요소	시엠에이치	시스톨릭어레이, MMU, ASIC, HBM

기술사 시험을 준비하며 정리한 AI-BOM·고영향 AI 안전성·경량화·차세대 반도체 핵심 노트입니다. 추가로 다루었으면 하는 토픽이 있으면 댓글로 남겨주세요.

Data-Centric AI·VLM·DiT·LangGraph 정리 — 멀티모달·RAG 2.0·데이터 어노테이션

정보관리기술사의 노트 — Mon, 8 Jun 2026 12:54:35 +0900

Data-Centric AI·VLM·DiT·LangGraph 정리 — 기술사 시험 대비 (멀티모달·RAG 2.0·데이터 어노테이션)

인공지능의 패러다임 변화(Data-Centric AI)부터 최신 아키텍처(VLM·DiT), 이를 실현하는 운영·데이터 가공 기술(LangGraph·어노테이션)까지 포괄했습니다. 기술사 시험의 핵심인 '차별화된 아키텍처 해석'과 '실무적 가이드라인' 중심으로 정리하고 제언과 두음 표를 더했습니다.

1. AI 패러다임 및 모델 아키텍처의 진화

알고리즘 고도화를 넘어 데이터 품질과 멀티모달 융합에 집중하는 단계입니다.

Data-Centric AI vs Model-Centric AI

Model-Centric: 고정된 데이터셋에서 알고리즘과 파라미터를 튜닝해 성능을 높이는 방식
Data-Centric: 모델을 고정하고 데이터의 오류 수정, 라벨링 품질 향상, 부족한 데이터 증강으로 성능을 개선하는 방식 (성능 기여도 80% 이상)

비전언어모델(VLM) 및 디퓨전 트랜스포머(DiT)

VLM: 이미지(Vision Encoder)와 텍스트(Text Decoder)를 Cross Attention으로 결합해 다중 모달리티를 이해·생성
DiT (Diffusion Transformer): 기존 UNet 구조 대신 트랜스포머를 백본으로 사용해 확장성(Scalability)을 극대화한 생성 기술 (Sora의 핵심 기술)

2. 자율형 AI 에이전트 및 운영 (Agentic AI)

단순 실행을 넘어 '사고'하고 '도구'를 사용하는 지능형 워크플로우 기술입니다.

LangGraph & 에이전틱 AI

LangGraph: 에이전트의 상태(State)를 관리하며 순환(Cyclic) 구조의 그래프로 복잡한 작업을 자동화하는 실행 엔진
에이전틱 AI 요소: Plan(계획), Act(실행), Tool(도구 활용), Memory(기억), Reflection(자기 성찰/검토)

RAG 2.0 (Graph & Self-RAG)

단순 문서 검색을 넘어 지식 그래프(Graph RAG)를 탐색하거나, 검색 결과가 부적절하면 스스로 재검색하는 Self-RAG로 할루시네이션을 최소화합니다.

3. 데이터 품질 및 가공 기술

AI 모델의 신뢰성을 결정짓는 데이터 수집·가공의 표준 지침입니다.

이미지 데이터 어노테이션 (폴폴 바포큐시)

폴리곤(다각형), 폴리라인(선형), 바운딩 박스(사각형)
포인트(점), 큐보이드(3D 육면체), 시멘틱 세그멘테이션(픽셀 단위)

인공지능 데이터 품질 가이드라인

핵심 지표: 준완유(준비·완전·유용), 기다편안(기준·다양·편향·안전), 의구알규(의미·구문·알고리즘·규범)

4. 기술사적 제언 (Professional Insight)

AI 민주화와 프론티어 모델의 상호보완: 모든 기업이 프론티어 모델을 직접 개발할 필요는 없음. 강력한 기반 모델(Foundation Model)을 API로 활용하되, 기업 내부 고유 데이터를 Data-Centric 관점에서 정제해 sLLM으로 파인튜닝하는 전략이 현실적
그래프 기반 에이전트의 안정성 확보: 에이전트 자율성이 높아질수록 결과 예측 가능성이 떨어짐. LangGraph로 노드(Node)·엣지(Edge) 단위로 워크플로우를 가시화하고, 중간 단계마다 인간이 개입하는 HITL(Human-In-The-Loop) 설계를 병행해야 함
차원의 저주와 벡터 DB 최적화: 고차원 데이터 처리가 늘며 차원의 저주가 심화. 단순 차원 축소(PCA)뿐 아니라 벡터 DB 내 HNSW·IVF 같은 효율적 인덱싱 알고리즘을 선택해 검색 속도와 품질의 균형을 맞춰야 함

5. 핵심 토픽 두음 정리

토픽	두음	두음 내용 (상세 내용)
이미지 어노테이션	폴폴 바포큐시	폴리곤, 폴리라인, 바운딩박스, 포인트, 큐보이드, 시멘틱세그멘테이션
에이전틱 AI 요소	PATMR	Plan(계획), Act(실행), Tool(도구), Memory(기억), Reflection(성찰)
품질 가이드라인(구축)	준완유	준비성, 완전성, 유용성
품질 가이드라인(적합)	기다편안	기준적합성, 다양성, 편향성, 안전성
품질 가이드라인(정확)	의구 알규	의미정확성, 구문정확성 / 알고리즘적정성, 규범준수
차원 축소 기법	P-T-F	PCA, t-SNE, Feature Selection
RAG 2.0 기법	G-S-M	Graph RAG, Self-RAG, Multi-hop RAG

기술사 시험을 준비하며 정리한 Data-Centric AI·VLM·DiT·LangGraph 핵심 노트입니다. 추가로 다루었으면 하는 토픽이 있으면 댓글로 남겨주세요.