내부 경보 단계 격상 신규 사업 중단하고 핵심 인력 재배치 [아이티데일리] 오픈AI가 내부 비상 단계를 최고 수준으로 격상하고 챗GPT(ChatGPT)의 경쟁력 회복을 최우선 과제로 삼는다. 월스트리트저널(WSJ)에 따르면, 오픈AI는 최근 회사 내부의 위기관리 등급을 기존 코드 오렌지(Code Orange) 에서 최고 단계인 코드 레드(Code Red) 로 상향 조정했다. 오픈AI 샘 올트먼 CEO가 직원들에게 보낸 내부 메모에는 지금은 챗GPT에 매우 중요한 시기 이며 모든 자원을 챗GPT의 품질 개선에 집중할 것을 주문하는 내용이 담겨있던 것으로 드러났다. 오픈AI는 이번 코드 레드 발령과 함께 기존에 진행 중이던 신규 수익화 프로젝트와 확장 기능 개발을 전면 보류한다. 여기에는 광고 모델 도입, 개인 맞춤형 AI 비서 서비스인 펄스(Pulse) , 쇼핑 및 헬스케어 관련 에이전트 개발 등이 포함된다. 이러한 현상의 배경에는 구글이 새롭게 제미나이 3 를 출시한 점이 유효했다는 분석이 제기된다. 실제 제미나이 3는 특정 벤치마크에서 챗GPT 최신 모델보다 우수한 성적을 기록했으며 월간활성이용자수(MAU)도 지난 7월 4억 5,000만 명에서 10월 6억 5,000만 명으로 증가한 것으로 알려졌다. 오픈AI 샘 올트먼 CEO는 새롭게 출시를 준비 중인 신규 추론 모델이 제미나이 3보다 성능 면에서 우수하다 고 평가했다, 그럼에도 이번 코드 레드 격상을 선포한 점은 구글 등 경쟁사와의 격차를 확실히 벌리기 위해선 모델 성능을 끌어올려야 한다고 판단한 것으로 풀이된다.... (이하 생략) [출처] http://www.itdaily.kr/news/articleView.html?idxno=236661 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

지난 10월 APEC CEO 서밋에서 젠슨 황 엔비디아 CEO가 26만 장의 그래픽처리장치(GPU)를 제공하겠다는 발표한 것은 국내 인공지능(AI)연구자들과 산업계에 매우 반가운 소식이 아닐 수 없다. 이는 단순한 투자나 공급계약이 아니라 대한민국이 글로벌 AI경쟁에 뛰어들 수 있는 인프라를 확보하게 됐다는 의미를 갖는다. 하지만 정작 중요한 질문은 지금부터 시작된다. GPU가 제공된다면, 우리는 무엇을 만들 것이며 어떠한 가치를 창출할 것인가? AI 인프라 투자 그 다음은? AI 경쟁의 본질은 더 이상 하드웨어 인프라에 머물지 않는다. 진정한 승부는 AI 소프트웨어와 서비스에서 결정될 것이다. 1990년대 말 인터넷 보급이 본격화되면서 세상을 지배한 기업은 시스코 같은 네트워크 장비 회사가 아니라, 구글 페이스북 아마존 넷플릭스 같은 소프트웨어 서비스 기업이었다. 인프라는 필요조건일 뿐, 진정한 국가 산업 경쟁력은 그 위에서 어떤 문제를 해결하고 어떤 시장을 창출하는가에 의해 결정된다. AI는 이제 텍스트나 이미지를 생성하는 기술을 넘어, 우리의 생활과 산업 전반을 근본적으로 재편하는 동력이 되고 있다. 글로벌 선도 기업들은 고객 대응 업무는 물론, 제조 물류 금융 의료 등 다양한 산업 영역에 AI를 적용하며 생산성을 새로운 수준으로 끌어올리고 있다. 반면 국내 산업 현장은 구조적 한계에 직면해 있다. 숙련 기술자는 빠르게 고령화되고, 생산가능 인구는 급속히 줄어드는 가운데, 품질과 효율성은 중국의 거센 추격으로 위협받고 있다. 이제 산업 경쟁력은 AI를 적용해 품질과 생산성을 얼마나 빠르게 개선하느냐에 달려 있다. AI 전환은 선택이 아닌 생존을 위한 전략 우리 산업계가 당면한 위기를 돌파하기 위한 효과적인 해법은 AI기술을 생산과 운영 전반에 심층적으로 적용해 업무 프로세스를 자동화하고 품질과 생산성을 개선하는 혁신, 즉 AX(AI Transformation)이다. 제조 현장을 예를 들면, AI를 통해 공정 데이터를 분석하고 숙련 기술자의 경함과 노하우를 모델화함으로써 불량율을 낮추고, 설비 진단과 예지 보전을 자동화하며, 부품 흐름과 재고 운영을 최적화하는 방식으로 품질과 생산성을 크게 끌어 올릴 수 있다. 이러한 AI전환은 제조업을 넘어 다양한 산업 전반으로 빠르게 확산될 것이며, 생산 프로세스 자체를 AI 기반으로 다시 설계하는 전면적 혁신이 될 것이다. 우리가 강점을 가진 산업 분야에 AX를 빠르게 확산시키는 것은 더 이상 선택의 문제가 아니라 산업 경쟁력 강화를 위한 생존 전략이다. AX의 주역은 도전과 창의로 무장한 스타트업이다 대규모 자본 투자가 필요한 AI 인프라 구축은 대기업이 주도할 수 있지만, 다양한 산업 현장의 문제를 빠르게 기술로 풀어낼 주체는 도전과 창의로 무장한 스타트업이다. 하루가 다르게 진화하는 AI 기술을 학습하고, 새로운 솔루션을 지속적으로 구현할 수 있는 유연함과 적응력을 갖추고 있으며, 대기업보다 민첩하게 움직이며 혁신을 추진해 갈 수 있다. 문제는 이들이 산업 현장에 진입하는 과정에서 겪는 구조적 어려움이다. 일부 대기업을 제외하고 대부분의 중소 기업은 AI를 도입하고 싶어도 비용 부담과 시행착오 리스크 때문에 쉽게 도전하지 못한다. 스타트업은 자체 AI기술을 보유하고 있어도 제조 현장에서 생성되는 데이터에 접근하지 못해 실증 기회를 얻기 어려워 기술이 매출로 이어지지 못하는 단절의 벽 이 존재한다. 우리가 AX 혁신에 성공하기 위해서는 이 벽을 허물어야 한다. 서울AI허브에서 시작된 AX 실증사업 서울시는 이러한 구조적 문제를 해결하기 위해 올해부터 AX 실증사업을 본격 추진해 왔다. 서울AI허브를 중심으로 특정 AI 기술을 보유한 스타트업을 발굴하고, AI 전환이 필요한 중소 제조기업의 현장문제를 진단하며, 대학의 AI 전문인력을 연계해 문제를 해결하는 산학협력 프로젝트를 운영해 왔다. 그 결과, 건설과 제조 현장에서 발생하는 산업재해 탐지 정확도를 획기적으로 높이는 기술, 생성형 AI를 패션 출판 디자인 자동화에 적용해 생산성을 대폭 향상시키는 기술, 생활용품의 제조 공정부터 물류 배송까지 전 생산체계를 최적화하는 기술을 개발하는 등 실질적 성과가 나타나기 시작했다. 특히 의미 있는 변화는 AI 스타트업이 산업 현장 요구를 정확히 이해하고 맞춤형 AI 솔루션을 개발해 기업의 매출 증대로 이어지는 선순환 구조가 형성되기 시작했다는 점이다. 서울 산업AX혁신센터 정식 출범 이러한 성과를 기반으로 지난 11월 25일 서울 산업AX혁신센터 가 정식으로 출범했다. 이 센터의 미션은 단순한 연구과제 지원이나 교육이 아니라 산업현장의 문제를 정확히 진단하고 실용적 해결책을 제시하며 AI 전환의 전 과정을 지원하는 산학협력 플랫폼의 역할을 수행하는 데 있다. 우리의 목표는 AI 기술을 통해 국내 산업 경쟁력을 근본적으로 강화하고, 혁신적인 AI 기반 솔루션과 서비스를 시장에 신속하게 확산시키며, 나아가 글로벌 기업으로 성장할 수 있는 지속 가능한 산업혁신 생태계를 구축하는 것이다.... (이하 생략) [출처] https://it.chosun.com/news/articleView.html?idxno=2023092152186 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

[디지털경제뉴스 박시현 기자] HPE는 HPE 디스커버 바르셀로나 2025 에서 HPE 기반 엔비디아 AI 컴퓨팅 포트폴리오를 확장했다고 발표했다. HPE가 이번 행사에서 발표한 주요 내용은 ▲보안성과 확장성을 갖춘 AI 팩토리의 신규 솔루션 ▲장거리 또는 멀티 클라우드 환경에서 운영되는 클러스터 전반의 AI 워크로드 성능을 최적화하는 새로운 AI 데이터센터 인터커넥트 ▲전 세계 고객이 자체 소버린 AI 팩토리를 테스트하고 검증할 수 있는 유럽연합 내 AI 팩토리 랩 설립 등이다. 먼저 HPE와 엔비디아는 프랑스 그르노블에 새로운 AI 팩토리 랩을 개설해 고객이 소버린 공랭식 AI 팩토리 환경에서 워크로드를 테스트하고 개선할 수 있도록 지원한다. 2026년 2분기에 가동에 들어갈 예정인 이 AI 팩토리 랩은 최신 엔비디아 AI 엔터프라이즈 거버넌트 레디 소프트웨어, HPE 서버, HPE 주니퍼 네트워킹 PTX 및 MX 시리즈 라우터, 엔비디아 가속 컴퓨팅, 엔비디아 스펙트럼-X 이더넷 네트워킹, HPE 알레트라 스토리지 등으로 구성된다. 이 새로운 AI 팩토리 랩은 유럽연합 내 글로벌 기업들의 데이터 주권 및 컴플라이언스 요건 충족에 기여한다. HPE는 또한 카본3.ai와 협력해 프라이빗 AI 랩 을 영국 런던에 구축할 예정이다. 이 랩은 HPE 프라이빗 클라우드 AI, 엔비디아 AI 엔터프라이즈 소프트웨어 스위트 및 엔비디아 AI 인프라 기반으로 설계된다. HPE 프라이빗 클라우드 AI는 다음과 같은 새로운 구성, 활용 사례 및 기능을 도입했다. ▪HPE 프라이빗 클라우드 AI에서 제공되는 엔비디아 RTX 프로 6000 블랙웰 서버 에디션 GPU는 엔비디아 호퍼와 함께 고객에게 GPU 선택권을 제공하고 여러 워크로드 전반에서 더 큰 유연성을 제공한다. ▪에어갭 환경에서 STIG 및 FIPS 기반 엔비디아 AI 엔터프라이즈의 통합은 보안 계층을 추가해 다양한 컴플라이언스 표준을 충족할 수 있는 솔루션을 제공한다. ▪HPE 프라이빗 클라우드는 엔비디아 멀티 인스턴스 GPU(MIG) 기술을 활용해 GPU 분할을 지원하며, 이를 통해 활용도를 최적화하고 비용을 절감한다. ▪WWT(World Wide Technology), 엔비디아, HPE가 제공하는 신규 데이터센터 옵스 에이전트를 통해 AI 데이터센터 관리를 간소화하고, 에이전틱 AI 및 하이브리드 클라우드 환경 전반에서 HPE의 통합 운영을 강화한다. HPE의 소버린 AI 팩토리 솔루션은 이제 국가별 컴플라이언스 요건을 반영한 신규 시스템 설계를 제공해, 현지 규정을 더 쉽게 준수할 수 있도록 한다. HPE는 다양한 국가 규정을 충족하면서도 보안을 유지 및 강화할 수 있는 적응형 솔루션을 제공함으로써 보안 분야의 새로운 표준을 제시한다. 엔지니어링 검증을 거친 레퍼런스 아키텍처에는 소프트웨어 보안 기능과 컴플라이언스 감사를 지원하도록 설계된 시스템이 포함된다. 또한 HPE의 사이버보안 프랙티스는 워크숍부터 관리까지 포괄적인 자문 및 전문 서비스를 제공하며, 소버린 컴플라이언스를 위한 엔비디아 기술 기반 솔루션 등 규제 산업의 요구 사항에 부합하는 역량을 갖추고 있다. HPE의 AI 팩토리 네트워킹 솔루션에는 엔비디아 스펙트럼-X 이더넷 네트워킹 플랫폼과 엔비디아 블루필드-3 DPU가 포함돼 있다. 이를 통해 데이터센터 대 데이터센터, 데이터센터 대 클라우드 등 다양한 운영 환경에서 가속화된 네트워킹을 구현할 수 있다. 또한 HPE의 AI 팩토리 솔루션은 HPE 주니퍼 네트워킹까지 포함하면서 그 범위를 확장했다. 이는 HPE 주니퍼 네트워킹 MX 및 PTX 고속 라우팅 플랫폼을 활용해 사용자, 디바이스, 에이전트에서 AI 팩토리로의 연결을 지원한다. 여기에다 장거리 또는 멀티 클라우드에 걸쳐 배포된 클러스터 간의 연결을 위해 대규모의 안전하고 지연 시간이 짧은 연결을 지원한다. AI 성숙도가 높아짐에 따라 기업들은 분산된 데이터를 저장, 관리하고 가치를 창출하는 방식을 개선해야 하는 과제에 직면해 있다. HPE는 이를 위해 HPE 알레트라 스토리지 MP X10000 데이터 인텔리전스 노드 를 발표했다. HPE 알레트라 스토리지 MP X10000 데이터 인텔리전스 노드 는 데이터가 존재하는 위치로 엔비디아 가속 컴퓨팅을 이동시켜 AI 파이프라인의 데이터를 실시간으로 보강한다. 이는 엣지, 코어, 클라우드 전반의 데이터 액세스를 통합하는 HPE 데이터 패브릭 역량을 기반으로 한다. X10000은 엔비디아 AI 데이터 플랫폼 레퍼런스 디자인을 사용하고 데이터 경로 내에서 직접 엔비디아 AI 엔터프라이즈 소프트웨어를 실행함으로써, 데이터 수집 시 데이터를 분석하고 자동으로 패턴을 추론해 AI 팩토리에 공급하는 동적 엔진으로 작동한다. 이 솔루션은 RDMA 기반 S3 호환 스토리지 지원과 엔비디아 기반으로 가속된 성능을 활용해 데이터를 인라인으로 처리, 분류, 최적화한다. HPE는 또다른 새로운 혁신으로 HPE 기반 엔비디아 GB200 NVL4 를 발표했다. 이는 기업이 LLM 및 생성형 AI 애플리케이션을 위한 고성능 AI 추론을 신속하고 안전하게 배포할 수 있도록 지원하는데, 컴팩트하고 전력 효율적이라는 점이 특징이다. HPE 기반 엔비디아 GB200 NVL4는 2개의 엔비디아 그레이스 CPU와... (이하 생략) [출처] http://www.denews.co.kr/news/articleView.html?idxno=34507 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

피지컬 인공지능(AI) 주도권을 둘러싼 글로벌 기술 패권 경쟁이 본격화되고 있는 가운데, 한국이 집중해야 할 전략 분야로 로봇 센서 소프트웨어 등 3대 틈새시장 이 부상하고 있다. 국내 생태계가 자동차 조선 2차전지 등 제조 강국으로서 축적된 고정밀 데이터와 고위험 공정의 전문성을 기반으로 한 소프트웨어와 하드웨어 융합 역량으로 핵심 경쟁력을 갖출 수 있다는 평가다. 30일 산업계에 따르면 최근 피지컬 AI 기술은 산업용 로봇 중심에서 고지능 센서, AI 제어 소프트웨어, 실시간 운영 플랫폼 등으로 가치 사슬이 빠르게 확장되고 있다. 피지컬 AI 시대의 글로벌 밸류체인은 △로봇 하드웨어(기구 모터 감속기) △지능 센서 비전 시스템 △AI 제어 운영 소프트웨어 등의 영역으로 재편되는 추세다. 국내 산업 생태계는 이에 적합한 기반을 보유하고 있다. 일례로 자동차와 2차 전지 공정에선 수년간 쌓여온 공정 데이터와 엄격한 품질 기준이 존재한다. 이를 기반으로 AI 분석과 로봇 제어에 접목할 경우, 단순 자동화 수준을 넘어 예지정비 품질 검사 공정 최적화까지 가능한 지능형 공장 운영 플랫폼을 구축할 수 있다는 관측이다. 산업계 관계자는 자동차 조선 철강 등 제조업에서 얻은 데이터를 기반으로 한 고신뢰 고안전 로봇, 고급 센서 감속기 제어 알고리즘으로 AI 공장 운영 소프트웨어 플랫폼을 통합한다면 국내 시장이 압도적인 경쟁력을 갖추게 될 것 이라고 평가했다. 다만 중소 중견 기업 입장에서는 초기 진입 장벽이 높다는 한계도 존재한다. AI 및 로봇 솔루션을 도입하는 데 드는 설비비용과 인력 부담이 크고, 제조 현장의 데이터 정제 활용 인프라도 부족한 것이 현실이다. 이같은 상황 속 국가별 경쟁은 치열해지고 있다. 중국은 범용 로봇의 대량 생산과 원가 경쟁력을 앞세워 산업용 로봇과 휴머노이드의 양산에 속도를 내고 있다. 반면 미국과 유럽은 AI 반도체, 플랫폼, 소프트웨어 및 서비스 역량에 집중하는 구조다. 오픈AI, 구글, 엔비디아, 보스턴 다이내믹스 등은 클라우드 기반 AI 학습 제어 기술을 고도화해 범용 로봇 및 자율운영 시스템으로 확장하려는 시도를 이어가고 있다. 전문가들은 국내 시장이 고신뢰 고정밀 제조 공정을 기반으로 로봇 센서 소프트웨어 분야에 집중해야 한다고 조언한다. 이를 위해 정책금융, 세제 지원, 규제 샌드박스를 통한 초기 비용 분담과 데이터 공유 인프라 확대가 필요하다는 지적이다.... (이하 생략) [출처] https://news.nate.com/view/20251203n01635?mid=n1101 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

도메인 놀리지 데이터 품질 AI 운영 등 삼박자 고루 갖춰 체질 전환 [아이티데일리] 국내 중견 시스템 통합(SI) 기업들은 지난 20년간 두 번의 큰 변곡점을 지나왔다. 첫 번째는 온프레미스 기반 대규모 구축 사업이 시장을 지배하던 시기였고, 두 번째는 클라우드 전환이 기존 SI 비즈니스 구조를 뿌리째 뒤흔든 시기였다. 그리고 지금, SI 산업은 세 번째 격동기를 맞고 있다. 바로 AI 전환의 시대가 본격적으로 열린 것이다. 이러한 변화는 중견 SI에 위기이자 기회로 다가오고 있다. 그룹사 IT아웃소싱(ITO) 수요는 줄어든 반면, 대외 시장은 AI 역량 없이는 진입 자체가 쉽지 않다. 기존 구축형 모델로는 성장은커녕, 생존도 담보할 수 없게 됐다. 중견 SI 기업들의 복잡하고 까다로운 도전이 이제부터 또 시작되고 있다. 3회에 걸쳐 AI 시대 중견 SI가 갖춰야 할 경쟁력과 교보DTS, NDS, DB아이엔씨, 신세계아이앤씨, 아시아나IDT, 아이티센 등 6개 기업의 전략을 살펴본다. [중견 SI 생존공식 ①] 온프레미스에서 클라우드로 새로운 접근 방식 대두 [중견 SI 생존공식 ②] AI 시대 역할은 통합 운영자 [중견 SI 생존공식 ③] 도메인 데이터 품질 AI 운영 등 삼박자 갖춰야 온프레미스에서 클라우드로 변화 새로운 접근 방식 요구 오랜 기간 국내 SI 기업들은 온프레미스 기반 구축형 사업으로 비즈니스를 전개해 왔다. 기업이나 공공기관은 적게는 수십억 원, 많게는 수천억 원 규모의 시스템 구축 및 하드웨어(HW) 박스나 소프트웨어(SW) 라이선스 도입 사업을 발주했고, SI 기업들은 요구사항 분석부터 개발, 이행, 운영 및 전환까지 전 과정을 책임지며 하도급과 파트너 생태계를 키워왔다. 이렇게 국내 SI 산업은 성장해 왔다. 그러나 이러한 사업 모델은 신기술 트렌드가 부상하며 한계가 드러났다. 특히 SI 기업들은 클라우드 등장 이후 온프레미스 기반 구축형 사업만으로 안정적인 성장 동력을 확보할 수 없음을 깨닫게 됐다. 고객들도 시스템을 유지 하는 것이 아닌, 운영 효율을 끌어올리는 방법에 초점을 맞추기 시작했다. 자연스럽게 SI 기업에게도 새로운 접근법과 역할 변화가 필요하게 됐다. 클라우드 전환은 SI 기업이 단순히 HW나 SW를 납품하던 역할에서 벗어나, 아키텍처 설계와 운영 파트너로 포지셔닝하게 했다. 레거시 시스템을 클라우드 환경에 맞춰 재구성하는 과정에서 기존 방식으로는 풀 수 없는 기술 보안 비용 이슈가 터져나왔고, SI 기업들은 이를 해결해 나가며 클라우드 네이티브와 보안 강화, 비용 최적화 등 기술적 역량을 빠르게 내재화했다. 중견 SI 기업 입장에서는 생존을 위한 탈출구이자 성장의 기회를 열어준 셈이었다. 하지만 이러한 변화는 곧 다음 단계의 전환을 예고하는 신호였다. 그룹사를 중심으로 사업을 영위해 온 중견 SI 기업들은 클라우드 전환 과정에서 내부 프로젝트가 일단락되자 성장 한계에 부딪혔다. 내부 사업만으로는 더 이상 성장을 지속하기 어렵다는 사실이 명확해졌기 때문이다. 대외 시장 개척 에 대한 압박은 모든 중견 SI에게 공통적으로 주어졌고, 클라우드는 이를 위한 현실적인 해결책으로 또 올랐다. 그러나 대규모 운영 유지보수 프로젝트는 클라우드 전환 사업과 같이 반복적인 매출 구조를 만들지 못했다. 운영 기반 사업은 비교적 단가가 낮고 인력 의존도가 높아 수익성 역시 제한적이었다. 클라우드는 결국 중견 SI 기업에게 성장 기회와 동시에 수익성 개선이라는 과제를 동시에 안겨줬다. 이러한 상황에서 등장한 것이 바로 인공지능(AI) 전환이다. 클라우드 전환이 온프레미스에서 벗어나는 과도기였다면, AI는 클라우드 이후의 운영 방식을 재정의하는 기술이었다. 이와 관련해 NDS 양주호 기술본부/솔루션팀 팀장은 AI 전환은 단순한 기술 업그레이드가 아니라, 기업 시스템의 의사결정 구조부터 운영 방식까지 변화시키는 근본적 변화를 의미했다. 그리고 이 변화는 중견 SI 기업들에게 또 한 번의 역할 재정의를 요구했다 고 부연했다. 비즈니스 중심 AI 적용 수요 확대 2010년대부터 빠르게 진행된 클라우드 전환은 어느덧 마무리 단계에 접어들었다. 글로벌은 물론 국내 상당수의 기업은 이미 클라우드를 인프라 혁신의 기본 옵션으로 활용하고 있다. 최근에는 새로운 기술적 목표가 설정되기 시작했다. 바로 AI를 활용해 운영의 효율성을 확보하고 업무 생산성을 향상하며, 자동화를 구현하는 것이다. 클라우드 이후 자연스럽게 AI 중심의 운영 구조 를 기업들이 요구하기 시작한 것이다. AI가 만든 변화 중 가장 중요한 것은 고객의 요구사항이 무슨 시스템을 만들 것인가 에서 무슨 업무를 가능하게 할 것인가 로 바뀌었다는 점이다. 클라우드 이전 객단가 중심의 구축형 SI 시대에는 기술 자체가 목적이었다. 하지만 AI 전환에는 기술보다 비즈니스 가치가 더 중요해졌다. 동일한 시스템이라도 AI 기능 유무에 따라 기업의 경쟁력이 달라지는 상황이 됐다. 이 때문에 SI 기업에게는 단순 구축 능력보다 AI 기반 기능을 고객 현장에 적용하는 실행력이 중요한 경쟁력이 됐다. AI 전환의 또 다른 특징은 IT 부서에서 기술 적용이 시작되지 않는 경우가 많다는 점이다. 경영진은 조직 생산성을 높이는 쪽으로, 현업 부서는 업무 흐름을 단순화하거나 반복 작업을 줄이는 방법으로 AI 도입을 고민한다. 이러한 흐름은 SI 기업으로 하여금 기존 IT 시스템 구축 중심의 사고에서 벗어나, 업무자동화 지식검색 문서요약 ... (이하 생략) [출처] http://www.itdaily.kr/news/articleView.html?idxno=236578 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

AI 신뢰성 중요 AX 강국 만들어야 Good AI Awards 2024 수상 기업 대표들 한목소리 거버넌스 확립 전문인력 양성 제도적 지원 시급 인공지능(AI) 전환(AX) 시대를 맞아 AI 신뢰성 확보가 산업 경쟁력의 핵심으로 떠올랐다. Good AI Awards 2024 수상 기업 대표들은 AI 신뢰성을 강화하기 위해서는 단순한 기술 개발을 넘어 실질적인 거버넌스 확립, 전문 인력 양성, 제도적 지원이 필요하다고 한목소리를 냈다. Good AI Awards 는 단순한 기술력을 넘어 AI의 안전성과 윤리성을 종합적으로 평가하는 AI 시상식이다. ◇ AI 신뢰성 강화 방안은? 김동환 포티투마루 대표는 AI 신뢰성 강화를 위해서는 단순한 인증이나 법규를 넘어 실질적인 거버넌스 확립과 이를 실행하는 의지와 지원이 중요하다 며 기술적 관점에서는 환각 보안 비용 문제를 어떻게 해결할 것인가가 중요하지만, 거버넌스 측면에서는 결국 경영진의 의지가 제일 중요하다 며 경영진도 AI 시대에 대한 공부를 해야 한다 고 말했다. 포티투마루는 AI안전연구소(AISI) 컨소시엄, AI 신뢰성 얼라이언스 자문, AI 윤리정책 포럼, AI 레드팀 챌린지 등의 외부 활동과 자체 소프트웨어 품질관리 체계 확립, 사내 안전위원회 발족 등 내부 활동을 AI 신뢰성 향상을 위한 활동을 지속적으로 추진해 왔다. 이를 통해 국내 유일하게 공공과 민간 양대 AI 신뢰성 인증을 모두 1호로 획득했다. 최은수 인텔리빅스 대표는 불이 났는데 AI CCTV가 알람이 울리지 않는다면 신뢰를 잃는 것 이라며 AI 신뢰성과 정확한 탐지율을 기반으로 안전한 사회를 만들어야 한다 고 말했다. AI는 단순한 기술이 아니라 AI는 단순한 기술이 아니라 생명을 구하는 기술 이라며 AI 신뢰성 부분에서도 사전 예방 인식이 중요하다 며 사고 후 예방은 의미가 없다 고 말했다. 인텔리빅스는 국내 최초로 AI의 책임성 신뢰성 윤리성 등을 평가하는 ISO 42001 세계 표준 인증을 획득했다. 25년간 영상분석 AI 연구개발에 매진하며 전체 인력의 70%를 기술인력으로 구성하고, 영상분석 특허 35종을 보유하고 있다. 영상 검출 성능은 99.55%에 달한다. ◇ AI 통제 감독 인력 양성 시급 AI를 통제할 수 있는 인력 양성도 시급하다. 박지환 씽크포비엘 대표는 미래 AI를 통제할 수 있는 인력을 지금부터 키워는 데 국가가 집중해야 한다 며 AI를 통제하고 감독하는 직업이 앞으로 신(新)의 일자리가 될 것 이라고 강조했다. 이어 AI 신뢰성의 본질을 이해하는 인력을 키워야 한다 고 덧붙였다. 더불어 그는 현재 국내 AI 신뢰성 산업 생태계를 날카롭게 비판했다. 해외에서는 석 박사 과정 확대, 인턴십 필수화, 정부 조달 가점 등 체계적 제도가 빠르게 구축되고 있지만, 한국에는 AI 신뢰성을 전문적으로 교육할 고등교육기관도, 공식적인 커리큘럼도, 교재도 전혀 없는 상황 이라고 지적했다. 박 대표는 신뢰성 인력 양성, 기업 내부 정착, 기술적 개선 능력 축적이라는 구조적 생태계가 만들어지지 않는 한 AI 신뢰성은 선언적 구호에 불과하다 며 미래 경쟁력은 AI 신뢰성 이라고 강조했다. 이어 산업 기반 제도적 지원이 필요하다 고 말했다. 씽크포비엘은 AI 신뢰성 분야 전문기업으로 교육 컨설팅 데이터 분석 스마트 축산 등 다양한 영역에서 안전하고 책임 있는 AI 활용을 지원하고 있다. ◇ 개인정보 보호가 곧 경쟁력 직장, 가정, 사회에서 AI가 빠르게 확산되고 있다. 김찬규 메이아이 대표는 AI가 일상에 파고들수록 안전성이 더욱 중요해진다 며 개인정보 보호를 최우선 가치로 삼고 있다 고 밝혔다. 김 대표는 AI 기술이 발전하고 실생활 및 산업에 더 광범위하게 적용됨에 따라 AI 기술력과 더불어 AI 기술의 안정성 역시 깊게 고민되고 준비돼야 한다 고 말했다. 메이아이는 CCTV를 활용한 AI 기반 매장 분석 솔루션을 제공하는 기업으로 개인정보보호법을 철저히 준수한다. CCTV 영상을 개인정보를 식별할 수 없는 가명 데이터로 처리한 후 원본 영상을 삭제하며, 영상이 물리적 공간을 벗어나지 않는 엣지 컴퓨팅 시스템을 지원한다. 현재 세상은 AI 전환 바람이 불고 있다. 정부에서는 공공 AX전환을 추진하고 있고, 기업에서는 AX 전환을 통해 미래 전략을 다시 짜려고 하고 있다. 각 산업 분야에서도 AI 도입과 융합에 대한 본격적인 도입이 시작되고 있다. 이러한 AX 대전환 시대가 맞이하면서 AI 신뢰성은 더 중요해졌다. AI 신뢰성이 뒷받침되지 않으면 소비자들은 서비스나 솔루션을 사지 않을 것이기 때문이다. 이에 AI 패권 경쟁에서 우위를 차지하기 위해서는 AI 신뢰성 확보를 위한 거버넌스와 실행 전략도 중요하다는 얘기다.... (이하 생략) [출처] https://www.newstheai.com/news/articleViewAmp.html?idxno=9932 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

생성AI의 급격한 확산으로 기업 개발팀은 VS 코드(VS Code), 깃허브 코파일럿(GitHub Copilot), 커서(Cursor), 레플릿(Replit) 등 다양한 AI 코딩 어시스턴트를 활용해 애플리케이션을 빠르게 구축하고 있다. 그러나 AI가 자동으로 생성한 코드는 개발자가 의도하지 않은 경로, 누락된 보안 검사, 접근 제어 미흡 등 구조적 위험을 동반하는 경우가 많다. 앱 테스트를 위한 자율형 에이전트 AI 플랫폼 퍼페이(Perfai)는 여러 실제 사례를 통해 AI로 생성된 앱이 수동 코딩 대비 약 2배의 취약점을 포함한다는 점을 확인했다고 밝혔다. 일부 레플릿 기반 앱에서는 단일 프로젝트에서만 59개의 공개 취약점이 발견되기도 했다. AI 도구는 코드 작성 속도는 높이지만 기능 간 상호작용에서 발생하는 위험을 파악하지 못하는 한계가 있어, 개발자가 기존 워크플로를 유지한 채 실시간 자동 테스트 자동 수정 기능을 제공하는 안전 계층의 필요성이 높아지고 있다. 이에 퍼페이는 AI 코딩 어시스턴트와 MCP(Model Context Protocol) 기반 개발 환경에서 AI로 작성된 코드를 실시간으로 테스트 수정 검증하는 새로운 확장 기능을 공개했다. 이번 확장 기능은 VS 코드, 코파일럿, 커서, 윈드서프(Windsurf), 클로드(Claude), 챗GPT(ChatGPT), 제미나이(Gemini), 레플릿, 러버블(Lovable) 등 주요 IDE와 바이브 코딩 환경을 모두 지원한다. 개발자는 새로운 도구나 대시보드를 추가로 열 필요 없이 기존 편집기에서 자율 테스트, 자동 수정, 재검증 과정을 연속적으로 수행할 수 있으며, 보안 기능 문제를 즉시 파악해 최소한의 코드 변경으로 해결할 수 있다. AI 생성 코드 자동 테스트 수정 기능 퍼페이 확장 기능은 개발자가 코드를 작성하는 즉시 자율 테스트를 수행해 중단점, 위험한 흐름, 누락된 인증 검증, 노출 경로 등을 자동 탐지한다. AI 코딩이 작성한 기능 간 의존성 오작동이나 접근 제어 결함도 실시간으로 파악한다. 문제가 감지되면 자동 수정 에이전트가 최소 변경으로 코드를 보완한 뒤 수정 사항을 재테스트해 워크플로 중단 없이 품질을 유지한다. 퍼페이는 AI가 작성한 코드 기반 ERP 프로젝트에서 수동 QA를 통과한 채 숨겨져 있던 2,216개의 취약점을 발견한 사례를 공개했다. 재무 기록 직원 데이터 계약 흐름 등 민감 정보가 노출될 수 있는 위험이 포함돼 있었으며, 이러한 구조적 문제를 IDE 내에서 즉시 탐지 차단하도록 설계됐다. MCP 기반 실시간 코드 검증 및 편집기 통합 이번 업데이트는 MCP(Model Context Protocol) 통합을 통해 AI가 코드를 생성하는 순간부터 테스트를 병행할 수 있도록 지원한다. 개발자는 별도의 도구 전환 없이 기존 IDE 바이브 코딩 환경에서 결과 확인, 수정 제안, 리포트 전송을 모두 처리할 수 있다. 또한 테스트 결과와 수정 내역은 중앙 대시보드로 자동 전달돼 CISO CIO CTO 등 리더십이 전체 애플리케이션 보안 상태를 실시간으로 파악할 수 있다. 팀 전체의 릴리스 패턴, 누적 위험도, 자동 수정 내역도 한 화면에서 확인 가능하다. IDE 바이브 코딩 환경 전반 지원 레플릿과 러버블 같은 빠른 빌드 환경에서는 초기 개발 단계에서 간과되기 쉬운 구조적 결함을 백그라운드에서 검사한다. 코파일럿, 커서, 제미나이 등 AI 중심 툴에서는 AI가 보호하지 못하는 부분 을 찾아내는 보안 계층을 제공한다. 이를 통해 AI가 작성하는 속도와 인간 개발자의 검증 능력을 결합한 하이브리드 품질 보증 구조를 제공한다. 이번 확장은 보안 자동 수정 에이전트 외에도 향후 품질 테스트 기능 테스트 에이전트를 통합하기 위한 기반으로 설계됐다. 퍼페이는 IDE 내에서 보안 기능 품질을 모두 반자동으로 검증하는 완전한 에디터 내 테스트 환경 구축을 목표로 하고 있다. AI 코딩 어시스턴트의 도입은 개발 생산성을 크게 높여 기업의 애플리케이션 출시 속도를 가속화하고 있지만, AI 코드의 품질과 보안은 사람이 직접 작성한 코드보다 더 큰 변동성을 보인다. 퍼페이가 밝힌 사례처럼 단일 앱에서 수십 개의 엔드포인트가 민감 데이터를 노출하거나, 수천 개의 숨은 취약점이 남은 채 배포되는 상황은 기업의 법적 위험 신뢰도 운영 중단 리스크를 증가시킨다. 기업은 AI 기반 개발 가속화와 보안 리스크 확대라는 속도와 위험의 역설 을 동시에 해결해야 하며, 편집기 단계에서 실시간 검증 자동 수정을 제공하는 플랫폼은 차세대 소프트웨어 공급망 보안의 핵심 요소로 부상하고 있다. 의료 금융 공공 등 규제 산업에서도 AI 자동화 코드에 대한 즉각 검증 요구가 증가하면서 IDE 기반 보안 자동화 도구의 채택 확대가 예상된다. 퍼페이는 이번 확장 기능을 시작으로 보안 자동 수정 품질 테스트 기능 테스트를 포함한 완전 통합형 개발 환경을 제공한다는 계획이다.... (이하 생략) [출처] https://www.gttkorea.com/news/articleView.html?idxno=22848 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

생성형 인공지능은 테스트 케이스 생성부터 테스트 데이터 변환, 계획 수립 가속화, 개발자 커뮤니케이션 개선까지 소프트웨어 테스트 전반에 깊은 변화를 일으키고 있다. 소프트웨어 테스트에 적용되는 생성형 인공지능 통합은 기존 테스터의 워크플로뿐 아니라 개발자가 개발 생애주기 전반에서 테스트를 접근하는 방식 자체를 뒤바꾸고 있다. 대다수 담론은 코드 생성 기능에 집중돼 있지만, 수년간 개발팀을 괴롭혀 온 병목을 해결하는 새로운 흐름은 테스트 워크플로에서 더욱 강력하게 나타나고 있다. 다만 현실은 흔히 읽는 소개만큼 단순하지 않다. 현재 도구는 완성형 해법이 아니라 출발점으로 활용될 때 가장 효과적인 방식으로 작동한다. 중요한 에지 케이스를 놓친 테스트 케이스를 생성할 수도 있고, 복잡한 코드 베이스 처리에 어려움을 겪거나 기존 시스템의 패턴을 무시하는 사례도 있다. 현 시점에서 인공지능 도구는 오류를 잡아내기 위한 세심한 인간 검증을 반드시 필요로 한다. 실제 개발 현장에서 어떤 모습으로 작동할까? 아래는 이러한 도구가 일상적인 테스트 워크플로를 바꾸는 7가지 방식, 그리고 작동하는 부분과 작동하지 않는 부분, 실제 개발 프로세스에서 가장 큰 효과가 나타나는 영역이다. 코드 변경 기반 테스트 케이스 생성 소프트웨어 테스트에서 가장 즉각적인 생성형 인공지능 활용 사례는 자동 테스트 케이스 생성이다. 도구는 커밋 메시지와 실제 코드 변경 내역을 함께 분석해 종합적인 테스트 케이스를 도출한다. 예를 들어 OAuth 통합 후 로그인 기능 테스트 를 작성하는 대신, 코드 diff 분석을 기반으로 유효 토큰 만료 토큰 형식 오류 요청 예상치 못한 에지 케이스 등 세부 시나리오를 자동으로 생성한다. 이 과정은 기능 구현 후 테스트 정의 사이에 존재하던 마찰을 제거한다. 과거 개발자는 직접 테스트 케이스를 작성해 업무 부담이 늘거나, 불완전한 테스트 요구 사항을 QA팀에 넘겨야 했다. 이제 테스트 케이스는 구현된 기능에서 직접 도출되며, 구현 내용과 테스트 범위의 일관성을 유지할 수 있다. 많은 팀에서 이 접근 방식은 생성형 인공지능 도입의 출발점으로 적합하다. 기존 코드 베이스를 기반으로 모델을 학습시키면 완벽하지 않더라도 중요한 워크플로와 문제 입력 시나리오가 빠르게 드러난다. 핵심은 생성형 인공지능을 협업 파트너로 활용하는 것이다. 출력물을 검토하고, 요청을 다듬고, 제안을 반복적으로 발전시키는 방식이 효과적이다. 스크린샷 기반 시각 테스트 더 중요한 변화는 대규모 언어 모델(LLM)의 시각 분석 능력이 완전히 새로운 테스트 방식을 만들어내고 있다는 점이다. 이제 실행 중인 애플리케이션의 스크린샷을 기반으로 UI를 자동 평가할 수 있다. 레이아웃 색상 일관성 버튼 배치 인터랙션 패턴 등이 프로그램적으로 검사되며, 과거엔 반드시 수동 검토가 필요하던 작업까지 자동화된다. 풀스택 개발자에게 특히 의미가 크다. 백엔드 개발자가 프런트엔드 코드를 간헐적으로 수정하는 상황에서도 별도 디자인 리뷰 없이 UI 피드백을 즉시 받을 수 있다. 생성형 인공지능은 버튼 정렬 오류, 비일관적 색상 조합, 예상 패턴과 다른 레이아웃을 자동으로 감지하며, 이는 사람 기반 리뷰 사이클보다 훨씬 빠르게 이루어진다. 수동 테스트 스크립트 작성 제거 Selenium Cypress Playwright 기반 자동화 스크립트를 직접 작성해야 하는 팀에서는 생성형 인공지능이 이러한 2차 코드 작성 부담을 제거한다. 기능 구현 코드와 별개로 테스트 자동화 코드를 유지할 필요 없이, 테스트 시나리오만 설명하면 자동화 스크립트가 생성된다. 기능 개발과 테스트 자동화를 모두 담당해야 하는 개발자에게 특히 유용하다. 제품 코드와 테스트 스크립트 사이를 오가며 맥락을 전환할 필요 없이 핵심 구현에만 집중할 수 있다. 물론 생성된 스크립트의 정확성 검증은 필수지만, 작성 부담이 사라진 만큼 시간 절약은 매우 크다. 계획 사고 단계 가속화 코드 작성뿐 아니라 코드를 작성하기 전 필요한 사고 분석 단계도 생성형 인공지능으로 크게 단축된다. 과거 개발자가 기능 요청을 검토하고, 컴포넌트 간 관계를 파악하고, 구현 계획을 정하는 데 1시간이 걸리던 작업을 생성형 인공지능이 크게 줄여준다. 예를 들어 기존 시간 기반 스케줄링 시스템에 이벤트 기반 트리거를 추가하는 복잡한 변경을 수행할 경우, 전체 코드 베이스를 모델에 제공하면 영향 분석을 도와준다. 어떤 파일을 수정해야 하는지, 어디에 새로운 필드를 추가해야 하는지, 기존 기능과 충돌할 수 있는 부분은 무엇인지까지 제안한다. 일부 팀은 1시간 분석을 10분으로 단축하는 수준의 성과를 이미 경험하고 있다. 다만, 문제를 작은 단위로 나누는 과정이 여전히 필요하다. 생성형 인공지능은 중복 제거나 전체 시스템 상황 이해에 약한 경우가 있으며, 전체 해결책을 한 번에 요구하는 방식보다 점진적 정교화 방식이 효과적이다. 시간이 지나면서 사고 계획 단계에서 생성형 인공지능을 활용하는 능력은 더 많은 개발팀으로 확산될 전망이다. 개발자 커뮤니케이션 개선 생성형 인공지능의 콘텐츠 생성 능력은 개발자 커뮤니케이션 전반을 변화시키고 있다. Pull Request 설명, 코드 리뷰 코멘트, 릴리스 노트 모두 코드 변경과 커밋 메시지를 기반으로 자동 생성할 수 있다. 이는 기술 구현 내용을 다양한 이해관계자에게 설명하는 과정에서 개발자가 겪던 오래된 문제를 완화한다. 동일한 코드 변경을 바탕으로 엔지니어 리뷰용 기술 요약, 제품팀용 기능 설명, 사용자 대상 릴리스 노트를 각각 작성할 수 있다. 문서 작성이나 커뮤니케이션에 어려움을 겪는 개발자에게는 역량 확장 기회가 된다. 형식과 구조를 갖춘 전문적 설명 문서를 짧은 시간 안에 생산할 수 있기 때문이다. 테스트의 피드... (이하 생략) [출처] https://www.itworld.co.kr/article/4095667/소프트웨어-테스트를-바꾸는-생성형-ai-활용-방식-7가지.html 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

유라클이 국내 최대 개인 신용평가 회사인 코리아크레딧뷰로(KCB)의 전사 AI 서비스 플랫폼 구축 사업을 수주했다고 24일 밝혔다. KCB는 최근 급변하는 시장 환경 속에서 고객 요구 다변화에 따른 경쟁력 확보를 최우선 과제로 설정했다. 구체적으로 초개인화된 서비스 제공, 비대면 처리 확대, 24시간 신속 응대 등 고객 기대에 부응하는 전략이 필요했다. 또한 지속 성장을 위한 업무 효율성 개선과 혁신 서비스 개발 및 품질 향상의 필요성도 대두됐다. 이에 KCB는 AX를 통한 서비스 경쟁력 강화 및 업무 효율성 향상을 목표로 유라클과 함께 전사 AI 플랫폼 구축을 추진하게 된 것이다. 유라클은 자사의 생성형 AI 플랫폼인 아테나(Athena)를 기반으로 KCB 맞춤형 AI 시스템을 구축해 목표 달성을 지원한다. 데이터 파이프라인, RAG, LLM 등 최신 AI 기술을 통합한 AI 기술 통합 플랫폼을 제공한다. 특히 비정형 문서 처리의 정확도를 극대화하기 위해 다양한 비정형 문서의 정확한 인식 및 처리를 구현하고, 비정형 문서 처리 및 업무 프로세스를 자동화할 예정이다. 또한 향후 부서별, 개인별 AI 에이전트를 활용한 각종 업무 관련 AI 서비스를 제공해 AI 적용 범위를 전사적으로 확대할 계획이다. 이와 함께 유라클의 AI 인프라 관리 솔루션인 오르다(AURDA)를 활용하며 전사 AI 서비스의 체계적인 관리 및 모니터링을 위한 안정적인 운영 환경을 제공함으로써 AI 시스템의 지속 가능성을 높일 계획이다.... (이하 생략) [출처] http://www.datanet.co.kr/news/articleView.html?idxno=207153 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

빠르게 반복되는 소프트웨어 릴리스 환경에서 테스트 준비 시간의 단축과 테스트 커버리지의 정확성은 품질 보증(QA) 팀의 주요 과제가 되고 있다. 특히 기능 변화가 상시 발생하는 상황에서는 기존 테스트 계획이 무력화되는 경우가 많다. 글로벌 테스트 서비스 기업 테스트시그마(Testsigma, CEO 루크만가다 칸달라)가 이러한 현실을 고려해, 자사 AI 기반 테스트 플랫폼의 핵심 엔진 아토(Atto) 의 최신 버전인 아토 2.0 을 발표했다. 이번 버전은 단순한 자동화 도구의 역할을 넘어서, 사용자 행동 기반 분석을 통해 테스트 사각지대를 실시간으로 보완하고 릴리스 주기에 맞춰 테스트 세트를 자동으로 정비하는 구조를 채택했다. 특히 테스트 커버리지의 적시성, 유효성, 우선순위를 강화해 QA 운영 전반의 대응성을 높이는 데 중점을 두고 있다. 변화 적응, 사전 대응, 맥락 파악 아토 2.0은 ▲적응형 테스트 시스템(Adaptive) ▲사전 대응형 구조(Proactive) ▲맥락 인식 기능(Context-Aware) 총 세가지 핵심적인 기능을 탑재했다. 적응형 테스트 시스템 기능은 제품 기능이 추가되거나 변경되면 이를 자동 인식하고 테스트 커버리지를 동적으로 재구성하는 기능으로, 수작업 없이도 최신 빌드에 대한 테스트 세트 정렬이 가능해진다. 사전 대응형 구조 기능은 사용자의 실제 경로를 기반으로 전통적인 테스트 계획에서 누락되기 쉬운 시나리오를 식별하며, 자동 치유(Self-healing) 기능과 함께 코드 레벨이 아닌 사용자 의도를 바탕으로 작동해 테스트 유지보수 부담을 줄인다. 한편 맥랑 인식 기능으로 변경된 코드가 실제 사용자 플로우에 어떤 영향을 미치는지 파악하고, 그중 우선 대응이 필요한 영역만 선별해 QA 리소스의 집중도를 높인다. 릴리스 준비 시간 단축과 운영 효율 향상 아토 2.0은 테스트 준비 시간을 줄이고 커버리지 누락을 방지함으로써 QA 팀의 운영 비용을 절감한다. 시스템은 백그라운드에서 지속적으로 작동하며, 각 릴리스 시작 시점마다 정비된 테스트 세트를 제공한다. 이로 인해 긴급 배포 상황에서도 품질 보증이 가능해진다. 기존 수작업 기반의 테스트 유지보수에 소요되던 시간이 수십 시간 단위였다면, 아 2.0을 통해 해당 과정이 자동화됨에 따라 수 시간 이하로 단축될 수 있다. QA 분야에서 반응적 대응 에서 사전 예방 으로의 전환은 장기적으로 품질 사고의 발생 빈도를 줄이고, 배포 이후 수정 비용을 최소화하는 데 기여할 수 있다. 또한 사용자 행동 기반의 테스트 리디자인 기능은 특히 사용자 경험(UX)이 중요한 SaaS 및 B2C 제품군에서 적용 가능성이 높다. 테스트시그마는 향후 아토 2.0에 데이터 기반 위험 점수화, 커버리지 시각화 기능 등을 추가할 예정이며, 복잡한 테스트 시나리오를 다수의 개발자와 협업 구조에서도 자동으로 유지할 수 있도록 기능을 확장할 계획이다.... (이하 생략) [출처] https://www.gttkorea.com/news/articleView.html?idxno=22781 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

AWS가 스펙 기반 개발을 중심에 둔 AI 코딩 에이전트 키로(Kiro) 를 정식 출시하며 코드 생산성과 품질을 동시에 높일 수 있는 새로운 개발 방식의 전환점을 제시했다. 키로는 지난 7월 프리뷰로 공개된 이후 IDE와 CLI에서 기존 개발 워크플로우를 그대로 활용하도록 설계됐으며, 단순 추천을 넘어 사양 정의부터 코드 문서 테스트 생성까지 담당하는 에이전틱 AI IDE(Agentic AI IDE) 로 자리매김했다. 이번 정식 출시로 속성 기반 테스트, 체크포인트 리와인드, 다중 루트 작업 공간, 터미널 기반 키로 CLI 등 주요 기능이 추가되며 엔터프라이즈 개발 환경에 최적화된 완성도를 갖추게 됐다. 스펙 기반 개발을 구현하는 에이전틱 AI IDE 키로는 개발자가 입력한 프롬프트를 요구사항, 시스템 설계, 개별 작업으로 자동 분해한 뒤 이를 코드 문서 테스트로 완성하는 스펙 기반 개발 환경을 제공한다. 사양을 먼저 정의한 뒤 전체 코드를 생성 관리하는 방식으로, 기존의 즉흥적 프롬프트 기반 개발과 달리 엔터프라이즈급 일관성과 추적 가능성을 확보할 수 있다는 점이 특징이다. 정확성 높이는 속성 기반 테스트 키로의 핵심 기능 중 하나는 속성 기반 테스트(PBT)다. 키로는 EARS 형식의 요구사항을 기반으로 스펙에서 속성들을 추출하고 수백~수천 건의 무작위 테스트 케이스를 자동 생성한다. 오류 탐지는 반례를 최소 단위로 좁혀가는 축소(shrinking) 기법으로 수행되며, 개발자는 구현 변경이나 사양 수정 중 선택할 수 있다. 이를 통해 사람이 직접 작성하기 어려운 다양한 시나리오에서 코드 동작을 검증할 수 있어 정확도가 크게 향상된다. 체크포인트 리와인드로 개발 흐름 유연성 확보 체크포인트 리와인드는 AI 에이전트가 실행 과정에서 생성한 변경 시점을 자동 저장해 원하는 시점으로 되돌릴 수 있게 지원한다. 크레딧을 추가로 사용하지 않고도 작업을 보존한 채 구현 방향을 비교 실험할 수 있어 반복 개발 과정에서 연속성과 효율을 높인다. 복잡한 구조도 한 작업 공간에서 다중 루트 지원 여러 개의 루트 디렉터리로 구성된 프로젝트도 단일 키로 작업 공간에서 통합 관리할 수 있게 되며, 깃 서브모듈 또는 패키지 기반 구조를 가진 대규모 프로젝트에서 활용성이 크게 강화됐다. 키로 CLI로 터미널 환경까지 확장 키로 CLI는 키로 IDE와 동일한 MCP 및 스티어링 파일을 사용하는 명령줄 도구로, 기능 구축, 오류 분석, 버그 수정 제안 등을 터미널에서 바로 수행할 수 있다. 로컬 파일 읽기 쓰기, API 호출, 배시 명령 실행 등 개발 필수 기능을 그대로 지원하며, Claude Sonnet 4.5, Claude Haiku 4.5, Auto 등 AI 기능도 동일하게 이용할 수 있다. 특정 작업에 특화된 맞춤형 에이전트 구성도 가능해 백엔드 API 패턴 분석이나 프론트엔드 컴포넌트 생성 등 영역별 생산성을 높인다. 기업용 관리 기능으로 엔터프라이즈 도입 가속 기업 개발팀은 AWS IAM 아이덴티티 센터를 통해 키로에 가입할 수 있으며, 구독권 관리, 비용 초과 설정, 사용량 모니터링, MCP 관리, 조직 단위 단일 청구 기능도 제공된다. 신규 기업용 대시보드는 팀 스타트업 엔터프라이즈의 키로 사용 현황을 한눈에 파악하도록 지원해 대규모 IT 조직 운영 효율을 높인다. 국내 개발자들의 긍정적 반응 국내 개발자 커뮤니티에서도 키로는 즉흥적 프롬프트 중심 개발에서 벗어나 사양 정의 기반의 일관적 개발이 가능하다는 점에서 호평을 얻고 있다. 당근 소프트웨어 엔지니어이자 AWS 서버리스 히어로인 변규현 엔지니어는 키로는 더 나은 소프트웨어 엔지니어링을 위한 길을 안내한다 며 스펙 작성 과정에서 전달할 내용을 자연스럽게 구조화하게 되어 워킹 백워즈 방법론 적용이 쉬워졌고, 비즈니스 로직 변경도 빠르게 반영할 수 있어 개발 사이클이 가속됐다 고 말했다. 브로즈의 최지연 소프트웨어 엔지니어는 키로는 초기 문제 정의와 요구사항 해석의 부담을 크게 줄여준다 며 스펙 모드는 설정 없이도 컨텍스트를 안정적으로 제어할 수 있어 LLM을 처음 사용할 때 느끼는 막막함을 없애줬다 고 밝혔다. 이어 요구 사항의 엣지 케이스가 자연스럽게 드러나 보완되며 협업 과정에서도 의도와 판단을 명확히 설명하는 데 큰 도움이 된다 고 평가했다.... (이하 생략) [출처] https://www.newstap.co.kr/news/articleView.html?idxno=316672 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

지속적인 테스트 전략 없이 AI 에이전트를 개발하고 배포하는 것이 타당한지 고려할 필요가 있다. AI 에이전트의 출시 적합성을 확보하기 위한 테스트 기반 접근법을 검토할 필요가 있다. 데브옵스 초기에는 API와 애플리케이션 테스트가 까다로운 작업이었다. 팀이 CI/CD 파이프라인을 고도화하고 지속적 배포를 지원하려 하면서 테스트 자동화 플랫폼이 주목받기 시작했고, 많은 데브옵스 기업이 지속적 테스트 전략을 수립했다. 품질 검증을 왼쪽으로 이동시키는 전략, 보안 테스트 확립, 관측성 강화는 이제 데브섹옵스에서 필수적인 요구사항이 되었지만 모든 애플리케이션이 이를 동일하게 적용하고 있는 것은 아니다. 레거시 애플리케이션은 구조적 기술 부채로 인해 관련 구현이 더디며, AI 에이전트 개발에서는 테스트 자동화가 아직 성장 단계에 있다. 대규모 언어 모델 테스트 전략을 수립하는 과정은 입력이 개방형이며 응답이 비결정적이라는 특성 때문에 더욱 복잡하다. AI 에이전트는 언어 모델과 자동 중간 개입 행동을 결합해 동작하기 때문에 의사결정의 정확성, 성능, 보안 검증은 신뢰 구축과 기업 내 도입 확대의 핵심 요소가 된다. 기업이 AI 에이전트 개발 도구를 검토하고 빠른 배포에 따른 위험을 고려하기 시작하면서, 더 많은 데브옵스 팀이 AI 에이전트 테스트 자동화 방안을 고민해야 한다. IT와 보안 리더는 출시 적합성을 판단하고 통제되지 않은 AI 에이전트 배포 위험을 방지하기 위한 테스트 계획을 필요로 하게 된다. 엔드 투 엔드 테스트 전략 수립 전문가는 AI 에이전트 테스트를 아키텍처, 개발, 오프라인 테스트, 운영 환경 관측성을 포함하는 전략적 위험 관리 기능으로 본다. 이러한 접근법은 AI 모델이 지속적으로 발전하고, 운영 환경에서 에이전트가 더 다양한 인간 에이전트 입력에 대응할 수 있도록 지속적 개선을 가능하게 한다. 엠파시스(Mphasis) 최고 솔루션 책임자인 스리쿠마르 라마나탄은 에이전트형 AI 테스트는 더 이상 QA 범주가 아니라 기업 리스크 관리로 확장되고 있으며, 리더는 부정확한 데이터, 적대적 입력, 엣지 케이스 등 불완전한 현실을 기반으로 스트레스 테스트를 수행하기 위해 디지털 트윈을 구축하고 있다 라고 말했다. 이어 검증은 정확성 컴플라이언스 점검 편향 및 윤리 감사 골든 데이터셋 기반 드리프트 감지 등 다층 구조로 진행돼야 한다 고 설명했다. 우수 사례 중 하나는 AI 에이전트의 역할, 워크플로, 그리고 달성해야 할 사용자 목표를 모델링하는 것이다. 엔드유저 페르소나를 개발하고 AI 에이전트가 목표를 충족하는지 검증하면 인간-AI 협업 워크플로와 의사결정 시나리오 테스트 설계에 기여할 수 있다. ASAPP의 부사장 겸 엔지니어링 총괄 니르말 무키는 AI 에이전트는 확률적 시스템이기 때문에 고정된 출력 값을 검증하는 기존 방식은 적절하지 않다 고 언급했다. 이어 현실적인 시뮬레이션은 서로 다른 성격과 지식 수준, 달성 목표를 가진 고객 프로필을 모델링해야 하며, 이후 수천 건의 시뮬레이션 대화를 분석해 행동 적합성 정책 준수 고객 목표 충족 여부를 평가해야 한다 고 설명했다. 엠파시스의 라마나탄은 진정한 차별화 요소는 에이전트 복원력이며, 실패 에스컬레이션 회복 패턴을 검증하는 것 이라고 덧붙였다. 이어 출시 단계에서 완벽함을 추구하기보다 샌드박스 환경 모니터링 지속적 적응을 통해 신뢰를 구축하는 방식이 필요하다 고 강조했다. AI 에이전트 테스트 전략의 전환 필요성 테스트 도구와 방법론은 일반적으로 테스트 케이스가 결정적이며, 통과 혹은 실패로 구분되는 명확한 기준을 가진다는 전제 위에서 설계돼 왔다. 그러나 QA 엔지니어는 AI 에이전트의 행동이 적절한지, 유사 입력에 대해 일관된 응답을 제공하는지와 같은 더 넓은 기준을 고려해야 한다. 기술기업 코파도 로보틱스(Copado Robotics) 부사장 에스코 한눌라는 AI 에이전트를 예측 가능한 출력을 가진 전통적 애플리케이션처럼 취급하는 것이 가장 큰 오해 라고 언급했다. 이어 AI 에이전트는 지속적으로 학습하고 적응하기 때문에 테스트 전략도 정확한 응답 검증에서 응답 적절성과 비즈니스 정렬성 평가로 이동해야 한다 고 설명했다. 전통적 API 및 애플리케이션 테스트는 개발 테스트 환경에서 자동화 플랫폼을 활용하고, 운영 환경의 오류는 별도 모니터링 도구를 통해 감지하는 구조가 일반적이었다. 그러나 AI 에이전트 테스트는 개발 테스트 운영 환경 전체에서 자동화된 시나리오가 반복 실행돼야 한다. 또한 대규모 언어 모델이 지속적으로 업데이트되기 때문에 기업은 에이전트의 버전을 빈번하게 갱신하고 사용자 피드백 기반의 개선을 지속해야 한다. 기술기업 리레이셔널AI(RelationalAI)의 머신러닝 연구 부사장 니콜라오스 바실로글루는 에이전트형 시스템은 비결정적 특성을 갖기 때문에 전통적 QA만으로는 신뢰를 확보하기 어렵다 고 지적했다. 이어 기업은 추론 추적 판단 평가 복원력 테스트 적응성 보장 기능을 갖춘 도구가 필요하며, 에이전트는 매우 빠르게 새로운 대규모 언어 모델로 교체될 수 있기 때문에 리더는 자체 개발 솔루션을 최전선 모델과 지속적으로 비교해 매몰비용 편향을 피해야 한다 고 강조했다. AI 에이전트 응답 정확성 검증 비결정적 입력과 출력이 존재할 때 QA 엔지니어는 어떻게 AI 에이전트의 응답을 검증해야 할까? 소프트웨어기업 워크데이(Workday)-에이... (이하 생략) [출처] https://www.itworld.co.kr/article/4093420/ai-에이전트-테스트-자동화를-구현하는-방법.html 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

소프트웨어 테스팅 전문기업 STA테스팅컨설팅(이하 STA)이 인공지능(AI) 시스템의 신뢰성과 안전성을 검증하는 국제표준 ISO/IEC TS 42119-2 제정에 핵심적인 역할을 수행하며, AI 품질 검증 분야의 글로벌 리더십을 다시 한번 입증했다. 이번 표준은 인공지능 테스트 절차와 방법론을 정의한 세계 최초의 AI 테스팅 국제표준으로, 지난 11월 ISO/IEC JTC1에서 공식 제정됐다. 이번 표준 제정은 전 세계 여러 전문가들이 5년간 공동으로 추진한 결과물이다. STA의 스튜어트 리드(Stuart Reid) 박사가 표준의 메인 에디터로 참여해 AI 시스템의 특성과 위험 요소를 반영한 테스트 구조와 절차를 체계적으로 정립했다. 리드 박사는 소프트웨어 테스트 표준(ISO/IEC/IEEE 29119 시리즈)의 주도적 개발자로도 널리 알려져 있으며, 이번 표준을 통해 AI 품질 확보의 새로운 글로벌 기준을 제시했다. ISO/IEC 42119-2 표준은 기존 소프트웨어 테스트 원칙을 AI 환경에 맞게 확장한 것으로 △데이터 품질 테스트 △모델 테스트 △편향성 검증 △적대적 테스트 △드리프트 테스트 등 AI 특화 검증 절차를 정의한다. 또한 AI의 잠재적 위험을 사전에 파악하고 대응하기 위한 '리스크 기반 테스트(Risk-Based Testing)' 개념을 도입함으로써 인공지능 시스템의 안전성과 신뢰성을 정량적으로 평가할 수 있는 실질적인 프레임워크를 제공한다. STA는 이번 국제표준 제정을 통해 인공지능 신뢰성 검증의 글로벌 표준화를 선도함과 동시에 국내외 기업이 AI 제품과 서비스를 국제 수준에서 인증 받을 수 있도록 지원하는 기반을 마련했다. 해당 표준은 향후 EU AI Act 및 국내 '인공지능 기본법'에서 요구하는 고위험 AI 시스템 검증 절차의 기술적 근거로 활용될 것으로 기대된다. 권원일 STA 대표는 ISO/IEC 42119-2 제정은 단순한 기술적 성과를 넘어, 인공지능 시대의 '품질 확보 언어'를 새롭게 정의한 의미 있는 진전 이라며 AI가 신뢰받는 기술로 자리 잡기 위해서는 과학적이고 표준화된 검증 절차가 필수이며, STA는 이러한 글로벌 베스트 프랙티스를 지속적으로 개발하고 확산해 나가겠다 고 밝혔다. STA는 이번 성과를 바탕으로 한국전자통신연구원(ETRI)과 함께 AI 레드팀 테스팅(ISO/IEC 42119-7) 생성형 AI 테스팅(ISO/IEC 42119-8) 등 후속 국제표준 개발에도 참여할 계획이다.... (이하 생략) [출처] https://www.etnews.com/20251120000253 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

이번 표준은 ISO/IEC 인공지능 기술위원회(SC 42)에서 우리나라가 주도적으로 제정한 최초의 AI 테스팅 핵심 국제표준으로 글로벌 AI 기술 경쟁 속에서 대한민국이 선도자 로 자리매김했음을 보여준다. 이번 표준은 인공지능 데이터 품질, 모델 성능, 편향성 등 AI 전주기 테스트 방법론을 최초로 정의했으며 향후 국제 공인시험과 적합성 평가에도 활용될 수 있는 기준을 제시한다. AI 기본법과 EU AI ACT 등에서 요구하는 고영향 고위험 AI 시스템 검인증 방법과 적합성 시험 기준을 만들었다는 점에서 의미가 크다. 기존 소프트웨어 테스트 표준을 AI 시스템에 맞게 확장해 △데이터 품질 테스트 △모델 테스트 등 AI 특화 테스트 단계를 도입했으며 위험 기반 테스트 개념을 적용해 잠재적 위험 요소를 사전에 점검할 수 있도록 했다. 이 외에도 △편향성 테스트 △적대적 테스트 △드리프트 테스트 등 AI 시스템 특화 검증 절차를 구체화했다. 이번 국제표준은 앞으로 제정될 △AI 레드팀 테스팅 △생성형 AI 테스팅 등 후속 표준의 기반이 되는 총론 격 표준으로 AI 신뢰성 검증 체계의 근간을 우리나라가 설계했다는 데 큰 의미가 있다. 지능정보표준연구실 전종홍 책임연구원이 최초 제안하고 소프트웨어 테스트 분야 세계적 권위자 스튜어트 리드 박사와 공동 에디터로 참여해 완성했다. 양 기관은 ISO/IEC JTC 1 산하 AI 표준화 위원회(SC 42)와 SW 테스팅 위원회(SC 7) 간 합동작업반(JWG 2)을 구성해 5년간 공동 개발을 추진했다. 이번 성과는 정부의 소버린 AI(주권형 AI) 및 AI G3 도약 전략의 핵심 목표인 안전하고 신뢰할 수 있는 AI 구현 을 뒷받침하며 AI 시스템 성능과 위험을 객관적으로 검증하는 국제 공통 기준을 마련함으로써 글로벌 시장에서 대한민국이 AI 안전 신뢰성 분야의 규범을 선도할 기반을 구축했다.... (이하 생략) [출처] https://www.dailycc.net/news/articleViewAmp.html?idxno=854240 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.

한국전자통신연구원(ETRI)은 AI 시스템의 테스트 절차와 방법론을 정의한 'AI 시스템 테스팅 개요'가 국제표준화기구 ISO/IEC JTC 1에 공식 제정됐다고 19일 밝혔다. 이는 특히 우리나라가 ISO/IEC 인공지능 기술위원회(SC 42)에서 주도적으로 제정한 최초의 AI 테스팅 핵심 국제표준이라는 설명이다. 이번 표준은 기존 소프트웨어 테스트 표준을 AI 시스템에 맞게 확장했다. AI 특성에 맞춘 데이터 품질 테스트, 모델 테스트 등 새로운 테스트 단계를 정의해 데이터 품질부터 모델 성능까지 전주기 검증 체계를 제시했다. AI의 잠재적 위험 사전 점검을 위한 위험 기반 테스트 개념도 도입했다. 이를 바탕으로 편향성 테스트, 입력값 변화를 활용한 적대적 테스트, 운영 중 성능 저하를 확인하는 드리프트 테스트 등 AI 특화 절차를 구체화했다. 이 표준은 앞으로 제정될 AI 레드팀 테스팅, 생성형 AI 테스팅 등 후속 표준의 기반이 되는 총론 성격을 갖는다. AI 신뢰성 검증 체계의 뼈대를 우리나라가 설계했다는 점에서 의미가 부각된다. 이번 표준 개발은 ETRI 전종홍 책임연구원이 최초 제안해 소프트웨어 테스팅 분야의 스튜어트 리드 박사(STA테스팅컨설팅)와 공동 에디터로 완성했다. ETRI와 STA테스팅컨설팅은 ISO/IEC JTC 1 산하 SC 42와 SC 7 간 합동작업반(JWG 2)을 구성해 5년간 공동 개발을 추진했다. STA테스팅컨설팅은 ETRI 창업기업이다. 방승찬 ETRI 원장은 "AI의 안전성과 신뢰성을 확보하는 것은 AI 시대의 핵심 과제"라며 "이번 국제표준 제정은 대한민국이 AI 기술뿐 아니라 AI 테스팅과 평가 규범을 선도하는 분기점이 될 것"이라고 말했다.... (이하 생략) [출처] https://m.ddaily.co.kr/page/view/2025111909441316874 본 게시물은 정보 공유 목적이며, 원문 게시물과의 이해관계 또는 책임이 없습니다.