IT/DATA/신기술 완전 정복
모르는 사람도 이해하는
실전 용어 사전
AI · 클라우드 · 데이터 · 개발 · 업계 은어까지
13개 분야 핵심 용어 총정리
2025-2026년 기준 | IT 기술은 빠르게 변화하므로 최신 동향을 함께 확인하세요
Section 00
AI 역사 타임라인 — 1950년부터 지금까지
AI는 갑자기 등장한 것이 아닙니다. 70년이 넘는 연구의 결실입니다. 지금의 ChatGPT와 Claude가 어떻게 탄생했는지, 그 역사를 쭉 따라가 봅시다.
1950
앨런 튜링 "Computing Machinery and Intelligence" — "기계가 생각할 수 있는가?"라는 질문을 던지며 튜링 테스트 제안. AI 연구의 씨앗을 심음.
1956
다트머스 회의 — "Artificial Intelligence" 용어 탄생 — 존 매카시, 마빈 민스키 등이 처음으로 "인공지능"이라는 단어를 공식 사용. 이 분야가 독립된 학문으로 시작되는 순간.
1980s
전문가 시스템(Expert System) 전성기 — "IF 발열 AND 기침 THEN 독감"처럼 사람의 지식을 규칙으로 코딩. 의료·금융 분야에서 실용화됨. 하지만 규칙이 복잡해질수록 한계가 명확해짐.
1997
IBM 딥블루, 세계 체스 챔피언 카스파로프에 승리 — AI가 인간 최고수를 이긴 첫 사례. 규칙 기반 탐색의 극한. 당시 전 세계에 충격을 줌.
2006
제프리 힌튼의 딥러닝 부활 — 다층 신경망 학습의 수학적 문제를 해결하는 방법 발표. 이후 딥러닝의 르네상스 시작.
2012
AlexNet, ImageNet 대회에서 오류율을 26%→16%로 격차 2배로 압도 — GPU를 이용한 딥러닝이 기존 방법을 완전히 뛰어넘는 순간. 컴퓨터 비전 혁명 시작. 모든 AI 기업이 딥러닝으로 전환 시작.
2016
AlphaGo, 이세돌 9단에 4:1 승리 — 바둑은 "절대 기계가 이길 수 없다"던 분야. 강화학습의 가능성을 전 세계에 알림. 한국에서 AI 열풍의 직접적 계기.
2017
Google "Attention is All You Need" 논문 — Transformer 아키텍처 발표. 현재 모든 LLM(GPT, Claude, Gemini)의 기반이 되는 구조. AI 역사에서 가장 중요한 논문 중 하나.
2020
GPT-3 공개 (1750억 파라미터) — 자연어 생성 능력이 이전과 차원이 다른 수준. 코드 작성, 번역, 요약을 하나의 모델로 처리. "스케일이 능력을 만든다"는 패러다임 확립.
2022.11
ChatGPT 출시 — 5일 만에 100만 사용자, 2개월 만에 1억 사용자 — 역사상 가장 빠르게 성장한 서비스. AI가 일반인의 일상으로 들어온 변곡점. 전 세계 IT 업계 지형을 뒤흔들기 시작.
2023
GPT-4, Claude, Gemini 경쟁 본격화 — Microsoft(OpenAI 투자), Google(Gemini), Anthropic(Claude) 3파전. 멀티모달(이미지+텍스트 이해) 능력 경쟁. AI 스타트업 투자 사상 최고치.
2024
에이전트·멀티모달·100만 토큰 컨텍스트 — Claude 3 Opus/Sonnet, GPT-4o, Gemini 1.5 Pro 출시. AI가 이미지·영상·코드를 동시에 처리. MCP 표준 등장, AI 에이전트 시대 개막. Cursor·Claude Code 등 AI 코딩 도구 폭발적 성장.
2025~
Physical AI 시대 본격화 + AI 에이전트 실용화 — 소프트웨어를 넘어 로봇·실물 세계로 확장. NVIDIA GR00T, Tesla Optimus. 동시에 AI 에이전트가 실제 업무를 대체하기 시작.
Section 01
AI 기초 — 인공지능의 기본 개념
AIArtificial Intelligence · 인공지능
사람처럼 학습하고, 추론하고, 판단하는 기계 시스템입니다. 규칙을 직접 프로그래밍하는 대신 데이터로부터 스스로 판단 기준을 만들어냅니다.
MLMachine Learning · 머신러닝
데이터를 보여줌으로써 패턴을 스스로 학습하는 AI 기법입니다. 세 가지 방식으로 나뉩니다.
지도학습(Supervised Learning): 정답이 있는 데이터로 학습. 예: 고양이 사진 1만 장에 "고양이"라는 정답 레이블을 붙여 학습시키면 새 사진을 보고 고양이를 인식함
비지도학습(Unsupervised Learning): 정답 없이 데이터 속에서 스스로 패턴을 발견. 예: 고객 구매 데이터에서 유사한 그룹을 자동으로 분류
강화학습(Reinforcement Learning): 행동 결과에 따라 보상을 주어 최적 행동을 학습. 예: 알파고가 바둑 수백만 판을 두며 이기는 전략을 스스로 습득
Deep Learning · 딥러닝
뇌의 신경망 구조를 모방한 다층 레이어(Layer)로 복잡한 패턴을 학습합니다. 이미지 인식, 음성 인식, 자연어 처리 분야에서 혁신적 성능을 보여주었습니다. 머신러닝의 하위 분야이며, 현재 AI 기술의 대부분은 딥러닝을 기반으로 합니다.
현재 AI가 할 수 있는 수준
한 줄 정리: AI > 머신러닝 > 딥러닝 순으로 포함 관계입니다. AI라는 큰 개념 안에 머신러닝이 있고, 그 안에 딥러닝이 있습니다. 요즘 뉴스에서 말하는 AI는 대부분 딥러닝 기반입니다.
Section 02
LLM & 생성 AI
LLMLarge Language Model · 대규모 언어 모델
수천억 개의 텍스트 데이터를 학습해 언어를 이해하고 생성하는 AI 모델입니다. 주요 LLM은 다음과 같습니다.
GPT-4 OpenAI 개발, ChatGPT의 기반 모델
Claude Anthropic 개발, 안전성과 긴 맥락 처리 강점
Gemini Google 개발, 멀티모달(이미지+텍스트) 강점
Llama Meta 개발, 오픈소스로 공개해 누구나 사용 가능
Transformer · 트랜스포머
LLM의 핵심 아키텍처(구조)입니다. Attention(주의집중) 메커니즘을 사용해 문장 속 단어들 사이의 관계를 파악합니다. "나는 사과를 먹었다. 그것은 달았다"에서 '그것'이 '사과'를 가리킨다는 것을 이해하는 방식입니다. 2017년 Google이 발표한 논문 "Attention is All You Need"에서 등장했으며, 이후 모든 현대 LLM의 기반이 되었습니다.
프롬프트 엔지니어링 · Prompt Engineering
AI에게 원하는 답을 얻기 위해 질문(프롬프트)을 최적화하는 기술입니다.
Few-shot 프롬프팅: 원하는 답변의 예시를 몇 개 제공하고 AI가 그 패턴을 따르도록 유도
Chain-of-Thought(CoT): "단계별로 생각해줘"라고 요청해 AI가 추론 과정을 거치도록 유도. 수학 문제나 복잡한 논리 문제에 효과적
Hallucination · 환각
AI가 사실이 아닌 내용을 마치 사실인 것처럼 자신 있게 생성하는 현상입니다. 존재하지 않는 논문, 잘못된 수치, 가짜 인용문을 그럴듯하게 만들어내는 것이 대표적 사례입니다. 현재 LLM의 가장 핵심적인 한계이며, 중요한 정보는 반드시 원본 출처에서 검증해야 합니다.
Fine-tuning · 파인튜닝
이미 학습된 대형 LLM을 특정 도메인의 데이터로 추가 학습시켜 전문화하는 방법입니다. 예: GPT를 의료 상담 데이터로 파인튜닝하면 의료 특화 AI가 됩니다. 처음부터 모델을 만드는 것보다 훨씬 비용과 시간이 절약됩니다.
현재 LLM의 핵심 한계:
- 학습 데이터 cut-off 이후의 최신 정보를 모름
- 환각(Hallucination) — 틀린 내용을 자신 있게 생성
- 맥락이 길어질수록 앞 내용을 잊거나 실수가 증가
Section 03
AI 에이전트 & 에이전틱 AI
AI Agent · AI 에이전트
목표를 받아 스스로 계획을 세우고 도구를 사용해 실행하는 AI입니다. 기존 AI가 질문에 답변하는 역할이었다면, 에이전트는 직접 행동합니다. "이 보고서 작성해줘"라는 목표를 받으면 웹 검색→내용 정리→초안 작성→수정을 스스로 처리합니다.
Agentic AI · 에이전틱 AI
에이전트가 여러 단계의 작업을 자율적으로 수행하는 AI 패러다임입니다. 인간의 개입 없이 웹 검색 → 코드 작성 → 테스트 → 오류 수정을 스스로 반복할 수 있습니다. 2025-2026년 AI 업계의 가장 중요한 흐름입니다.
Multi-Agent System · 멀티 에이전트 시스템
여러 에이전트가 역할을 나누어 협력해 복잡한 작업을 처리하는 시스템입니다. 예: 연구 에이전트가 정보를 수집하고, 글쓰기 에이전트가 초안을 작성하며, 검토 에이전트가 사실 확인을 담당하는 방식입니다.
Tool Use · Function Calling · 도구 사용
LLM이 웹 검색, 계산기, 코드 실행, 데이터베이스 조회 등 외부 도구를 호출하는 기능입니다. AI가 "모르면 검색하고, 계산이 필요하면 계산기를 사용하는" 능력입니다. ChatGPT의 웹 검색 기능, Wolfram Alpha 연동이 대표적 사례입니다.
MCPModel Context Protocol
Anthropic이 개발한 AI와 외부 도구·데이터 소스를 연결하는 표준 프로토콜입니다. "AI의 USB-C 포트"에 비유되며, MCP 표준을 지원하면 어떤 AI 모델이든 어떤 도구·데이터소스와도 연결할 수 있습니다. 2024년 등장해 빠르게 업계 표준으로 자리 잡고 있습니다.
주요 에이전트 프레임워크
LangChain LLM 앱 구축의 가장 대중적인 프레임워크
LangGraph 상태 기반 멀티 에이전트 워크플로우 구성
AutoGen Microsoft의 멀티 에이전트 대화 프레임워크
CrewAI 역할 기반 AI 팀 구성 프레임워크
현재 상황: Claude Code(Anthropic), Devin(AI 개발자), AutoGPT 등이 실무 자동화 초기 단계에 진입했습니다. 아직 완전한 자율화는 아니지만 단순·반복 업무에서는 실제로 활용되고 있습니다.
Section 03-A
Physical AI — AI가 현실 세계로 나온다
지금까지의 AI는 화면 안에만 있었습니다. 텍스트를 생성하고, 이미지를 분석하고, 코드를 짜는 "디지털 AI"였죠. 이제 AI는 몸이 생겼습니다. 바로 Physical AI입니다.
Physical AI란? 디지털 공간을 넘어 물리 세계에서 직접 지각하고(Perceive), 판단하고(Reason), 행동하는(Act) AI. 로봇, 자율주행차, 드론 등이 대표적입니다. NVIDIA CEO 젠슨 황은 2025년 CES에서 "AI의 다음 물결은 Physical AI"라고 선언했습니다.
왜 지금 Physical AI인가?
- LLM의 성숙: 로봇이 자연어 명령("저 물건 집어서 박스에 넣어")을 이해할 수준이 됨
- 시뮬레이션 기술 발전: 가상 환경에서 수백만 번 훈련 후 실물 로봇에 전이(Sim-to-Real)
- 하드웨어 비용 하락: 센서, 액추에이터, GPU 가격이 급락
- 노동력 부족: 선진국 제조업·물류의 구조적 인력난
핵심 플레이어
NVIDIA GR00T
로봇을 위한 파운데이션 모델(Foundation Model). 로봇이 영상을 보고 사람의 동작을 모방 학습하고, 언어 명령을 이해해 실행할 수 있게 하는 AI. NVIDIA의 Isaac 시뮬레이터로 가상 훈련 후 실물 로봇에 배포하는 파이프라인을 제공합니다. 2025년 휴머노이드 로봇 제조사들 대부분이 GR00T를 기반으로 개발 중.
Tesla Optimus
테슬라의 휴머노이드 로봇. 2024년부터 Tesla 자동차 공장에서 부품 이송·조립 테스트 중. 자율주행에서 쌓은 비전 AI 기술을 그대로 로봇에 적용. 일론 머스크는 "결국 자동차보다 많이 팔릴 것"이라고 언급. 양산 목표 가격 $20,000 수준.
Boston Dynamics
현대자동차가 인수한 로봇 기업. Spot(4족 보행 로봇): 산업 현장·건설 현장 순찰, 원격 검사에 실용화. Atlas(휴머노이드): 공장에서 짐 들기, 달리기, 도약 등 시연. 현대차 공장에서 Spot을 활용한 AI 품질 검사 실증 진행 중.
Figure AI / 1X Technologies
Figure AI: OpenAI의 투자를 받아 BMW 공장에 휴머노이드 로봇 투입 테스트. 1X Technologies: 노르웨이 스타트업, SoftBank 투자. 가정용 휴머노이드 로봇 개발 중. 2025~2026년을 로봇 상업화 원년으로 보는 시각이 많습니다.
한국: 레인보우로보틱스 & 현대차
레인보우로보틱스: 삼성전자가 지분 14.7% 보유. 2족 보행 로봇 RH5 개발. 삼성 반도체 공장 자동화 후보. 현대차 + 보스턴 다이나믹스: Spot 로봇을 활용한 스마트 팩토리 추진. 한국도 Physical AI 국가 전략 수립 중.
핵심 개념: Sim-to-Real (시뮬레이션 → 실물 전이)
왜 중요한가? 실물 로봇을 100만 번 훈련시키면 하드웨어가 망가지고 비용이 엄청납니다. 대신 디지털 트윈(가상 환경)에서 수백만 번 훈련한 뒤, 학습된 정책(Policy)을 실물 로봇에 그대로 이식합니다. NVIDIA Isaac Sim, OpenAI의 Mujoco가 대표 시뮬레이터입니다.
아직 해결 안 된 과제: 비정형 환경 적응(예상치 못한 물체, 불규칙한 바닥), 손의 정밀한 파지(Grasping) 제어, 장시간 배터리 문제, 안전성 인증(로봇이 사람을 다치게 하면?). Physical AI는 소프트웨어와 달리 실수가 물리적 피해로 직결됩니다.
Section 03-B
산업별 AI 적용 현황 — 지금 어디서 AI가 쓰이나?
AI가 "언젠가 쓰일 것"이라는 미래 이야기가 아닙니다. 지금 당장 각 산업에서 실제로 돈을 벌고 있습니다. 어떤 분야에서 어떻게 쓰이는지 구체적으로 살펴봅니다.
🏦
금융 · Finance
- 사기 탐지: 실시간 거래에서 이상 패턴 탐지 (비자, 마스터카드)
- 알고리즘 트레이딩: AI가 밀리초 단위로 주식 매매 결정
- 대출 심사 자동화: 신용 스코어링, 서류 검토
- AI 챗봇 상담: 토스·카카오뱅크 AI 상담원
- 리스크 모델링: 시장 리스크·신용 리스크 실시간 계산
🏥
의료 · Healthcare
- 영상 판독 AI: CT/MRI에서 암·출혈 탐지. 뷰노·루닛(국산)
- 신약 개발: AlphaFold 2로 단백질 구조 예측 혁명
- 전자의무기록 요약: 의사의 차트 작성 시간 절감
- 수술 로봇: 다빈치 로봇 + AI 보조
- 개인 맞춤 치료: 유전자 데이터 기반 처방
🏭
제조 · Manufacturing
- 불량 검사 비전 AI: 카메라로 초당 수백 개 제품 품질 검사
- 예지 보전(PdM): 장비 고장 전 예측, 사전 정비
- 공정 최적화: 에너지 사용량·생산량 최적 제어
- 설계 자동화: 생성형 AI로 제품 설계 초안 생성
- 스마트 팩토리: 삼성·LG·현대차 AI 공장 전환 진행 중
🚚
유통 · 물류
- 수요 예측: 어떤 상품이 얼마나 팔릴지 AI가 예측
- 배송 경로 최적화: 쿠팡 로켓배송 AI 경로 알고리즘
- 로봇 창고: 아마존 Kiva 로봇, 쿠팡 로보틱스 센터
- 추천 알고리즘: 쿠팡·네이버 개인화 상품 추천
- 챗봇 CS: 반품·교환 자동 처리
⚖️
법률 · Legal
- 판례 검색: 수백만 판례에서 관련 판례 즉시 검색 (로앤컴퍼니)
- 계약서 리뷰: 리스크 조항 자동 탐지 및 수정 제안
- 법률 상담 챗봇: 로톡 등 리걸테크 스타트업
- 증거 자료 분석: 대용량 이메일·문서에서 증거 탐색
🎓
교육 · Education
- AI 튜터: 칸아카데미 Khanmigo, 공부의신 AI
- 맞춤 학습 경로: 학생 수준에 맞는 문제 자동 추천
- 자동 채점: 에세이·서술형 답안 AI 채점
- 언어 학습: 듀오링고 AI 대화 파트너
- 강의 콘텐츠 생성: 교사가 AI로 맞춤 교재 자동 생성
🎬
미디어 · 광고
- 개인화 추천: 유튜브·넷플릭스·스포티파이 알고리즘
- AI 광고 카피: 수천 개 광고 문구 자동 A/B 테스트
- 딥페이크 합성: 광고 모델 AI 생성 (윤리 논란)
- 자동 자막·번역: 유튜브 자동 자막, 실시간 번역
- 뉴스 자동 생성: 주식 시황·스포츠 결과 기사 AI 작성
🏗️
건설 · 부동산
- 드론+AI 현장 모니터링: 공정률·안전 위반 자동 감지
- BIM+AI 설계 자동화: 건물 구조 최적화 설계 제안
- 부동산 가격 예측: 실거래가 AI 예측 (호갱노노·KB부동산)
- 에너지 효율 최적화: 빌딩 냉난방 AI 자동 제어
🌾
농업 · Agriculture
- 정밀 농업: 위성·드론으로 작물 생육 상태 분석
- 병해충 탐지: 잎 사진으로 병해 진단
- 수확 예측: 기상 데이터 + AI로 생산량 예측
- 자율 농기계: GPS+AI 무인 트랙터·수확기
공통 패턴: 모든 산업에서 AI 활용의 핵심은 ①대량 데이터 처리(사람이 보기 힘든 방대한 데이터 분석) ②반복 작업 자동화(24시간 피로 없이 처리) ③예측과 추천(패턴에서 미래 예측)입니다.
Section 04
RAG & 지식 관리
RAGRetrieval-Augmented Generation · 검색 증강 생성
LLM이 답변을 생성하기 전에 외부 지식 데이터베이스를 먼저 검색해 최신·전문 정보를 활용하는 기법입니다. AI의 학습 데이터에 없는 내용이라도 연결된 문서에서 찾아 답변할 수 있어 환각을 줄이고 최신 정보 반영이 가능합니다. 기업 내부 문서를 AI로 검색할 때 핵심 기술입니다.
Vector DB · 벡터 데이터베이스
텍스트를 숫자 벡터로 변환해 저장하고, 의미적 유사성으로 검색하는 데이터베이스입니다. 일반 DB가 키워드 정확 일치로 검색하는 것과 달리, 벡터 DB는 "의미가 비슷한" 내용을 찾을 수 있습니다. RAG의 핵심 저장소입니다.
Pinecone Weaviate ChromaDB Qdrant
Embedding · 임베딩
텍스트, 이미지 등을 의미를 담은 숫자 벡터로 변환하는 기술입니다. "사과"와 "배"는 의미상 가까우므로 비슷한 벡터값을 가지고, "사과"와 "자동차"는 의미상 멀어서 다른 벡터값을 갖습니다. 이 덕분에 AI가 의미 기반 검색과 유사도 계산을 할 수 있습니다.
Knowledge Graph · 지식 그래프
개체(엔티티)와 그 관계를 그래프 구조로 표현한 지식 저장소입니다. "서울 — 수도 — 한국", "이순신 — 장군 — 조선" 같은 관계를 기계가 이해할 수 있도록 구조화합니다. Google 검색의 우측에 나오는 "지식 패널"이 대표적인 활용 사례입니다.
Ontology · 온톨로지
개념들 사이의 관계를 형식화하여 기계가 이해할 수 있게 만든 지식 구조입니다. "서울은 한국의 수도다", "한국은 아시아에 있는 국가다" → 이 관계를 계층적으로 표현하면 AI가 추론할 수 있습니다.
왜 중요한가? 단순 키워드 검색이나 벡터 검색과 달리, 온톨로지는 개념 간 관계를 기반으로 추론합니다. "이 환자는 당뇨가 있다" → "당뇨는 인슐린 저항성 질환이다" → "따라서 혈당 모니터링이 필요하다"처럼 의미 기반 추론이 가능합니다.
실사용 예:
• 의료 온톨로지: SNOMED CT (300만 개 의료 개념, 의료정보 교환 표준)
• 금융 온톨로지: FIBO (금융 상품·계약 관계 표준화)
• 기업 지식관리: 제품-부품-공급업체 관계를 온톨로지로 표현, AI가 조달 경로를 추론
• Google Knowledge Graph: 검색 우측의 지식 패널이 바로 온톨로지 기반
RDF / Triple / SPARQL
지식 그래프를 기술하는 표준입니다.
Triple(트리플): 지식을 주어(Subject) — 술어(Predicate) — 목적어(Object) 세 요소로 표현합니다.
예시: 이순신 — 이다 — 조선 장군 / 이순신 — 지휘한 — 한산도대첩
RDF(Resource Description Framework): W3C 표준 Triple 형식. 웹의 "데이터 언어"를 목표로 설계됨.
SPARQL: RDF 지식 그래프를 쿼리하는 언어. SQL과 비슷하게 "이순신이 지휘한 전쟁을 모두 찾아줘"를 기계 언어로 표현할 수 있음.
RAG 동작 순서:
사용자 질문 입력 → 질문을 벡터로 변환 → Vector DB에서 관련 문서 검색 → 검색 결과 + 원래 질문을 함께 LLM에 전달 → LLM이 근거 기반 답변 생성
지식 그래프 vs RAG: 언제 뭘 쓰나?
RAG: 비구조화 문서(PDF, 웹 페이지, 이메일) 검색에 강점. 구현이 빠름.
지식 그래프+온톨로지: 관계 추론, 복잡한 멀티홉 질문에 강점. 구축 비용이 높음.
최근에는 Graph RAG(지식 그래프 + 벡터 검색 결합)가 주목받고 있음.
Section 05
클라우드 & 인프라
Cloud · 클라우드
인터넷을 통해 서버, 스토리지, 데이터베이스, AI 등 컴퓨팅 자원을 임대해 사용하는 서비스입니다. 직접 서버를 구매하고 유지보수하는 대신, 필요한 만큼 사용하고 사용한 만큼만 비용을 지불합니다. 현재 대부분의 스타트업과 기업이 클라우드 기반으로 운영됩니다.
| 클라우드 |
제공사 |
시장 순위 |
주요 강점 |
| AWS (Amazon Web Services) |
Amazon |
1위 |
가장 많은 서비스, EC2·S3·Lambda·RDS·SageMaker |
| Azure (Microsoft Azure) |
Microsoft |
2위 |
OpenAI 독점 파트너십, Office 365·Teams 통합 |
| GCP (Google Cloud Platform) |
Google |
3위 |
BigQuery 데이터 분석, Vertex AI, YouTube·Gmail 연동 |
클라우드 서비스 모델
IaaSInfrastructure as a Service
서버, 네트워크, 스토리지 인프라만 제공합니다. 직접 서버를 관리하고 싶은 경우 사용합니다. 예: AWS EC2(가상 서버를 시간 단위로 임대)
PaaSPlatform as a Service
운영체제와 미들웨어(개발 플랫폼)까지 제공합니다. 개발자가 코드만 작성하면 나머지는 플랫폼이 처리합니다. 예: Heroku, Google App Engine
SaaSSoftware as a Service
완성된 소프트웨어를 구독 형태로 사용합니다. 설치 없이 브라우저에서 바로 사용합니다. 예: Gmail, Notion, Slack, Salesforce
Serverless · 서버리스
서버 관리 없이 코드만 업로드하면, 요청이 들어올 때만 자동으로 실행됩니다. 사용하지 않을 때는 비용이 발생하지 않습니다. 예: AWS Lambda, Vercel, Netlify. 소규모 API나 이벤트 기반 처리에 적합합니다.
Container · 컨테이너 / Docker · 도커
앱과 그 실행 환경(라이브러리, 설정)을 하나의 패키지로 묶는 기술입니다. "내 컴퓨터에서는 되는데 서버에서는 안 된다"는 문제를 해결합니다. Docker가 대표 기술이며, 현재 개발 업계 표준으로 자리 잡았습니다.
Kubernetes · 쿠버네티스 (K8s)
다수의 컨테이너를 자동으로 배포하고 관리하며 확장하는 오케스트레이션 도구입니다. 트래픽이 몰리면 자동으로 컨테이너를 늘리고, 하나가 죽으면 자동으로 재시작합니다. Google이 개발하고 현재 오픈소스로 운영됩니다. "K8s"는 Kubernetes의 약어(K와 s 사이에 8글자)입니다.
Section 06
API & 프로토콜
APIApplication Programming Interface
프로그램 간 통신을 위한 규약입니다. 카카오 지도 API를 사용하면 지도를 직접 만들지 않고도 내 앱에 지도 기능을 삽입할 수 있습니다. 식당 메뉴판처럼 "어떤 요청을 어떻게 보내면 어떤 응답이 온다"는 규칙을 정의합니다.
REST API
HTTP 기반으로 URL과 메서드를 조합해 데이터를 주고받는 방식입니다. 현재 가장 보편적인 웹 API 방식입니다.
GET /users/123 — ID 123 사용자 정보 조회
POST /users — 새 사용자 생성
PUT /users/123 — 사용자 정보 수정
DELETE /users/123 — 사용자 삭제
JSONJavaScript Object Notation
API 통신에서 데이터를 교환하는 텍스트 형식입니다. 키-값 쌍으로 구성되어 사람도 읽기 쉽고 기계도 처리하기 쉽습니다.
{"이름": "홍길동", "나이": 30, "직업": "개발자"}
GraphQL
필요한 데이터만 정확히 요청할 수 있는 API 방식입니다. REST API는 서버가 정해준 데이터를 통째로 받아야 하지만, GraphQL은 필요한 필드만 골라서 요청할 수 있습니다. 오버페칭(필요 이상의 데이터 수신) 문제를 해결합니다. Facebook이 개발하고 오픈소스로 공개했습니다.
WebSocket
한 번 연결을 맺으면 서버와 클라이언트가 양방향으로 실시간 데이터를 교환하는 프로토콜입니다. 일반 HTTP는 요청-응답 후 연결이 끊기지만, WebSocket은 연결을 유지하며 지속적으로 데이터를 주고받습니다. 채팅 앱, 실시간 주식 시세, 온라인 게임에 사용합니다.
HTTPSHypertext Transfer Protocol Secure
웹 통신을 SSL/TLS 암호화로 보호하는 프로토콜입니다. 브라우저 주소창의 자물쇠 아이콘이 HTTPS를 나타냅니다. 데이터를 암호화해서 전송하므로 중간에서 가로채도 내용을 알 수 없습니다. 현재 모든 웹사이트는 HTTPS를 기본으로 사용해야 합니다.
gRPC
Google이 개발한 고성능 원격 프로시저 호출 프레임워크입니다. REST보다 빠르며, Protocol Buffers(이진 형식)로 데이터를 직렬화해 효율적으로 전송합니다. 주로 마이크로서비스 간 내부 통신에 사용합니다. 성능이 중요한 대규모 서비스 인프라에 적합합니다.
MCPModel Context Protocol (API 관점)
AI 모델과 외부 도구·데이터를 연결하는 Anthropic 표준 프로토콜입니다. 2024년 등장했으며, Claude가 파일시스템, 데이터베이스, 외부 API에 직접 접근할 수 있게 합니다. MCP 서버를 구성하면 AI가 회사 내부 데이터를 실시간으로 조회하고 활용할 수 있습니다.
Section 07
데이터 & 자동화
데이터 파이프라인 · Data Pipeline
데이터 수집 → 저장 → 처리 → 분석으로 이어지는 자동화된 흐름입니다. 공장의 생산 라인처럼, 원시 데이터가 들어오면 자동으로 가공되어 분석 가능한 형태로 변환됩니다.
ETLExtract-Transform-Load
데이터 웨어하우스 구축의 핵심 프로세스입니다.
Extract(추출): 다양한 원본 소스(DB, API, 파일)에서 데이터를 가져옴
Transform(변환): 분석에 적합한 형태로 정제·변환·통합
Load(적재): 최종 목적지(데이터 웨어하우스)에 저장
데이터 웨어하우스 · Data Warehouse
분석 목적으로 구조화된 대용량 데이터를 저장하는 시스템입니다. 운영 DB와 달리 분석·보고서 생성에 최적화되어 있습니다. 대표 솔루션: Snowflake Google BigQuery AWS Redshift
RPARobotic Process Automation · 로봇 프로세스 자동화
규칙적이고 반복적인 업무(엑셀 복사·붙여넣기, 이메일 발송, 시스템 로그인, 데이터 입력)를 소프트웨어 로봇이 자동으로 처리합니다. 사람이 하던 단순 반복 작업을 그대로 자동화합니다. 대표 도구: UiPath, Microsoft Power Automate
OCROptical Character Recognition · 광학 문자 인식
이미지나 스캔 문서 속 글자를 디지털 텍스트로 변환하는 기술입니다. 종이 영수증 사진을 찍으면 금액·날짜를 자동으로 인식하거나, 신분증 이미지에서 이름·생년월일을 추출하는 데 활용됩니다. AI와 결합해 인식 정확도가 크게 향상되었습니다.
Big Data · 빅데이터
기존 도구로 처리하기 어려운 대용량·고속·다양한 형태의 데이터입니다. 3V로 정의합니다: Volume(규모), Velocity(속도), Variety(다양성). 대표 기술: Hadoop(분산 저장·처리), Apache Spark(메모리 기반 고속 처리)
CDCChange Data Capture
데이터베이스의 변경 사항(추가·수정·삭제)을 실시간으로 감지해 다른 시스템에 반영하는 기술입니다. 주문이 생성되면 즉시 재고 DB, 배송 시스템, 분석 시스템이 동기화되는 방식입니다. Debezium이 대표적인 오픈소스 CDC 도구입니다.
Section 08
AI가 할 수 있는 것들 — Text / Speech / Image / Video
| 기술 |
설명 |
대표 서비스 |
현재 수준 |
TTS
(Text-to-Speech) |
텍스트를 자연스러운 음성으로 변환 |
ElevenLabs, 네이버 CLOVA, Azure Neural TTS |
인간 목소리와 구별 어려움 |
STT
(Speech-to-Text) |
음성을 정확한 텍스트로 변환 |
OpenAI Whisper, 구글 STT, 네이버 CLOVA |
일상 대화 수준 정확도 |
| Text-to-Image |
텍스트 설명으로 이미지 생성 |
DALL-E 3, Midjourney, Stable Diffusion |
사진·일러스트 수준 품질 |
| Text-to-Video |
텍스트로 영상 생성 |
Sora(OpenAI), Runway, Pika |
수초~수분 영상, 아직 완벽하지 않음 |
| Text-to-SQL |
자연어 질문을 SQL 쿼리로 자동 변환 |
GPT-4, Claude, 각종 BI 도구 |
단순~중간 복잡도 쿼리 자동 생성 |
| Text-to-Code |
자연어 설명으로 코드 생성 |
GitHub Copilot, Claude Code, Cursor |
단순 함수~중규모 기능 구현 가능 |
| Image-to-Text |
이미지 분석·설명 생성 + OCR |
GPT-4o, Claude Vision |
이미지 내용 텍스트 설명 가능 |
Multimodal · 멀티모달
텍스트, 이미지, 음성, 영상을 동시에 이해하고 생성하는 AI입니다. "이 사진 속 음식 칼로리가 얼마나 될까요?"라고 이미지+텍스트로 질문하면 답변하는 방식입니다. 대표 모델: GPT-4o, Gemini Ultra, Claude 3.5
TTS 주의사항: ElevenLabs 수준의 TTS는 실제 사람 목소리를 복제할 수 있습니다. 보이스피싱, 딥페이크 오디오 등 악용 사례가 증가하고 있으므로 출처 불명의 음성을 무조건 신뢰하지 않도록 주의해야 합니다.
Section 09
개발 직군 & 역할 용어
프론트엔드(Front-end) 개발자
사용자가 실제로 보고 조작하는 웹/앱 화면을 개발합니다. HTML(구조), CSS(스타일), JavaScript(동작)가 기본 기술입니다. 주요 프레임워크: React Vue Angular
백엔드(Back-end) 개발자
사용자에게 보이지 않는 서버, 데이터베이스, 비즈니스 로직을 처리합니다. "로그인 버튼을 누르면 실제로 어떻게 동작하나"를 구현하는 사람입니다. 주요 기술: Java/Spring, Python/Django, Node.js
풀스택(Full-stack) 개발자
프론트엔드와 백엔드 모두 개발할 수 있는 개발자입니다. 업계에서는 프론트엔드를 "프론트단", 백엔드를 "백단"으로 부르는 구어체도 자주 사용합니다.
DevOps 엔지니어
개발(Development)과 운영(Operations)을 통합 담당합니다. 코드 배포 자동화, 서버 운영, 모니터링, CI/CD 파이프라인 구축이 주요 업무입니다. 개발팀과 운영팀 사이의 병목을 제거해 서비스 출시 속도를 높이는 역할입니다.
SRESite Reliability Engineer
서비스 안정성과 가용성을 전담하는 직군입니다. Google이 만든 개념이며, "서비스가 99.9% 이상 정상 작동"하도록 시스템을 설계하고 장애를 예방·대응합니다. DevOps와 유사하지만 서비스 신뢰성에 더 집중합니다.
PMProduct Manager · 프로덕트 매니저
제품의 방향과 전략을 결정하는 역할입니다. 개발팀, 디자인팀, 사업팀 간의 조율을 담당하며 "무엇을 만들 것인가"를 결정합니다. 요구사항을 정의하고 우선순위를 결정하며 제품이 목표를 달성하도록 이끕니다.
POProduct Owner
스크럼(Agile) 방법론에서 제품 기능의 우선순위를 관리합니다. 백로그(해야 할 일 목록)를 관리하고, 어떤 기능을 다음 스프린트에 개발할지 결정합니다. PM과 유사하지만 더 실행 중심적인 역할입니다.
DBADatabase Administrator · 데이터베이스 관리자
데이터베이스 설계, 성능 튜닝, 백업·복구, 권한 관리를 전담합니다. 느린 쿼리를 찾아 최적화하고, DB 장애 시 빠르게 복구하며, 데이터 보안을 관리합니다.
QAQuality Assurance · 품질 보증
소프트웨어의 버그를 발견하고 품질을 검증하는 전문 직군입니다. 개발자가 만든 기능이 요구사항에 맞게 동작하는지 확인하는 "출시 전 품질 게이트키퍼" 역할입니다.
데이터 엔지니어 / 데이터 사이언티스트 / ML 엔지니어
데이터 엔지니어: 데이터 파이프라인과 인프라를 구축·관리. ETL, Spark, Kafka 전문
데이터 사이언티스트: 데이터를 분석해 인사이트를 도출하고 ML 모델을 개발. Python, R, 통계 전문
ML 엔지니어(MLOps): ML 모델을 실제 서비스 환경에 배포하고 운영·모니터링. "모델을 서비스로 만드는 사람"
스크럼(Scrum) / 애자일(Agile): 빠른 반복 개발 방법론입니다. 2주 단위 스프린트(Sprint)로 기능을 조금씩 출시하고, 피드백을 받아 다음 스프린트에 반영합니다. 완벽한 계획보다 빠른 실행과 적응을 중시합니다. 현재 IT 업계의 표준 개발 방식입니다.
Section 11
바이브 코딩 & AI 코딩 혁명
바이브 코딩 · Vibe Coding
Tesla AI 디렉터 출신 Andrej Karpathy가 2025년 명명한 개념입니다. "코드를 직접 짜지 않고 AI에게 자연어로 지시해 원하는 소프트웨어를 만드는 방식"입니다. 코딩하는 느낌(vibe)만으로 소프트웨어를 제작한다는 의미에서 바이브 코딩이라고 불립니다.
바이브 코딩 실제 예시:
Cursor나 Claude Code에 "사용자가 키워드를 입력하면 관련 뉴스를 가져와서 AI가 요약해주는 웹 앱을 만들어줘"라고 자연어로 요청하면, AI가 프론트엔드·백엔드·API 연동 코드를 자동으로 생성합니다.
Claude Code
Anthropic의 터미널 기반 AI 코딩 도구입니다. 프로젝트 전체를 이해하고 자연어 명령으로 기능 추가, 버그 수정, 테스트 작성, 배포까지 처리합니다. 대화를 이어가며 점진적으로 코드베이스를 발전시킬 수 있습니다.
Replit Agent
브라우저에서 AI로 앱을 생성하고 즉시 배포할 수 있는 플랫폼입니다. 로컬에 아무것도 설치하지 않고 웹 브라우저만으로 앱을 만들고 공개 URL로 배포할 수 있습니다. 비개발자가 빠르게 프로토타입을 만드는 데 적합합니다.
No-code / Low-code
코드 없이 또는 최소한의 코드로 앱, 웹사이트, 자동화 워크플로우를 만드는 도구와 방법론입니다.
Bubble 코드 없이 웹 앱 제작
Webflow 코드 없이 반응형 웹사이트 제작
Make(Integromat) 앱 간 자동화 워크플로우 구성
Zapier 앱 연동 자동화
지금 일어나는 변화: 기획자, 디자이너, PM이 직접 프로토타입을 만들고 있습니다. "개발자 없이도 앱 만들기"가 현실화되고 있으며, 비개발자의 생산성이 급격히 향상되고 있습니다.
주의점: AI 코딩 도구는 강력하지만 아키텍처 설계, 보안 취약점 식별, 성능 최적화는 여전히 전문 개발자의 판단이 필요합니다. AI가 생성한 코드를 이해하지 못한 채 그대로 사용하면 보안 문제가 발생할 수 있습니다.
Section 12
교육 트렌드 & 현업 커리큘럼
주요 국내 IT 교육 플랫폼
패스트캠퍼스 · FastCampus
직장인 대상 온라인 강의 플랫폼입니다. 대세 과정: 데이터 분석(Python+SQL), AI/LLM 활용, Spring Boot 백엔드, 클라우드(AWS 자격증)
스파르타코딩클럽 / 항해99
풀타임 부트캠프 형식의 교육 프로그램입니다. 6개월 집중 과정과 취업 연계를 제공합니다. 비전공자도 입문 가능하며, 팀 프로젝트 중심으로 실무 역량을 쌓습니다.
코드잇 · Codeit
구독형 강의 플랫폼입니다. 입문자 친화적이며 Python 기초, 웹 개발, 알고리즘 등 체계적인 커리큘럼을 제공합니다.
삼성 SSAFY
삼성전자에서 운영하는 무료 SW 인재 양성 교육 프로그램입니다. 1년 과정이며 취업률이 높습니다. 경쟁률이 높아 선발 과정이 엄격합니다.
카카오 데브코스
카카오가 지원하는 개발자 교육 과정입니다. 프론트엔드, 백엔드, 데이터 엔지니어링 트랙으로 운영되며 실무 프로젝트 중심의 교육을 제공합니다.
AI 시대 대세 커리큘럼 TOP 5
| 순위 |
커리큘럼 |
핵심 기술 |
활용 분야 |
| 1위 |
Python + 데이터 분석 |
Pandas, SQL, 시각화 |
데이터 분석, BI, 마케팅 분석 |
| 2위 |
React 프론트엔드 |
React, TypeScript, Next.js |
웹 서비스 UI 개발 |
| 3위 |
Spring Boot 백엔드 |
Java, Spring, JPA, REST API |
기업 백엔드, 금융·공공 시스템 |
| 4위 |
LLM/AI 활용 |
프롬프트 엔지니어링, API 연동, RAG |
AI 서비스 개발, 업무 자동화 |
| 5위 |
AWS 자격증 (SAA) |
EC2, S3, RDS, Lambda, VPC |
클라우드 인프라 관리 |
AI 시대에 바뀐 것: 알고리즘 문제 암기 능력보다 AI 도구 활용 능력이 실무에서 더 중요해지고 있습니다. "ChatGPT와 Claude를 얼마나 잘 활용하는가"가 개발자 간 생산성의 핵심 차이로 부상하고 있습니다.
2025년 현재 개발 학습 패러다임의 변화
더 이상 외울 필요 없는 것 (AI가 다 해줌):
• 문법 세부사항 (Python의 list comprehension 문법, Java 제네릭 syntax)
• API 명세 (라이브러리 함수 파라미터, 반환값)
• 알고리즘 코드 암기 (퀵소트, 이진탐색 구현 코드)
• 보일러플레이트 코드 (CRUD, 인증 코드, 설정 파일)
여전히, 아니 더 중요해진 것:
• 컴퓨터 과학 기초: 자료구조·알고리즘 개념 이해 (코드는 AI가 짜도 "왜 O(n²)이 문제인지" 이해해야 함)
• 문제 정의 능력: AI에게 정확히 무엇을 요청할지 명확히 표현하는 능력
• 코드 리뷰 능력: AI가 생성한 코드의 오류·보안 취약점을 식별
• 시스템 설계 능력: 전체 아키텍처를 설계하고 컴포넌트 간 관계를 결정
• 도메인 지식: 금융 AI를 만들려면 금융을, 의료 AI면 의료를 이해해야 함
2025~2026년 입문자 최적 학습 경로
| 단계 |
커리큘럼 |
추천 도구 |
현실적 기간 |
| 1단계 |
Python 기초 + 웹 크롤링 + SQL |
코드잇, 유튜브, Claude 질문 |
2~3개월 |
| 2단계 |
선택: React 프론트 OR Spring 백엔드 |
패스트캠퍼스, 인프런 |
3~6개월 |
| 3단계 |
팀 프로젝트 + Git + 배포 (Vercel/AWS) |
SSAFY·데브코스·항해99 |
3~6개월 |
| 4단계 |
LLM API 연동 + RAG 구현 + AI 도구 활용 |
Cursor, Claude Code, Dify |
취업 후 병행 |
대기업 무료 교육 기회 (취업 연계 강력)
• 삼성 SSAFY: 연 2회 공채. 1년 풀타임. 취업률 80%+. 경쟁 치열하지만 무료에 지원금까지.
• 카카오 데브코스: 프론트·백엔드·데이터 트랙. 5개월 집중. 실무 프로젝트 중심.
• 네이버 부스트코스: 온라인 무료. AI·웹 과정 운영. 수료증 발급.
• LG AI 연구원 교육: AI·ML 전문 과정.
현실적 조언: 대기업 무료 과정은 경쟁이 치열합니다. 지원 전에 기초(Python+알고리즘)를 먼저 탄탄히 쌓아야 선발됩니다.
바이브 코딩으로 실제로 뭘 만들 수 있나?
비개발자도 만들 수 있는 것들 (2025 기준)
Cursor + Claude로:
• 엑셀 데이터를 자동 처리해주는 Python 스크립트
• 특정 키워드의 뉴스를 매일 수집해 이메일로 보내주는 봇
• 간단한 포트폴리오 웹사이트 (HTML/CSS/JS)
• 내부 업무용 대시보드 (Streamlit + Python)
아직 어려운 것: 대규모 트래픽을 처리하는 서비스, 복잡한 결제 시스템, 실시간 협업 도구처럼 아키텍처 설계와 보안이 복잡한 것들은 여전히 전문 개발자가 필요합니다.
Section 13
업계 은어 & 실전 표현 사전
IT 업계 현장에서 실제로 사용되는 표현들을 맥락과 함께 정리했습니다.
배치 돌린다
대량 데이터를 한꺼번에 처리하는 일괄 작업을 실행한다는 뜻입니다. "새벽에 배치 돌렸어" = 야간에 대용량 데이터를 일괄 처리했다는 말. 금융권에서 특히 많이 쓰입니다. (ex: "오늘 마감 배치 돌렸어?" = 오늘 일일 결산 자동화 작업 완료됐냐는 뜻)
배치 터졌어
배치 작업이 오류로 중단됐다는 뜻. 새벽 배치가 실패하면 데이터가 처리되지 않아 다음날 아침 대규모 문제로 이어집니다. 금융·물류에서 야간 배치 실패는 매우 긴박한 상황. "새벽 3시에 배치 터졌다는 알림 받고 야간 당직이 긴급 처리했어요."
배치 잡 (Batch Job)
스케줄러(Apache Airflow, Cron, Spring Batch)가 자동으로 실행하는 배치 프로그램 단위. "이 배치 잡 매일 새벽 2시에 돌아요" = 이 프로그램이 매일 새벽 2시에 자동 실행됩니다. 실시간 처리(Online 처리)의 반대 개념.
배치 마감
주로 금융·ERP 시스템에서 일일/월말/연말 마감 작업을 배치로 처리하는 것. "오늘 배치 마감 완료됐나요?" = 오늘의 일일 결산 자동화 작업이 끝났냐는 뜻. 금융 시스템의 핵심 운영 개념.
스펙 뽑는다
기술 명세서(Specification) 문서를 작성한다는 뜻입니다. "API 스펙 뽑아줘" = API 명세(엔드포인트, 파라미터, 응답 형식)를 문서로 정리해달라는 요청.
붙인다
API나 외부 서비스를 연동한다는 뜻입니다. "카카오 로그인 붙여줘" = 카카오 로그인 API를 연동해달라는 요청입니다.
올린다 / 배포 나간다
서버에 코드를 배포한다는 뜻입니다. "오늘 배포 나가요?" = 오늘 새 버전이 출시 예정인가요?
긁다
웹 크롤링으로 데이터를 수집한다는 뜻입니다. "쇼핑몰 데이터 긁어와" = 쇼핑몰 웹사이트에서 데이터를 자동 수집해달라는 요청입니다.
갈아엎다
기존 시스템이나 기능을 처음부터 다시 만드는 것입니다. "이 부분 그냥 갈아엎어야 할 것 같아요" = 수정이 불가능한 수준이라 처음부터 재개발이 필요하다는 의미입니다.
레거시 (Legacy)
오래되어 유지보수하기 어려운 기존 시스템이나 코드입니다. "레거시가 많아서 건드리기 무서워" = 오래된 코드가 뒤엉켜 있어 수정하면 다른 곳이 깨질까봐 두렵다는 뜻입니다.
마이그레이션 (Migration)
시스템, 데이터, 데이터베이스를 다른 환경으로 이전하는 작업입니다. "온프레미스에서 AWS로 마이그레이션 중이에요" = 사내 서버에서 클라우드로 이전 작업 중이라는 뜻입니다.
롤백 (Rollback)
배포 후 문제가 발생했을 때 이전 버전으로 되돌리는 작업입니다. "배포 후 오류 발생, 즉시 롤백합니다" = 문제가 생겨 이전 버전으로 복구한다는 뜻입니다.
핫픽스 (Hotfix)
긴급하게 배포하는 버그 수정 패치입니다. 정상적인 배포 사이클을 기다리지 않고 즉시 수정해 배포합니다. "결제 오류 났어요, 핫픽스 나갑니다" 가 전형적인 사용 예시입니다.
프론트단 / 백단
프론트엔드/백엔드 영역을 가리키는 구어체 표현입니다. "그건 백단에서 처리해야 해요" = 그 기능은 서버 쪽에서 구현해야 한다는 뜻입니다.
스케일아웃 (Scale-out)
서버의 대수를 늘려 처리 용량을 확장하는 방법입니다. 서버 한 대의 사양을 높이는 것(스케일업)과 다릅니다. 트래픽이 급증할 때 서버를 여러 대 추가해 부하를 분산합니다.
CI/CD
Continuous Integration(지속적 통합) / Continuous Delivery(지속적 배포)의 약자입니다. 코드를 변경하면 자동으로 테스트→빌드→배포가 이루어지는 파이프라인입니다. GitHub Actions, Jenkins가 대표 도구입니다.
스프린트 (Sprint)
애자일 방법론에서 2주 단위로 진행하는 개발 사이클입니다. "이번 스프린트에 로그인 기능 완성합니다" 처럼 사용합니다.
리팩터링 (Refactoring)
기능은 그대로 유지하면서 코드의 내부 구조를 개선하는 작업입니다. 성능·유지보수성·가독성을 높이는 것이 목적입니다. "기능은 잘 되는데 코드가 너무 지저분해서 리팩터링 좀 해야겠어요"
기술 부채 (Technical Debt)
빠른 개발을 위해 임시방편으로 만든 코드나 설계가 나중에 문제가 되는 상황을 말합니다. "기술 부채가 쌓여서 새 기능 추가할 때마다 다른 곳이 터져요"가 전형적인 사례입니다.
온프레미스 (On-premise)
회사 내부에 서버를 직접 설치하고 운영하는 방식입니다. 클라우드의 반대 개념입니다. 보안 규정이 엄격한 금융·공공기관에서 주로 사용합니다.
SLA (Service Level Agreement)
서비스 가용성 보장 수준을 계약으로 명시한 것입니다. "99.9% uptime SLA"는 연간 약 8.7시간 이내의 장애만 허용한다는 의미입니다. 클라우드 서비스 계약에서 핵심 조항입니다.
API 게이트웨이
여러 API를 단일 진입점으로 통합하고 관리하는 서비스입니다. 인증, 속도 제한, 로깅, 라우팅을 한 곳에서 처리합니다. 마이크로서비스 아키텍처에서 필수 구성 요소입니다.
실전 대화 예시:
"백단에서 API 붙이는 건 이번 스프린트에 넣기로 했는데, 레거시 코드 때문에 마이그레이션이 좀 복잡해요. 일단 핫픽스로 임시방편 처리하고, 다음 스프린트에 리팩터링하면서 기술 부채를 좀 갚아야 할 것 같아요."
이 문장이 자연스럽게 이해된다면 IT 업계 언어에 익숙해진 것입니다.
이 사전은 2025-2026년 기준으로 작성되었으며, IT 기술은 빠르게 변화합니다.
특정 기술의 최신 현황은 공식 문서와 최신 자료를 함께 참고하시기 바랍니다.
© 2026 vernoverno.com