[Daily IT News] 클라우드(SaaS), 노코드(Nocode), 머신러닝보안

다양한 산업군에서는 인공지능, 빅데이터 도입을 하고 싶지만 제대로 아는 실력자도 소프트웨어 전문가도 찾기가 어려운 상황입니다. 이런 기업을 위해서 필요한 것이 No Code, Low Code가 아닌가 싶은데요, 이런 코드에 대한 허들을 줄이면서 서비스를 도입하는 추세가 점점 확산 되지 않을까 생각이 듭니다.

금일(2022.02.10. 목) 신문리뷰 입니다.

---

● 전자신문

구분	헤드라인	설명
(서비스) 클라우드 SaaS	[ET시론]저평가 SW, SaaS가 성장 기대주	>>  인간의 삶에 많은 부분을 변화시킨 코로나19. 누군가 “이 시기에 국내 소프트웨어(SW)산업이 놓치고 있는 것이 있는가”라고 질문한다면 “SaaS”라고 답할 것이다. 비대면 서비스, 플랫폼 경제가 성장하고 근무 형태가 다양해지면서 기존의 온 프레미스(On-premise) 형태의 소프트웨어 산업이 서비스형 소프트웨어, 즉 Saas(Software as a Service)라는 새로운 패러다임을 맞게 됐다. 사실 SaaS가 시장에 모습을 내민 것은 오래전 일이다. 코로나 19로 급변한 글로벌 IT 산업에 따라 국내 SW의 SaaS 전환은 더 이상 피할 수 없는 사업 모델이 됐다. 그럼에도 국내 SW기업 다수는 아직도 온 프레미스 판매 방식을 고수한다. ​ >> 왜 SaaS 시장이 계속 성장할 것으로 예측할까. 바로 SaaS가 국내 SW산업의 고질적인 문제를 해결할 주인공으로 꼽히기 때문이다. 국내 SW산업은 SI 위주의 소프트웨어 판매, 저가 수주, 무리한 인건비 삭감, 개발자 구인난과 같은 문제를 안고 있다. 기업이 너도나도 파격적인 조건을 내걸며 개발자를 모셔 가는 입장에서 참으로 안타까운 구조일 수밖에 없다. SaaS 탄생 이전의 기업은 SW를 구매하고 사용하기 위해 엄청난 시간과 돈을 지불해야 했다. 그마저도 유지·보수나 신규 버전을 사용하기 위해서는 추가 비용이 수반됐고, SW를 사용하기 위한 환경적 제약도 상당했다. 하지만 이제는 SaaS가 있기에 유지·보수와 버전 업을 위해 별도의 인프라와 비용 지출, 인력이 필요하지 않게 되면서 비즈니스에만 집중할 수 있게 됐다. 엄청난 경제성과 편의성이 제공된 것이다. 기업은 모든 것을 일일이 구매, 구축할 필요 없이 필요한 기능을 제공하는 SaaS를 간편하게 구독하면 된다. 개발사는 개발자 부족 현상에서 벗어난다. SI사업으로 프로젝트마다 여러 명의 개발자를 투입할 필요 없이 제품 기술 강화에만 힘쓰면 된다. 효율적인 인력 운용이 가능해지는 것이다. 영업이익을 낼 수 없는 무리한 저가 수주도 사라진다. 이로써 SaaS가 오랜 기간 국내 SW 산업에 뿌리내렸던 문제점을 해결할 수 있는 것이다. ​ >> 아쉽게도 아직 국내 SW 산업에는 세일즈포스와 같은 두드러진 성공사례는 보이지 않는다. 우리나라 SW 시장 중 SaaS 시장 규모는 16.9%로, 글로벌의 31.9% 대비 낮은 수준이다. 이는 관련 지식을 보유한 인재가 부족하고, 시장 성장에 대한 불확실성이 존재하기 때문에 새로운 비즈니스 모델로 변환하는 데 부담이 큰 것으로 해석된다. 민간시장 활성화를 위해 이제는 공공시장이 과거보다 적극적으로 초기시장 창출에 리더십을 보여야 할 때다. 단순히 SaaS 전환을 위한 비용 지원을 넘어 정확한 수요 예측과 인식 개선, 불필요한 행정적인 절차를 없애는 등 제도적인 정리가 필요하다.
(SW) 노코드	[전문가 기고]노코드 '가상 비서'가 불러온 혁신	>> 노코드 앱 개발 시대가 활짝 열리고 있다. 노코드 앱이란 어려운 코딩 없이 쉽게 개발할 수 있는 앱을 말한다. 로코드는 코딩 과정이 상당 부분 생략된 것을 일컫는 말이다. 지난해부터 정보기술(IT)과 코딩에 대한 기술 지식이 없어도 앱을 쉽게 개발할 수 있도록 노코드, 로코드 플랫폼이 속속 출시됐다. 코로나19 대유행으로 디지털화 프로세스가 가속화됐다. 기업은 새로운 상황에 빠르게 적응해야 했다. 업무를 완수하기 위해 기술을 사용하는 것이 그 어느 때보다 중요해졌다. 이런 상황에서 노코드, 로코드 플랫폼 기반 가상 비서는 콜센터, 은행, 의료의 다양한 산업, IT, 인사(HR), 영업 등 기업 내 다양한 프로세스에서 필수적인 부분으로 자리 잡고 있다. ​ >> 노코드, 로코드 접근 방식에는 많은 이점이 있다. 개발자에 대한 의존도가 낮아져서 필요에 따라 쉽게 사용자에게 관리자 권한을 부여할 수 있다. 짧은 시간 안에 계획한 대로 시스템을 구축할 수 있다. 추가 비용 없이 솔루션을 신속하게 변경할 수 있다. 본질적으로 사용자가 코딩 지식 없이 단순히 기능을 선택 또는 선택 취소하거나 드래그-앤드-드롭 인터페이스만 사용해 로직을 프로그래밍하고 애플리케이션을 설계할 수 있음을 의미한다. ​ >> 가상비서(VA)는 인공지능을 기반으로 실제 사람과 대화하는 것 같은 기능을 제공한다. 로봇 프로세스 자동화(RPA) 기능은 애플리케이션 API 등을 활용해 단순한 질문·답변을 넘어 실질적인 업무를 수행할 수도 있다. 가상 비서는 다양한 내부 애플리케이션에서 적합한 정보를 찾아 최적의 대화와 질문에 응한다. 사용자는 실제 상담원과 대화하듯 커뮤니케이션이 가능하다. 많은 강점을 가진 가상 비서를 기업이 더 많이 도입하게 하려면 잠재 고객 기업의 담당자에게 기존 AI 개발, 자동화 기술에 능숙해야 한다고 요구하는 것엔 한계가 있다. 기술에 대한 지식 없이도 쉽게 개발할 수 있는 노코드, 로코드 접근 방식이 해결책이다. 노코드, 로코드 가상 비서 플랫폼으로 일상적인 비즈니스 커뮤니케이션을 최대 80%까지 자동화하는 기업이 늘고 있다. 이들 기업은 운영 비용을 절감하고, 고객·직원의 경험을 혁신하고 있다.

 

● 보안뉴스

구분	헤드라인	설명
(보안) 머신러닝 보안	머신러닝 알고리즘은 태생적으로 데이터 노출이라는 리스크를 동반한다	>> 머신러닝을 실제로 활용하는 면에 있어서 가장 힘든 점 중 하나는 ‘데이터 관리’다. 우리가 흔히 말하는 머신러닝에서 ‘머신’은 수많은 데이터로 조직되고 구성되는 것을 말하니, 사실 데이터에 대한 고민은 당연히 수반되는 것이라고 볼 수 있다. 게다가 데이터는 수많은 보안 사고의 중심에 서있는 핵심 요소 중 핵심 요소다. 머신러닝의 전체 생애주기를 생각해보면 데이터 관리가 얼마나 중요한지 확연히 깨닫게 된다. ​ >> 훈련에 사용되는 데이터 이제는 머신러닝이 제대로 작동하기 위해서 알고리즘에 데이터를 주입해 훈련을 시켜야 한다는 사실을 누구나 알고 있다. 간단한 항목 분류나 예측 행위를 위해서 머신러닝은 다양한 데이터를 흡수해야 한다. 하지만 아무 데이터나 주입하면 안 된다. 머신러닝 알고리즘들을 처음 만들 때 데이터 웨어하우스에 저장된 데이터를 사용하는 것이 보통인데, 여기에는 사업적인 기밀이나 사생활 관련 정보가 다수 포함되어 있다. 예를 들어 머신러닝을 기반으로 대출과 관련된 기능을 발휘하는 알고리즘을 구축한다고 하자. 사용자에게 필요한 건 지금 돈을 빌려가려는 사람이 과연 돈을 돌려줄 것인가를 정확히 예측하는 기능이다. 그래서 그 동안 은행들이 쌓아온 대출 관련 이력과 데이터를 알고리즘에 넣어 훈련을 시킬 수밖에 없게 된다. ​ >> 운영에 사용되는 데이터 은행에 대출을 신청하는 사람은 항상 북적인다. 그런 걸 감안하면 위 알고리즘 내에 쌓일 데이터가 얼마나 많을지도 충분히 상상할 수 있다. 즉 원래부터 많은 데이터 위에서 완성되었던 알고리즘인데, 실제 사용 환경 내에서도 어마어마한 데이터가 계속해서 쌓인다는 것이다. 머신러닝 알고리즘도 결국 앱 형태로 제공되는데, 그렇다는 건 이 앱에 무궁무진한 데이터 노출 위기가 동반된다는 뜻이 된다. 분석가들은 이렇게 ‘운영 단계’에서 쌓이는 데이터야말로 심각한 위기에 노출된다고 말할 정도니, 머신러닝을 사들여와 운영하는 부분에 있어서도 걱정거리가 제법 된다고 볼 수 있다. ​ >> ​데이터 노출도 낮추기 결국 머신러닝 알고리즘은 태생적으로 데이터 유출이라는 유형의 위험에 노출되어 있다고 볼 수 있다. 그렇다면 우리는 어떻게 이런 부분을 보완해야 할까? 전문가들은 여러 가지 방법을 제안한다. 가장 간단한 건 머신러닝 알고리즘으로 가는 요청문 자체를 암호화 하는 것이다. 알고리즘에 의해 처리될 때에만 복호화를 하고 나머지 단계에서는 전부 암호화 처리 하는 것을 말한다. 하지만 이런 방법은 머신러닝 환경에 따라 적용이 될 수도 있고 안 될 수도 있다. 구글의 빅쿼리(BigQuery)의 경우, 이런 식의 암호화/복호화를 지원한다. 그 다음으로 제안되는 방법은 요청문 필드의 표현 방식을 이리 저리 변경시키는 것으로, 인공지능의 결정 프로세스를 구성하는 정보의 최초 형태를 감출 수 있다는 장점을 가지고 있다. 심지어 그 정확도에도 아무런 손상을 주지 않는다. 하지만 이를 잘 구현하려면 인공지능이 어떤 식으로 결론을 도출하는지에 대한 통찰을 어느 정도는 겸비해야 한다. 프로토피아(Protopia)라는 인공지능이 이러한 방법론을 도입하고 있으며, 사실 필자도 이 작업에 참여하는 중이다.

금일 주목할 기사는 클라우드 관련 기사입니다.
연일 클라우드관련한 기사가 계속 나오고 있는데요, 클라우드로의 전환, 클라우드 산업 확장 측면에서 변화의 시발점이 아닌가 하는 생각이 듭니다. 클라우드 관련해서는 기술적인 측면도 좋지만 생태계 또한 더 깊이 이해하시면 좋으실꺼 같습니다.

​다음 주목해야 할 기사는 머신러닝 보안 관련 기사입니다.
머신러닝의 훌륭한 기술은 우리의 삶을 보다 효율적으로 도와준다고 생각이 듭니다. 그렇지만 이면을 우리는 바라봐야 할 것 같은데요 바로 데이터의 유출 문제 입니다. 훈련, 운영 관점에서 취약점이 있는 만큼 어떻게 유출에 대응해야하는지도 챙기셨으면 합니다.