개발·AI 용어집 | 그럼(grum)

간접 프롬프트 인젝션 (Indirect Prompt Injection) #

공격자가 사용자에게 직접 말을 거는 대신, AI가 나중에 읽을 문서·이메일·웹페이지 안에 지시문을 숨겨 두는 공격입니다. AI가 그 콘텐츠를 "데이터"가 아니라 "따라야 할 지시"로 처리하면 숨은 명령이 실행되며, 결과물에 지시문이 그대로 복사되면 그 결과물을 읽는 다음 AI 세션에서 공격이 재실행되는 자가복제(웜) 형태로 번질 수 있습니다.

공정 이용 (Fair Use) #

구성적 일반화 (Compositional Generalization) #

학습 때 따로 본 요소들을 처음 보는 조합으로 엮어 처리하는 능력입니다. 예를 들어 "빨간 컵"과 "큰 상자"를 배운 모델이 "큰 빨간 상자"를 다룰 수 있는지가 여기에 해당합니다. 데이터가 특정 속성(색 등)에 치우쳐 있으면 모델도 그 축에 과도하게 반응해, 데이터셋을 균일하게 키우는 것만으로는 잘 개선되지 않습니다.

규제 샌드박스 (Regulatory Sandbox) #

새 기술·서비스를 정식 규제를 다 갖추기 전에, 당국이 지정한 통제된 조건 안에서 한시적으로 시험해볼 수 있게 하는 제도입니다. 실사용 전 위험을 미리 관찰하면서 규제를 다듬을 수 있다는 장점이 있어, EU AI 법을 포함한 여러 나라의 AI 규제 설계에 쓰이고 있습니다.

그룹 커밋 (Group Commit) #

여러 트랜잭션의 커밋 기록을 모아 디스크 동기화(fsync)를 한 번만 수행하는 데이터베이스 최적화입니다. 디스크 쓰기가 트랜잭션당 한 번이 아니라 묶음당 한 번이 되므로 동시 커밋이 많을수록 처리량이 크게 올라갑니다. 반대로 커밋 경로에 전역 락이 끼어들어 커밋이 직렬화되면 이 최적화가 무력해지고, CPU·디스크에 여유가 있는데도 처리량 천장이 생깁니다.

무상태 (Stateless) #

서버가 요청과 요청 사이에 클라이언트의 상태를 들고 있지 않는 설계입니다. 필요한 정보(신원·버전·권한 등)를 요청마다 함께 실어 보내므로, 어떤 요청이 어느 인스턴스로 가도 결과가 같아 로드밸런서 뒤에서 수평 확장하기 쉽습니다. 대가로 요청 크기가 커지고, 세션에 기대던 캐시·대화 맥락은 클라이언트나 별도 저장소가 다시 책임져야 합니다.

바이브 코딩 (Vibe Coding) #

구현 세부를 AI 코딩 도구에 맡기고 사람은 자연어 지시와 결과 확인 위주로 개발하는 방식을 가리키는 속칭입니다. 생성 속도를 크게 높이지만, 사람이 코드를 라인 단위로 검토하지 않는 만큼 저작권 출처·보안·유지보수성의 검증 책임이 흐려진다는 비판이 따라다닙니다. 플랫폼·커뮤니티마다 이런 산출물의 수용 정책이 갈리고 있습니다.

벤더 락인 (Vendor Lock-in) #

특정 공급사의 제품·포맷·API에 묶여 다른 선택지로 옮기는 비용이 과도해진 상태입니다. 비용은 라이선스비뿐 아니라 장애 시 공급사를 기다려야 하는 복구 시간, 데이터를 꺼내오기 어려운 포맷 종속으로도 나타납니다. 표준 부품·개방 포맷·문서화된 교체 경로가 완화 수단입니다.

샌드박스 (Sandbox) #

신뢰할 수 없는 코드나 에이전트를 시스템의 나머지와 격리한 채 실행하는 보호 환경입니다. 파일·네트워크·프로세스 접근을 차단하거나 허용 목록으로 좁히는 방식으로 구현되며, 격리의 실질 강도는 "무엇을 막았나"가 아니라 "허용해 준 통로가 얼마나 안전한가"로 결정됩니다. 허용된 통로(프록시·미러·공유 볼륨)가 뚫리면 격리 전체가 무효화됩니다.

서버리스 (Serverless) #

서버 준비·운영을 플랫폼에 맡기고 코드만 배포하는 실행 모델입니다. 서버가 없다는 뜻이 아니라 관리 책임이 플랫폼으로 넘어갔다는 뜻이며, 그 대가로 런타임 제약(패키지·실행 시간·저장소 등)과 플랫폼 종속을 받아들이게 됩니다.

앙상블 (Ensemble) #

여러 모델·에이전트의 판단을 모아 하나의 결론을 내는 방식입니다. 개별 모델의 실수가 서로 다른 방향으로 흩어질 때 평균적으로 정확도와 안정성이 올라가지만, 구성원이 같은 학습 데이터·기반 모델·프롬프트를 공유하면 실패도 함께 상관되어 다수결이 오류를 걸러 내지 못합니다. 불일치를 안전 신호로 쓰는 설계라면 구성원의 독립성 자체가 전제 조건입니다.

양자화 (Quantization) #

학습된 모델 가중치를 더 낮은 정밀도(예: 16비트 → 4비트·1비트)로 압축해 메모리 사용량과 연산량을 줄이는 기법입니다. 파일이 작아져 스마트폰 같은 단말에서도 실행할 수 있게 되는 대신 정확도가 일부 손실되며, 1비트·1.58비트(터너리) 같은 극저비트는 처음부터 저비트 실행을 전제로 학습·변환해 손실을 줄이는 방향으로 발전하고 있습니다.

에어갭 / 오프라인 백업 (Air-gap) #

백업이나 시스템을 운영 네트워크와 물리적·논리적으로 분리해, 온라인 자격증명이 탈취돼도 공격자의 손이 닿지 않게 하는 격리 방식입니다. 주 시스템과 같은 계정·네트워크로 접근되는 백업은 침입자가 함께 지울 수 있어 진짜 백업이 아니며, 최소 한 벌은 오프라인 또는 쓰기 불가(immutable)로 두는 것이 파괴형 공격의 최후 복구선이 됩니다.

오픈웨이트 (Open Weights) #

학습이 끝난 모델의 가중치 파일을 공개해 누구나 내려받아 실행·파인튜닝할 수 있게 하는 공개 방식입니다. 학습 데이터·학습 코드까지 여는 완전한 오픈소스와 달리 보통 가중치만 열며, 상업적 이용 조건은 모델마다 라이선스로 다르게 정해집니다.

온콜 (Oncall) #

장애·사고가 발생했을 때 즉시 대응할 책임을 지고 대기하는 당직 근무 체계입니다. 담당자는 모니터링 알림을 받으면 로그·지표·추적 데이터를 살펴 원인을 찾고 복구까지 이끌어야 하며, 최근에는 이 근본원인분석(RCA) 과정을 AI 에이전트에 맡길 수 있는지가 벤치마크 대상이 되고 있습니다.

월드 모델 (World Model) #

환경이 앞으로 어떻게 변할지를 내부에서 예측하는 모델입니다. 로봇 제어에서는 미래 상태(다음 화면·물리 상황)를 상상하듯 예측해 행동을 계획하는 데 쓰이며, 예측과 행동 생성을 한 모델에서 함께 다루면 월드-액션 모델(World-Action Model)이라 부릅니다. 예측이 그럴듯하다는 사실이 실제 행동의 안전을 보장하지는 않는다는 점이 검증상의 핵심입니다.

유저스페이스 트랜슬레이션 레이어 (Userspace Translation Layer) #

운영체제 커널을 바꾸지 않고 애플리케이션 실행 계층(유저스페이스)에서 다른 OS·아키텍처용 바이너리를 해석·변환해 구동하는 호환 계층입니다. 대상 바이너리의 시스템 호출을 현재 OS의 호출로 옮기고 필요한 시스템 라이브러리를 흉내 내는 방식으로 동작하며, Wine·Rosetta·QEMU 유저모드가 대표적 사례입니다. 지원 도구가 늘수록 커버해야 할 시스템 호출 범위도 함께 늘어 난이도가 선형이 아니라 기하급수로 오르는 경향이 있습니다.

인지 부채 (Cognitive Debt) #

코드나 결정을 충분히 이해하지 않은 채 받아들여, 나중에 문제가 생겼을 때 뒤늦게 갚아야 하는 이해 부담이 쌓이는 현상입니다. AI가 생성한 코드를 검토 없이 그대로 승인하는 습관이 반복되면 표면적인 작업 속도는 빨라져도 코드 전체 구조에 대한 감각은 옅어집니다.

일반결의 (General Resolution, GR) #

데비안 프로젝트가 헌장에 따라 전체 개발자 투표로 방침을 정하는 공식 의사결정 절차입니다. 제안자가 안건을 올리고 정해진 수의 추천을 받으면 토론 기간을 거쳐 투표에 부쳐지며, 여러 대안이 하나의 표에 함께 오를 수 있어 선호 순위로 투표합니다. 사회계약 같은 기반 문서의 수정도 이 절차로 처리합니다.

제로데이 (Zero-day) #

벤더가 아직 모르거나 패치를 내놓지 못한 취약점, 또는 그 취약점을 이용한 공격입니다. 방어자에게 대응할 시간이 "0일"이었다는 뜻에서 이름이 왔으며, 패치가 존재하지 않으므로 시그니처 기반 방어로는 막기 어렵습니다. 발견자가 벤더에 먼저 알리고 패치 후 공개하는 절차를 책임 공개(responsible disclosure)라고 합니다.

증류 (Distillation) #

큰 모델(교사)의 출력을 학습 신호로 삼아 작은 모델(학생)을 훈련시키는 기법입니다. 정답 레이블만 쓰는 대신 교사가 낸 확률 분포나 응답 자체를 따라 배우게 해, 훨씬 적은 파라미터로 비슷한 품질을 노립니다. 산출물만 놓고는 정당한 증류와 약관을 어긴 출력 수집을 구분하기 어려워, 모델 제공자의 이용약관과 규제 논의에서 반복해서 쟁점이 됩니다.

추론 노력 (Reasoning Effort) #

추론 모델이 최종 답을 내기 전 "생각"에 쓰는 토큰의 양을 조절하는 설정입니다. 시스템 프롬프트의 low·medium·high 지시, 학습 시 길이 페널티, 추론 시 하드 토큰 예산 등으로 구현되며, 노력을 높이면 정확도가 오르는 대신 비용과 지연이 함께 늘어납니다. 출력 길이를 조절하는 다이얼에 가깝고, 최대치 부근에서는 수확이 체감한다는 점이 운영상 핵심입니다.

컨텍스트 윈도우 (Context Window) #

모델이 한 번의 호출에서 읽고 쓸 수 있는 토큰의 총량입니다. 프롬프트·대화 이력·도구 결과·생성 응답이 모두 이 한도를 공유하므로, 상한을 넘기면 앞부분이 잘리거나 호출이 실패합니다. 상한값은 모델 제공사가 언제든 조정할 수 있는 값이라 코드에 고정 상수로 박아 두면 조용한 절단의 원인이 됩니다.

타이포스쿼팅 (Typosquatting) #

정상 패키지·도메인과 한 글자 차이로 헷갈리는 이름을 미리 등록해 두고, 오타나 착각으로 그것을 설치·접속하도록 유도하는 공급망 공격 기법입니다. 패키지 레지스트리(npm·PyPI·Cargo 등)에서는 널리 쓰이는 라이브러리와 비슷한 이름의 악성 패키지를 올려 두는 형태로 나타나며, 이름을 눈으로만 확인하는 설치 절차가 주된 표적입니다.

페트리넷 (Petri net) #

자원과 사건의 흐름을 장소·전이·토큰으로 그리는 형식 모델입니다. 토큰이 놓인 위치가 현재 상태를 나타내고, 전이는 필요한 토큰이 모였을 때만 발생해 동시성과 자원 경합을 자연스럽게 표현합니다. 어떤 순서가 실제로 가능한지 기계적으로 뽑아낼 수 있어, 동시성 코드의 테스트 시나리오를 도출하는 데 쓰입니다.

ACP (Agent Client Protocol) #

코딩 에이전트를 에디터·IDE에 임베딩하기 위한 개방형 연결 프로토콜입니다. 에이전트가 어떤 CLI로 구현됐든 ACP를 말하면 호환 에디터 안에서 패널로 구동할 수 있어, 에이전트(두뇌)와 에디터(작업 공간)를 느슨하게 결합하는 표준 역할을 합니다. Zed 팀이 주도해 공개했고 Grok Build 등 여러 에이전트 CLI가 채택하고 있습니다.

CodeSlop (코드 슬롭) #

AI 코딩 에이전트가 정답에 도달하는 과정에서 최종 패치에 남겨 놓는 불필요한 코드입니다. 시험 삼아 넣었다 버린 수정, 폐기된 가설, 임시 변경이 정리되지 않고 그대로 남아 유지보수 부담을 키우며, 에이전트가 다루는 코드 범위가 커질수록 함께 누적됩니다. 기능에는 영향이 없지만 리뷰·유지보수 비용으로 되돌아온다는 점이 핵심입니다.

computer-use (컴퓨터 유즈) #

AI 에이전트가 사람처럼 화면을 보고 마우스·키보드로 컴퓨터를 조작하는 기능. 스크린샷을 해석해 다음 행동을 정하고 클릭·입력을 실행하는 루프로 동작하며, 브라우저·데스크톱 업무 자동화에 쓰입니다. API 형태로는 가상 머신과 묶여 스텝 단위로 과금되는 상품이 등장하고 있습니다.

CTF (Capture the Flag) #

가상 시나리오 안에 숨겨둔 정보(플래그)를 찾아내도록 하는 침투 훈련·평가 과제입니다. 참가자나 AI 모델이 취약점을 찾아 시스템에 침투해 플래그를 획득하는 방식으로 진행되며, 보안 역량을 안전하게 측정하려는 목적이지만 평가 환경의 격리가 실제로 지켜지지 않으면 훈련용 침투가 진짜 시스템 접근으로 번질 수 있습니다.

DDI (Device Driver Interface) #

운영체제의 그래픽 런타임과 장치 드라이버가 주고받는 하위 인터페이스입니다. 애플리케이션이 부르는 공개 API(예: Direct3D)와 달리, 런타임이 상태 추적을 끝낸 뒤 정리된 명령을 드라이버에 넘기는 지점이라 그래픽 벤더가 구현을 책임집니다. 가상화에서 API 대신 DDI를 구현하면 시스템 라이브러리를 바꿔치기하지 않고도 창 합성기와 정상적으로 협력할 수 있습니다.

LLM 슬롭 (LLM Slop) #

AI가 그럴듯한 형식과 문체로 만들어 냈지만 사실이 아니거나 검증되지 않은 콘텐츠를 가리키는 업계 은어입니다. 코드 리뷰뿐 아니라 취약점 보고서·자문처럼 형식이 정형화된 문서에도 나타나며, 신원 확인이나 재현 검증 없이 그대로 접수되는 파이프라인을 만나면 데이터베이스 전체의 신뢰도를 낮춥니다.

MCP (Model Context Protocol) #

AI 모델·에이전트를 외부 도구·데이터 소스와 표준 방식으로 잇는 개방형 프로토콜입니다(Anthropic이 2024년 공개). 도구를 MCP 서버로 한 번 노출하면 호환되는 어떤 에이전트든 같은 방식으로 쓸 수 있어, 에이전트 생태계의 "USB 포트" 역할을 합니다.

MoE (Mixture-of-Experts, 전문가 혼합) #

모델 파라미터를 여러 "전문가" 블록으로 나누고, 입력 토큰마다 그중 일부만 활성화하는 신경망 구조입니다. 같은 총 파라미터의 밀집(dense) 모델보다 추론 계산량이 크게 줄지만, 활성화되지 않는 전문가도 메모리에는 올려야 하므로 서빙에 필요한 메모리는 총 파라미터 기준이라는 점이 운영상 핵심입니다.

MVCC (Multi-Version Concurrency Control, 다중 버전 동시성 제어) #

데이터를 제자리에서 덮어쓰는 대신 여러 버전을 유지해, 읽기 작업이 쓰기 작업을 막지 않고 각자 일관된 스냅샷을 보게 하는 동시성 제어 방식입니다. Postgres가 대표적 채택 사례이며, 갱신이 쌓이면 오래된 버전을 정리하는 운영 부담(vacuum)이 따라온다는 점이 실무상 핵심입니다.

RCE (Remote Code Execution, 원격 코드 실행) #

공격자가 네트워크를 통해 대상 시스템에서 임의의 코드를 실행하게 만드는 취약점입니다. 인증 없이 성립하는 사전 인증(pre-auth) RCE는 공격 표면이 인터넷 전체로 열려 있어 가장 심각한 등급으로 취급됩니다. 보통 입력 검증 우회·메모리 손상 등 여러 결함을 사슬처럼 엮어 도달하며, 성공하면 데이터 탈취·파괴부터 서버 장악까지 가능합니다.

SARIF (Static Analysis Results Interchange Format) #

정적 분석 도구가 찾아낸 결과를 담는 표준 JSON 포맷입니다(OASIS 표준). 도구마다 제각각이던 출력 형식을 통일해 GitHub 코드 스캐닝 같은 플랫폼이 여러 스캐너의 결과를 한 화면에서 다룰 수 있게 합니다. 파일·라인 위치와 심각도뿐 아니라 재현 절차·코드 발췌까지 담길 수 있어, 산출물 자체를 민감 정보로 취급해야 합니다.

SIMD (Single Instruction, Multiple Data) #

하나의 CPU 명령으로 여러 데이터를 동시에 처리하는 병렬 실행 방식입니다. 데이터를 벡터 레지스터에 나눠 담아 한 번에 연산하므로 문자열 스캔·인코딩 변환·토크나이즈처럼 같은 작업을 대량 반복하는 루프에서 배수 단위 이득이 나옵니다. 명령어 집합에 따라 폭이 다르고(ARM NEON·AVX2·AVX-512 등), 벡터 폭으로 나누어떨어지지 않는 꼬리 데이터는 기존 방식으로 따로 처리해야 합니다.

unsafe 블록 (Rust) #

러스트 컴파일러가 보장하는 메모리 안전성 검사를 개발자 책임으로 넘기고 우회하는 코드 구역입니다. 원시 포인터 역참조, C 함수 호출, 저수준 최적화처럼 컴파일러가 안전성을 증명할 수 없는 작업에 필요하며, 이 구역 안의 실수는 러스트를 쓰더라도 사용 후 해제·범위 밖 접근 같은 결함으로 이어집니다. 그래서 전체 코드 대비 unsafe 비율은 러스트 프로젝트의 위험 표면을 가늠하는 지표로 쓰입니다.

V8 샌드박스 (V8 Sandbox) #

크롬 브라우저의 자바스크립트 엔진 V8이 제공하는 격리 실행 환경입니다. 파일시스템·프로세스 접근을 차단한 채 코드를 돌릴 수 있어 신뢰할 수 없는 코드를 안전하게 실행하는 용도로 쓰이며, Cloudflare Workers나 Telegram Serverless 같은 경량 서버리스 런타임의 기반 기술입니다.

VLA (Vision-Language-Action, 비전-언어-액션 모델) #

카메라로 본 장면과 언어 지시를 함께 입력받아, 로봇 관절·그리퍼를 움직이는 행동을 직접 출력하는 모델입니다. 인식·이해·행동 생성을 하나의 모델이 맡는다는 점에서 인식과 제어를 따로 설계하던 기존 로봇 소프트웨어와 다르며, 과제·환경에 따라 성공률 편차가 크게 나타난다는 점이 실무상 핵심입니다.