Offcanvas

AI ������

마키나락스, AI/ML 개발 도구 ‘링크’ 커뮤니티 버전 출시

마키나락스가 데이터 사이언티스트를 위한 인공지능(AI)/머신러닝(ML) 모델 개발 도구 ‘마키나락스 링크(MakianRocks Link, 이하 링크)’의 커뮤니티 버전을 출시했다.   회사에 따르면 링크(link.makinarocks.ai)는 AI/ML 모델을 가독성 있는 파이프라인으로 전환해주는 주피터랩의 확장 프로그램이다. 데이터 사이언티스트가 친숙하게 사용하는 주피터(Jupyter)의 사용성을 그대로 유지하며, 쿠버네티스와 관련한 기술 허들을 제거했다는 것이 특징이라고 업체 측은 설명했다. 이에 쿠버네티스 지식이 없어도 링크를 사용해 MLOps(Machine Learning Operations) 환경에 활용 가능한 파이프라인을 만들 수 있다.  링크의 주요 기능은 각 셀 간의 관계와 실행 순서를 지정할 수 있다. 코드 스크립트 화면에서 파이프라인을 생성해 노트북 코드(Notebook Code)에 대한 가독성을 높임으로써, 셀의 선후 관계를 설정할 수 없었던 주피터랩의 한계를 극복했다. 또한 파이프라인을 쉽게 구성하고 사용할 수 있도록 ▲파이프라인 실행 옵션 ▲코멘트 작성 ▲헤더컬러 설정 ▲컴포넌트 저장 및 공유 등 부가기능도 제공한다고 업체 측은 전했다. 한 번 실행한 셀의 결과 값을 캐싱(Caching)해 반복 작업을 줄임으로써 업무 효율을 극대화한다. 캐시 정보의 저장과 공유 기능을 활용해 연속성 있는 작업과 협업자에게 작업 상태를 간편히 재현할 수 있다. 데이터 사이언티스트 간의 협업 편의성을 제고한다. 자유도가 높은 주피터랩의 특성상 사용자의 업무 방식이 다른 경우 작업결과물(output)의 대부분은 재사용이 어렵다. 링크에서는 전체 또는 일부의 파이프라인은 물론, 실행 결과를 저장하고 공유할 수 있어 협업자 간의 이해와 코드의 재사용성을 높일 수 있다. 또한 ▲코멘트 추가 ▲컴포넌트 그룹핑 ▲파이썬 스크립트 변환 등 효율적인 협업을 지원하는 부가기능도 탑재돼 있다. 향후 ▲파이프라인 및 노트북 소스코드 변경 이력관리 ▲...

마키나락스 AI 모델 AI 개발

2022.05.11

마키나락스가 데이터 사이언티스트를 위한 인공지능(AI)/머신러닝(ML) 모델 개발 도구 ‘마키나락스 링크(MakianRocks Link, 이하 링크)’의 커뮤니티 버전을 출시했다.   회사에 따르면 링크(link.makinarocks.ai)는 AI/ML 모델을 가독성 있는 파이프라인으로 전환해주는 주피터랩의 확장 프로그램이다. 데이터 사이언티스트가 친숙하게 사용하는 주피터(Jupyter)의 사용성을 그대로 유지하며, 쿠버네티스와 관련한 기술 허들을 제거했다는 것이 특징이라고 업체 측은 설명했다. 이에 쿠버네티스 지식이 없어도 링크를 사용해 MLOps(Machine Learning Operations) 환경에 활용 가능한 파이프라인을 만들 수 있다.  링크의 주요 기능은 각 셀 간의 관계와 실행 순서를 지정할 수 있다. 코드 스크립트 화면에서 파이프라인을 생성해 노트북 코드(Notebook Code)에 대한 가독성을 높임으로써, 셀의 선후 관계를 설정할 수 없었던 주피터랩의 한계를 극복했다. 또한 파이프라인을 쉽게 구성하고 사용할 수 있도록 ▲파이프라인 실행 옵션 ▲코멘트 작성 ▲헤더컬러 설정 ▲컴포넌트 저장 및 공유 등 부가기능도 제공한다고 업체 측은 전했다. 한 번 실행한 셀의 결과 값을 캐싱(Caching)해 반복 작업을 줄임으로써 업무 효율을 극대화한다. 캐시 정보의 저장과 공유 기능을 활용해 연속성 있는 작업과 협업자에게 작업 상태를 간편히 재현할 수 있다. 데이터 사이언티스트 간의 협업 편의성을 제고한다. 자유도가 높은 주피터랩의 특성상 사용자의 업무 방식이 다른 경우 작업결과물(output)의 대부분은 재사용이 어렵다. 링크에서는 전체 또는 일부의 파이프라인은 물론, 실행 결과를 저장하고 공유할 수 있어 협업자 간의 이해와 코드의 재사용성을 높일 수 있다. 또한 ▲코멘트 추가 ▲컴포넌트 그룹핑 ▲파이썬 스크립트 변환 등 효율적인 협업을 지원하는 부가기능도 탑재돼 있다. 향후 ▲파이프라인 및 노트북 소스코드 변경 이력관리 ▲...

2022.05.11

“클라우드 머신러닝 툴킷 통합”··· 구글, ‘버텍스 AI’ 출시

‘버텍스 AI(Vertex AI)’는 하나의 통합된 UI 및 API 하에서 머신러닝을 구축하기 위해 모든 구글 클라우드 서비스를 통합한다.  지난 5월 18일(현지 시각) 구글 클라우드의 ‘버텍스 AI(Vertex AI)’가 GA 버전으로 공개됐다. 이는 AI 모델 구축 및 유지관리를 지원하는 관리형 머신러닝 플랫폼이다. 구글은 AI 모델 학습에 필요한 코드 라인을 80% 감소시켰다고 밝혔다.    버텍스 AI는 통합된 UI 및 API로 머신러닝 모델을 구축하기 위해 모든 구글 클라우드 서비스를 통합한다. 이를 통해 대규모의 머신러닝 모델 구축 및 배포 프로세스를 단순화할 수 있다고 구글은 설명했다. 구체적으로 말하자면 ‘오토ML(AutoML)’과 ‘AI 플랫폼(AI Platform)’이 통합 API, 클라이언트 라이브러리, UI로 연동된다.  또한 구글은 사용자가 전문 교육을 받지 않아도 데이터와 프로토타입을 관리하고, 모델을 구축 및 해석할 수 있다고 전했다. 버텍스 AI에서 제공하는 기능들은 다음과 같다.  • 컴퓨터 비전, 영상, 자연어, 구조화된 데이터 등을 지원하기 위해 사전 학습된 API를 포함한 AI 툴킷에 액세스할 수 있다.  • ML옵스(MLOps) 기능을 통해 AI 애플리케이션을 더 빠르게 배포하여 실험 속도를 높이는 ‘버텍스 비지어(Vertex Vizier)’, 머신러닝 기능을 제공하고 공유하며 재사용할 수 있는 ‘버텍스 피처 스토어(Vertex Feature Store)’, 모델 구축을 가속화하는 ‘버텍스 익스페리먼트(Vertex Experiments)’가 제공된다. • ‘버텍스 컨티뉴어스 모니터링(Vertex Continuous Monitoring)’, ‘버텍스 파이프라인(Vertex Pipelines)’은 머신러닝 워크플로우를 간소화한다. 이는 셀프-서비스 모델 유지관리 및 반복의 복잡성을 제거하는 것을 목표로 한다.  버텍스 AI 플랫폼을 시작하려면 이곳에...

구글 클라우드 구글 클라우드 머신러닝 인공지능 AI 모델 버텍스 AI

2021.05.20

‘버텍스 AI(Vertex AI)’는 하나의 통합된 UI 및 API 하에서 머신러닝을 구축하기 위해 모든 구글 클라우드 서비스를 통합한다.  지난 5월 18일(현지 시각) 구글 클라우드의 ‘버텍스 AI(Vertex AI)’가 GA 버전으로 공개됐다. 이는 AI 모델 구축 및 유지관리를 지원하는 관리형 머신러닝 플랫폼이다. 구글은 AI 모델 학습에 필요한 코드 라인을 80% 감소시켰다고 밝혔다.    버텍스 AI는 통합된 UI 및 API로 머신러닝 모델을 구축하기 위해 모든 구글 클라우드 서비스를 통합한다. 이를 통해 대규모의 머신러닝 모델 구축 및 배포 프로세스를 단순화할 수 있다고 구글은 설명했다. 구체적으로 말하자면 ‘오토ML(AutoML)’과 ‘AI 플랫폼(AI Platform)’이 통합 API, 클라이언트 라이브러리, UI로 연동된다.  또한 구글은 사용자가 전문 교육을 받지 않아도 데이터와 프로토타입을 관리하고, 모델을 구축 및 해석할 수 있다고 전했다. 버텍스 AI에서 제공하는 기능들은 다음과 같다.  • 컴퓨터 비전, 영상, 자연어, 구조화된 데이터 등을 지원하기 위해 사전 학습된 API를 포함한 AI 툴킷에 액세스할 수 있다.  • ML옵스(MLOps) 기능을 통해 AI 애플리케이션을 더 빠르게 배포하여 실험 속도를 높이는 ‘버텍스 비지어(Vertex Vizier)’, 머신러닝 기능을 제공하고 공유하며 재사용할 수 있는 ‘버텍스 피처 스토어(Vertex Feature Store)’, 모델 구축을 가속화하는 ‘버텍스 익스페리먼트(Vertex Experiments)’가 제공된다. • ‘버텍스 컨티뉴어스 모니터링(Vertex Continuous Monitoring)’, ‘버텍스 파이프라인(Vertex Pipelines)’은 머신러닝 워크플로우를 간소화한다. 이는 셀프-서비스 모델 유지관리 및 반복의 복잡성을 제거하는 것을 목표로 한다.  버텍스 AI 플랫폼을 시작하려면 이곳에...

2021.05.20

엔비디아, ‘클라라 연합학습’으로 AI 모델 구축…“코로나19 환자 산소 요구량 예측”

엔비디아가 매사추세츠 제너럴 브리검 병원과 클라라 연합학습(Clara federated learning)을 기반으로 코로나19 초기 검사만으로 산소 보충이 필요한지 판단하는 AI 모델을 개발했다고 밝혔다. 이번 모델을 개발하기 위해 엔비디아와 매사추세츠 제너럴 브리검 병원은 전 세계 20개 병원과 손잡고 가장 방대하고 다양한 연합학습 이니셔티브인 ‘EXAM(EMR CXR AI Model)’을 시작했다. 회사에 따르면 이번 이니셔티브가 시작된 지 불과 2주 만에 연구진은 곡선하면적(AUC)이 .94(AUC 목표값 1.0)인 모델을 생성해 신규 환자가 필요로 하는 산소 농도에 대해 우수한 예측 결과를 도출했다. 해당 연합학습 모델은 엔비디아 GPU 클라우드(NVIDIA GPU Cloud, NGC)에서 구동되는 엔비디아 클라라(Clara)의 일환으로 향후 수 주 안에 출시될 예정이다. 엔비디아 클라라 연합학습 프레임워크를 통해 각 병원 연구진들은 흉부 엑스레이, 환자 활력징후(vital) 및 실험실 값을 활용해 로컬 모델을 훈련시켰다. 또한, 연합학습이라 불리는 개인정보 보호 기법을 사용하여 모델 가중치의 하위 집합만 글로벌 모델과 공유할 수 있었다. 이 모델의 궁극적인 목표는 응급실에 들어오는 사람이 산소 보충을 필요로 할 가능성을 예측하는 것으로, 의사들이 중환자실 배치를 포함해 환자에 대한 적절한 치료 수준을 결정하는 데 도움을 줄 수 있다고 회사 측은 설명했다. 매사추세츠 제너럴 브리검 병원에서 AI 개발 및 구축을 총괄하는 이타이 다얀 박사는 엔비디아와 함께 EXAM 이니셔티브를 공동 주도하고, 연합학습 훈련의 출발점으로 CORISK 모델을 활용하도록 도모했다. CORISK는 의료 영상과 건강 기록을 결합한 모델로, 많은 국가에서 코로나19 2차 유행으로 인한 환자가 발생할 수 있는 상황에서 의료진이 환자 입원을 보다 효과적으로 관리하도록 돕기 위해 개발됐다. 매사추세츠 제너럴 브리검 병원 및 부속 병원 외에도 ▲한국 경북대병원 ▲워싱턴...

엔비디아 클라라 연합학습 AI 모델

2020.10.13

엔비디아가 매사추세츠 제너럴 브리검 병원과 클라라 연합학습(Clara federated learning)을 기반으로 코로나19 초기 검사만으로 산소 보충이 필요한지 판단하는 AI 모델을 개발했다고 밝혔다. 이번 모델을 개발하기 위해 엔비디아와 매사추세츠 제너럴 브리검 병원은 전 세계 20개 병원과 손잡고 가장 방대하고 다양한 연합학습 이니셔티브인 ‘EXAM(EMR CXR AI Model)’을 시작했다. 회사에 따르면 이번 이니셔티브가 시작된 지 불과 2주 만에 연구진은 곡선하면적(AUC)이 .94(AUC 목표값 1.0)인 모델을 생성해 신규 환자가 필요로 하는 산소 농도에 대해 우수한 예측 결과를 도출했다. 해당 연합학습 모델은 엔비디아 GPU 클라우드(NVIDIA GPU Cloud, NGC)에서 구동되는 엔비디아 클라라(Clara)의 일환으로 향후 수 주 안에 출시될 예정이다. 엔비디아 클라라 연합학습 프레임워크를 통해 각 병원 연구진들은 흉부 엑스레이, 환자 활력징후(vital) 및 실험실 값을 활용해 로컬 모델을 훈련시켰다. 또한, 연합학습이라 불리는 개인정보 보호 기법을 사용하여 모델 가중치의 하위 집합만 글로벌 모델과 공유할 수 있었다. 이 모델의 궁극적인 목표는 응급실에 들어오는 사람이 산소 보충을 필요로 할 가능성을 예측하는 것으로, 의사들이 중환자실 배치를 포함해 환자에 대한 적절한 치료 수준을 결정하는 데 도움을 줄 수 있다고 회사 측은 설명했다. 매사추세츠 제너럴 브리검 병원에서 AI 개발 및 구축을 총괄하는 이타이 다얀 박사는 엔비디아와 함께 EXAM 이니셔티브를 공동 주도하고, 연합학습 훈련의 출발점으로 CORISK 모델을 활용하도록 도모했다. CORISK는 의료 영상과 건강 기록을 결합한 모델로, 많은 국가에서 코로나19 2차 유행으로 인한 환자가 발생할 수 있는 상황에서 의료진이 환자 입원을 보다 효과적으로 관리하도록 돕기 위해 개발됐다. 매사추세츠 제너럴 브리검 병원 및 부속 병원 외에도 ▲한국 경북대병원 ▲워싱턴...

2020.10.13

기고 | 구글 '지파이프'와 MS '파이프드림' : 분산 AI 트레이닝의 혁신

데이터 과학은 어려운 작업일지언정 신비한 마술이 아니다. AI 모델이 약속한 만큼의 성능을 발휘하는가는 훈련에 달려 있으며, AI 모델을 훈련하는 데 ‘일률적’ 접근법이란 없다.  분산 AI 훈련(distributed AI training)이라는 필요악  AI 모델을 훈련할 때 가장 까다로운 작업 중 하나는 스케일링이다. 모델이 한 컴퓨팅 플랫폼에서 처리될 수 없을 정도로 리소스를 과도하게 필요로 할 때 훈련이 특히 어려울 수 있다. 모델이 지나치게 커지면 하나의 컴퓨터가 가진 메모리 한계를 초과하거나 가속 기기를 위해 특별한 알고리즘이나 인프라를 개발해야 하기 때문이다. 훈련 데이터 세트가 거대해진다면 훈련은 과도하게 긴 시간이 걸리고 터무니없이 비싸질 수 있다.  스케일링의 어려움은 모델에게 얼마나 우수함을 기대하느냐에 따라 달라진다. 추론 정확도 수준을 높일수록 훈련 프로세스는 시간이 길어지고 갈수록 많은 자원을 소비한다. 단순히 보다 강력한 하드웨어를 투입한다고 해서 문제가 해결되지 않는다. 수많은 애플리케이션 워크로드와 마찬가지로 AI 모델이 복잡해지면 고속 프로세서 하나만으로 선형 스케일링을 유지할 수 없다.  이에 따라 분산 훈련이 필요할 것이다. 훈련 모델의 요소를 분할해 병렬 프로세싱에 최적화된 노드로 분산시키는 것이다. 그렇다면 모델을 훈련하는 데 필요한 시간이 크게 줄어든다. 그러나 병렬화는 자체적으로 위험할 수 있다. 통계 모델은 손상되기 쉬운 구조이기 때문이다.  모델은 사소해 보이는 변화, 예컨대 레이어, 노드, 접속, 가중치, 하이퍼파라미터 등이 모델의 정확한 추론에 지장을 주는 경우 참담하게 실패할 수 있다. 이를 그대로 유지한 채 모델을 분산 요소로 분할하더라도 결과를 일관성 있게 재결합해야 하는 문제가 남는다.  만약 제대로 주의를 기울이지 않는다면 재결합된 모델은 지정된 작업을 이행할 때 편향을 일으킬 수 있다.  분산 AI 훈련을 위한 새로운 업계 프레...

AI 모델 AI 훈련 구글 지파이프 마이크로소프트 파이프드림 병렬 훈련 분산 훈련

2020.04.27

데이터 과학은 어려운 작업일지언정 신비한 마술이 아니다. AI 모델이 약속한 만큼의 성능을 발휘하는가는 훈련에 달려 있으며, AI 모델을 훈련하는 데 ‘일률적’ 접근법이란 없다.  분산 AI 훈련(distributed AI training)이라는 필요악  AI 모델을 훈련할 때 가장 까다로운 작업 중 하나는 스케일링이다. 모델이 한 컴퓨팅 플랫폼에서 처리될 수 없을 정도로 리소스를 과도하게 필요로 할 때 훈련이 특히 어려울 수 있다. 모델이 지나치게 커지면 하나의 컴퓨터가 가진 메모리 한계를 초과하거나 가속 기기를 위해 특별한 알고리즘이나 인프라를 개발해야 하기 때문이다. 훈련 데이터 세트가 거대해진다면 훈련은 과도하게 긴 시간이 걸리고 터무니없이 비싸질 수 있다.  스케일링의 어려움은 모델에게 얼마나 우수함을 기대하느냐에 따라 달라진다. 추론 정확도 수준을 높일수록 훈련 프로세스는 시간이 길어지고 갈수록 많은 자원을 소비한다. 단순히 보다 강력한 하드웨어를 투입한다고 해서 문제가 해결되지 않는다. 수많은 애플리케이션 워크로드와 마찬가지로 AI 모델이 복잡해지면 고속 프로세서 하나만으로 선형 스케일링을 유지할 수 없다.  이에 따라 분산 훈련이 필요할 것이다. 훈련 모델의 요소를 분할해 병렬 프로세싱에 최적화된 노드로 분산시키는 것이다. 그렇다면 모델을 훈련하는 데 필요한 시간이 크게 줄어든다. 그러나 병렬화는 자체적으로 위험할 수 있다. 통계 모델은 손상되기 쉬운 구조이기 때문이다.  모델은 사소해 보이는 변화, 예컨대 레이어, 노드, 접속, 가중치, 하이퍼파라미터 등이 모델의 정확한 추론에 지장을 주는 경우 참담하게 실패할 수 있다. 이를 그대로 유지한 채 모델을 분산 요소로 분할하더라도 결과를 일관성 있게 재결합해야 하는 문제가 남는다.  만약 제대로 주의를 기울이지 않는다면 재결합된 모델은 지정된 작업을 이행할 때 편향을 일으킬 수 있다.  분산 AI 훈련을 위한 새로운 업계 프레...

2020.04.27

기고 | ‘세익스피어 vs. 래퍼’··· AI 모델 편향성 사례 살펴보기

요즈음 인공지능(AI)의 편향에 대한 논란이 많다. 사람의 얼굴을 부적절하게 판단하는 이미지 분류 시스템에서부터 성별 편향을 보이는 채용 봇에 이르기까지 AI는 인간의 행동을 모사함에 있어 편견까지 고스란히 물려받는 경향을 보인다. AI를 오용하면 인종차별주의자, 성차별주의자, 상스러운 봇을 만들고 이로 인한 피해를 입을 수 있다. 그렇다면 AI를 오용하지 않을 방법은 무엇일까? AI가 태생적으로 편향적인 것은 아닐까? 여기 참고할만한 필자의 사례를 소개한다.    기계는 기계일 뿐 우선 한 가지 확실히 말해 둘 것이 있다. AI는 기계일 뿐이다. 기계를 인격화해 바라볼 수 있지만 여전히 기계일 뿐이다. 호숫가에서 갖고 놀던 평범한 돌을 가치 있는 수집용 수석으로 대우할지라도 돌이라는 본질은 변하지 않는 것과 그리 다르지 않다.  사실 수집용 돌이 아무리 멋지게 보여도 돌이라는 점을 잊는 이는 드물다. AI도 마찬가지여야 한다. 대화하는 내용이나 외모가 아무리 인간과 비슷해도 여전히 기계라는 사실을 잊어서는 안 된다. 얼마 전 필자는 교사 봇 프로젝트를 진행했었다. 그 핵심은 오픈소스 데이터 사이언스 소프트웨어인 KNIME 분석 플랫폼의 문서와 기능에 대한 질문에 대해 자동으로 정보성 답변을 생성하는 것이었다. 모든 봇 프로젝트와 마찬가지로 말하는 스타일을 선택하는 문제에 직면했다.  말을 하거나 글을 쓰는 스타일은 다양하기 마련이다. 봇의 경우 친근하면 좋을 수 있지만 과도하지 않아야 한다. 공손하지만 상황에 따라 적극적일 수 있어야 한다.  ‘쓰기 또는 말하기 스타일을 묘사하는 60개의 단어’라는 제목의 블로그 포스트에는 수다스럽고 말을 잘 하는 것부터 서정적이며 문학적이고 재미있는 스타일, 유창하고 예의 바른 스타일, 앞 뒤가 맞지 않는 스타일(필자가 가장 좋아함)까지 봇의 다양한 말하기 스타일에 관한 60가지의 미묘한 차이가 나열되어 있다. 나의 봇은 어떤 말하기 스타일을 적용해야 할까? 필자는...

편견 편향성 AI 모델 AI 훈련 데이터

2020.01.28

요즈음 인공지능(AI)의 편향에 대한 논란이 많다. 사람의 얼굴을 부적절하게 판단하는 이미지 분류 시스템에서부터 성별 편향을 보이는 채용 봇에 이르기까지 AI는 인간의 행동을 모사함에 있어 편견까지 고스란히 물려받는 경향을 보인다. AI를 오용하면 인종차별주의자, 성차별주의자, 상스러운 봇을 만들고 이로 인한 피해를 입을 수 있다. 그렇다면 AI를 오용하지 않을 방법은 무엇일까? AI가 태생적으로 편향적인 것은 아닐까? 여기 참고할만한 필자의 사례를 소개한다.    기계는 기계일 뿐 우선 한 가지 확실히 말해 둘 것이 있다. AI는 기계일 뿐이다. 기계를 인격화해 바라볼 수 있지만 여전히 기계일 뿐이다. 호숫가에서 갖고 놀던 평범한 돌을 가치 있는 수집용 수석으로 대우할지라도 돌이라는 본질은 변하지 않는 것과 그리 다르지 않다.  사실 수집용 돌이 아무리 멋지게 보여도 돌이라는 점을 잊는 이는 드물다. AI도 마찬가지여야 한다. 대화하는 내용이나 외모가 아무리 인간과 비슷해도 여전히 기계라는 사실을 잊어서는 안 된다. 얼마 전 필자는 교사 봇 프로젝트를 진행했었다. 그 핵심은 오픈소스 데이터 사이언스 소프트웨어인 KNIME 분석 플랫폼의 문서와 기능에 대한 질문에 대해 자동으로 정보성 답변을 생성하는 것이었다. 모든 봇 프로젝트와 마찬가지로 말하는 스타일을 선택하는 문제에 직면했다.  말을 하거나 글을 쓰는 스타일은 다양하기 마련이다. 봇의 경우 친근하면 좋을 수 있지만 과도하지 않아야 한다. 공손하지만 상황에 따라 적극적일 수 있어야 한다.  ‘쓰기 또는 말하기 스타일을 묘사하는 60개의 단어’라는 제목의 블로그 포스트에는 수다스럽고 말을 잘 하는 것부터 서정적이며 문학적이고 재미있는 스타일, 유창하고 예의 바른 스타일, 앞 뒤가 맞지 않는 스타일(필자가 가장 좋아함)까지 봇의 다양한 말하기 스타일에 관한 60가지의 미묘한 차이가 나열되어 있다. 나의 봇은 어떤 말하기 스타일을 적용해야 할까? 필자는...

2020.01.28

IDG 설문조사

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.5.0.5