ITPE * JackerLab

Membership Inference Attack (MIA)

개요Membership Inference Attack(MIA)은 특정 데이터 샘플이 머신러닝 모델의 학습 데이터에 포함되었는지 여부를 추론하는 프라이버시 공격 기법이다. 공격자는 모델의 출력(확률 분포, confidence score, 응답 패턴 등)을 분석하여 해당 데이터가 훈련 세트에 사용되었는지를 예측한다.특히 의료, 금융, 개인화 추천 시스템과 같이 민감한 데이터를 사용하는 AI 모델에서 MIA는 심각한 개인정보 유출 위험을 초래할 수 있다. LLM 및 MLaaS 환경에서도 모델 응답 확률과 토큰 분포를 기반으로 유사한 공격 가능성이 제기되고 있다.1. 개념 및 정의Membership Inference Attack은 모델이 학습 데이터에 대해 일반적으로 더 높은 confidence를 보이는 특성을..

Clone Model(모델 복제)

개요Clone Model(모델 복제)은 기존 AI 모델(Target Model)의 기능, 의사결정 경계, 출력 패턴을 재현하기 위해 학습된 복제 모델을 의미한다. 이는 합법적 목적(모델 경량화, 테스트, 연구)으로 활용될 수 있지만, 보안 관점에서는 Model Stealing, Model Extraction, Knockoff Nets와 같은 공격의 결과물로 사용될 수 있다.특히 API 형태로 제공되는 LLM 및 MLaaS 환경에서는 반복 질의를 통해 출력 데이터를 수집한 뒤, 이를 기반으로 Clone Model을 학습시키는 방식이 현실적인 위협으로 평가된다.1. 개념 및 정의Clone Model은 원본 모델의 입력–출력 관계를 학습하여 기능적으로 유사한 모델을 생성하는 접근 방식이다. 내부 파라미터에 접..

Substitute Model(대체 모델)

개요Substitute Model(대체 모델)은 공격자가 블랙박스 접근만 가능한 목표 모델(Target Model)을 직접 분석할 수 없을 때, 입력–출력 쌍을 기반으로 근사 모델을 학습하여 원본 모델의 의사결정 경계를 추정하는 전략이다. 이는 특히 Adversarial Attack(적대적 공격) 및 Model Extraction 공격에서 핵심적으로 활용된다.Goodfellow 등 연구 이후, 블랙박스 환경에서도 공격이 가능하다는 사실이 입증되었으며, Substitute Model은 Gradient 기반 공격을 우회적으로 수행하기 위한 핵심 메커니즘으로 자리잡았다.1. 개념 및 정의Substitute Model은 목표 모델의 예측 결과를 학습 데이터로 활용하여 기능적으로 유사한 모델을 구축하는 방식이다...

개요Surrogate Model(대체 모델)은 원본 모델(Target Model)의 동작을 근사(Approximation)하거나 모방(Imitation)하기 위해 학습된 보조 모델이다. 주로 블랙박스 환경에서 입력–출력 쌍을 활용하여 원본 모델의 의사결정 경계를 재현하거나, 해석 가능성(Explainability)을 높이기 위한 분석 도구로 사용된다.AI 보안 관점에서는 Model Extraction, Model Stealing, Knockoff Nets 등의 공격에서 핵심 구성 요소로 활용되며, 반대로 방어 관점에서는 모델 해석, 테스트, 성능 분석을 위한 합법적 도구로도 사용된다.1. 개념 및 정의Surrogate Model은 원본 모델의 내부 구조나 파라미터에 직접 접근하지 않고, 출력 결과를 기반..

개요Query-based Attack은 공격자가 대상 AI 모델 또는 MLaaS/LLM API에 반복적으로 질의를 수행하여 출력 결과를 수집하고, 이를 분석해 모델의 내부 동작, 의사결정 경계, 민감 정보 또는 취약점을 추론하는 블랙박스 공격 기법이다. 내부 파라미터 접근 없이도 입력–출력 관계만으로 모델 정보를 추출할 수 있다는 점에서 탐지와 방어가 어렵다.특히 LLM, 이미지 분류 모델, 추천 시스템 등 API 형태로 공개된 AI 서비스가 확산되면서 Query 기반 공격은 모델 탈취(Model Stealing), 모델 추출(Model Extraction), 모델 반전(Model Inversion) 등의 상위 공격 기법의 핵심 메커니즘으로 활용된다.1. 개념 및 정의Query-based Attack은 ..

개요Functionally Equivalent Extraction(FEE)는 공격자가 블랙박스 접근만을 활용하여 목표 모델(Target Model)과 기능적으로 동일한(Functionally Equivalent) 모델을 재구성하는 고도화된 모델 탈취 공격 기법이다. 단순 성능 근사가 아닌, 입력 공간 전반에 걸쳐 동일하거나 매우 유사한 의사결정 경계를 복원하는 것을 목표로 한다.특히 MLaaS 및 LLM API 환경에서 내부 파라미터를 직접 획득하지 않더라도 모델의 기능적 동등성을 확보할 수 있다는 점에서 지적 재산(IP) 및 상업적 가치에 심각한 위협이 된다.1. 개념 및 정의Functionally Equivalent Extraction은 입력–출력 쌍을 반복적으로 수집하고, 의사결정 경계를 체계적으로..

개요Knockoff Nets는 공개된 머신러닝 모델 또는 API에 블랙박스 방식으로 질의(Query)를 수행하여 출력 데이터를 수집한 뒤, 이를 기반으로 유사한 대체 모델(Surrogate Model)을 학습시키는 모델 모방(Model Imitation) 공격 기법이다. 2019년 Orekondy et al.의 논문 *"Knockoff Nets: Stealing Functionality of Black-Box Models"*에서 체계적으로 제안되었으며, 제한된 정보만으로도 고성능 모델을 근사할 수 있음을 실험적으로 입증하였다.특히 MLaaS(Machine Learning as a Service) 및 LLM API 환경에서 모델의 지적 재산(IP)과 상업적 가치를 침해할 수 있는 현실적인 위협으로 평가된다..

개요Model Stealing Attack은 공격자가 공개된 머신러닝 또는 LLM API에 반복적으로 질의를 수행하여 출력 결과를 수집하고, 이를 기반으로 유사한 모델(Surrogate Model)을 학습시켜 원본 모델의 기능을 복제하는 공격 기법이다. 이는 Model Extraction Attack(MEA)과 유사한 개념으로 사용되며, 특히 MLaaS(Machine Learning as a Service) 환경에서 주요 보안 위협으로 간주된다.클라우드 기반 AI 서비스가 확산됨에 따라 모델 자체가 핵심 자산이 되었으며, 모델 탈취는 기업의 지적 재산(IP), 경쟁 우위, API 수익 구조를 직접적으로 침해할 수 있다.1. 개념 및 정의Model Stealing Attack은 블랙박스 접근 환경에서 입력..

개요Model Extraction Attack(MEA)는 공격자가 공개된 머신러닝 또는 대규모 언어 모델(LLM) API에 반복적으로 질의(Query)를 보내 모델의 동작을 학습한 후, 이를 기반으로 유사한 대체 모델(Surrogate Model)을 복제하는 공격 기법이다. 이는 모델 파라미터 자체를 직접 탈취하지 않더라도, 출력 응답 패턴을 분석하여 모델의 의사결정 경계를 재구성하는 방식으로 이루어진다.클라우드 기반 AI 서비스가 확산되면서, API 형태로 제공되는 모델의 지적 재산(IP) 보호와 비용 보호 관점에서 MEA는 주요 보안 위협으로 부상하고 있다.1. 개념 및 정의Model Extraction Attack은 블랙박스 접근 환경에서 입력과 출력만을 활용하여 목표 모델의 기능을 근사하는 모델을..

개요VDRP(Vulnerability Disclosure & Remediation Policy)는 외부 연구자, 고객, 내부 직원 등 이해관계자가 발견한 보안 취약점을 안전하게 접수·평가·조치·공개하기 위한 공식 정책 체계이다. 이는 단순한 취약점 신고 채널을 넘어, 책임 있는 공개(Responsible Disclosure), 패치 배포, 커뮤니케이션 전략, 법적 보호 조항까지 포함하는 통합 보안 거버넌스 모델이다.최근 공급망 공격과 제로데이 취약점 증가로 인해, 글로벌 기업 및 공공기관은 ISO/IEC 29147, ISO/IEC 30111 표준을 기반으로 VDRP를 수립하고 있다.1. 개념 및 정의VDRP는 조직이 취약점 정보를 수신하고, 이를 분석하여 적절한 시정 조치를 수행한 후, 이해관계자와 투명..

개요Donut(Document Understanding Transformer)는 NAVER Clova AI에서 제안한 End-to-End 문서 이해 모델로, 기존 OCR 기반 파이프라인을 제거하고 이미지에서 직접 구조화된 텍스트를 생성하는 Transformer 기반 아키텍처이다. 이름 그대로 OCR을 거치지 않고(“Document understanding without OCR”) Vision Encoder와 Transformer Decoder를 통해 문서를 직접 해석한다.기존 Document AI 스택은 OCR → 후처리 → 정보 추출의 다단계 구조였으나, Donut은 이를 단일 Seq2Seq 모델로 통합하여 파이프라인 복잡도를 크게 줄였다.1. 개념 및 정의Donut은 Vision Transformer..

개요DocTR(Document Text Recognition)은 Mindee에서 개발한 오픈소스 딥러닝 기반 OCR 라이브러리로, 문서 이미지에서 텍스트 영역 탐지(Text Detection)와 텍스트 인식(Text Recognition)을 End-to-End로 수행하는 통합 프레임워크이다. PyTorch 및 TensorFlow를 모두 지원하며, 경량 모델부터 고정밀 모델까지 다양한 아키텍처를 제공한다.기존 OCR 엔진이 문자 인식 중심이었다면, DocTR은 문서 레이아웃을 고려한 탐지+인식 통합 구조를 채택하여 Document AI 파이프라인의 핵심 구성 요소로 활용되고 있다.1. 개념 및 정의DocTR은 두 단계 구조를 기반으로 한다. 첫 단계는 Differentiable Binarization(DB..

개요TrOCR는 Microsoft가 제안한 Transformer 기반 OCR 모델로, CNN+RNN 구조 중심의 전통적 OCR 방식에서 벗어나 Vision Transformer(ViT) 인코더와 Transformer 디코더를 결합한 End-to-End 문자 인식 모델이다. 이미지에서 직접 텍스트를 생성하는 Sequence-to-Sequence 구조를 채택하여, 별도의 문자 분리(Character Segmentation) 과정 없이 고정밀 인식이 가능하다.특히 인쇄체 및 필기체(Handwritten Text Recognition, HTR) 영역에서 기존 OCR 대비 높은 정확도를 보이며, Document AI 및 Multimodal AI 파이프라인의 핵심 모델로 활용되고 있다.1. 개념 및 정의TrOCR는..

개요Modern OCR Stack은 전통적인 문자 인식(OCR)을 넘어 문서 레이아웃 이해, 테이블 추출, 필드 구조화, 의미 기반 정보 추출까지 포함하는 통합 문서 AI(Document AI) 아키텍처를 의미한다. 과거의 Tesseract 기반 단순 텍스트 추출에서 발전하여, Transformer 기반 비전-언어 모델(VLM), 레이아웃 분석, 후처리 파이프라인이 결합된 구조로 진화하였다.금융, 보험, 공공기관, 물류, 의료 등 대량 문서 처리 산업에서 자동화 수요가 증가하면서 Modern OCR Stack은 AI 기반 업무 자동화의 핵심 인프라로 자리잡고 있다.1. 개념 및 정의Modern OCR Stack은 이미지 기반 문서를 입력받아 텍스트 인식, 레이아웃 분석, 의미 추출, 데이터 정제 및 시스..

개요Sparse–Dense Hybrid Indexing은 전통적인 희소(Sparse) 기반 키워드 검색(BM25 등)과 밀집(Dense) 벡터 임베딩 검색(Embedding Retrieval)을 결합한 검색 아키텍처이다. LLM 기반 RAG(Retrieval-Augmented Generation) 시스템이 확산되면서, 단순 키워드 검색 또는 벡터 검색 단독 방식의 한계를 보완하기 위한 하이브리드 전략이 주목받고 있다.Sparse 인덱스는 정확한 키워드 매칭에 강점이 있으며, Dense 인덱스는 의미 기반(Semantic) 검색에 강하다. Hybrid Indexing은 두 방식을 결합하여 검색 정확도(Precision)와 재현율(Recall)을 동시에 개선하는 것을 목표로 한다.1. 개념 및 정의Spars..

개요Release Engineering for LLM은 대규모 언어 모델(LLM)의 학습, 평가, 배포, 모니터링 전 과정을 체계적으로 관리하여 안정적이고 반복 가능한 릴리즈를 보장하는 엔지니어링 체계이다. 전통적인 소프트웨어 릴리즈 엔지니어링이 코드 중심이었다면, LLM 환경에서는 모델, 프롬프트, 데이터, 인프라, 비용 구조까지 포함하는 복합적 자산 관리가 요구된다.생성형 AI 서비스는 모델 변경, 파라미터 튜닝, 프롬프트 수정만으로도 품질·비용·안전성에 큰 영향을 미치므로, 체계적인 릴리즈 전략은 LLMOps의 핵심 영역으로 부상하고 있다.1. 개념 및 정의LLM 릴리즈 엔지니어링은 모델 버전 관리, 프롬프트 변경 관리, 평가 자동화, 점진적 배포 전략, 롤백 체계를 포함하는 통합 운영 프로세스이다..

개요Agreement는 둘 이상의 당사자가 특정 조건, 권리, 의무, 책임에 대해 상호 동의(consensus)한 상태를 의미한다. 법률, 비즈니스, IT 서비스, 데이터 거래, 국제 협약 등 다양한 영역에서 핵심적 기반이 되며, 디지털 전환과 함께 전자계약, 스마트 계약 등으로 확장되고 있다.1. 개념 및 정의Agreement는 제안(Offer)과 승낙(Acceptance)을 통해 성립되는 법적 또는 비법적 합의 구조를 의미한다. 일반적으로 계약(Contract)의 상위 개념으로 사용되며, 법적 구속력 여부에 따라 Memorandum of Understanding(MOU), Service Level Agreement(SLA), License Agreement 등 다양한 형태로 구분된다.법적 효력을 갖기..

개요Notebook CI/CD는 Jupyter Notebook과 같은 데이터 분석·머신러닝 개발 환경을 소프트웨어 엔지니어링 수준의 CI/CD 파이프라인에 통합하여 자동 테스트, 품질 검증, 배포 자동화를 수행하는 운영 전략이다. 전통적으로 Notebook은 실험 중심 도구로 사용되었으나, MLOps 확산과 함께 프로덕션 자산으로 관리해야 할 필요성이 증가하였다.특히 AI 및 데이터 기반 조직에서는 Notebook 코드의 재현성(Reproducibility), 버전 관리, 테스트 자동화, 모델 배포 안정성을 확보하기 위해 CI/CD 통합이 필수 요소로 자리잡고 있다.1. 개념 및 정의Notebook CI/CD는 Notebook 파일(.ipynb)을 코드 아티팩트로 간주하고, Git 기반 형상 관리, 자동..

개요Katran은 Meta(Facebook)가 대규모 데이터센터 환경에서 초고속 L4 로드밸런싱을 구현하기 위해 개발한 eBPF 기반 소프트웨어 로드밸런서이다. 기존 IPVS 기반 로드밸런서 대비 커널 레벨에서 더 효율적인 패킷 처리를 수행하며, 수백만 QPS(Queries Per Second)를 처리할 수 있도록 설계되었다.특히 XDP(eXpress Data Path)와 eBPF 기술을 활용하여 리눅스 커널 네트워크 스택 상단이 아닌 드라이버 레벨에서 패킷을 처리함으로써 지연 시간을 최소화한다. 이는 대규모 소셜 플랫폼, CDN, 클라우드 인프라 환경에서 높은 성능과 확장성을 동시에 제공한다.1. 개념 및 정의Katran은 eBPF 프로그램을 활용하여 L4 로드밸런싱을 수행하는 오픈소스 프로젝트로, 기..

개요Shadow Deployment for LLMs는 기존 운영 중인 대규모 언어 모델(LLM) 환경에 새로운 모델 또는 프롬프트 버전을 실제 트래픽과 동일하게 병렬 실행하되, 사용자에게는 노출하지 않고 성능을 비교·검증하는 배포 전략이다. 이는 Canary Deployment, Blue-Green Deployment와 유사하지만, 실제 응답을 사용자에게 반환하지 않는다는 점에서 차별화된다.생성형 AI 서비스는 모델 변경만으로도 응답 품질, 비용, 편향, 안정성에 큰 영향을 미칠 수 있다. 따라서 프로덕션 환경에서의 안전한 모델 전환을 위해 Shadow Deployment는 LLMOps 핵심 전략으로 부상하고 있다.1. 개념 및 정의Shadow Deployment는 실시간 사용자 요청을 기존 모델(Pri..

개요LLM Prompt Versioning은 생성형 AI 시스템에서 사용되는 프롬프트의 변경 이력을 체계적으로 관리하고, 성능 변화를 추적하며, 안정적인 배포를 보장하기 위한 관리 체계이다. 프롬프트는 더 이상 단순한 입력 문장이 아니라 비즈니스 로직과 사용자 경험을 결정하는 핵심 구성 요소로 간주된다. 따라서 코드 버전 관리와 동일한 수준의 변경 통제(Change Management)가 필요하다.특히 LLM 기반 서비스가 프로덕션 환경에 확산되면서, 프롬프트 수정에 따른 응답 품질 변화, 비용 증가, 편향 리스크 등을 통제하기 위한 Versioning 전략이 필수 요소로 자리잡고 있다.1. 개념 및 정의LLM Prompt Versioning은 프롬프트 템플릿의 수정, 변수 구조 변경, 시스템 프롬프트 ..

개요LLM Prompt Registry는 생성형 AI 환경에서 사용되는 프롬프트(Prompt)를 코드 자산처럼 체계적으로 관리·버전관리·배포·모니터링하기 위한 관리 시스템이다. 대규모 언어 모델(LLM)이 기업 시스템에 본격적으로 도입되면서, 프롬프트는 단순 입력 문장이 아닌 핵심 비즈니스 로직으로 간주되고 있다. 이에 따라 프롬프트의 재사용성, 추적성, 품질 관리, 보안 통제가 중요한 운영 요소로 부상하였다.특히 AI 애플리케이션이 마이크로서비스 구조로 확장됨에 따라 프롬프트 중앙 관리 체계는 AI 거버넌스의 핵심 구성 요소로 자리잡고 있다.1. 개념 및 정의LLM Prompt Registry는 프롬프트 템플릿, 변수 구조, 버전 정보, 성능 평가 결과, 승인 이력 등을 중앙 저장소에 등록하고 관리하는..

개요Data Product SLA/SLO는 데이터 메시(Data Mesh) 및 데이터 중심 조직에서 데이터 제품(Data Product)의 가용성, 신뢰성, 품질 수준을 정량적으로 정의하고 관리하기 위한 운영 체계이다. 기존 IT 서비스 수준 관리 개념을 데이터 영역으로 확장한 것으로, 데이터 지연(Latency), 정확성(Accuracy), 완전성(Completeness), 신선도(Freshness) 등의 지표를 기반으로 품질을 관리한다. 특히 AI 및 실시간 분석 환경에서 데이터 품질은 비즈니스 성과와 직결되므로, 명확한 SLA/SLO 정의는 필수 요소로 자리잡고 있다.1. 개념 및 정의SLA(Service Level Agreement)는 데이터 제공자와 소비자 간에 합의된 서비스 수준 계약이며, S..

개요MXDR(Managed XDR)는 기존 XDR(Extended Detection and Response) 플랫폼에 전문 보안 운영 서비스(MDR)를 결합한 통합 보안 모델이다. 엔드포인트, 네트워크, 클라우드, 이메일, IAM 등 다양한 보안 영역에서 발생하는 위협 데이터를 통합 분석하고, 24x7 보안 관제 및 대응 서비스를 제공한다. 보안 인력 부족과 고도화된 사이버 공격 증가에 대응하기 위해 등장했으며, 중대형 기업 및 공공기관에서 빠르게 도입이 확산되고 있다.1. 개념 및 정의MXDR은 XDR 기술 플랫폼을 기반으로 위협 탐지·분석·대응을 수행하되, 이를 외부 전문 보안 조직이 관리형 서비스 형태로 제공하는 모델이다. 단순 기술 도입을 넘어, 위협 헌팅, 사고 대응(IR), 포렌식, 정책 개선..

개요MXDR(Managed XDR)는 기존 XDR(Extended Detection and Response) 플랫폼에 전문 보안 운영 서비스(MDR)를 결합한 통합 보안 모델이다. 엔드포인트, 네트워크, 클라우드, 이메일, IAM 등 다양한 보안 영역에서 발생하는 위협 데이터를 통합 분석하고, 24x7 보안 관제 및 대응 서비스를 제공한다. 보안 인력 부족과 고도화된 사이버 공격 증가에 대응하기 위해 등장했으며, 중대형 기업 및 공공기관에서 빠르게 도입이 확산되고 있다.1. 개념 및 정의MXDR은 XDR 기술 플랫폼을 기반으로 위협 탐지·분석·대응을 수행하되, 이를 외부 전문 보안 조직이 관리형 서비스 형태로 제공하는 모델이다. 단순 기술 도입을 넘어, 위협 헌팅, 사고 대응(IR), 포렌식, 정책 개선..

개요Mojo는 Modular사가 공개한 차세대 프로그래밍 언어로, Python의 생산성과 C/C++ 수준의 시스템 성능을 동시에 제공하는 것을 목표로 한다. 특히 AI 및 머신러닝 워크로드에 최적화되어 있으며, MLIR(Multi-Level Intermediate Representation)을 기반으로 설계되어 컴파일 단계에서 고도화된 최적화를 수행한다. Python 문법과 높은 호환성을 유지하면서도 정적 타입 시스템과 메모리 제어 기능을 추가하여 고성능 연산 환경을 구현한다.1. 개념 및 정의Mojo는 AI 중심 워크로드를 위해 설계된 시스템 프로그래밍 언어로, Python 생태계를 확장하는 형태로 개발되었다. 인터프리터 기반 실행 모델의 한계를 극복하고, 컴파일 기반 아키텍처를 통해 GPU, TPU,..

개요JAX Pallas는 Google JAX 생태계에서 고성능 커널을 직접 정의할 수 있도록 설계된 Python 기반 DSL(Domain-Specific Language)이다. 기존 XLA 컴파일러에 전적으로 의존하던 방식에서 벗어나, 개발자가 세밀한 메모리 제어 및 병렬 실행 구조를 정의할 수 있도록 지원한다. 특히 Mosaic GPU 및 TPU 아키텍처에 최적화된 저수준 연산을 구현할 수 있으며, Triton과 유사한 프로그래밍 모델을 JAX 내부로 통합한 것이 특징이다.1. 개념 및 정의JAX Pallas는 JAX의 고수준 함수형 인터페이스를 유지하면서도 CUDA 수준의 세밀한 제어를 가능하게 하는 커널 작성 프레임워크이다. JAX의 jit, vmap, pmap과 결합되어 자동 미분 및 벡터화와 자..

개요PyTorch 2.x Inductor는 PyTorch 2.0부터 도입된 새로운 컴파일러 백엔드로, TorchDynamo와 AOTAutograd를 기반으로 그래프를 최적화하고 고성능 커널 코드로 변환하는 핵심 구성 요소이다. 기존 Eager Mode의 유연성을 유지하면서도 JIT 이상의 성능을 제공하는 것이 목표이며, GPU 및 CPU 환경에서 자동 커널 생성과 연산 퓨전을 통해 실행 속도를 대폭 향상시킨다. OpenAI Triton과 통합되어 CUDA 커널을 자동 생성하는 구조가 특징이다.1. 개념 및 정의PyTorch 2.x Inductor는 torch.compile() API 호출 시 활성화되는 컴파일 경로의 최종 코드 생성 단계(Backend Compiler)이다. TorchDynamo가 Pyt..

개요Semantic Layer는 데이터 웨어하우스, 데이터 레이크, 레이크하우스 등 다양한 데이터 저장소 위에 위치하여 비즈니스 친화적인 의미 체계를 제공하는 추상화 계층이다. 복잡한 물리적 데이터 구조를 사용자로부터 숨기고, 일관된 지표 정의와 메타데이터 기반 분석 환경을 제공함으로써 조직 전반의 데이터 신뢰성을 확보하는 것이 목적이다. 최근에는 모던 데이터 스택(Modern Data Stack)과 결합되며 데이터 거버넌스 및 데이터 민주화의 핵심 구성 요소로 자리잡고 있다.1. 개념 및 정의Semantic Layer는 데이터 소스와 BI 도구 사이에 위치하는 논리적 추상화 계층으로, 비즈니스 용어와 기술적 데이터 구조를 연결하는 역할을 한다. 예를 들어 ‘매출’, ‘활성 사용자’, ‘이탈률’과 같은 ..

개요MetricFlow는 비즈니스 지표(Metric)를 코드로 정의하고, 이를 기반으로 다양한 데이터 플랫폼에서 일관된 분석 결과를 생성할 수 있도록 지원하는 시맨틱 레이어(Semantic Layer) 프레임워크이다. 주로 dbt Semantic Layer와 함께 활용되며, SQL 쿼리 생성 자동화 및 메트릭 표준화를 통해 BI 도구, 대시보드, 데이터 애플리케이션 간 지표 불일치를 해결하는 데 목적이 있다.기업 환경에서는 동일한 지표(예: MAU, GMV, Retention Rate)가 팀별·도구별로 다르게 계산되는 문제가 빈번하게 발생한다. MetricFlow는 이러한 문제를 해결하기 위해 ‘메트릭 정의의 단일 소스(Single Source of Truth)’를 제공한다.1. 개념 및 정의Metric..