ButterWaffle-GotIT · ch0412 · Dec 1, 2025 · Dec 1, 2025 · Dec 1, 2025 · Dec 1, 2025
@@ -6,7 +6,7 @@
 	"summary": "장애 유무나 사용 환경에 관계없이 모든 사용자가 웹 사이트의 정보와 기능에 동등하게 접근하고 이용할 수 있도록 보장하는 것을 목표로 하는 원칙 및 기술.",
 	"onelinerForNonTech": "시각 장애인부터 고령자까지, 모두가 불편함 없이 웹사이트를 이용할 수 있도록 문턱을 낮추는 디자인 및 개발 기준.",
 	"description": "웹 접근성은 법적으로 장애인 차별 금지 의무와 관련되며, 국내에서는 '한국형 웹 콘텐트 접근성 지침(KWCAG)'을 준수하도록 권고된다. 시맨틱 HTML 태그 사용, 이미지에 대체 텍스트(alt) 제공, 키보드만으로 모든 기능 조작 가능하게 만들기 등이 기본적인 접근성 준수 사항이다.",
-	"tags": ["프론트엔드", "UX/UI"],
+	"tags": ["UX/UI", "프론트엔드"],
 	"primaryTag": "UX/UI",
 	"relatedIds": [1000, 1001],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터베이스 질의 언어로, 구조화된 데이터를 조회·수정·관리합니다.",
 	"onelinerForNonTech": "엑셀보다 똑똑한 데이터 질의 언어.",
 	"description": "SQL은 관계형 데이터베이스(RDB)에서 데이터를 정의하고 조작하는 표준 언어입니다. SELECT, INSERT, UPDATE, DELETE 등의 명령으로 데이터를 관리하며, MySQL, PostgreSQL 등에서 사용됩니다.",
-	"tags": ["AI", "데이터베이스", "쿼리"],
+	"tags": ["데이터", "데이터베이스", "쿼리"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "비정형 데이터를 유연하게 저장하는 비관계형 데이터베이스입니다.",
 	"onelinerForNonTech": "엑셀 표 대신 자유로운 JSON 박스에 데이터를 담는 방식.",
 	"description": "NoSQL은 테이블 대신 문서(Document), 키-값(Key-Value), 그래프 등 다양한 형태로 데이터를 저장합니다. 확장성과 성능이 뛰어나 대규모 서비스나 실시간 처리 환경에서 자주 사용됩니다.",
-	"tags": ["AI", "데이터베이스", "비정형"],
+	"tags": ["데이터", "데이터베이스", "비정형"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "오픈소스 관계형 데이터베이스 관리 시스템(RDBMS)입니다.",
 	"onelinerForNonTech": "웹서비스에서 가장 흔히 쓰이는 데이터 저장소.",
 	"description": "MySQL은 빠른 속도와 안정성을 바탕으로 전 세계적으로 가장 많이 사용되는 오픈소스 DB입니다. SQL 표준을 따르며 LAMP 스택의 핵심 구성요소입니다.",
-	"tags": ["AI", "데이터베이스", "RDBMS"],
+	"tags": ["데이터", "데이터베이스", "RDBMS"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "확장성과 표준 준수가 뛰어난 오픈소스 관계형 데이터베이스입니다.",
 	"onelinerForNonTech": "엄격하지만 유연한 데이터베이스의 모범생.",
 	"description": "PostgreSQL은 ACID 트랜잭션을 완벽히 지원하며, JSON, GIS, 사용자 정의 타입 등 고급 기능이 풍부합니다. 정합성과 안정성을 중시하는 프로젝트에서 선호됩니다.",
-	"tags": ["AI", "데이터베이스", "RDBMS"],
+	"tags": ["데이터", "데이터베이스", "RDBMS"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "문서 기반 NoSQL 데이터베이스로, JSON 형태로 데이터를 저장합니다.",
 	"onelinerForNonTech": "엑셀 셀 대신 자유로운 JSON 박스에 데이터를 담는 방식.",
 	"description": "MongoDB는 스키마가 고정되지 않아 구조 변경이 자유롭습니다. 대규모 트래픽, 실시간 분석, 로그 수집 등에 적합하며, 확장성이 뛰어납니다.",
-	"tags": ["AI", "데이터베이스", "NoSQL"],
+	"tags": ["데이터", "데이터베이스", "NoSQL"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터에서 의미 있는 패턴과 인사이트를 도출하는 과정입니다.",
 	"onelinerForNonTech": "숫자 속에서 ‘이유’를 찾는 탐정 일.",
 	"description": "데이터 분석은 수집된 데이터를 통계, 시각화, 모델링을 통해 해석하고 의사결정에 활용하는 활동입니다. Python, R, Excel, Tableau 등이 자주 사용됩니다.",
-	"tags": ["AI", "분석", "통계"],
+	"tags": ["데이터", "분석", "통계"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터를 그래프나 차트 등 시각 형태로 표현하는 기술입니다.",
 	"onelinerForNonTech": "숫자를 한눈에 보이게 바꾸는 기술.",
 	"description": "데이터 시각화는 복잡한 데이터를 시각적 요소로 전달하여 인사이트를 쉽게 이해할 수 있도록 합니다. Matplotlib, D3.js, Tableau 등이 대표 도구입니다.",
-	"tags": ["AI", "시각화", "분석"],
+	"tags": ["데이터", "시각화", "분석"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "수십억 개의 파라미터를 학습해 언어 이해와 생성 능력을 갖춘 AI 모델입니다.",
 	"onelinerForNonTech": "사람처럼 대화하고 글 쓰는 초거대 AI.",
 	"description": "LLM은 GPT, PaLM, LLaMA 등으로 대표되며, 대량의 텍스트를 학습해 요약, 번역, 코드 생성 등 복합적 작업을 수행합니다.",
-	"tags": ["AI", "AI", "모델"],
+	"tags": ["AI", "모델"],
 	"primaryTag": "AI",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터를 추출(Extract)·변환(Transform)·적재(Load)하는 과정입니다.",
 	"onelinerForNonTech": "여러 데이터들을 한데 모아 정리해주는 자동 정리 시스템.",
 	"description": "ETL은 여러 소스의 데이터를 추출해 변환하고, 데이터베이스나 웨어하우스에 적재하는 과정입니다. 데이터 분석의 출발점으로 쓰입니다.",
-	"tags": ["AI", "데이터파이프라인"],
+	"tags": ["데이터", "데이터파이프라인"],
 	"primaryTag": "데이터",
 	"relatedIds": [4032, 4033],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터를 추출 후 적재(Load)하고 변환(Transform)하는 현대적 처리 방식입니다.",
 	"onelinerForNonTech": "데이터를 먼저 옮기고 나중에 가공하는 최신 데이터 정리법.",
 	"description": "ELT는 데이터를 먼저 저장소에 적재한 뒤 SQL 기반 변환을 수행합니다. 클라우드 환경에서 확장성과 효율이 뛰어납니다.",
-	"tags": ["AI", "데이터파이프라인"],
+	"tags": ["데이터", "데이터파이프라인"],
 	"primaryTag": "데이터",
 	"relatedIds": [4031, 4033],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터가 여러 시스템을 거쳐 자동으로 이동·처리되는 흐름 구조입니다.",
 	"onelinerForNonTech": "데이터가 흘러다니며 자동으로 가공되는 공장 라인 같은 구조.",
 	"description": "데이터 파이프라인은 수집, 전처리, 적재, 분석 등 일련의 흐름을 자동화하는 시스템으로, ETL/ELT와 밀접히 연관됩니다.",
-	"tags": ["AI", "데이터엔지니어링"],
+	"tags": ["데이터", "데이터엔지니어링"],
 	"primaryTag": "데이터",
 	"relatedIds": [4031, 4032],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "데이터 품질·보안·표준을 관리하는 체계적 프레임워크입니다.",
 	"onelinerForNonTech": "데이터의 규칙과 질서를 지키는 관리 체계.",
 	"description": "데이터 거버넌스는 조직 내 데이터의 정확성·보안·활용성을 보장하기 위한 정책과 절차를 포함합니다.",
-	"tags": ["AI", "관리"],
+	"tags": ["데이터", "관리"],
 	"primaryTag": "데이터",
 	"relatedIds": [],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "원시 데이터를 저장해 분석이나 학습에 활용하는 중앙 저장소입니다.",
 	"onelinerForNonTech": "데이터가 한곳에 모여있는 거대한 원시 저장소.",
 	"description": "데이터 레이크는 다양한 형태의 데이터를 그대로 저장해, 분석과 AI 학습에 유연하게 사용할 수 있는 대규모 저장소입니다.",
-	"tags": ["AI", "저장소"],
+	"tags": ["데이터", "저장소"],
 	"primaryTag": "데이터",
 	"relatedIds": [4039],
 	"confusableIds": [],

@@ -9,7 +9,7 @@
 	"summary": "비즈니스 인사이트를 위한 구조화된 데이터 분석 저장소입니다.",
 	"onelinerForNonTech": "기업 데이터 분석을 위한 정제된 창고.",
 	"description": "데이터 웨어하우스는 여러 소스의 데이터를 통합·정제해 분석과 리포팅에 최적화된 구조를 제공합니다.",
-	"tags": ["AI", "분석"],
+	"tags": ["데이터", "분석"],
 	"primaryTag": "데이터",
 	"relatedIds": [4038, 4040],
 	"confusableIds": [],

@@ -6,7 +6,7 @@
 	"summary": "머신러닝 모델을 학습시킨 데이터의 통계적 속성이 실제 서비스 환경에서 수집되는 데이터와 달라지는 현상.",
 	"onelinerForNonTech": "AI가 배울 때 본 예시(데이터)와 실제 세상에서 마주치는 현실(데이터)이 점점 달라져서 예측을 잘 못하게 되는 문제.",
 	"description": "데이터 드리프트는 모델이 배포된 후 시간이 지남에 따라 모델 예측 성능을 저하시키는 주요 원인이다. 이는 새로운 트렌드의 출현, 사용자 행동 변화, 센서 오류 등 다양한 요인으로 인해 발생할 수 있다. 드리프트를 감지하면 모델을 재학습(Retraining)하거나 새로운 데이터를 수집하는 등의 조치가 필요하며, MLOps에서 중요한 모니터링 대상이다.",
-	"tags": ["AI", "데이터", "DevOps"],
+	"tags": ["데이터", "DevOps"],
 	"primaryTag": "데이터",
 	"relatedIds": [4037, 4007],
 	"confusableIds": [4042],

@@ -6,7 +6,7 @@
 	"summary": "데이터 세트 내의 부정확하거나 불완전하고, 관련 없거나 잘못된 데이터를 식별하고 수정 또는 제거하는 과정.",
 	"onelinerForNonTech": "더러운 옷을 세탁하듯이, 분석하기 전에 깨끗하고 사용 가능한 데이터로 만드는 작업.",
 	"description": "데이터 클렌징은 결측값(Missing values) 처리, 중복 데이터 제거, 형식 오류 수정, 이상치(Outliers) 처리 등의 작업을 포함한다. 이 과정은 데이터 품질(Data Quality)을 향상시키고, 이후 분석 및 머신러닝 모델의 정확도를 높이는 데 결정적인 역할을 한다. 자동화된 클렌징 툴이나 스크립트가 주로 사용된다.",
-	"tags": ["데이터", "AI", "데이터 파이프라인"],
+	"tags": ["데이터", "데이터 파이프라인"],
 	"primaryTag": "데이터",
 	"relatedIds": [4071, 4033, 4007],
 	"confusableIds": [],

@@ -6,7 +6,7 @@
 	"summary": "텍스트나 이미지 같은 비정형 데이터를 수학적인 벡터(임베딩) 형태로 저장하고 유사도 검색에 특화된 데이터베이스.",
 	"onelinerForNonTech": "단순한 키워드 대신 '의미'를 숫자로 변환해서 저장하고, 의미가 비슷한 것을 빠르게 찾아주는 AI 전용 저장소.",
 	"description": "LLM(거대 언어 모델)이 텍스트의 의미를 임베딩(Embedding)이라는 벡터 값으로 변환하면, 벡터 DB는 이를 고차원 공간에 저장한다. 이는 기존의 키워드 검색이 아닌, 벡터 간의 거리 계산(유사도 검색)을 통해 의미적으로 관련성이 높은 데이터를 신속하게 찾아낸다. RAG(검색 증강 생성) 같은 AI 애플리케이션에 필수적이다.",
-	"tags": ["AI", "데이터", "데이터베이스"],
+	"tags": ["데이터", "데이터베이스"],
 	"primaryTag": "데이터",
 	"relatedIds": [4010, 4007],
 	"confusableIds": [4001],