Offcanvas
추천 테크라이브러리

BI|분석

“실물 이상의 파괴적 가능성” 디지털 트윈의 이해와 활용 방안 - DeepDive

전 세계적으로 사이버 공격이 날로 고도화되고 있으며, 사이버 공격으로 인한 피해액도 역대 최고치를 갱신하고 있다. 점점 정교해지고 파괴력이 커지는 상황에서 기업의 손해배상 부담을 완화하고 사용자의 피해를 구제하는 하나의 방법으로 주목받는 것이 ‘사이버 보험’이다. 사이버 보험이란 사이버보안 사고로 인한 당사자 및 제3자의 유무형 자산 손실을 담보하는 보험을 의미한다. 사이버 공격과 피해액이 급증하면서 사이버 보험의 필요성은 점차 확대되는 추세다. 보험사 및 재보험사에서도 하나둘 관련 상품을 내놓고 있으며 정부에서 의무 법안을 마련하기도 했다. 하지만 보험사와 정부의 움직임에도 불구하고 보험 가입 대상인 국내 기업의 인식 수준과 이해는 부족한 실정이다. 사이버 보험은 보안 사고의 후폭풍을 어떻게, 얼마나 막아줄 수 있을까? 사이버 보험의 간단한 연혁과 함께 시장의 현주소를 짚어보자. 주요 내용 - 사이버보안 사고로 인한 손실을 보장하는 방법 - 기업의 가장 큰 위협이지만 대비 부족해 - 전 세계 사이버 보험 시장을 주도하는 미국  - 태동기인 국내 시장은 개인정보 유출에만 주력 - “보장 공백 생기고 공격 촉진한다?” 사이버 보험의 딜레마 - 박스 기사 | 사이버 보험에 가입하기 전 생각해야 할 5가지

테크라이브러리 광고 및 콘텐츠 제휴 문의

입력하신 이메일로 안내메일을 발송해드립니다.

BI|분석

"챗봇 지고 예측 분석 뜬다" 2022 국내 인공지능 도입 및 활용 현황 조사 - Market Pulse

오늘날 디지털 트랜스포메이션을 추구하는 기업에 인공지능(AI)과 머신러닝(ML)은 필수로 여겨진다. 시장의 흐름을 읽을 수 있는 새로운 인사이트를 찾아내고 업무를 자동화하는 것은 물론 공급망을 최적화하고 마케팅 성과를 극대화하려면 이 두 기술을 얼마나 잘 사용하느냐가 중요하다. 그렇다면 현재 우리 기업은 AI/ML 기술을 얼마나 어떻게 도입해 어떤 업무에 활용하고 있을까? 조사 결과 최근 2~3년 사이 국내에서 AI/ML 기술이 빠르게 확산한 것으로 나타났다. AI/ML 기술별, 기업규모별 도입, 활용 트렌드의 차이도 명확했다. 구체적인 솔루션 선택에 도움이 되도록 기업이 실제 도입해 사용하는 업체와 제품, 서비스 등도 확인했다. 주요 내용 - 국내 기업 10곳 중 4곳은 AI/ML 이미 활용 중 - 가장 선호하는 AI/ML 기술은 머신러닝/딥러닝 플랫폼과 가상 에이전트 - 머신러닝/딥러닝 ‘대세’, 챗봇 ‘내림세’, 자연어 처리 ‘오름세’ - 주로 IT 업무와 고객 서비스에 적용 - 도입 방식은 상용 솔루션 구매가 압도적 - 해외 클라우드 업체와 국내 IT 서비스 업체가 두각 - AI/ML 도입 시 가장 큰 어려움은 인력과 데이터 - 기업 10곳 중 8곳 “기대했던 효과 얻었다” - 중견기업은 AI/ML의 '무덤' 혹은 '기회의 땅' - 국내 AI/ML 시장의 본격 성장은 지금부터

ITWorld 2022.08.03

보안

“보안의 핵심은 이제 예측이다” 방화벽의 역사를 새로 쓰는 인라인 머신러닝/딥러닝 - Tech Summary

네트워크 보안의 표준으로 자리 잡은 차세대 방화벽이 급변하는 위협에 맞서 인공 지능 기술을 활용해 진화를 거듭하고 있다. 이제 차세대 방화벽은 시그니처 기반의 탐지를 넘어 머신러닝, 딥러닝까지 인라인 방식으로 처리하는 수준으로 발전했다. 이를 통해 실시간으로 트래픽을 모니터링 및 분석하여 제로데이 위협을 시간 지연 없이 신속히 탐지한다.  차세대 방화벽에 적용된 인공 지능 기술이 어떤 메커니즘으로 기업과 사용자를 보호하는지 알아보고, 탐지와 대응을 넘어 예측 중심의 보안 환경을 구현하는 방안을 제시한다. 주요 내용 - 예방에 중점을 두는 차세대 방화벽의 위협 탐지 메커니즘 - 머신러닝과 딥러닝 기반 탐지 강화 - 머신러닝과 딥러닝 기반 URL 필터링 및 DNA 보안 - 사물 인터넷 보안 2.0 - AIOps 실현

Palo Alto Networks 2022.05.31

BI|분석

고성능 데이터 구축 + AI 조직 체계화 : MIT Technology Review Insights

데이터 관리는 데이터 중심 조직의 기반이지만, 기업에서 데이터를 관리하기란 매우 복잡합니다. 새로운 데이터 기술이 등장하면서, 통합이나 링 펜싱이 불가능한 레거시 시스템과 데이터 사일로의 부담이 커집니다. 아키텍처 단편화는 사일로를 일으킬 뿐만 아니라 많은 조직에서 여러 가지 온프레미스 및 클라우드 기반 도구를 사용하게 되어서 대부분 최고 데이터 책임자(CDO)들에게 골칫거리가 되었습니다.  MIT Technology Review Insights는 이러한 어려움 속에서 데이터 관리와 그 기술이 어떻게 발전하고 있는지 알아보기 위해 CDO, 최고 분석 책임자(CAO, 보고서의 여러 부분에서 이들을 “데이터 리더”로 지칭함), CIO(최고 정보 책임자), CTO(최고 기술 책임자) 및 기타 고위 기술 리더 351명에게 설문을 실시했습니다. <15p> 주요 내용 - 성장과 복잡성 - 전략 조정 및 실행 : 데이터로 높은 성과를 내는 조직 - 분석 및 머신 러닝 확장 - 미래 비전 : 새로운 아키텍처를 위한 CDO 위시리스트  

Databricks 2022.05.19

스토리지

빅 데이터 및 AI/ML 작업 부하용 스토리지 아키텍처 설계

인공 지능(AI), 머신 러닝(ML), 대규모 데이터를 생성 및 사용하는 기타 빅 데이터 애플리케이션과 시스템이 급격하게 증가하고 있습니다. 최근 설문 조사에 따르면, 기업 중 절반 이상은 현재 ML을 사용 중이며 대부분의 기업들이 몇 년 이내로 사용할 예정인 것으로 나타났습니다. 데이터 전략을 혁신하기 위해서는 올바른 데이터 아키텍처가 핵심입니다. 이상적인 데이터 아키텍처는 무한대의 규모와 효율성에 최적화되므로, 필요한 데이터 및 필요성을 인식하지 못한 데이터 모두를 캡처할 수 있습니다. 그러나 리소스 부족과 현재 기술 및 솔루션의 제한으로 인해 이를 달성하는 것은 어렵습니다. 이 백서에서는 빅 데이터 및 AI/ML 작업 부하에 적합한 확장성과 함께 비용 대비 효율적인 IT 인프라를 원하는 기업을 위한 하이브리드 클라우드 및 스토리지 아키텍처에 대해 알아봅니다. <14p> 주요 내용 - 데이터 아키텍처에서 ML 및 AI의 중요성 - 증가하는 복잡한 데이터 관리 요구 사항 해결 - 우선 순위 변화에 대처하기 위한 스토리지 아키텍처 정의 - AI/ML 워크플로의 다양한 단계를 위한 여러 데이터 흐름 필수 요소 - 보다 원활한 AI/ML을 간소화할 미래의 패브릭

Seagate 2022.04.20

BI|분석

기계 학습으로 4차 산업 혁명 추진 : 더 스마트하고, 빠르고, 경제적인 성장을 위한 비결 찾기

제조, 에너지, 광업, 농업, 운송 등의 분야에 속한 산업 기업들은 데이터를 수집하고 분석하고 이해하기 위한 노력의 일환으로 산업 기업이 클라우드 컴퓨팅, 사물 인터넷 (IoT), 고급 분석, 기계 학습 등의 새로운 기술을 채택하는 비율이 점차 커졌습니다. 그러나 과제는 존재합니다. 이러한 시스템에 묶여 있는 데이터를 해방시키기가 쉽지 않을 수 있습니다. 또한 지능형 기술로 생성된 방대한 데이터를 정리하고 이해하고 효율적으로 이용하려면 오래된 프로세스를 재검토하고 혁신을 가속화해야 할 수 있습니다. 이 eBook에서는 오늘날의 산업 기업이 기계 학습을 활용하여 디지털 트랜스포메이션 및 관련 이점을 추진하고 있는 현황을 알아봅니다. 그런 다음 산업계의 공통 과제를 살펴보고, AWS를 통해 기계 학습을 채택하여 그러한 과제를 극복하는 방법을 알아봅니다. <22p> 주요 내용 - 오늘날의 제조업체에서 기계 학습을 통해 성과를 내는 방법 - 산업계의 과제 : 자산 성능 개선 - 비즈니스 과제 : 품질 관리 - 비즈니스 과제 : 엣지에서 운영 효율성 개선 - 비즈니스 과제 : 수요 예측 및 재고 관리 - 비즈니스 과제 : 데이터에서 더 많은 가치 창출

Amazon Web Services 2022.01.25

SaaS / 엔터프라이즈 애플리케이션

AI옵스 플랫폼으로 IT 운영을 혁신하라··· IT 운영의 새 패러다임 서비스나우의 ‘하이퍼 AI옵스’ - IDG Summary

AI옵스(AIOps)가 IT 운영에 미치는 영향은 실로 상당하다. 한 연구 결과에 따르면 AI옵스를 도입할 경우 기존 10~15%에 그쳤던 IT 운영 자동화 영역을 80~85%까지 확대할 수 있다. 이를 통해 훨씬 적은 노력으로도 전반적인 운영 가시성 향상, 생산성 증대, 비용 절감이라는 각종 이점을 누릴 수 있음은 물론이다. 문제는 이렇게 ‘핫’한 AI옵스를 도입하긴 했지만 기대만큼의 성과를 달성하지 못하고 있다는 사실이다. AI옵스 솔루션을 사일로화된 형태로 도입하거나, 스크립트 기반 업무 자동화를 부분적으로 채택하고 있기 때문이다. 기존의 방법을 개선하는 것을 넘어 IT를 운영하는 새로운 방식이 필요한 시점이다. 그 새로운 방식의 핵심에는 AI를 플랫폼 차원에서 활용하는 선제적 IT 운영 전략으로써 서비스나우가 제안하는 새로운 패러다임이 있다. 바로 ‘하이퍼 AI옵스’다. 주요 내용 - 점점 더 방대해지는 데이터, 점점 더 복잡해지는 IT 운영 환경 - 이제는 완전히 새로운 IT 운영 전략이 필요하다 - 기업의 전체 IT 환경에 엔드투엔드 가시성을 제공하다 - 이상징후 사전 탐지 및 장애 예측(Predict) - 실행 가능한 통찰력 및 선제적 예방 조치 지원(Prevent) - 자동화된 워크플로우 지원(Automate) - 서비스나우 ‘하이퍼 AI옵스’가 제공하는 주요 장점 - ‘하이퍼 AI옵스’를 활용하지 않는 IT 운영의 미래는 없다

ServiceNow 2021.11.18

BI|분석

팬데믹 대응을 위한 기술: 데이터 분석을 통해 포스트코로나 시대를 준비하는 방법

본 영상은 2021년 세계지식포럼의 한 세션으로, 기업 및 정부기관이 데이터 분석을 활용해 코로나19가 초래한 전례 없는 위기를 극복하고 새롭게 직면한 도전과제를 해결하는 방법을 제시합니다. 지난해 1~2월경 코로나19 확산 초기, 데이터 분석이 코로나19 현황 분석에 어떤 역할을 하였으며 도움을 주었는지를 설명합니다.  이와 관련한 실제 사례로 SAS가 미국의 비영리 종합대학병원인 클리블랜드 클리닉과 독일의 질병통제기관 로버트 코흐 연구소와 협력해 코로나19 확산에 효과적으로 대비한 케이스를 소개합니다. 이 밖에도 코로나 시대의 공급망 변화 예측을 비롯해 재고 관리, 정부 지원 부정수급 모니터링 등 다양한 데이터 분석 활용 사례를 소개하고, 기업 및 정부 기관이 빠르게 변화하는 포스트코로나 시대의 대응 방안에 대해 공유합니다. <34분>

SAS 2021.10.25

데이터베이스

모던 데이터 관리 플랫폼의 10가지 이점

데이터 기반의 인사이트를 확보한 조직은 더 빠른 결정을 내리고, 혁신을 도모하고, 성장을 이룰 수 있습니다. 그러나 효과적인 목표 달성 여부는 데이터 관리 방법에 달려 있습니다. 데이터가 여러 개의 단일 목적 데이터베이스에 저장되어 있는 경우, 데이터의 보호 및 관리가 더 어렵습니다. 자동화가 가능한 소모적인 관리 및 구성 작업에 IT 팀이 계속 매달리게 되기 때문입니다. 사일로를 탈피하고, 복잡성을 해소하고, 관리 및 인적 오류에서 벗어나야 합니다. 모던 데이터 관리 플랫폼은 이러한 요구를 충족합니다. 이를 통해 기업이 얻을 수 있는 이점에 대해 살펴보겠습니다. <9p> 주요 내용 - 모든 데이터 관리 요구를 충족하는 단일 플랫폼 - 보안 우선 접근 방식 - 지능적인 자동화 - 유연한 배포 옵션 - 분석 및 머신러닝(ML)에 손쉽게 액세스 - IT를 위한 설계와 일관된 가격 제공

Oracle 2021.10.06

스토리지

AI 정보 아키텍쳐 패스트 트랙

AI는 데이터와 함께 시작하는 여정입니다. 데이터는 AI에 동력을 제공합니다. 정보 아키텍쳐, 즉 IA가 없으면 AI도 존재할 수 없습니다. 최상의 AI는 데이터의 기반 위에 구축되며, 이러한 데이터는 세심하게 수집하여 구성하고 분석하여 비즈니스에 확산됩니다. 기업은 데이터에서 인사이트를 발굴하는 데 어려움을 겪고 있습니다. 사일로화된 데이터 환경에서는 거시적 관점에서 모든 정보를 바라보지 못해 AI의 가치가 온전히 실현될 수 없습니다. AI를 염두에 두고 개발되지 않은 기존 인프라에서는 새로운 요구사항을 유연성 있게 수용하지 못해 복잡성만 더할 뿐입니다. 성공을 거둔 모든 AI 프로젝트는 여러 단계의 프로세스를 거칩니다. 이 프로세스는 적합한 데이터를 확보하는 것으로 시작하여 AI를 광범위하게 활용하는 방향으로 전개됩니다. <9p> 주요 내용 - IA 없이 AI도 없다 - 강력한 기반 구축 - 사례 연구 : 차별화된 경쟁력 확보 - 결론

IBM 2021.08.24

SaaS / 엔터프라이즈 애플리케이션 / 인력 관리

RPA, ‘넥스트 레벨’을 향해 가라··· 자동화를 넘어선 하이퍼오토메이션 대응 방안 - IDG Summary

RPA에서 비롯된 자동화의 열기가 식을 줄 모른다. 자동화의 단맛을 봤기 때문이다. 기업들은 단순 반복 작업을 자동화하는 솔루션을 통해 제한적이지만 비용 이상의 효과를 거뒀다. 그리고 이제는 RPA 고도화를 모색하는 기업이 늘고 있다. 하이퍼오토메이션(Hyperautomation)을 향해 가고 있는 것이다. 인공지능, 머신러닝 등의 기술을 결합해 그간 엄두도 내지 못했던 영역까지 자동화할 수 있으리라는 기대감이 커지고 있다. 하지만 문제는 RPA의 난이도와 RPA+의 난이도 격차가 생각 이상으로 크다는 점이다. 주요 내용 - ‘RPA+AI’는 만병통치약이 아니다 - ‘기술 융합’으로 접근하고 보완하라 - 하이퍼오토메이션, 제대로 활용하려면  

IBM / KSTEC 2021.06.22

BI|분석

인공지능의 어두운 이면 - IDG Deep Dive

인류는 자신의 노동을 대신할 수 있는 다재다능한 무언가를 갈망했고 마침내 인공지능(Artificial Intelligence, AI)이라는 해답을 찾았다. AI 혁신은 경이롭다. 시리, 알렉사, 구글 어시스턴트 같은 가상 비서는 10~15년 전만 해도 마치 마술처럼 보였을 것들이다. 그러나 마법 같은기능에도 불구하고, AI는 여전히 온갖 제약사항을 갖고 있다. 영리한 신비로움과 정교한 알고리즘의 아래에는 ‘if-Then’ 결정을 수행하는 일련의 트랜지스터가 있을 뿐이다. 우리가 인공지능이 가진 어두운 비밀과 함께 살아가는 법을 배워야 하는 이유다. 주요 내용 Tech Guide : 인공지능의 어두운 비밀 12가지 Interview "중립성부터 프라이버시까지" IT 전문 변호사가 말하는 인공지능의 명암 Column - 인공지능 편향성을 확인하는 것은 인간의 몫 - 설명가능한 인공지능

ITWorld 2021.06.09

BI|분석

엔터프라이즈에 특화된 AI 검색 기술 IBM Watson Discovery

Forrester가 텍스트 분석 '리더' 로 선정한 Watson Discovery는 비즈니스 인사이트를 도출하고 새로운 방식으로 업무를 개선하며, 단지 정보만 추출하는 것이 아닌 언택트 시대에 복잡한 비즈니스 문서를 크롤링하고 컨텍스트 기반의 답변을 제시하여 효율적인 의사 결정으로 비즈니스와 업무 혁신을 제공합니다.  Watson Discovery는 자연어 처리 기능을 포함하여 머신 러닝의 최신 기술을 적용하며, 사용자 도메인의 언어로 손쉽게 트레이닝이 가능한 엔터프라이즈에 특화된 검색 기술이며 클라우드 또는 온프레미스 환경에 배치 가능한 강점을 갖추고 있습니다.  주요 내용 - AI 기반 엔터프라이즈 검색 요건 - AI 기술을 적용한 검색 툴  - 기본에 충실한 Chatbot+@ - AI 를 통한 트렌드 예측의 중요성 - 소셜 분석을 통해 새로운 Insight Finding - 주요 고객 사례

IBM 2021.03.09

BI|분석

인공 지능을 위한 포괄적 추론 시스템의 요구와 과제

인공 지능(AI) 기술이 기업 영역에서 확산됨에 따라, 지속 가능하며 성공적인 방식으로 AI 기술을 구현하는 방법에 관한 논의가 활발하게 이뤄지고 있습니다. 한 가지 중요한 고려 사항은 특히 추론 워크로드의 규모와 복잡성이 확장되는 상황에서 AI 이니셔티브를 대규모로 구현할 때 필요한 IT 인프라입니다. 추론은 AI 프로세스에 가치를 더하는 단계지만, 실시간 의사 결정의 필요성과 추론이 수행되는 많은 위치를 고려하면 상당히 어려운 과정이 될 수 있습니다. 따라서 AI를 도입하는 기업은 차세대 추론 워크로드의 필수 요소인 속도와 유연성, 소프트웨어 지원을 제공하는 포괄적 추론 시스템을 사용하여 인프라를 강화하는 것이 중요합니다. <14p> 주요 내용 - AI 이니셔티브의 혜택과 고려할 점 - AI 프로세스 3단계:데이터, 학습, 추론 - 추론의 성장 - 대규모 추론에서의 과제 - 미래의 추론 시스템 - 결론/권장 사항

IBM / 유니포인트 2021.01.06

BI|분석

미래의 업무를 위한 기업의 준비 : 포레스터 지능형 자동화 연구 보고서

IBM은 기업이 지능형 자동화 채택을 준비하는 방법과 직원에게 미치는 영향에 대한 평가를 Forrester Consulting에 의뢰했습니다. 그 결과, 700명 이상의 응답자 연구를 기반으로 한 연구를 요약한 세 가지 보고서가 수집되었습니다. 첫 번째 보고서인 “워크플로의 재창조”는 디지털 전환에서 프로세스 및 워크플로의 역할을 강조합니다. 두 번째 보고서인 “지능형 자동화가 미래의 인력을 형성하는 방법”은 자동화 주도형 혁신의 시기와 문제점을 설명합니다.  본 보고서는 세 번째 보고서로, 처음 두 보고서에 대한 연구를 실행 가능하게 만들 방안을 담고 있습니다. 본 보고서는 2020년 1월 글로벌 조직에서 자동화 및 AI 이니셔티브를 실행하고 담당하는 IT 및 비즈니스 의사 결정권자 269명을 대상으로 한 Forrester 온라인 설문조사를 기반으로 합니다.  전 세계적 중대 사태의 결과, 기업이 미래의 업무에 대한 계획을 세우고 지능형 자동화를 적용해 비즈니스와 인력을 모두 지원하기 시작하는 것이 중요합니다. Forrester는 준비도 점수가 높은 회사가 현재와 미래에 경쟁 우위에 있다는 사실을 확인한 준비도 모델을 만들었습니다. <13p> 주요 내용 - 설문 조사 결과와 준비도 모델 - 가장 제대로 준비된 기업이 지능형 자동화의 비즈니스 혜택 확보 - 주요 권장사항  

IBM 2020.12.02

BI|분석

엔터프라이즈에 특화된 AI 검색 기술 IBM Watson Discovery

Gartner 및 Forrester 의 AI 검색의 '리더' 로 선정된 Watson Discovery는 비즈니스 인사이트를 도출하고 새로운 방식으로 업무를 개선하며, 단지 정보만 추출하는 것이 아닌 언택트 시대에 복잡한 비즈니스 문서를 크롤링하여 컨텍스트 기반의 답변을 제시하여 효율적인 의사 결정으로 비즈니스와 업무 혁신을 제공합니다.  Watson Discovery는 자연어 처리 기능을 포함하여 머신 러닝의 최신 기술을 적용하며, 사용자 도메인의 언어로 손쉽게 트레이닝이 가능한 엔터프라이즈에 특화된 검색이며 클라우드 또는 온프레미스 환경에 배치 가능한 강점을 갖추고 있습니다.  주요 내용 - AI 기반 엔터프라이즈 검색 요건 - AI 기술을 적용한 검색 툴  - 기본에 충실한 Chatbot+@ - AI 를 통한 트렌드 예측의 중요성 - 소셜 분석을 통해 새로운 Insight Finding - 솔루션 아키텍처 및 주요 고객 사례

IBM 2020.11.20

스토리지

AI와 데이터 분석에 특화된 스토리지 솔루션 소개

IBM Elastic Storage System (ESS) 3000은 AI & Data 처리에 특화된 스토리지 솔루션으로 최신 NVMe 플래시 스토리지에 기반해 업계 최고의 성능을 제공합니다. AI & Data 분석은 고성능 GPU 기반의 컴퓨팅 노드를 통해 광범위하고 다양한 데이터 소스로부터 모아진 데이터를 빠르게 분석하는 것이 중요합니다. 일반적인 IO 환경에서는 IO WAIT으로 인한 GPU 활용률이 떨어지지만, IBM ESS 3000은 AI 워크로드에 대해 IO 지연없이 GPU 시스템 사용률을 100% 가까이 최대한 활용할 수 있도록 초고속으로 데이터를 제공합니다. <7p> 주요 내용 - 가치 창출 시간 단축 - 운영 효율성 - 신뢰성 - 유연성 *참고 영상   

IBM 2020.11.10

스토리지

AI 워크로드용으로 검증된 스토리지 인프라 솔루션 소개

본 문서는 IBM Spectrum Storage for AI with NVIDIA DGX Systems가 AI를 간소화하고 가속화하는 방식에 대해 알아보고자 하는 기업 경영진, 솔루션 아키텍트 및 기타 독자를 위해 작성되었습니다. 이 확장 가능한 인프라 솔루션은 NVIDIA DGX 시스템과 IBM Spectrum Scale 파일 스토리지 소프트웨어를 통합한 것입니다.  또한 본 문서에서는 synthetic 워크로드와 ImageNet 데이터를 모두 사용하여 DGX 시스템을 확장함에 따라 어떻게 이 솔루션이 선형적인 스토리지 성능을 구현하는지에 대해서도 설명합니다. <29p> 주요 내용 - IBM Spectrum Storage for AI with NVIDIA DGX Systems의 구성요소 - NVIDIA DGX Systems 제품군 - IBM Spectrum Scale 기반의 스토리지 시스템 - 레퍼런스 아키텍처 - 스토리지 및 네트워크 성능 테스트 *참고 영상  

IBM 2020.11.10

+

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.