[메타코드 AI] 6주차 학습 일지: .NET Universe 2026 & 딥러닝(CNN, RNN, 추천시스템) & Cloudflare Zero Trust

이번 6주차에는 3월 12일 진행된 .NET Universe 2026 컨퍼런스에 참석하여 .NET 생태계의 AI 최신 동향을 파악했습니다. 아울러 메타코드에서는 CNN, RNN 등 핵심 딥러닝 모델과 추천 시스템의 원리를 학습했으며, 개인 포트폴리오를 위한 외부 GPU 서버 환경 구축을 위해 Cloudflare Zero Trust를 직접 세팅해보았습니다.

1. .NET Universe 2026 참관 후기: AI 시대의 .NET 방향성

총 13개의 세션을 통해 .NET 개발자가 AI 시대에 어떻게 대응해야 하는지 깊이 있는 인사이트를 얻을 수 있었습니다.

• 선택과 집중: 백엔드 관점에서 JAVA보다 C#이 익숙했기에, 새로운 언어를 배우기보다 .NET을 심도 있게 공부해 AI를 잘 활용하는 개발자가 되겠다는 방향성을 확고히 했습니다.
• Agent AI의 확신: Visual Studio의 기능 지원과 .NET의 발전 로드맵이 명확히 'Agent AI'를 향하고 있다는 사실을 확인했습니다. 특히 MCP(Model Context Protocol) Server 지원 기능이 인상적이었습니다.
• 시니어의 조언: 10~20년 차 선배님들이 AI를 적극 도입하는 모습을 보며 자극을 받았고, "주니어일수록 전체적인 서비스 운영 아키텍처에 관심을 가져라"는 메가존클라우드 김유신 발표자님의 조언이 큰 힘이 되었습니다.

---

2. 딥러닝 모델 핵심 정리 (CNN, RNN, Autoencoder)

■ CNN (Convolutional Neural Network)

이미지의 윤곽과 패턴을 추출하여 사물을 인식하는 모델로, 분류 및 객체 탐지에 탁월합니다.

• 작동 방식: 하위 레이어에서 선/각도 등 기초 특징을 추출하고, 상위 레이어에서 이를 조합해 고차원 패턴을 식별합니다.
• 핵심 기법: 이미지 크기를 조절하는 Padding과 Stride, 그리고 특징의 위치가 변해도 동일하게 인식하게 해주는 Pooling 과정을 거칩니다.
• Flatten: 추출된 다차원 특징맵을 1차원 벡터로 변환하여 완전 연결 레이어(FC Layer)에 전달합니다.

■ RNN & LSTM

연속적인 시계열 데이터를 처리하며 이전 시점의 출력을 기억하는 모델입니다.

• RNN의 한계: 시퀀스가 길어질수록 기울기 소실(Vanishing Gradient) 문제가 발생하여 장기 의존성 처리가 어렵습니다.
• LSTM의 해결책: Cell State를 통해 정보를 오래 보존하며, Forget/Input/Output 게이트를 통해 어떤 정보를 잊고 기억할지 정교하게 제어합니다.

■ LSTM (Long Short-Term Memory)

RNN의 기울기 소실 및 폭발 문제를 극복하기 위해 고안된 구조로 셀 상태(Cell State)라는 장기 기억 장치를 도입한 것이 핵심입니다.

• Forget Gate: 과거의 셀 상태에서 어떤 정보를 버릴지 결정합니다.
• Input Gate: 현재 들어온 새로운 정보 중 어떤 것을 셀 상태에 추가할지 결정합니다.
• Cell State Update: 이전 상태에서 잊을 정보는 지우고 새로운 정보를 추가하여 장기 기억을 업데이트합니다.
• Output Gate: 업데이트된 셀 상태를 바탕으로 어떤 정보를 은닉 상태(단기 기억)로 내보낼지 결정합니다.

■ Autoencoder

입력 데이터를 잠재 공간으로 압축(인코딩)한 후 다시 복원(디코딩)하며 특징을 스스로 학습하는 비지도 학습 모델입니다.

노이즈 제거 및 화질 변환에 주로 사용됩니다.

---

3. 추천 시스템의 원리와 벡터화

사용자의 취향이나 아이템의 속성을 수치화하여 유사도를 측정하는 시스템입니다.

• 협업 필터링: 비슷한 취향의 사용자가 좋아한 아이템을 추천(유저 기반)하거나, 특정 아이템과 유사한 아이템을 추천(아이템 기반)합니다.
• 콘텐츠 기반 필터링: 아이템 자체의 메타데이터(장르, 배우 등)를 분석하여 유사한 것을 추천합니다.
• 수치화 기법: 범주형 데이터를 위한 원-핫 인코딩과 단어의 중요도를 계산하는 TF-IDF를 활용해 특징 벡터를 생성하고, 코사인 유사도 등으로 거리를 측정합니다.

---

4. Cloudflare Zero Trust를 활용한 GPU 서버 구축

포트폴리오(음성 주문 시스템, 수어 학습 앱) 제작을 위해 로컬 GPU(RTX 3060)를 외부에서 안정적으로 활용할 수 있도록 세팅했습니다.

• 아키텍처: 메인 서버는 Oracle Cloud(OCI)에 배포하고, AI 연산이 필요한 경우에만 Cloudflare Tunnel을 통해 로컬 GPU 자원을 호출하는 하이브리드 구조를 채택했습니다.
• 학습 성과: 터널링 세팅을 통해 도메인 연결 및 보안 네트워크 환경을 구축했으며, HTTP/2와 QUIC 등 최신 네트워크 이론을 실제 환경에 적용해보는 계기가 되었습니다.

---

5. 세부 학습 정리 자료

상세한 기술 구현 과정과 이론은 아래 개별 포스팅에 정리해 두었습니다.

Cloudflare Zero Trust 실전 세팅	Zero Trust 기술 개념 정리
HTTP/2 다중화 이론 분석	QUIC 프로토콜의 특징