NVIDIA Minerva 출시로 AI 팩토리 운영에 이목 집중
NVIDIA는 10월 22일 Minerva를 공개하며 인프라 모니터링과 AI 워크로드 분석을 더 어려운 질문, 즉 얼마나 많은 유용한 작업이 실제로 제공되는가라는 문제를 중심으로 결합했다. NVIDIA Minerva 출시는 IT 운영에 인공지능을 적용하는 소프트웨어인 AIOps 플랫폼을 선보인다. NVIDIA는 이 플랫폼이 운영 데이터를 목적에 맞게 설계된 모델과 결합해 팀이 문제를 더 일찍 식별하도록 돕는다고 밝혔다.
이는 AI 인프라가 내보내는 신호를 통해 이해하는 능력인 AI 팩토리 관측 가능성을 생산 의사결정에 더 가깝게 만든다. AI 팩토리는 AI 모델을 학습하고 실행하도록 구성된 인프라다. 운영자는 장비 활동이 완료된 작업으로 이어지는지 파악해야 한다. 바쁘게 작동하는 그래픽 처리 장치(GPU)만으로는 애플리케이션이 목표를 달성하고 있는지 알 수 없다.
기존 제공업체들도 이미 이 문제의 일부를 다루고 있다. Datadog는 GPU 모니터링을 제공하고, OpenTelemetry는 운영 신호 수집을 위한 프레임워크를 제공한다. NVIDIA는 하드웨어 중심 관점으로 이미 자리 잡은 운영 워크플로에 진입하고 있다. 당면한 부담은 인프라 팀에 있다. 또 하나의 단절된 모니터링 시스템을 만들지 않으면서 장비 상태, 워크로드 동작, 서비스 성능을 연결해야 한다.
NVIDIA Minerva 출시가 바꾸는 점
NVIDIA의 Minerva 플랫폼 발표에 따르면, 이 플랫폼은 인프라와 AI 워크로드의 텔레메트리를 결합한다. 텔레메트리란 운영체제가 내보내는 측정값과 이벤트 기록을 뜻한다. NVIDIA는 자사 모델이 이러한 입력을 실행 가능한 인사이트로 전환한다고 밝혔다.
회사는 이 목표를 설치 환경이 만들어내는 유용한 작업인 AI 팩토리 수율로 설명한다. 예시로는 GPU 시간, 클러스터 가동 시간, 토큰 생산량이 제시됐다. 토큰은 언어 모델이 처리하거나 생성하는 텍스트 단위다. 이러한 측정값은 서로 다른 운영 질문을 하나의 논의로 묶는다.
NVIDIA는 또한 인프라 인터페이스와 외부 시스템을 통한 자동화 연동, 또는 사람의 개입이라는 선택지를 설명한다. 문제를 식별하는 일과 변경을 승인하는 일에는 서로 다른 책임이 따르므로 이 구분은 중요하다.
이번 발표는 운영 해석을 NVIDIA의 AI 인프라 제공 방식에서 더 명시적인 요소로 만든다.
구매자에게 이는 모니터링 도입을 둘러싼 대화를 바꾼다. 플랫폼은 어떤 운영 의사결정을 개선하는지, 그 결정을 뒷받침하는 근거가 무엇인지, 이후에도 누가 책임을 지는지를 설명해야 한다. 대시보드를 하나 더 추가하는 것만으로는 설득력 있는 답이 되기 어렵다.
할당된 GPU가 계속 활성 상태인 상황에서 진행이 느린 가상의 학습 작업을 생각해 보자. 장비 관점에서는 뚜렷한 하드웨어 장애가 보이지 않을 수 있다. 애플리케이션 관점에서는 완료가 지연되는 것으로 나타날 수 있다. 누군가 유용한 대응을 선택하기 전에 이러한 관찰 결과를 연결해 조사해야 한다.
가능한 설명은 여러 가지이며, 이번 발표는 Minerva가 운영 환경에서 그 원인들을 신뢰성 있게 구분할 수 있는지를 입증하지 않는다. 지연은 데이터 전달, 통신, 소프트웨어 동작 또는 리소스 할당과 관련될 수 있다. 이런 가능성을 동일한 것으로 취급하면 대응자를 서로 다른 팀과 조치로 이끌게 된다.
그래서 “실행 가능”이라는 표현에는 구체적인 정의가 필요하다. 유용한 발견은 영향을 받은 작업을 식별하고, 관련 근거를 제시하며, 불확실성을 설명하고, 상황에 비례한 대응을 제안해야 한다. 그 가치는 인시던트를 처리하는 사람의 모호함을 줄이는 데서 나온다.
따라서 이번 출시는 확정된 성능 평가가 아니라 평가 과제를 만든다. 구매자는 발견 사항이 조사 시간을 단축하는지, 불필요한 변경을 막는지, 기존 도구가 놓친 문제를 찾아내는지 물을 수 있다. 각 질문에는 실제 운영 환경의 근거가 필요하다.
NVIDIA의 발표는 회사가 지향하는 방향을 보여준다. 그러나 그 자체만으로 모든 고객 환경에서 측정된 개선을 입증하지는 않는다. 이러한 주장을 구분하면 운영자는 제품이 어디에 적합한지 더 명확하게 판단할 수 있다.
유용한 산출물은 인프라 팀에 부담을 준다
인프라 소유자와 애플리케이션 소유자는 같은 인시던트에도 서로 다른 질문으로 접근하는 경우가 많다. 한쪽은 장비가 정상인지 묻는다. 다른 쪽은 워크로드가 정확히, 그리고 제시간에 완료됐는지 묻는다. 공통 운영 관점은 두 시각을 모두 보존해야 한다.
유용한 산출물은 팀에 공통 목표를 부여하지만, 여전히 성공에 대한 합의된 정의가 필요하다.
학습에서는 이 정의가 모델 체크포인트를 향한 유효한 진행을 포함할 수 있다. 체크포인트는 작업을 계속하거나 복구하는 데 쓰이는 저장된 상태다. 학습된 모델을 실행하는 과정인 추론에서는 서비스 목표 안에 제공되는 허용 가능한 응답을 뜻할 수 있다.
이러한 예시는 보고된 Minerva 고객 성과가 아니라 평가 기준이다. 장비 활동만으로 모든 운영 질문에 답할 수 없는 이유를 보여준다. 시스템은 작업이 멈춘 상태에서도 계속 사용 가능할 수 있고, 작업은 가치의 기준이 된 마감 시한을 놓친 채 완료될 수도 있다.
부담은 먼저 공유 컴퓨팅 환경을 유지하는 플랫폼 엔지니어에게 돌아간다. 경보가 고립된 워크로드, 공유 종속성, 또는 인프라 문제와 관련 있는지를 판단할 충분한 맥락이 필요하다. 이 구분에 따라 책임 주체가 달라진다.
애플리케이션 팀에도 관련된 의무가 있다. 인프라 발견 사항이 사용자 영향을 반영하기를 원한다면, 관련 워크로드 정보를 제공해야 한다. 조직의 우선순위가 데이터나 정책에 전혀 반영되지 않는다면 운영 플랫폼이 이를 신뢰성 있게 추론할 수 없다.
용량 계획도 더 까다로워진다. 추가 장비를 승인하기 전에 구매자는 기존 리소스가 왜 수요를 충족하지 못하는지 이해해야 한다. 운영 근거는 용량 부족과 다른 곳에서 지연되는 작업을 구분하는 데 도움이 될 수 있다.
어느 쪽도 자동으로 답이 나오지는 않는다. 하드웨어를 더 추가하면 실제 부족 문제를 해결할 수 있다. 그러나 원래의 제약은 그대로 남을 수도 있다. 더 나은 가시성의 가치는 조직이 리소스를 투입하기 전에 그 선택을 합리적으로 방어할 수 있게 만드는 데 있다.
사업 책임자도 참여해야 한다. 어떤 결과가 중요한지, 어떤 절충이 허용되는지를 정하는 주체이기 때문이다. 더 높은 산출률이 바람직할 수는 있지만, 조직에는 여전히 응답 품질, 완료 기한, 신뢰성에 관한 요구사항이 필요하다.
이는 실질적인 거버넌스 질문을 낳는다. 운영 변경이 서비스를 개선했다고 누가 판단하는가? 인프라 팀은 장비 동작을 검증할 수 있다. 애플리케이션 소유자는 워크로드 결과를 평가할 수 있다. 서비스 소유자는 이러한 결과를 약속된 경험과 대조해 조정해야 한다.
개발자에게 그 결과는 직접적이다. 느린 작업에는 팀 경계를 넘는 조사를 뒷받침할 충분한 맥락이 함께 제공돼야 한다. 엔터프라이즈 구매자에게 모니터링 요구사항은 공급업체가 개별 기능을 시연하기 전에 생산 목표와 연결돼야 한다.
NVIDIA Minerva 출시는 이러한 논의를 평가할 구체적인 제품을 제시한다. 더 넓은 책임은 여전히 운영자에게 있다. 운영자는 자신의 업무에서 생산적인 인프라가 무엇을 뜻하는지 정의해야 한다.
AI 팩토리 관측 가능성은 연결된 근거에 달려 있다
기술적 과제는 AI 모델이 무언가를 해석하기 전부터 시작된다. 신호는 관련 시스템을 설명하고, 활용 가능한 맥락과 함께 도착하며, 조사 전반에서 비교 가능한 상태로 유지돼야 한다. 맥락이 빠지면 아무리 세부적인 측정값을 수집해도 그 가치를 훼손할 수 있다.
OpenTelemetry 신호는 이 구분을 이해하는 데 유용한 기준을 제공한다. 해당 프레임워크는 운영 데이터의 수집, 처리, 내보내기를 다룬다. 여기에는 시간에 따른 측정값인 메트릭, 기록된 이벤트인 로그, 시스템 구성 요소 전반에서 작업 흐름을 추적하는 기록인 트레이스가 포함된다.
더 많은 신호를 수집하는 일은 대응자가 이를 동일한 운영 질문과 연결할 수 있을 때만 도움이 된다.
배포 후 응답 시간이 악화되는 가상의 서비스를 생각해 보자. 같은 기간에 GPU 활동도 변한다. 유용한 조사는 배포, 장비 동작 또는 다른 종속성 중 무엇이 성능 저하를 설명하는지 밝혀야 한다.
시간적 일치는 단서를 제공하지만 인과관계를 입증하지는 않는다. 사건은 같은 시기에 발생해도 동일한 원인을 공유하지 않을 수 있다. 설득력 있는 발견은 한 설명이 대안보다 근거에 더 잘 부합하는 이유를 보여주고, 여전히 알 수 없는 부분을 식별해야 한다.
시스템 식별 정보도 중요하다. 대응자는 영향을 받은 기간에 어떤 워크로드가 어떤 리소스를 사용했는지 알아야 한다. 정확한 측정값도 인시던트와의 관계가 불분명하면 유용성이 떨어진다.
소프트웨어 변경에도 같은 원리가 적용된다. 애플리케이션 개정이 작업이 하드웨어에 도달하는 방식을 바꾸면 장비 수준 비교에는 추가 맥락이 필요할 수 있다. 그렇지 않으면 정상적인 워크로드 동작 변화가 인프라 성능 저하처럼 보일 수 있다.
바로 여기서 자동화된 해석의 약속이 중요해진다. 가능성이 높은 설명의 순위를 매기는 모델은 대응자가 주의를 집중하는 데 도움이 될 수 있다. 그러나 실질적 가치는 그 순위의 품질과 검토 가능한 근거에 달려 있다.
설명은 관찰과 추론도 구분해야 한다. “이 측정값이 변했다”는 “이 변화가 지연을 일으켰다”와 다른 진술이다. 운영자는 권고 사항을 평가하기 위해 두 종류의 정보를 모두 명확히 구분해 필요로 한다.
조치의 경계는 또 다른 층위를 더한다. 조사를 권고하는 것은 실행 중인 서비스를 변경하는 것과 다른 결과를 낳는다. 구매자는 제안된 조치가 어떻게 승인을 받는지, 그 효과가 어떻게 기록되는지, 실패한 변경이 어떻게 되돌려지는지를 검토해야 한다.
이는 운영 평가 질문이지 Minerva 구현에 대해 확인된 설명은 아니다. 공개된 제품 포지셔닝만으로는 근거 처리, 권한 또는 복구 동작에 관한 모든 질문에 답할 수 없다. 배포 문서와 고객 경험이 이러한 공백을 채워야 한다.
플랫폼은 선호하는 설명이 틀렸을 때도 유용해야 한다. 대응자는 기초 근거와 대안 가설에 접근할 수 있어야 한다. 무비판적인 수용을 유도하는 인터페이스는 조사 과정을 약화시킨다.
따라서 중요한 메커니즘은 연결 고리다. 연결된 관찰은 설명을 뒷받침하고, 설명은 의사결정을 뒷받침하며, 의사결정은 결과를 만들어낸다. 각 연결을 평가하는 편이 모델의 정교함만 평가하는 것보다 더 많은 정보를 제공한다.
기존 모니터링 도구가 Minerva 도입을 좌우한다
Minerva는 구매자가 이미 운영 투자를 해온 시장에 진입한다. 여기에는 모니터링 구성, 인시던트 워크플로, 소유권 규칙, 반복되는 장애에 관한 축적된 지식이 포함된다. 도입 여부는 새 플랫폼이 이러한 운영 환경에 얼마나 잘 맞는지에 부분적으로 달려 있다.
Datadog의 GPU 모니터링 문서는 GPU 인프라, 워크로드 및 사용 가능한 용량에 대한 가시성을 설명한다. GPU Monitoring Explorer는 워크로드 보기를 기반 인프라와 연결하고, 적용 범위를 줄일 수 있는 설치 공백을 강조한다.
이는 제품 동등성을 입증하지 않으면서도 관련된 중복 영역을 보여준다. 구매자는 여전히 지원 환경, 조사 깊이, 배포 요구사항, 그리고 자체 운영 요구를 비교해야 한다. 공통된 범주 명칭만으로는 이러한 차이를 해소할 수 없다.
도입의 핵심 질문은 기존 운영 스택 안에서 Minerva가 어떤 책임을 맡아야 하는가이다.
NVIDIA의 Minerva 제품 페이지는 외부 옵저버빌리티 시스템과 AI 도구로 전달되는 인사이트를 설명한다. 이러한 포지셔닝은 통합 가능성을 남겨 둔다. 그러나 추가 작업 없이 모든 고객의 기존 워크플로와 연결된다는 점까지 입증하지는 않는다.
구매자는 현재의 인시던트 관리 프로세스를 유지하면서 특화된 인프라 분석을 원할 수 있다. 다른 구매자는 더 통합된 운영 인터페이스를 선호할 수 있다. 두 접근 방식 모두 알림, 근거, 조치 승인에 대한 책임을 명확히 해야 한다.
OpenTelemetry는 이 비교에서 다른 역할을 한다. 운영 데이터가 생성되고 이동하는 방식을 표준화하는 데 도움이 된다. 운영자에게 필요한 모든 분석, 저장, 인시던트 대응 기능을 그 자체로 대체하지는 않는다.
의미 있는 구분은 근거를 수집하는 일, 이를 해석하는 일, 그리고 이에 따라 조치하는 일 사이에 있다. 제품은 이러한 기능 전반에서 겹칠 수 있지만, 여전히 조직마다 다른 요구를 충족할 수 있다. 조달 비교에서는 이러한 경계를 명시적으로 파악해야 한다.
기존 공급업체 입장에서 NVIDIA의 진입은 현실적인 경쟁 질문을 제기한다. 기존 플랫폼이 까다로운 운영자에게 충분한 깊이로 AI 인프라의 동작을 설명할 수 있는가? NVIDIA 입장에서는 자사 하드웨어를 둘러싼 운영 환경에 어떻게 통합할 것인지가 핵심이다.
어느 질문도 승자독식 전망을 요구하지 않는다. 이 조합이 조사 노력을 줄인다면 기업은 폭넓은 모니터링과 함께 특화된 분석을 사용할 수 있다. 반대로 통합 비용이 추가 정보의 가치를 웃돈다면 추가 도구 도입을 거부할 수도 있다.
입증 책임은 대표적인 인시던트에 있다. 구매자는 동일한 워크로드 문제를 각 접근 방식이 어떻게 처리하는지, 같은 단계에서 이용 가능한 근거를 사용해 비교해야 한다. 그렇지 않으면 시연은 조사 유용성보다 발표 역량에 보상을 줄 수 있다.
팀은 이 비교에 운영 인수인계도 포함해야 한다. 발견 사항은 이를 이해하고 대응 권한을 가진 사람에게 전달되어야 한다. 기술적으로 상세한 설명도 잘못된 워크플로에 도착하면 실패할 수 있다.
엔지니어링 조직에서 지속 가능한 인시던트 지식은 검색 가능한 지식 기반에 속한다. 의사결정과 검증된 해결책을 기록하면 향후 대응자가 새로운 권고안이 과거 경험과 부합하는지 평가하는 데 도움이 된다.
이 지식 계층은 실시간 모니터링과 다른 목적을 수행한다. 제안된 수정이 수용, 변경 또는 거부된 이유를 포함해 인시던트를 둘러싼 조직의 판단 과정을 보존한다.
수율 주장은 운영 검증이 필요하다
가장 분명한 불확실성은 입증된 결과에 관한 것이다. 이 글에서 검토한 출시 자료는 대표적인 고객 환경 전반에서 독립적으로 검증된 개선을 확립하지 않는다. 독자는 뒷받침 근거가 나올 때까지 의도된 이점을 회사의 주장으로 받아들여야 한다.
신뢰할 수 있는 평가는 정의된 조건에서 발견 사항을 더 나은 운영 결과와 연결해야 한다.
AI 팩토리 수율은 생산에 주의를 돌린다는 점에서 유용한 틀이다. 그러나 측정 지표로서는 명확한 경계가 필요하다. 구매자는 어떤 작업이 포함되는지, 어떤 실패가 포함되는지, 결과를 어떻게 비교하는지 알아야 한다.
토큰 생산은 이 문제를 보여 준다. 출력 수가 늘었다고 해서 응답이 애플리케이션 요구사항을 충족했는지는 판단할 수 없다. 평가는 운영 변경을 비교할 때 관련 품질 및 서비스 제약을 유지해야 한다.
학습에는 고유한 질문도 있다. 완료된 작업은 프로젝트에 유효하고 유용한 상태로 남아야 한다. 실패하거나 반복된 작업이 결과에 영향을 미친다면, 더 높은 활동 지표가 검증된 진전을 대체할 수는 없다.
비교 기간도 중요하다. 서로 다른 워크로드는 운영이 더 좋아졌거나 나빠졌다는 의미 없이도 장비 동작 차이를 만들 수 있다. 평가는 비교 조건이 의미 있게 유사한지 보여 줄 충분한 맥락을 공개해야 한다.
알림 품질은 별도로 주목할 가치가 있다. 더 많은 비정상 이벤트를 감지하면 도움이 될 수 있지만, 필요한 조사량을 늘릴 수도 있다. 운영자는 어떤 발견 사항이 조치를 받을 만한지, 대응자가 이를 얼마나 자주 기각하는지 살펴봐야 한다.
예측은 결과에 영향을 줄 만큼 충분히 일찍 도착해야 한다. 작업이 이미 실패한 뒤 제공되는 정확한 설명은 예방을 가능하게 하는 경고와 다른 이점을 제공한다. 둘 다 중요할 수 있지만, 서로 바꿔 말해서는 안 된다.
복구는 또 다른 모호성의 원인이 된다. 개입 후 서비스가 개선됐다면, 평가는 그 개입이 실제로 개선을 일으켰는지 검토해야 한다. 무관한 워크로드 변화는 약한 해결책도 성공한 것처럼 보이게 할 수 있다.
이러한 우려 중 어느 것도 Minerva의 결함을 확립하지 않는다. 이는 플랫폼이 표방하는 목적을 평가하는 데 필요한 근거를 제시한다. 비교 가능한 운영 주장을 하는 기존 모니터링 제품에도 같은 질문이 적용된다.
배포 오버헤드도 평가에 포함해야 한다. 운영 데이터를 수집하고 처리하려면 리소스가 소모되고 유지 관리가 필요하다. 구매자는 조사 또는 생산성 향상에 대한 보고된 개선과 함께 이러한 요구사항을 이해해야 한다.
데이터 접근은 추가적인 조달 이슈를 만든다. 조직은 어떤 정보가 모니터링 환경을 벗어나는지, 누가 이를 검토할 수 있는지, 얼마나 오래 이용 가능한지를 정해야 한다. 구체적인 답변에는 제품 문서와 계약 검토가 필요하다.
신중한 입장은 간단하다. 출시를 인정하고, 제안된 메커니즘을 검토하며, 성능 판단은 측정된 결과를 위해 남겨 두는 것이다. 이 접근 방식은 발표를 증명으로 바꾸지 않고도 평가를 진행할 수 있게 한다.
운영자가 다음으로 살펴봐야 할 사항
다음으로 유용한 근거는 배포, 결과, 통합에 관한 질문에 답해야 한다. 이러한 신호는 구매자가 출시 문구만으로 의존하지 않고 운영 전략 내에서 Minerva의 위치를 정하는 데 도움이 된다.
가장 강력한 후속 자료는 제품의 이점과 운영 경계를 모두 더 쉽게 평가할 수 있게 할 것이다.
먼저 배포 세부 사항을 살펴봐야 한다. 지원 구성, 수집 요구사항, 워크로드 범위, 운영 종속성은 어디에서 평가가 현실적인지 결정한다. 구체적인 문서는 전제조건을 드러내어 도입 근거를 강화할 것이다.
이 세부 사항은 커버리지가 불완전할 때 어떤 일이 발생하는지도 명확히 해야 한다. 운영자는 정상적인 환경과 플랫폼이 완전히 관찰할 수 없는 환경을 구분할 필요가 있다. 명확한 한계는 남아 있는 발견 사항에 대한 신뢰를 높일 것이다.
둘째, 정의된 운영 문제와 연결된 고객 근거를 살펴봐야 한다. 유용한 사례는 워크로드, 초기 문제, Minerva가 제공한 근거, 그리고 그에 따른 결정을 설명할 것이다. 측정된 결과와 고객의 인상을 구분해야 한다.
비교 결과는 기준선을 공개할 때 특히 유익하다. 팀이 이전에 어떻게 조사했는지 알 때 더 빠른 조사의 의미가 커진다. 워크로드와 서비스 요구사항이 비교 가능한 상태로 유지될 때 향상된 출력의 의미도 커진다.
성공하지 못한 발견 사항을 포함하는 근거도 도움이 될 것이다. 운영자는 플랫폼이 가치를 더하는 지점과 인간의 조사가 여전히 필수적인 지점을 이해해야 한다. 신중하게 범위를 정한 결과는 광범위한 성공 주장보다 더 강력한 구매 결정을 뒷받침할 수 있다.
셋째, 통합 근거와 기존 공급업체의 대응을 살펴봐야 한다. 기존 모니터링 및 인시던트 워크플로와의 구체적인 연결은 외부 시스템을 둘러싼 NVIDIA의 포지셔닝을 뒷받침할 것이다. 구매자는 이러한 연결이 조사 전반에서 유용한 맥락을 보존하는지 살펴봐야 한다.
기존 공급업체의 대응은 경쟁 압력이 어느 지점에 집중되는지 명확히 할 것이다. 더 깊은 하드웨어 분석, 더 명확한 워크로드 맥락, 개선된 인시던트 처리는 각각 동일한 운영 문제의 다른 부분을 다룬다.
이러한 신호는 함께 평가해야 한다. 측정된 결과 없는 광범위한 배포 지원은 이점을 불확실하게 남긴다. 제한된 환경에서의 강력한 결과는 다른 환경에서는 신중한 해석이 필요하다. 통합 주장은 운영자가 실제로 사용하는 워크플로의 근거를 필요로 한다.
NVIDIA Minerva 출시는 AI 인프라 팀에 검토할 새로운 플랫폼과 검증할 구체적인 주장들을 제공한다. 배포 가이드와 고객 결과가 제안된 연결이 얼마나 잘 작동하는지 보여 주면서 그 관련성은 더 분명해질 것이다.
현재로서는 반복적으로 발생하는 운영 문제를 하나 선택하고, 이를 해결하는 데 필요한 근거를 정의하라. 동일한 워크로드와 서비스 요구사항을 사용해 제안된 플랫폼을 현재 조사 프로세스와 비교하라. 어떤 발견 사항이 의사결정을 바꿨는지, 어떤 사항이 수정이 필요했는지, 대응이 결과를 개선했는지 기록하라. 향후 인시던트가 이 평가의 혜택을 받을 수 있도록 그 결과를 팀의 운영 문서와 함께 보관하라. NVIDIA Minerva 출시 보도를 검토할 때는 특정 관찰 결과를 검증된 결과와 연결하는 근거를 우선시하라. 이 접근 방식이 팀의 업무를 개선하는지 판단할 가장 명확한 근거를 제공할 미해결 인시던트는 무엇인가?
