2026 년 6 월 20 일
- 데이터 수집 과정에서 악성 데이터를 수집하지 않도록 방어 기준을 고민하기로 함
- AI가 생성한 코드나 문서가 ASCII 코드 변형, 유니코드 혼동 문자, 보이지 않는 제어 문자, 난독화된 문자열 등을 포함할 수 있으므로 수집 단계에서 어떻게 탐지하고 정규화할지 생각해야 함
- 단순히 GitHub 데이터를 많이 모으는 것보다, 악성/오염/난독화 데이터를 걸러내는 기준을 먼저 세우는 것이 중요하다고 정리
- 컨디션 이슈로 당분간 작업은 조금 미루어질 수 있음