서버 구성/배포쪽도 그렇지만, 앱 개발도 진짜 편해졌다. 고릿적엔 애플 개발자 등록하는 것부터 진짜 피곤했는데, 이젠 진짜 클릭클릭만 해서 등록 완료하고, iOS는 물론 안드로이드도 테스트 앱 빌드하고 배포하는데 클릭클릭만 몇 번하니 끝. 웹 프론트, 백엔드, 안드로이드, iOS 까지 프로토타입 만들고 프로젝트 기반을 구성하는데 3일도 안걸림.

게다가 샘플 앱 정도는 ChatGPT나 Claude한테 시키면 원샷으로 만들어주니, 이제 진짜 기초가 탄탄한 엔지니어링 실력을 갖추지 않고서는 개발자라고 말하기도 어려울 듯. 아니, 10년 전쯤 잠깐 퍼블리셔와 프론트엔드 개발자를 급으로 나눴던 시대처럼, 이제는 단순히 구현만하는 개발자와 컴퓨터 과학 지식이 있는 엔지니어를 급으로 나누게 될 것 같다.

서버 구성/배포쪽도 그렇지만, 앱 개발도 진짜 편해졌다. 고릿적엔 애플 개발자 등록하는 것부터 진짜 피곤했는데, 이젠 진짜 클릭클릭만 해서 등록 완료하고, iOS는 물론 안드로이드도 테스트 앱 빌드하고 배포하는데 클릭클릭만 몇 번하니 끝. 웹 프론트, 백엔드, 안드로이드, iOS 까지 프로토타입 만들고 프로젝트 기반을 구성하는데 3일도 안걸림. 게다가 샘플 앱 정도는 ChatGPT나 Claude한테 시키면 원샷으로 만들어주니, 이제 진짜 기초가 탄탄한 엔지니어링 실력을 갖추지 않고서는 개발자라고 말하기도 어려울 듯. 아니, 10년 전쯤 잠깐 퍼블리셔와 프론트엔드 개발자를 급으로 나눴던 시대처럼, 이제는 단순히 구현만하는 개발자와 컴퓨터 과학 지식이 있는 엔지니어를 급으로 나누게 될 것 같다.

앞서 2개의 포스팅에서 데이터 팀의 미션은 "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"라는 이야기와 두 가지 형태의 부가 가치 중 데이터를 바탕으로 하는 조금더 과학적인 의사결정에 대해 이야기했다. 이번에는 데이터를 바탕으로한 사용자 서비스 사용 경험 개선에 대해 이야기해보고자 한다.

 1. 데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science)
 2. 데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science)

이런 형태의 부가가치를 만들어내는 사람은 보통 데이터 과학자이며 머신 러닝 모델을 만드는 형태로 일을 하게 된다. 가장 이해하기 쉬운 형태는 개인화된 추천 시스템을 만드는 것이나 검색 성능을 높이는 일 등이다. 만일 온라인 시스템이 아니라 공장처럼 공정이 필요한 곳이라면 데이터를 바탕으로 기계 고장 등을 예측하거나 공정 생산성을 높이는 다양한 방법들을 찾아낼 수 있다. 이는 제품 자체의 품질을 높이는 것은 아니지만 제품의 비용을 줄임으로써 가격을 내리거나 새로운 기능 투자에 노력을 기울임으로써 제품의 품질을 높일 수 있다.

머신 러닝 모델을 프로덕션에서 사용하는 것은 생각보다 큰 인프라 투자 비용을 필요로 한다. 머신 러닝 모델도 라이프 사이클이 있기에 한번 빌드하고 끝이 아니라 데이터 패턴이 바뀔 때마다 다시 빌드되어야 한다 (리프레시). 이렇게 데이터 패턴이 바뀌는 현상을 Data Drift라고 표현한다.

가능하면 빌드, 테스트부터 시작해서 배포까지 자동화하는 것이 좋은데 이게 되려면 상당한 인프라 투자가 필요하며 데이터 팀과 백엔드/데브옵스 엔지니어링 팀간의 밀접한 협업을 필요로 한다. 즉, 투자 비용이 크고 어느 정도 엔지니어링 조직이 성숙된 곳이 아니라면 지속적으로 운영하기가 쉽지 않다. 그러다보니 MLOps라는 새로운 직군이 생겼다. 데이터 과학과 데이터 엔지니어링과 데브옵스의 환상적인 조합이라고 할 수 있는 경험이 많이 필요하고 알아야하는 것이 많은 직군이다.

또한 정말로 의미가 있는 일에 머신 러닝을 사용하는 것이 필요하기에 가설을 기준으로 정말로 ROI가 있는 머신 러닝 모델을 만드는 조직적인 공감대와 문화가 필요하다. 기존 일을 머신 러닝 모델로 대체한다면 보통 A/B 테스트로 평가하는 것이 일반적이기도 하다.

다음 포스팅에서는 보편화된 데이터 직군(데이터 엔지니어, 데이터 분석가, 데이터 과학자)에 대해 이야기해보고 이어서 별도 포스팅에서 조금더 특화된 직군 (MLOps, 애널리틱스 엔지니어, 프라이버시 엔지니어 등등)에 대해 이야기해보도록 하겠다.

댓글에 이런 데이터에 관한 다양한 자세한 이야기와 일대일 멘토링이 합쳐진 인프런 "[멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시" 강의 링크를 달았고 유데미에 올린 A/B 테스트 강의와 추천 엔진 강의 링크를 달았으니 더 알고 싶은 분들은 참고해주세요!

앞서 2개의 포스팅에서 데이터 팀의 미션은 "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"라는 이야기와 두 가지 형태의 부가 가치 중 데이터를 바탕으로 하는 조금더 과학적인 의사결정에 대해 이야기했다. 이번에는 데이터를 바탕으로한 사용자 서비스 사용 경험 개선에 대해 이야기해보고자 한다. <ol ><li>데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science)</li><li>데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science)</li></ol> 이런 형태의 부가가치를 만들어내는 사람은 보통 데이터 과학자이며 머신 러닝 모델을 만드는 형태로 일을 하게 된다. 가장 이해하기 쉬운 형태는 개인화된 추천 시스템을 만드는 것이나 검색 성능을 높이는 일 등이다. 만일 온라인 시스템이 아니라 공장처럼 공정이 필요한 곳이라면 데이터를 바탕으로 기계 고장 등을 예측하거나 공정 생산성을 높이는 다양한 방법들을 찾아낼 수 있다. 이는 제품 자체의 품질을 높이는 것은 아니지만 제품의 비용을 줄임으로써 가격을 내리거나 새로운 기능 투자에 노력을 기울임으로써 제품의 품질을 높일 수 있다. 머신 러닝 모델을 프로덕션에서 사용하는 것은 생각보다 큰 인프라 투자 비용을 필요로 한다. 머신 러닝 모델도 라이프 사이클이 있기에 한번 빌드하고 끝이 아니라 데이터 패턴이 바뀔 때마다 다시 빌드되어야 한다 (리프레시). 이렇게 데이터 패턴이 바뀌는 현상을 Data Drift라고 표현한다. 가능하면 빌드, 테스트부터 시작해서 배포까지 자동화하는 것이 좋은데 이게 되려면 상당한 인프라 투자가 필요하며 데이터 팀과 백엔드/데브옵스 엔지니어링 팀간의 밀접한 협업을 필요로 한다. 즉, 투자 비용이 크고 어느 정도 엔지니어링 조직이 성숙된 곳이 아니라면 지속적으로 운영하기가 쉽지 않다. 그러다보니 MLOps라는 새로운 직군이 생겼다. 데이터 과학과 데이터 엔지니어링과 데브옵스의 환상적인 조합이라고 할 수 있는 경험이 많이 필요하고 알아야하는 것이 많은 직군이다. 또한 정말로 의미가 있는 일에 머신 러닝을 사용하는 것이 필요하기에 가설을 기준으로 정말로 ROI가 있는 머신 러닝 모델을 만드는 조직적인 공감대와 문화가 필요하다. 기존 일을 머신 러닝 모델로 대체한다면 보통 A/B 테스트로 평가하는 것이 일반적이기도 하다. 다음 포스팅에서는 보편화된 데이터 직군(데이터 엔지니어, 데이터 분석가, 데이터 과학자)에 대해 이야기해보고 이어서 별도 포스팅에서 조금더 특화된 직군 (MLOps, 애널리틱스 엔지니어, 프라이버시 엔지니어 등등)에 대해 이야기해보도록 하겠다. 댓글에 이런 데이터에 관한 다양한 자세한 이야기와 일대일 멘토링이 합쳐진 인프런 "[멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시" 강의 링크를 달았고 유데미에 올린 A/B 테스트 강의와 추천 엔진 강의 링크를 달았으니 더 알고 싶은 분들은 참고해주세요!

데이터 이야기 #3: 데이터팀의 가치 생성 - 데이터 바탕 제품 개선

1. [멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시 - https://inf.run/397pQ
2. SQL과 Tableau로 만들어보는 애자일한 AB 테스트 분석 시스템: https://www.udemy.com/course/sql-tableau-abtest/?referralCode=6629BA520504B4672881
3. 파이썬(Python)과 머신 러닝으로 만들어보는 추천 엔진: https://www.udemy.com/course/python-recommendation-engine/?referralCode=7FF39A9E97FC8481374A

OpenAI o1의 IQ 테스트 결과.

Claude-3 Opus와 GPT-4o가 거의 인간 평균에 도달했다는 소식을 전한지가 엊그제 같은데, 이젠 그것도 아득하게 멀어졌군여.

IQ가 지능을 완전히 설명할 수 있는 지표는 아니지만, 정말 엄청난 점프임은 분명한 것 같습니다.

OpenAI o1의 IQ 테스트 결과. Claude-3 Opus와 GPT-4o가 거의 인간 평균에 도달했다는 소식을 전한지가 엊그제 같은데, 이젠 그것도 아득하게 멀어졌군여. IQ가 지능을 완전히 설명할 수 있는 지표는 아니지만, 정말 엄청난 점프임은 분명한 것 같습니다.

토스의 개발자 컨퍼런스인 SLASH 24를 다녀왔습니다!

이번 행사는 참가 경쟁률이 8대 1을 기록했다고 해요. 감사하게도 저는 VIP로 초대받아 다녀왔어요.

덕분에 프론트엔드 세션도 듣고 토스뱅크, 토스증권의 CTO분들의 스페셜 세션도 들을 수 있었어요.

영상으로 현장 모습과 후기를 담았으니 확인해보세요!

https://youtu.be/twIbs1bql-4

토스의 개발자 컨퍼런스인 SLASH 24를 다녀왔습니다! 이번 행사는 참가 경쟁률이 8대 1을 기록했다고 해요. 감사하게도 저는 VIP로 초대받아 다녀왔어요. 덕분에 프론트엔드 세션도 듣고 토스뱅크, 토스증권의 CTO분들의 스페셜 세션도 들을 수 있었어요. 영상으로 현장 모습과 후기를 담았으니 확인해보세요! https://youtu.be/twIbs1bql-4

SLASH 24, VIP는 어떤 혜택이?

Database in Kubernetes: Is that a good idea?

Kubernetes에서 Database를 운영하는게 과연 좋은 아이디어인지를 지적하는 글입니다. Kubernetes를 도입하고 나면 대부분의 서비스를 Kubernetes로 운영하면서 어려움도 있지만 Kubernetes가 제공해주는 기능이 있고 인프라도 모아지기 때문에 데이터베이스같은 상태를 가진 것도 운영하게 되는 경우가 있습니다.

Kubernetes가 뛰어난 컨테이너 오케스트레이션 도구이지만 스테이트풀 관련한 기능은 여전히 부족한 상태고 특히 데이터베이스처럼 안정성이 최우선이어야 하는 경우에는 많이 부족한 상태라고 얘기하고 있습니다.

그리고 Kubernetes의 장점은 스테이트레스를 유연하게 운영하는 것과 스케쥴링지만 데이터베이스의 요구사항은 신뢰성, 보안, 효율성 등인데 이를 Kubernetes에서 운영할 경우 이러한 데이터베이스의 요구사항을 희생해야 하므로 Kubernetes와 데이터베이스 양쪽 모두에게 손해인 전얄기아록 얘기하고 있습니다.

클라우드를 보더라도 보통 Kubernetes는 PaaS 범주에 속하고 RDS는 IaaS 범주에 넣을 정도로 데이터베이스에서는 안정성이 중요하지만 Kubernetes에서는 이를 달성하기가 쉽지 않은데다가 보안도 좋지 않고 성능을 최적화하려면 기술력도 많이 필요하다고 얘기합니다.

이 글에서는 클라우드 네이티브 열풍으로 인해서 데이터베이스를 Kubernetes에서 운영하려고 하는 것이 Kubernetes를 위한 Kubernetes 도입이라는 왜곡된 현상이라고 비판하고 있습니다.

저도 Kubernetes에서 시간이 지나면서 계속 스테이트풀한 어플리케이션을 띄우는 일이 많아지지만 Kubernetes가 여전히 스테이트풀을 잘 다루지 못한다고 생각했는데 꽤 반가운 글이었습니다.

https://medium.com/@fengruohang/database-in-kubernetes-is-that-a-good-idea-daf5775b5c1f

Kubernetes에서 Database를 운영하는게 과연 좋은 아이디어인지를 지적하는 글입니다. Kubernetes를 도입하고 나면 대부분의 서비스를 Kubernetes로 운영하면서 어려움도 있지만 Kubernetes가 제공해주는 기능이 있고 인프라도 모아지기 때문에 데이터베이스같은 상태를 가진 것도 운영하게 되는 경우가 있습니다. Kubernetes가 뛰어난 컨테이너 오케스트레이션 도구이지만 스테이트풀 관련한 기능은 여전히 부족한 상태고 특히 데이터베이스처럼 안정성이 최우선이어야 하는 경우에는 많이 부족한 상태라고 얘기하고 있습니다. 그리고 Kubernetes의 장점은 스테이트레스를 유연하게 운영하는 것과 스케쥴링지만 데이터베이스의 요구사항은 신뢰성, 보안, 효율성 등인데 이를 Kubernetes에서 운영할 경우 이러한 데이터베이스의 요구사항을 희생해야 하므로 Kubernetes와 데이터베이스 양쪽 모두에게 손해인 전얄기아록 얘기하고 있습니다. 클라우드를 보더라도 보통 Kubernetes는 PaaS 범주에 속하고 RDS는 IaaS 범주에 넣을 정도로 데이터베이스에서는 안정성이 중요하지만 Kubernetes에서는 이를 달성하기가 쉽지 않은데다가 보안도 좋지 않고 성능을 최적화하려면 기술력도 많이 필요하다고 얘기합니다. 이 글에서는 클라우드 네이티브 열풍으로 인해서 데이터베이스를 Kubernetes에서 운영하려고 하는 것이 Kubernetes를 위한 Kubernetes 도입이라는 왜곡된 현상이라고 비판하고 있습니다. 저도 Kubernetes에서 시간이 지나면서 계속 스테이트풀한 어플리케이션을 띄우는 일이 많아지지만 Kubernetes가 여전히 스테이트풀을 잘 다루지 못한다고 생각했는데 꽤 반가운 글이었습니다. https://medium.com/@fengruohang/database-in-kubernetes-is-that-a-good-idea-daf5775b5c1f

Medium

앞서 포스팅에서 데이터 팀의 미션은 "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"라는 이야기를 했다. 그러면서 아래와 같은 두 가지 형태의 부가 가치를 만들어낸다고 설명했는데 그 중 데이터를 바탕으로 하는 조금더 과학적인 의사결정에 대해 이야기해보고 한다.

 1. 데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science)
 2. 데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science)

데이터를 바탕으로 하는 의사결정에는 두 가지가 존재한다.

 1. 데이터 주도 의사결정 (Data Driven Decision)
 2. 데이터 참고 의사결정 (Data Informed Decision)

데이터 주도 의사결정이란 지표를 정하고 지표를 개선하는 방향으로 움직이는 것을 말하며 데이터 주도 의사결정의 최고봉은 바로 A/B 테스트이다. A/B 테스트의 가장 제약점은 바로 비교 대상이 있어야 한다는 점이다. 다시 이야기하면 없는 것을 새로 만드는 경우에는 할 수 없는 것이 A/B 테스트이다. 데이터란 기본적으로 과거에 발생한 이벤트의 기록이다. 과거의 기록을 바탕으로 뭔가 개선을 한다는 점은 최적화(Optimization)를 한다는 것이며 최적화를 한다는 것은 무언가 있는 것을 개선해나간다는 것을 의미한다.

데이터 참고 의사결정은 무엇일까? 무슨 결정을 할 때 데이터를 보고 최적화하는 형태로 무조건 가는 것이 아니라 가설과 뚝심을 바탕으로 때로는 데이터가 이야기하는 반대방향으로 가는 형태의 결정을 이야기한다. 이는 비교할 것이 없는 새로운 것을 만들 때는 당연한 방식이지만 생각보다 그렇게 소신껏 결정을 할 수 있는 리더는 많지 않다. 많은 경우 더 많은 데이터 포인트를 요구하며 결정을 뒤로 미룬다. 예를 들어 마차로 모든 화물과 사람의 운송/운반이 일반적인 세상에서 그 데이터를 분석해서 자동차라는 혁신을 만들어내기는 쉽지 않다. 혁신이란 때로는 데이터와 반대방향으로 움직이거나 깊은 통찰을 바탕으로 만들어내는 것이 아닌가 싶다.

데이터 일을 12년 넘게 하면서 깨달은 점 중의 하나는 많은 의사결정권자들이 지표 지상주의에 빠지기 쉽다는 점이다. 이 경우 지표를 많이 만들어내서 여러가지 관점을 보고 아주 좋은 결정을 하겠다는 것은 우유부단함과 틀리기 싫다는 실패에 대한 두려움의 반증이거나 의사결정 장애인지도 모른다. 중요한 지표는 적을수록 혼란이 적으며 엄청나게 중요한 통찰력이 있는 지표가 있지는 않다. 밀도있게 고민하고 명확하게 결정해서 모두가 한 방향으로 움직이게 하고 방향이 틀렸다 싶으며 인정하고 새로운 방향을 제시하는 것이 요즘처럼 빠르게 변화하는 세상에서 맞는 방향인지 모른다.

지표를 안 보는 것도 문제지만 너무 많은 지표를 보려 하는 것도 문제다. 다음 포스팅에서는 데이터를 바탕으로 사용자의 제품/서비스 사용경험 개선에 대해 이야기해보도록 하겠다.

댓글에 이런 데이터에 관한 다양한 자세한 이야기와 일대일 멘토링이 합쳐진 인프런 "[멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시" 강의 링크를 달았으니 더 알고 싶은 분들은 참고해주세요!

앞서 포스팅에서 데이터 팀의 미션은 "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"라는 이야기를 했다. 그러면서 아래와 같은 두 가지 형태의 부가 가치를 만들어낸다고 설명했는데 그 중 데이터를 바탕으로 하는 조금더 과학적인 의사결정에 대해 이야기해보고 한다. <ol ><li>데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science)</li><li>데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science)</li></ol> 데이터를 바탕으로 하는 의사결정에는 두 가지가 존재한다. <ol ><li>데이터 주도 의사결정 (Data Driven Decision)</li><li>데이터 참고 의사결정 (Data Informed Decision)</li></ol> 데이터 주도 의사결정이란 지표를 정하고 지표를 개선하는 방향으로 움직이는 것을 말하며 데이터 주도 의사결정의 최고봉은 바로 A/B 테스트이다. A/B 테스트의 가장 제약점은 바로 비교 대상이 있어야 한다는 점이다. 다시 이야기하면 없는 것을 새로 만드는 경우에는 할 수 없는 것이 A/B 테스트이다. 데이터란 기본적으로 과거에 발생한 이벤트의 기록이다. 과거의 기록을 바탕으로 뭔가 개선을 한다는 점은 최적화(Optimization)를 한다는 것이며 최적화를 한다는 것은 무언가 있는 것을 개선해나간다는 것을 의미한다. 데이터 참고 의사결정은 무엇일까? 무슨 결정을 할 때 데이터를 보고 최적화하는 형태로 무조건 가는 것이 아니라 가설과 뚝심을 바탕으로 때로는 데이터가 이야기하는 반대방향으로 가는 형태의 결정을 이야기한다. 이는 비교할 것이 없는 새로운 것을 만들 때는 당연한 방식이지만 생각보다 그렇게 소신껏 결정을 할 수 있는 리더는 많지 않다. 많은 경우 더 많은 데이터 포인트를 요구하며 결정을 뒤로 미룬다. 예를 들어 마차로 모든 화물과 사람의 운송/운반이 일반적인 세상에서 그 데이터를 분석해서 자동차라는 혁신을 만들어내기는 쉽지 않다. 혁신이란 때로는 데이터와 반대방향으로 움직이거나 깊은 통찰을 바탕으로 만들어내는 것이 아닌가 싶다. 데이터 일을 12년 넘게 하면서 깨달은 점 중의 하나는 많은 의사결정권자들이 지표 지상주의에 빠지기 쉽다는 점이다. 이 경우 지표를 많이 만들어내서 여러가지 관점을 보고 아주 좋은 결정을 하겠다는 것은 우유부단함과 틀리기 싫다는 실패에 대한 두려움의 반증이거나 의사결정 장애인지도 모른다. 중요한 지표는 적을수록 혼란이 적으며 엄청나게 중요한 통찰력이 있는 지표가 있지는 않다. 밀도있게 고민하고 명확하게 결정해서 모두가 한 방향으로 움직이게 하고 방향이 틀렸다 싶으며 인정하고 새로운 방향을 제시하는 것이 요즘처럼 빠르게 변화하는 세상에서 맞는 방향인지 모른다. 지표를 안 보는 것도 문제지만 너무 많은 지표를 보려 하는 것도 문제다. 다음 포스팅에서는 데이터를 바탕으로 사용자의 제품/서비스 사용경험 개선에 대해 이야기해보도록 하겠다. 댓글에 이런 데이터에 관한 다양한 자세한 이야기와 일대일 멘토링이 합쳐진 인프런 "[멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시" 강의 링크를 달았으니 더 알고 싶은 분들은 참고해주세요!

데이터 이야기 #2: 데이터팀의 가치 생성 - 데이터 바탕 의사결정

[멘토링] 데이터로 미래를 그리다: 모두를 위한 데이터 리터러시 - https://inf.run/397pQ

YouTube에서 마음에 드는 동영상과 음악을 감상하고, 직접 만든 콘텐츠를 업로드하여 친구, 가족뿐 아니라 전 세계 사람들과 콘텐츠를 공유할 수 있습니다.

 - YouTube

AutoParams 덕분에 3년 이상을 Spring Boot 앱 개발에 TDD를 덜 힘들게 적용했습니다. 누군가에게 조금이라도 더 도움이 되길 바라며 올해 스프링 캠프에서 AutoParams의 목적과 아키텍처, 사용법을 설명하는 자리를 가졌습니다.

AutoParams 덕분에 3년 이상을 Spring Boot 앱 개발에 TDD를 덜 힘들게 적용했습니다. 누군가에게 조금이라도 더 도움이 되길 바라며 올해 스프링 캠프에서 AutoParams의 목적과 아키텍처, 사용법을 설명하는 자리를 가졌습니다.

youtu.be

AutoParams를 사용한 Spring Boot 응용프로그램 테스트

개발이나 진료 에이전트를 만들 때, LLM 으로 만든 각 직무의 에이전트(기획, 디자인, 개발.. 간호사, 의사 등)들을 만들어 팀으로 구성 한 뒤, 에이전트들이 서로 협업해서 문제를 해결하도록 만드는 연구들이 많은데요.

그러한 과정을 학습해서 에이전트를 만들면 매우 뛰어난 결과를 보이고, 특히 진료의 경우 벤치마크 상으로는 인간 의사보다 뛰어난 결과를 보인 경우도 있었습니다.

OpenAI o1 의 뛰어난 Reasoning 능력, 특히 결과 출력 전에 생각하는 과정의 높은 수준을 봤을 때, 이러한 에이전트 협업 방식에 o1을 도입하면 정말 압도적인 결과가 나오지 않을까 싶네요. 과연 누가 먼저 연구를 진행해줄지, 결과가 기대됩니다.😎🍿🥤

개발이나 진료 에이전트를 만들 때, LLM 으로 만든 각 직무의 에이전트(기획, 디자인, 개발.. 간호사, 의사 등)들을 만들어 팀으로 구성 한 뒤, 에이전트들이 서로 협업해서 문제를 해결하도록 만드는 연구들이 많은데요. 그러한 과정을 학습해서 에이전트를 만들면 매우 뛰어난 결과를 보이고, 특히 진료의 경우 벤치마크 상으로는 인간 의사보다 뛰어난 결과를 보인 경우도 있었습니다. OpenAI o1 의 뛰어난 Reasoning 능력, 특히 결과 출력 전에 생각하는 과정의 높은 수준을 봤을 때, 이러한 에이전트 협업 방식에 o1을 도입하면 정말 압도적인 결과가 나오지 않을까 싶네요. 과연 누가 먼저 연구를 진행해줄지, 결과가 기대됩니다.😎🍿🥤

커리어리 친구들, 오픈AI가 재배한 딸기(strawberry, o1)를 잘 따서 먹고(사용하고) 있습니꽈? ㅎㅎ 현재 온통 제 페북 탐라에 딸기 얘기 밖에 없네요!! 일반 분들은 가을에 왠 딸기?? 라고 하겠지만 … 공개된 블로그를 읽고 제가 느낀 점에 대해 몇 가지 적어 보고자 합니다.

이번 ‘딸기’ 버전에서 크게 향상 된 것은 추론 시간을 단축시키고 동시에 많은 사용자가 사용할 수 있도록 추론을 확장시켜 추론 패러다임을 대중화시켰다고 봅니다. 물론 ‘딸기’ 이전에 그록(Groq, 일론 아저씨 Grok2 아님) 에서 엄청나게 빠른 추론 경험을 해 보신 분들이 있을 것 입니다.

강화 학습(Reinforcement Learning)의 선구자들 중 한 명인 리차드 서튼(Richard S. Sutton) 은, 컴퓨팅 자원이 증가함에 따라 무한히 확장될 수 있는 두 가지 핵심 기술이 '학습'(learning)과 '탐색'(search) 라고 보았습니다. 이 내용은 2019년에 작성한 에세이인 “쓴 교훈(The Bitter Lesson)"에서 비롯되었는 데, 특정한 인간의 지식이나 전문성을 모델에 주입하는 것보다, 계산 능력의 증가와 함께 일반적인 학습 알고리즘을 사용하는 것이 더 효과적이라는 점을 강조했습니다.

딸기는 이러한 후자인 검색에 초점을 맞추지 않았나 생각합니다.

1. 사실 추론을 수행하기 위해 거대한 모델은 필요하지 않습니다. 수 많은 파라미터가 Trivia QA와 같은 벤치마크에서 좋은 성능을 내기 위해 사실을 암기하는 데 사용됩니다. 또한, 지식에서 추론을 분리하는 것이 가능합니다.

즉, 웹브라우저나 코드 검증기와 같은 도구를 호출하는 방법을 아는 작은 "추론 코어"를 사용하는 것입니다. 그렇게 하면, 사전 훈련에 필요한 계산량이 줄어들 수 있습니다.

2. 막대한 양의 계산이 사전/후 훈련 대신 추론 서비스 제공으로 이동합니다. LLM은 텍스트 기반 시뮬레이터와도 유사한 데, 시뮬레이터에서 다양한 전략과 시나리오를 전개함으로써, 모델은 결국 좋은 솔루션으로 수렴하게 됩니다. 이 과정은 AlphaGo의 몬테카를로 트리 탐색(MCTS)과 같은 연구에서도 잘 보여 줍니다.

3. 수 억명이 사용하고 있는 OpenAI는 오래전에 추론 스케일링 법칙을 알아냈을 것이며, 이는 학계가 최근에야 발견하지 않았을까 추측해 봅니다. 주요 논문 근거는 다음과 같습니다.

- Large Language Monkeys: Scaling Inference Compute with Repeated Sampling : DeepSeek-Coder가 SWE-Bench에서 샘플 하나로 15.9%에서 250개의 샘플로 56%로 증가하여 Sonnet-3.5를 능가한다는 것을 발견했습니다.

- Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters: 이 논문은 PaLM 2-S가 테스트 시간 검색을 통해 MATH에서 14배 더 큰 모델을 능가한다는 것을 보여주었습니다.

4. 딸기의 실제 프로덕션에 적용하는 것은 학술적 벤치마크를 달성하는 것보다 훨씬 어려울 것 같습니다. 현재 ‘딸기’ 버전은 대부분 잘 생각(COT)해서 좋은 결과를 보여 주지만, 몇몇은 기대한 만큼 ‘reasoning’이 동작하지 않은 것이 여기 저기 탐라에 올라 온 글들을 보았습니다. (아직 베타 이전의 프리뷰 버전임을 감안)

또한, 실제 환경에서의 추론 문제에 대해, 언제 탐색을 중지해야 할까요? 보상 함수는 무엇일까요? 성공 기준은 무엇인가요? 언제 코드 인터프리터와 같은 도구를 루프에 호출해야 할까요? 이러한 CPU 프로세스의 계산 비용을 어떻게 고려할까요? 이에 대해 오픈AI에서 자세히 공개하지 않았습니다.

5. 딸기 버전은 쉽게 데이터 플라이휠이 될 수 있습니다. 만약 답변이 정확하다면, 전체 탐색 추적이 긍정적이고 부정적인 보상을 모두 포함하는 작은 학습 예제 데이터셋이 될 것 입니다.

그러니깐 여러분들은 많이 쓰면 쓸수록 일종의 강화 학습과 차세대 GPT를 위한 추론 코어를 향상 시켜 줄 것 입니다 🙂 (전 세계 사용자들을 이용해 베타 테스트중 ㅡ.ㅡ)

커리어리 친구들, 오픈AI가 재배한 딸기(strawberry, o1)를 잘 따서 먹고(사용하고) 있습니꽈? ㅎㅎ 현재 온통 제 페북 탐라에 딸기 얘기 밖에 없네요!! 일반 분들은 가을에 왠 딸기?? 라고 하겠지만 … 공개된 블로그를 읽고 제가 느낀 점에 대해 몇 가지 적어 보고자 합니다. 이번 ‘딸기’ 버전에서 크게 향상 된 것은 추론 시간을 단축시키고 동시에 많은 사용자가 사용할 수 있도록 추론을 확장시켜 추론 패러다임을 대중화시켰다고 봅니다. 물론 ‘딸기’ 이전에 그록(Groq, 일론 아저씨 Grok2 아님) 에서 엄청나게 빠른 추론 경험을 해 보신 분들이 있을 것 입니다. 강화 학습(Reinforcement Learning)의 선구자들 중 한 명인 리차드 서튼(Richard S. Sutton) 은, 컴퓨팅 자원이 증가함에 따라 무한히 확장될 수 있는 두 가지 핵심 기술이 '학습'(learning)과 '탐색'(search) 라고 보았습니다. 이 내용은 2019년에 작성한 에세이인 “쓴 교훈(The Bitter Lesson)"에서 비롯되었는 데, 특정한 인간의 지식이나 전문성을 모델에 주입하는 것보다, 계산 능력의 증가와 함께 일반적인 학습 알고리즘을 사용하는 것이 더 효과적이라는 점을 강조했습니다. 딸기는 이러한 후자인 검색에 초점을 맞추지 않았나 생각합니다. 1. 사실 추론을 수행하기 위해 거대한 모델은 필요하지 않습니다. 수 많은 파라미터가 Trivia QA와 같은 벤치마크에서 좋은 성능을 내기 위해 사실을 암기하는 데 사용됩니다. 또한, 지식에서 추론을 분리하는 것이 가능합니다. 즉, 웹브라우저나 코드 검증기와 같은 도구를 호출하는 방법을 아는 작은 "추론 코어"를 사용하는 것입니다. 그렇게 하면, 사전 훈련에 필요한 계산량이 줄어들 수 있습니다. 2. 막대한 양의 계산이 사전/후 훈련 대신 추론 서비스 제공으로 이동합니다. LLM은 텍스트 기반 시뮬레이터와도 유사한 데, 시뮬레이터에서 다양한 전략과 시나리오를 전개함으로써, 모델은 결국 좋은 솔루션으로 수렴하게 됩니다. 이 과정은 AlphaGo의 몬테카를로 트리 탐색(MCTS)과 같은 연구에서도 잘 보여 줍니다. 3. 수 억명이 사용하고 있는 OpenAI는 오래전에 추론 스케일링 법칙을 알아냈을 것이며, 이는 학계가 최근에야 발견하지 않았을까 추측해 봅니다. 주요 논문 근거는 다음과 같습니다. - Large Language Monkeys: Scaling Inference Compute with Repeated Sampling : DeepSeek-Coder가 SWE-Bench에서 샘플 하나로 15.9%에서 250개의 샘플로 56%로 증가하여 Sonnet-3.5를 능가한다는 것을 발견했습니다. - Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters: 이 논문은 PaLM 2-S가 테스트 시간 검색을 통해 MATH에서 14배 더 큰 모델을 능가한다는 것을 보여주었습니다. 4. 딸기의 실제 프로덕션에 적용하는 것은 학술적 벤치마크를 달성하는 것보다 훨씬 어려울 것 같습니다. 현재 ‘딸기’ 버전은 대부분 잘 생각(COT)해서 좋은 결과를 보여 주지만, 몇몇은 기대한 만큼 ‘reasoning’이 동작하지 않은 것이 여기 저기 탐라에 올라 온 글들을 보았습니다. (아직 베타 이전의 프리뷰 버전임을 감안) 또한, 실제 환경에서의 추론 문제에 대해, 언제 탐색을 중지해야 할까요? 보상 함수는 무엇일까요? 성공 기준은 무엇인가요? 언제 코드 인터프리터와 같은 도구를 루프에 호출해야 할까요? 이러한 CPU 프로세스의 계산 비용을 어떻게 고려할까요? 이에 대해 오픈AI에서 자세히 공개하지 않았습니다. 5. 딸기 버전은 쉽게 데이터 플라이휠이 될 수 있습니다. 만약 답변이 정확하다면, 전체 탐색 추적이 긍정적이고 부정적인 보상을 모두 포함하는 작은 학습 예제 데이터셋이 될 것 입니다. 그러니깐 여러분들은 많이 쓰면 쓸수록 일종의 강화 학습과 차세대 GPT를 위한 추론 코어를 향상 시켜 줄 것 입니다 🙂 (전 세계 사용자들을 이용해 베타 테스트중 ㅡ.ㅡ)

<오픈AI의 딸기(o1) 서비스에 대한 저의 견해>

커피한잔에서 만나서 결혼한 커플들의 이야기를 소개합니다.


명예의 전당

조건문에 ! 하나를 빼먹어서 생긴 버그.
이 버그를 2년 동안이나 모르고 있다가 얼마 전에 발견했습니다.

제가 만들고 있는 소개팅 서비스인 커피한잔에서는 채팅방이 오랫동안 지속될 경우 사용자들에게 알림 메일이 발송됩니다.
만약 커플이 되었다면 저에게 알려달라는 메일.

이 메일이 버그로 인해 무려 2년 가까이 발송이 되지 않고 있었던 것.

참나, 이걸 모르고 있었다니.
테스트를 안 짜둔 걸 반성하는 한 편, 서비스 감각이 이렇게 무뎌졌나 싶어서 스스로에게 화가 나기도 했습니다.

코드를 정리하고, 그동안 안 보내진 메일을 발송했더니…
사용자들에게 답장이 속속 오기 시작합니다.
무려 15 커플이 이미 결혼했다고. 감사하다고.

헉! 메일을 받을 때마다 놀랍고 기뻤습니다.
이 소중한 메일들을 잘 정리하고 싶다는 생각이 들어서 아예 웹페이지로 만들어버렸습니다.

8년 가까이 서비스하면서 생긴 추억이자 자랑거리가 됐습니다.

https://withcoffee.app/couples

조건문에 ! 하나를 빼먹어서 생긴 버그. 이 버그를 2년 동안이나 모르고 있다가 얼마 전에 발견했습니다. 제가 만들고 있는 소개팅 서비스인 커피한잔에서는 채팅방이 오랫동안 지속될 경우 사용자들에게 알림 메일이 발송됩니다. 만약 커플이 되었다면 저에게 알려달라는 메일. 이 메일이 버그로 인해 무려 2년 가까이 발송이 되지 않고 있었던 것. 참나, 이걸 모르고 있었다니. 테스트를 안 짜둔 걸 반성하는 한 편, 서비스 감각이 이렇게 무뎌졌나 싶어서 스스로에게 화가 나기도 했습니다. 코드를 정리하고, 그동안 안 보내진 메일을 발송했더니… 사용자들에게 답장이 속속 오기 시작합니다. 무려 15 커플이 이미 결혼했다고. 감사하다고. 헉! 메일을 받을 때마다 놀랍고 기뻤습니다. 이 소중한 메일들을 잘 정리하고 싶다는 생각이 들어서 아예 웹페이지로 만들어버렸습니다. 8년 가까이 서비스하면서 생긴 추억이자 자랑거리가 됐습니다. https://withcoffee.app/couples

커피한잔

커피한잔 명예의 전당

A collection of (mostly) technical things every software developer should know about - mtdvio/every-programmer-should-know

GitHub - mtdvio/every-programmer-should-know: A collection of (mostly) technical things every software developer should know about

개발자라면 찜 해놔야하는 GitHub 저장소들

모든 프로그래머가 알아야하는 지식 모음
https://github.com/mtdvio/every-programmer-should-know
JS 프로젝트 50일동안 50개만들기
https://github.com/bradtraversy/50projects50days

모오던 웹개발
https://github.com/dexteryy/spellbook-of-modern-webdev

30초면 배울 수 있는 코드 스니핏들
https://github.com/Chalarangelo/30-seconds-of-code

개발 면접 핸드북
https://github.com/yangshun/tech-interview-handbook

개발자라면 찜 해놔야하는 GitHub 저장소들 모든 프로그래머가 알아야하는 지식 모음https://github.com/mtdvio/every-programmer-should-knowJS 프로젝트 50일동안 50개만들기https://github.com/bradtraversy/50projects50days 모오던 웹개발https://github.com/dexteryy/spellbook-of-modern-webdev 30초면 배울 수 있는 코드 스니핏들https://github.com/Chalarangelo/30-seconds-of-code 개발 면접 핸드북https://github.com/yangshun/tech-interview-handbook

GitHub

개발자라면 찜 해놔야하는 GitHub 저장소들

모든 프로그래머가

SQL을 처음부터 제대로 공부하고 싶지만, 어떻게 공부해야 할지 망설이고 있나요?

아래의 SQL 마인드맵으로 초보 단계부터 고급 단계까지 차근차근 공부해봐요.

 1. 초보 단계 (Basic)
    * SELECT
    * FROM
    * WHERE
    * ORDER BY
    * AGGREGATE
    * GROUP BY
    * LIMIT
 2. 중급 단계 (Intermediate)
    * LEFT JOIN
    * INNER JOIN
    * LIKE
    * IN
    * CASE WHEN
    * HAVING
    * UNION ALL
 3. 고급 단계 (Advanced)
    * SUBQUERY
    * CTE (WITH)
    * STORED PRECEDURE
    * TRIGGER
    * WINDOW FUNCTION
 4. 연습 단계 (Practice)
    * BASIC SQL PROJECT (SQL 기초 프로젝트)
    * INTERMEDIATE SQL PROJECT(SQL 중급 프로젝트)
    * ADVANCED SQL PROJECT(SQL 고급 프로젝트)

#데이터리차드 #SQL #로드맵

SQL을 처음부터 제대로 공부하고 싶지만, 어떻게 공부해야 할지 망설이고 있나요? 아래의 SQL 마인드맵으로 초보 단계부터 고급 단계까지 차근차근 공부해봐요. <ol ><li>초보 단계 (Basic)<ul ><li>SELECT</li><li>FROM</li><li>WHERE</li><li>ORDER BY</li><li>AGGREGATE</li><li>GROUP BY</li><li>LIMIT</li></ul></li><li>중급 단계 (Intermediate)<ul ><li>LEFT JOIN</li><li>INNER JOIN</li><li>LIKE</li><li>IN</li><li>CASE WHEN</li><li>HAVING</li><li>UNION ALL</li></ul></li><li>고급 단계 (Advanced)<ul ><li>SUBQUERY</li><li>CTE (WITH)</li><li>STORED PRECEDURE</li><li>TRIGGER</li><li>WINDOW FUNCTION</li></ul></li><li>연습 단계 (Practice)<ul ><li>BASIC SQL PROJECT (SQL 기초 프로젝트)</li><li>INTERMEDIATE SQL PROJECT(SQL 중급 프로젝트)</li><li>ADVANCED SQL PROJECT(SQL 고급 프로젝트)</li></ul></li></ol> #데이터리차드 #SQL #로드맵

SQL 학습 로드맵

AutoParams를 사용한 Spring Boot 응용프로그램 테

1. 찰스 다윈은 하루에 90분씩 3번 일했고, 나머지 시간에는 긴 산책을 하거나 낮잠을 자거나 상념에 잠겼다. (그러면서도 그는 <종의 기원>을 포함해 19권의 책을 집필했다)

2. 엄청난 다작가이자 사상가로 알려진 앙리 푸앵카레는 오전 10시부터 정오까지 첫 번째 작업을 한 뒤, 오후 5시부터 7시까지 두 번째 작업을 했다. (그는 하루 4시간만 일했다)

3. 마찬가지로, 수학자 고드프리 해럴드 하디는 ‘의식적 작업은 하루 4시간이 최대치’이며, 나머지 시간을 너무 많은 바쁜 일로 채우면 오히려 비생산적이라고 믿었다.

4. 다윈, 푸앵카레, 하디는 모든 같은 이야기를 하고 있다. 제대로 초점을 맞추고, 진짜 집중력을 (제대로) 발휘하면, 그리고 양질의 휴식으로 집중하는 시간을 잘 뒷받침하면, 위대한 성취를 이루는 데 필요한 시간은 하루 4시간이면 충분하다고. 이는 바쁨을 추구하는 우리의 문화와 정면으로 충돌하는 발상이다.

5. 위대함을 낳는 ‘1만 시간의 법칙’은 앤더스 에릭슨과 동료들의 공동 연구로 탄생한 이래로, 말콤 글래드웰이 책 <아웃라이어>에 소개하며 대중의 큰 주목을 받았다. 말콤 글래드웰은 1만 시간의 법칙을 소개하며 ‘어떤 분야에서든 전문가 수준에 도달하려면 1만 시간의 의도적 연습이 필요하다’고 주장했다.

6. 그리고 이는 바쁨과 스트레스와 과로를 미덕으로 여기는 세상에서 큰 환영을 받았고, 아직도 많은 사람들이 이 법칙을 마치 교리처럼 신봉한다.

7. 그런데 에릭슨의 실제 연구에는 ‘매일 의도적 연습이 효과적인 수준을 넘지 않도록 제한해야 한다’는 내용도 담겨 있으며, 연구에서는 ‘하루에 투입해야 할 이상적인 시간은 4시간’이라고도 제안한다.

8. 이 연구에서 더 흥미로운 부분은 ‘정상급 연주자와 평균적 연주자는 쉬는 방식부터 다르다’는 점이다. 정상급 연주자는 평균적 연주자들에 비해 더 체계적이고 계획적으로 여가 시간을 보냈다.

9. 정상급 연주자들은 연습만 의도적으로 하는 게 아니라, 휴식도 의도적으로 취했다. 그들은 평균적 연주자보다 1시간 가량 더 잠을 찾다. (탁월한 퍼포먼스 = 의식적 연습+의식적 휴식)

10. 흔히 휴식을 일의 반대라고 생각하지만, 일과 휴식의 엄격한 분리는 현대의 그릇된 통념이다. 오랫동안 사람들은 쉴 때 뇌의 활동력이 떨어진다고 생각했다. 하지만 날로 발전하는 뇌 영상 기술에 힘입어 뇌과학자들은 ‘쉬는 동안에도 뇌의 전반적인 활동량이 감소하지 않는다’는 것을 발견했다.

11. 활동성은 단지 뇌의 다른 영역으로 옮겨갔다. 그리고 연구자들은 쉬는 동안 활성화되는 뇌의 영역을 ‘디폴트 모드 네트워크(DMN)’라고 칭하게 되었다.

12. 그리고 추가 연구를 통해, 디폴트 모드 네트워크는 고도로 활동적일 뿐 아니라, 정신 건강과 정서에 있어 굉장히 중요하다는 점이 발견됐다.

13. 특히 창의적이고 혁신적인 유형의 일을 할 땐 일하는 시간만큼, 휴식과 긴장 풀기가 필요하다. 디폴트 모드 네트워크가 활성화되면, 우리의 직관이 주도권을 가지고, 창의성은 멀리 있는 요소와 연관점을 찾기 시작한다.

14. 산책을 하거나 샤워 도중에 강력한 생각이나 통찰이 떠올렸다면, 디폴트 모드 네트워크에 감사해야 한다.

15. 그러나 당신이 휴식 때 텔레비전 앞에서 멍하게 있거나 유튜브에서 고양이 동영상을 본다면 디폴트 모드 네트워크가 활성화되는 데는 차질이 생긴다. (TV를 보거나 동영상을 보는 건 좋은 휴식 방법은 아니라는 얘기다)

16. (게다가) 창의적인 사람의 뇌는 디폴트 모드 네트워크가 더 강력하게 개발되어 휴식 시간에도 더 효과적으로 일을 한다는 연구 결과도 있다.

17. (고로 올바른 방식으로) 더 많은 시간을 휴식에 쓰면, 창의력과 행복감이 증진될 뿐 아니라, 일하는 시간의 능률마저 올라간다.

18. (그러니 숏폼 중독 등 주의력을 탕진해 일에 부정적인 영향을 미치는 휴식이 아니라, 자신에게 맞는 올바른 휴식법을 찾아라. 그러면 일의 능률을 올라갈 수밖에 없다)

- 존 피치 외, <이토록 멋진 휴식> 중

1. 찰스 다윈은 하루에 90분씩 3번 일했고, 나머지 시간에는 긴 산책을 하거나 낮잠을 자거나 상념에 잠겼다. (그러면서도 그는 &lt;종의 기원&gt;을 포함해 19권의 책을 집필했다) 2. 엄청난 다작가이자 사상가로 알려진 앙리 푸앵카레는 오전 10시부터 정오까지 첫 번째 작업을 한 뒤, 오후 5시부터 7시까지 두 번째 작업을 했다. (그는 하루 4시간만 일했다) 3. 마찬가지로, 수학자 고드프리 해럴드 하디는 ‘의식적 작업은 하루 4시간이 최대치’이며, 나머지 시간을 너무 많은 바쁜 일로 채우면 오히려 비생산적이라고 믿었다. 4. 다윈, 푸앵카레, 하디는 모든 같은 이야기를 하고 있다. 제대로 초점을 맞추고, 진짜 집중력을 (제대로) 발휘하면, 그리고 양질의 휴식으로 집중하는 시간을 잘 뒷받침하면, 위대한 성취를 이루는 데 필요한 시간은 하루 4시간이면 충분하다고. 이는 바쁨을 추구하는 우리의 문화와 정면으로 충돌하는 발상이다. 5. 위대함을 낳는 ‘1만 시간의 법칙’은 앤더스 에릭슨과 동료들의 공동 연구로 탄생한 이래로, 말콤 글래드웰이 책 &lt;아웃라이어&gt;에 소개하며 대중의 큰 주목을 받았다. 말콤 글래드웰은 1만 시간의 법칙을 소개하며 ‘어떤 분야에서든 전문가 수준에 도달하려면 1만 시간의 의도적 연습이 필요하다’고 주장했다. 6. 그리고 이는 바쁨과 스트레스와 과로를 미덕으로 여기는 세상에서 큰 환영을 받았고, 아직도 많은 사람들이 이 법칙을 마치 교리처럼 신봉한다. 7. 그런데 에릭슨의 실제 연구에는 ‘매일 의도적 연습이 효과적인 수준을 넘지 않도록 제한해야 한다’는 내용도 담겨 있으며, 연구에서는 ‘하루에 투입해야 할 이상적인 시간은 4시간’이라고도 제안한다. 8. 이 연구에서 더 흥미로운 부분은 ‘정상급 연주자와 평균적 연주자는 쉬는 방식부터 다르다’는 점이다. 정상급 연주자는 평균적 연주자들에 비해 더 체계적이고 계획적으로 여가 시간을 보냈다. 9. 정상급 연주자들은 연습만 의도적으로 하는 게 아니라, 휴식도 의도적으로 취했다. 그들은 평균적 연주자보다 1시간 가량 더 잠을 찾다. (탁월한 퍼포먼스 = 의식적 연습+의식적 휴식) 10. 흔히 휴식을 일의 반대라고 생각하지만, 일과 휴식의 엄격한 분리는 현대의 그릇된 통념이다. 오랫동안 사람들은 쉴 때 뇌의 활동력이 떨어진다고 생각했다. 하지만 날로 발전하는 뇌 영상 기술에 힘입어 뇌과학자들은 ‘쉬는 동안에도 뇌의 전반적인 활동량이 감소하지 않는다’는 것을 발견했다. 11. 활동성은 단지 뇌의 다른 영역으로 옮겨갔다. 그리고 연구자들은 쉬는 동안 활성화되는 뇌의 영역을 ‘디폴트 모드 네트워크(DMN)’라고 칭하게 되었다. 12. 그리고 추가 연구를 통해, 디폴트 모드 네트워크는 고도로 활동적일 뿐 아니라, 정신 건강과 정서에 있어 굉장히 중요하다는 점이 발견됐다. 13. 특히 창의적이고 혁신적인 유형의 일을 할 땐 일하는 시간만큼, 휴식과 긴장 풀기가 필요하다. 디폴트 모드 네트워크가 활성화되면, 우리의 직관이 주도권을 가지고, 창의성은 멀리 있는 요소와 연관점을 찾기 시작한다. 14. 산책을 하거나 샤워 도중에 강력한 생각이나 통찰이 떠올렸다면, 디폴트 모드 네트워크에 감사해야 한다. 15. 그러나 당신이 휴식 때 텔레비전 앞에서 멍하게 있거나 유튜브에서 고양이 동영상을 본다면 디폴트 모드 네트워크가 활성화되는 데는 차질이 생긴다. (TV를 보거나 동영상을 보는 건 좋은 휴식 방법은 아니라는 얘기다) 16. (게다가) 창의적인 사람의 뇌는 디폴트 모드 네트워크가 더 강력하게 개발되어 휴식 시간에도 더 효과적으로 일을 한다는 연구 결과도 있다. 17. (고로 올바른 방식으로) 더 많은 시간을 휴식에 쓰면, 창의력과 행복감이 증진될 뿐 아니라, 일하는 시간의 능률마저 올라간다. 18. (그러니 숏폼 중독 등 주의력을 탕진해 일에 부정적인 영향을 미치는 휴식이 아니라, 자신에게 맞는 올바른 휴식법을 찾아라. 그러면 일의 능률을 올라갈 수밖에 없다) - 존 피치 외, &lt;이토록 멋진 휴식&gt; 중

일을 못하는 사람들은 대부분 잘 쉬지도 못해요ㅠ

회사의 대표 옆에서 일해볼 수 있다는 점인 것 같아요.

가까이 있으면 그 사람의 사고방식을 배울 수 있어요. 회사를 세울 정도의 사람이라면 분명 배울 점이 있어요.

제가 만난 분들은 관점이 남달랐어요. 시장을 보는 관점, 제품을 대하는 관점에서 정말 많이 배울 수 있었죠. 개발자로서 조금 더 큰 그림을 볼 수 있는 기회가 되었어요.

누군가는 불편한 일이라고 할지도 몰라요. 하지만 조금 불편한 그 순간에 우리는 성장할 수 있다고 믿어요.

회사의 대표 옆에서 일해볼 수 있다는 점인 것 같아요. 가까이 있으면 그 사람의 사고방식을 배울 수 있어요. 회사를 세울 정도의 사람이라면 분명 배울 점이 있어요. 제가 만난 분들은 관점이 남달랐어요. 시장을 보는 관점, 제품을 대하는 관점에서 정말 많이 배울 수 있었죠. 개발자로서 조금 더 큰 그림을 볼 수 있는 기회가 되었어요. 누군가는 불편한 일이라고 할지도 몰라요. 하지만 조금 불편한 그 순간에 우리는 성장할 수 있다고 믿어요.

작은 회사에 일하면 좋은 점

Elastic announces the return of open source licensing for Elasticsearch and Kibana, adding AGPL as an option alongside existing licenses. This change reinforces our long-standing commitment to open so...

Elasticsearch is Open Source, Again

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again

AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다.

오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다.

그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다.

엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다.

오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다. 오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다. 그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다. 엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다. 오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

Elastic Blog

https://www.elastic.co/kr/blog/elast

국내 개발자로서 자부심을 불어넣는 오픈소스 생태계가 있습니다. 바로 토스(Toss)가 주도하는 오픈소스 생태계 인데요.

es-hangul
이라고 하는 한글을 다루기 위한 라이브러리는 이미 1,000개가 넘는 GitHub 스타를 획득했습니다. 또한
lodash
보다 2배 더 빠른 유틸리티 라이브러리인
es-toolkit
은 이미 6,100개의 스타를 받고 국내를 넘어 세계적으로 많은 개발자들의 관심을 받고 있는데요. 이번 토스 모닥불 EP.4 영상에서는 토스에서 오픈소스 생태계를 운영하는 개발자들의 이야기를 만나볼 수 있습니다.

특히나 주목할 만한 점은, 패널로 참여한 토스의 오픈소스
suspensive
를 운영하고 계시는 분인데요. 이 개발자분은 요즘은 필수로 사용되고 있는
TanstackQuery
의 최상위 기여자입니다.
Jotai
외에도 토스 오픈소스에도 적극적으로 기여를하고 결국에는 토스에 합류하신게 참 대단하게 느껴지네요.

또한 오픈소스 생태계 구축을 통해 기술 커뮤니티에 긍정적인 영향을 미치고자 하는 토스의 노력도 대단한것 같습니다. 한국 개발 생태계의 경쟁력을 높이고, 개발자들에게 새로운 도전과 성장의 기회를 제공하는데 있어서, 토스의 이러한 행보를 응원합니다.

https://www.youtube.com/watch?v=SdBL-p597Dw

국내 개발자로서 자부심을 불어넣는 오픈소스 생태계가 있습니다. 바로 토스(Toss)가 주도하는 오픈소스 생태계 인데요. <code >es-hangul</code>이라고 하는 한글을 다루기 위한 라이브러리는 이미 1,000개가 넘는 GitHub 스타를 획득했습니다. 또한 <code >lodash</code>보다 2배 더 빠른 유틸리티 라이브러리인 <code >es-toolkit</code>은 이미 6,100개의 스타를 받고 국내를 넘어 세계적으로 많은 개발자들의 관심을 받고 있는데요. 이번 토스 모닥불 EP.4 영상에서는 토스에서 오픈소스 생태계를 운영하는 개발자들의 이야기를 만나볼 수 있습니다. 특히나 주목할 만한 점은, 패널로 참여한 토스의 오픈소스 <code >suspensive</code> 를 운영하고 계시는 분인데요. 이 개발자분은 요즘은 필수로 사용되고 있는 <code >TanstackQuery</code> 의 최상위 기여자입니다. <code >Jotai</code> 외에도 토스 오픈소스에도 적극적으로 기여를하고 결국에는 토스에 합류하신게 참 대단하게 느껴지네요. 또한 오픈소스 생태계 구축을 통해 기술 커뮤니티에 긍정적인 영향을 미치고자 하는 토스의 노력도 대단한것 같습니다. 한국 개발 생태계의 경쟁력을 높이고, 개발자들에게 새로운 도전과 성장의 기회를 제공하는데 있어서, 토스의 이러한 행보를 응원합니다. https://www.youtube.com/watch?v=SdBL-p597Dw

www.youtube.com

토스의 오픈소스 생태계: 한국을 넘어 글로벌로

최고의 자동완성 플러그인 타입스크립트를 사용하여 개발자를 속이고 코드를 최적화한 경험을 공유합니다.

타입스크립트스럽게 성능과 생산성 두 마리 토끼 모두 잡기

이름만 보고 프론트엔드인줄 알았는데요. 살펴보니 백엔드였습니다!

2021년 1월에 출시한 쿠키런:킹덤에 운영 도구는 어마어마하군요!

https://tech.devsisters.com/posts/typescript-ish-way-to-improve-performance/

이름만 보고 프론트엔드인줄 알았는데요. 살펴보니 백엔드였습니다! 2021년 1월에 출시한 쿠키런:킹덤에 운영 도구는 어마어마하군요! https://tech.devsisters.com/posts/typescript-ish-way-to-improve-performance/

DevTech - 데브시스터즈 기술블로그

TypeScript하면 프론트만?!

Vite는 기존 자바스크립트 번들러의 만성적인 성능 문제를 해결하고 개발자 경험을 향상시키기 위해서 등장한 차세대 번들러입니다. 브라우저에서 지원하는 ESM(ES Modules)를 적극적으로 활용하고, 자바스크립트 대신에 컴파일 언어인 Go로 작성된 현대적인 자바스크립트 개발 도구이죠.

Vite은 예전부터 널리 사용되던 번들러인 Webpack보다 설정이 훨씬 쉽고 간단하며, 설정이 필요 없기로 유명하던 번들러인 Parcel보다도 훨씬 빠릅니다. 이로 인해서 기존 번들러보다 뛰어난 개발자 경험을 제공하여 많은 개발자로부터 사랑을 받고 있는 번들러입니다.

2023년 Sate of JavaScript 설문 결과를 보시면 빌드 도구 부분에서 Vite(73%)가 Parcel(30%)을 아득히 넘고 Webpack(90%)에 이어서 사용률 2위를 기록하고 있습니다. 2021년에 20% 사용률로 처음 그래프에 등장했는데 무서운 성장세가 아닐 수 없습니다.

더욱 고무적인 부분은 바로 Vite를 써본 응답자들의 만족도입니다. 88%로 압도적인 1위를 차지하고 있으며, Webpack의 만족도는 45%까지 곤두박질 친 것을 볼 수 있습니다.

참고로 많은 분들이 영문 철자만 보시고 Vite를 “바이트”라고 발음해야 하는 걸로 오해하시는데요. 사실 Vite라는 이름은 “빠름”을 의미하는 프랑스어에서 유래되었고 그래서 정확한 발음은 “비트”라고 합니다. 한국 개발자들 사이에서는 우스갯 소리로 빛처럼 빠르다고 “빛”이라고도 많이 부르는 것 같습니다. 😄

이번 포스팅에서는 Vite를 처음 사용하시는 분들의 위해서 Vite를 시작하는 방법을 안내해드리겠습니다.

📝 포스팅: https://www.daleseo.com/vite/

Vite는 기존 자바스크립트 번들러의 만성적인 성능 문제를 해결하고 개발자 경험을 향상시키기 위해서 등장한 차세대 번들러입니다. 브라우저에서 지원하는 ESM(ES Modules)를 적극적으로 활용하고, 자바스크립트 대신에 컴파일 언어인 Go로 작성된 현대적인 자바스크립트 개발 도구이죠. Vite은 예전부터 널리 사용되던 번들러인 Webpack보다 설정이 훨씬 쉽고 간단하며, 설정이 필요 없기로 유명하던 번들러인 Parcel보다도 훨씬 빠릅니다. 이로 인해서 기존 번들러보다 뛰어난 개발자 경험을 제공하여 많은 개발자로부터 사랑을 받고 있는 번들러입니다. 2023년 Sate of JavaScript 설문 결과를 보시면 빌드 도구 부분에서 Vite(73%)가 Parcel(30%)을 아득히 넘고 Webpack(90%)에 이어서 사용률 2위를 기록하고 있습니다. 2021년에 20% 사용률로 처음 그래프에 등장했는데 무서운 성장세가 아닐 수 없습니다. 더욱 고무적인 부분은 바로 Vite를 써본 응답자들의 만족도입니다. 88%로 압도적인 1위를 차지하고 있으며, Webpack의 만족도는 45%까지 곤두박질 친 것을 볼 수 있습니다. 참고로 많은 분들이 영문 철자만 보시고 Vite를 “바이트”라고 발음해야 하는 걸로 오해하시는데요. 사실 Vite라는 이름은 “빠름”을 의미하는 프랑스어에서 유래되었고 그래서 정확한 발음은 “비트”라고 합니다. 한국 개발자들 사이에서는 우스갯 소리로 빛처럼 빠르다고 “빛”이라고도 많이 부르는 것 같습니다. 😄 이번 포스팅에서는 Vite를 처음 사용하시는 분들의 위해서 Vite를 시작하는 방법을 안내해드리겠습니다. 📝 포스팅: https://www.daleseo.com/vite/

Vite 처음 시작하기

원문 : Good Refactoring vs Bad Refactoring thumbnail…

(번역) 좋은 리팩터링 vs 나쁜 리팩터링

오늘 소개해드릴 글은 42dot의 유경상님이 번역해주신 글입니다.

많은 개발자들이 리팩터링의 중요성을 알고 리팩터링을 하지만, 적절하지 않은 리팩터링으로 오히려 코드 베이스에 악영향을 준다는 것을 간과하는 경우가 많습니다. 이 글에서는 저자가 지금까지 겪어온 경험을 기반으로 어떤 리팩터링이 잘못된 리팩터링이고, 어떤 식으로 리팩터링하는 것이 바람직한지에 대해 구체적인 코드 예시와 함께 설명합니다. 이에 더해서 올바른 리팩터링 방법과 더 나은 리팩터링을 위한 도구도 함께 소개하고 있습니다. 이 글을 통해 현재 적절한 리팩터링을 하고 있는지 점검해 보시는 기회가 되시면 좋을 것 같습니다 :)

> 글 링크 : https://ykss.netlify.app/translation/good_refactoring_vs_bad_refactoring/

오늘 소개해드릴 글은 42dot의 유경상님이 번역해주신 글입니다. 많은 개발자들이 리팩터링의 중요성을 알고 리팩터링을 하지만, 적절하지 않은 리팩터링으로 오히려 코드 베이스에 악영향을 준다는 것을 간과하는 경우가 많습니다. 이 글에서는 저자가 지금까지 겪어온 경험을 기반으로 어떤 리팩터링이 잘못된 리팩터링이고, 어떤 식으로 리팩터링하는 것이 바람직한지에 대해 구체적인 코드 예시와 함께 설명합니다. 이에 더해서 올바른 리팩터링 방법과 더 나은 리팩터링을 위한 도구도 함께 소개하고 있습니다. 이 글을 통해 현재 적절한 리팩터링을 하고 있는지 점검해 보시는 기회가 되시면 좋을 것 같습니다 :) &gt; 글 링크 : https://ykss.netlify.app/translation/good_refactoring_vs_bad_refactoring/

ykss.netlify.app

좋은 리팩터링 vs 나쁜 리팩터링

🌏🇰🇷 개발자를 위한 북마크 모음집. Contribute to currenjin/site-for-developers development by creating an account on GitHub.

GitHub - currenjin/site-for-developers: 🌏🇰🇷 개발자를 위한 북마크 모음집

개발자가 참고하면 좋은 대표적인 웹사이트를 모아놓은 북마크 저장소가 있어 공유드립니다.

한국어로 관리가 되어있고
커뮤니티, 문서, 블로그, 동영상, 자료 모음, 도구 등 다양한 웹사이트들이 정리되어 있습니다.

뿐만 아니라 여러 개발자분들께서 지속적으로 기여를 해주고 있기 때문에
알고 있는 웹사이트에 대해 직접 PR 을 올리거나 새로 업데이트 된 내용을 찾아보는 재미도 있을것 같습니다.

관심있으신 분들께서는 공유 드린 원문 링크를 참고해주세요.

📚 원문
 * https://github.com/currenjin/site-for-developers?utm_source=oneoneone

개발자가 참고하면 좋은 대표적인 웹사이트를 모아놓은 북마크 저장소가 있어 공유드립니다. 한국어로 관리가 되어있고커뮤니티, 문서, 블로그, 동영상, 자료 모음, 도구 등 다양한 웹사이트들이 정리되어 있습니다. 뿐만 아니라 여러 개발자분들께서 지속적으로 기여를 해주고 있기 때문에 알고 있는 웹사이트에 대해 직접 PR 을 올리거나 새로 업데이트 된 내용을 찾아보는 재미도 있을것 같습니다. 관심있으신 분들께서는 공유 드린 원문 링크를 참고해주세요. 📚 원문<ul ><li>https://github.com/currenjin/site-for-developers?utm_source=oneoneone</li></ul>

Soi Cầu 247 là website dự đoán xổ số miền Bắc miễn phí, chính xác và đáng tin cậy. Với hệ thống soi cầu hiện đại và đội ngũ chuyên gia giàu kinh nghiệm, trang web cung cấp các dự đoán đa dạng như lô, đề, dàn đề, nuôi khung,... được phân tích kỹ lưỡng dựa trên dữ liệu thống kê và các thuật toán hiện đại. Soi Cầu 247 cung cấp các hướng dẫn chơi lô đề chi tiết và tạo điều kiện cho người chơi giao lưu, chia sẻ kinh nghiệm. Để đáp lại sự tin tưởng của quý khách, chúng tôi luôn cập nhật liên tục các dự đoán mới nhất và có giao diện thân thiện, dễ sử dụng, mang đến trải nghiệm thú vị và cơ hội trúng thưởng cao.
Website: https://soicauxoso247.net/
Địa chỉ: Số nhà 451A Phường bến nghé Quận 1 TPHCM

Soi cầu 247 rồng bạch kim miễn phí

soicauxoso247

Soi cầu 247 web chuyên phân tích và dự đoán xổ số miền Bắc, soi cầu 247 rồng bạch kim chính xác 100
Website: https://soicauxoso247.net/

디카르고 프론트엔드 개발자

박종태

한국기술교육대학교 컴퓨터공학부

심규재

웹케시

오성훈

📚 개발자를 위한 북마크 모음집

SpringBoot

Java

Docker

Kubernetes

Linux

Spring

글로벌 운영에 필요한 플랫폼, Library 개발 

백엔드 개발자

글로벌 운영에 필요한 플랫폼, Library 개발

MyBox(구 Ndrive) 백엔드 서버 개발 

전자공학부

이양일

개발 블로그

NaverCloud 에서 글로벌 운영에 필요한 플랫폼을 개발하고 있습니다.
오픈 소스에 관심이 많고, 직접 오픈 소스 솔루션을 만들어보고 싶은 꿈이 있습니다. 
빅데이터와 서버 Framework, 비동기 처리등에 관심이 많습니다.
📧 carcanie@gmail.com

📚 개발자를 위한 북마크 모음집

댓글 1

비슷한 게시물

주간 인기 TOP 10

추천 프로필