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

o1 출시로 인한 프롬프트 엔지니어링의 변화는 아주 크게 생기지는 않을 것 같음. 프롬프트 엔지니어링에 있어서 추론이 중요한 문제에 대해 문제 풀이 전략을 제공한다는 지점만 필요 없어지거나 중요성이 축소되는 것.

따라서 추론이 중요하지 않은 태스크에 있어서는 큰 변화는 없고, 프롬프트 엔지니어링에 있어 가장 중요한 작업 스펙과 맥락을 제공하고 결과 평가를 하는 부분등은 여전히 동일하게 필요함.

o1 출시로 인한 프롬프트 엔지니어링의 변화는 아주 크게 생기지는 않을 것 같음. 프롬프트 엔지니어링에 있어서 추론이 중요한 문제에 대해 문제 풀이 전략을 제공한다는 지점만 필요 없어지거나 중요성이 축소되는 것. 따라서 추론이 중요하지 않은 태스크에 있어서는 큰 변화는 없고, 프롬프트 엔지니어링에 있어 가장 중요한 작업 스펙과 맥락을 제공하고 결과 평가를 하는 부분등은 여전히 동일하게 필요함.

하조은 | Next.js로 개인 블로그를 만들며 Next.js를 손에 익혀봐요!, 블로그를 만들며 배우는 Next.jsNext.js로 나만의 공간을 만들어보세요!Next.js로 나만의 블로그 만들기모두가 남들과 똑같은 집에 살고 싶을까요? 누군가는 자신만의 집을 짓고 남들

손에 익는 Next.js - 블로그 만들기 강의 | 하조은 - 인프런

개발자로 커리어를 쌓아오며 잘한 일 중 하나는 블로그를 운영한 일이에요.

제 블로그는 Gatsby로 운영되고 있었어요. Next.js로 강의도 만들었으니, 블로그를 Next.js로 마이그레이션 했죠.

이 과정에서 배운 Next.js 블로그의 아키텍처를 소개하고 함께 블로그를 만들어보는 강의를 오픈했어요. 9월 18일까지 얼리버드 특가로 30% 할인된 가격에 만나보실 수 있어요!

-

1. 블로그를 만드는 Next.js의 주요 기능을 배워요

SSR, SSG, ISR, PPR과 같은 사전 렌더링 기법부터 Route Groups, Server Actions까지 활용해보며 Next.js의 새로운 기능을 이해하고 익혀보세요!

2. 두가지 블로그 아키텍처의 장/단점을 배워요

Pages Router를 활용하는 일반적인 Next.js 블로그의 아키텍처, App Router로 만든 Vercel 리더십의 블로그 아키텍처를 배워 원하는 방식으로 조합해서 블로그를 만들 수 있어요!

3. 내 손으로 만든 블로그를 관리하는 법을 배워요

AI를 활용해 테마 변경, 조회수 기능을 비롯해 원하는 기능을 추가하며, 나만의 공간으로 꾸며 나갈 수 있는 개인 블로그를 만드는 법을 배워요!

-

이 강의에서 얻을 수 있는 것

✳️ 직접 꾸미고 업그레이드할 수 있는 개인 블로그
✳️ Next.js에서 마크다운 다루는 방법을 배우기
✳️ Next.js 14의 최신 렌더링 기법을 배우고 익히기

-

부족한 점이 보인다면 피드백 주시면 감사하겠습니다. 지속해서 개선해 나가겠습니다!
https://inf.run/Z8PRA

개발자로 커리어를 쌓아오며 잘한 일 중 하나는 블로그를 운영한 일이에요. 제 블로그는 Gatsby로 운영되고 있었어요. Next.js로 강의도 만들었으니, 블로그를 Next.js로 마이그레이션 했죠. 이 과정에서 배운 Next.js 블로그의 아키텍처를 소개하고 함께 블로그를 만들어보는 강의를 오픈했어요. 9월 18일까지 얼리버드 특가로 30% 할인된 가격에 만나보실 수 있어요! - 1. 블로그를 만드는 Next.js의 주요 기능을 배워요 SSR, SSG, ISR, PPR과 같은 사전 렌더링 기법부터 Route Groups, Server Actions까지 활용해보며 Next.js의 새로운 기능을 이해하고 익혀보세요! 2. 두가지 블로그 아키텍처의 장/단점을 배워요 Pages Router를 활용하는 일반적인 Next.js 블로그의 아키텍처, App Router로 만든 Vercel 리더십의 블로그 아키텍처를 배워 원하는 방식으로 조합해서 블로그를 만들 수 있어요! 3. 내 손으로 만든 블로그를 관리하는 법을 배워요 AI를 활용해 테마 변경, 조회수 기능을 비롯해 원하는 기능을 추가하며, 나만의 공간으로 꾸며 나갈 수 있는 개인 블로그를 만드는 법을 배워요! - 이 강의에서 얻을 수 있는 것 ✳️ 직접 꾸미고 업그레이드할 수 있는 개인 블로그✳️ Next.js에서 마크다운 다루는 방법을 배우기✳️ Next.js 14의 최신 렌더링 기법을 배우고 익히기 - 부족한 점이 보인다면 피드백 주시면 감사하겠습니다. 지속해서 개선해 나가겠습니다!https://inf.run/Z8PRA

인프런

Next.js로 나만의 블로그 만들기

2012년 일년 놀기로 하고 10월이 되면서 뭘할까 고민하다가 야후 때 옛 동료로부터 연락이 왔다. 본인이 조인한 Polyvore라는 회사로 한번 놀러와 보라는 거였다. Polyvore는 여성패션만 집중하는 Pinterest라고 이해하면 된다. 사실 Polyvore가 2007년에 만들어졌고 Pinterest가 2년 후인 2009년에 창업되었는데 Pinterest가 Polyvore 아이디어를 카피해서 여성패션 카테고리라는 제약을 없앴다고 보는 것이 맞다. 암튼 야후와 구글 출신 창업자들과 그 지인들로 구성이 된 역량이 뛰어난 팀이었고 오피스의 위치나 분위기도 너무 좋아서 2012년 12월에 조인했다.

원래 내 전문 분야는 검색 엔진이었기에 검색 엔진 개발과 이어서 추천 엔진 개발을 목표로 조인했지만 검색어 로그 등 검색엔진 랭킹을 최적화하기 위한 데이터가 쌓여있지 않았다. 그래서 본의 아니게 먼저 검색어 로그를 S3에 수집해두는 일을 했고 AWS 환경을 사용하는 회사였기에 찾아보니 그때 Redshift가 베타 버전으로 나와 있기에 거기에 다양한 정제된 데이터들을 테이블 형태로 쌓기 시작했고 이때부터 사실 SQL을 처음 제대로 사용해보기 시작했다 :) S3에 적재된 검색어 로그를 처리하는데 Hive를 사용했다. 이 때 처음으로 Python도 배워서 데이터 처리 코드를 작성해서 크론잡으로 실행했는데 그전까지 나는 C++와 자바만 사용해봤고 처음으로 스크립트 언어를 배웠다. 나중에 보니 Redshift가 데이터 웨어하우스였고 데이터 처리하는 코드가 데이터 파이프라인이었고 내가 앞단에 했던 일이 데이터 엔지니어링이었다. 여기에 다른 엔지니어들과 분석가들을 채용해서 데이터 팀을 만들었고 이 과정에서 많은 시행착오가 있었다. 다음으로 조인했던 유데미에서는 이 시행착오 덕분에 데이터 팀 빌딩을 훨씬더 효율적으로 할 수 있었다.

그렇게 시작된 데이터팀 경력을 통해 깨달은 점은 데이터 팀이 기본적으로 지원조직이란 점이다. 그 이유는 직접 뭔가 매출을 내거나 사용자와 직접 마주치는 팀이 아닌 다른 팀들이 각자 맡은 역할을 잘 할 수 있게 도와주는 팀이기 때문이다. 물론 데이터로 돈을 버는 회사라면 다른 이야기다. 하지만 대부분의 회사는 본업이 있고 그 본업을 잘 하기 위해서 데이터를 활용하는 형태가 된다. 즉 데이터가 새로운 석유라고 하지만 실제 회사에서 일을 할 때는 데이터 팀에 스포트라이트가 가는 일은 많지 않다. 지원조직이기 때문이다.

그러면 데이터 팀의 미션은 무엇일까? Airbnb 데이터 팀의 미션으로부터 훔친 내 정의는 다음과 같다: "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다"

부가 가치라고 했는데 데이터로 돈을 버는 곳이라면 "매출"이라고 대신해도 되겠지만 그게 아니라면 간접적으로 매출내는 걸 도와주게 된다는 거다. 그러면 어떤 부가 가치가 있을까? 다음 2가지가 있다.

 1. 데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science). 보통 데이터 분석가가 이 일을 수행한다. 여기에는 Data Driven Decision과 Data Informed Decision 두 가지가 존재한다.
 2. 데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science). 보통 데이터 과학자가 이 일을 머신 러닝이란 형태로 수행한다.

1과 2가 가능하려면 데이터 엔지니어가 인프라를 만들어주어야 한다. 이게 바로 데이터 웨어하우스와 데이터 파이프라인인데 가장 간단한 형태의 데이터 인프라라고 볼 수 있다. 다음 포스팅에서는 데이터 인프라가 무엇인지 조금더 자세히 설명해보고 이어서 데이터 기반 의사결정과 데이터 기반 서비스 개선에 대해 차례로 알아볼 예정이다.

2012년 일년 놀기로 하고 10월이 되면서 뭘할까 고민하다가 야후 때 옛 동료로부터 연락이 왔다. 본인이 조인한 Polyvore라는 회사로 한번 놀러와 보라는 거였다. Polyvore는 여성패션만 집중하는 Pinterest라고 이해하면 된다. 사실 Polyvore가 2007년에 만들어졌고 Pinterest가 2년 후인 2009년에 창업되었는데 Pinterest가 Polyvore 아이디어를 카피해서 여성패션 카테고리라는 제약을 없앴다고 보는 것이 맞다. 암튼 야후와 구글 출신 창업자들과 그 지인들로 구성이 된 역량이 뛰어난 팀이었고 오피스의 위치나 분위기도 너무 좋아서 2012년 12월에 조인했다. 원래 내 전문 분야는 검색 엔진이었기에 검색 엔진 개발과 이어서 추천 엔진 개발을 목표로 조인했지만 검색어 로그 등 검색엔진 랭킹을 최적화하기 위한 데이터가 쌓여있지 않았다. 그래서 본의 아니게 먼저 검색어 로그를 S3에 수집해두는 일을 했고 AWS 환경을 사용하는 회사였기에 찾아보니 그때 Redshift가 베타 버전으로 나와 있기에 거기에 다양한 정제된 데이터들을 테이블 형태로 쌓기 시작했고 이때부터 사실 SQL을 처음 제대로 사용해보기 시작했다 :) S3에 적재된 검색어 로그를 처리하는데 Hive를 사용했다. 이 때 처음으로 Python도 배워서 데이터 처리 코드를 작성해서 크론잡으로 실행했는데 그전까지 나는 C++와 자바만 사용해봤고 처음으로 스크립트 언어를 배웠다. 나중에 보니 Redshift가 데이터 웨어하우스였고 데이터 처리하는 코드가 데이터 파이프라인이었고 내가 앞단에 했던 일이 데이터 엔지니어링이었다. 여기에 다른 엔지니어들과 분석가들을 채용해서 데이터 팀을 만들었고 이 과정에서 많은 시행착오가 있었다. 다음으로 조인했던 유데미에서는 이 시행착오 덕분에 데이터 팀 빌딩을 훨씬더 효율적으로 할 수 있었다. 그렇게 시작된 데이터팀 경력을 통해 깨달은 점은 데이터 팀이 기본적으로 지원조직이란 점이다. 그 이유는 직접 뭔가 매출을 내거나 사용자와 직접 마주치는 팀이 아닌 다른 팀들이 각자 맡은 역할을 잘 할 수 있게 도와주는 팀이기 때문이다. 물론 데이터로 돈을 버는 회사라면 다른 이야기다. 하지만 대부분의 회사는 본업이 있고 그 본업을 잘 하기 위해서 데이터를 활용하는 형태가 된다. 즉 데이터가 새로운 석유라고 하지만 실제 회사에서 일을 할 때는 데이터 팀에 스포트라이트가 가는 일은 많지 않다. 지원조직이기 때문이다. 그러면 데이터 팀의 미션은 무엇일까? Airbnb 데이터 팀의 미션으로부터 훔친 내 정의는 다음과 같다: "신뢰할 수 있는 데이터로 부가 가치를 만들어낸다" 부가 가치라고 했는데 데이터로 돈을 버는 곳이라면 "매출"이라고 대신해도 되겠지만 그게 아니라면 간접적으로 매출내는 걸 도와주게 된다는 거다. 그러면 어떤 부가 가치가 있을까? 다음 2가지가 있다. <ol ><li>데이터를 바탕으로 과학적인 의사결정을 할 수 있게 도와준다 (Decision Science). 보통 데이터 분석가가 이 일을 수행한다. 여기에는 Data Driven Decision과 Data Informed Decision 두 가지가 존재한다. </li><li>데이터를 바탕으로 사용자의 서비스 사용 경험을 개선한다 (Product Science). 보통 데이터 과학자가 이 일을 머신 러닝이란 형태로 수행한다. </li></ol> 1과 2가 가능하려면 데이터 엔지니어가 인프라를 만들어주어야 한다. 이게 바로 데이터 웨어하우스와 데이터 파이프라인인데 가장 간단한 형태의 데이터 인프라라고 볼 수 있다. 다음 포스팅에서는 데이터 인프라가 무엇인지 조금더 자세히 설명해보고 이어서 데이터 기반 의사결정과 데이터 기반 서비스 개선에 대해 차례로 알아볼 예정이다.

데이터 이야기 #1: 데이터팀의 미션은 무엇이고 어떻게 조직에 기여하는가

perplexity 같은 생성형 검색엔진이 각광을 받고 있지만, 아직까지 나온 서비스들은 기존-구글, 네이버 등-의 검색과 사실상 큰 차이가 없다.

현재는 대부분 단순히 검색 결과를 추려서 요약하고 후속 질문을 제안하는 수준이기 때문에, 차별성이 전혀 없다. 따라서 대단해보이고 그 서비스들이 막 구글을 다 잡아먹을 것 같지만, 지금 수준에서는 아무런 위협이 되지 않는다.

게다가 검색 엔진은 결과 출력보다는 크롤러와 인덱서/랭커가 핵심이며 이것은 LLM을 만드는 것 만큼이나 혹은 그보다 더 고난도의 기술이다. 그런데 이것들을 전부 외부 엔진을 쓰고 있다면? 거기에 심지어 LLM도 자체 모델이 아니라면? 그것은 진짜로 껍데기만 있을 뿐인 것이다.

또한 검색 서비스의 가치에서 정확한 정보 제공은 일부일 뿐이며, 컨텐츠 네비게이터의 역할도 매우 크다. 게다가 최근의 메이저 검색 서비스들은 사후 액션까지 연결하도록 확장하고 있기 때문에, 이런 부분까지 포함해서 생각해야한다.

물론, 생성형 AI 덕분에 현재 대기업이 독점하고 있는 검색 서비스 시장에 파고 들어갈 틈이 분명히 생기긴 했다. 그것은 바로… #지면이부족해생략한다

perplexity 같은 생성형 검색엔진이 각광을 받고 있지만, 아직까지 나온 서비스들은 기존-구글, 네이버 등-의 검색과 사실상 큰 차이가 없다. 현재는 대부분 단순히 검색 결과를 추려서 요약하고 후속 질문을 제안하는 수준이기 때문에, 차별성이 전혀 없다. 따라서 대단해보이고 그 서비스들이 막 구글을 다 잡아먹을 것 같지만, 지금 수준에서는 아무런 위협이 되지 않는다. 게다가 검색 엔진은 결과 출력보다는 크롤러와 인덱서/랭커가 핵심이며 이것은 LLM을 만드는 것 만큼이나 혹은 그보다 더 고난도의 기술이다. 그런데 이것들을 전부 외부 엔진을 쓰고 있다면? 거기에 심지어 LLM도 자체 모델이 아니라면? 그것은 진짜로 껍데기만 있을 뿐인 것이다. 또한 검색 서비스의 가치에서 정확한 정보 제공은 일부일 뿐이며, 컨텐츠 네비게이터의 역할도 매우 크다. 게다가 최근의 메이저 검색 서비스들은 사후 액션까지 연결하도록 확장하고 있기 때문에, 이런 부분까지 포함해서 생각해야한다. 물론, 생성형 AI 덕분에 현재 대기업이 독점하고 있는 검색 서비스 시장에 파고 들어갈 틈이 분명히 생기긴 했다. 그것은 바로… #지면이부족해생략한다

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

Disasters can happen to business IT systems at any time and at any place. IT failures and malfunctions can never be completely ruled out. This applies not only to natural disasters but also to simple human errors or cyber-attacks. Any of these situations significantly affect business operations, so a company's ability to withstand emergencies depends on its disaster recovery plan.

7 tiers of disaster recovery

재해 복구(DR)는 조직의 중요한 IT 시스템을 백업하고 다시 실행하는 프로세스입니다.

재해 복구 계획(DRP)은 데이터 복구 단계가 포함된 문서로, 담당 직원 목록과 역할 및 책임, IT 인프라를 보호하고 복구하기 위한 일련의 조치를 포함합니다. 잘 설계된 DRP를 통해 조직은 예기치 않은 중단에도 고객, 파트너, 직원에게 서비스를 계속 제공할 수 있을 뿐만 아니라 데이터 손실을 크게 줄일 수 있습니다.

1980년대 후반, SHARE 기술 운영 위원회는 재해 복구를 위한 서비스 계층을 설명했습니다. 이들은 0~6계층을 사용하는 모델을 개발했습니다. 나중에 일곱 번째 계층이 추가되었습니다. 비즈니스 연속성을 위한 7단계는 현재 서비스 수준과 관련 위험을 결정하는 방법입니다.

< 재해 복구 서비스 수준 >
 * 레벨 0: 오프사이트 데이터 없음(No off-site data)
 * 이 경우 복구가 전혀 불가능할 수 있습니다.
 * 이 회사는 저장된 정보, 문서, 백업 장비, 비상 계획 등 비즈니스 연속성 계획이 전혀 없습니다. 따라서 복구에 필요한 시간을 예측할 수 없습니다.

 * Tier 1: 핫 사이트가 없는 데이터 백업(Data backups with no hot site)
 * 특정 간격으로 데이터를 백업한 다음 물리적으로 오프사이트 시설로 백업을 전송하여 저장합니다.
 * 백업 생성 빈도에 따라 조직은 며칠 또는 몇 주 동안의 데이터 손실에 대비해야 합니다.
 * 이 수준에서는 백업이 오프사이트에서 안전하게 보호되지만 데이터 복구를 위한 시스템이 없습니다.

 * Tier2: : 핫 사이트를 통한 데이터 백업(Data Backup with a Hot Site)
 * 티어 1과 동일한 재해 복구 조항을 제공하지만, 일반적으로 핫 사이트라고 하는 원격 위치에 백업 시스템을 추가로 제공합니다.
 * 이 시스템은 주 시스템과 동일한 데이터 프로세스를 처리합니다.
 * 재해가 발생하면 이 백업 시스템에서 백업을 복원할 수 있습니다.
 * 이 방식은 시스템 자체가 아닌 데이터만 복원하면 되므로 시스템 복구 속도가 빠릅니다.

 * Tier3: 전자 볼트(Electronic vaulting)
 * 계층 2 구성 요소를 기반으로 하지만 중요한 데이터는 전용 채널을 통해 원격 서버(전자 금고)에 영구적으로 백업해야 한다는 추가 조항이 있습니다.
 * 이러한 채널의 대역폭이 제한되어 있으므로 미리 정의된 중요 데이터에 대해서만 백업을 수행할 수 있습니다.
 
 
 * Tier4: 특정 시점 사본(Point-in-Time Copies)
 * 하위 계층보다 더 높은 데이터 무결성과 빠른 복구가 필요한 조직을 위해 설계되었습니다.
 * 솔루션에는 하드 드라이브가 포함됩니다.
 * 데이터는 기본 사이트와 보조 사이트 간에 복사되며, 각 사이트는 서로를 백업합니다.

 * Tier5: 트랜잭션 무결성(Transaction Integrity)
 * 데이터 일관성이 필요한 기업에서 사용하는 솔루션입니다.
 * 데이터는 사이트(프로덕션 데이터 센터와 데이터 복구 센터) 간에 지속적으로 전송되므로 데이터 손실이 없습니다.
 
 
 * Tier6: 데이터 손실이 없거나 거의 없음(Zero or near-zero data loss)
 * 데이터 손실이 거의 또는 전혀 없는 최고 수준의 데이터 무결성을 입증합니다.
 * 데이터 복구가 최우선 순위입니다. 이러한 솔루션에는 종종 어떤 형태의 디스크 미러링이 필요합니다.

 * Tier7: 고도로 자동화된 비즈니스 통합 솔루션
 * 가장 높은 수준의 DR 시나리오.
 * 티어 6 솔루션에 사용되는 모든 구성 요소에 추가 자동화가 포함됩니다.
 * 데이터 복구가 자동화되어 시스템과 애플리케이션을 빠르고 안정적으로 복구할 수 있습니다.

 * source: https://www.cloud4u.com/blog/seven-tiers-of-disaster-recovery/

재해 복구(DR)는 조직의 중요한 IT 시스템을 백업하고 다시 실행하는 프로세스입니다. 재해 복구 계획(DRP)은 데이터 복구 단계가 포함된 문서로, 담당 직원 목록과 역할 및 책임, IT 인프라를 보호하고 복구하기 위한 일련의 조치를 포함합니다. 잘 설계된 DRP를 통해 조직은 예기치 않은 중단에도 고객, 파트너, 직원에게 서비스를 계속 제공할 수 있을 뿐만 아니라 데이터 손실을 크게 줄일 수 있습니다. 1980년대 후반, SHARE 기술 운영 위원회는 재해 복구를 위한 서비스 계층을 설명했습니다. 이들은 0~6계층을 사용하는 모델을 개발했습니다. 나중에 일곱 번째 계층이 추가되었습니다. 비즈니스 연속성을 위한 7단계는 현재 서비스 수준과 관련 위험을 결정하는 방법입니다. &lt; 재해 복구 서비스 수준 &gt;<ul ><li>레벨 0: 오프사이트 데이터 없음(No off-site data)<ul ><li>이 경우 복구가 전혀 불가능할 수 있습니다. </li><li>이 회사는 저장된 정보, 문서, 백업 장비, 비상 계획 등 비즈니스 연속성 계획이 전혀 없습니다. 따라서 복구에 필요한 시간을 예측할 수 없습니다.</li></ul></li></ul> <ul ><li>Tier 1: 핫 사이트가 없는 데이터 백업(Data backups with no hot site)<ul ><li>특정 간격으로 데이터를 백업한 다음 물리적으로 오프사이트 시설로 백업을 전송하여 저장합니다. </li><li>백업 생성 빈도에 따라 조직은 며칠 또는 몇 주 동안의 데이터 손실에 대비해야 합니다. </li><li>이 수준에서는 백업이 오프사이트에서 안전하게 보호되지만 데이터 복구를 위한 시스템이 없습니다.</li></ul></li></ul> <ul ><li>Tier2: : 핫 사이트를 통한 데이터 백업(Data Backup with a Hot Site)<ul ><li>티어 1과 동일한 재해 복구 조항을 제공하지만, 일반적으로 핫 사이트라고 하는 원격 위치에 백업 시스템을 추가로 제공합니다. </li><li>이 시스템은 주 시스템과 동일한 데이터 프로세스를 처리합니다. </li><li>재해가 발생하면 이 백업 시스템에서 백업을 복원할 수 있습니다. </li><li>이 방식은 시스템 자체가 아닌 데이터만 복원하면 되므로 시스템 복구 속도가 빠릅니다.</li></ul></li></ul> <ul ><li>Tier3: 전자 볼트(Electronic vaulting)<ul ><li>계층 2 구성 요소를 기반으로 하지만 중요한 데이터는 전용 채널을 통해 원격 서버(전자 금고)에 영구적으로 백업해야 한다는 추가 조항이 있습니다. </li><li>이러한 채널의 대역폭이 제한되어 있으므로 미리 정의된 중요 데이터에 대해서만 백업을 수행할 수 있습니다. </li></ul></li><li>Tier4: 특정 시점 사본(Point-in-Time Copies)<ul ><li>하위 계층보다 더 높은 데이터 무결성과 빠른 복구가 필요한 조직을 위해 설계되었습니다. </li><li>솔루션에는 하드 드라이브가 포함됩니다. </li><li>데이터는 기본 사이트와 보조 사이트 간에 복사되며, 각 사이트는 서로를 백업합니다.</li></ul></li></ul> <ul ><li>Tier5: 트랜잭션 무결성(Transaction Integrity)<ul ><li>데이터 일관성이 필요한 기업에서 사용하는 솔루션입니다. </li><li>데이터는 사이트(프로덕션 데이터 센터와 데이터 복구 센터) 간에 지속적으로 전송되므로 데이터 손실이 없습니다.</li></ul> </li><li>Tier6: 데이터 손실이 없거나 거의 없음(Zero or near-zero data loss)<ul ><li>데이터 손실이 거의 또는 전혀 없는 최고 수준의 데이터 무결성을 입증합니다. </li><li>데이터 복구가 최우선 순위입니다. 이러한 솔루션에는 종종 어떤 형태의 디스크 미러링이 필요합니다.</li></ul></li></ul> <ul ><li>Tier7: 고도로 자동화된 비즈니스 통합 솔루션<ul ><li>가장 높은 수준의 DR 시나리오. </li><li>티어 6 솔루션에 사용되는 모든 구성 요소에 추가 자동화가 포함됩니다. </li><li>데이터 복구가 자동화되어 시스템과 애플리케이션을 빠르고 안정적으로 복구할 수 있습니다.</li></ul></li></ul> <ul ><li>source: https://www.cloud4u.com/blog/seven-tiers-of-disaster-recovery/</li></ul>

www.cloud4u.com

[Cloud4U] 7단계 재해 복구

LLM 서비스를 운영하거나 시작하려는 개발자를 위한 LLM Workshop, 제 2회 GenAI Connect Day가 9월 26일 GS타워에서 열립니다. 이번 행사는 GS그룹의 Open Innovation 커뮤니티 52g에서 LlamaIndex, DeepLearning.AI 의 Pie&AI와 함께 손잡고 개최합니다. LlamaIndex의 AI Engineer Pierre-Loic Doulcet 가 현장에서 발표할 예정이고, Liner의 Hoon Heo 님과 AutoRAG를 연구하시는 Jeffrey Kim 님이 오셔서 LLM 서비스 개발 관련 노하우와 인사이트를 나누어 주실 예정입니다. 다양한 분야의 AI 엔지니어와 함께 많은 인사이트를 얻으시고 애프터 비어파티에서 네트워킹 기회도 얻어가셨으면 좋겠습니다!

[안내] GenAI Connect Day #2 : LlamaIndex x 52g

📅 일시 : 2024. 9. 26.(목) 저녁 6시 30분 ~
🏢 장소 : GS타워 25층 Keeeet Open Hall
👍 대상 : LLM 활용해서 서비스를 개발하고 있는 개발자
🚨 신청 기간 : 2024. 9. 9(월) ~ 2024. 9. 24 (화)
✅ 연사소개 및 신청링크 : https://bit.ly/52g-genai-2
🚀 문의 : (주)GS 강병진 매니저 (jason.kang@gs.co.kr)

LLM 서비스를 운영하거나 시작하려는 개발자를 위한 LLM Workshop, 제 2회 GenAI Connect Day가 9월 26일 GS타워에서 열립니다. 이번 행사는 GS그룹의 Open Innovation 커뮤니티 52g에서 LlamaIndex, DeepLearning.AI 의 Pie&amp;AI와 함께 손잡고 개최합니다. LlamaIndex의 AI Engineer Pierre-Loic Doulcet 가 현장에서 발표할 예정이고, Liner의 Hoon Heo 님과 AutoRAG를 연구하시는 Jeffrey Kim 님이 오셔서 LLM 서비스 개발 관련 노하우와 인사이트를 나누어 주실 예정입니다. 다양한 분야의 AI 엔지니어와 함께 많은 인사이트를 얻으시고 애프터 비어파티에서 네트워킹 기회도 얻어가셨으면 좋겠습니다! [안내] GenAI Connect Day #2 : LlamaIndex x 52g 📅 일시 : 2024. 9. 26.(목) 저녁 6시 30분 ~ 🏢 장소 : GS타워 25층 Keeeet Open Hall 👍 대상 : LLM 활용해서 서비스를 개발하고 있는 개발자 🚨&nbsp;신청 기간 : 2024. 9. 9(월) ~ 2024. 9. 24 (화) ✅&nbsp;연사소개 및 신청링크 : https://bit.ly/52g-genai-2 🚀&nbsp;문의 : (주)GS 강병진 매니저 (jason.kang@gs.co.kr)

LlamaIndex와 GS그룹이 함께하는 LLM Meetup을 소개합니다

많은 관심을 보여주신 덕분에 오프라인 티켓은 매진되었습니다! 공간 제약으로 더 많은 분들을 모실 수 없어서 아쉽습니다 😢 

그래서 밋업 녹화본을 편집해서 공유드리려고 합니다. 현장 티켓을 신청하지 못하신 분들은 온라인 티켓을 신청하시면 밋업이 끝나면 편집본을 전달드리겠습니다! 온라인 녹화본을 받으실 수 있는 티켓은 행사 전날까지 신청하실 수 있습니다~

🚨 신청 기간 : 2024. 9. 9(월) ~ 2024. 9. 25 (목)
✅ 연사소개 및 신청링크 : https://bit.ly/52g-genai-2
🚀 문의 : (주)GS 강병진 매니저 (jason.kang@gs.co.kr)

챗GPT 개발사 오픈AI가 추론 능력 향상에 초점을 맞춘 인공지능(AI) 모델 스트로베리를 2주 내 출시할 예정이라고 IT 전문 매체 디인포메이션이 현지시간 10일 보도했습니다. 스트로베리는 오픈AI가 AI의 추론 

챗GPT보다 추론 뛰어난 '스트로베리'…"오픈AI, 2주 내 출시"

추론능력이 기존 모델에 비해서 뛰어나다고 하네요.
10초에서 20초가량 생각을 하고 답변을 한다고 합니다.
사실 이건 지금도 프롬프트에 생각을 하고 답변하라고 하면 성능이 좋아진다는 연구가 있는데요.
뭔가 그 부분을 발전시킨 버전인가 싶기도합니다.
GPT5를 기대하고 있는 상황이라 약간 실망스럽지만,
약점을 보완해 나가고 있는 것 같습니다.

https://n.news.naver.com/mnews/article/374/0000401457?sid=104

추론능력이 기존 모델에 비해서 뛰어나다고 하네요. 10초에서 20초가량 생각을 하고 답변을 한다고 합니다. 사실 이건 지금도 프롬프트에 생각을 하고 답변하라고 하면 성능이 좋아진다는 연구가 있는데요. 뭔가 그 부분을 발전시킨 버전인가 싶기도합니다. GPT5를 기대하고 있는 상황이라 약간 실망스럽지만, 약점을 보완해 나가고 있는 것 같습니다. https://n.news.naver.com/mnews/article/374/0000401457?sid=104

n.news.naver.com

GPT의 새로운 버전이 출시 예정입니다.

사용자가 공유한 콘텐츠

얼마 전에 샀는데 또각또각 소리가 아주 좋았어요. 그래서 두 개 샀죠.
무선 연결은 블루투스뿐 아니라 전용 연결 동글도 있기 때문에 몹시 편합니다.

알리 39300원(옵션마다 가격 다름)
https://a.aliexpress.com/_oFT3m1h
쿠팡 로켓직구 42500원
https://link.coupang.com/a/bRwYqE

얼마 전에 샀는데 또각또각 소리가 아주 좋았어요. 그래서 두 개 샀죠.무선 연결은 블루투스뿐 아니라 전용 연결 동글도 있기 때문에 몹시 편합니다. 알리 39300원(옵션마다 가격 다름)https://a.aliexpress.com/_oFT3m1h쿠팡 로켓직구 42500원https://link.coupang.com/a/bRwYqE

a.aliexpress.com

독거미 키보드 ALUA F87 PRO

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

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 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

Paper page - Unveiling Encoder-Free Vision-Language Models

 * 시각-언어 AI의 새 지평: 순수 디코더 기반 접근법
기존 시각-언어 모델들은 주로 시각 인코더와 대규모 언어 모델의 조합에 의존하지만, 이는 모델의 유연성과 효율성을 제한할 수 있습니다. 이번 논문에서는 인코더 없는 순수 시각-언어 모델 훈련을 위한 효과적인 방법을 제시합니다. 핵심 전략으로 통합 디코더 내 시각-언어 표현 연결과 추가 감독을 통한 시각 인식 능력 향상을 제안합니다. 이를 바탕으로 개발된 EVE 모델은 단 3,500만 개의 공개 데이터만을 사용하여 훈련되었음에도 불구하고, 기존 인코더 기반 모델들과 견줄 만한 성능을 다양한 시각-언어 벤치마크에서 보여줍니다. 특히, 훈련 과정과 데이터가 공개되지 않은 Fuyu-8B 모델을 크게 능가합니다.

https://huggingface.co/papers/2406.11832

 * FunAudioLLM: 음성 AI의 새로운 지평을 여는 혁신적 모델 패밀리
FunAudioLLM은 인간과 대규모 언어 모델 간의 자연스러운 음성 상호작용을 향상시키기 위해 설계된 모델 패밀리입니다. 핵심 모델인 SenseVoice는 다국어 음성 인식, 감정 인식, 오디오 이벤트 감지를 담당하며, CosyVoice는 다양한 언어, 음색, 말하기 스타일, 화자 정체성을 제어할 수 있는 자연스러운 음성 생성을 가능하게 합니다. SenseVoice는 저지연 및 고정밀 ASR을, CosyVoice는 다국어 음성 생성과 제로샷 학습, 교차 언어 음성 복제, 지시 따르기 능력을 제공합니다. 이 모델들은 오픈소스로 공개되었으며, LLM과 통합하여 음성 번역, 감정적 음성 채팅, 상호작용형 팟캐스트 등 다양한 응용 프로그램을 가능하게 합니다.

https://huggingface.co/papers/2407.04051AI

개발자 과정의 압도적인 수준 차이! 입문자에서 전공자까지! 아이펠 9기 모집중 : https://bit.ly/4ePP8iK

<ul ><li>시각-언어 AI의 새 지평: 순수 디코더 기반 접근법</li></ul>기존 시각-언어 모델들은 주로 시각 인코더와 대규모 언어 모델의 조합에 의존하지만, 이는 모델의 유연성과 효율성을 제한할 수 있습니다. 이번 논문에서는 인코더 없는 순수 시각-언어 모델 훈련을 위한 효과적인 방법을 제시합니다. 핵심 전략으로 통합 디코더 내 시각-언어 표현 연결과 추가 감독을 통한 시각 인식 능력 향상을 제안합니다. 이를 바탕으로 개발된 EVE 모델은 단 3,500만 개의 공개 데이터만을 사용하여 훈련되었음에도 불구하고, 기존 인코더 기반 모델들과 견줄 만한 성능을 다양한 시각-언어 벤치마크에서 보여줍니다. 특히, 훈련 과정과 데이터가 공개되지 않은 Fuyu-8B 모델을 크게 능가합니다. https://huggingface.co/papers/2406.11832 <ul ><li>FunAudioLLM: 음성 AI의 새로운 지평을 여는 혁신적 모델 패밀리</li></ul>FunAudioLLM은 인간과 대규모 언어 모델 간의 자연스러운 음성 상호작용을 향상시키기 위해 설계된 모델 패밀리입니다. 핵심 모델인 SenseVoice는 다국어 음성 인식, 감정 인식, 오디오 이벤트 감지를 담당하며, CosyVoice는 다양한 언어, 음색, 말하기 스타일, 화자 정체성을 제어할 수 있는 자연스러운 음성 생성을 가능하게 합니다. SenseVoice는 저지연 및 고정밀 ASR을, CosyVoice는 다국어 음성 생성과 제로샷 학습, 교차 언어 음성 복제, 지시 따르기 능력을 제공합니다. 이 모델들은 오픈소스로 공개되었으며, LLM과 통합하여 음성 번역, 감정적 음성 채팅, 상호작용형 팟캐스트 등 다양한 응용 프로그램을 가능하게 합니다. https://huggingface.co/papers/2407.04051AI 개발자 과정의 압도적인 수준 차이! 입문자에서 전공자까지! 아이펠 9기 모집중 : https://bit.ly/4ePP8iK

[0709]모두에게 전하는 모두연 AI뉴스!

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필