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

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

네이버 지도

네이버지도를 이렇게 잘 활용하는 분이 계시다니...ㅠㅠ
이런 공유 너무 감사하네요ㅠㅠ 저도 더 널리 공유해봅니다...!

https://map.naver.com/p/favorite/myPlace/folder/3fb30df4b4734a27ab4f0f5e758b971f?c=6.00,0,0,0,dh

네이버지도를 이렇게 잘 활용하는 분이 계시다니...ㅠㅠ이런 공유 너무 감사하네요ㅠㅠ 저도 더 널리 공유해봅니다...! https://map.naver.com/p/favorite/myPlace/folder/3fb30df4b4734a27ab4f0f5e758b971f?c=6.00,0,0,0,dh

map.naver.com

일하기 좋은 카페/장소 리스트 🗺️

안녕하세요. 공유해주셔서 고맙습니다. 제가 이 리스트를 유지 관리하고 있고, 페이스북 그룹 "모각코" 운영진 활동의 일환으로 관리하고 있습니다. :-D

계란후라이 1052

기업이 생겨나고 성장함에 따라 규모가 커지는 과정은 마치 사람이 태어나고 자라는 것과 매우 비슷합니다. 사람이 성장 시기에 따라 내적인 혼란을 겪는 것과 같이 기업 규모 성장에 따라 내부적으로 변화 과정에서 겪게 되는 어지러움이 있죠.
이와 같은 상태를 과도기라고 표현할 수 있습니다. 사전에서 의미하는 과도기는 한 상태에서 다른 새로운 상태로 옮아가거나 또는 바뀌어 가는 도중의 시기라고 이야기합니다.
아이에서 청년으로, 청년에서 성인으로 성장하면서 변화를 체감하며 가치관이 불안정한 시기를 보내는 것과 같이 기업도 작은 규모로 시작하여 사업의 번창함에 따라 규모가 커지는 과정에서 내부 구성원들은 불안정한 상황을 맞이하게 됩니다.

사람마다 그리고 기업마다 과도기 동안 느끼는 감정의 파동 정도가 다릅니다. 태생이 무던하거나 긍정적인 사람은 혼란을 크게 느끼지 않고 과도기가 지나가지만, 예민한 사람에게는 크게 어지러운 격동의 시기로 느껴집니다. 기업과 내부 구성원도 마찬가지로 성장통을 크게 겪는 곳이 있는가 하면 다음 성장 단계로 무난히 진입하는 곳도 있죠.
과도기, 성장통과 같이 아프고 혼란스러운 과정을 지나는 동안, 우리가 해야 할 일과 가져야 한 마음가짐은 어떤 걸까요? 이전에는 부모님, 친구들과 소통이 잘 되었는데 크면서 관계가 소홀해졌다면, 기업 규모가 작을 때는 사장님과도 옆자리 동료처럼 자연스럽게 많은 대화를 나눌 수 있었는데 구성원 수가 늘어나면서 줄 서서 필요한 이야기만 해야 한다면, 많이 아쉬운 감정이 들것입니다. 그러나 이와 같이 성장하는 과도기는 겪게 되는 서운함은 너무 자연스러운 현상이라고 생각해요.
이러한 현상이 우리에게 주는 메시지는 엄마, 아빠의 도움 없이는 아무것도 할 수 없는 아이에서 벗어나 스스로 독립적인 의사 결정과 행동을 할 수 있게 되었다는 의미입니다. 기업이 커져서 모든 것을 사장님이 의사 결정할 수 없게 되었다면, 구성원이 주도적으로 고민하여 회사 성장에 기여할 수 있게 되었다는 뜻입니다.

우리가 느끼는 혼란은 아직 경험해 보지 않은 미래에 대한 막연한 두려움에 가깝습니다. 특히 정답을 알고 힌트를 줄 수 있는 사람이 없다는 것도 답답한 것이죠.
그런데 정답이 없으니 더 흥미로운 여정이 아닐까요? 정답이 없으니 우리 마음대로 정의하고 새로운 길을 만들 수 있습니다. 다시 돌아가지 못하는 이전 상황을 부여잡고, 탄식하느니 차라리 아직 오지 않은 시간을 기대하며 오늘을 기쁘고 감사한 일들로 채워 보아요.

계란후라이 1052 기업이 생겨나고 성장함에 따라 규모가 커지는 과정은 마치 사람이 태어나고 자라는 것과 매우 비슷합니다. 사람이 성장 시기에 따라 내적인 혼란을 겪는 것과 같이 기업 규모 성장에 따라 내부적으로 변화 과정에서 겪게 되는 어지러움이 있죠.이와 같은 상태를 과도기라고 표현할 수 있습니다. 사전에서 의미하는 과도기는 한 상태에서 다른 새로운 상태로 옮아가거나 또는 바뀌어 가는 도중의 시기라고 이야기합니다.아이에서 청년으로, 청년에서 성인으로 성장하면서 변화를 체감하며 가치관이 불안정한 시기를 보내는 것과 같이 기업도 작은 규모로 시작하여 사업의 번창함에 따라 규모가 커지는 과정에서 내부 구성원들은 불안정한 상황을 맞이하게 됩니다. 사람마다 그리고 기업마다 과도기 동안 느끼는 감정의 파동 정도가 다릅니다. 태생이 무던하거나 긍정적인 사람은 혼란을 크게 느끼지 않고 과도기가 지나가지만, 예민한 사람에게는 크게 어지러운 격동의 시기로 느껴집니다. 기업과 내부 구성원도 마찬가지로 성장통을 크게 겪는 곳이 있는가 하면 다음 성장 단계로 무난히 진입하는 곳도 있죠.과도기, 성장통과 같이 아프고 혼란스러운 과정을 지나는 동안, 우리가 해야 할 일과 가져야 한 마음가짐은 어떤 걸까요? 이전에는 부모님, 친구들과 소통이 잘 되었는데 크면서 관계가 소홀해졌다면, 기업 규모가 작을 때는 사장님과도 옆자리 동료처럼 자연스럽게 많은 대화를 나눌 수 있었는데 구성원 수가 늘어나면서 줄 서서 필요한 이야기만 해야 한다면, 많이 아쉬운 감정이 들것입니다. 그러나 이와 같이 성장하는 과도기는 겪게 되는 서운함은 너무 자연스러운 현상이라고 생각해요.이러한 현상이 우리에게 주는 메시지는 엄마, 아빠의 도움 없이는 아무것도 할 수 없는 아이에서 벗어나 스스로 독립적인 의사 결정과 행동을 할 수 있게 되었다는 의미입니다. 기업이 커져서 모든 것을 사장님이 의사 결정할 수 없게 되었다면, 구성원이 주도적으로 고민하여 회사 성장에 기여할 수 있게 되었다는 뜻입니다. 우리가 느끼는 혼란은 아직 경험해 보지 않은 미래에 대한 막연한 두려움에 가깝습니다. 특히 정답을 알고 힌트를 줄 수 있는 사람이 없다는 것도 답답한 것이죠.그런데 정답이 없으니 더 흥미로운 여정이 아닐까요? 정답이 없으니 우리 마음대로 정의하고 새로운 길을 만들 수 있습니다. 다시 돌아가지 못하는 이전 상황을 부여잡고, 탄식하느니 차라리 아직 오지 않은 시간을 기대하며 오늘을 기쁘고 감사한 일들로 채워 보아요.

꿈을 찾는 사람에게 보내는 240 번째 편지

일잘러를 넘어 Impact를 내는 인재들의 특징 (Good to GREAT)  스타트업을 운영하면서, 일을 잘하는 사람과 진정한 임팩트를 내는 사람 사이에는 작지만 큰 차이가 있음을 느낀다.  1. 말보다 실행이 앞선다. 문제 해결을 위한 실행가다.  2. 제한된 리소스 속에서도 방법을 찾아낸다. 예산을 더 달라거나 사람이 필요하다는 말보다 "일단 해보겠다

일잘러를 넘어 Impact를 내는 인재들의 특징 

20년 가까운 회사생활을 하면서, '뛰어난 인재 1명'이 낼 수 있는 임팩트가 과연 얼마나 클까? 하는 생각이 있긴 한데요. (반면, '뛰어난 팀'이 낼 수 있는 임팩트가 어마어마하다는 데는 동의) 그럼에도 불구하고, 개인 레벨에서 Impact를 만들어 낼 수 있는 사람이 드물지만 있다고 생각합니다. 비슷한 생각을 정리한 글인데, 한번 읽어보시면 좋을 것 같네요.

20년 가까운 회사생활을 하면서, '뛰어난 인재 1명'이 낼 수 있는 임팩트가 과연 얼마나 클까? 하는 생각이 있긴 한데요. (반면, '뛰어난 팀'이 낼 수 있는 임팩트가 어마어마하다는 데는 동의) 그럼에도 불구하고, 개인 레벨에서 Impact를 만들어 낼 수 있는 사람이 드물지만 있다고 생각합니다. 비슷한 생각을 정리한 글인데, 한번 읽어보시면 좋을 것 같네요.

Brunch Story

[일잘러를 넘어 Impact를 내는 인재들의 특징]

As GenAI adoption surges, organizations face new security risks. Learn to protect your AI systems from prompt hacking and other emerging threats.

Protecting Systems in the Age of Generative AI - DZone

생성형 AI(GenAI)와 대규모 언어 모델(LLM)의 빠른 도입은 전례 없는 속도로 산업을 변화시키고 있습니다. 거의 90%에 가까운 조직이 이러한 혁신적인 기술의 힘을 활용하기 위해 LLM 사용 사례를 적극적으로 구현하거나 탐색하고 있습니다. 그러나 이러한 열정은 보안에 대한 준비 부족이라는 우려스러운 상황과 맞물려 있습니다. Lakera의 최근 GenAI 준비도 보고서에 따르면 약 5%의 조직만이 GenAI 보안 프레임워크에 자신감을 갖고 있는 것으로 나타났습니다.

프롬프트 해킹의 부상
GenAI가 광범위하게 도입되면서 잠재적으로 파괴적인 새로운 위협인 프롬프트 해킹이 등장했습니다. 광범위한 코딩 지식이 필요한 기존의 해킹 방법과 달리, 프롬프트 해킹은 AI 시스템을 악용할 수 있는 능력을 대중화합니다. 초보자도 몇 마디만 잘 익히면 AI 모델을 조작할 수 있어 의도치 않은 행동과 잠재적인 데이터 유출로 이어질 수 있습니다.

무료 LLM 해킹 시뮬레이션 게임인 Lakera의 간달프는 이러한 위협을 극명하게 보여줍니다. 현재까지 기록된 100만 명의 간달프 플레이어와 총 5천만 건의 프롬프트 및 추측 중 무려 20만 명이 게임 전체를 해킹하는 데 성공했습니다. GenAI가 얼마나 쉽게 조작될 수 있는지를 보여주는 이 사례는 적절한 보안 조치 없이 이러한 기술을 서둘러 도입하려는 조직에 경각심을 불러일으킬 것입니다.
 * Gandalf: https://gandalf.lakera.ai/intro

GenAI 보안 대비 현황
간달프 시뮬레이션 데이터와 1,000명이 넘는 참가자의 설문조사 결과를 결합한 Lakera의 GenAI 준비보고서는 GenAI 보안의 현주소를 우려스럽게 보여줍니다:
 * 높은 도입률, 낮은 신뢰도: 응답자의 42%는 이미 GenAI를 적극적으로 사용하고 LLM을 구현하고 있지만, 5%만이 AI 보안 조치에 대해 확신
 * AI 전용 위협 모델링 부족: 22%만이 GenAI 전용 위협에 대비하기 위해 AI 전용 위협 모델링 도입
 * 다양한 보안 관행: 조직의 61%가 접근 제어 메커니즘을 구현했지만, 37%만이 침투 테스트를 사용하고 있으며, AI 전용 위협 모델링을 사용하는 기업은 22%에 불과
 * 취약점에 대한 느린 대응: GenAI 취약점을 발견한 조직의 20%는 이러한 문제가 아직 완전히 해결되지 않음
   
   
위험에 대한 이해
GenAI와 관련된 보안 위험은 단순한 데이터 유출 그 이상으로 사소한 운영 중단부터 중대한 데이터 유출 및 법적 결과에 이르기까지 광범위할 수 있습니다. 보고서에서 확인된 주요 취약점은 다음과 같습니다:
 * 편향된 출력: 취약점을 경험한 조직의 47%가 편향된 AI 출력 문제 보고
 * 데이터 유출: 42%는 AI 상호 작용을 통해 민감한 데이터가 노출되는 문제 경험
 * AI 결과물의 오용: 38%는 AI가 생성한 정보가 오용된 사례 보고
 * 모델 조작: 34%는 AI 모델을 변경하거나 조작하려는 시도 경험
 * 무단 액세스: 19%는 권한이 없는 사람이 GenAI 시스템에 액세스하는 문제 직면

AI 전용 위협 모델링 구현하기
조직은 GenAI가 제기하는 고유한 보안 문제를 해결하기 위해 AI 전용 위협 모델링 관행을 채택해야 합니다. 이 접근 방식에는 다음이 포함됩니다:
 * AI 전용 자산 식별: 학습 데이터, 모델 아키텍처, 추론 엔드포인트 등 AI 시스템의 고유한 구성 요소 인식
 * 공격 표면 매핑: 공격자가 입력 데이터 중독, 모델 반전 공격, 프롬프트 인젝션 등을 통해 어떻게 AI 시스템을 조작하려고 시도하는지 이해
 * 잠재적 위협 분석: 전통적인 사이버 보안 위협과 모델 도용 또는 출력 조작과 같은 AI 관련 위험 고려
 * 완화 전략 구현: 강력한 입력 유효성 검사, 출력 필터링, 지속적인 모델 모니터링 등 AI 시스템에 맞는 보안 조치 개발 및 배포
 * 정기적인 테스트 및 업데이트: 지속적인 보안 평가를 수행하고 새로운 취약점과 공격 벡터가 등장하면 위협 모델 업데이트

GenAI 시스템 보안을 위한 모범 사례
GenAI 도입과 보안 사이의 격차를 해소하기 위해 조직은 다음과 같은 모범 사례를 고려해야 합니다:
 * 강력한 액세스 제어 구현: 잠재적인 공격 경로를 제한하려면 역할 기반 액세스 제어와 최소 권한 원칙 사용
 * 민감한 데이터 암호화: 모든 AI 학습 및 추론 데이터가 전송 중이거나 미사용 상태일 때 모두 적절하게 암호화되어 있는지 확인
 * 정기적인 보안 감사 실시: 내부 및 외부 보안 감사를 수행하여 취약점을 사전에 파악하고 해결
 * 모의 침투 테스트 실시: 잠재적인 공격에 대해 정기적으로 AI 시스템을 테스트하여 취약점이 악용되기 전에 발견
 * 안전한 AI 관행 개발: 데이터 수집부터 모델 배포에 이르기까지 AI 개발 수명 주기 전반에 걸쳐 보안 고려 사항 통합
 * 최신 정보 파악: 업계 포럼, 보안 권고, 연구원과의 협업을 통해 최신 AI 보안 위협과 모범 사례 파악
 * 공식적인 AI 보안 정책 수립: 조직 내 AI 시스템과 관련된 포괄적인 보안 정책을 개발및 시행
 * AI 보안 전문 지식 투자: AI 보안에 대한 전문 지식을 갖춘 팀을 구성하거나 확보하여 이러한 시스템의 고유한 문제 해결

앞으로 나아갈 길
GenAI가 계속해서 산업을 혁신함에 따라 강력한 보안 조치의 중요성은 아무리 강조해도 지나치지 않습니다. AI에 특화된 위협 모델링을 구현하고, GenAI 보안 모범 사례를 채택하고, 지속적인 학습과 적응의 문화를 조성함으로써 조직은 안전한 AI 혁신을 위한 강력한 기반을 구축할 수 있습니다. 이 새로운 영역을 탐색할 때 성공의 열쇠는 GenAI의 혁신적 힘을 활용하는 것과 AI 시스템의 안전과 무결성을 보장하는 것 사이에서 적절한 균형을 유지하는 데 있습니다.

 * source: https://dzone.com/articles/protecting-systems-in-the-age-of-genai?utm_source=Sailthru&utm_medium=email&utm_campaign=e731_09.11.24_WednesdaySend_Spotlight_Threatconnect&utm_term=cloud-insider-active

생성형 AI(GenAI)와 대규모 언어 모델(LLM)의 빠른 도입은 전례 없는 속도로 산업을 변화시키고 있습니다. 거의 90%에 가까운 조직이 이러한 혁신적인 기술의 힘을 활용하기 위해 LLM 사용 사례를 적극적으로 구현하거나 탐색하고 있습니다. 그러나 이러한 열정은 보안에 대한 준비 부족이라는 우려스러운 상황과 맞물려 있습니다. Lakera의 최근 GenAI 준비도 보고서에 따르면 약 5%의 조직만이 GenAI 보안 프레임워크에 자신감을 갖고 있는 것으로 나타났습니다. 프롬프트 해킹의 부상GenAI가 광범위하게 도입되면서 잠재적으로 파괴적인 새로운 위협인 프롬프트 해킹이 등장했습니다. 광범위한 코딩 지식이 필요한 기존의 해킹 방법과 달리, 프롬프트 해킹은 AI 시스템을 악용할 수 있는 능력을 대중화합니다. 초보자도 몇 마디만 잘 익히면 AI 모델을 조작할 수 있어 의도치 않은 행동과 잠재적인 데이터 유출로 이어질 수 있습니다. 무료 LLM 해킹 시뮬레이션 게임인 Lakera의 간달프는 이러한 위협을 극명하게 보여줍니다. 현재까지 기록된 100만 명의 간달프 플레이어와 총 5천만 건의 프롬프트 및 추측 중 무려 20만 명이 게임 전체를 해킹하는 데 성공했습니다. GenAI가 얼마나 쉽게 조작될 수 있는지를 보여주는 이 사례는 적절한 보안 조치 없이 이러한 기술을 서둘러 도입하려는 조직에 경각심을 불러일으킬 것입니다.<ul ><li>Gandalf: https://gandalf.lakera.ai/intro</li></ul> GenAI 보안 대비 현황간달프 시뮬레이션 데이터와 1,000명이 넘는 참가자의 설문조사 결과를 결합한 Lakera의 GenAI 준비보고서는 GenAI 보안의 현주소를 우려스럽게 보여줍니다:<ul ><li>높은 도입률, 낮은 신뢰도: 응답자의 42%는 이미 GenAI를 적극적으로 사용하고 LLM을 구현하고 있지만, 5%만이 AI 보안 조치에 대해 확신</li><li>AI 전용 위협 모델링 부족: 22%만이 GenAI 전용 위협에 대비하기 위해 AI 전용 위협 모델링 도입</li><li>다양한 보안 관행: 조직의 61%가 접근 제어 메커니즘을 구현했지만, 37%만이 침투 테스트를 사용하고 있으며, AI 전용 위협 모델링을 사용하는 기업은 22%에 불과</li><li>취약점에 대한 느린 대응: GenAI 취약점을 발견한 조직의 20%는 이러한 문제가 아직 완전히 해결되지 않음 </li></ul>위험에 대한 이해GenAI와 관련된 보안 위험은 단순한 데이터 유출 그 이상으로 사소한 운영 중단부터 중대한 데이터 유출 및 법적 결과에 이르기까지 광범위할 수 있습니다. 보고서에서 확인된 주요 취약점은 다음과 같습니다:<ul ><li>편향된 출력: 취약점을 경험한 조직의 47%가 편향된 AI 출력 문제 보고</li><li>데이터 유출: 42%는 AI 상호 작용을 통해 민감한 데이터가 노출되는 문제 경험</li><li>AI 결과물의 오용: 38%는 AI가 생성한 정보가 오용된 사례 보고</li><li>모델 조작: 34%는 AI 모델을 변경하거나 조작하려는 시도 경험</li><li>무단 액세스: 19%는 권한이 없는 사람이 GenAI 시스템에 액세스하는 문제 직면</li></ul> AI 전용 위협 모델링 구현하기조직은 GenAI가 제기하는 고유한 보안 문제를 해결하기 위해 AI 전용 위협 모델링 관행을 채택해야 합니다. 이 접근 방식에는 다음이 포함됩니다:<ul ><li>AI 전용 자산 식별: 학습 데이터, 모델 아키텍처, 추론 엔드포인트 등 AI 시스템의 고유한 구성 요소 인식</li><li>공격 표면 매핑: 공격자가 입력 데이터 중독, 모델 반전 공격, 프롬프트 인젝션 등을 통해 어떻게 AI 시스템을 조작하려고 시도하는지 이해</li><li>잠재적 위협 분석: 전통적인 사이버 보안 위협과 모델 도용 또는 출력 조작과 같은 AI 관련 위험 고려</li><li>완화 전략 구현: 강력한 입력 유효성 검사, 출력 필터링, 지속적인 모델 모니터링 등 AI 시스템에 맞는 보안 조치 개발 및 배포</li><li>정기적인 테스트 및 업데이트: 지속적인 보안 평가를 수행하고 새로운 취약점과 공격 벡터가 등장하면 위협 모델 업데이트</li></ul> GenAI 시스템 보안을 위한 모범 사례GenAI 도입과 보안 사이의 격차를 해소하기 위해 조직은 다음과 같은 모범 사례를 고려해야 합니다:<ul ><li>강력한 액세스 제어 구현: 잠재적인 공격 경로를 제한하려면 역할 기반 액세스 제어와 최소 권한 원칙 사용</li><li>민감한 데이터 암호화: 모든 AI 학습 및 추론 데이터가 전송 중이거나 미사용 상태일 때 모두 적절하게 암호화되어 있는지 확인</li><li>정기적인 보안 감사 실시: 내부 및 외부 보안 감사를 수행하여 취약점을 사전에 파악하고 해결</li><li>모의 침투 테스트 실시: 잠재적인 공격에 대해 정기적으로 AI 시스템을 테스트하여 취약점이 악용되기 전에 발견</li><li>안전한 AI 관행 개발: 데이터 수집부터 모델 배포에 이르기까지 AI 개발 수명 주기 전반에 걸쳐 보안 고려 사항 통합</li><li>최신 정보 파악: 업계 포럼, 보안 권고, 연구원과의 협업을 통해 최신 AI 보안 위협과 모범 사례 파악</li><li>공식적인 AI 보안 정책 수립: 조직 내 AI 시스템과 관련된 포괄적인 보안 정책을 개발및 시행</li><li>AI 보안 전문 지식 투자: AI 보안에 대한 전문 지식을 갖춘 팀을 구성하거나 확보하여 이러한 시스템의 고유한 문제 해결</li></ul> 앞으로 나아갈 길GenAI가 계속해서 산업을 혁신함에 따라 강력한 보안 조치의 중요성은 아무리 강조해도 지나치지 않습니다. AI에 특화된 위협 모델링을 구현하고, GenAI 보안 모범 사례를 채택하고, 지속적인 학습과 적응의 문화를 조성함으로써 조직은 안전한 AI 혁신을 위한 강력한 기반을 구축할 수 있습니다. 이 새로운 영역을 탐색할 때 성공의 열쇠는 GenAI의 혁신적 힘을 활용하는 것과 AI 시스템의 안전과 무결성을 보장하는 것 사이에서 적절한 균형을 유지하는 데 있습니다. <ul ><li>source: https://dzone.com/articles/protecting-systems-in-the-age-of-genai?utm_source=Sailthru&amp;utm_medium=email&amp;utm_campaign=e731_09.11.24_WednesdaySend_Spotlight_Threatconnect&amp;utm_term=cloud-insider-active</li></ul>

dzone.com

[DZone] AI 보안 격차: 생성 AI 시대의 시스템 보호

How-To-Succeed-At-MrBeast-Production.pdf

유튜브 하시는 분들은 어쨌든 미스터비스트가 신계에 있는 사람일텐데요. 그가 분단위로 유튜브 프로덕션을 어떻게 하는지 풀어놨습니다. PDF 파일로 누구나 다운로드 받을 수 있으니 전문을 꼭 읽어보시길 바라요. 해피추석.! :)

 * 시작~1분: 시청자를 사로잡는 데 가장 중요한 요소입니다.(이 부분에서는 좋은 조명이 필수)
 * 1~3분: 과대광고에서 실행으로 전환. 스토리라인을 많이 진행시켜야 합니다.
 * 3분: 스토리에 맞고, 사람들이 진정 감명받는 흥미로운 내용이 들어가야 합니다. 프로덕션에서 제일 많은 시간과 비용이 드는 모습을 만들어내야 합니다.
 * 3~6분: 간단하면서도 가장 중요하고 흥미로운 내용을 담아야 합니다. 예를 들어 자극적이고 빠른 장면 전환이 필요합니다.
 * 6분~나머지: 3분 이후 다시금 시청자들이 인게이지할 수 있도록 마음에 와닿는 영상이 들어가야 합니다. 여기까지 본 시청자들은 보상심리로 끝까지 시청을 마칩니다.

https://drive.google.com/file/d/1YaG9xpu-WQKBPUi8yQ4HaDYQLUSa7Y3J/view

유튜브 하시는 분들은 어쨌든 미스터비스트가 신계에 있는 사람일텐데요. 그가 분단위로 유튜브 프로덕션을 어떻게 하는지 풀어놨습니다. PDF 파일로 누구나 다운로드 받을 수 있으니 전문을 꼭 읽어보시길 바라요. 해피추석.! :) <ul ><li>시작~1분: 시청자를 사로잡는 데 가장 중요한 요소입니다.(이 부분에서는 좋은 조명이 필수)</li><li>1~3분: 과대광고에서 실행으로 전환. 스토리라인을 많이 진행시켜야 합니다. </li><li>3분: 스토리에 맞고, 사람들이 진정 감명받는 흥미로운 내용이 들어가야 합니다. 프로덕션에서 제일 많은 시간과 비용이 드는 모습을 만들어내야 합니다. </li><li>3~6분: 간단하면서도 가장 중요하고 흥미로운 내용을 담아야 합니다. 예를 들어 자극적이고 빠른 장면 전환이 필요합니다. </li><li>6분~나머지: 3분 이후 다시금 시청자들이 인게이지할 수 있도록 마음에 와닿는 영상이 들어가야 합니다. 여기까지 본 시청자들은 보상심리로 끝까지 시청을 마칩니다. </li></ul> https://drive.google.com/file/d/1YaG9xpu-WQKBPUi8yQ4HaDYQLUSa7Y3J/view

Google Docs

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

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>

경험상 이탈률이 10% 이하라면 100% 데이터가 잘못 수집된 경우입니다 | GA4를 이용하시는 많은 분들이 UA 대비 유입이나 전환 데이터 차이가 많이 난다고 말씀하십니다. 세션 및 전환을 집계하는 방식의 다른점 때문에 데이터 차이가 나는 건 어쩔 수 없습니다. 이제 UA는 구시대 유물(?)이니 데이터를 비교하는 건 의미가 없지만(직접 비교도 불가하구요) 기존의 패턴과 너무 차이가 심하다면 데이터가 정상적으로 수집되는 게 맞는지,

이탈률이 너무 낮으면 데이터를 의심하세요

여러분은 직관과 다른 결과의 데이터가 나왔을 때, 어떤 판단을 내리시나요? 예전에는 이런 경우 "내가 엄청난 걸 찾았어!" 라고 많이 흥분했었는데, 최근에는 "뭔가 수집이나 분석과정에서 내가 놓친 거 없나?" 하고 흥분을 가라앉히게 됩니다 ㅎㅎ 실제로 직관과 전혀 다른 방향의 데이터가 관찰되는 경우는 매우 드물더라구요;;;

GA4 사례 중에, 이런 케이스에 대해 이야기한 포스팅을 발견해서 공유합니다. 데이터에 대한 민감도가 높을수록, 이런 함정을 만났을 때 조심할 수 있는 것 같아요.

여러분은 직관과 다른 결과의 데이터가 나왔을 때, 어떤 판단을 내리시나요? 예전에는 이런 경우 "내가 엄청난 걸 찾았어!" 라고 많이 흥분했었는데, 최근에는 "뭔가 수집이나 분석과정에서 내가 놓친 거 없나?" 하고 흥분을 가라앉히게 됩니다 ㅎㅎ 실제로 직관과 전혀 다른 방향의 데이터가 관찰되는 경우는 매우 드물더라구요;;; GA4 사례 중에, 이런 케이스에 대해 이야기한 포스팅을 발견해서 공유합니다. 데이터에 대한 민감도가 높을수록, 이런 함정을 만났을 때 조심할 수 있는 것 같아요.

[이탈율이 너무 낮으면 데이터를 의심하세요]

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

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

*많은 분들의 지원으로 모집 마감되었습니다

----

아침에 일어나서 뭔가 해보고 싶은 분 있으신가요?
매일 아침 10분만 투자하고 기록을 남겨보세요 🙌🏻

► 바로 신청하기 : https://shorturl.at/1YazH

----

✅ 모집 & 활동 기간
- 모집 기간 : 24.8.1(목) ~ 24.8.8(목)
- 선정 발표 : 24.8.9(금) - 개별 안내
- 활동 기간 : 24.8.12(월) ~ 24.9.12(목)

✅ 모집 대상
- 아침 10분 나를 위해 쓰고 싶은 사람 누구나!
- 하루,루틴을 기록으로 남기는 걸 좋아하시는 분
- 활발하게 SNS(블로그, 인스타)를 운영하고 계신 분
- 활동 기간 동안 꾸준히 알라미를 사용하고 변화한 하루를 SNS에 남겨주실 분

✅ 활동 내용
- SNS에 매주 특정 주제로 콘텐츠 업로드 (주차별 미션이 있어요!)
- 알라미 사용 찐 후기를 담은 앱스토어 리뷰 작성

✅ 활동 혜택
1) 기본 혜택 (총 10만원 상당)
- 알라미 프리미엄 1년 구독권
- 슬로우모닝 패키지
: 포인트오브뷰 애플 저널 & 우든 겔펜 기프트 세트
: 모닝페이지 템플릿 디지털 굿즈
: 라툴 뽀모도로 타이머
- 활동 수료증 발급

2) 우수 활동자 혜택 (3명)
- ⭐️에어팟 프로⭐️
- 수료증

✅ 지원하기
https://shorturl.at/1YazH

✅ 문의사항
marketing@delightroom.com

----

아침을 바꾸고 싶은 분들의 많은 참여 기다릴게요 💪🏻

#서포터즈 #슬로우모닝 #미라클모닝 #알라미 #딜라이트룸

*많은 분들의 지원으로 모집 마감되었습니다 ---- 아침에 일어나서 뭔가 해보고 싶은 분 있으신가요? 매일 아침 10분만 투자하고 기록을 남겨보세요 🙌🏻 ► 바로 신청하기 : https://shorturl.at/1YazH ---- ✅ 모집 &amp; 활동 기간 - 모집 기간 : 24.8.1(목) ~ 24.8.8(목) - 선정 발표 : 24.8.9(금) - 개별 안내 - 활동 기간 : 24.8.12(월) ~ 24.9.12(목) ✅ 모집 대상 - 아침 10분 나를 위해 쓰고 싶은 사람 누구나! - 하루,루틴을 기록으로 남기는 걸 좋아하시는 분 - 활발하게 SNS(블로그, 인스타)를 운영하고 계신 분 - 활동 기간 동안 꾸준히 알라미를 사용하고 변화한 하루를 SNS에 남겨주실 분 ✅ 활동 내용 - SNS에 매주 특정 주제로 콘텐츠 업로드 (주차별 미션이 있어요!) - 알라미 사용 찐 후기를 담은 앱스토어 리뷰 작성 ✅ 활동 혜택 1) 기본 혜택 (총 10만원 상당) - 알라미 프리미엄 1년 구독권 - 슬로우모닝 패키지 : 포인트오브뷰 애플 저널 &amp; 우든 겔펜 기프트 세트 : 모닝페이지 템플릿 디지털 굿즈 : 라툴 뽀모도로 타이머 - 활동 수료증 발급 2) 우수 활동자 혜택 (3명) - ⭐️에어팟 프로⭐️ - 수료증 ✅ 지원하기 https://shorturl.at/1YazH ✅ 문의사항 marketing@delightroom.com ---- 아침을 바꾸고 싶은 분들의 많은 참여 기다릴게요 💪🏻 #서포터즈 #슬로우모닝 #미라클모닝 #알라미 #딜라이트룸

(마감) [☀️서포터즈 모집] : 알라미 슬로우모닝 서포터즈 1기

swiftUI

Github

Jetpack

프로덕트 디자인

데이터 분석

디자인 시스템

마케팅

서비스 기획

프로젝트 매니징

딜라이트룸

인스타그램

링크드인

미디엄

유튜브

채용 페이지

전세계 7,500만 명의 아침을 바꾼 알라미를 서비스하는 딜라이트룸입니다.
저희와 함께 전 세계 유저들의 성공적인 아침을 만들며, 폭발적인 성장 로켓에 올라타실 분들을 기다립니다🚀

(마감) [☀️서포터즈 모집] : 알라미 슬로우모닝 서포터즈 1기

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필