신입 사원 때 회사의 CTO 이자 수석 프로그래머였던 분이 말씀하셨습니다. 프로그래머는 손톱이 짧아야 한다고. 손톱이 길면 코딩하는 사람이 아니라고. 완전히 동감했습니다. 개발자라면 다들 동감할 겁니다. 손톱이 길 때 키보드에 닿는 그 느낌이 얼마나 싫은지. 손톱을 일주일에 두 번쯤 자릅니다. 아주 조금만 튀어나와도 그 느낌 때문에 코딩을 할 수가 없거든요.

프로그래머의 손톱

신입 사원 때 회사의 CTO 이자 수석 프로그래머였던 분이 말씀하셨습니다.
프로그래머는 손톱이 짧아야 한다고. 손톱이 길면 코딩하는 사람이 아니라고. 완전히 동감했습니다.
개발자라면 다들 동감할 겁니다. 손톱이 길 때 키보드에 닿는 그 느낌이 얼마나 싫은지.
손톱을 일주일에 두 번쯤 자릅니다. 아주 조금만 튀어나와도 그 느낌 때문에 코딩을 할 수가 없거든요.

예전에 어떤 대기업에 다닐 때 일입니다.
누군가 전체 게시판에 손톱에 대해 글을 썼습니다.
제발 사무실에서 손톱 좀 자르지 말라고. 딱딱 거리는 소리 아주 듣기 싫어 죽겠다고.
댓글이 무척이나 뜨거웠던 걸로 기억합니다. 모두가 볼 수 있는 전체 게시판이었으니까요.

말투가 너무 공격적이었기 때문에 비추를 많이 받았던 걸로 기억하지만…
생각해 보면 의견 자체는 타당한 것 같았습니다.
저 정도로 듣기 싫어하는 사람들이 있는데 내 약간의 편의를 위해서 손톱을 사무실에서 잘라야 하는가?

솔직히 말하면 저도 사무실에서 손톱을 자르는 사람 중 하나였습니다.
그 글을 본 이후 손톱을 자를 때마다 미안한 마음이 들었습니다. 결국 손톱깎이를 집으로 다시 가져왔습니다. 😂

https://jeho.page/essay/2025/03/17/programmer-nails.html

신입 사원 때 회사의 CTO 이자 수석 프로그래머였던 분이 말씀하셨습니다. 프로그래머는 손톱이 짧아야 한다고. 손톱이 길면 코딩하는 사람이 아니라고. 완전히 동감했습니다. 개발자라면 다들 동감할 겁니다. 손톱이 길 때 키보드에 닿는 그 느낌이 얼마나 싫은지. 손톱을 일주일에 두 번쯤 자릅니다. 아주 조금만 튀어나와도 그 느낌 때문에 코딩을 할 수가 없거든요. 예전에 어떤 대기업에 다닐 때 일입니다. 누군가 전체 게시판에 손톱에 대해 글을 썼습니다. 제발 사무실에서 손톱 좀 자르지 말라고. 딱딱 거리는 소리 아주 듣기 싫어 죽겠다고. 댓글이 무척이나 뜨거웠던 걸로 기억합니다. 모두가 볼 수 있는 전체 게시판이었으니까요. 말투가 너무 공격적이었기 때문에 비추를 많이 받았던 걸로 기억하지만… 생각해 보면 의견 자체는 타당한 것 같았습니다. 저 정도로 듣기 싫어하는 사람들이 있는데 내 약간의 편의를 위해서 손톱을 사무실에서 잘라야 하는가? 솔직히 말하면 저도 사무실에서 손톱을 자르는 사람 중 하나였습니다. 그 글을 본 이후 손톱을 자를 때마다 미안한 마음이 들었습니다. 결국 손톱깎이를 집으로 다시 가져왔습니다. 😂 https://jeho.page/essay/2025/03/17/programmer-nails.html

K리그 프로그래머

저도 손톱 닿는 느낌이 불편해서 바로 깎는편인데 화장실에서 자르고 있습니다
바로 안자르면 하루종일 불편할 때가 많아서 ㅋ

사실상 엑셀이나 구글 시트가 아닌가 싶다. 이만큼 많은 사람들이 쓸 줄 알고 여러 형태로 분석이 가능하고 결과물을 공유 가능한 툴은 많지 않다. 실제 현업부서들과 일을 해보면 굉장히 많은 데이터들을 구글 시트의 형태로 매뉴얼하게 관리한다. 이 위에서 간단한 차트등을 만들어 지표 관리를 하곤 한다.

즉 데이터 엔지니어의 관점에서 보면 구글 시트는 아주 중요한 데이터 소스가 된다. 문제는 필요한 데이터를 여기로 로딩하는 방법인데 적어도 구글 시트는 Sheet API(파이썬 모듈 중에 gspread 사용)와 여러 형태의 연동 툴들을 제공한다. 유데미 때 구글 시트를 데이터 소스로 다양한 매뉴얼 정보들을 데이터 웨어하우스로 로딩하는 ETL 파이프라인을 구현해서 현업 팀원들 (마케팅, CS/CX, 영업 등등)이 아주 좋아했었다.

또 회사에 돈이 충분치 않다면 혹은 돈이 충분해도 BI 관련해서 아직 무엇을 해야할지 불분명하다면 굳이 비싼 BI 툴들(Looker, Tableau, 등등)을 사지 말고 데이터웨어하우스(혹은 프로덕션 데이터베이스)의 써머리 테이블들을 구글스프레드시트로 자동으로 덤프해서 거기서 시각화하고 분석하는 것도 아주 효율적이다. 이 역시 다양한 회사에서 데이터 컨설팅을 하면서 효율적으로 사용했었는데 이 경우 이런 형태의 데이터 파이프라인을 보통 Reverse ETL이라고 부른다. 즉 소스가 데이터 웨어하우스가 되고 타켓이 시트가 되는 형태로 일반적인 ETL의 반대 방향으로 데이터가 흐르는 거다.

이번에 인프런에 만든 강의 뒷 부분에 새로 아래 두 개의 챕터를 추가했는데 이게 바로 구글 시트를 데이터소스로 보고 시트 정보를 읽어다가 Snowflake의 테이블로 적재하는 과정을 설명하고 데모하는 내용으로 구성되어 있다. 곧 Reverse ETL 내용 (Snowflake -> 구글시트)에 관한 챕터도 추가할 예정이다.

 * 구글 시트 ➜ Snowflake
 * 구글 시트 ➜ Snowflake (코드 리뷰와 실습)

"실리콘밸리 데이터 리더가 알려주는 Airflow 기초": https://inf.run/qRing

사실상 엑셀이나 구글 시트가 아닌가 싶다. 이만큼 많은 사람들이 쓸 줄 알고 여러 형태로 분석이 가능하고 결과물을 공유 가능한 툴은 많지 않다. 실제 현업부서들과 일을 해보면 굉장히 많은 데이터들을 구글 시트의 형태로 매뉴얼하게 관리한다. 이 위에서 간단한 차트등을 만들어 지표 관리를 하곤 한다. 즉 데이터 엔지니어의 관점에서 보면 구글 시트는 아주 중요한 데이터 소스가 된다. 문제는 필요한 데이터를 여기로 로딩하는 방법인데 적어도 구글 시트는 Sheet API(파이썬 모듈 중에 gspread 사용)와 여러 형태의 연동 툴들을 제공한다. 유데미 때 구글 시트를 데이터 소스로 다양한 매뉴얼 정보들을 데이터 웨어하우스로 로딩하는 ETL 파이프라인을 구현해서 현업 팀원들 (마케팅, CS/CX, 영업 등등)이 아주 좋아했었다. 또 회사에 돈이 충분치 않다면 혹은 돈이 충분해도 BI 관련해서 아직 무엇을 해야할지 불분명하다면 굳이 비싼 BI 툴들(Looker, Tableau, 등등)을 사지 말고 데이터웨어하우스(혹은 프로덕션 데이터베이스)의 써머리 테이블들을 구글스프레드시트로 자동으로 덤프해서 거기서 시각화하고 분석하는 것도 아주 효율적이다. 이 역시 다양한 회사에서 데이터 컨설팅을 하면서 효율적으로 사용했었는데 이 경우 이런 형태의 데이터 파이프라인을 보통 Reverse ETL이라고 부른다. 즉 소스가 데이터 웨어하우스가 되고 타켓이 시트가 되는 형태로 일반적인 ETL의 반대 방향으로 데이터가 흐르는 거다. 이번에 인프런에 만든 강의 뒷 부분에 새로 아래 두 개의 챕터를 추가했는데 이게 바로 구글 시트를 데이터소스로 보고 시트 정보를 읽어다가 Snowflake의 테이블로 적재하는 과정을 설명하고 데모하는 내용으로 구성되어 있다. 곧 Reverse ETL 내용 (Snowflake -&gt; 구글시트)에 관한 챕터도 추가할 예정이다. <ul ><li>구글 시트 ➜ Snowflake</li><li>구글 시트 ➜ Snowflake (코드 리뷰와 실습)</li></ul> "실리콘밸리 데이터 리더가 알려주는 Airflow 기초": https://inf.run/qRing

가장 많이 쓰이는 데이터 분석/BI 툴은 무엇일까?

데이터 엔지니어링(Data Engineering)이
주방에서 식재료로 준비하는 요리 과정에 가깝다면,

데이터 사이언스(Data Science)는
레스토랑에서 준비한 요리를
어느정도의 양으로 어떻게 판매할 것인지를
과학적으로 연구하고 최적화하는 과정입니다.

어떤 가격에 언제 가장 고객이 많이 찾아오는 지,
그리고 레스토랑을 잘 운영하기 위한 비용과 매출을
최적화하는 역할을 맡게 됩니다.

데이터 엔지니어링(Data Engineering)이주방에서 식재료로 준비하는 요리 과정에 가깝다면, 데이터 사이언스(Data Science)는레스토랑에서 준비한 요리를어느정도의 양으로 어떻게 판매할 것인지를과학적으로 연구하고 최적화하는 과정입니다. 어떤 가격에 언제 가장 고객이 많이 찾아오는 지,그리고 레스토랑을 잘 운영하기 위한 비용과 매출을최적화하는 역할을 맡게 됩니다.

데이터 엔지니어링 vs 데이터 사이언스

저의 첫 멘토는 하청 업체에서 고용한 프리랜서 개발자였습니다.

저는 대기업에서 첫 커리어를 시작했는데, 하청 업체에 SI 프로젝트 외주를 많이 주었습니다. 그러다 어느 날 새로 투입된 프로젝트에서 충격적으로 잘 하시는 프리랜서 개발자를 만나게 되었습니다. 그 전까지는 저는 제가 나름 실력이 괜찮다고 생각을 했거든요? 그런데 그 개발자 님을 뵙고 저는 아무 것도 모르는 애송이었다는 것을 깨닫게 되었습니다.

처음에 그 개발자 분께 "사부님"으로 모시고 싶다고 말씀드렸더니 크게 놀라시며 손사례를 치셨습니다. (당시 멘토링 문화가 생소했기 때문에 이렇게 촌스럽게 말씀드렸지만, 사실 멘토가 되어 달라는 부탁이었습니다.) 본인이 같은 회사의 선배도 아니고, 을도 아닌 병, 정의 위치에 있는데 어찌 그럴 수 있겠냐고 난감해하셨습니다. 하지만 저는 포기하지 않고 그 분을 졸졸 딸아다니며 궁금한 것들을 계속 여쭤보면서 정말 많은 배움을 얻었습니다. 저의 이런 모습을 못마땅하게 보시는 부서 선배들 때문에 눈치를 보며 멘토님과의 밀월 관계를 이어나갔던 추억이 있습니다.

제가 주니어였을 때 첫 멘토로 부터 받은 영향은 그 이후 제가 소프트웨어 엔지니어로서 가치관을 정립하고 성장해 나가는 데 너무나 귀중한 자양분이 되었습니다. 당시에는 제 멘토가 하늘같이 보였지만 이제는 저도 연차가 쌓여서 지금은 편한 형 동생 사이가 되었네요. 요즘에는 우스갯소리로 이제 니가 나보다 훨씬 더 잘 한다고 해주시는데 그 말씀 조차 뭔가 힘이 됩니다.

멘토를 찾을 때 반드시 본인이 속한 조직으로 한정할 필요는 없다고 생각합니다. 나보다 잘 한다는 생각이 들고 본받고 싶은 부분이 있다면 누구나 여러분의 멘토가 될 자격이 있습니다. 개발자 밋업에서 우연히 만난 다른 회사의 개발자일 수도 있고, 참여하고 계신 오픈 소스 프로젝트의 다른 기여자가 될 수도 있습니다. 직책과 경력에도 구애받을 필요가 없다고 생각합니다. 단순히 더 오래 일 했다고 해서 더 잘 하는 것은 아니니까요.

정 주변에 멘토로 삼을 만한 분이 없다면 요즘에는 "랜선 멘토"라는 좋은 옵션도 있습니다. 멘티와 멘토를 매칭해주는 플랫폼도 잘 되어 있으니 의지만 있으면 어렵지 않게 멘토를 찾을 수 있을 것입니다. 진짜 정 못 찾으시겠다면 저한테 연락주세요! ㅎㅎ

늘 배워야 살아남을 수 있는 직업인 개발자로서 좋은 멘토를 만나는 것보다 더 큰 행운은 없다고 생각합니다. 좋은 개발자가 되시고 싶다면 주변에 있는 좋은 개발자를 찾아보세요. 내가 닮고 싶은 분과 꾸준히 대화를 나누는 것만으로도 여러분께 엄청난 동기부여가 될 것입니다. 다들 저처럼 인생 멘토를 찾으셨으면 좋겠습니다.

저의 첫 멘토는 하청 업체에서 고용한 프리랜서 개발자였습니다. 저는 대기업에서 첫 커리어를 시작했는데, 하청 업체에 SI 프로젝트 외주를 많이 주었습니다. 그러다 어느 날 새로 투입된 프로젝트에서 충격적으로 잘 하시는 프리랜서 개발자를 만나게 되었습니다. 그 전까지는 저는 제가 나름 실력이 괜찮다고 생각을 했거든요? 그런데 그 개발자 님을 뵙고 저는 아무 것도 모르는 애송이었다는 것을 깨닫게 되었습니다. 처음에 그 개발자 분께 "사부님"으로 모시고 싶다고 말씀드렸더니 크게 놀라시며 손사례를 치셨습니다. (당시 멘토링 문화가 생소했기 때문에 이렇게 촌스럽게 말씀드렸지만, 사실 멘토가 되어 달라는 부탁이었습니다.) 본인이 같은 회사의 선배도 아니고, 을도 아닌 병, 정의 위치에 있는데 어찌 그럴 수 있겠냐고 난감해하셨습니다. 하지만 저는 포기하지 않고 그 분을 졸졸 딸아다니며 궁금한 것들을 계속 여쭤보면서 정말 많은 배움을 얻었습니다. 저의 이런 모습을 못마땅하게 보시는 부서 선배들 때문에 눈치를 보며 멘토님과의 밀월 관계를 이어나갔던 추억이 있습니다. 제가 주니어였을 때 첫 멘토로 부터 받은 영향은 그 이후 제가 소프트웨어 엔지니어로서 가치관을 정립하고 성장해 나가는 데 너무나 귀중한 자양분이 되었습니다. 당시에는 제 멘토가 하늘같이 보였지만 이제는 저도 연차가 쌓여서 지금은 편한 형 동생 사이가 되었네요. 요즘에는 우스갯소리로 이제 니가 나보다 훨씬 더 잘 한다고 해주시는데 그 말씀 조차 뭔가 힘이 됩니다. 멘토를 찾을 때 반드시 본인이 속한 조직으로 한정할 필요는 없다고 생각합니다. 나보다 잘 한다는 생각이 들고 본받고 싶은 부분이 있다면 누구나 여러분의 멘토가 될 자격이 있습니다. 개발자 밋업에서 우연히 만난 다른 회사의 개발자일 수도 있고, 참여하고 계신 오픈 소스 프로젝트의 다른 기여자가 될 수도 있습니다. 직책과 경력에도 구애받을 필요가 없다고 생각합니다. 단순히 더 오래 일 했다고 해서 더 잘 하는 것은 아니니까요. 정 주변에 멘토로 삼을 만한 분이 없다면 요즘에는 "랜선 멘토"라는 좋은 옵션도 있습니다. 멘티와 멘토를 매칭해주는 플랫폼도 잘 되어 있으니 의지만 있으면 어렵지 않게 멘토를 찾을 수 있을 것입니다. 진짜 정 못 찾으시겠다면 저한테 연락주세요! ㅎㅎ 늘 배워야 살아남을 수 있는 직업인 개발자로서 좋은 멘토를 만나는 것보다 더 큰 행운은 없다고 생각합니다. 좋은 개발자가 되시고 싶다면 주변에 있는 좋은 개발자를 찾아보세요. 내가 닮고 싶은 분과 꾸준히 대화를 나누는 것만으로도 여러분께 엄청난 동기부여가 될 것입니다. 다들 저처럼 인생 멘토를 찾으셨으면 좋겠습니다.

나의 첫 멘토 이야기

매번 같은 실수, 악습관을 반복하게 됩니다 현재의 행복을 추구하고 미래의 행복을 소홀히 하게 됩니다 의지를 다잡지만 조금만 트리거가 생기거나 기분이 나빠지면 다시 돌아가버립니다 너무 어릴때부터 자극만 쫓아서 그런걸까요 이제는 어떻게 돌아갈지 모르겠습니다 도와주실수있는 몇마디가 있다면 부탁드립니다

작년 12월에 시작한 스터디 3기가 벌써 마지막 주가 되어 다음 기수를 모집합니다.

개발자 해외 취업의 필수 관문인 코딩 인터뷰 준비를 위해서 LeetCode에서 가장 유명한 문제 모음인 Blind 75를 함께 해결하는 스터디 그룹입니다. 오픈 소스 프로젝트처럼 답안 코드는 깃허브 저장소에 Pull Request로 제출하고 상호 코드 리뷰를 합니다.

아직 4기 모집을 시작하지도 않았는데 벌써 50분이 대기자로 등록을 해주셨어요. 그래서 추가 모집을 하지 않으려다가 다음 차수를 기다리시는 분들이 분명 계실 것 같아서 이렇게 모집 공고를 올립니다.

스터디 규모가 커져서 3기 부터는 100% 온라인 비대면으로 진행했는데 우려했던 것과 달리 많은 분들께서 15주를 완주하고 자율적으로 정하신 문제 풀이 목표를 달성하셨습니다. 스터디에 참여해 주신 분들께서 직접 남겨 주신 생생한 후기를 참고 바랄께요.

스터디는 3월 30일부터 시작하고 신청은 3월 29일에 마감하도록 하겠습니다.

👉 달레 스터디 4기 신청: https://github.com/DaleStudy/leetcode-study/discussions/1109
👉 달레 스터디 웹사이트: https://www.dalestudy.com/

작년 12월에 시작한 스터디 3기가 벌써 마지막 주가 되어 다음 기수를 모집합니다. 개발자 해외 취업의 필수 관문인 코딩 인터뷰 준비를 위해서 LeetCode에서 가장 유명한 문제 모음인&nbsp;Blind 75를 함께 해결하는 스터디 그룹입니다. 오픈 소스 프로젝트처럼 답안 코드는 깃허브 저장소에 Pull Request로 제출하고 상호 코드 리뷰를 합니다. 아직 4기 모집을 시작하지도 않았는데 벌써 50분이 대기자로 등록을 해주셨어요. 그래서 추가 모집을 하지 않으려다가 다음 차수를 기다리시는 분들이 분명 계실 것 같아서 이렇게 모집 공고를 올립니다. 스터디 규모가 커져서 3기 부터는 100% 온라인 비대면으로 진행했는데 우려했던 것과 달리 많은 분들께서 15주를 완주하고 자율적으로 정하신 문제 풀이 목표를 달성하셨습니다. 스터디에 참여해 주신 분들께서 직접 남겨 주신 생생한 후기를 참고 바랄께요. 스터디는 3월 30일부터 시작하고 신청은 3월 29일에 마감하도록 하겠습니다. 👉 달레 스터디 4기 신청: https://github.com/DaleStudy/leetcode-study/discussions/1109 👉 달레 스터디 웹사이트: https://www.dalestudy.com/

📣 달레 스터디 4기 모집 🏃‍♀️🏃‍♂️🏃

요즘 우리나라는 어느 회사든 글로벌 진출을 염두에 두고 있습니다. 대부분의 분야에서 우리나라 시장은 가파른 속도로 축소될 전망이므로 해외 진출은 하고 싶은 것이 아닌 할 수밖에 없...

한국어 몰라요 - 글로벌 협업의 4가지 패턴

요즘 스타트업들은 글로벌 진출을 염두에 두고 있습니다. 대부분의 분야에서 우리나라 시장은 가파른 속도로 축소될 전망이므로 해외 진출은 하고 싶은 것이 아닌 할 수 밖에 없는 필수 비즈니스 전략이 되고 있습니다.
해외에 진출하면 보통 현지화, 마케팅, 법률 등의 이유로 현지 팀을 만들고 협업을 하기 시작하는데요.
IT 서비스 회사에서 협업 구조는 어떻게 만들어야 효율이 좋을지 다양한 시행착오를 경험해보신 분께서 작성해주신 글이 있어 공유드립니다.

사업과 프로덕트의 분리
흔히 볼 수 있는 패턴입니다. 프로덕트는 표시 언어만 다국어로 수정한 뒤 현지 법류에 맞춰 필요한 부분만 조금 수정하면 되므로 가장 경제적인 방법입니다.
다만 현지 최적화 프로젝트를 제때 진행하지못하고, 프로덕트 팀에 현지 감각이 낮기 때문에 순수한 현지 사용자의 요구사항을 놓치는 경우가 많습니다.
이러한 문제 때문에 실패로 끝나는 경우가 많았지만 이 패턴이 가장 흔한 이유는 시장을 테스트해 볼 수 있는 가장 경제적인 방법이기 때문입니다.

서비스와 플랫폼의 분리
이 패턴은 사용자의 경험에 따라 조정할 수 있는 폭이 넓고, 현지 사용자에 맞춰 고유하게 표현할 수 있는 여지가 있습니다.
가장 신경써야 하는 부분은 플랫폼의 정의이며, 어디까지 공통 영역에 넣을 것인지 선 긋기를 잘 하는데에 정답은 없습니다. 그래서인지 공통 영역을 엄격하게 정의하면서 동시에 얼마나 유연하게 만들 수 있는지가 소프트웨어 설계의 역사부터 개발자의 역량을 평가하는 기준까지 관통하는 주제 중 하나로 꼽히곤 합니다.

제작과 운영의 분리
민감한 개인정보를 다루는 서비스에서는 이 패턴을 사용하는 경우가 많습니다.
데이터가 저장되는 지역에 민감한 서비스라면 현지의 인프라에 배포하는게 필수입니다.
현지보다 다른 나라의 채용 상황이 좋거나, 경제적인 이득이 있다면 언어의 불편함보다 경제 가치가 크다고 판단해 해외에 프로덕제작을 맡기고 그 산출물을 받아서 서비스를 운영합니다.
이 패턴이 성공하려면 꼼꼼한 모니터링이 가능하도록 만드는 게 필수입니다.
운영은 제작에서 전달받은 산출물이 내부적으로 어떻게 작동하는지 모르기에, 산출물의 입출력뿐 아니라 최대한 상태를 투명하게 파악할 수 있도록 제작 할 필요가 있습니다. 그렇지 않으면 운영에서는 산출물을 믿을 수 없기에 이로 인해 겪을 장애의 책임을 지기 싫다고 생각할 수 있습니다. 이 패턴은 서비스가 어느 정도 성숙한 운영한 서비스에 적합합니다.

공격과 수비의 분리
누구나 빠른 개선으로 프로덕트를 만들고 싶어합니다. 하지만 그만큼 안정성을 잃기도합니다.
이런 문제들을 최소화하는 방법으로 사용자 경험에 직접적인 프로덕트(공격)와 그 외의 프로덕트(수비)로 역할을 나누는 방법이 있습니다.
다른 패턴들은 장애가 발생했을 때에 사용자 경험과 비즈니스에 즉각적인 영향을 주지만, 수비 역할의 프로덕트는 장애가 발생해도 사용자 경험에 직접 영향을 끼치지 않거나 영향을 끼쳐도 큰 영향을 주지 않습니다.
수비를 담당하는 팀은 철저하게 공격을 담당하는 프로덕트를 위한 지원 프로덕트를 만듭니다.
이 패턴의 단점은 공격과 수비 팀의 물고 물리는 관계가 있다는 것입니다.

그래서 우리 팀은 어떤 패턴이 맞는가?
 * 사업과 프로덕트의 분리: 경제적으로 시장을 테스트 할 수 있지만, 프로덕트의 현지 감각이 낮을 수 있음
 * 서비스와 플랫폼의 분리: 서비스의 자유도와 표현력이 높지만, 서비스의 가능성이 플랫폼 스펙을 넘을 수 없음
 * 제작과 운영의 분리: 높은 수준의 패키징이 필수이므로 배포와 확장성이 좋아지지만, 리소스 중복 투자의 가능성이 있음
 * 공격과 수비의 분리: 공격팀이 높은 수준으로 프로덕트를 만들 수 있지만, 설계할 때마다 상호 의존이 발생할 수 있음

요즘 스타트업들은 글로벌 진출을 염두에 두고 있습니다. 대부분의 분야에서 우리나라 시장은 가파른 속도로 축소될 전망이므로 해외 진출은 하고 싶은 것이 아닌 할 수 밖에 없는 필수 비즈니스 전략이 되고 있습니다. 해외에 진출하면 보통 현지화, 마케팅, 법률 등의 이유로 현지 팀을 만들고 협업을 하기 시작하는데요. IT 서비스 회사에서 협업 구조는 어떻게 만들어야 효율이 좋을지 다양한 시행착오를 경험해보신 분께서 작성해주신 글이 있어 공유드립니다. 사업과 프로덕트의 분리흔히 볼 수 있는 패턴입니다. 프로덕트는 표시 언어만 다국어로 수정한 뒤 현지 법류에 맞춰 필요한 부분만 조금 수정하면 되므로 가장 경제적인 방법입니다.다만 현지 최적화 프로젝트를 제때 진행하지못하고, 프로덕트 팀에 현지 감각이 낮기 때문에 순수한 현지 사용자의 요구사항을 놓치는 경우가 많습니다.이러한 문제 때문에 실패로 끝나는 경우가 많았지만 이 패턴이 가장 흔한 이유는 시장을 테스트해 볼 수 있는 가장 경제적인 방법이기 때문입니다. 서비스와 플랫폼의 분리이 패턴은 사용자의 경험에 따라 조정할 수 있는 폭이 넓고, 현지 사용자에 맞춰 고유하게 표현할 수 있는 여지가 있습니다. 가장 신경써야 하는 부분은 플랫폼의 정의이며, 어디까지 공통 영역에 넣을 것인지 선 긋기를 잘 하는데에 정답은 없습니다. 그래서인지 공통 영역을 엄격하게 정의하면서 동시에 얼마나 유연하게 만들 수 있는지가 소프트웨어 설계의 역사부터 개발자의 역량을 평가하는 기준까지 관통하는 주제 중 하나로 꼽히곤 합니다. 제작과 운영의 분리민감한 개인정보를 다루는 서비스에서는 이 패턴을 사용하는 경우가 많습니다. 데이터가 저장되는 지역에 민감한 서비스라면 현지의 인프라에 배포하는게 필수입니다. 현지보다 다른 나라의 채용 상황이 좋거나, 경제적인 이득이 있다면 언어의 불편함보다 경제 가치가 크다고 판단해 해외에 프로덕제작을 맡기고 그 산출물을 받아서 서비스를 운영합니다.이 패턴이 성공하려면 꼼꼼한 모니터링이 가능하도록 만드는 게 필수입니다. 운영은 제작에서 전달받은 산출물이 내부적으로 어떻게 작동하는지 모르기에, 산출물의 입출력뿐 아니라 최대한 상태를 투명하게 파악할 수 있도록 제작 할 필요가 있습니다. 그렇지 않으면 운영에서는 산출물을 믿을 수 없기에 이로 인해 겪을 장애의 책임을 지기 싫다고 생각할 수 있습니다. 이 패턴은 서비스가 어느 정도 성숙한 운영한 서비스에 적합합니다. 공격과 수비의 분리누구나 빠른 개선으로 프로덕트를 만들고 싶어합니다. 하지만 그만큼 안정성을 잃기도합니다. 이런 문제들을 최소화하는 방법으로 사용자 경험에 직접적인 프로덕트(공격)와 그 외의 프로덕트(수비)로 역할을 나누는 방법이 있습니다. 다른 패턴들은 장애가 발생했을 때에 사용자 경험과 비즈니스에 즉각적인 영향을 주지만, 수비 역할의 프로덕트는 장애가 발생해도 사용자 경험에 직접 영향을 끼치지 않거나 영향을 끼쳐도 큰 영향을 주지 않습니다. 수비를 담당하는 팀은 철저하게 공격을 담당하는 프로덕트를 위한 지원 프로덕트를 만듭니다. 이 패턴의 단점은 공격과 수비 팀의 물고 물리는 관계가 있다는 것입니다. 그래서 우리 팀은 어떤 패턴이 맞는가?<ul ><li>사업과 프로덕트의 분리: 경제적으로 시장을 테스트 할 수 있지만, 프로덕트의 현지 감각이 낮을 수 있음</li><li>서비스와 플랫폼의 분리: 서비스의 자유도와 표현력이 높지만, 서비스의 가능성이 플랫폼 스펙을 넘을 수 없음</li><li>제작과 운영의 분리: 높은 수준의 패키징이 필수이므로 배포와 확장성이 좋아지지만, 리소스 중복 투자의 가능성이 있음</li><li>공격과 수비의 분리: 공격팀이 높은 수준으로 프로덕트를 만들 수 있지만, 설계할 때마다 상호 의존이 발생할 수 있음</li></ul>

LY Corporation Tech Blog

글로벌 협업을 위한 4가지 패턴

1️⃣ 아이디어의 가치는 실행했을 때 비로소 생긴다.

2️⃣ 고객이 정말 필요한 서비스를 만들어야 한다. 내가 고객인 서비스라면 더 수월하다.

3️⃣ 빠르게 만들고 빠르게 출시한다. 개발 기간이 길다고 더 좋은 서비스가 나오는 건 아니다.

4️⃣ 한 가지 핵심 기능에 집중하는 것이 좋다. 너무 많은 기능을 넣기보다 문제 해결에 초점을 맞춘다.

5️⃣ 나는 생각보다 고객의 마음을 생각보다 잘 모른다. 출시 후 피드백을 받아야 비로소 알게 되는 경우가 많았다.

6️⃣ 개발은 가장 비싼 검증 방법이다.
본격적으로 개발하기 전에 아이디어 검증이 가능하다면 반드시 검증부터 한다.

7️⃣ “시장의 크기 = 문제를 겪는 사람의 수 × 고통의 크기” 이다.
문제를 겪는 사람의 수는 적더라도 고통의 크기가 큰 문제를 해결하는 것이 유리하다.

8️⃣ 보일러플레이트(템플릿)를 만들어두면 멘탈 관리에 좋다.
로그인, 모달, 레이아웃 등 자주 쓰이는 기능을 미리 모듈화하면 개발이 훨씬 수월하다.

9️⃣ 사이드 프로젝트는 최소 1년은 유지해보는 것이 좋다.
언제 터질지 모르므로 Free Tier로 운영할 수 있는 1년 정도는 지켜본다.

🔟 결국, 대부분의 성공은 운이다.
기본적인 것을 지킨다는 전제하에, 성공 여부는 운에 의해 결정될 때가 많다.
그래서 꾸준히 만들고, 실패하며, 경험치를 쌓아가는 과정이 중요하다.

실행이 전부다. 만들고 배운다.

1️⃣ 아이디어의 가치는 실행했을 때 비로소 생긴다. 2️⃣ 고객이 정말 필요한 서비스를 만들어야 한다. 내가 고객인 서비스라면 더 수월하다. 3️⃣ 빠르게 만들고 빠르게 출시한다. 개발 기간이 길다고 더 좋은 서비스가 나오는 건 아니다. 4️⃣ 한 가지 핵심 기능에 집중하는 것이 좋다. 너무 많은 기능을 넣기보다 문제 해결에 초점을 맞춘다. 5️⃣ 나는 생각보다 고객의 마음을 생각보다 잘 모른다. 출시 후 피드백을 받아야 비로소 알게 되는 경우가 많았다. 6️⃣ 개발은 가장 비싼 검증 방법이다.본격적으로 개발하기 전에 아이디어 검증이 가능하다면 반드시 검증부터 한다. 7️⃣ “시장의 크기 = 문제를 겪는 사람의 수 × 고통의 크기” 이다.문제를 겪는 사람의 수는 적더라도 고통의 크기가 큰 문제를 해결하는 것이 유리하다. 8️⃣ 보일러플레이트(템플릿)를 만들어두면 멘탈 관리에 좋다.로그인, 모달, 레이아웃 등 자주 쓰이는 기능을 미리 모듈화하면 개발이 훨씬 수월하다. 9️⃣ 사이드 프로젝트는 최소 1년은 유지해보는 것이 좋다.언제 터질지 모르므로 Free Tier로 운영할 수 있는 1년 정도는 지켜본다. 🔟 결국, 대부분의 성공은 운이다.기본적인 것을 지킨다는 전제하에, 성공 여부는 운에 의해 결정될 때가 많다.그래서 꾸준히 만들고, 실패하며, 경험치를 쌓아가는 과정이 중요하다. 실행이 전부다. 만들고 배운다.

사이드 프로젝트 34개를 만들고 느낀점 10가지

2023년 기술블로그 글을 엮어 펴낸 첫 책 "요즘 우아한 개발"이 좋은 반응을 얻은 데 힘입어, 이번에는 AI·데이터·로봇 이야기를 담은 시리즈 2탄, "요즘 우아한 AI 개발"을 출간했습니다. 🎉

“요즘 우아한 AI 개발” 출간!

잘 쓴 기술 블로그가 책으로 나오네요.

---

"요즘 우아한 AI 개발"에는 우아한형제들이 실제 프로젝트에 적용한 AI 기술과 데이터 활용법,
로봇 개발 과정에서 얻은 실무 경험을 두루 담았습니다.

AI 추천 시스템, 데이터 분석 자동화, 로봇 머신러닝 모델 경량화, MLOps 구축 사례까지,
AI와 데이터, 로봇 기술을 어떻게 개발하고 적용했는지 생생하게 전합니다.

https://meta-bifrost.vercel.app/AsZfEAXX09DNnNws8Yno

잘 쓴 기술 블로그가 책으로 나오네요. --- "요즘 우아한 AI 개발"에는 우아한형제들이 실제 프로젝트에 적용한 AI 기술과 데이터 활용법, 로봇 개발 과정에서 얻은 실무 경험을 두루 담았습니다. AI 추천 시스템, 데이터 분석 자동화, 로봇 머신러닝 모델 경량화, MLOps 구축 사례까지, AI와 데이터, 로봇 기술을 어떻게 개발하고 적용했는지 생생하게 전합니다. https://meta-bifrost.vercel.app/AsZfEAXX09DNnNws8Yno

meta-bifrost.vercel.app

요즘 우아한 AI 개발 출간~

<img src='https://image.thebell.co.kr/thebell10/img/icon-news.png'> 해당기사는 유료기사로 변경되거나 기사가 존재하지 않습니다.이용에 불편을 드려서 죄송합니다.문의는 (T)02-724-4162 입니다.

thebell Free

한국투자파트너스는 지난해 27개 글로벌 기업에 총 1045억원을 투자했다. 특히 앤트로픽을 비롯해 주로 AI 관련 기업에 투자했다. 회사는 지난해 5월 팩토리얼 그로스 III LTD를 통해 xAI에 108억원을 투자했다. xAI는 2023년 일론 머스크가 설립한 거대언어모델(LLM) 개발 스타트업이다. 지난해 12월 xAI는 60억달러(약 8조7000억원) 규모 시리즈C 투자를 유치했다. 기업가치는 500억달러(약 72조6800억원)로 6개월 새 2배가 뛰었다.

https://m.thebell.co.kr/m/newsview.asp?svccode=00&newskey=202503120756260340103271&page=3&sort=FREE_DTM&searchtxt=

한국투자파트너스는 지난해 27개 글로벌 기업에 총 1045억원을 투자했다. 특히 앤트로픽을 비롯해 주로 AI 관련 기업에 투자했다. 회사는 지난해 5월 팩토리얼 그로스 III LTD를 통해 xAI에 108억원을 투자했다. xAI는 2023년 일론 머스크가 설립한 거대언어모델(LLM) 개발 스타트업이다. 지난해 12월 xAI는 60억달러(약 8조7000억원) 규모 시리즈C 투자를 유치했다. 기업가치는 500억달러(약 72조6800억원)로 6개월 새 2배가 뛰었다. https://m.thebell.co.kr/m/newsview.asp?svccode=00&amp;newskey=202503120756260340103271&amp;page=3&amp;sort=FREE_DTM&amp;searchtxt=

m.thebell.co.kr

﻿
회사마다 고유한 인재상이 있습니다. 사전적 의미로 인재상이란 인재로서 갖추어야 할 모습입니다. ‘인재상 뜻’에 대해서 구글링을 해보다가 재미있는 정의를 발견하였습니다. 인재상이 기업의 채용과 관련된 ‘이상형‘이라는 의미라는 해석입니다.

인재상을 처음으로 누가 만들었을까? 추측해 보면, 회사를 설립한 창업자나 그와 함께 회사가 성장하는 데 조력한 동료가 만들지 않았을지 상상해 봅니다. 회사가 성장함에 따라 직원이 하나 둘 늘어나는 데 채용을 계속하다 보니 ’우리 회사에 잘 맞는 인재는 이런 사람이야‘라고 생각했을 것 같습니다.

솔직히 회사마다 선호하는 인재의 모습이 크게 다를 수 있을까? 의문을 갖고 있습니다. A 조직에서 일을 잘 한다고 평가받는 사람이 B 조직에 가면 일을 잘 못한다고 평가받을 가능성이 높을 수 있을까요? 그럴 수도 있습니다. 100% 확률은 거의 존재하지 않는다고 믿고 있기 때문에 반전은 누구에게나 일어날 수 있는 가능성이 있습니다.

다만, 아직 일을 시작하기 전 모습을 보고 평가를 내려야 할 때에 A 조직에서 성공 경험을 갖고 있는 인재가 B 조직의 채용 전형에서 긍정적인 피드백을 받을 확률이 높은 것은 사실입니다. 주관적인 느낌보다 객관적인 사실에 바탕을 둔 평가를 한다면 말입니다.
실제로 많은 기업 홈페이지를 방문해 보면, ‘우리가 선호하는 인재의 모습’이나 ‘우리는 이렇게 일을 하는 사람들 (조직)‘이라는 메시지가 기업마다 크게 다르지 않음을 확인할 수 있습니다.

주도적으로 일을 하고, 문제를 해결하며, 더 높은 목표를 향해 도전하고, 동료를 진심으로 존중하며, 자유와 책임을 추구하는 인재와 그런 문화를 지향한다는 가치를 이야기합니다. 언어의 표현만 조금씩 다를 뿐 큰 맥락에서 이와 같은 인재상을 벗어나는 기업을 찾기 어려울 정도로 많은 기업이 거의 같은 인재를 바라고 있습니다.
함께 일을 해보면 알게 됩니다. 누가 일을 잘 하는 사람인지, 누가 협업이 잘 되는 사람인지 깨닫게 됩니다. 일 잘 하는 사람과 협업 잘 되는 사람은 외부 환경의 영향을 잘 받지 않기 때문에 어디서나 능력을 발휘하고 주변 동료에게 인정을 받는다고 생각합니다.

결국 인재상은 함께 일을 해본 동료로부터 기인한 모습을 의미합니다. ‘함께 일을 해보니 우리 조직엔 이런 사람이 더 잘 맞더라‘가 인재상이 되는 것입니다. 따라서 인재상은 시간이 흐름에 따라 변화할 수 있습니다. 과거에는 A라는 능력과 경험을 가진 사람이 필요했는데, 현재는 B라는 역량이 더 요구되고, 미래에는 C라는 비전을 가진 인재가 필요하다고 판단하는 것입니다.

시대가 요구하는 인재상은 기업마다 다르기 보다 기업의 고객이 되는 사람들의 선호에 따라 변화하는 것 같습니다. 또는 특정 기술이 시대를 휩쓸고 있다면, 인재상도 그를 따라 휩쓸려 가는 경향도 있습니다. 예를 들면, 고객이 겪고 있는 시대적 문제가 있다면, 이를 잘 해결해 줄 수 있는 사람이 인재가 되고, AI와 같은 기술이 시대를 휩쓸고 있다면, AI 기술을 잘 활용할 수 있는 사람이 인재가 되기도 하는 것입니다.

결국 거의 모든 조직에 필요한 협업 능력과 시대의 변화에 유연하게 대응할 수 있는 사람이 언제 어디서나 인재로 평가받을 확률이 높습니다. 그러니 기업에서 인재를 영입할 때, 우리에게 필요한 인재의 모습은 하나라고 정의하기는 것보다 상황에 따라서 더 적합한 인재의 정의를 업데이트하는 노력이 필요합니다.

기업의 설립자와 구성원들이 선호하는 동료의 모습을 가지고 있고, 다수의 구성원이 바라는 모습이 일치한다면 인재를 영입함에 있어서 일관된 의사결정을 할 수 있다고 생각합니다. 일관된 의사결정을 할 수 있을 때, 영입하게 되는 인재가 보유한 역량과 경험이 얼마나 대단한가 관계없이 조직이 추구하는 같은 방향을 바라보며 협업을 잘할 수 있게 된다고 믿습니다.

선명한 회사의 비전과 미션을 가지고, 회사 구성원이 함께 협업하는 과정에서 중요하게 생각하는 가치를 제시할 수 있다면, 인재상을 가지고 있는 기업이고, 채용 전형을 통해 조직에 적합한 인재를 영입할 수 있는 기준이 있는 팀이라고 생각합니다.

﻿회사마다 고유한 인재상이 있습니다. 사전적 의미로 인재상이란 인재로서 갖추어야 할 모습입니다. ‘인재상 뜻’에 대해서 구글링을 해보다가 재미있는 정의를 발견하였습니다. 인재상이 기업의 채용과 관련된 ‘이상형‘이라는 의미라는 해석입니다. 인재상을 처음으로 누가 만들었을까? 추측해 보면, 회사를 설립한 창업자나 그와 함께 회사가 성장하는 데 조력한 동료가 만들지 않았을지 상상해 봅니다. 회사가 성장함에 따라 직원이 하나 둘 늘어나는 데 채용을 계속하다 보니 ’우리 회사에 잘 맞는 인재는 이런 사람이야‘라고 생각했을 것 같습니다. 솔직히 회사마다 선호하는 인재의 모습이 크게 다를 수 있을까? 의문을 갖고 있습니다. A 조직에서 일을 잘 한다고 평가받는 사람이 B 조직에 가면 일을 잘 못한다고 평가받을 가능성이 높을 수 있을까요? 그럴 수도 있습니다. 100% 확률은 거의 존재하지 않는다고 믿고 있기 때문에 반전은 누구에게나 일어날 수 있는 가능성이 있습니다. 다만, 아직 일을 시작하기 전 모습을 보고 평가를 내려야 할 때에 A 조직에서 성공 경험을 갖고 있는 인재가 B 조직의 채용 전형에서 긍정적인 피드백을 받을 확률이 높은 것은 사실입니다. 주관적인 느낌보다 객관적인 사실에 바탕을 둔 평가를 한다면 말입니다.실제로 많은 기업 홈페이지를 방문해 보면, ‘우리가 선호하는 인재의 모습’이나 ‘우리는 이렇게 일을 하는 사람들 (조직)‘이라는 메시지가 기업마다 크게 다르지 않음을 확인할 수 있습니다. 주도적으로 일을 하고, 문제를 해결하며, 더 높은 목표를 향해 도전하고, 동료를 진심으로 존중하며, 자유와 책임을 추구하는 인재와 그런 문화를 지향한다는 가치를 이야기합니다. 언어의 표현만 조금씩 다를 뿐 큰 맥락에서 이와 같은 인재상을 벗어나는 기업을 찾기 어려울 정도로 많은 기업이 거의 같은 인재를 바라고 있습니다.함께 일을 해보면 알게 됩니다. 누가 일을 잘 하는 사람인지, 누가 협업이 잘 되는 사람인지 깨닫게 됩니다. 일 잘 하는 사람과 협업 잘 되는 사람은 외부 환경의 영향을 잘 받지 않기 때문에 어디서나 능력을 발휘하고 주변 동료에게 인정을 받는다고 생각합니다. 결국 인재상은 함께 일을 해본 동료로부터 기인한 모습을 의미합니다. ‘함께 일을 해보니 우리 조직엔 이런 사람이 더 잘 맞더라‘가 인재상이 되는 것입니다. 따라서 인재상은 시간이 흐름에 따라 변화할 수 있습니다. 과거에는 A라는 능력과 경험을 가진 사람이 필요했는데, 현재는 B라는 역량이 더 요구되고, 미래에는 C라는 비전을 가진 인재가 필요하다고 판단하는 것입니다. 시대가 요구하는 인재상은 기업마다 다르기 보다 기업의 고객이 되는 사람들의 선호에 따라 변화하는 것 같습니다. 또는 특정 기술이 시대를 휩쓸고 있다면, 인재상도 그를 따라 휩쓸려 가는 경향도 있습니다. 예를 들면, 고객이 겪고 있는 시대적 문제가 있다면, 이를 잘 해결해 줄 수 있는 사람이 인재가 되고, AI와 같은 기술이 시대를 휩쓸고 있다면, AI 기술을 잘 활용할 수 있는 사람이 인재가 되기도 하는 것입니다. 결국 거의 모든 조직에 필요한 협업 능력과 시대의 변화에 유연하게 대응할 수 있는 사람이 언제 어디서나 인재로 평가받을 확률이 높습니다. 그러니 기업에서 인재를 영입할 때, 우리에게 필요한 인재의 모습은 하나라고 정의하기는 것보다 상황에 따라서 더 적합한 인재의 정의를 업데이트하는 노력이 필요합니다. 기업의 설립자와 구성원들이 선호하는 동료의 모습을 가지고 있고, 다수의 구성원이 바라는 모습이 일치한다면 인재를 영입함에 있어서 일관된 의사결정을 할 수 있다고 생각합니다. 일관된 의사결정을 할 수 있을 때, 영입하게 되는 인재가 보유한 역량과 경험이 얼마나 대단한가 관계없이 조직이 추구하는 같은 방향을 바라보며 협업을 잘할 수 있게 된다고 믿습니다. 선명한 회사의 비전과 미션을 가지고, 회사 구성원이 함께 협업하는 과정에서 중요하게 생각하는 가치를 제시할 수 있다면, 인재상을 가지고 있는 기업이고, 채용 전형을 통해 조직에 적합한 인재를 영입할 수 있는 기준이 있는 팀이라고 생각합니다.﻿

인재상

면접관으로 들어가면 행동양식 질문으로 물어보는 두 가지 질문이 있다. 하나는 임팩트(Impact)에 관한 것이고 다른 하나는 협업(Collaboration)에 관한 것이다. 임팩트에는 관한 것으로 "커리어에서 가장 임팩트있는 프로젝트에 대해 이야기해달라"는 질문을 하고 협업에 관해서는 "같이 일해본 동료 중에 가장 힘들었던 사람이 누구였고 왜 힘들었지 이야기해달라"이다.

임팩트 질문은 전에 포스팅을 한 적이 있었는데 오늘은 협업 질문에 대해 더 이야기해보고자 한다. 어려운 동료에 관한 질문을 통해 알고자 하는 것은 이 사람이 완벽한 사람인지를 알고자 하는 것이 아니다. 얼마나 솔직한지 알고 싶고 어려운 동료를 통해 무엇을 배웠고 다음에 어떤 변화를 시도했는지 알고 싶은 거다. 즉 자신의 취약한 점을 솔직히 이야기할 줄 아는 사람인지 그리고 복기를 통해 발전을 꾀하는 사람인지 알고 싶은 건데 어떤 답변들은 너무나도 구체적이지 않고 피상적이다. 면접을 잘 하는 방법 중의 하나는 솔직하되 발전하는 모습에 대해 이야기하는 것이며 그렇게 커리어를 바라보는 것이 정말 좋지 않나 싶다.

이 이야기는 지난 주에 산호세 주립대 강의 도입부에 학생들에게 해준 면접 팁의 일부인데 매주 하나씩 공유할 계획이다.

면접관으로 들어가면 행동양식 질문으로 물어보는 두 가지 질문이 있다. 하나는 임팩트(Impact)에 관한 것이고 다른 하나는 협업(Collaboration)에 관한 것이다. 임팩트에는 관한 것으로 "커리어에서 가장 임팩트있는 프로젝트에 대해 이야기해달라"는 질문을 하고 협업에 관해서는 "같이 일해본 동료 중에 가장 힘들었던 사람이 누구였고 왜 힘들었지 이야기해달라"이다. 임팩트 질문은 전에 포스팅을 한 적이 있었는데 오늘은 협업 질문에 대해 더 이야기해보고자 한다. 어려운 동료에 관한 질문을 통해 알고자 하는 것은 이 사람이 완벽한 사람인지를 알고자 하는 것이 아니다. 얼마나 솔직한지 알고 싶고 어려운 동료를 통해 무엇을 배웠고 다음에 어떤 변화를 시도했는지 알고 싶은 거다. 즉 자신의 취약한 점을 솔직히 이야기할 줄 아는 사람인지 그리고 복기를 통해 발전을 꾀하는 사람인지 알고 싶은 건데 어떤 답변들은 너무나도 구체적이지 않고 피상적이다. 면접을 잘 하는 방법 중의 하나는 솔직하되 발전하는 모습에 대해 이야기하는 것이며 그렇게 커리어를 바라보는 것이 정말 좋지 않나 싶다. 이 이야기는 지난 주에 산호세 주립대 강의 도입부에 학생들에게 해준 면접 팁의 일부인데 매주 하나씩 공유할 계획이다.

면접 질문: 같이 일해본 동료 중에 가장 힘들었던 사람은 누구였나

저를 포함한 주변에서 자주 보이는, AI에 대해 공부하는 단계별 순서입니다.

1. ChatGPT 무료로 시작하기
2. GPTs 사용해보기
3. Claude, Google AI studio, Perplexity로 확장
4. 텍스트 기반 LLM에서 다른 모달(Modal)로 확장
(Ex. Midjourney, Genspark, PikaAI, Cursor)
5. LLM 무료 버전에서 유료 버전으로 전환하기
6. Prompt에 대해 공부하고 적용해보기
7. 새로 나오는 연구/논문 찾아보고 공부하기
8. Agent/Workflow에 대해 탐구하고 적용해보기
9. API로 연결해 직접 AI 도구 만들어보기

저를 포함한 주변에서 자주 보이는, AI에 대해 공부하는 단계별 순서입니다. 1. ChatGPT 무료로 시작하기2. GPTs 사용해보기3. Claude, Google AI studio, Perplexity로 확장4. 텍스트 기반 LLM에서 다른 모달(Modal)로 확장(Ex. Midjourney, Genspark, PikaAI, Cursor)5. LLM 무료 버전에서 유료 버전으로 전환하기6. Prompt에 대해 공부하고 적용해보기7. 새로 나오는 연구/논문 찾아보고 공부하기8. Agent/Workflow에 대해 탐구하고 적용해보기9. API로 연결해 직접 AI 도구 만들어보기&nbsp;

AI, 어디까지 써보셨나요?

‘매번 신경쓰지 않아도 API 요청 당 쿼리 호출 수가 임계치를 넘으면, 자동으로 알림이 오도록 만들 순 없을까?’ 라는 작은 고민을 시작으로 ‘모두가 쉽게 사용할 수 있게끔 라이브러리로 만들어보자!’ 까지 도달한 과정을 담은 이야기입니다. 실제로…

API 요청 당 쿼리 개수를 알고 싶어 라이브러리까지 만든 이야기 — 라이브러리 제작

‘매번 신경쓰지 않아도 API 요청 당 쿼리 호출 수가 임계치를 넘으면, 자동으로 알림이 오도록 만들 순 없을까?’ 라는 작은 고민을 시작으로 ‘모두가 쉽게 사용할 수 있게끔 라이브러리로 만들어보자!’ 까지 도달한 이야기
https://medium.com/@hyeon9mak/api-%EC%9A%94%EC%B2%AD-%EB%8B%B9-%EC%BF%BC%EB%A6%AC-%EA%B0%9C%EC%88%98%EB%A5%BC-%EC%95%8C%EA%B3%A0-%EC%8B%B6%EC%96%B4-%EB%9D%BC%EC%9D%B4%EB%B8%8C%EB%9F%AC%EB%A6%AC%EA%B9%8C%EC%A7%80-%EB%A7%8C%EB%93%A0-%EC%9D%B4%EC%95%BC%EA%B8%B0-%EB%9D%BC%EC%9D%B4%EB%B8%8C%EB%9F%AC%EB%A6%AC-%EC%A0%9C%EC%9E%91-de39f0d27351

‘매번 신경쓰지 않아도 API 요청 당 쿼리 호출 수가 임계치를 넘으면, 자동으로 알림이 오도록 만들 순 없을까?’ 라는 작은 고민을 시작으로 ‘모두가 쉽게 사용할 수 있게끔 라이브러리로 만들어보자!’ 까지 도달한 이야기https://medium.com/@hyeon9mak/api-%EC%9A%94%EC%B2%AD-%EB%8B%B9-%EC%BF%BC%EB%A6%AC-%EA%B0%9C%EC%88%98%EB%A5%BC-%EC%95%8C%EA%B3%A0-%EC%8B%B6%EC%96%B4-%EB%9D%BC%EC%9D%B4%EB%B8%8C%EB%9F%AC%EB%A6%AC%EA%B9%8C%EC%A7%80-%EB%A7%8C%EB%93%A0-%EC%9D%B4%EC%95%BC%EA%B8%B0-%EB%9D%BC%EC%9D%B4%EB%B8%8C%EB%9F%AC%EB%A6%AC-%EC%A0%9C%EC%9E%91-de39f0d27351

Medium

API 요청 당 쿼리 개수를 알고 싶어 라이브러리까지 만든 이야기

Embarking on a native port of the existing TypeScript compiler and toolset to achieve a 10x performance speed-up.

A 10x Faster TypeScript - TypeScript

타입스크립트가 컴파일러를 Go로 재작성하여 속도를 무려 10배 향상시킨다고 예고했습니다. 7.0 버전으로 출시 예정이고 올해 11월 즈음 베타 버전이 나올 것 같다고 하네요. 그동안 타입스크립트의 성능을 개선하기 위해서 오픈 소스로 여러 시도가 있었지만 모두 실패했는데 마이크로소프트에서 이렇게 직접 나서서 늦게라도 해결해주니 너무 좋은 것 같습니다. 덕분에 VSCode도 얼마나 빠릿빠릿해질지 벌써 기대가 되네요. 단지 Rust를 선택하지 않은 부분은 여러 커뮤니티에서 논쟁거리가 되고 있는 것 같습니다.

타입스크립트가 컴파일러를 Go로 재작성하여 속도를 무려 10배 향상시킨다고 예고했습니다. 7.0 버전으로 출시 예정이고 올해 11월 즈음 베타 버전이 나올 것 같다고 하네요. 그동안 타입스크립트의 성능을 개선하기 위해서 오픈 소스로 여러 시도가 있었지만 모두 실패했는데 마이크로소프트에서 이렇게 직접 나서서 늦게라도 해결해주니 너무 좋은 것 같습니다. 덕분에 VSCode도 얼마나 빠릿빠릿해질지 벌써 기대가 되네요. 단지 Rust를 선택하지 않은 부분은 여러 커뮤니티에서 논쟁거리가 되고 있는 것 같습니다.

TypeScript

🏎️ 타입스크립트가 10배나 빨라 진다구?! 😲

절대 죽지 않는 프로그램을 짜고 싶었습니다. 널 처리만 잘하면 된다고 생각했습니다. 프로그램이 죽는 이유의 대부분이 널 포인터를 건드리는 경우였으니까.

성급한 널 처리의 오류

절대 죽지 않는 프로그램을 짜고 싶었습니다. 널 처리만 잘하면 된다고 생각했습니다.
프로그램이 죽는 이유의 대부분이 널 포인터를 건드리는 경우였으니까.

회사에 처음 들어가서 윈도우 클라이언트 프로그램을 부여받았습니다.
맨티스라는 도구에 버그가 올라오면 내가 고칠 수 있는 게 있을까 신이 나서 찾아 고쳤습니다.
대부분 널 포인터만 감싸면 고쳐지는 에러였습니다.

26살의 신입사원답게 아주 재빨랐습니다.
재현 후 디버거를 붙여서 값이 널로 들어온다?
오케이, 찾았어. 바로 널 체크 코드를 추가했습니다.
if (pData == NULL)
  return;

그리고 다시 재현해 보고 재현이 안 되면 Fix로 변경.
아~ 코딩 참 쉽다.

저는 이걸 성급한 널 처리의 오류라고 부르고 싶습니다.

경험이 쌓이면서 이게 그리 쉬운 문제가 아니라는 걸 알았습니다.
이렇게 널과 널 체크를 남용하면 프로그램이 죽지는 않더라도 버그를 영영 감추는 꼴이 되어버리고 맙니다. 절대 죽지 않는 프로그램보다 문제가 생기면 곧장 죽는 프로그램이 오히려 낫다는 걸 시간이 지나고서야 깨달았습니다.
감춰진 버그는 나중에 결국 나에게 돌아온다는걸.
ASSERT(pData);

ASSERT 같은 코드를 왜 쓰는지도 그쯤에야 깨달았습니다. (학생 때는 도무지 이해가 되지 않았습니다)
알게 된 후로는 적극적으로 사용했습니다.

이후로는 변수가 널이어야 하는 경우와 절대 널이어선 안 되는 경우를 엄격하게 구분하기 시작했습니다. 애초에 널 상태를 만들지 않으려 애썼습니다.
변수를 처음 선언할 때부터.
DB 스키마를 만들 때부터.
서버에서 클라이언트에 데이터를 내려줄 때도 함부로 null 을 사용하지 않았습니다.
이렇게 하면 그걸 받아서 쓰는 애플리케이션 쪽에서 고민거리가 줄어들므로 코딩이 편해집니다.

C/C++처럼 낡은 언어와는 다르게 요즘 언어들은 nullable 혹은 optional 타입 기능을 제공하는 것 같습니다.
저는 C#에서 이걸 처음 봤는데, 최근 언어는 다 탑재하고 있더라고요.
가끔 귀찮다는 느낌이 들 때도 있긴 하지만… 귀찮다고 느껴질 때는 널을 다뤄야 할 때입니다.
애초에 널을 건네주는 곳이 없다면 귀찮을 일도 생기지 않습니다. 이 기능에 대해 호불호가 있지만 저는 선호하는 쪽입니다.

https://jeho.page/essay/2025/03/11/fallacy-of-hasty-null-handling.html

절대 죽지 않는 프로그램을 짜고 싶었습니다. 널 처리만 잘하면 된다고 생각했습니다. 프로그램이 죽는 이유의 대부분이 널 포인터를 건드리는 경우였으니까. 회사에 처음 들어가서 윈도우 클라이언트 프로그램을 부여받았습니다. 맨티스라는 도구에 버그가 올라오면 내가 고칠 수 있는 게 있을까 신이 나서 찾아 고쳤습니다.대부분 널 포인터만 감싸면 고쳐지는 에러였습니다. 26살의 신입사원답게 아주 재빨랐습니다. 재현 후 디버거를 붙여서 값이 널로 들어온다? 오케이, 찾았어. 바로 널 체크 코드를 추가했습니다.<pre ><code>if (pData == NULL)
 return;</code></pre>그리고 다시 재현해 보고 재현이 안 되면 Fix로 변경. 아~ 코딩 참 쉽다. 저는 이걸 성급한 널 처리의 오류라고 부르고 싶습니다. 경험이 쌓이면서 이게 그리 쉬운 문제가 아니라는 걸 알았습니다. 이렇게 널과 널 체크를 남용하면 프로그램이 죽지는 않더라도 버그를 영영 감추는 꼴이 되어버리고 맙니다. 절대 죽지 않는 프로그램보다 문제가 생기면 곧장 죽는 프로그램이 오히려 낫다는 걸 시간이 지나고서야 깨달았습니다. 감춰진 버그는 나중에 결국 나에게 돌아온다는걸.<pre ><code>ASSERT(pData);</code></pre>ASSERT 같은 코드를 왜 쓰는지도 그쯤에야 깨달았습니다. (학생 때는 도무지 이해가 되지 않았습니다) 알게 된 후로는 적극적으로 사용했습니다. 이후로는 변수가 널이어야 하는 경우와 절대 널이어선 안 되는 경우를 엄격하게 구분하기 시작했습니다. 애초에 널 상태를 만들지 않으려 애썼습니다. 변수를 처음 선언할 때부터. DB 스키마를 만들 때부터. 서버에서 클라이언트에 데이터를 내려줄 때도 함부로 null 을 사용하지 않았습니다. 이렇게 하면 그걸 받아서 쓰는 애플리케이션 쪽에서 고민거리가 줄어들므로 코딩이 편해집니다. C/C++처럼 낡은 언어와는 다르게 요즘 언어들은 nullable 혹은 optional 타입 기능을 제공하는 것 같습니다. 저는 C#에서 이걸 처음 봤는데, 최근 언어는 다 탑재하고 있더라고요. 가끔 귀찮다는 느낌이 들 때도 있긴 하지만… 귀찮다고 느껴질 때는 널을 다뤄야 할 때입니다. 애초에 널을 건네주는 곳이 없다면 귀찮을 일도 생기지 않습니다. 이 기능에 대해 호불호가 있지만 저는 선호하는 쪽입니다. https://jeho.page/essay/2025/03/11/fallacy-of-hasty-null-handling.html

학생 때는 회사 생활이 두려웠어요. 미디어에 비친 회사 생활은 수직적이고 권위적이었거든요.

회사에선 눈치 보는 야근을 해야 하고, 강요받는 회식 자리에 가야하며, 능력보다 관계가 중요한 곳이라고 느꼈어요.

그래서 도망쳤어요. 견뎌낼 자신 없는 문화를 가진 회사는 쳐다보지도 않았어요.

초봉이 중요하다며 조금 참고 돈 잘 주는 곳 가라는 말을 들었어요. 무시했어요. 적은 돈을 받더라도 괜찮았어요.

일이 좋아 출근이 기대되고, 동료들이 좋아 함께 여행도 떠날 수 있으면서, 능력으로 인정받을 수 있는 곳을 찾아다녔어요.

그렇게 9년이 흘렀어요. 저는 도망친 곳에서 낙원을 발견했고 지금의 제 삶을 즐기고 있어요.

학생 때는 회사 생활이 두려웠어요. 미디어에 비친 회사 생활은 수직적이고 권위적이었거든요. 회사에선 눈치 보는 야근을 해야 하고, 강요받는 회식 자리에 가야하며, 능력보다 관계가 중요한 곳이라고 느꼈어요. 그래서 도망쳤어요. 견뎌낼 자신 없는 문화를 가진 회사는 쳐다보지도 않았어요. 초봉이 중요하다며 조금 참고 돈 잘 주는 곳 가라는 말을 들었어요. 무시했어요. 적은 돈을 받더라도 괜찮았어요. 일이 좋아 출근이 기대되고, 동료들이 좋아 함께 여행도 떠날 수 있으면서, 능력으로 인정받을 수 있는 곳을 찾아다녔어요. 그렇게 9년이 흘렀어요. 저는 도망친 곳에서 낙원을 발견했고 지금의 제 삶을 즐기고 있어요.

도망친 곳에 낙원은… 있었다

Apache Kafka는 고성능의 분산 스트리밍 플랫폼으로, 프로듀서(Producer)와 컨슈머(Consumer) 간의 효율적인 데이터 전송을 지원합니다. 그러나 Kafka 자체는 데이터의 구조나 형식에 대한 검증을 수행하지 않으므로, 데이터 스키마의 관리와 호환성 유지에 어려움이 발생할 수 있습니다. 이러한 문제를 해결하기 위해 Schema Registry가 도입되었습니다.​ Schema Registry란 무엇인가?Schema Registry는 Kafka와 별도로 동작하는 독립적인 애플리케이션으로, Kafka에서 주고받는 메시지의 스키마를 중앙에서 관리하고 저장하는 역할을 합니다. 이를 통해 프로듀서와 컨슈머 간의 데이터 구조에 대한 명확한 정의를 공유하며, 데이터의 일관성과 호환성을 보장합니다. 왜 ..

Kafka Schema Registry: 데이터 스키마의 중앙 집중 관리

 Apache Kafka는 고성능의 분산 스트리밍 플랫폼으로, 프로듀서(Producer)와 컨슈머(Consumer) 간의 효율적인 데이터 전송을 지원합니다. 그러나 Kafka 자체는 데이터의 구조나 형식에 대한 검증을 수행하지 않으므로, 데이터 스키마의 관리와 호환성 유지에 어려움이 발생할 수 있습니다. 이러한 문제를 해결하기 위해 Schema Registry가 도입되었습니다.
 
Schema Registry란 무엇인가?
Schema Registry는 Kafka와 별도로 동작하는 독립적인 애플리케이션으로, Kafka에서 주고받는 메시지의 스키마를 중앙에서 관리하고 저장하는 역할을 합니다. 이를 통해 프로듀서와 컨슈머 간의 데이터 구조에 대한 명확한 정의를 공유하며, 데이터의 일관성과 호환성을 보장합니다.
 
왜 Schema Registry가 필요한가?
Kafka는 기본적으로 바이트 스트림으로 데이터를 처리하며, 데이터의 구조나 형식에 대한 제약이 없습니다. 이로 인해 다음과 같은 문제가 발생할 수 있습니다:
 * 스키마 변경으로 인한 장애 발생: 프로듀서가 데이터 형식을 변경하면, 이를 알지 못한 컨슈머는 역직렬화 과정에서 오류가 발생할 수 있습니다.
 * 데이터 명세 관리의 어려움: 여러 프로듀서와 컨슈머가 존재하는 환경에서 데이터 구조에 대한 명확한 정의가 없으면, 시스템 전체의 안정성이 저하될 수 있습니다. 
Schema Registry는 이러한 문제를 해결하기 위해 다음과 같은 기능을 제공합니다:
 * 스키마 중앙 관리: 모든 스키마를 중앙에서 관리하여 데이터 구조의 일관성을 유지합니다.
 * 호환성 검증: 새로운 스키마 등록 시 기존 스키마와의 호환성을 검증하여, 스키마 진화로 인한 오류를 방지합니다.
 * 스키마 버전 관리: 스키마의 버전을 체계적으로 관리하여, 필요 시 이전 버전으로의 롤백을 가능하게 합니다.

Schema Registry의 작동 원리
Schema Registry는 다음과 같은 흐름으로 작동합니다:
 1. 스키마 등록: 프로듀서는 메시지를 Kafka에 전송하기 전에 해당 메시지의 스키마를 Schema Registry에 등록합니다. 
 2. 스키마 ID 부여: Schema Registry는 등록된 스키마에 고유한 ID를 부여하고, 프로듀서는 이 스키마 ID를 메시지에 포함시켜 Kafka에 전송합니다.
 3. 메시지 소비: 컨슈머는 Kafka에서 메시지를 읽어들인 후, 메시지에 포함된 스키마 ID를 사용하여 Schema Registry에서 스키마를 조회하고, 이를 통해 메시지를 역직렬화합니다.
{
  "type": "record",
  "name": "User",
  "fields": [
    {"name": "name", "type": "string"},
    {"name": "age", "type": "int"}
  ]
}

 
이러한 과정은 프로듀서와 컨슈머 간의 데이터 구조에 대한 명확한 계약을 가능하게 하며, 시스템의 안정성과 데이터의 신뢰성을 향상시킵니다.
 
Schema Registry의 장단점
✅ 장점
 * 시스템 안정성 향상: 스키마 변경 시 발생할 수 있는 오류를 사전에 방지하여 시스템의 안정성을 높입니다.
 * 데이터 명세 관리 용이: 중앙에서 스키마를 관리함으로써 데이터 구조에 대한 명확한 정의를 제공하고, 운영의 효율성을 향상시킵니다.
 * 업무 효율성 증대: 스키마 관리로 인한 불필요한 커뮤니케이션을 줄여 개발자들이 본연의 업무에 집중할 수 있게 합니다.
❌ 단점
 * 관리 포인트 증가: Schema Registry 서버를 추가로 관리해야 하므로 운영 복잡성이 증가할 수 있습니다.
 * 스키마 관리 부담: 엄격한 스키마 검증으로 인해 스키마 변경 시 추가적인 관리 작업이 필요할 수 있습니다.
 
결론
Kafka Schema Registry는 데이터의 스키마를 중앙에서 관리하여 프로듀서와 컨슈머 간의 일관성을 보장하는 필수적인 컴포넌트입니다. 이를 통해 데이터의 신뢰성을 유지하고, 스키마 변경으로 인한 장애를 방지할 수 있습니다.
 
📌 기억할 점
 * Kafka 자체는 데이터 형식을 검증하지 않음 → Schema Registry가 필요함
 * 프로듀서는 메시지를 전송하기 전에 Schema Registry에 스키마를 등록해야 함
 * 컨슈머는 메시지를 소비할 때 Schema Registry에서 스키마를 조회하여 역직렬화함
 * JSON, Avro, Protobuf 등의 다양한 포맷을 지원함

&nbsp;Apache Kafka는 고성능의 분산 스트리밍 플랫폼으로, 프로듀서(Producer)와 컨슈머(Consumer) 간의 효율적인 데이터 전송을 지원합니다. 그러나 Kafka 자체는 데이터의 구조나 형식에 대한 검증을 수행하지 않으므로, 데이터 스키마의 관리와 호환성 유지에 어려움이 발생할 수 있습니다. 이러한 문제를 해결하기 위해 Schema Registry가 도입되었습니다.​&nbsp;Schema Registry란 무엇인가?Schema Registry는 Kafka와 별도로 동작하는 독립적인 애플리케이션으로, Kafka에서 주고받는 메시지의 스키마를 중앙에서 관리하고 저장하는 역할을 합니다. 이를 통해 프로듀서와 컨슈머 간의 데이터 구조에 대한 명확한 정의를 공유하며, 데이터의 일관성과 호환성을 보장합니다.&nbsp;왜 Schema Registry가 필요한가?Kafka는 기본적으로 바이트 스트림으로 데이터를 처리하며, 데이터의 구조나 형식에 대한 제약이 없습니다. 이로 인해 다음과 같은 문제가 발생할 수 있습니다:​<ul ><li>스키마 변경으로 인한 장애 발생: 프로듀서가 데이터 형식을 변경하면, 이를 알지 못한 컨슈머는 역직렬화 과정에서 오류가 발생할 수 있습니다. ​</li><li>데이터 명세 관리의 어려움: 여러 프로듀서와 컨슈머가 존재하는 환경에서 데이터 구조에 대한 명확한 정의가 없으면, 시스템 전체의 안정성이 저하될 수 있습니다.&nbsp;</li></ul>Schema Registry는 이러한 문제를 해결하기 위해 다음과 같은 기능을 제공합니다:​<ul ><li>스키마 중앙 관리: 모든 스키마를 중앙에서 관리하여 데이터 구조의 일관성을 유지합니다.​</li><li>호환성 검증: 새로운 스키마 등록 시 기존 스키마와의 호환성을 검증하여, 스키마 진화로 인한 오류를 방지합니다.​</li><li>스키마 버전 관리: 스키마의 버전을 체계적으로 관리하여, 필요 시 이전 버전으로의 롤백을 가능하게 합니다.</li></ul> Schema Registry의 작동 원리Schema Registry는 다음과 같은 흐름으로 작동합니다:​<ol ><li>스키마 등록: 프로듀서는 메시지를 Kafka에 전송하기 전에 해당 메시지의 스키마를 Schema Registry에 등록합니다.&nbsp;</li><li>스키마 ID 부여: Schema Registry는 등록된 스키마에 고유한 ID를 부여하고, 프로듀서는 이 스키마 ID를 메시지에 포함시켜 Kafka에 전송합니다.​</li><li>메시지 소비: 컨슈머는 Kafka에서 메시지를 읽어들인 후, 메시지에 포함된 스키마 ID를 사용하여 Schema Registry에서 스키마를 조회하고, 이를 통해 메시지를 역직렬화합니다.​</li></ol><pre ><code class="language-bash">{
 "type": "record",
 "name": "User",
 "fields": [
 {"name": "name", "type": "string"},
 {"name": "age", "type": "int"}
 ]
}</code></pre>&nbsp;이러한 과정은 프로듀서와 컨슈머 간의 데이터 구조에 대한 명확한 계약을 가능하게 하며, 시스템의 안정성과 데이터의 신뢰성을 향상시킵니다.&nbsp;Schema Registry의 장단점✅ 장점<ul ><li>시스템 안정성 향상: 스키마 변경 시 발생할 수 있는 오류를 사전에 방지하여 시스템의 안정성을 높입니다.</li><li>데이터 명세 관리 용이: 중앙에서 스키마를 관리함으로써 데이터 구조에 대한 명확한 정의를 제공하고, 운영의 효율성을 향상시킵니다.​</li><li>업무 효율성 증대: 스키마 관리로 인한 불필요한 커뮤니케이션을 줄여 개발자들이 본연의 업무에 집중할 수 있게 합니다.</li></ul>❌ 단점<ul ><li>관리 포인트 증가: Schema Registry 서버를 추가로 관리해야 하므로 운영 복잡성이 증가할 수 있습니다.​</li><li>스키마 관리 부담: 엄격한 스키마 검증으로 인해 스키마 변경 시 추가적인 관리 작업이 필요할 수 있습니다.</li></ul>&nbsp;결론Kafka Schema Registry는 데이터의 스키마를 중앙에서 관리하여 프로듀서와 컨슈머 간의 일관성을 보장하는 필수적인 컴포넌트입니다. 이를 통해 데이터의 신뢰성을 유지하고, 스키마 변경으로 인한 장애를 방지할 수 있습니다.&nbsp;📌 기억할 점<ul ><li>Kafka 자체는 데이터 형식을 검증하지 않음 → Schema Registry가 필요함</li><li>프로듀서는 메시지를 전송하기 전에 Schema Registry에 스키마를 등록해야 함</li><li>컨슈머는 메시지를 소비할 때 Schema Registry에서 스키마를 조회하여 역직렬화함</li><li>JSON, Avro, Protobuf 등의 다양한 포맷을 지원함 </li></ul>

덕토피아

🕊️ Kafka Schema Registry: 데이터 스키마 관리

사용자가 공유한 콘텐츠

체력은 "하고 싶은 것과 할 수 있는 것 사이의 갭을 줄이는 거예요."라는 말에 밑줄을 그었습니다. 원문 제목은 "40대 이후엔 체력전이다"인데, 전체를 관통하는 내용은 '다정함은 체력에서 나오니까, 다정하려면 체력을 길러라'는 명제에 가까운 내용입니다. 전 구글 디렉터 정김경숙 님이 체력을 가꾸는 이유, 나노운동을 통해 "시간이 없다"라는 핑계를 멀리하는 이유에도 고개를 끄덕이게 됩니다.

사실 정김경숙 님이 유명해진 건 구글에서 17년 일하다 갑자기 해고당한 이후 주 80시간의 육체노동을 택하며 '트레이더조'에서 일하며 스몰토크를 하는 경험을 긍정적으로 이야기하면서부터였는데요. 점심시간 1시간을 활용해서는 리프트로 라이드헤일링을 하며 다리는 쉬면서 또 일을 했죠. 트레이더조 일이 끝나면 곧장 스타벅스 유니폼을 입었습니다. 즐겁게 일했다는 점을 생각하면 그녀는 스스로에게 다정했습니다.

낯선 사람에게 친절을 베풀면 그 의도를 의심하는 게 더 합리적인 것 같은 사회에 살고 있지만, 다정함은 누구나에게 필요합니다. 스스로에게 다정할 만큼 체력을 기르고 나면, 남는 체력으로는 이방인에게도 다정할 수 있지 않을까요? 오늘 이 아티클 덕분에 낯선 이에게 조금 더 친절할 수 있었고, 더 괜찮은 사람이 되겠다는 다짐을 했습니다.

https://www.folin.co/article/10337/gift/DghwhBThRk5eYf1Xrm2vYX7f6xiFZe6L

체력은 "하고 싶은 것과 할 수 있는 것 사이의 갭을 줄이는 거예요."라는 말에 밑줄을 그었습니다. 원문 제목은 "40대 이후엔 체력전이다"인데, 전체를 관통하는 내용은 '다정함은 체력에서 나오니까, 다정하려면 체력을 길러라'는 명제에 가까운 내용입니다. 전 구글 디렉터 정김경숙 님이 체력을 가꾸는 이유, 나노운동을 통해 "시간이 없다"라는 핑계를 멀리하는 이유에도 고개를 끄덕이게 됩니다. 사실 정김경숙 님이 유명해진 건 구글에서 17년 일하다 갑자기 해고당한 이후 주 80시간의 육체노동을 택하며 '트레이더조'에서 일하며 스몰토크를 하는 경험을 긍정적으로 이야기하면서부터였는데요. 점심시간 1시간을 활용해서는 리프트로 라이드헤일링을 하며 다리는 쉬면서 또 일을 했죠. 트레이더조 일이 끝나면 곧장 스타벅스 유니폼을 입었습니다. 즐겁게 일했다는 점을 생각하면 그녀는 스스로에게 다정했습니다. 낯선 사람에게 친절을 베풀면 그 의도를 의심하는 게 더 합리적인 것 같은 사회에 살고 있지만, 다정함은 누구나에게 필요합니다. 스스로에게 다정할 만큼 체력을 기르고 나면, 남는 체력으로는 이방인에게도 다정할 수 있지 않을까요? 오늘 이 아티클 덕분에 낯선 이에게 조금 더 친절할 수 있었고, 더 괜찮은 사람이 되겠다는 다짐을 했습니다. https://www.folin.co/article/10337/gift/DghwhBThRk5eYf1Xrm2vYX7f6xiFZe6L

www.folin.co

《다정함도 체력에서 나오니까》

최근 DeepSeek에 이어 중국발 AI에이전트 돌풍(?)을 일으키고 있는 마누스(Manus) AI 내용을 정리해봅니다.

🍏 Manus AI 개요
 * 개발사: 중국 스타트업 Monica
 * 출시: 2025년 3월 6일
 * 기반 모델: Anthropic의 Claude 3.5 Sonnet과 Alibaba의 Qwen 모델 기반
 * 특징
   * 세계 최초의 범용 자율 AI 에이전트
   * OpenAI Deep Research, Gemini Deep Research 등에서 볼 수 있는 딥 리서치 기능을 구현한 멀티 에이전트 협업 시스템
   * 기존의 챗봇이나 AI 모델과 달리, Manus는 단순한 답변 제공을 넘어 실제 결과물을 도출하는 데 초점
   * 계획, 실행, 검증을 담당하는 별도의 에이전트들로 구성된 멀티 에이전트 아키텍처
   * 대규모 작업을 수백개의 실행 가능한 하위 작업으로 나누는 동적 타겟 분해 기능
   * 여러 유형의 데이터를 동시에 처리하는 교차 모달 추론 기능
   * 강화학습을 통한 의사결정 효율성 지속적인 개선 및 오류율 최소화
   * 지시를 기다리지 않고 스스로 작업을 시작하고 새로운 정보를 평가하며 접근 방식으로 동적으로 조정하는 자기주도적 작업 수행

🍏 기술적 특징
 * 멀티 에이전트 아키텍처
   * 계획 에이전트(Planning Agent)
     * 작업 분석 및 단계별 계획 수립
     * 사용자 요청을 PDCA(Plan-Do-Check-Act) 사이클로 분해
     * Monte Carlo Tree Search(MCTS) 알고리즘 활용
     * Anthropic Qwen 모델 기반의 텍스트 분석 및 전략 세분화
   * 실행 에이전트(Execution Agent)
     * 웹 브라우저/데이터베이스 등 27개 외부 도구와 실시간 연동
     * Claude 3.5 Sonnet 모델을 주력으로 사용
     * 비동기적 클라우드 처리 아키텍처 지원
   * 검증 에이전트(Validation Agent)
     * 결과 검증 및 최적화
     * 3단계 검증 프로세스: 형식 검증 (표 구조/코드 문법), 내용 검증 (사실 관계 확인, 컨텍스트 검증 (사용자 의도 부합 여부)
 * 성능 향상 메커니즘
   * 동적 모델 로딩: 작업 요구사항에 따라 GPT-4, Gemini 등 제3자 모델 추가 호출
   * 실시간 피드백 루프: 오류 발생 시 자동 재계획 알고리즘 가동
   * 크로스 모달 퓨전: 텍스트-이미지 결합 분석을 위한 어텐션 메커니즘 적용
 * 혁신적인 기능
   * 비동기 처리: Celery 작업규 + Redis 캐시 - 오픈라인 작업 지속 가능
   * 메모리 시스템: 벡터 데이터베이스 기반 장기 기억 - 사용자 패턴 학습 최적화
   * 보안 프레임워크: 샌드박스 가상머신 격리 - 외부시스템 영향 제거
 * 외부 도구 통합: 웹 브라우저, 데이터베이스, 코드 편집기 등 다양한 소프트웨어와 통합
 * 클라우드 기반 운영: 비동기적 클라우드 처리를 지원하여 효율적인 작업 수행 가능

🍏 성능
 * Meta AI와 Hugging Face가 개발한 GAIA 테스트에서 OpenAI GPT-4o 대비 18% or 23% 높은 정확도

🍏 단점 및 한계
 * 초기 오류 빈도: 무한 루프 발생, 오류 메시지 출력 등 초기 사용자 경험에서 문제 보고
 * 사실 정확성 부족: 정보 누락 또는 부정확한 데이터 제공 사례 존재
 * API 의존성: API가 없는 애플리케이션과의 호환성이 제한적
 * 복제 가능성: 자체 모델 개발보다는 통합에 의존하기 때문에 경쟁사에 의해 복제될 위험

🍏 비즈니스 가능성
 * 기업용 솔루션: B2B 공급업체 발굴, 재무 보고서 분석 등
 * 개인 비서 역할: 여행 계획, 보험 비교, 교육 과정 개발 등
 * 자동화된 업무 처리: 온라인 스토어 운영 분석, 채용 인터뷰 준비 등

🍏 미래 전망
 * 오픈소스화 계획: Monica는 2025년 말까지 Manus AI를 오픈소스로 공개할 계획
 * 확장성: 개발자들이 맞춤형 플러그인을 구축하거나 틈새 응용 프로그램에 최적화할 수 있는 가능성 제공

최근 DeepSeek에 이어 중국발 AI에이전트 돌풍(?)을 일으키고 있는 마누스(Manus) AI 내용을 정리해봅니다. 🍏 Manus AI 개요<ul><li>개발사: 중국 스타트업 Monica</li><li>출시: 2025년 3월 6일</li><li>기반 모델: Anthropic의 Claude 3.5 Sonnet과 Alibaba의 Qwen 모델 기반</li><li>특징<ul><li>세계 최초의 범용 자율 AI 에이전트</li><li>OpenAI Deep Research, Gemini Deep Research 등에서 볼 수 있는 딥 리서치 기능을 구현한 멀티 에이전트 협업 시스템</li><li>기존의 챗봇이나 AI 모델과 달리, Manus는 단순한 답변 제공을 넘어 실제 결과물을 도출하는 데 초점</li><li>계획, 실행, 검증을 담당하는 별도의 에이전트들로 구성된 멀티 에이전트 아키텍처</li><li>대규모 작업을 수백개의 실행 가능한 하위 작업으로 나누는 동적 타겟 분해 기능</li><li>여러 유형의 데이터를 동시에 처리하는 교차 모달 추론 기능</li><li>강화학습을 통한 의사결정 효율성 지속적인 개선 및 오류율 최소화</li><li>지시를 기다리지 않고 스스로 작업을 시작하고 새로운 정보를 평가하며 접근 방식으로 동적으로 조정하는 자기주도적 작업 수행</li></ul></li></ul> 🍏 기술적 특징<ul><li>멀티 에이전트 아키텍처<ul><li>계획 에이전트(Planning Agent)<ul><li>작업 분석 및 단계별 계획 수립</li><li>사용자 요청을 PDCA(Plan-Do-Check-Act) 사이클로 분해</li><li>Monte Carlo Tree Search(MCTS) 알고리즘 활용</li><li>Anthropic Qwen 모델 기반의 텍스트 분석 및 전략 세분화</li></ul></li><li>실행 에이전트(Execution Agent)<ul><li>웹 브라우저/데이터베이스 등 27개 외부 도구와 실시간 연동</li><li>Claude 3.5 Sonnet 모델을 주력으로 사용</li><li>비동기적 클라우드 처리 아키텍처 지원</li></ul></li><li>검증 에이전트(Validation Agent)<ul><li>결과 검증 및 최적화</li><li>3단계 검증 프로세스: 형식 검증 (표 구조/코드 문법), 내용 검증 (사실 관계 확인, 컨텍스트 검증 (사용자 의도 부합 여부)</li></ul></li></ul></li><li>성능 향상 메커니즘<ul><li>동적 모델 로딩: 작업 요구사항에 따라 GPT-4, Gemini 등 제3자 모델 추가 호출</li><li>실시간 피드백 루프: 오류 발생 시 자동 재계획 알고리즘 가동</li><li>크로스 모달 퓨전: 텍스트-이미지 결합 분석을 위한 어텐션 메커니즘 적용</li></ul></li><li>혁신적인 기능<ul><li>비동기 처리: Celery 작업규 + Redis 캐시 - 오픈라인 작업 지속 가능</li><li>메모리 시스템: 벡터 데이터베이스 기반 장기 기억 - 사용자 패턴 학습 최적화</li><li>보안 프레임워크: 샌드박스 가상머신 격리 - 외부시스템 영향 제거</li></ul></li><li>외부 도구 통합: 웹 브라우저, 데이터베이스, 코드 편집기 등 다양한 소프트웨어와 통합</li><li>클라우드 기반 운영: 비동기적 클라우드 처리를 지원하여 효율적인 작업 수행 가능</li></ul> 🍏 성능<ul><li>Meta AI와 Hugging Face가 개발한 GAIA 테스트에서 OpenAI GPT-4o 대비 18% or 23% 높은 정확도</li></ul> 🍏 단점 및 한계<ul><li>초기 오류 빈도: 무한 루프 발생, 오류 메시지 출력 등 초기 사용자 경험에서 문제 보고</li><li>사실 정확성 부족: 정보 누락 또는 부정확한 데이터 제공 사례 존재</li><li>API 의존성: API가 없는 애플리케이션과의 호환성이 제한적</li><li>복제 가능성: 자체 모델 개발보다는 통합에 의존하기 때문에 경쟁사에 의해 복제될 위험</li></ul> 🍏 비즈니스 가능성<ul><li>기업용 솔루션: B2B 공급업체 발굴, 재무 보고서 분석 등</li><li>개인 비서 역할: 여행 계획, 보험 비교, 교육 과정 개발 등</li><li>자동화된 업무 처리: 온라인 스토어 운영 분석, 채용 인터뷰 준비 등</li></ul> 🍏 미래 전망<ul><li>오픈소스화 계획: Monica는 2025년 말까지 Manus AI를 오픈소스로 공개할 계획</li><li>확장성: 개발자들이 맞춤형 플러그인을 구축하거나 틈새 응용 프로그램에 최적화할 수 있는 가능성 제공</li></ul>

마누스(Manus) AI

우디의 컨설팅:  합격으로 가는 3가지 차별점 회사별 맞춤 포트폴리오,  합격을 부르는 비결입니다. 5회 코칭 진행 
 유니콘 프로덕트 디자이너로 최종 합격한 김** 님의 실제 리뷰입니다.  2회 코칭 진행 
 유니콘 프로덕트 디자이너로 최종 합격한 **호 님의 실제 리뷰입니다.  2회 코칭 진행 
 에이전시 → 스타트업 디자이너로 이직 성공한 **수 님의

[🦄 유니콘·빅테크] 합격한 UX/UI 포트폴리오 컨설팅 - PO·디자인 리드 우디 - 우디디자인랩

Q) 🧑‍💻 평소 업무나 협업 시, 본인의 커뮤니케이션 스타일은 어떤 편인가요? (우디)

A) 🙋‍♀️ 저는 상대방이 궁금해하거나 필요로 할 수 있는 정보를 구체적으로 전달하려는 편이에요. 가령 프로젝트를 진행할 때도, “이건 왜 필요한가” “어떤 방식으로 진행될 것인가” 같은 구체적인 맥락을 먼저 짚어요. 특히 추가 설명이 필요할 것 같은 부분은 상세하게 적어서 미리 공유하고, 혹시 오해가 생기지 않도록 직접 확인하려고 노력합니다. 제가 조금 더 신경을 써야 의사소통 과정에서 불필요한 혼란을 줄일 수 있다고 생각해요. (5년차 UX/UI 디자이너분)

* 저맥락 커뮤니케이션을 통해 오해를 줄이는 커뮤니케이션 스타일이 느껴져 좋았습니다.

Q) 🧑‍💻 평소 업무나 협업 시, 본인의 커뮤니케이션 스타일은 어떤 편인가요? (우디) A) 🙋‍♀️ 저는 상대방이 궁금해하거나 필요로 할 수 있는 정보를 구체적으로 전달하려는 편이에요. 가령 프로젝트를 진행할 때도, “이건 왜 필요한가” “어떤 방식으로 진행될 것인가” 같은 구체적인 맥락을 먼저 짚어요. 특히 추가 설명이 필요할 것 같은 부분은 상세하게 적어서 미리 공유하고, 혹시 오해가 생기지 않도록 직접 확인하려고 노력합니다. 제가 조금 더 신경을 써야 의사소통 과정에서 불필요한 혼란을 줄일 수 있다고 생각해요. (5년차 UX/UI 디자이너분) * 저맥락 커뮤니케이션을 통해 오해를 줄이는 커뮤니케이션 스타일이 느껴져 좋았습니다.

Latpeed

기억에 남는 디자이너 면접 답변 [9]

유튜브는 창업이라는 키워드와 만나 어떤 시너지를 만들 수 있을까요?
한양여대 대학생분들을 위한 강의 영상을 촬영했습니다.
유튜브는 창업의 기반이 될 수도 있고, 창업 이후 브랜딩, 상품 마케팅 등 다양하게 활용이 가능합니다.
모든 분야에서 뗄레야 뗄 수 없는 유튜브!

앞으로도 다양한 강연에서 다양한 마케팅 이야기들을 풀어낼 예정입니다.

유튜브는 창업이라는 키워드와 만나 어떤 시너지를 만들 수 있을까요? 한양여대 대학생분들을 위한 강의 영상을 촬영했습니다. 유튜브는 창업의 기반이 될 수도 있고, 창업 이후 브랜딩, 상품 마케팅 등 다양하게 활용이 가능합니다. 모든 분야에서 뗄레야 뗄 수 없는 유튜브! 앞으로도 다양한 강연에서 다양한 마케팅 이야기들을 풀어낼 예정입니다.

유크랩 대표 / 디지털 마케터 

선우의성

콘텐츠(유튜브, 숏폼, SNS)로 마케팅하는 선우의성입니다. 국내 NO.1 디지털 콘텐츠 (유튜브, 숏폼, SNS) 기반 마케팅 전문가로 활동하고 있습니다.

[강연] 유튜브와 창업의 시너지?!

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필