All four variations of iPhone 16 and iPhone 16 Pro will be able to use Apple Intelligence when it arrives with iOS 18.1. Plus, check out new AirPods and Apple Watches.

Apple Keynote 2024: Unveiling iPhone 16, New AirPods, Apple Intelligence, and More

< iPhone 16 >
 * 모델
 * iPhone 16: 가로 6.1인치, $799~
 * iPhone 16 Plus: 가로 6.7인치, $899~
 * iPhone 16 Pro: 6.3인치
 * iPhone 16 Pro Max: 6.9인치
 * 주요 특징
 * 카메라: 측면버튼으로 카메라 기능 제어, 사진편집 기능, 컨트롤 재정렬, 슬로우 모션과 4K 포함한 전문적인 비디오 캡춰 및 인코딩 처리, 초고해상도 및 망원 카메라 렌즈 탑재
 * 새로운 색상: 골드, 울트라마린, 핑크
 * A18 Pro칩: 16코어 뉴럴 엔진 탑재, 더 빠른 생성AI 워크로드 처리 및 그래픽 성능 향상
 * 주문
 * 사전주문: 9월 13일~
 * 판매: 9월20일~
 
 
< Apple Intelligence(애플 인텔리전스) >
 * iPhone 16을 위해 특별히 제작된 더욱 강력하고 효율적인 A18 칩을 통해 활성화
 * 내년 iOS18.1과 함께 출시되는 소프트웨어 업데이트를 기다려야 함
 * 주요 기능
 * 이메일 및 알림 요약
 * 알림 우선순위 지정
 * 이메일, 메시지 등을 위한 생성 및 요약 작성 도구
 * 새로운 이모티콘 만들기
 * 이미지 놀이터에서 원본 사진 생성
 * 자연어 프롬프트를 사용하여 사진 검색 및 정렬
 * 이미지와 동영상을 이어 붙여 동영상 만들기
 * 휴대폰이 카메라를 통해 보이는 장면에 대한 정보를 감지할 수 있는 시각적 인텔리전스
 * 사진 정리 및 생성 편집
 * 일부 AI 작업은 사설 클라우드에서 실행되어 OpenAI의 모델 활용
 * Siri
 * 더 자연스러운 프롬프트에 응답하거나 사용자가 말을 더듬는 경우 사용자가 말한 내용을 파악할 수 있도록
 * 올해말 미국영어 베타버전 제공되며, 올해 말 다른 영어 버전과 2025년에 추가 언어가 제공될 예정\

< 에어팟 >
 * 새로운 4가지 버전의 AirPods 발표
 * AirPods 4: H2칩과 새로운 음향 아키텍처. 서라운드 공간 사운드 제공, $129, 9월20일 출시 예정
 * 액티브 노이즈 캔슬링 기능이 탑재된 AirPods 4: 사용자가 통화 중임을 감지하면 AirPods에서 음악이나 미디어를 자동으로 조절, $179
 * AirPods Pro 2: $249, 9월9일 판매 시작
 * AirPods Max: $549, 9월20일 출시 예정

< 애플워치 시리즈 >
 * 더 커지고 얇아진 애플워치 시리즈 10
 * 주요 특징
 * 비교적 큰 화면과 얇은 테두리(9.7밀리미터)
 * 광각 OLED 디스플레이는 가독성과 더 큰 글꼴 크기에 최적화
 * 알림을 더 쉽게 읽을 수 있고 긴급 메시지에 더 빠르게 답장
 * 10%더 가벼워진 알루미늄 소재의 새로운 색상인 제트 블랙 케이스
 * 색상: 로즈 골드 또는 실버 색상
 * 에어팟 없이 시계의 스피커를 통해 직접 미디어나 음악 재생
 * 30분 만에 80% 충전
 * 받아쓰기, 자동 운동 감지, 낙상 감지 또는 Siri와 같은 머신 러닝 도구를 위한 4코어 신경 엔진이 탑재된 S10 칩
 * 번역 기능 제공 예정
 * 수면 모호흡증 감지 기능이 추가된 건강 모니터링 기능. 올가을 FDA 승인 예정
 * 모델
 * 애플 워치 시리즈 10: $399~
 * 애플 워치 울트라2: $799~
 * 판매
 * 사전주문: 9월9일
 * 판매: 9월20일

 * 출처: https://www.techrepublic.com/article/apple-event-september-2024-news/?utm_source=Sailthru&utm_medium=email&utm_campaign=e312_WeekendWrapup%202024-09-14&utm_term=daily-tech-insider-active

&lt; iPhone 16 &gt;<ul ><li>모델<ul ><li>iPhone 16: 가로 6.1인치, $799~</li><li>iPhone 16 Plus: 가로 6.7인치, $899~</li><li>iPhone 16 Pro: 6.3인치</li><li>iPhone 16 Pro Max: 6.9인치</li></ul></li><li>주요 특징<ul ><li>카메라: 측면버튼으로 카메라 기능 제어, 사진편집 기능, 컨트롤 재정렬, 슬로우 모션과 4K 포함한 전문적인 비디오 캡춰 및 인코딩 처리, 초고해상도 및 망원 카메라 렌즈 탑재</li><li>새로운 색상: 골드, 울트라마린, 핑크</li><li>A18 Pro칩: 16코어 뉴럴 엔진 탑재, 더 빠른 생성AI 워크로드 처리 및 그래픽 성능 향상 </li></ul></li><li>주문<ul ><li>사전주문: 9월 13일~</li><li>판매: 9월20일~</li></ul> </li></ul>&lt; Apple Intelligence(애플 인텔리전스) &gt;<ul ><li> iPhone 16을 위해 특별히 제작된 더욱 강력하고 효율적인 A18 칩을 통해 활성화</li><li>내년 iOS18.1과 함께 출시되는 소프트웨어 업데이트를 기다려야 함</li><li>주요 기능<ul ><li>이메일 및 알림 요약</li><li>알림 우선순위 지정</li><li>이메일, 메시지 등을 위한 생성 및 요약 작성 도구</li><li>새로운 이모티콘 만들기</li><li>이미지 놀이터에서 원본 사진 생성</li><li>자연어 프롬프트를 사용하여 사진 검색 및 정렬</li><li>이미지와 동영상을 이어 붙여 동영상 만들기</li><li>휴대폰이 카메라를 통해 보이는 장면에 대한 정보를 감지할 수 있는 시각적 인텔리전스</li><li>사진 정리 및 생성 편집</li></ul></li><li>일부 AI 작업은 사설 클라우드에서 실행되어 OpenAI의 모델 활용</li><li>Siri<ul ><li>더 자연스러운 프롬프트에 응답하거나 사용자가 말을 더듬는 경우 사용자가 말한 내용을 파악할 수 있도록</li><li>올해말 미국영어 베타버전 제공되며, 올해 말 다른 영어 버전과 2025년에 추가 언어가 제공될 예정\</li></ul></li></ul> &lt; 에어팟 &gt;<ul ><li>새로운 4가지 버전의 AirPods 발표<ul ><li>AirPods 4: H2칩과 새로운 음향 아키텍처. 서라운드 공간 사운드 제공, $129, 9월20일 출시 예정</li><li>액티브 노이즈 캔슬링 기능이 탑재된 AirPods 4: 사용자가 통화 중임을 감지하면 AirPods에서 음악이나 미디어를 자동으로 조절, $179</li><li>AirPods Pro 2: $249, 9월9일 판매 시작</li><li>AirPods Max: $549, 9월20일 출시 예정</li></ul></li></ul> &lt; 애플워치 시리즈 &gt;<ul ><li>더 커지고 얇아진 애플워치 시리즈 10</li><li>주요 특징<ul ><li>비교적 큰 화면과 얇은 테두리(9.7밀리미터)</li><li>광각 OLED 디스플레이는 가독성과 더 큰 글꼴 크기에 최적화</li><li>알림을 더 쉽게 읽을 수 있고 긴급 메시지에 더 빠르게 답장</li><li>10%더 가벼워진 알루미늄 소재의 새로운 색상인 제트 블랙 케이스</li><li>색상: 로즈 골드 또는 실버 색상</li><li>에어팟 없이 시계의 스피커를 통해 직접 미디어나 음악 재생</li><li>30분 만에 80% 충전</li><li>받아쓰기, 자동 운동 감지, 낙상 감지 또는 Siri와 같은 머신 러닝 도구를 위한 4코어 신경 엔진이 탑재된 S10 칩</li><li>번역 기능 제공 예정</li><li>수면 모호흡증 감지 기능이 추가된 건강 모니터링 기능. 올가을 FDA 승인 예정</li></ul></li><li>모델<ul ><li>애플 워치 시리즈 10: $399~</li><li>애플 워치 울트라2: $799~</li></ul></li><li>판매<ul ><li>사전주문: 9월9일</li><li>판매: 9월20일</li></ul></li></ul> <ul ><li>출처: https://www.techrepublic.com/article/apple-event-september-2024-news/?utm_source=Sailthru&amp;utm_medium=email&amp;utm_campaign=e312_WeekendWrapup%202024-09-14&amp;utm_term=daily-tech-insider-active</li></ul>

TechRepublic

Apple2024: 아이폰 16, 새로운 에어팟, 애플 인텔리전스등 공개

In this issue: Dual-system RAG with photographic memory LLMs coming up with better ideas than humans Taking LLM Graph Learning to the next level Tired of conferences that feel like sales venues? MLOps World is all about real-life experiences of actual practitioners. It’s an event for top experts fro

🚀 What Next-Gen RAG Is About

1. MemoRAG: 메모리에서 영감을 얻은 지식 검색을 통해 차세대 RAG로 나아가기
 * 어떤 문제를 해결하나요?
 * 검색 증강 세대(RAG)는 외부 지식 기반에 대한 액세스를 제공함으로써 대규모 언어 모델(LLM)의 성능을 향상시키는 데 큰 가능성을 보여 왔습니다. 하지만 현재의 RAG 시스템은 모호한 정보 요구 사항이나 구조화되지 않은 지식이 포함된 복잡한 작업을 처리하는 데는 한계가 있습니다. 주로 쿼리와 지식이 잘 정의된 간단한 질문-답변 시나리오에서 탁월한 성능을 발휘합니다.
 * 어떻게 문제를 해결하나요?
 * MemoRAG는 기존 RAG 시스템의 한계를 해결하기 위해 새로운 이중 시스템 아키텍처를 도입했습니다. 가볍지만 컨텍스트가 긴 LLM을 사용해 데이터베이스의 글로벌 메모리를 생성합니다. 작업이 주어지면 이 LLM은 초안 답변을 생성하고, 이는 검색 도구가 데이터베이스 내에서 관련 정보를 찾을 수 있는 단서 역할을 합니다. 또한, MemoRAG는 검색된 정보를 기반으로 최종 답변을 생성하기 위해 더 비싸지만 표현력이 뛰어난 LLM을 활용합니다. 이러한 이중 시스템 접근 방식을 통해 MemoRAG는 간단한 작업에서 강력한 성능을 유지하면서 기존 RAG가 어려움을 겪는 복잡한 작업을 처리할 수 있습니다.
 * 다음 단계는 무엇인가요?
 * 앞으로 연구자들은 검색 프로세스의 효율성을 개선하고 긴 컨텍스트 LLM을 위한 대체 아키텍처를 조사하는 등 MemoRAG 프레임워크에 대한 추가적인 최적화를 모색할 수 있습니다. 누군가가 “RAG 2.0”을 출시했다고 주장하는 것은 이번이 처음이 아니며, 실제 애플리케이션에 대해 MemoRAG를 실제로 평가하는 것이 매우 중요할 것입니다.

2. LLM이 새로운 연구 아이디어를 창출할 수 있을까요? 100명 이상의 NLP 연구자가 참여한 대규모 인간 연구
 * 어떤 문제를 해결하나요?
 * 대규모 언어 모델(LLM)이 지속적으로 개선됨에 따라 새로운 연구 아이디어를 자율적으로 생성하고 검증함으로써 과학적 발견을 가속화할 수 있는 잠재력에 대한 관심이 높아지고 있습니다. 그러나 이러한 낙관론에도 불구하고 LLM이 실제로 참신하고 실현 가능한 전문가 수준의 아이디어를 생성할 수 있는지에 대한 엄격한 평가가 부족했습니다. 이 연구는 통제된 실험 환경에서 전문 NLP 연구원과 LLM 아이디어 에이전트를 처음으로 직접 비교함으로써 이러한 격차를 해소하는 것을 목표로 합니다.
 * 어떻게 문제를 해결하나요?
 * 연구진은 100명 이상의 NLP 전문가를 모집하여 참신한 연구 아이디어를 작성하고, LLM이 생성한 아이디어와 사람이 생성한 아이디어를 모두 블라인드 리뷰하도록 했습니다. 아이디어의 참신성과 실현 가능성 등급을 비교함으로써 연구자들은 현재 연구 아이디어 발상에서 LLM의 역량에 대해 통계적으로 유의미한 결론을 도출할 수 있었습니다. 그 결과, LLM이 창출한 아이디어는 인간 전문가 아이디어보다 더 참신한 것으로 평가되었지만(p <0.05), 실현 가능성에서는 약간 낮은 평가를 받았습니다. 이 연구는 연구 아이디어 생성에 있어 LLM의 강점과 한계에 대한 귀중한 인사이트를 제공하고 연구 에이전트 구축 및 평가에 있어 미해결 문제를 파악합니다.
 * 다음 단계는 무엇인가요?
 * 이 연구는 중요한 결과를 제공하지만, 연구자들은 참신성에 대한 인간의 판단이 전문가에게도 어려울 수 있다는 점을 인정합니다. 이를 해결하기 위해 연구진은 생성된 아이디어를 전체 프로젝트로 실행할 연구원을 모집하는 엔드투엔드 연구 설계를 제안합니다. 이러한 접근 방식을 통해 참신성과 실현 가능성 판단이 연구 결과의 의미 있는 차이로 이어지는지 보다 종합적으로 평가할 수 있습니다. LLM이 계속 발전함에 따라 과학적 발견을 가속화하고 연구 에이전트 개발에서 개선이 필요한 영역을 식별할 수 있는 잠재력을 평가하는 추가 연구를 수행하는 것이 중요해질 것입니다.

3. 그래프 인사이트: 그래프 구조 이해를 위한 대규모 언어 모델에서 인사이트 확보하기
 * 어떤 문제를 해결하나요?
 * 대규모 언어 모델(LLM)은 그래프 처리 및 이해를 비롯한 다양한 자연어 처리 작업에서 인상적인 성능을 보여 왔습니다. 그러나 그래프 설명 시퀀스의 프롬프트를 통해 그래프 구조 정보를 이해하는 성능은 그래프 크기가 커질수록 저하됩니다. 이러한 한계는 “위치 편향”이라고 알려진 그래프 설명 시퀀스의 여러 위치에 걸쳐 LLM의 메모리 성능이 고르지 않기 때문입니다.
 * 이 문제를 어떻게 해결하나요?
 * GraphInsight는 두 가지 핵심 전략을 사용해 LLM의 메모리 성능에서 위치 편향 문제를 해결합니다. 첫째, 중요한 그래픽 정보를 LLM이 더 강력한 메모리 성능을 발휘하는 위치에 전략적으로 배치합니다. 이를 통해 가장 중요한 정보를 모델이 더 잘 유지하고 이해할 수 있도록 합니다. 둘째, GraphInsight는 검색 증강 생성(RAG) 기술에서 영감을 얻어 메모리 성능이 약한 영역을 위한 경량 외부 지식 베이스를 도입합니다. 이 외부 지식 기반은 메모리 성능이 최선이 아닌 영역에서 그래프 구조에 대한 LLM의 이해를 보완합니다.
 * 다음 단계는 무엇인가요?
 * GraphInsight 프레임워크는 복잡한 그래픽 구조를 효과적으로 처리하고 추론할 수 있는 새로운 가능성을 열어줍니다. 향후 연구에서는 고급 검색 메커니즘을 통합하거나 고유한 그래프 구조를 가진 특정 도메인에 적용하는 등 GraphInsight 프레임워크의 추가 최적화 및 확장을 모색할 수 있습니다. 또한 GraphInsight에서 얻은 인사이트는 LLM을 위한 보다 효율적이고 효과적인 그래프 표현 기법의 개발에 영감을 주어 궁극적으로 다양한 애플리케이션에서 그래프 정보를 이해하고 추론하는 능력을 향상시킬 수 있습니다.

 * 출처: https://www.linkedin.com/pulse/what-next-gen-rag-pascal-biese-y31mf/

1. MemoRAG: 메모리에서 영감을 얻은 지식 검색을 통해 차세대 RAG로 나아가기<ul ><li>어떤 문제를 해결하나요? <ul ><li>검색 증강 세대(RAG)는 외부 지식 기반에 대한 액세스를 제공함으로써 대규모 언어 모델(LLM)의 성능을 향상시키는 데 큰 가능성을 보여 왔습니다. 하지만 현재의 RAG 시스템은 모호한 정보 요구 사항이나 구조화되지 않은 지식이 포함된 복잡한 작업을 처리하는 데는 한계가 있습니다. 주로 쿼리와 지식이 잘 정의된 간단한 질문-답변 시나리오에서 탁월한 성능을 발휘합니다.</li></ul></li><li>어떻게 문제를 해결하나요? <ul ><li>MemoRAG는 기존 RAG 시스템의 한계를 해결하기 위해 새로운 이중 시스템 아키텍처를 도입했습니다. 가볍지만 컨텍스트가 긴 LLM을 사용해 데이터베이스의 글로벌 메모리를 생성합니다. 작업이 주어지면 이 LLM은 초안 답변을 생성하고, 이는 검색 도구가 데이터베이스 내에서 관련 정보를 찾을 수 있는 단서 역할을 합니다. 또한, MemoRAG는 검색된 정보를 기반으로 최종 답변을 생성하기 위해 더 비싸지만 표현력이 뛰어난 LLM을 활용합니다. 이러한 이중 시스템 접근 방식을 통해 MemoRAG는 간단한 작업에서 강력한 성능을 유지하면서 기존 RAG가 어려움을 겪는 복잡한 작업을 처리할 수 있습니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>앞으로 연구자들은 검색 프로세스의 효율성을 개선하고 긴 컨텍스트 LLM을 위한 대체 아키텍처를 조사하는 등 MemoRAG 프레임워크에 대한 추가적인 최적화를 모색할 수 있습니다. 누군가가 “RAG 2.0”을 출시했다고 주장하는 것은 이번이 처음이 아니며, 실제 애플리케이션에 대해 MemoRAG를 실제로 평가하는 것이 매우 중요할 것입니다.</li></ul></li></ul> 2. LLM이 새로운 연구 아이디어를 창출할 수 있을까요? 100명 이상의 NLP 연구자가 참여한 대규모 인간 연구<ul ><li>어떤 문제를 해결하나요? <ul ><li>대규모 언어 모델(LLM)이 지속적으로 개선됨에 따라 새로운 연구 아이디어를 자율적으로 생성하고 검증함으로써 과학적 발견을 가속화할 수 있는 잠재력에 대한 관심이 높아지고 있습니다. 그러나 이러한 낙관론에도 불구하고 LLM이 실제로 참신하고 실현 가능한 전문가 수준의 아이디어를 생성할 수 있는지에 대한 엄격한 평가가 부족했습니다. 이 연구는 통제된 실험 환경에서 전문 NLP 연구원과 LLM 아이디어 에이전트를 처음으로 직접 비교함으로써 이러한 격차를 해소하는 것을 목표로 합니다.</li></ul></li><li>어떻게 문제를 해결하나요? <ul ><li>연구진은 100명 이상의 NLP 전문가를 모집하여 참신한 연구 아이디어를 작성하고, LLM이 생성한 아이디어와 사람이 생성한 아이디어를 모두 블라인드 리뷰하도록 했습니다. 아이디어의 참신성과 실현 가능성 등급을 비교함으로써 연구자들은 현재 연구 아이디어 발상에서 LLM의 역량에 대해 통계적으로 유의미한 결론을 도출할 수 있었습니다. 그 결과, LLM이 창출한 아이디어는 인간 전문가 아이디어보다 더 참신한 것으로 평가되었지만(p &lt;0.05), 실현 가능성에서는 약간 낮은 평가를 받았습니다. 이 연구는 연구 아이디어 생성에 있어 LLM의 강점과 한계에 대한 귀중한 인사이트를 제공하고 연구 에이전트 구축 및 평가에 있어 미해결 문제를 파악합니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>이 연구는 중요한 결과를 제공하지만, 연구자들은 참신성에 대한 인간의 판단이 전문가에게도 어려울 수 있다는 점을 인정합니다. 이를 해결하기 위해 연구진은 생성된 아이디어를 전체 프로젝트로 실행할 연구원을 모집하는 엔드투엔드 연구 설계를 제안합니다. 이러한 접근 방식을 통해 참신성과 실현 가능성 판단이 연구 결과의 의미 있는 차이로 이어지는지 보다 종합적으로 평가할 수 있습니다. LLM이 계속 발전함에 따라 과학적 발견을 가속화하고 연구 에이전트 개발에서 개선이 필요한 영역을 식별할 수 있는 잠재력을 평가하는 추가 연구를 수행하는 것이 중요해질 것입니다.</li></ul></li></ul> 3. 그래프 인사이트: 그래프 구조 이해를 위한 대규모 언어 모델에서 인사이트 확보하기<ul ><li>어떤 문제를 해결하나요? <ul ><li>대규모 언어 모델(LLM)은 그래프 처리 및 이해를 비롯한 다양한 자연어 처리 작업에서 인상적인 성능을 보여 왔습니다. 그러나 그래프 설명 시퀀스의 프롬프트를 통해 그래프 구조 정보를 이해하는 성능은 그래프 크기가 커질수록 저하됩니다. 이러한 한계는 “위치 편향”이라고 알려진 그래프 설명 시퀀스의 여러 위치에 걸쳐 LLM의 메모리 성능이 고르지 않기 때문입니다.</li></ul></li><li>이 문제를 어떻게 해결하나요? <ul ><li>GraphInsight는 두 가지 핵심 전략을 사용해 LLM의 메모리 성능에서 위치 편향 문제를 해결합니다. 첫째, 중요한 그래픽 정보를 LLM이 더 강력한 메모리 성능을 발휘하는 위치에 전략적으로 배치합니다. 이를 통해 가장 중요한 정보를 모델이 더 잘 유지하고 이해할 수 있도록 합니다. 둘째, GraphInsight는 검색 증강 생성(RAG) 기술에서 영감을 얻어 메모리 성능이 약한 영역을 위한 경량 외부 지식 베이스를 도입합니다. 이 외부 지식 기반은 메모리 성능이 최선이 아닌 영역에서 그래프 구조에 대한 LLM의 이해를 보완합니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>GraphInsight 프레임워크는 복잡한 그래픽 구조를 효과적으로 처리하고 추론할 수 있는 새로운 가능성을 열어줍니다. 향후 연구에서는 고급 검색 메커니즘을 통합하거나 고유한 그래프 구조를 가진 특정 도메인에 적용하는 등 GraphInsight 프레임워크의 추가 최적화 및 확장을 모색할 수 있습니다. 또한 GraphInsight에서 얻은 인사이트는 LLM을 위한 보다 효율적이고 효과적인 그래프 표현 기법의 개발에 영감을 주어 궁극적으로 다양한 애플리케이션에서 그래프 정보를 이해하고 추론하는 능력을 향상시킬 수 있습니다.</li></ul></li></ul> <ul ><li>출처: https://www.linkedin.com/pulse/what-next-gen-rag-pascal-biese-y31mf/</li></ul>

www.linkedin.com

[LLM Watch] 차세대 RAG의 특징

2023년 5월쯤 OpenAI에서 일리아 수츠케버가 참여한 “Let's Verify Step by Step”이라는 논문이 나왔었는데요.

이 논문의 내용은 최종 결과를 감독하는 것 보다 프로세스, 즉 추론 단계를 감독하는 것이 훨씬 좋은 결과를 낸다는 내용입니다. 특히 도전적인 수학 문제를 해결하는 데 있어서는 성능이 크게 증가하고요.

아마도 이 때 o1이 시작되고 있었던 것 같습니다.

더불어 대규모 모델이 소규모 모델에 대한 인간 감독을 근사할 수 있다는 OpenAI의 연구도 있었는데요. 발표자료의 몇 가지 결과를 보면 이 방식도 들어가 있지 않을까하는 추측도 한 번 해 봅니다.

2023년 5월쯤 OpenAI에서 일리아 수츠케버가 참여한 “Let's Verify Step by Step”이라는 논문이 나왔었는데요. 이 논문의 내용은 최종 결과를 감독하는 것 보다 프로세스, 즉 추론 단계를 감독하는 것이 훨씬 좋은 결과를 낸다는 내용입니다. 특히 도전적인 수학 문제를 해결하는 데 있어서는 성능이 크게 증가하고요. 아마도 이 때 o1이 시작되고 있었던 것 같습니다. 더불어 대규모 모델이 소규모 모델에 대한 인간 감독을 근사할 수 있다는 OpenAI의 연구도 있었는데요. 발표자료의 몇 가지 결과를 보면 이 방식도 들어가 있지 않을까하는 추측도 한 번 해 봅니다.

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

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

LLM이 👧🏻초등학생 정도의 지능 수준을 갖추고 나니, 이제는 다른 트릭 생각 할 것 없이 사람에게 적용하는 👩🏻‍🏫훈련 기법들을 LLM에게 적용하는 것으로 성능이 계속 올라가는건가. 🎃머리로는 이해해도 그런 사례를 볼 때마다 넘나 싱기방기.

LLM이 👧🏻초등학생 정도의 지능 수준을 갖추고 나니, 이제는 다른 트릭 생각 할 것 없이 사람에게 적용하는 👩🏻‍🏫훈련 기법들을 LLM에게 적용하는 것으로 성능이 계속 올라가는건가. 🎃머리로는 이해해도 그런 사례를 볼 때마다 넘나 싱기방기.

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

영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다. 지난 9월 초 Josh Long의 Spring Boot 이 한국을 방문해 밋업을 진행했었는데요. 영상의 한글 자막을 만드는데도 해당 자막 생성기를 사용했습니다. 처음에는 일반 AI 번역으로 시도를 했다가 프롬프트 엔지니어링을 적용해서 다시 자막을 생성했습니다. 아래 스크린샷에서 위쪽은 일반 AI 번역, 아래는 프롬프트 엔지니어링이 적용..

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다
영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다.

1️⃣ AI 한글 자막 생성기의 특징
2️⃣ AI 한글 자막 생성기 프롬프트
3️⃣ 비교 분석
4️⃣ AI 자막 생성기가 개발되기까지
5️⃣ 결과 공유

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다. 1️⃣ AI 한글 자막 생성기의 특징2️⃣ AI 한글 자막 생성기 프롬프트3️⃣ 비교 분석4️⃣ AI 자막 생성기가 개발되기까지5️⃣ 결과 공유

RevFactory 프로젝트 - 세상을 더 이롭게 바꾸는 작업

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>

❌ 더 나은 경험을 위한 통합 서비스
🟢 클릭 한 번으로 팀원과 파일 공유

추상적인 슬로건은 되도록 지양하고,
사용자가 얻을 수 있는 명확한 이점을
최대한 쉽게 서술하는 것이 중요합니다.

❌ 더 나은 경험을 위한 통합 서비스🟢 클릭 한 번으로 팀원과 파일 공유 추상적인 슬로건은 되도록 지양하고,사용자가 얻을 수 있는 명확한 이점을최대한 쉽게 서술하는 것이 중요합니다.

랜딩 페이지의 좋은 제목? (2)

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

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

Nhà cái uy tín luôn được đông đảo người chơi tìm kiếm. Xem top 10 nha cai uy tin nhất Việt Nam và cách nhận diện nhà cái chất lượng nhất tại đây.

Top 10+ Nhà Cái Uy Tín Nhất Số 1 Việt Nam Hiện Nay

Nhà cái uy tín không chỉ là nơi mang đến cơ hội thắng lớn mà còn đảm bảo rằng mọi hoạt động cá cược đều diễn ra trong môi trường an toàn và được kiểm soát. Những nhà cái này luôn đặt lợi ích của người chơi lên hàng đầu, từ việc cung cấp thông tin minh bạch đến hỗ trợ kịp thời khi có vấn đề phát sinh. Nhờ vậy, nhà cái uy tín đã trở thành lựa chọn hàng đầu của nhiều người chơi cá cược trực tuyến, mang lại sự yên tâm và trải nghiệm giải trí đỉnh cao.
Thông tin chi tiết:
Website: https://nhacaiuytin39.com/
Địa chỉ: 131 P. Đốc Ngữ, Liễu Giai, Ba Đình, Hà Nội, Việt Nam
Email: willie45miller2220@gmail.com
Phone: 0987796086
Social
https://www.faneo.es/users/nhacaiuytin39com1/

https://participa.santboi.cat/profiles/nhacaiuytin39com/

https://smf.rcweb.net/index.php?action=profile;u=73980

https://userinterface.us/nhacaiuytin39com

https://heavenarticle.com/author/nhacaiuytin39com-698442/

Nhà cái uy tín không chỉ là nơi mang đến cơ hội thắng lớn mà còn đảm bảo rằng mọi hoạt động cá cược đều diễn ra trong môi trường an toàn và được kiểm soát. Những nhà cái này luôn đặt lợi ích của người chơi lên hàng đầu, từ việc cung cấp thông tin minh bạch đến hỗ trợ kịp thời khi có vấn đề phát sinh. Nhờ vậy, nhà cái uy tín đã trở thành lựa chọn hàng đầu của nhiều người chơi cá cược trực tuyến, mang lại sự yên tâm và trải nghiệm giải trí đỉnh cao. Thông tin chi tiết: Website: https://nhacaiuytin39.com/ Địa chỉ: 131 P. Đốc Ngữ, Liễu Giai, Ba Đình, Hà Nội, Việt Nam Email: willie45miller2220@gmail.com Phone: 0987796086Socialhttps://www.faneo.es/users/nhacaiuytin39com1/ https://participa.santboi.cat/profiles/nhacaiuytin39com/ https://smf.rcweb.net/index.php?action=profile;u=73980 https://userinterface.us/nhacaiuytin39com https://heavenarticle.com/author/nhacaiuytin39com-698442/&nbsp;&nbsp;

Nhà Cái Uy Tín: Nơi Đặt Cược Bóng Đá An

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필