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

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

애플 진짜, 기술을 뛰어난 사용자 경험으로 만드는 일은 정말 기가막히네요. 이게 안다고 되는게 아닌데, 어떻게 이렇게 계속 그런 문화를 유지할 수 있는지 정말 신기합니다.

애플 진짜, 기술을 뛰어난 사용자 경험으로 만드는 일은 정말 기가막히네요. 이게 안다고 되는게 아닌데, 어떻게 이렇게 계속 그런 문화를 유지할 수 있는지 정말 신기합니다.

안녕하세요. 카카오 기술전략 소속의 로빈입니다.
현재 저는 카카오의 AI 교육 자...

LLM, 더 저렴하게, 더 빠르게, 더 똑똑하게 - tech.kakao.com

LLM이 점점 더 저렴해지면서 빨라지고 성능도 좋아지고 있죠.
최근 LLM 트렌드에 대해 정리 했습니다.

 1. LLM의 사용 가격이 지속적으로 낮아지고 있습니다.
 2. LLM의 생성 속도가 빨라지고 있습니다.
 3. LLM의 성능이 향상되고 있습니다.
 4. LLM의 처리량이 증가하고 있습니다.
 5. 경량 LLM의 활용도가 높아지고 있습니다.
    
    
이번 글에서는 이 다섯 가지 변화에 주목해 최신 LLM 트렌드를 살펴보고자 합니다.

LLM이 점점 더 저렴해지면서 빨라지고 성능도 좋아지고 있죠.최근 LLM 트렌드에 대해 정리 했습니다. <ol ><li>LLM의 사용 가격이 지속적으로 낮아지고 있습니다.</li><li>LLM의 생성 속도가 빨라지고 있습니다.</li><li>LLM의 성능이 향상되고 있습니다.</li><li>LLM의 처리량이 증가하고 있습니다.</li><li>경량 LLM의 활용도가 높아지고 있습니다. </li></ol>이번 글에서는 이 다섯 가지 변화에 주목해 최신 LLM 트렌드를 살펴보고자 합니다.

tech.kakao.com

LLM, 더 저렴하게, 더 빠르게, 더 똑똑하게

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

 - YouTube

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

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

youtu.be

AutoParams를 사용한 Spring Boot 응용프로그램 테스트

제가 데이터 파이프라인을 설명할 때 자주 사용하는 비유로 물이 흐르는 상수도를 떠올리는 것입니다. 물이 수도관을 통해 각 가정에 공급되는 과정과 데이터가 파이프라인을 통해 필요한 곳으로 이동하는 과정을 비교해보면 이해가 더 쉬워질 것입니다.

 1. 수원지: 원천 데이터 (데이터 레이크)
 * 데이터 파이프라인의 첫 출발점은 '수원지'에 해당하는 원천 데이터입니다. 수원지는 다양한 데이터 소스를 의미합니다. 원천 데이터는 아직 정제되지 않았고, 다양한 형태와 크기로 존재할 수 있습니다. 이 데이터는 개발 단계에서 생성되거나 여러 외부 시스템에서 수집됩니다.

 2. 상수도: 데이터 웨어하우스
 * 데이터 웨어하우스는 정제된 다양한 형태의 데이터를 보관하는 저장소로, 물이 상수도에서 정수와 여과 과정을 거치는 것처럼 원천 데이터는 정제를 거쳐 '데이터 웨어하우스'로 모입니다.
 * 따라서 수원지에 데이터가 어느정도 오염(중복되어 있거나 잘못 입력 된 데이터, 혹은 누락)이 있더라도 미리 정의한 비즈니스 스키마에 따라 필터가 되기 때문에 이 과정에서 상당수 사용 가능한 데이터로 변환 됩니다.

 3. 수도관: 데이터 파이프라인
 * 수도관은 데이터를 필요한 곳으로 보내는 경로입니다. 이 과정에서 데이터를 정제하고 변환하여 가정집으로 안전하게 보내기 위한 여러 단계가 이루어집니다. 즉, 데이터 파이프라인은 데이터를 정제하고, 여과하며, 필요한 형식으로 변환하는 일련의 과정을 담당합니다. 이 단계에서 데이터는 다양한 필터링, 집계, 변환 등의 작업을 거쳐 최종 사용자에게 적합한 형태로 바뀝니다.

 4. 가정집: 데이터 사용처 (데이터 마트)
 * 물이 수도관을 통해 가정집에 도달하듯이, 최종 사용자는 필요한 데이터를 활용하게 됩니다. 이때의 데이터는 이미 정제되고 가공된 상태로, 사용자는 이 데이터를 분석하거나 보고서에 활용하는 등의 작업을 수행합니다.

전체 흐름
 * 수원지에서 물을 모아 상수도를 통해 정수한 후 각 가정집으로 물을 보내는 과정은, 데이터가 원천에서 수집되어 데이터 웨어하우스로 모이고, 데이터 파이프라인을 통해 정제되고 변환되어 최종 사용처로 전달되는 과정과 매우 흡사합니다. 이 비유를 통해 데이터 파이프라인의 복잡한 과정을 물의 흐름처럼 쉽게 이해할 수 있습니다.

데이터는 마치 물처럼, 필요한 곳으로 안전하고 깨끗하게 전달되어야 합니다.

제가 데이터 파이프라인을 설명할 때 자주 사용하는 비유로 물이 흐르는 상수도를 떠올리는 것입니다. 물이 수도관을 통해 각 가정에 공급되는 과정과 데이터가 파이프라인을 통해 필요한 곳으로 이동하는 과정을 비교해보면 이해가 더 쉬워질 것입니다. <ol ><li>수원지: 원천 데이터 (데이터 레이크)</li></ol><ul ><li>데이터 파이프라인의 첫 출발점은 '수원지'에 해당하는 원천 데이터입니다. 수원지는 다양한 데이터 소스를 의미합니다. 원천 데이터는 아직 정제되지 않았고, 다양한 형태와 크기로 존재할 수 있습니다. 이 데이터는 개발 단계에서 생성되거나 여러 외부 시스템에서 수집됩니다.</li></ul> <ol start="2"><li>상수도: 데이터 웨어하우스</li></ol><ul ><li>데이터 웨어하우스는 정제된 다양한 형태의 데이터를 보관하는 저장소로, 물이 상수도에서 정수와 여과 과정을 거치는 것처럼 원천 데이터는 정제를 거쳐 '데이터 웨어하우스'로 모입니다. </li><li>따라서 수원지에 데이터가 어느정도 오염(중복되어 있거나 잘못 입력 된 데이터, 혹은 누락)이 있더라도 미리 정의한 비즈니스 스키마에 따라 필터가 되기 때문에 이 과정에서 상당수 사용 가능한 데이터로 변환 됩니다.</li></ul> <ol start="3"><li>수도관: 데이터 파이프라인</li></ol><ul ><li>수도관은 데이터를 필요한 곳으로 보내는 경로입니다. 이 과정에서 데이터를 정제하고 변환하여 가정집으로 안전하게 보내기 위한 여러 단계가 이루어집니다. 즉, 데이터 파이프라인은 데이터를 정제하고, 여과하며, 필요한 형식으로 변환하는 일련의 과정을 담당합니다. 이 단계에서 데이터는 다양한 필터링, 집계, 변환 등의 작업을 거쳐 최종 사용자에게 적합한 형태로 바뀝니다.</li></ul> <ol start="4"><li>가정집: 데이터 사용처 (데이터 마트)</li></ol><ul ><li>물이 수도관을 통해 가정집에 도달하듯이, 최종 사용자는 필요한 데이터를 활용하게 됩니다. 이때의 데이터는 이미 정제되고 가공된 상태로, 사용자는 이 데이터를 분석하거나 보고서에 활용하는 등의 작업을 수행합니다.</li></ul> 전체 흐름<ul ><li>수원지에서 물을 모아 상수도를 통해 정수한 후 각 가정집으로 물을 보내는 과정은, 데이터가 원천에서 수집되어 데이터 웨어하우스로 모이고, 데이터 파이프라인을 통해 정제되고 변환되어 최종 사용처로 전달되는 과정과 매우 흡사합니다. 이 비유를 통해 데이터 파이프라인의 복잡한 과정을 물의 흐름처럼 쉽게 이해할 수 있습니다.</li></ul> 데이터는 마치 물처럼, 필요한 곳으로 안전하고 깨끗하게 전달되어야 합니다.

물의 흐름으로 누구나 쉽게 이해하는 데이터 파이프라인

안녕하세요. 데이터 흐름에 대해 쉽게 설명해 주셔서 감사합니다 :) 
중간에 언급하신 데이터웨어하우스와 데이터레이크의 개념은 큰 차이가 없다라고 생각되어지는데, 맞을까요?

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

7 tiers of disaster recovery

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

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

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

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

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

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

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

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

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

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

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

www.cloud4u.com

[Cloud4U] 7단계 재해 복구

StackBlitz invites you to ViteConf, an immersive and interactive online event for frontend teams building the next generation of the web with Vite

Dale Seo's Ticket to ViteConf

Vite Conf가 10/3-4 온라인으로 열리네요! 발표자 라인업이 화려합니다. 무료니까 관심 있으신 분들은 티켓 신청하시면 좋을 것 같아 공유드려용~

https://viteconf.org/24/tickets/DaleSeo

Vite Conf가 10/3-4 온라인으로 열리네요! 발표자 라인업이 화려합니다. 무료니까 관심 있으신 분들은 티켓 신청하시면 좋을 것 같아 공유드려용~ https://viteconf.org/24/tickets/DaleSeo

viteconf.org

⚡ Vite Conf 2024 티켓 오픈 🎫

SQL로 데이터를 다룰 때마다 Window 함수는
매우 다양한 영역에서 활용되고 있어요.

먼저 Window 함수는 한 번에 여러 행을 묶어서 처리 할수 있는 함수로,
GROUP BY 구문과 매우 비슷하지만, 원형의 데이터를 변형시키지 않고도, 다양한 함수를 여러 행에 동시에 사용할 수 있습니다.

Window 함수는 먼저 아래의 형태로 이루어져 있어요.

[집계 함수(칼럼) OVER([PARTITION BY 컬럼] [ORDER BY 컬럼])]

Window 함수가 가장 많이 사용되는 몇 가지 예시는 다음과 같습니다:

✅ 순위 매기기 [RANK, DENSE_RANK, ROW_NUMBER, LAG, LEAD]

데이터를 특정 기준에 따라 순위를 매기는 데 유용합니다. 예를 들어, 판매 부서에서 매출액이 높은 상위 3명의 직원을 찾을 때 순위 함수를 사용할 수 있습니다.

✅ 이동 계산 [AVG]

시계열 데이터에서 이동 평균을 계산하여 데이터의 추세를 파악하는 데 사용됩니다. 이동 평균은 데이터의 불규칙한 요소를 보다 부드럽게 표현하는 데 도움이 됩니다.

✅ 누적 합계 또는 누적 평균 [SUM, AVG]

일정 기간 동안의 누적 합계나 평균을 계산하는 데 사용됩니다. 예를 들어, 매일 증가하는 재고 수량을 누적 합산하여 전체 재고의 추이를 파악할 수 있습니다.

✅ 그룹별 집계 [SUM, MAX, MIN]

특정 그룹에 대한 집계를 계산할 때 윈도우 함수가 유용합니다. 예를 들어, 지역별로 매출액의 합계를 구하거나 부서별로 최고 월급을 찾는 등의 작업에 활용됩니다.

✅ 백분위수 계산 [PERCENT_RANK, NTILE]

데이터의 분포를 이해하고 이상치를 탐지하기 위해 백분위수를 계산할 때 윈도우 함수가 사용됩니다. 특정 백분위수보다 큰 값이나 작은 값들을 확인하여 데이터의 특성을 분석할 수 있습니다.

#데이터리차드 #윈도우함수 #사용사례 #SQL

SQL로 데이터를 다룰 때마다 Window 함수는 매우 다양한 영역에서 활용되고 있어요. 먼저 Window 함수는 한 번에 여러 행을 묶어서 처리 할수 있는 함수로, GROUP BY 구문과 매우 비슷하지만, 원형의 데이터를 변형시키지 않고도, 다양한 함수를 여러 행에 동시에 사용할 수 있습니다. Window 함수는 먼저 아래의 형태로 이루어져 있어요. <code >[집계 함수(칼럼) OVER([PARTITION BY 컬럼] [ORDER BY 컬럼])]</code> Window 함수가 가장 많이 사용되는 몇 가지 예시는 다음과 같습니다: ✅ 순위 매기기 [RANK, DENSE_RANK, ROW_NUMBER, LAG, LEAD] 데이터를 특정 기준에 따라 순위를 매기는 데 유용합니다. 예를 들어, 판매 부서에서 매출액이 높은 상위 3명의 직원을 찾을 때 순위 함수를 사용할 수 있습니다. ✅ 이동 계산 [AVG] 시계열 데이터에서 이동 평균을 계산하여 데이터의 추세를 파악하는 데 사용됩니다. 이동 평균은 데이터의 불규칙한 요소를 보다 부드럽게 표현하는 데 도움이 됩니다. ✅ 누적 합계 또는 누적 평균 [SUM, AVG] 일정 기간 동안의 누적 합계나 평균을 계산하는 데 사용됩니다. 예를 들어, 매일 증가하는 재고 수량을 누적 합산하여 전체 재고의 추이를 파악할 수 있습니다. ✅ 그룹별 집계 [SUM, MAX, MIN] 특정 그룹에 대한 집계를 계산할 때 윈도우 함수가 유용합니다. 예를 들어, 지역별로 매출액의 합계를 구하거나 부서별로 최고 월급을 찾는 등의 작업에 활용됩니다. ✅ 백분위수 계산 [PERCENT_RANK, NTILE] 데이터의 분포를 이해하고 이상치를 탐지하기 위해 백분위수를 계산할 때 윈도우 함수가 사용됩니다. 특정 백분위수보다 큰 값이나 작은 값들을 확인하여 데이터의 특성을 분석할 수 있습니다. #데이터리차드 #윈도우함수 #사용사례 #SQL

SQL - Window 함수 사용 사례

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

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

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

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

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

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

개발자라면 찜 해놔야하는 GitHub 저장소들

모든 프로그래머가

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

OpenAI Assistant V2 가 V1에서 판올림 된 이후 성능이 많이 좋아졌다는 호평이 많습니다. OpenAI 공식 홈페이지에 게재되어 있는 글에 따르면 file_search라는 검색 도구 개선 툴을 새롭게 런칭했다고 합니다.

아래의 영상은 OpenAI Assistant V2 의 RAG 성능을 테스트 해볼 수 있는 코드에 대한 튜토리얼 영상입니다.
- 영상: https://youtu.be/b2FhSt7AhpU?si=5wl92CO7Oz4vyAGK

✅ 주요 업데이트 내용
① file_search 도구 출시: 최대 10,000개의 파일을 처리, 이전보다 500배 더 많은 용량을 지원. 속도가 더 빠르고, 다중 스레드를 통해 병렬 검색을 지원, 개선된 ranker 및 query rewrite 기능을 제공.
② vector_store 도입: 파일이 추가되면 자동으로 분석, 분할, 임베딩. 여러 Assistant와 스레드에서 사용할 수 있어 파일 관리와 과금이 간소화
③ Assistants API에서 실행마다 최대 토큰 수를 제어할 수 있어 비용 관리가 용이
④ tool_choice: 특정 도구(file_search, code_interpreter 등)의 사용을 강제 가능.
⑤ 대화 이력 관리: 역할을 assistant로 설정하여 사용자 지정 대화 이력을 생성
⑥ 설정: temperature, JSON 모드, top_p 설정 가능
⑦ FineTuning 모델 지정 가능: 현재는 gpt-3.5-turbo-0125 모델만 가능

출처: https://platform.openai.com/docs/assistants/whats-new

OpenAI Assistant V2 의 RAG 성능을 테스트 해보실 수 있는 링크는 영상의 '더보기' 란에 추가해 놓았습니다.

감사합니다. 즐거운 토요일 되세요!

#rag #assistant #openai

OpenAI Assistant V2 가 V1에서 판올림 된 이후 성능이 많이 좋아졌다는 호평이 많습니다. OpenAI 공식 홈페이지에 게재되어 있는 글에 따르면 file_search라는 검색 도구 개선 툴을 새롭게 런칭했다고 합니다. 아래의 영상은 OpenAI Assistant V2 의 RAG 성능을 테스트 해볼 수 있는 코드에 대한 튜토리얼 영상입니다. - 영상: https://youtu.be/b2FhSt7AhpU?si=5wl92CO7Oz4vyAGK ✅ 주요 업데이트 내용 ① file_search 도구 출시: 최대 10,000개의 파일을 처리, 이전보다 500배 더 많은 용량을 지원. 속도가 더 빠르고, 다중 스레드를 통해 병렬 검색을 지원, 개선된 ranker 및 query rewrite 기능을 제공. ② vector_store 도입: 파일이 추가되면 자동으로 분석, 분할, 임베딩. 여러 Assistant와 스레드에서 사용할 수 있어 파일 관리와 과금이 간소화 ③ Assistants API에서 실행마다 최대 토큰 수를 제어할 수 있어 비용 관리가 용이 ④ tool_choice: 특정 도구(file_search, code_interpreter 등)의 사용을 강제 가능. ⑤ 대화 이력 관리: 역할을 assistant로 설정하여 사용자 지정 대화 이력을 생성 ⑥ 설정: temperature, JSON 모드, top_p 설정 가능 ⑦ FineTuning 모델 지정 가능: 현재는 gpt-3.5-turbo-0125 모델만 가능 출처: https://platform.openai.com/docs/assistants/whats-new OpenAI Assistant V2 의 RAG 성능을 테스트 해보실 수 있는 링크는 영상의 '더보기' 란에 추가해 놓았습니다. 감사합니다. 즐거운 토요일 되세요! #rag #assistant #openai

지식 크리에이터👍

테디노트

데이터와 인공지능을 좋아합니다.

OpenAI Assistant V2 RAG 성능 테스트

교육 / 에듀테크

콘텐츠

머신 러닝

python

딥러닝

Github

PyTorch

TensorFlow

데이터 분석

https://youtube.com/c/@teddynote

최근에는 RAG, LangChain, LangGraph 등을 다룹니다

크리에이터

MySQL

Java

Docker

Linux

fastapi

c언어

Android

인공지능 기반 HR 추천 솔루션 개발

신사업팀장

삼성전자 C-Lab 사내벤처 스핀오프
Co-Founder
헬멧 부착형 웨어러블 블루투스 디바이스
블루투스 펌웨어 개발, 무전 솔루션 개발

무선사업부 UX개발그룹 

- Samsung Notes
- Samsung Themes
- 갤러리카메라

OpenAI Assistant V2 RAG 성능 테스트

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필