알고리즘 입문자를 위한 달레의 친절한 안내서

Graph Valid Tree | 알고달레

코딩 테스트를 준비하시는 분들을 위해서 일주일에 한 번씩 문제 풀이를 해드리고 있습니다. 이번 시간에는 LeetCode의 261번째 문제인 Graph Valid Tree를 재귀와 깊이 우선 탐색을 통해 풀어보겠습니다.

📺 동영상: https://youtu.be/KChr2tvKoeM
📝 설명/코드: https://www.algodale.com/problems/graph-valid-tree/

코딩 테스트를 준비하시는 분들을 위해서 일주일에 한 번씩 문제 풀이를 해드리고 있습니다. 이번 시간에는 LeetCode의 261번째 문제인 Graph Valid Tree를 재귀와 깊이 우선 탐색을 통해 풀어보겠습니다. 📺 동영상: https://youtu.be/KChr2tvKoeM📝 설명/코드: https://www.algodale.com/problems/graph-valid-tree/

알고달레

리트코드 261. Graph Valid Tree

아무리 미야자키 감독님이 싫어해도.. Ghiblify를 멈출 수가 없네요. 🫣

앱 다운로드: https://tosto.re/ameego

아무리 미야자키 감독님이 싫어해도.. Ghiblify를 멈출 수가 없네요. 🫣 앱 다운로드: https://tosto.re/ameego

First and foremost, thank you to everyone who has contributed to styled-components over the years. Open Source is hard work, and many of the larger feature and/or refactoring drives probably would never have shipped without your support! As...

Thank you - styled-components

Styled Components가 공식적으로 개발을 중단하고 후원도 그만 받는다고 합니다. CSS-in-JS 분야에 선구자적인 역할을 했던 라이브러리라고 생각합니다. Emotion, Stitches, Vanilla Extract 등 그 이후에 나온 수많은 CSS-in-JS 라이브러리에 영감을 주었죠.

Styled Components의 시장 점유율이 워낙 높아서 예전에 jQuery가 그랬던 것처럼 실제 사용량은 수년에 걸쳐 서서히 줄어들거라고 생각합니다. 하지만 신규 프로젝트에서는 Styled Components를 선택하지 않도록 주의해야할 것 같습니다.

React 생태계가 RSC로 넘어가면서 빌드 타임에 스타일링을 하는 Panda CSS나 StyleX과 같은 차세대 라이브러리가 대체제로 주목받고 있으니 참고하세요.

Styled Components가 공식적으로 개발을 중단하고 후원도 그만 받는다고 합니다. CSS-in-JS 분야에 선구자적인 역할을 했던 라이브러리라고 생각합니다. Emotion, Stitches, Vanilla Extract 등 그 이후에 나온 수많은 CSS-in-JS 라이브러리에 영감을 주었죠. Styled Components의 시장 점유율이 워낙 높아서 예전에 jQuery가 그랬던 것처럼 실제 사용량은 수년에 걸쳐 서서히 줄어들거라고 생각합니다. 하지만 신규 프로젝트에서는 Styled Components를 선택하지 않도록 주의해야할 것 같습니다. React 생태계가 RSC로 넘어가면서 빌드 타임에 스타일링을 하는 Panda CSS나 StyleX과 같은 차세대 라이브러리가 대체제로 주목받고 있으니 참고하세요.

opencollective.com

👋 굿바이 Styled Components 🥹

한 시대가 저무는 기분입니다...

AI 개발 시대에는 SRE(Site Reliability Engineering)와 유사한 의미로 DRE(Development Reliability Engineering)가 필요할 것 같음.

AI 개발 시대에는 SRE(Site Reliability Engineering)와 유사한 의미로 DRE(Development Reliability Engineering)가 필요할 것 같음.

“이건 아미고의 컨셉을 잘 표현하는 마케팅 소재 이미지야. 이 이미지를 참고해서 재미있고 마음에 확 와 닿는 4컷 만화를 만들어줘.”

첫번째 사진 - 원본
두번째 사진 - 첫샷 😮
세번째 사진 - 세컨샷 😳

아미고(Ameego) 다운로드: https://tosto.re/ameego

“이건 아미고의 컨셉을 잘 표현하는 마케팅 소재 이미지야. 이 이미지를 참고해서 재미있고 마음에 확 와 닿는 4컷 만화를 만들어줘.” 첫번째 사진 - 원본두번째 사진 - 첫샷 😮세번째 사진 - 세컨샷 😳 아미고(Ameego) 다운로드: https://tosto.re/ameego

👨🏻‍🔬 GPT-4o로 네컷 만화 생성하기

🗞️ 간밤에 구글이 Gemini 2.5 Pro를 출시했는데요. 벤치마크 상으로는 GPT-4.5와 Claude 3.7 의 성능을 크게 뛰어넘는 결과를 보여줍니다. 특히 코딩능력이 매우 크게 향상되었는데요.

그.런.데, 이번에도 역시 OpenAI가 크게 초를 칩니다 ㅋㅋ 간밤에 GPT-4o 네이티브 이미지 생성 능력을 크게 향상시켜 ChatGPT와 Sora에서 사용할 수 있게 공개했습니다.

이미지 생성은 OpenAI가 꽤 뒤쳐지는 분야였고, 최근 Gemini가 이미지 생성 편집 능력으로 꽤 각광을 받고 있었는데요. 생성 성능이 특히 편집 성능이 정말 미쳤습니다. 진짜 이젠 AI로 생성한 것인지 거의 모를 정도네요.

암튼 오늘도 이렇게 OpenAI가 뒤통수(?)를 크게 치네요. ㅋㅋ OpenAI의 다음 팝콘 드라마는 어떤 것일지 궁금합니다. 😎🍿🥤

🗞️ 간밤에 구글이 Gemini 2.5 Pro를 출시했는데요. 벤치마크 상으로는 GPT-4.5와 Claude 3.7 의 성능을 크게 뛰어넘는 결과를 보여줍니다. 특히 코딩능력이 매우 크게 향상되었는데요. 그.런.데, 이번에도 역시 OpenAI가 크게 초를 칩니다 ㅋㅋ 간밤에 GPT-4o 네이티브 이미지 생성 능력을 크게 향상시켜 ChatGPT와 Sora에서 사용할 수 있게 공개했습니다. 이미지 생성은 OpenAI가 꽤 뒤쳐지는 분야였고, 최근 Gemini가 이미지 생성 편집 능력으로 꽤 각광을 받고 있었는데요. 생성 성능이 특히 편집 성능이 정말 미쳤습니다. 진짜 이젠 AI로 생성한 것인지 거의 모를 정도네요. 암튼 오늘도 이렇게 OpenAI가 뒤통수(?)를 크게 치네요. ㅋㅋ OpenAI의 다음 팝콘 드라마는 어떤 것일지 궁금합니다. 😎🍿🥤

🗞️ 동영상 생성 AI의 선두주자인 Runway에서 새로운 모델인 Gen-4를 발표했습니다.

이 역시 어마어마한 발전을 했는데요. 다른 영상들도 놀랍지만, 첨부한 영상을 보면 빛의 반사까지 제대로 표현 된 것을 볼 수 있습니다.

물론 그림자 등 아직 미숙한 점이 있지만, 불과 1년 반전에 밈으로 회자됐던 윌 스미스의 스파게티 먹는 영상을 생각하면 발전 속도가 정말 말도 안되는 수준이죠. 이에 비하면 윌스미스 영상은 마치 80년대에 만든 AI처럼 느껴질 정도니까요.

불과 며칠전의 OpenAI의 이미지 생성도 그렇고.. 분명 아직도 부족한 점은 많지만, 발전속도를 고려하면 모든 미디어 산업이 싸그리 재편될 날이 미처 수년이 채 남지 않은 것 같습니다.

🗞️ 동영상 생성 AI의 선두주자인 Runway에서 새로운 모델인 Gen-4를 발표했습니다. 이 역시 어마어마한 발전을 했는데요.… | Jin Joong Kim

🗞️ 동영상 생성 AI의 선두주자인 Runway에서 새로운 모델인 Gen-4를 발표했습니다.

이 역시 어마어마한 발전을 했는데요. 다른 영상들도 놀랍지만, 첨부한 링크의 영상을 보면 빛의 반사까지 제대로 표현 된 것을 볼 수 있습니다.

물론 그림자 등 아직 미숙한 점이 있지만, 불과 1년 반전에 밈으로 회자됐던 윌 스미스의 스파게티 먹는 영상을 생각하면 발전 속도가 정말 말도 안되는 수준이죠. 이에 비하면 윌스미스 영상은 마치 80년대에 만든 AI처럼 느껴질 정도니까요.

불과 며칠전의 OpenAI의 이미지 생성도 그렇고.. 분명 아직도 부족한 점은 많지만, 발전속도를 고려하면 모든 미디어 산업이 싸그리 재편될 날이 미처 수년이 채 남지 않은 것 같습니다.

🗞️ 동영상 생성 AI의 선두주자인 Runway에서 새로운 모델인 Gen-4를 발표했습니다. 이 역시 어마어마한 발전을 했는데요. 다른 영상들도 놀랍지만, 첨부한 링크의 영상을 보면 빛의 반사까지 제대로 표현 된 것을 볼 수 있습니다. 물론 그림자 등 아직 미숙한 점이 있지만, 불과 1년 반전에 밈으로 회자됐던 윌 스미스의 스파게티 먹는 영상을 생각하면 발전 속도가 정말 말도 안되는 수준이죠. 이에 비하면 윌스미스 영상은 마치 80년대에 만든 AI처럼 느껴질 정도니까요. 불과 며칠전의 OpenAI의 이미지 생성도 그렇고.. 분명 아직도 부족한 점은 많지만, 발전속도를 고려하면 모든 미디어 산업이 싸그리 재편될 날이 미처 수년이 채 남지 않은 것 같습니다.

www.linkedin.com

Testing Library는 웹 프론트엔드 테스트에서 사실 상 표준으로 자리잡은 라이브러리입니다. React 뿐만 아니라 Vue, Svelte, Angular 등 거의 대부분의 자바스크립트 프레임워크를 지원하고 있죠.

이번 영상에서는 Testing Library를 사용해서 React 컴포넌트에 대한 테스트 코드를 어떻게 작성하는지 함께 알아보겠습니다.

📺 동영상: https://youtu.be/TBFogFU7cls
📝 포스팅: https://www.daleseo.com/react-testing-library/

Testing Library는 웹 프론트엔드 테스트에서 사실 상 표준으로 자리잡은 라이브러리입니다. React 뿐만 아니라 Vue, Svelte, Angular 등 거의 대부분의 자바스크립트 프레임워크를 지원하고 있죠. 이번 영상에서는 Testing Library를 사용해서 React 컴포넌트에 대한 테스트 코드를 어떻게 작성하는지 함께 알아보겠습니다. 📺 동영상: https://youtu.be/TBFogFU7cls📝 포스팅: https://www.daleseo.com/react-testing-library/

React Testing Library 사용법

소감과 앞으로의 목표
이번 주에 항해플러스 AI 코스의 첫 수업을 들었다. 처음 만난 동기들과 멘토님과의 시간은 생각보다 훨씬 즐거웠다. AI 코스를 통해 얻고자 하는 목표도 명확히 정했다. 이미 제공되는 LLM을 단순히 이용하는 수준에서 벗어나, 내가 직접 무료 오픈소스 LLM을 파인튜닝하여 AI 서비스를 만들 수 있는 수준까지 도달하는 것이다. 이 목표를 이루기 위해 앞으로도 꾸준히 노력할 생각이다.

처음 접한 AI 공부의 어려움
AI 공부를 본격적으로 시작하니, 생소한 용어와 수학 공식들이 쏟아져 나와 처음에는 정신이 없었다. 용어들부터 낯설고 어렵게 느껴졌으며, 수학 공식이 많이 나와 당황스러웠다. 멘토님들은 지금 당장 수학을 깊이 이해하지 않아도 된다고 하셨지만, LLM을 제대로 활용하려면 결국은 깊은 이해가 필요할 것 같다.
그래서 내가 내린 첫 결론은 “용어부터 제대로 이해하자”였다. 용어집을 만들면서 하나하나 의미를 정리하며 공부를 시작했다.

중요 용어 쉽게 정리하기
머신러닝이란?
컴퓨터가 스스로 문제를 해결하도록 배우는 방법이다.
Task (일): 컴퓨터가 해결해야 할 문제 (예: 사진 속 동물 맞추기)
Evaluation Metric (성적표): 컴퓨터의 성능을 평가하는 지표
Optimization (연습): 컴퓨터가 성능을 높이기 위해 계속 학습하는 과정
간단한 머신러닝 모델
Linear Regression (선 긋기): 데이터를 가장 잘 표현하는 직선을 찾는 모델
Logistic Regression (분류 선 긋기): 데이터의 범주를 구분하기 위한 직선을 찾는 모델
리니어 레이어(Linear Layer, 계산기): 입력 숫자에 곱하고 더하여 새로운 숫자를 만드는 층
신경망 (딥러닝)
Multi-layer Perceptron (MLP, 여러 층 계산기): 여러 리니어 레이어를 연결하여 복잡한 문제 해결
XOR (특별한 문제): 선 긋기만으로 해결할 수 없어 MLP 같은 신경망이 필요한 문제
ReLU (특별한 버튼): 계산된 값이 마이너스면 0, 플러스면 그대로 사용하는 활성화 함수
Activation Function (활성화 함수): 뉴런의 출력을 결정하는 함수 (예: ReLU, Sigmoid, Tanh 등)
딥러닝의 학습 방법
Gradient Descent (내리막길 찾기): 가장 빠르게 정답에 가까워지는 방법
Learning Rate (배우는 속도): 학습할 때 얼마나 빠르게 파라미터를 업데이트할지 결정하는 수치
Parameter (컴퓨터가 기억하는 숫자): 컴퓨터가 학습을 통해 기억하는 숫자
Hyperparameter (컴퓨터가 미리 정한 숫자): 모델의 학습 과정을 제어하는 미리 설정된 숫자들 (예: 학습률, 배치 크기)
Computation Graph (계산 순서 그림): 문제 풀이 과정을 그림으로 나타낸 것
Backpropagation (거꾸로 배우기): 틀린 부분을 뒤에서부터 수정해가는 방법
딥러닝 도구와 문제 해결법
PyTorch (컴퓨터 공부 도구): 딥러닝을 쉽게 구현하도록 돕는 프로그램
Tensor (숫자 꾸러미): PyTorch에서 데이터를 나타내는 기본 단위
Stochastic Gradient Descent (조금씩 내려가기): 데이터를 조금씩 보며 빠르게 학습하는 방법
MNIST (숫자 맞추기 게임): 손글씨 숫자를 맞추는 대표적인 데이터셋
딥러닝에서 자주 겪는 문제
Overfitting (너무 외우기): 훈련 데이터만 잘 맞추고 새로운 데이터는 못 맞추는 현상
Underfitting (덜 외우기): 모델이 데이터를 제대로 학습하지 못해 성능이 낮은 현상
Generalization Error (새 문제에서 틀리는 것): 새로운 문제에서 발생하는 오차
Validation Data & Early Stopping (미리 확인하고 멈추기): 학습 중간에 성능을 점검하고 더 이상 발전이 없으면 멈추는 방법
더 똑똑한 학습 기술들
Weight Decay (숫자 작게 만들기): 불필요한 숫자를 작게 만들어 더 잘 학습하게 하는 방법
Dropout (일부러 잊기): 일부 데이터를 무작위로 제외하여 일반화 성능을 높이는 방법
Advanced Activation Function (더 좋은 버튼): ReLU보다 더 효율적인 다양한 활성화 함수들
Adam Optimizer (똑똑하게 내려가기): 더 빠르고 효율적으로 학습을 진행하는 방법
인공지능과 딥러닝의 핵심 용어들
Fine-tuning (미세 조정): 이미 잘 학습된 모델을 특정 데이터에 맞게 추가로 학습시키는 방법
Transfer Learning (지식 옮기기): 다른 일을 하면서 배운 지식을 새로운 문제 해결에 활용하는 방법
Embedding (의미 숫자화): 단어나 문장의 의미를 숫자로 표현한 것
Attention (집중하기): 중요한 정보에 더 집중하여 성능을 높이는 기술
Transformer (주의 깊은 신경망): Attention 기법을 활용해 더 복잡한 데이터를 잘 처리하는 신경망 구조
LLM (Large Language Model, 큰 언어 모델): 엄청난 양의 글을 읽고 자연스러운 문장을 만들어 내는 인공지능 모델 (예: GPT-4)
Prompt (질문 또는 지시): LLM에게 원하는 답을 얻기 위해 입력하는 질문이나 명령어
Context (맥락): LLM이 질문에 답할 때 함께 참고하는 주변 정보
Few-shot Learning (몇 개만 보고 배우기): 데이터를 아주 적게만 봐도 새로운 문제를 해결할 수 있는 능력
Inference (추론, 답하기): 이미 학습된 모델이 새로운 질문에 답하는 과정

1주차 과제: MNIST 숫자 분류 모델 만들기
이번 과제는 MNIST라는 손글씨 이미지 데이터를 이용해 0~9까지 숫자를 구별하는 딥러닝 모델을 만드는 것이었다. 이 과제를 통해 회귀와 분류 모델의 차이를 이해하고, 분류 모델 설계 시 중요한 출력층의 크기 설정과 손실 함수 선택에 대해 학습할 수 있었다.
과제의 목표:
분류 문제를 위한 모델 구성과 학습 방법 익히기
모델 정확도 평가 및 과적합 여부 점검하기
과제 수행 과정:
MNIST 데이터 로딩 및 전처리
딥러닝 모델 설계 및 구현 (Linear Layers와 ReLU 활용)
CrossEntropy 손실함수와 SGD 옵티마이저로 모델 학습
정확도 평가를 통해 성능 확인
약 100회의 Epoch을 진행한 후, 최종 모델의 정확도는 약 94%였다. 이를 통해 기본적인 분류 모델의 학습 방법과 흐름을 명확하게 이해할 수 있었다.

마무리하며
항해플러스 AI 1주차 과정을 통해 머신러닝과 딥러닝의 개념과 이론을 명확히 잡을 수 있었다. 가장 기본이 되는 MNIST 문제를 직접 풀어보며 모델 설계부터 학습, 평가까지 전 과정을 경험한 것이 가장 큰 소득이었다. 앞으로 더 심화된 모델을 구축하여 내가 원하는 AI 서비스를 직접 구현할 수 있을 것이라는 자신감을 얻게 된 의미 있는 시간이 되었다.

#항해99 #항해 플러스 AI 후기 #AI 개발자 #LLM

소감과 앞으로의 목표이번 주에 항해플러스 AI 코스의 첫 수업을 들었다. 처음 만난 동기들과 멘토님과의 시간은 생각보다 훨씬 즐거웠다. AI 코스를 통해 얻고자 하는 목표도 명확히 정했다. 이미 제공되는 LLM을 단순히 이용하는 수준에서 벗어나, 내가 직접 무료 오픈소스 LLM을 파인튜닝하여 AI 서비스를 만들 수 있는 수준까지 도달하는 것이다. 이 목표를 이루기 위해 앞으로도 꾸준히 노력할 생각이다. 처음 접한 AI 공부의 어려움AI 공부를 본격적으로 시작하니, 생소한 용어와 수학 공식들이 쏟아져 나와 처음에는 정신이 없었다. 용어들부터 낯설고 어렵게 느껴졌으며, 수학 공식이 많이 나와 당황스러웠다. 멘토님들은 지금 당장 수학을 깊이 이해하지 않아도 된다고 하셨지만, LLM을 제대로 활용하려면 결국은 깊은 이해가 필요할 것 같다.그래서 내가 내린 첫 결론은 “용어부터 제대로 이해하자”였다. 용어집을 만들면서 하나하나 의미를 정리하며 공부를 시작했다. 중요 용어 쉽게 정리하기머신러닝이란? 컴퓨터가 스스로 문제를 해결하도록 배우는 방법이다.Task (일): 컴퓨터가 해결해야 할 문제 (예: 사진 속 동물 맞추기)Evaluation Metric (성적표): 컴퓨터의 성능을 평가하는 지표Optimization (연습): 컴퓨터가 성능을 높이기 위해 계속 학습하는 과정간단한 머신러닝 모델Linear Regression (선 긋기): 데이터를 가장 잘 표현하는 직선을 찾는 모델Logistic Regression (분류 선 긋기): 데이터의 범주를 구분하기 위한 직선을 찾는 모델리니어 레이어(Linear Layer, 계산기): 입력 숫자에 곱하고 더하여 새로운 숫자를 만드는 층신경망 (딥러닝)Multi-layer Perceptron (MLP, 여러 층 계산기): 여러 리니어 레이어를 연결하여 복잡한 문제 해결XOR (특별한 문제): 선 긋기만으로 해결할 수 없어 MLP 같은 신경망이 필요한 문제ReLU (특별한 버튼): 계산된 값이 마이너스면 0, 플러스면 그대로 사용하는 활성화 함수Activation Function (활성화 함수): 뉴런의 출력을 결정하는 함수 (예: ReLU, Sigmoid, Tanh 등)딥러닝의 학습 방법Gradient Descent (내리막길 찾기): 가장 빠르게 정답에 가까워지는 방법Learning Rate (배우는 속도): 학습할 때 얼마나 빠르게 파라미터를 업데이트할지 결정하는 수치Parameter (컴퓨터가 기억하는 숫자): 컴퓨터가 학습을 통해 기억하는 숫자Hyperparameter (컴퓨터가 미리 정한 숫자): 모델의 학습 과정을 제어하는 미리 설정된 숫자들 (예: 학습률, 배치 크기)Computation Graph (계산 순서 그림): 문제 풀이 과정을 그림으로 나타낸 것Backpropagation (거꾸로 배우기): 틀린 부분을 뒤에서부터 수정해가는 방법딥러닝 도구와 문제 해결법PyTorch (컴퓨터 공부 도구): 딥러닝을 쉽게 구현하도록 돕는 프로그램Tensor (숫자 꾸러미): PyTorch에서 데이터를 나타내는 기본 단위Stochastic Gradient Descent (조금씩 내려가기): 데이터를 조금씩 보며 빠르게 학습하는 방법MNIST (숫자 맞추기 게임): 손글씨 숫자를 맞추는 대표적인 데이터셋딥러닝에서 자주 겪는 문제Overfitting (너무 외우기): 훈련 데이터만 잘 맞추고 새로운 데이터는 못 맞추는 현상Underfitting (덜 외우기): 모델이 데이터를 제대로 학습하지 못해 성능이 낮은 현상Generalization Error (새 문제에서 틀리는 것): 새로운 문제에서 발생하는 오차Validation Data &amp; Early Stopping (미리 확인하고 멈추기): 학습 중간에 성능을 점검하고 더 이상 발전이 없으면 멈추는 방법더 똑똑한 학습 기술들Weight Decay (숫자 작게 만들기): 불필요한 숫자를 작게 만들어 더 잘 학습하게 하는 방법Dropout (일부러 잊기): 일부 데이터를 무작위로 제외하여 일반화 성능을 높이는 방법Advanced Activation Function (더 좋은 버튼): ReLU보다 더 효율적인 다양한 활성화 함수들Adam Optimizer (똑똑하게 내려가기): 더 빠르고 효율적으로 학습을 진행하는 방법인공지능과 딥러닝의 핵심 용어들Fine-tuning (미세 조정): 이미 잘 학습된 모델을 특정 데이터에 맞게 추가로 학습시키는 방법Transfer Learning (지식 옮기기): 다른 일을 하면서 배운 지식을 새로운 문제 해결에 활용하는 방법Embedding (의미 숫자화): 단어나 문장의 의미를 숫자로 표현한 것Attention (집중하기): 중요한 정보에 더 집중하여 성능을 높이는 기술Transformer (주의 깊은 신경망): Attention 기법을 활용해 더 복잡한 데이터를 잘 처리하는 신경망 구조LLM (Large Language Model, 큰 언어 모델): 엄청난 양의 글을 읽고 자연스러운 문장을 만들어 내는 인공지능 모델 (예: GPT-4)Prompt (질문 또는 지시): LLM에게 원하는 답을 얻기 위해 입력하는 질문이나 명령어Context (맥락): LLM이 질문에 답할 때 함께 참고하는 주변 정보Few-shot Learning (몇 개만 보고 배우기): 데이터를 아주 적게만 봐도 새로운 문제를 해결할 수 있는 능력Inference (추론, 답하기): 이미 학습된 모델이 새로운 질문에 답하는 과정 1주차 과제: MNIST 숫자 분류 모델 만들기이번 과제는 MNIST라는 손글씨 이미지 데이터를 이용해 0~9까지 숫자를 구별하는 딥러닝 모델을 만드는 것이었다. 이 과제를 통해 회귀와 분류 모델의 차이를 이해하고, 분류 모델 설계 시 중요한 출력층의 크기 설정과 손실 함수 선택에 대해 학습할 수 있었다.과제의 목표:분류 문제를 위한 모델 구성과 학습 방법 익히기모델 정확도 평가 및 과적합 여부 점검하기과제 수행 과정:MNIST 데이터 로딩 및 전처리딥러닝 모델 설계 및 구현 (Linear Layers와 ReLU 활용)CrossEntropy 손실함수와 SGD 옵티마이저로 모델 학습정확도 평가를 통해 성능 확인약 100회의 Epoch을 진행한 후, 최종 모델의 정확도는 약 94%였다. 이를 통해 기본적인 분류 모델의 학습 방법과 흐름을 명확하게 이해할 수 있었다. 마무리하며항해플러스 AI 1주차 과정을 통해 머신러닝과 딥러닝의 개념과 이론을 명확히 잡을 수 있었다. 가장 기본이 되는 MNIST 문제를 직접 풀어보며 모델 설계부터 학습, 평가까지 전 과정을 경험한 것이 가장 큰 소득이었다. 앞으로 더 심화된 모델을 구축하여 내가 원하는 AI 서비스를 직접 구현할 수 있을 것이라는 자신감을 얻게 된 의미 있는 시간이 되었다. #항해99 #항해 플러스 AI 후기 #AI 개발자 #LLM

항해플러스 AI 1주차 후기 - 용어의 중요성

Bard is now Gemini. Get help with writing, planning, learning, and more from Google AI.

‎Gemini - chat to supercharge your ideas

https://gemini.google.com/
구글이 Gemini 2.5 Pro (실험 버전)를 무료로 풀었습니다!
리더보드에서는 Gemini 2.5 Pro 가 꽤 격차를 내며, 1위를 달리고 있는데요. 개인적으로도 역대 가장 좋은 성능을 체감하고 있습니다.
가장 진보된 모델(실험 버전이긴 하지만)의 전면 무료화는 매우 공격적인 전략으로 보이는데요. OpenAI(ChatGPT)나 Anthropic(Claude) 등 경쟁사들의 유료 모델과 직접 경쟁하면서, 사용자들에게 '무료'라는 강력한 유인책을 제공하여 시장 점유율을 빼앗아 오려는 의도로 볼 수 있습니다.

과연 이 전략은 성공할 수 있을까요?

참고로 현재 제한된 횟수 안에서 API 도 무료로 사용가능합니다.
- 무료 : RPM 5, RPD 25
- 유료 : RPM 20, RPD 100

더 보기
- Google, Gemini 2.5 Pro 출시 - 따라올테면 따라와봐
https://www.facebook.com/share/p/1AQWWGuMt1/

- OpenAI를 따라잡기 위한 구글의 2년간의 분투기
https://www.facebook.com/share/p/18rSta3Hf2/

#구글Gemini #AI전쟁 #ChatGPT #Claude #무료AI #기술경쟁

https://gemini.google.com/구글이 Gemini 2.5 Pro (실험 버전)를 무료로 풀었습니다!리더보드에서는 Gemini 2.5 Pro 가 꽤 격차를 내며, 1위를 달리고 있는데요. 개인적으로도 역대 가장 좋은 성능을 체감하고 있습니다.가장 진보된 모델(실험 버전이긴 하지만)의 전면 무료화는 매우 공격적인 전략으로 보이는데요. OpenAI(ChatGPT)나 Anthropic(Claude) 등 경쟁사들의 유료 모델과 직접 경쟁하면서, 사용자들에게 '무료'라는 강력한 유인책을 제공하여 시장 점유율을 빼앗아 오려는 의도로 볼 수 있습니다. 과연 이 전략은 성공할 수 있을까요? 참고로 현재 제한된 횟수 안에서 API 도 무료로 사용가능합니다.- 무료 : RPM 5, RPD 25- 유료 : RPM 20, RPD 100 더 보기- Google, Gemini 2.5 Pro 출시 - 따라올테면 따라와봐https://www.facebook.com/share/p/1AQWWGuMt1/ - OpenAI를 따라잡기 위한 구글의 2년간의 분투기https://www.facebook.com/share/p/18rSta3Hf2/ #구글Gemini #AI전쟁 #ChatGPT #Claude #무료AI #기술경쟁

Gemini

🚀 구글의 AI 승부수? Gemini 2.5 Pro 전면 무료화!

1. 혼자 열심히 하는 건 별로 안 중요합니다. 다른 사람에게 기여해야, 다시 말해 다른 사람이 여러분으로 인해 더 나은 성과를 얻었다고 느껴야 커리어가 성장합니다.

2. 충성이 밥 먹여주지 않습니다. 기업은 이익을 중요시 합니다. 회사에 이익이 되어야 커리어가 발전할 수 있습니다.

3. 직함도 별로 안 중요합니다. 특히 스타트업에선 직함은 아무런 의미가 없어요. 직함보다 중요한 게 실력이고, 결과입니다. 그러니 타이틀에 신경쓰지 말고, 실력과 결과를 보여주세요.

4. 리더가 항상 옳은 건 아니고, 리더 역시 잘못된 판단과 실수를 합니다. 그때 진실을 발견할 수 있도록 도우세요.

5. 네트워킹에서 중요한 건 많이 아는 게 아니라, 누구를 아느냐입니다. 그러니 여기저기 행사에 다니지 말고, 진정한 관계를 쌓으세요.

6. 번아웃은 자랑거리가 아닙니다. 번아웃이 올 때까지 마냥 열심히 일하는 게 중요한 게 아니라, 영리하게 자기 에너지를 잘 관리하는 것이 중요합니다.

7. 편하고 괜찮다고 느끼는 순간, 성장은 파괴됩니다. 불편함과 위험을 감수하지 않고서, 성장할 수는 없습니다.

8. 피드백은 그 자체로 선물입니다. 심지어 악독한 비판까지도 시간이 지나면 도움이 됩니다. 그러니 피드백은 격렬하게 환영하세요.

9. 당신이 대체불가능하다는 착각은 절대 하지 마세요. 비즈니스에서는 어떤 일이든, 어떤 사람이든, 대체 가능하고, 시장은 진공 상태를 허용하지 않습니다. 그러니 자신이 대체불가능하다는 생각은 하지 말고, 지금 이 순간 다른 사람에 더 긍정적인 영향을 미치는 데 집중하세요.

10. 완벽주의는 성장을 늦추는 독입니다. 완벽함을 추구한다고 망설이고 주저하는 순간, 그만큼 성장 속도는 더뎌집니다. 그러니 완벽함을 버리고, 초라한 상태에서 출발해 계속해서 발전하고 진화하는 것을 추구하세요.

11. 모든 경험은 연결됩니다. 지금 하기 싫은 일, 지금의 실패, 지금의 부끄러움이 훗날 큰 승리의 밑거름이 되기도 합니다. 그러니 장기적 관점에서 바라보세요. 순탄치 않은 길이 오히려 지나고 나면 당신의 커리어를 더욱 풍성하게 만들어줄 겁니다.

12. 커리어에서는 날로 먹으려고 하다간 오히려 낭패를 봅니다. 그 누구도 당신의 성장을 대신 이끌어주지 않기 때문입니다. 그러니 안주하려는 자기 자신을 더 잘 통제하고, 기회와 리스크를 추구하세요. 누군가가 내 커리어를 대신 끌어줄 것이라고 믿는 순간, 오히려 커리어는 망가집니다.

1. 혼자 열심히 하는 건 별로 안 중요합니다. 다른 사람에게 기여해야, 다시 말해 다른 사람이 여러분으로 인해 더 나은 성과를 얻었다고 느껴야 커리어가 성장합니다. 2. 충성이 밥 먹여주지 않습니다. 기업은 이익을 중요시 합니다. 회사에 이익이 되어야 커리어가 발전할 수 있습니다. 3. 직함도 별로 안 중요합니다. 특히 스타트업에선 직함은 아무런 의미가 없어요. 직함보다 중요한 게 실력이고, 결과입니다. 그러니 타이틀에 신경쓰지 말고, 실력과 결과를 보여주세요. 4. 리더가 항상 옳은 건 아니고, 리더 역시 잘못된 판단과 실수를 합니다. 그때 진실을 발견할 수 있도록 도우세요. 5. 네트워킹에서 중요한 건 많이 아는 게 아니라, 누구를 아느냐입니다. 그러니 여기저기 행사에 다니지 말고, 진정한 관계를 쌓으세요. 6. 번아웃은 자랑거리가 아닙니다. 번아웃이 올 때까지 마냥 열심히 일하는 게 중요한 게 아니라, 영리하게 자기 에너지를 잘 관리하는 것이 중요합니다. 7. 편하고 괜찮다고 느끼는 순간, 성장은 파괴됩니다. 불편함과 위험을 감수하지 않고서, 성장할 수는 없습니다. 8. 피드백은 그 자체로 선물입니다. 심지어 악독한 비판까지도 시간이 지나면 도움이 됩니다. 그러니 피드백은 격렬하게 환영하세요. 9. 당신이 대체불가능하다는 착각은 절대 하지 마세요. 비즈니스에서는 어떤 일이든, 어떤 사람이든, 대체 가능하고, 시장은 진공 상태를 허용하지 않습니다. 그러니 자신이 대체불가능하다는 생각은 하지 말고, 지금 이 순간 다른 사람에 더 긍정적인 영향을 미치는 데 집중하세요. 10. 완벽주의는 성장을 늦추는 독입니다. 완벽함을 추구한다고 망설이고 주저하는 순간, 그만큼 성장 속도는 더뎌집니다. 그러니 완벽함을 버리고, 초라한 상태에서 출발해 계속해서 발전하고 진화하는 것을 추구하세요. 11. 모든 경험은 연결됩니다. 지금 하기 싫은 일, 지금의 실패, 지금의 부끄러움이 훗날 큰 승리의 밑거름이 되기도 합니다. 그러니 장기적 관점에서 바라보세요. 순탄치 않은 길이 오히려 지나고 나면 당신의 커리어를 더욱 풍성하게 만들어줄 겁니다. 12. 커리어에서는 날로 먹으려고 하다간 오히려 낭패를 봅니다. 그 누구도 당신의 성장을 대신 이끌어주지 않기 때문입니다. 그러니 안주하려는 자기 자신을 더 잘 통제하고, 기회와 리스크를 추구하세요. 누군가가 내 커리어를 대신 끌어줄 것이라고 믿는 순간, 오히려 커리어는 망가집니다.

커리어를 쌓아야 할 때 알아야 하는 잔인한 사실들

🗞️ 간밤에 구글이 Gemini 2.5 Pro를 출시했는데요. 벤

실패에 대한 잘못된 생각 | 진행 중인 강의 보러 가기 : https://litt.ly/lbyd   "기획자가 시장을 제대로 이해하지 못했어요""개발자가 구현을 제대로 못했어요""디자이너가 사용자 경험을 고려하지 않았어요"...  우리가 제품을 만들 때 가장 많이 듣는 실패 이유는 무엇일까요? 이야기를 나누다보면 대부분 특정 직무 혹은 남 탓을 해요. 이런 생각은 근본적으로 잘못되었어

'혼자'가 아닌 '함께'

"기획자가 시장을 제대로 이해하지 못했어요"
"개발자가 구현을 제대로 못했어요"
"디자이너가 사용자 경험을 고려하지 않았어요"
...

제품의 지표가 안 올라오는 이유는 고객 이해 부족과 사일로 현상이 많아요. 그렇기 때문에 제품을 만들 때는 항상 혼자가 아닌 함께 하는 것이 무엇보다 중요해요!

우리가 제품을 만들 때 가장 많이 듣는 실패 이유는 무엇일까요? 이야기를 나누다보면 대부분 특정 직무 혹은 남 탓을 해요. 이런 생각은 근본적으로 잘못되었어요. 왜냐하면 성공적인 제품은 '한 사람'의 노력이 아닌 '모두의 협업'에서 나오기 때문이에요.
 
 
왜 실패하나요?
특정 기능을 만들고 나서 지표가 오르지 않는 진짜 이유는 2가지로 분류할 수 있어요.
 
1️⃣ 고객 이해 부족
가장 큰 실패 이유라고 해도 무방해요. 우리가 아무리 좋은 기능을 만든다고 해도, 사용할 사람이 필요가 없으면 의미가 없어요. 그렇기 때문에 고객을 이해한다는 것인 정말 중요해요. 제품을 만드는 모두가 고객을 이해하지 못하면 결국 아무도 고객을 이해하지 못해요.
 
2️⃣ 사일로(Silo) 현상
대부분 초기 창업 혹은 부서화가 집중된 회사에 나오는 현상이에요. "이건 기획자의 일이야", "이건 개발자의 일이야"라고 경계를 긋는 현상이죠. 해야하는 업무에 대해서는 기준이 필요하지만, 고객을 이해하는 일에 대해 경계를 긋는 것은 지양해야 해요. 제품이 성장하기 위해서는 정말 다양한 관점이 모여서 리스크를 줄여야 해요.
 
이렇게 사일로 현상이 심화되면 결국 단절된 커뮤니케이션만 하게 돼요. 자기 영역만 고수하는 것은 어떻게 보면 일하기에는 편해져요. 소위 효율성이라는 측면은 극강으로 올라가게 되는 것이지만 전체 그림을 볼 수 없어요. 그래서 아무도 사용하지 않는 기능을 만들게 되는 것이죠.
 
 
더보기 : https://brunch.co.kr/@lbyd-hj/26

 * 진행 중인 강의 보러 가기 : https://litt.ly/lbyd
 * PM/PO/제품 개발에 대한 인사이트를 얻고 싶다면, 오픈채팅방에 참여해 주세요!
   https://open.kakao.com/o/g7XO1A5g 참여코드 : til2025
 * Threads : https://www.threads.net/@lbyd_learning.by.doing
 * 뉴스레터 구독하기 : https://maily.so/marcus.lee
 * 유튜브 구독하기 : www.youtube.com/@LbyD_HJ?sub_confirmation=1
 * 커피챗 및 멘토링 신청하기 : https://inf.run/GRTee
 * 팀 코칭 신청하기 : https://open.kakao.com/o/sh47Hq4g

"기획자가 시장을 제대로 이해하지 못했어요" "개발자가 구현을 제대로 못했어요" "디자이너가 사용자 경험을 고려하지 않았어요" ... 제품의 지표가 안 올라오는 이유는 고객 이해 부족과 사일로 현상이 많아요. 그렇기 때문에 제품을 만들 때는 항상 혼자가 아닌 함께 하는 것이 무엇보다 중요해요! 우리가 제품을 만들 때 가장 많이 듣는 실패 이유는 무엇일까요? 이야기를 나누다보면 대부분 특정 직무 혹은 남 탓을 해요. 이런 생각은 근본적으로 잘못되었어요. 왜냐하면 성공적인 제품은 '한 사람'의 노력이 아닌 '모두의 협업'에서 나오기 때문이에요.&nbsp;&nbsp;왜 실패하나요?특정 기능을 만들고 나서 지표가 오르지 않는 진짜 이유는 2가지로 분류할 수 있어요.&nbsp;1️⃣ 고객 이해 부족가장 큰 실패 이유라고 해도 무방해요. 우리가 아무리 좋은 기능을 만든다고 해도, 사용할 사람이 필요가 없으면 의미가 없어요. 그렇기 때문에 고객을 이해한다는 것인 정말 중요해요. 제품을 만드는 모두가 고객을 이해하지 못하면 결국 아무도 고객을 이해하지 못해요.&nbsp;2️⃣ 사일로(Silo) 현상대부분 초기 창업 혹은 부서화가 집중된 회사에 나오는 현상이에요. "이건 기획자의 일이야", "이건 개발자의 일이야"라고 경계를 긋는 현상이죠. 해야하는 업무에 대해서는 기준이 필요하지만, 고객을 이해하는 일에 대해 경계를 긋는 것은 지양해야 해요. 제품이 성장하기 위해서는 정말 다양한 관점이 모여서 리스크를 줄여야 해요.&nbsp;이렇게 사일로 현상이 심화되면 결국 단절된 커뮤니케이션만 하게 돼요. 자기 영역만 고수하는 것은 어떻게 보면 일하기에는 편해져요. 소위 효율성이라는 측면은 극강으로 올라가게 되는 것이지만 전체 그림을 볼 수 없어요. 그래서 아무도 사용하지 않는 기능을 만들게 되는 것이죠.&nbsp;&nbsp;더보기 : https://brunch.co.kr/@lbyd-hj/26 <ul ><li>진행 중인 강의 보러 가기 : https://litt.ly/lbyd</li><li>PM/PO/제품 개발에 대한 인사이트를 얻고 싶다면, 오픈채팅방에 참여해 주세요! https://open.kakao.com/o/g7XO1A5g&nbsp;참여코드 : til2025</li><li>Threads :&nbsp;https://www.threads.net/@lbyd_learning.by.doing</li><li>뉴스레터 구독하기 :&nbsp;https://maily.so/marcus.lee</li><li>유튜브 구독하기 :&nbsp;www.youtube.com/@LbyD_HJ?sub_confirmation=1</li><li>커피챗 및 멘토링 신청하기 :&nbsp;https://inf.run/GRTee</li><li>팀 코칭 신청하기 :&nbsp;https://open.kakao.com/o/sh47Hq4g</li></ul>

Brunch Story

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

 - YouTube

router.refresh 와 window.location.reload 의 차이점을 아시나요?
이름만 보면 둘은 비슷한 역할을 할 것 같은데
호출해보니, Next.js 가 내부적으로 관리하는 router state 에 대해
router.refresh 는 새로고침 해주지 않더라고요.

어떠한 차이점이 있는지 조금 더 자세히 알고 싶어서
Next.js 소스코드를 까보며 공부해 보았습니다.

https://youtu.be/Sc9O1hILOEU

router.refresh 와 window.location.reload 의 차이점을 아시나요? 이름만 보면 둘은 비슷한 역할을 할 것 같은데 호출해보니, Next.js 가 내부적으로 관리하는 router state 에 대해 router.refresh 는 새로고침 해주지 않더라고요. 어떠한 차이점이 있는지 조금 더 자세히 알고 싶어서 Next.js 소스코드를 까보며 공부해 보았습니다. https://youtu.be/Sc9O1hILOEU

youtu.be

router.refresh 와 window.location.rel

갭타임(Gap time)은
하루에 발생하는 큰 이벤트들 사이에 발생하는
상대적으로 짧은 빈 시간을 의미합니다.

예를 들어, 하루에 운동하는 스케쥴 이후에 남는 시간이나,
한 회의에서 다른 회의로 이동하기 전 비는 시간이나,
또는 다른 사람들과의 약속 전 10분 정도
남는 시간을 갭 타임이라고 부릅니다.

저는 이런 갭타임(Gap Time)에
저만의 메모를 하는 습관을 들이고 있어요.

노트북을 가지고 있는 상황에는 주로 Notion에,
핸드폰을 가지고 있는 상황에는 메모장에
그리고 전자기기가 없는 상황에는 제 수첩에
그날 제 머리속에 남았던 생각이나,
또는 중요한 스케쥴을 정리하는 용도로 사용합니다.

이 짧은 시간을 활용하면,
얼마나 활용하겠냐는 생각이 드실수 있습니다.
하지만 짜투리 시간에 이런 작은 습관들을 만들면,
의외로 높은 집중력을 활용해
필요한 일들을 빠르게 처리할 수 있습니다.

특히 이메일을 보내거나,
아님 기획을 해야하는 상황들이 발생했을 때,
갭 타임의 짧고 높은 집중력을 발휘하면,
평소에 30분 걸리던 일들이 5분안에 해결되는
놀라운 상황도 종종 일어납니다.

그리고 가장 좋은 점은 하루의 성취감이 달라진다는 점이에요.
계획한 일이 짧은 시간 동안 내 의지로 해결했다는
그 기분은 하루의 강렬한 도파민으로 작용되기도 합니다.

제가 주로 하는 갭 타임 포커싱 방법을 알려드릴게요.
위에서 말한 메모 방법을 사용해서 이렇게 적을수 있어요.

- 짧은 문장으로 하루의 스케쥴 정리하기
- 예시) 12:30 000과 화상미팅
- 중요한 생각이나, 아이디어가 떠오르면 메모하기
- 예시) 한 시간의 계획이 열 시간의 일을 절약한다.
- 좋은 글이나, 포스트를 보면 링크 저장하기
- 예시) 갭타임 포커싱을 잘 하는 3가지 방법

여러분들의 갭타임(Gap Time)을 활용하는 방법은
어떤 것들이 있나요?

갭타임(Gap time)은 하루에 발생하는 큰 이벤트들 사이에 발생하는 상대적으로 짧은 빈 시간을 의미합니다. 예를 들어, 하루에 운동하는 스케쥴 이후에 남는 시간이나, 한 회의에서 다른 회의로 이동하기 전 비는 시간이나, 또는 다른 사람들과의 약속 전 10분 정도 남는 시간을 갭 타임이라고 부릅니다. 저는 이런 갭타임(Gap Time)에 저만의 메모를 하는 습관을 들이고 있어요. 노트북을 가지고 있는 상황에는 주로 Notion에, 핸드폰을 가지고 있는 상황에는 메모장에 그리고 전자기기가 없는 상황에는 제 수첩에 그날 제 머리속에 남았던 생각이나, 또는 중요한 스케쥴을 정리하는 용도로 사용합니다. 이 짧은 시간을 활용하면, 얼마나 활용하겠냐는 생각이 드실수 있습니다. 하지만 짜투리 시간에 이런 작은 습관들을 만들면, 의외로 높은 집중력을 활용해 필요한 일들을 빠르게 처리할 수 있습니다. 특히 이메일을 보내거나, 아님 기획을 해야하는 상황들이 발생했을 때, 갭 타임의 짧고 높은 집중력을 발휘하면, 평소에 30분 걸리던 일들이 5분안에 해결되는 놀라운 상황도 종종 일어납니다. 그리고 가장 좋은 점은 하루의 성취감이 달라진다는 점이에요. 계획한 일이 짧은 시간 동안 내 의지로 해결했다는 그 기분은 하루의 강렬한 도파민으로 작용되기도 합니다. 제가 주로 하는 갭 타임 포커싱 방법을 알려드릴게요. 위에서 말한 메모 방법을 사용해서 이렇게 적을수 있어요. - 짧은 문장으로 하루의 스케쥴 정리하기 - 예시) 12:30 000과 화상미팅 - 중요한 생각이나, 아이디어가 떠오르면 메모하기 - 예시) 한 시간의 계획이 열 시간의 일을 절약한다. - 좋은 글이나, 포스트를 보면 링크 저장하기 - 예시) 갭타임 포커싱을 잘 하는 3가지 방법 여러분들의 갭타임(Gap Time)을 활용하는 방법은 어떤 것들이 있나요?

갭타임 포커싱 (Gap Time Focusing) 활용하기

얼마전 경기 침체 대비 일환 노후 대책 점검을 했다. 국민연금 수령 나이가 65세니 65세 이후 생활을 수입 측면에서 현재 상황을 기준으로 예상해보았다.

일단 국민연금을 제대로 받으려면 (국민연금을 믿어서가 아니라 학교 졸업하고 사회생활, 즉 직장생활을 시작하면서 내 의지와 상관없이 가입이 되어버렸고 이미 20여년이 되었고 여전히 내야만 하는 상황이라 싫던 좋던 포기할 수 없으니 눈물을 머금고) 60세까지 더 내야 하기 때문에 수단과 방법을 가리지 않고 최소한 65세까지는 일해야만 한다는 전제다. 국민연금은 60세까지 내야만 하고 받는건 65세니 5년의 공백을 더 몸빵해야만 한다. 아무튼...

65세 이후 일을 전혀 안한다면,

1) 60세까지 국민연금 완납하고 65세부터 받게 되는 국민연금이 현재가치 기준으로 세후 110만원이다. 기초연금 대상도 아니니 이걸로 끝. 제길..

2-1) 65세에 주택연금에 가입 가능한 최대치 주택에 맞춰 이사하고 그 집을 맡기고 가입해서 연금을 수령하면 현시점 기준 월 218만원을 수령할 수 있다. 양도세 대상이 아니니 이사후 차액만큼 현금으로 OO원 남게 된다.

2-2) 현금으로 남은 차액을 수익율 4.5%로 투자하면 대략 매월 120만원 수입이 예상된다.

3) 현재 보유하고 있는 남은 자산을 현금화하면 OO원이니 이를 비상금으로 가지고 있거나 2-2)번처럼 투자해서 매월 수입으로 전환할 수 있다. (현재 보유중인 비상장주식과 스타트업 지분 가치는 Zero, 즉 없다고 생각하고 자산에 포함하지 않았다) 전환시 매월 80만원 정도를 추가 수입으로 더할 수 있겠다.

본 시나리오는 주택연금 가업 조건에 맞춰 더 작은 집으로 가거나 현재 동네보다 집값이 더 싼 동네로 가서 현재 평수를 유지하거나 더 큰 곳으로 가야만 한다는 전제가 깔린다.

지금 가진 집이랑 자산 뜯어먹으면서 살면 1)+2)로 450만원, 여기에 3)까지 더하면 530만원이 가능하겠다. 65세 이후 미래 수령시점에 화폐개혁이나 국가부도만 나지 않으면 화폐가치가 어떻게 변해도 입에 풀칠은 할 수 있겠다.

이렇게 정리하고 나니 불안했던 마음도 조금 편해지고 앞으로 더 열심히 살아야겠다는 다짐도 하게 된다. 이를 위한 전제 조건 중 하나가 일단 60세까지 국민연금 내야 하고 65세까진 일을 해야 하니 말이다.

최고는 이렇게 머리 굴리지 않고 그냥 막 살아도 먹고 살기 위해 돈 걱정 안할만큼 조금이라도 젊었을 때 돈을 많이 버는 것이다. 무일푼에서 시작해서 이렇게 준비하는데 딱 10년 걸렸으니 앞으로 10년만 더 이렇게 준비하고 살면 그렇게 될 수 있지 않을까 희망을 가져본다. 저 시나리오로도 어차피 10년 훌쩍 넘어 일해야만 하는데 이왕 하는거 그렇게 해보자! 가진거 이 비루한 몸뚱이 하나 밖에 없으니 건강을 최우선으로 관리하고 돈도 더 아껴쓰고.

그런 의미에서 이제 다시 현실에 집중하자! 당장 내일 심사 일과 금요일 고객사 성과보고회, 다음주 월요일 강연 준비에 집중하자! 공상하는 거 멈추고 일해라! 😊

얼마전 경기 침체 대비 일환 노후 대책 점검을 했다. 국민연금 수령 나이가 65세니 65세 이후 생활을 수입 측면에서 현재 상황을 기준으로 예상해보았다. 일단 국민연금을 제대로 받으려면 (국민연금을 믿어서가 아니라 학교 졸업하고 사회생활, 즉 직장생활을 시작하면서 내 의지와 상관없이 가입이 되어버렸고 이미 20여년이 되었고 여전히 내야만 하는 상황이라 싫던 좋던 포기할 수 없으니 눈물을 머금고) 60세까지 더 내야 하기 때문에 수단과 방법을 가리지 않고 최소한 65세까지는 일해야만 한다는 전제다. 국민연금은 60세까지 내야만 하고 받는건 65세니 5년의 공백을 더 몸빵해야만 한다. 아무튼... 65세 이후 일을 전혀 안한다면, 1) 60세까지 국민연금 완납하고 65세부터 받게 되는 국민연금이 현재가치 기준으로 세후 110만원이다. 기초연금 대상도 아니니 이걸로 끝. 제길.. 2-1) 65세에 주택연금에 가입 가능한 최대치 주택에 맞춰 이사하고 그 집을 맡기고 가입해서 연금을 수령하면 현시점 기준 월 218만원을 수령할 수 있다. 양도세 대상이 아니니 이사후 차액만큼 현금으로 OO원 남게 된다. 2-2) 현금으로 남은 차액을 수익율 4.5%로 투자하면 대략 매월 120만원 수입이 예상된다. 3) 현재 보유하고 있는 남은 자산을 현금화하면 OO원이니 이를 비상금으로 가지고 있거나 2-2)번처럼 투자해서 매월 수입으로 전환할 수 있다. (현재 보유중인 비상장주식과 스타트업 지분 가치는 Zero, 즉 없다고 생각하고 자산에 포함하지 않았다) 전환시 매월 80만원 정도를 추가 수입으로 더할 수 있겠다. 본 시나리오는 주택연금 가업 조건에 맞춰 더 작은 집으로 가거나 현재 동네보다 집값이 더 싼 동네로 가서 현재 평수를 유지하거나 더 큰 곳으로 가야만 한다는 전제가 깔린다. 지금 가진 집이랑 자산 뜯어먹으면서 살면 1)+2)로 450만원, 여기에 3)까지 더하면 530만원이 가능하겠다. 65세 이후 미래 수령시점에 화폐개혁이나 국가부도만 나지 않으면 화폐가치가 어떻게 변해도 입에 풀칠은 할 수 있겠다. 이렇게 정리하고 나니 불안했던 마음도 조금 편해지고 앞으로 더 열심히 살아야겠다는 다짐도 하게 된다. 이를 위한 전제 조건 중 하나가 일단 60세까지 국민연금 내야 하고 65세까진 일을 해야 하니 말이다. 최고는 이렇게 머리 굴리지 않고 그냥 막 살아도 먹고 살기 위해 돈 걱정 안할만큼 조금이라도 젊었을 때 돈을 많이 버는 것이다. 무일푼에서 시작해서 이렇게 준비하는데 딱 10년 걸렸으니 앞으로 10년만 더 이렇게 준비하고 살면 그렇게 될 수 있지 않을까 희망을 가져본다. 저 시나리오로도 어차피 10년 훌쩍 넘어 일해야만 하는데 이왕 하는거 그렇게 해보자! 가진거 이 비루한 몸뚱이 하나 밖에 없으니 건강을 최우선으로 관리하고 돈도 더 아껴쓰고. 그런 의미에서 이제 다시 현실에 집중하자! 당장 내일 심사 일과 금요일 고객사 성과보고회, 다음주 월요일 강연 준비에 집중하자! 공상하는 거 멈추고 일해라! 😊

노후 준비 상황 점검

대학교에 입학하기 전

2024년 12월, 개강을 한참 앞두고 에브리타임을 구경하다 우연히 동아리 홍보글 하나를 발견했다. 교내 IT 플랫폼 탐구·개발 동아리 'AIIA' 의 홍보글이었다. 아직 입학도 하지 않은 상태였지만 새내기부터 어떤 분야든 열심히 해보고 싶어 

프로젝트 회고록: 앱 개발을 처음 접하고, 출시까지 걸어온 경험 

플러터를 잘 다루지 못하지만 플러터로 앱을 개발하고 출시하기까지의 여정이 담겨있네요.

https://velog.io/@yongjun0702/프로젝트-회고록-앱-개발을-처음-접하고-출시까지-걸어온-경험

플러터를 잘 다루지 못하지만 플러터로 앱을 개발하고 출시하기까지의 여정이 담겨있네요. https://velog.io/@yongjun0702/프로젝트-회고록-앱-개발을-처음-접하고-출시까지-걸어온-경험

velog.io

VinTeum 앱 출시기

많은 조직에서, 실험을 ‘revenue 지표 향상시키는 아이디어 찾아내기’ 내지는 ‘기획안 통과시키기 위한 근거찾기’ 정도로 여기곤 합니다. 그리고 그런 숫자들을 어떻게든 찾아내는 일을 데이터 분석이라고 부르려 하죠. 적어도 제가 리딩하는 팀에서 하고자 하는 실험과 분석은, 그런 것이 아닙니다.

1. 실험의 실패율이 높은 것은 지극히 당연하고 정상적입니다. 실험 실패(실패라기보단 가설이 입증되지 않았다고 말하는 것이 정확하겠습니다만)의 원인을 분석하는 과정에서 고객의 행태와 니즈를 이해하게 되고, 이것이 분석이며 이런 과정이 반복되어야 비로소 실험 성공율이 조금씩 향상됩니다.

2. 실험 결과(성공과 실패)로부터 얻어야 하는 것은 실험의 가설이 입증되었는가를 밝히는 것이며, 이를 인과적으로(원인과 결과를 분리하여) 설명하는 것입니다. 이것이 저희팀이 해야 하는 분석이라 생각하고, 조직의 실험 문화를 이렇게 바꿔가야 한다고 봅니다.

많은 조직에서, 실험을 ‘revenue 지표 향상시키는 아이디어 찾아내기’ 내지는 ‘기획안 통과시키기 위한 근거찾기’ 정도로 여기곤 합니다. 그리고 그런 숫자들을 어떻게든 찾아내는 일을 데이터 분석이라고 부르려 하죠. 적어도 제가 리딩하는 팀에서 하고자 하는 실험과 분석은, 그런 것이 아닙니다. 1. 실험의 실패율이 높은 것은 지극히 당연하고 정상적입니다. 실험 실패(실패라기보단 가설이 입증되지 않았다고 말하는 것이 정확하겠습니다만)의 원인을 분석하는 과정에서 고객의 행태와 니즈를 이해하게 되고, 이것이 분석이며 이런 과정이 반복되어야 비로소 실험 성공율이 조금씩 향상됩니다. 2. 실험 결과(성공과 실패)로부터 얻어야 하는 것은 실험의 가설이 입증되었는가를 밝히는 것이며, 이를 인과적으로(원인과 결과를 분리하여) 설명하는 것입니다. 이것이 저희팀이 해야 하는 분석이라 생각하고, 조직의 실험 문화를 이렇게 바꿔가야 한다고 봅니다.

많은 조직에서, 실험을 ‘revenue 지표 향상시키는 아이디어 

계속하던 대로만 하지 않습니다. 도구에 매몰되지 않고 목적에 집중합니다. 모르는 것은 가능한 한 빨리 "모릅니다", "알려주세요"라고 말합니다. 의견을 자주 바꿔도 괜찮습니다. 틀렸다고 생각하면 인정하고 의견도 편안하게 바꿉니다. 의식적으로 나와 의견이 다른 사람에게 의견을 구합니다. 다른 사람이 의견을 구할 때 진지하게 고민하고 의견을 전합니다. 실수하고 나면 기록합니다. 기록하지 않으면 종종 기억되지 않습니다. 감정이 태도가 되지 않도록 의식합니다. 하루에 1번은 30분 이상 신선한 공기를 마십니다. 소비로 자존감을 채우지 않습니다. 소비로 자존감을 채우지 않습니다.

계속하던 대로만 하지 않습니다. 도구에 매몰되지 않고 목적에 집중합니다. 모르는 것은 가능한 한 빨리 "모릅니다", "알려주세요"라고 말합니다. 의견을 자주 바꿔도 괜찮습니다. 틀렸다고 생각하면 인정하고 의견도 편안하게 바꿉니다. 의식적으로 나와 의견이 다른 사람에게 의견을 구합니다. 다른 사람이 의견을 구할 때 진지하게 고민하고 의견을 전합니다. 실수하고 나면 기록합니다. 기록하지 않으면 종종 기억되지 않습니다. 감정이 태도가 되지 않도록 의식합니다. 하루에 1번은 30분 이상 신선한 공기를 마십니다. 소비로 자존감을 채우지 않습니다. 소비로 자존감을 채우지 않습니다.

《일을 하면서 의식해야 하는 10가지》

Framework Agnostic Devtools UI for Managing MSW Request Handlers - custardcream98/msw-devtools

GitHub - custardcream98/msw-devtools: Framework Agnostic Devtools UI for Managing MSW Request Handlers

프론트엔드 개발을 할 때 가장 흔한 문제 중 하나는 백엔드 API가 완성되기 전에 프론트엔드 개발이 멈추는 것입니다. 하지만 MSW(Mock Service Worker)를 사용하면 기다릴 필요가 없습니다.

MSW는 네트워크 요청을 가로채서, 실제 API가 준비되지 않았더라도 모킹(mocking)된 응답을 통해 프론트엔드 개발을 계속 진행할 수 있도록 도와줍니다. 즉, 백엔드의 개발 진척도와는 독립적으로 프론트엔드를 개발하고 테스트할 수 있죠.

하지만 MSW를 쓰다 보면 점점 늘어나는 핸들러 설정 관리가 번거로워지기 마련입니다. 그래서 저는 이를 더 쉽고 효율적으로 해결하기 위해 msw-devtools를 개발하고 있습니다.

msw-devtools는 UI를 통해 MSW Request Handler를 쉽게 추가하고 수정할 수 있을 뿐만 아니라, export와 import 기능을 제공하여 핸들러 설정을 손쉽게 저장하고, 팀원이나 다른 프로젝트와 공유할 수 있게 합니다. 특히 프로젝트가 커질수록 핸들러 관리가 복잡했던 분들에게 도움이 될 거예요.

msw-devtools는 아직 experimental한 프로젝트로, 여러분의 피드백이 필요합니다. 사용해 보시고 개선할 점이나 아이디어가 있다면 언제든지 알려주세요. 🙏

https://github.com/custardcream98/msw-devtools

프론트엔드 개발을 할 때 가장 흔한 문제 중 하나는 백엔드 API가 완성되기 전에 프론트엔드 개발이 멈추는 것입니다. 하지만 MSW(Mock Service Worker)를 사용하면 기다릴 필요가 없습니다. MSW는 네트워크 요청을 가로채서, 실제 API가 준비되지 않았더라도 모킹(mocking)된 응답을 통해 프론트엔드 개발을 계속 진행할 수 있도록 도와줍니다. 즉, 백엔드의 개발 진척도와는 독립적으로 프론트엔드를 개발하고 테스트할 수 있죠. 하지만 MSW를 쓰다 보면 점점 늘어나는 핸들러 설정 관리가 번거로워지기 마련입니다. 그래서 저는 이를 더 쉽고 효율적으로 해결하기 위해 msw-devtools를 개발하고 있습니다. msw-devtools는 UI를 통해 MSW Request Handler를 쉽게 추가하고 수정할 수 있을 뿐만 아니라, export와 import 기능을 제공하여 핸들러 설정을 손쉽게 저장하고, 팀원이나 다른 프로젝트와 공유할 수 있게 합니다. 특히 프로젝트가 커질수록 핸들러 관리가 복잡했던 분들에게 도움이 될 거예요. msw-devtools는 아직 experimental한 프로젝트로, 여러분의 피드백이 필요합니다. 사용해 보시고 개선할 점이나 아이디어가 있다면 언제든지 알려주세요. 🙏 https://github.com/custardcream98/msw-devtools

백엔드 개발이 늦어져도 걱정 마세요! 🛠️

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필