데이터 분석 과정에서 가장 첫번째 단계는
분석 프로젝트의 목표를 파악하고 해결해야 할 문제를 파악하는 것입니다.

먼저 데이터 분석으로 풀지 못하거나
또는 풀지 않아도 되는 문제가 있다는 것을 이해하는 것이 중요합니다.

데이터 분석은 마법이 아닙니다.
Trash In, Trash Out 이라는 말은 데이터 분석에서 자주 사용됩니다.

우리의 목표가 뚜렷하고 명확할 수록
데이터 분석은 더욱 뾰족하고 확실한 문제를 해결할 힘을 가지게 됩니다.

datarichard를 팔로우하시면,
더 재미있고 가치있는 DATA/AI를 알려드릴게요 :)

데이터 분석 프로세스 로드맵 전체 보기👇:
https://careerly.co.kr/comments/113943

데이터 분석 과정에서 가장 첫번째 단계는 분석 프로젝트의 목표를 파악하고 해결해야 할 문제를 파악하는 것입니다. 먼저 데이터 분석으로 풀지 못하거나 또는 풀지 않아도 되는 문제가 있다는 것을 이해하는 것이 중요합니다. 데이터 분석은 마법이 아닙니다. Trash In, Trash Out 이라는 말은 데이터 분석에서 자주 사용됩니다. 우리의 목표가 뚜렷하고 명확할 수록 데이터 분석은 더욱 뾰족하고 확실한 문제를 해결할 힘을 가지게 됩니다. datarichard를 팔로우하시면, 더 재미있고 가치있는 DATA/AI를 알려드릴게요 :) 데이터 분석 프로세스 로드맵 전체 보기👇: https://careerly.co.kr/comments/113943

1. 프로젝트의 목표 파악 및 이해하기

What is Retrieval Augmented Generation (RAG)?   Retrieval Augmented Generation (RAG) is an...

7 AI Open Source Libraries To Build RAG, Agents & AI Search

🎃 검색 증강 생성(RAG)이란 무엇인가?
 * 관련 정보 검색과 응답 생성을 결합한 AI 기술
 * 먼저 외부 소스(문서나 데이터베이스 등)에서 데이터를 검색한 다음 이 정보를 사용하여 보다 정확하고 문맥에 맞는 답변을 생성하는 방식으로 작동
 * AI는 학습된 내용에만 의존하지 않고 사실에 기반한 더 나은 답변 제공 지원

🎃 검색 증강 생성(RAG)은 어떻게 작동하나?
 1. 사용자 질문 > RAG는 데이터베이스, 웹사이트, 문서 등 다양한 데이터 소스를 검색통해 관련 정보 서치
 2. 검색된 정보 + 원래 질문 = 더 많은 정보를 제공하는 프롬프트 생성
 3. 이렇게 향상된 프롬프트 > 언어 모델에 입력 > 질문과 관련성이 높고 검색된 정보가 보강된 답변 생성
 4. 이 프로세스를 통해 AI는 사전 학습된 기능과 함께 외부 지식 소스를 활용하여 보다 정확하고 최신의 문맥 인식 답변 제공
    
    
🎃 검색 증강 생성(RAG)은 AI 모델에 어떤 도움을 주나?
RAG는 실제 세계의 외부 데이터로 내부 지식을 보강하여 AI의 신뢰성과 최신성을 높입니다. 또한 RAG는 몇 가지 주요 방식으로 AI 모델을 개선합니다:
 1. 최신 정보에 대한 액세스: RAG는 문서, 데이터베이스 또는 웹과 같은 외부 소스에서 관련성 있는 실시간 정보 검색. 즉, AI는 학습 데이터가 오래된 경우에도 정확한 응답 제공 가능
 2. 정확도 향상: RAG는 AI의 학습된 지식에만 의존하지 않고 가장 관련성이 높은 데이터를 기반으로 모델이 답변을 생성. 따라서 답변이 더욱 정확하고 사실에 근거함
 3. 문맥 이해도 향상: 검색된 데이터를 사용자의 쿼리와 결합함으로써 RAG는 보다 맥락에 맞는 답변을 제공할 수 있으므로 AI의 답변이 상황에 더욱 맞춤화되고 구체적
 4. 환각 감소: 순수 AI 모델은 때때로 정보를 '환각'하거나 구성하는 경우가 있는데, RAG는 검색된 사실적인 데이터에 근거하여 응답함으로써 부정확하거나 조작된 정보의 가능성 줄임

🎃 검색 증강 생성을 위한 7가지 오픈 소스 라이브러리
RAG를 수행하는 데 도움이 되는 몇 가지 오픈 소스 라이브러리는 문서 색인부터 검색, 언어 모델과의 통합에 이르기까지 RAG 시스템을 효율적으로 구현하는 데 필요한 도구와 프레임워크를 제공합니다.
1. SWIRL
 * https://github.com/swirlai/swirl-search
 * 검색 증강 세대(RAG) 애플리케이션을 구동하는 오픈 소스 AI 인프라 소프트웨어
 * 특징
   * 데이터를 이동하거나 복사하지 않고도 데이터 소스 전반에서 빠르고 안전하게 검색할 수 있게 함으로써 AI 파이프라인 향상
   * SWIRL은 방화벽 내부에서 작동하여 데이터 보안을 보장하는 동시에 구현 간편하여 프라이빗 클라우드 내에서 빠르고 안전하게 AI 배포
   * 20개 이상의 대규모 언어 모델(LLM)과 원활하게 통합
   * 안전한 데이터 액세스 및 규정 준수를 위해 구축
   * 100개 이상의 애플리케이션에서 데이터 가져오기 지원
2. Cognita
 * https://github.com/truefoundry/cognita
 * 프로덕션에 바로 사용할 수 있는 모듈식 검색 증강 세대(RAG) 시스템을 구축하기 위한 오픈 소스 프레임워크
 * 특징
   * RAG 구성 요소를 구성하여 로컬에서 쉽게 테스트하고 대규모 배포
   * 다양한 문서 검색기, 임베딩을 지원하며 완전한 API 기반이므로 다른 시스템과 원활하게 통합
   * 확장 가능한 RAG 시스템을 위한 모듈식 설계
   * 비전문가도 문서 및 Q&A와 상호작용할 수 있는 UI
   * 증분 인덱싱으로 변경 사항을 추적하여 컴퓨팅 부하 낮춤
3. LLM-Ware
 * https://github.com/llmware-ai/llmware
 * 엔터프라이즈급 검색 증강 생성(RAG) 파이프라인을 구축하기 위한 오픈 소스 프레임워크
 * 특징
   * 비공개로 안전하게 배포할 수 있는 소규모의 전문화된 모델을 통합하도록 설계되어 복잡한 엔터프라이즈 워크플로우에 적합
   * 엔터프라이즈 작업에 최적화된 50개 이상의 미세 조정된 소규모 모델 제공
   * 확장 가능한 모듈식 RAG 아키텍처 지원
   * GPU 없이도 실행할 수 있어 경량 배포 가능
4. RAG Flow
 * https://github.com/infiniflow/ragflow
 * 심층적인 문서 이해를 이용한 검색 증강 생성(RAG)에 초점을 맞춘 오픈 소스 엔진
 * 특징
   * 이 엔진을 통해 사용자는 정형 및 비정형 데이터를 통합하여 인용에 기반한 효과적인 질의응답 가능
   * 이 시스템은 간편한 배포 옵션과 함께 확장 가능한 모듈식 아키텍처 제공
   * 복잡한 데이터 형식을 처리할 수 있는 심층적인 문서 이해 기능 내장
   * 환각 위험을 줄인 근거 기반 인용
   * PDF, 이미지, 구조화된 데이터 등 다양한 문서 유형 지원
5. 그래프 RAG
 * https://github.com/microsoft/graphrag
 * 구조화된 지식 그래프를 통합하여 LLM 결과를 향상시키도록 설계된 모듈식 그래프 기반 검색 증강 생성(RAG) 시스템
 * 특징
   * 개인 데이터로 고급 추론을 지원하므로 기업 및 연구 애플리케이션에 이상적
   * 지식 그래프를 사용해 데이터 검색을 구조화하고 향상
   * 비공개 데이터 처리가 필요한 복잡한 엔터프라이즈 사용 사례에 맞게 맞춤화
   * 대규모 배포를 위해 Microsoft Azure와의 통합지원
6. Haystack
 * https://github.com/deepset-ai/haystack
 * 프로덕션에 바로 사용할 수 있는 LLM 애플리케이션을 구축하기 위한 오픈 소스 AI 오케스트레이션 프레임워크
 * 특징
   * 사용자는 모델, 벡터 데이터베이스, 파일 변환기를 연결하여 RAG, 질문 답변, 시맨틱 검색과 같은 고급 시스템 구축 가능
   * 검색, 임베딩, 추론 작업을 위한 유연한 파이프라인
   * 다양한 벡터 데이터베이스 및 LLM과의 통합 지원
   * 기성 모델과 미세 조정된 모델을 모두 사용자 정의
7. Storm
 * https://github.com/stanford-oval/storm
 * 한 주제를 조사하고 인용이 포함된 전체 길이의 보고서를 생성하는 LLM 기반 지식 큐레이션 시스템
 * 특징
   * 고급 검색 방법을 통합하고 다각도의 질문을 지원하여 생성된 콘텐츠의 깊이와 정확성을 향상
   * 근거에 입각한 인용을 통해 위키백과와 유사한 문서 생성
   * 인간과 AI의 협업 지식 큐레이션 지원
   * 외부 검색 소스를 지원하는 모듈식 설계

🎃 검색 증강 생성의 과제
 * 데이터 연관성: 검색된 문서가 쿼리와 관련성이 높은지 확인하는 것은 특히 규모가 크거나 노이즈가 많은 데이터 세트의 경우 문제 가능성
 * 지연 시간: 외부 소스를 검색하면 오버헤드가 추가되어 특히 실시간 애플리케이션에서 응답 시간이 느려질 가능성
 * 데이터 품질: 품질이 낮거나 오래된 데이터는 부정확하거나 오해의 소지가 있는 AI 생성 응답으로 이어질 가능성
 * 확장성: 성능을 유지하면서 대규모 데이터 세트와 높은 사용자 트래픽을 처리하는 것은 복잡 가능성
 * 보안: 특히 기업 환경에서는 데이터 프라이버시를 보장하고 민감한 정보를 안전하게 처리하는 것이 매우 중요

보다 상세한 내용은 원문을 참고하셔도 좋습니다. ^^
 * source: https://dev.to/vectorpodcast/7-ai-open-source-libraries-to-build-rag-agents-ai-search-27bm?context=digest

🎃 검색 증강 생성(RAG)이란 무엇인가?<ul ><li>관련 정보 검색과 응답 생성을 결합한 AI 기술</li><li>먼저 외부 소스(문서나 데이터베이스 등)에서 데이터를 검색한 다음 이 정보를 사용하여 보다 정확하고 문맥에 맞는 답변을 생성하는 방식으로 작동</li><li>AI는 학습된 내용에만 의존하지 않고 사실에 기반한 더 나은 답변 제공 지원</li></ul> 🎃 검색 증강 생성(RAG)은 어떻게 작동하나?<ol ><li>사용자 질문 &gt; RAG는 데이터베이스, 웹사이트, 문서 등 다양한 데이터 소스를 검색통해 관련 정보 서치 </li><li>검색된 정보 + 원래 질문 = 더 많은 정보를 제공하는 프롬프트 생성</li><li>이렇게 향상된 프롬프트 &gt; 언어 모델에 입력 &gt; 질문과 관련성이 높고 검색된 정보가 보강된 답변 생성 </li><li>이 프로세스를 통해 AI는 사전 학습된 기능과 함께 외부 지식 소스를 활용하여 보다 정확하고 최신의 문맥 인식 답변 제공 </li></ol>🎃 검색 증강 생성(RAG)은 AI 모델에 어떤 도움을 주나?RAG는 실제 세계의 외부 데이터로 내부 지식을 보강하여 AI의 신뢰성과 최신성을 높입니다. 또한 RAG는 몇 가지 주요 방식으로 AI 모델을 개선합니다:<ol ><li>최신 정보에 대한 액세스: RAG는 문서, 데이터베이스 또는 웹과 같은 외부 소스에서 관련성 있는 실시간 정보 검색. 즉, AI는 학습 데이터가 오래된 경우에도 정확한 응답 제공 가능</li><li>정확도 향상: RAG는 AI의 학습된 지식에만 의존하지 않고 가장 관련성이 높은 데이터를 기반으로 모델이 답변을 생성. 따라서 답변이 더욱 정확하고 사실에 근거함</li><li>문맥 이해도 향상: 검색된 데이터를 사용자의 쿼리와 결합함으로써 RAG는 보다 맥락에 맞는 답변을 제공할 수 있으므로 AI의 답변이 상황에 더욱 맞춤화되고 구체적</li><li>환각 감소: 순수 AI 모델은 때때로 정보를 '환각'하거나 구성하는 경우가 있는데, RAG는 검색된 사실적인 데이터에 근거하여 응답함으로써 부정확하거나 조작된 정보의 가능성 줄임</li></ol> 🎃 검색 증강 생성을 위한 7가지 오픈 소스 라이브러리RAG를 수행하는 데 도움이 되는 몇 가지 오픈 소스 라이브러리는 문서 색인부터 검색, 언어 모델과의 통합에 이르기까지 RAG 시스템을 효율적으로 구현하는 데 필요한 도구와 프레임워크를 제공합니다.1. SWIRL<ul ><li>https://github.com/swirlai/swirl-search</li><li>검색 증강 세대(RAG) 애플리케이션을 구동하는 오픈 소스 AI 인프라 소프트웨어</li><li>특징<ul ><li>데이터를 이동하거나 복사하지 않고도 데이터 소스 전반에서 빠르고 안전하게 검색할 수 있게 함으로써 AI 파이프라인 향상</li><li>SWIRL은 방화벽 내부에서 작동하여 데이터 보안을 보장하는 동시에 구현 간편하여 프라이빗 클라우드 내에서 빠르고 안전하게 AI 배포</li><li>20개 이상의 대규모 언어 모델(LLM)과 원활하게 통합</li><li>안전한 데이터 액세스 및 규정 준수를 위해 구축</li><li>100개 이상의 애플리케이션에서 데이터 가져오기 지원</li></ul></li></ul>2. Cognita<ul ><li>https://github.com/truefoundry/cognita</li><li>프로덕션에 바로 사용할 수 있는 모듈식 검색 증강 세대(RAG) 시스템을 구축하기 위한 오픈 소스 프레임워크</li><li>특징<ul ><li>RAG 구성 요소를 구성하여 로컬에서 쉽게 테스트하고 대규모 배포</li><li>다양한 문서 검색기, 임베딩을 지원하며 완전한 API 기반이므로 다른 시스템과 원활하게 통합</li><li>확장 가능한 RAG 시스템을 위한 모듈식 설계</li><li>비전문가도 문서 및 Q&amp;A와 상호작용할 수 있는 UI</li><li>증분 인덱싱으로 변경 사항을 추적하여 컴퓨팅 부하 낮춤</li></ul></li></ul>3. LLM-Ware<ul ><li>https://github.com/llmware-ai/llmware</li><li>엔터프라이즈급 검색 증강 생성(RAG) 파이프라인을 구축하기 위한 오픈 소스 프레임워크</li><li>특징<ul ><li>비공개로 안전하게 배포할 수 있는 소규모의 전문화된 모델을 통합하도록 설계되어 복잡한 엔터프라이즈 워크플로우에 적합</li><li>엔터프라이즈 작업에 최적화된 50개 이상의 미세 조정된 소규모 모델 제공</li><li>확장 가능한 모듈식 RAG 아키텍처 지원</li><li>GPU 없이도 실행할 수 있어 경량 배포 가능</li></ul></li></ul>4. RAG Flow<ul ><li>https://github.com/infiniflow/ragflow</li><li>심층적인 문서 이해를 이용한 검색 증강 생성(RAG)에 초점을 맞춘 오픈 소스 엔진</li><li>특징<ul ><li>이 엔진을 통해 사용자는 정형 및 비정형 데이터를 통합하여 인용에 기반한 효과적인 질의응답 가능</li><li>이 시스템은 간편한 배포 옵션과 함께 확장 가능한 모듈식 아키텍처 제공</li><li>복잡한 데이터 형식을 처리할 수 있는 심층적인 문서 이해 기능 내장</li><li>환각 위험을 줄인 근거 기반 인용</li><li>PDF, 이미지, 구조화된 데이터 등 다양한 문서 유형 지원</li></ul></li></ul>5. 그래프 RAG<ul ><li>https://github.com/microsoft/graphrag</li><li>구조화된 지식 그래프를 통합하여 LLM 결과를 향상시키도록 설계된 모듈식 그래프 기반 검색 증강 생성(RAG) 시스템</li><li>특징<ul ><li>개인 데이터로 고급 추론을 지원하므로 기업 및 연구 애플리케이션에 이상적</li><li>지식 그래프를 사용해 데이터 검색을 구조화하고 향상</li><li>비공개 데이터 처리가 필요한 복잡한 엔터프라이즈 사용 사례에 맞게 맞춤화</li><li>대규모 배포를 위해 Microsoft Azure와의 통합지원</li></ul></li></ul>6. Haystack<ul ><li>https://github.com/deepset-ai/haystack</li><li>프로덕션에 바로 사용할 수 있는 LLM 애플리케이션을 구축하기 위한 오픈 소스 AI 오케스트레이션 프레임워크</li><li>특징<ul ><li>사용자는 모델, 벡터 데이터베이스, 파일 변환기를 연결하여 RAG, 질문 답변, 시맨틱 검색과 같은 고급 시스템 구축 가능</li><li>검색, 임베딩, 추론 작업을 위한 유연한 파이프라인</li><li>다양한 벡터 데이터베이스 및 LLM과의 통합 지원</li><li>기성 모델과 미세 조정된 모델을 모두 사용자 정의</li></ul></li></ul>7. Storm<ul ><li>https://github.com/stanford-oval/storm</li><li>한 주제를 조사하고 인용이 포함된 전체 길이의 보고서를 생성하는 LLM 기반 지식 큐레이션 시스템</li><li>특징<ul ><li>고급 검색 방법을 통합하고 다각도의 질문을 지원하여 생성된 콘텐츠의 깊이와 정확성을 향상</li><li>근거에 입각한 인용을 통해 위키백과와 유사한 문서 생성</li><li>인간과 AI의 협업 지식 큐레이션 지원</li><li>외부 검색 소스를 지원하는 모듈식 설계</li></ul></li></ul> 🎃 검색 증강 생성의 과제<ul ><li>데이터 연관성: 검색된 문서가 쿼리와 관련성이 높은지 확인하는 것은 특히 규모가 크거나 노이즈가 많은 데이터 세트의 경우 문제 가능성</li><li>지연 시간: 외부 소스를 검색하면 오버헤드가 추가되어 특히 실시간 애플리케이션에서 응답 시간이 느려질 가능성</li><li>데이터 품질: 품질이 낮거나 오래된 데이터는 부정확하거나 오해의 소지가 있는 AI 생성 응답으로 이어질 가능성</li><li>확장성: 성능을 유지하면서 대규모 데이터 세트와 높은 사용자 트래픽을 처리하는 것은 복잡 가능성</li><li>보안: 특히 기업 환경에서는 데이터 프라이버시를 보장하고 민감한 정보를 안전하게 처리하는 것이 매우 중요</li></ul> 보다 상세한 내용은 원문을 참고하셔도 좋습니다. ^^<ul ><li>source: https://dev.to/vectorpodcast/7-ai-open-source-libraries-to-build-rag-agents-ai-search-27bm?context=digest</li></ul>

DEV Community

[DEV]RAG를 수행하기 위한 7가지 AI 오픈소스 라이브러리

글 잘 읽었습니다! 혹시 랭체인의 에이전트 기능도 RAG의 종류라고 볼 수 있나요?

Search, vision, ideation, coding… all yours for free.

Mistral has entered the chat

Meta의 Llama와 더불어 오픈소스 LLM 계열에서 뛰어난 성능을 보여주던 Mistral에서 Le Chat 이라는 서비스를 오픈했습니다.

ChatGPT같은 B2C 타입의 챗 서비스인데 기본적으로 요즘 많이 탑재하는 기능들을 대부분 넣어서 출시했네요. 중요한 것은 현재 모든 기능을 무료로 사용할 수 있습니다. 베타 기간이어서 그런 듯 하고 앞으로 고급 기능들을 하나씩 추가하면서 유료로 하지 않을까 싶네요.

몇가지 사용 해 봤는데, 일단 검색 관련해서는 perplexity에 비하면 많이 떨어지는 것 같습니다. perplexity가 워낙에 성능이 좋으니 그렇다 쳐도, 기본적으로 mistral 모델의 약점 중 하나인 다국어 성능 면에서 SOTA 수준의 상용모델, 예를들어 GPT계열, Claude, Gemini 만큼 잘되지는 않네요.

영어 위주로 쓴다면 모르겠지만 한국어 위주로 쓴다면 성능이 개선되기 전에는 다른 서비스들에 비해 큰 메리트가 있어 보이지는 않습니다. 다만, 무료로 쓸 수 있기도 하고 mistral 모델들도 빠르게 발전중이니 앞으로가 기대가 됩니다!

- 관련 블로그 : https://mistral.ai/news/mistral-chat/
- 챗 서비스 : https://chat.mistral.ai/

Meta의 Llama와 더불어 오픈소스 LLM 계열에서 뛰어난 성능을 보여주던 Mistral에서 Le Chat 이라는 서비스를 오픈했습니다. ChatGPT같은 B2C 타입의 챗 서비스인데 기본적으로 요즘 많이 탑재하는 기능들을 대부분 넣어서 출시했네요. 중요한 것은 현재 모든 기능을 무료로 사용할 수 있습니다. 베타 기간이어서 그런 듯 하고 앞으로 고급 기능들을 하나씩 추가하면서 유료로 하지 않을까 싶네요. 몇가지 사용 해 봤는데, 일단 검색 관련해서는 perplexity에 비하면 많이 떨어지는 것 같습니다. perplexity가 워낙에 성능이 좋으니 그렇다 쳐도, 기본적으로 mistral 모델의 약점 중 하나인 다국어 성능 면에서 SOTA 수준의 상용모델, 예를들어 GPT계열, Claude, Gemini 만큼 잘되지는 않네요. 영어 위주로 쓴다면 모르겠지만 한국어 위주로 쓴다면 성능이 개선되기 전에는 다른 서비스들에 비해 큰 메리트가 있어 보이지는 않습니다. 다만, 무료로 쓸 수 있기도 하고 mistral 모델들도 빠르게 발전중이니 앞으로가 기대가 됩니다! - 관련 블로그 : https://mistral.ai/news/mistral-chat/ - 챗 서비스 : https://chat.mistral.ai/

mistral.ai

Mistral이 Le Chat 서비스를 공개했습니다

사용자가 공유한 콘텐츠

STORM은 AI를 활용해 Wikipedia 스타일의 연구 리포트를 자동으로 생성하는 서비스입니다. 복잡한 주제도 단 3분 만에 포괄적인 논문으로 만들어내며, 모든 내용은 PDF 형식으로 다운로드가 가능합니다.

특히 주목할 만한 점은 논문 내 모든 인용문에 대한 원본 출처 확인이 가능해 신뢰성을 검증할 수 있다는 건데요. 과학 연구부터 문헌 조사까지 폭넓은 활용이 가능한 만큼, 연구자들의 초기 자료 수집과 정리 과정에 도움이 될 것으로 기대됩니다.

현재는 무료라고 하네요!

https://storm.genie.stanford.edu/

STORM은 AI를 활용해 Wikipedia 스타일의 연구 리포트를 자동으로 생성하는 서비스입니다. 복잡한 주제도 단 3분 만에 포괄적인 논문으로 만들어내며, 모든 내용은 PDF 형식으로 다운로드가 가능합니다. 특히 주목할 만한 점은 논문 내 모든 인용문에 대한 원본 출처 확인이 가능해 신뢰성을 검증할 수 있다는 건데요. 과학 연구부터 문헌 조사까지 폭넓은 활용이 가능한 만큼, 연구자들의 초기 자료 수집과 정리 과정에 도움이 될 것으로 기대됩니다. 현재는 무료라고 하네요! https://storm.genie.stanford.edu/

storm.genie.stanford.edu

3분 만에 리서치 끝, 스탠포드의 AI 리서치 도구 'STORM'

데이터 분석은 길고도 복잡한 과정입니다.

데이터 분석의 핵심은
어떤 최신 기술을 사용하느냐,
얼마나 정교하고 복잡한 모델을 사용하느냐가 아닌

비즈니스 의사결정을 할 때
안정되고 예측 가능한 결과값을 가져다주는지,
그리고 그 프로세스가 추후에 반복 사용 가능한지가 중요합니다.

datarichard 를 팔로우하시면,
더 재미있고 가치있는 DATA/AI를 알려드릴게요 :)

데이터 분석은 길고도 복잡한 과정입니다. 데이터 분석의 핵심은 어떤 최신 기술을 사용하느냐, 얼마나 정교하고 복잡한 모델을 사용하느냐가 아닌 비즈니스 의사결정을 할 때 안정되고 예측 가능한 결과값을 가져다주는지, 그리고 그 프로세스가 추후에 반복 사용 가능한지가 중요합니다. datarichard 를 팔로우하시면, 더 재미있고 가치있는 DATA/AI를 알려드릴게요 :)

데이터 분석 프로세스 로드맵

Instagram

최근 번아웃때문에 갑작스레 퇴사를 한 친구가 있었습니다. 그 친구와도 몇번 식사를 하면서 얘기를 나눠보고, 같이 고민를 나눠보기도 했는데, 안타깝더라구요. 그런데, 실제 주위에 30~40대에서도 이런 번아웃을 겪는 사람들이 많은거 같습니다...마침 카일스쿨 운영자가 공유해 준 글이 있어 공유해봅니다.

번아웃(Burnout)의 정의
 * 타올라서 지친 상태
 * 장기 피로와 열정 상실을 의미하는 심리학 용어

 1. 승화하기: 열심히 살아야 생긴다. 인정해주기
    * 번아웃을 인정하고, 다만 배터리(에너지)가 떨어진 것이라서 이제 충전만 하면 된다
    
    
 2. 승화하기: 잠시 왔다 가는 존재라 생각하기
    * 번아웃은 근육통이나 감기 같은 존재
      
      
 3. 승화하기: 쉽고 작은 일부터 시작하기
    * 번아웃은 작은 성취를 받지 못해서 생겼을 수 있기 때문에 작은 성취를 만들어 보고 경험해보기
      
      
 4. 승화하기: 자신의 일에 대해 재정의하기
    * 자신의 일이 중요하지 않고, 누구나 할 수 있는 일이다라고 생각하는 순간 번아웃에 빠지기 쉬움. 따라서, 내 일에서 의미를 찾아야 함
      
      
 5. 번아웃 원인 분석하기
    * 원인은? 어떤 사건인가? 반복되는가? 예전부터 가지고 있던 욕구와 관련된 것인가? 등
    * 원인을 정확히 정의하면, 해결 방법을 구체적으로 생각할 수 있음
      
      
 6. 결국 행복감을 느끼고 잘 쉬기
    * 성장이나 성과에 초점을 맞추면 잘 안될때 이슈가 생기고, 이런 요소가 번아웃을 만들수 있음
    * 따라서, 너무 성과에 기반한 생각보다 자신의 행복을 좀 더 생각하는 것을 추천
      
      
 7. 기타 유용했던 방법
    * 동시에 진행할 일의 최대 갯수 정하기
    * 꾸준히 운동하기
    * 평소 익숙한 장소가 아닌 다른 장소에서 생각하기
    * 주위에 도움 줄 사람이 있다면 도움 구하기 등

 * source: https://www.instagram.com/data.scientist/p/Cw5A1yALAFQ/?img_index=1

최근 번아웃때문에 갑작스레 퇴사를 한 친구가 있었습니다. 그 친구와도 몇번 식사를 하면서 얘기를 나눠보고, 같이 고민를 나눠보기도 했는데, 안타깝더라구요. 그런데, 실제 주위에 30~40대에서도 이런 번아웃을 겪는 사람들이 많은거 같습니다...마침 카일스쿨 운영자가 공유해 준 글이 있어 공유해봅니다. 번아웃(Burnout)의 정의<ul ><li>타올라서 지친 상태</li><li>장기 피로와 열정 상실을 의미하는 심리학 용어</li></ul> <ol ><li>승화하기: 열심히 살아야 생긴다. 인정해주기<ul ><li>번아웃을 인정하고, 다만 배터리(에너지)가 떨어진 것이라서 이제 충전만 하면 된다</li></ul> </li><li>승화하기: 잠시 왔다 가는 존재라 생각하기<ul ><li>번아웃은 근육통이나 감기 같은 존재 </li></ul></li><li>승화하기: 쉽고 작은 일부터 시작하기<ul ><li>번아웃은 작은 성취를 받지 못해서 생겼을 수 있기 때문에 작은 성취를 만들어 보고 경험해보기 </li></ul></li><li>승화하기: 자신의 일에 대해 재정의하기<ul ><li>자신의 일이 중요하지 않고, 누구나 할 수 있는 일이다라고 생각하는 순간 번아웃에 빠지기 쉬움. 따라서, 내 일에서 의미를 찾아야 함 </li></ul></li><li>번아웃 원인 분석하기<ul ><li>원인은? 어떤 사건인가? 반복되는가? 예전부터 가지고 있던 욕구와 관련된 것인가? 등</li><li>원인을 정확히 정의하면, 해결 방법을 구체적으로 생각할 수 있음 </li></ul></li><li>결국 행복감을 느끼고 잘 쉬기<ul ><li>성장이나 성과에 초점을 맞추면 잘 안될때 이슈가 생기고, 이런 요소가 번아웃을 만들수 있음</li><li>따라서, 너무 성과에 기반한 생각보다 자신의 행복을 좀 더 생각하는 것을 추천 </li></ul></li><li>기타 유용했던 방법<ul ><li>동시에 진행할 일의 최대 갯수 정하기</li><li>꾸준히 운동하기</li><li>평소 익숙한 장소가 아닌 다른 장소에서 생각하기</li><li>주위에 도움 줄 사람이 있다면 도움 구하기 등</li></ul></li></ol> <ul ><li>source: https://www.instagram.com/data.scientist/p/Cw5A1yALAFQ/?img_index=1</li></ul>

www.instagram.com

[카일스쿨] 번아웃 을 극복하는 방법

이번 강의를 준비하며 고민이 많았다. 그동안 다양한 배경과 경험을 가진 분들 앞에서 강의를 해왔지만, 순수하게 학생들만을 위해 준비한 강의는 처음이었다. 처음이라 더 조심스러웠다. 학생들에게 전달할 내용이 얼마나 유익할지, 난이도는 적절할지, 분량은 너무 많거나 부족하지는 않을지 끊임없이 질문하게 됐다. 내가 이야기하고자 하는 주제가 그들에게 실질적인 가치를 줄 수 있을까 하는 생각이 머릿속을 떠나지 않았다.

그렇게 걱정과 기대가 교차하는 과정에서 오늘의 강의를 준비했다. 그리고 마침내 강의를 마쳤다. 솔직히 말하자면 끝나기 전까지도 내내 긴장했다. 그러나 강연을 마치고 들은 피드백은 나를 안심시키고, 또 기쁘게 만들었다. "정말 재미있고 유익했다" "도움이 많이 됐다"라는 말들 속에서, 내 노력이 단순히 나 혼자만의 만족이 아니라 누군가에게 실제로 영향을 미쳤다는 것을 느낄 수 있었다.

그 순간, 모든 걱정이 사라졌다. 아마도 강의할 때마다 느끼는 보람일 테지만, 이번에는 조금 더 특별하게 다가왔다. 아직도 배우고 성장하는 단계에 있는 학생들에게 내가 나누는 지식과 경험이 그들의 여정에 작은 도움이 될 수 있다면, 그것만으로도 충분하다고 생각한다.

이제야 마음이 편안해졌다. 강의 준비로 미뤄두었던 드래곤퀘스트 3를 다시 꺼낼 때가 온 것 같다.

이번 강의를 준비하며 고민이 많았다. 그동안 다양한 배경과 경험을 가진 분들 앞에서 강의를 해왔지만, 순수하게 학생들만을 위해 준비한 강의는 처음이었다. 처음이라 더 조심스러웠다. 학생들에게 전달할 내용이 얼마나 유익할지, 난이도는 적절할지, 분량은 너무 많거나 부족하지는 않을지 끊임없이 질문하게 됐다. 내가 이야기하고자 하는 주제가 그들에게 실질적인 가치를 줄 수 있을까 하는 생각이 머릿속을 떠나지 않았다. 그렇게 걱정과 기대가 교차하는 과정에서 오늘의 강의를 준비했다. 그리고 마침내 강의를 마쳤다. 솔직히 말하자면 끝나기 전까지도 내내 긴장했다. 그러나 강연을 마치고 들은 피드백은 나를 안심시키고, 또 기쁘게 만들었다. "정말 재미있고 유익했다" "도움이 많이 됐다"라는 말들 속에서, 내 노력이 단순히 나 혼자만의 만족이 아니라 누군가에게 실제로 영향을 미쳤다는 것을 느낄 수 있었다. 그 순간, 모든 걱정이 사라졌다. 아마도 강의할 때마다 느끼는 보람일 테지만, 이번에는 조금 더 특별하게 다가왔다. 아직도 배우고 성장하는 단계에 있는 학생들에게 내가 나누는 지식과 경험이 그들의 여정에 작은 도움이 될 수 있다면, 그것만으로도 충분하다고 생각한다. 이제야 마음이 편안해졌다. 강의 준비로 미뤄두었던 드래곤퀘스트 3를 다시 꺼낼 때가 온 것 같다.

강의가 끝난 후

2024년은 저에게 많은 깨달음을 주었던 한 해였어요.
특히, 다음과 같은 질문들에 대해 깊이 고민할 수 있는 순간들이 찾아왔어요.

 * 내가 진정으로 원하는 성장의 방향은 무엇인가?
 * 나는 삶에서 어떤 사람들과 함께 교류하며 성장하고 싶은가?
 * 실무자가 아닌 교육자로서의 정체성을 만들기 위해 필요한 경험은 무엇인가?

저는 단순히 데이터를 분석하고 활용하는 것을 넘어, DATA/AI를 통해 사람들을 교육하고 영감을 주는 것에 흥미와 열정을 느낀다는 것을 깨달았어요.

크리에이터의 길은 생각보다 굴곡이 많은 비포장도로입니다.

스스로의 기대와 타인의 기대를 충족할 수 있는 길을 찾는 과정은 수많은 실망과 좌절, 그리고 아주 약간의 환희와 보람을 동반합니다.

하지만 크리에이터의 과정 자체를 즐기는 것이 가장 잘 성장할 수 있는 방법이라고 믿고 있어요.

아직도 성장할 날들이 많이 남아있다는 사실에 감사합니다.
그리고 여러분들과 함께 성장할 수 있음에 더욱 기대되구요 :)

2024년은 저에게 많은 깨달음을 주었던 한 해였어요. 특히, 다음과 같은 질문들에 대해 깊이 고민할 수 있는 순간들이 찾아왔어요. <ul ><li>내가 진정으로 원하는 성장의 방향은 무엇인가?</li><li>나는 삶에서 어떤 사람들과 함께 교류하며 성장하고 싶은가? </li><li>실무자가 아닌 교육자로서의 정체성을 만들기 위해 필요한 경험은 무엇인가?</li></ul> 저는 단순히 데이터를 분석하고 활용하는 것을 넘어, DATA/AI를 통해 사람들을 교육하고 영감을 주는 것에 흥미와 열정을 느낀다는 것을 깨달았어요. 크리에이터의 길은 생각보다 굴곡이 많은 비포장도로입니다. 스스로의 기대와 타인의 기대를 충족할 수 있는 길을 찾는 과정은 수많은 실망과 좌절, 그리고 아주 약간의 환희와 보람을 동반합니다. 하지만 크리에이터의 과정 자체를 즐기는 것이 가장 잘 성장할 수 있는 방법이라고 믿고 있어요. 아직도 성장할 날들이 많이 남아있다는 사실에 감사합니다. 그리고 여러분들과 함께 성장할 수 있음에 더욱 기대되구요 :)

조금 이른 2024년의 회고

오늘 OpenAI가 GPT-4o를 업데이트하면서 글쓰기 능력이 더 유려해지고 창의적이 되었다며 발표했는데요.

몇몇 벤치마크에서 테스트해보니 추론 벤치마크에서는 기존 모델보다 꽤 떨어진다고 합니다. 다만 속도가 초당 80 토큰에서 180 토큰으로 크게 빨라졌는데요.

‪뇌피셜로 보자면, 속도를 두 배 빠르게 하면 산술적으로 o1의 추론 토큰을 두 배 늘릴 수 있으니, 베이스 모델을 1차원적으로 썼을 때의 추론 능력은 약간 떨어지더라도 o1의 추론 능력을 크게 키울 수 있을거라서 이렇게 한 것이 아닐까..라고 추측이 됩니다.

일반적인 경우에는 추론 능력보다는 유려한 글쓰기가 유리하기도 하니, 꽤 합리적인 방법이 아닐까 싶습니다.

오늘 OpenAI가 GPT-4o를 업데이트하면서 글쓰기 능력이 더 유려해지고 창의적이 되었다며 발표했는데요. 몇몇 벤치마크에서 테스트해보니 추론 벤치마크에서는 기존 모델보다 꽤 떨어진다고 합니다. 다만 속도가 초당 80 토큰에서 180 토큰으로 크게 빨라졌는데요. ‪뇌피셜로 보자면, 속도를 두 배 빠르게 하면 산술적으로 o1의 추론 토큰을 두 배 늘릴 수 있으니, 베이스 모델을 1차원적으로 썼을 때의 추론 능력은 약간 떨어지더라도 o1의 추론 능력을 크게 키울 수 있을거라서 이렇게 한 것이 아닐까..라고 추측이 됩니다. 일반적인 경우에는 추론 능력보다는 유려한 글쓰기가 유리하기도 하니, 꽤 합리적인 방법이 아닐까 싶습니다.

진짜 전문가들은.. 오프라인 강의는 할 시간이 없어요.. 한 달에 한시간 발표하는 것도 버겁답니다. 왜냐하면 진짜 그 일을 해야하기 때문이죠. 한 시간 발표 준비하는데만도 저녁 시간을 일주일은 꼬박 써야하고, 재탕을 해도 청중이 다르기 때문에 며칠은 살펴 봐야하거든요. 강의와 발표가 메인 잡이다? 그러면 그건 그 일의 전문가가 아니라는 말 입니다. 그냥 엔터테이너죠. 그런 사람들의 말은 듣더라도 그냥 재미로만 들으세요.

진짜 전문가들은.. 오프라인 강의는 할 시간이 없어요.. 한 달에 한시간 발표하는 것도 버겁답니다. 왜냐하면 진짜 그 일을 해야하기 때문이죠. 한 시간 발표 준비하는데만도 저녁 시간을 일주일은 꼬박 써야하고, 재탕을 해도 청중이 다르기 때문에 며칠은 살펴 봐야하거든요. 강의와 발표가 메인 잡이다? 그러면 그건 그 일의 전문가가 아니라는 말 입니다. 그냥 엔터테이너죠. 그런 사람들의 말은 듣더라도 그냥 재미로만 들으세요.

Redis는 Java 애플리케이션에서 캐싱, 세션 관리, 실시간 데이터 저장소로 자주 사용됩니다. Redis 클라이언트에서 데이터를 저장하거나 가져올 때, 데이터는 반드시 직렬화되어야 합니다. 직렬화 방식은 성능과 코드의 유지보수에 큰 영향을 미치기 때문에 잘 선택해야 합니다. 이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다. JdkSerializationRedisSerializerJDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다.  장점:Java ..

Java Redis 직렬화 삼총사: Json, String, JDK

이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다.
 
JdkSerializationRedisSerializer
JDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다. 
 
장점:
 * Java 내장 기능이라 별도의 라이브러리 필요 없음
 * 복잡한 객체 구조도 쉽게 직렬화 가능
단점:
 * 직렬화된 데이터가 상대적으로 큼
 * 직렬화/역직렬화 과정이 비교적 느림
public class RedisConfig {
 public RedisTemplate<String, Object> redisTemplate() {
 RedisTemplate<String, Object> template = new RedisTemplate<>();
 template.setValueSerializer(new JdkSerializationRedisSerializer());
 // 기타 설정
 return template;
 }
} 

저장되는 형태
127.0.0.1:6379> GET user:2
"\xac\xed\x00\x05sr\x00\x04User...\x78\x6f"

 
StringRedisSerializer
String 직렬화는 데이터를 문자열 형태로 저장하는 방식입니다. 이 방식은 간단하고 가볍기 때문에 기본적인 키-값 저장에 적합합니다. 직렬화 과정 없이 단순히 데이터를 문자열로 변환하여 Redis에 저장합니다.
 
장점:
 * 속도가 빠르고 갑벼움
 * 데이터가 사람이 읽을 수 있어 디버깅이 쉬움
단점:
 * 객체 직렬화에 비해 유연성이 떨어짐
 * 복잡한 데이터 구조에는 적합하지 않음 
import org.springframework.data.redis.serializer.StringRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate<String, String> redisTemplate() {
 RedisTemplate<String, String> template = new RedisTemplate<>();
 template.setKeySerializer(new StringRedisSerializer());
 template.setValueSerializer(new StringRedisSerializer());
 // 기타 설정
 return template;
 }
}

저장되는 형태
127.0.0.1:6379> GET message
"Hello, World!"

 
GenericJackson2JsonRedisSerializer
JSON 직렬화는 객체를 JSON 문자열로 변환하는 방식입니다. JSON은 가볍고 사람이 읽을 수 있으며 다양한 언어와 호환이 잘 됩니다. Jackson 라이브러리 등을 활용해 손쉽게 구현할 수 있습니다.
 
장점:
 * 데이터 포맷이 가볍고 사람이 읽기 쉬움
 * 다양한 언어 간 호환성 우수
 * 객체 타입을 손쉽게 복원 가능
단점:
 * 데이터 크기가 텍스트 기반이라 다소 클 수 있음
 * 이진 데이터보다는 느림
import org.springframework.data.redis.serializer.GenericJackson2JsonRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate<String, Object> redisTemplate() {
 RedisTemplate<String, Object> template = new RedisTemplate<>();
 template.setValueSerializer(new GenericJackson2JsonRedisSerializer());
 // 기타 설정
 return template;
 }
}

저장되는 형태
127.0.0.1:6379> GET user:1
"{\"@class\":\"com.example.User\",\"name\":\"Alice\",\"age\":25}"

 
케이스별 선택
 * 여러 언어와의 호환성: GenericJackson2JsonRedisSerializer 추천
 * 같은 언어(Java) 간 데이터 공유: GenericJackson2JsonRedisSerializer 또는 JdkSerializationRedisSerializer 추천
 * 단순 데이터: StringRedisSerializer 추천
 * 복잡한 객체 또는 Java 전용 데이터: JdkSerializationRedisSerializer (단, 모든 서비스가 Java인 경우에만)
 
저 같은 경우는 서로 다른 서비스에서 동일한 Redis 클러스터를 사용하고 있었습니다. 동일한 프로젝트가 아니었기에 JdkSerializationRedisSerializer은 사용할 수 없었고, 간단한 데이터도 아니었기에 String을 선택하기에도 어려웠습니다.
 
결국 GenericJackson2JsonRedisSerializer를 선택하였는데, 기본적으로 포함되는 @class 속성은 데이터의 타입 정보를 제공하지만, 다른 서비스에서 필요하지 않았습니다. 이를 비활성화하려면 ObjectMapper 설정을 통해 커스터마이징할 수 있습니다.

이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다.&nbsp;JdkSerializationRedisSerializerJDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다.&nbsp;&nbsp;장점:<ul ><li>Java 내장 기능이라 별도의 라이브러리 필요 없음</li><li>복잡한 객체 구조도 쉽게 직렬화 가능</li></ul>단점:<ul ><li>직렬화된 데이터가 상대적으로 큼</li><li>직렬화/역직렬화 과정이 비교적 느림</li></ul><pre ><code class="language-java">public class RedisConfig {
 public RedisTemplate&lt;String, Object&gt; redisTemplate() {
 RedisTemplate&lt;String, Object&gt; template = new RedisTemplate&lt;&gt;();
 template.setValueSerializer(new JdkSerializationRedisSerializer());
 // 기타 설정
 return template;
 }
}&nbsp;</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET user:2
"\xac\xed\x00\x05sr\x00\x04User...\x78\x6f"</code></pre>&nbsp;StringRedisSerializerString 직렬화는 데이터를 문자열 형태로 저장하는 방식입니다. 이 방식은 간단하고 가볍기 때문에 기본적인 키-값 저장에 적합합니다. 직렬화 과정 없이 단순히 데이터를 문자열로 변환하여 Redis에 저장합니다.&nbsp;장점:<ul ><li>속도가 빠르고 갑벼움</li><li>데이터가 사람이 읽을 수 있어 디버깅이 쉬움</li></ul>단점:<ul ><li>객체 직렬화에 비해 유연성이 떨어짐</li><li>복잡한 데이터 구조에는 적합하지 않음&nbsp;</li></ul><pre ><code class="language-java">import org.springframework.data.redis.serializer.StringRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate&lt;String, String&gt; redisTemplate() {
 RedisTemplate&lt;String, String&gt; template = new RedisTemplate&lt;&gt;();
 template.setKeySerializer(new StringRedisSerializer());
 template.setValueSerializer(new StringRedisSerializer());
 // 기타 설정
 return template;
 }
}</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET message
"Hello, World!"</code></pre>&nbsp;GenericJackson2JsonRedisSerializerJSON 직렬화는 객체를 JSON 문자열로 변환하는 방식입니다. JSON은 가볍고 사람이 읽을 수 있으며 다양한 언어와 호환이 잘 됩니다. Jackson 라이브러리 등을 활용해 손쉽게 구현할 수 있습니다.&nbsp;장점:<ul ><li>데이터 포맷이 가볍고 사람이 읽기 쉬움</li><li>다양한 언어 간 호환성 우수</li><li>객체 타입을 손쉽게 복원 가능</li></ul>단점:<ul ><li>데이터 크기가 텍스트 기반이라 다소 클 수 있음</li><li>이진 데이터보다는 느림</li></ul><pre ><code class="language-java">import org.springframework.data.redis.serializer.GenericJackson2JsonRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate&lt;String, Object&gt; redisTemplate() {
 RedisTemplate&lt;String, Object&gt; template = new RedisTemplate&lt;&gt;();
 template.setValueSerializer(new GenericJackson2JsonRedisSerializer());
 // 기타 설정
 return template;
 }
}</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET user:1
"{\"@class\":\"com.example.User\",\"name\":\"Alice\",\"age\":25}"</code></pre>&nbsp;케이스별 선택<ul ><li>여러 언어와의 호환성: GenericJackson2JsonRedisSerializer 추천</li><li>같은 언어(Java) 간 데이터 공유: GenericJackson2JsonRedisSerializer 또는 JdkSerializationRedisSerializer 추천</li><li>단순 데이터: StringRedisSerializer 추천</li><li>복잡한 객체 또는 Java 전용 데이터: JdkSerializationRedisSerializer (단, 모든 서비스가 Java인 경우에만)</li></ul>&nbsp;저 같은 경우는 서로 다른 서비스에서 동일한 Redis 클러스터를 사용하고 있었습니다. 동일한 프로젝트가 아니었기에 JdkSerializationRedisSerializer은 사용할 수 없었고, 간단한 데이터도 아니었기에 String을 선택하기에도 어려웠습니다.&nbsp;결국 GenericJackson2JsonRedisSerializer를 선택하였는데, 기본적으로 포함되는 @class 속성은 데이터의 타입 정보를 제공하지만, 다른 서비스에서 필요하지 않았습니다. 이를 비활성화하려면 ObjectMapper 설정을 통해 커스터마이징할 수 있습니다.

덕토피아

🕊️ Java Redis직렬화 삼총사: Json, String, 

Hibernate 는 지연 로딩, 캐싱, 쿼리 순서 최적화 등 개발자가 애플리케이션 개발에만 집중할 수 있도록 여러가지 편의 기능을 제공합니다. 저는 오늘 이 ‘편의 기능’ 때문에 ‘불편해진’ 경험들에 대해 이야기 해보려 합니다.

Hibernate 의 ‘불편한’ 편의 기능들

JPA(Hibernate)를 사용하면서 생긴 불평불만들
Hibernate 는 정말 좋은 프레임워크일까?
https://medium.com/@hyeon9mak/hibernate-%EC%9D%98-%EB%B6%88%ED%8E%B8%ED%95%9C-%ED%8E%B8%EC%9D%98-%EA%B8%B0%EB%8A%A5%EB%93%A4-06a1fbc7492a

JPA(Hibernate)를 사용하면서 생긴 불평불만들Hibernate 는 정말 좋은 프레임워크일까?https://medium.com/@hyeon9mak/hibernate-%EC%9D%98-%EB%B6%88%ED%8E%B8%ED%95%9C-%ED%8E%B8%EC%9D%98-%EA%B8%B0%EB%8A%A5%EB%93%A4-06a1fbc7492a

Medium

JPA(Hibernate)를 사용하면서 생긴 불평불만들
Hiber

기술 면접 질문을 매일매일 메일로 보내드릴게요!

매일메일 - 기술 면접 질문 구독 서비스

기술 면접 질문을 매일매일 보내준다는 구독 서비스가 있습니다.
https://www.maeil-mail.kr/
서비스의 기능은 복잡하진 않지만 꽤 유용하게 활용해 볼 수 있을 것 같더라고요. 하루의 5분으로 기술 인사이트의 확장에 도움이 되길 바라는 마음에 공유드립니다.

기술 면접 질문을 매일매일 보내준다는 구독 서비스가 있습니다.https://www.maeil-mail.kr/서비스의 기능은 복잡하진 않지만 꽤 유용하게 활용해 볼 수 있을 것 같더라고요. 하루의 5분으로 기술 인사이트의 확장에 도움이 되길 바라는 마음에 공유드립니다.

maeil-mail

기술 면접 질문 구독 서비스 - 매일메일

유튜브 영상을 통해 본 분들도 있겠지만 일론 머스크는 다음과 같은 면접 질문을 통해 Exceptional Ability를 갖춘 사람을 찾으려 한다고 한다.

 * 인생 여정에 대해 말해달라는 걸로 시작해서
 * 그 과정에서 어떤 어려운 문제에 직면했으며
 * 그 문제를 어떻게 해결했고 어떤 결정을 내렸는가?

답변을 듣고 꼬리에 꼬리를 물고 계속해서 구체적이고 디테일한 질문을 통해 정말 본인이 한 것인지 아니면 남이 한 걸 본인이 한 것처럼 거짓말하는지도 알 수 있다고 한다. 인생 여정 이야기를 먼저 하는 이유는 그 사람에 대해 더 잘 알고 싶기도 하고 본인 이야기를 해야 좀더 다음 질문에 솔직하게 답변하게 되기 때문이 아닌가 싶다.

여러분들도 한번 위의 질문에 한번 본인이 자문자답해보면 어떨까 싶다. 특히 경력이 어느 정도 되는 분들이라면 어떤 문제를 해결보았고 그 과정에서 어떤 결정을 내렸는지 굉장히 의미있는 질문이다. 특히 "결정"이란 포인트가 중요하다. 커리어 초기에는 내가 결정을 내리기 보다는 남이 내린 결정에 맞춰 일을 하게 되지만 레벨이 올라가면서 결정을 내리는 역할을 하게 된다. 또 좋은 결과로 이루어진 결정만 의미가 있는 것이 아니다. 무엇을 배웠고 다음 번에는 이렇게 다르게 해보겠다는 것도 충분히 좋은 답변이다.

여담으로 X에서 일하는 지인에게 일론 머스크가 CEO가 된 뒤에 무엇이 변했는지 물어보았다.

 * 엔지니어의 수를 25% 밑으로 줄였고 레벨의 수를 확 줄여서 이제는 말단 개발자에서 세번 올라가면 일론 머스크라고 한다. 이제 트럼프가 미국 대통령이 되면서 일론 머스크가 정부 효율성을 높이는 일을 맡을 꺼라고 하던데 칼바람이 불 가능성이 높다. 25%로 줄였음에도 불구하고 전체적인 성과는 좋아졌으면 좋아졌지 나빠지지 않았다고 한다. 어쩌면 파킨슨의 법칙이 적용되고 있었는지도 모르겠다. 파킨슨의 법칙은 주어진 업무는 그 일을 처리할 수 있는 시간만큼 늘어나게 되며 사람이 있는만큼 더 바빠지는 현상을 말한다.
 * 구글 클라우드에서 X 서비스가 돌고 있었는데 그걸 클라우드 바깥(On-Premise)으로 이전하는 프로젝트를 진행 중이라 한다. 다들 클라우드에서 도는 세상에 비용을 이슈로 클라우드 이전 세상으로 돌아가는 셈인데 이 역시 일론 머스크가 아니라면 할 수 없는 결정이 아닌가 싶다.

유튜브 영상을 통해 본 분들도 있겠지만 일론 머스크는 다음과 같은 면접 질문을 통해 Exceptional Ability를 갖춘 사람을 찾으려 한다고 한다. <ul ><li>인생 여정에 대해 말해달라는 걸로 시작해서</li><li>그 과정에서 어떤 어려운 문제에 직면했으며</li><li>그 문제를 어떻게 해결했고 어떤 결정을 내렸는가?</li></ul> 답변을 듣고 꼬리에 꼬리를 물고 계속해서 구체적이고 디테일한 질문을 통해 정말 본인이 한 것인지 아니면 남이 한 걸 본인이 한 것처럼 거짓말하는지도 알 수 있다고 한다. 인생 여정 이야기를 먼저 하는 이유는 그 사람에 대해 더 잘 알고 싶기도 하고 본인 이야기를 해야 좀더 다음 질문에 솔직하게 답변하게 되기 때문이 아닌가 싶다. 여러분들도 한번 위의 질문에 한번 본인이 자문자답해보면 어떨까 싶다. 특히 경력이 어느 정도 되는 분들이라면 어떤 문제를 해결보았고 그 과정에서 어떤 결정을 내렸는지 굉장히 의미있는 질문이다. 특히 "결정"이란 포인트가 중요하다. 커리어 초기에는 내가 결정을 내리기 보다는 남이 내린 결정에 맞춰 일을 하게 되지만 레벨이 올라가면서 결정을 내리는 역할을 하게 된다. 또 좋은 결과로 이루어진 결정만 의미가 있는 것이 아니다. 무엇을 배웠고 다음 번에는 이렇게 다르게 해보겠다는 것도 충분히 좋은 답변이다. 여담으로 X에서 일하는 지인에게 일론 머스크가 CEO가 된 뒤에 무엇이 변했는지 물어보았다. <ul ><li>엔지니어의 수를 25% 밑으로 줄였고 레벨의 수를 확 줄여서 이제는 말단 개발자에서 세번 올라가면 일론 머스크라고 한다. 이제 트럼프가 미국 대통령이 되면서 일론 머스크가 정부 효율성을 높이는 일을 맡을 꺼라고 하던데 칼바람이 불 가능성이 높다. 25%로 줄였음에도 불구하고 전체적인 성과는 좋아졌으면 좋아졌지 나빠지지 않았다고 한다. 어쩌면 파킨슨의 법칙이 적용되고 있었는지도 모르겠다. 파킨슨의 법칙은 주어진 업무는 그 일을 처리할 수 있는 시간만큼 늘어나게 되며 사람이 있는만큼 더 바빠지는 현상을 말한다.</li><li>구글 클라우드에서 X 서비스가 돌고 있었는데 그걸 클라우드 바깥(On-Premise)으로 이전하는 프로젝트를 진행 중이라 한다. 다들 클라우드에서 도는 세상에 비용을 이슈로 클라우드 이전 세상으로 돌아가는 셈인데 이 역시 일론 머스크가 아니라면 할 수 없는 결정이 아닌가 싶다.</li></ul>

일론 머스크의 면접 질문

01 . 그 어느 때보다 개인의 퍼스널리티가 주목받고 있는 시대에 살고 있다는 사실은 쉽게 부정할 수 없을 겁니다. 대중이 아닌 개인의 차원에서 그들의 니즈를 파악하는 것이 회사는 물론 거대 경제에서도 중요한 목표가 되었고, 우리 개개인 역시도 '나는 어떤 사람인가'에 대한 관심도가 아주 높아졌기 때문이죠. 어쩌면 MBTI를 포함한 각종 성향 테스트, 유행하는 캐릭터들을 활용한 스타일과 케미스트리를 알아보는 게임들이 주목받는 것도 어쩌면 이 이유들에 근거하고 있다고 봐도 무방할 겁니다.

02 . 예전 ⟪기획자의 독서⟫란 책의 도입부에서 이런 취지의 표현을 쓴 적이 있습니다.
'세상에 기획자라고 불리는 직무가 아주 많지만, 그중에서도 각자의 무기를 들고 있는 기획자가 늘어나면 좋겠다. 그래서 여러 스타일의 기획자가 존재하고, 그들이 만든 기획물이 세상에 더더욱 많아지면 좋겠다'고 말입니다.
그런데 이 표현을 읽고서 몇몇 분들이 DM을 통해 비슷한 질문을 주셨습니다.
"저는 내향적인 성향인데 마케팅 직무가 잘 어울릴까요? 어떤 무기를 찾아야 하는지 모르겠어요.", "저는 지루한 것을 못 참는 성격인데 한 브랜드를 오래 담당하는 게 좋은 선택일까요?"

03 . 비교적 친분이 있고, 심지어 함께 일해 본 경험이 있는 사람들에게도 쉽게 해줄 수 있는 답이 아니니 당연히 구체적인 답변을 드릴 수 없었습니다. 그에 대한 고민과 결정은 오롯이 본인의 몫이라는 사실을 최대한 정중히 알려드렸던 사실이 기억나니까요.
하지만 동시에 놀랐던 사실 한 가지는 바로 꽤 많은 사람들이 성향과 성격과 역량을 구분 짓지 못하면서 일을 하고 있구나 하는 것이었습니다. 즉, 자기만의 장점을 갈고닦아 그걸 무기로 만드는 과정에서 이 세 가지를 아주 주관적으로 해석해 활용하고 있다는 걸 깨닫게 된 것이죠.

04 . 업무를 할 때도 자주 강조하는 사실이지만 우선 성격과 성향은 명확히 구분되는 개념입니다. 성격은 '현재의 나'로 대표되는 특성이라 할 수 있습니다. 만약 우리를 계량화(?) 할 수 있다면 병원에서 진단을 받는 것처럼 지금 곧장 나에게서 추출해낼 수 있는 특성이 바로 성격인 것이죠. 반대로 성향은 단어에서도 유추할 수 있듯이 '방향'의 목적이 추가된 개념입니다. 즉, 내가 갖고 있는 성격을 기반으로 '나는 어떤 사람이 되고 싶다'는 바람이 꽤 상당 부분 차지하고 있는 미래지향적 특성인 거죠. 그래서 한 줄로 정리하자면 성격은 지금의 나, 성향은 앞으로 나아가는 나라고 해도 큰 무리가 없습니다.

05 . 그런데 간혹 이 두 가지만을 거론하면서 '저는 ~ 이런이런 성격이라 그 업무는 하기가 어려울 것 같아요'라든가 '제 성향과는 맞지 않는 업무인 것 같아서 고민이 됩니다'라는 이야기를 하는 사람들을 자주 봅니다. 물론 본인이 가진 특성이 직무에 지대한 영향을 준다는 것은 결코 부정할 수 없는 사실이지만 냉정하게 따지고 보면 업무는 성격과 성향으로 주어지는 것이 아닙니다. 바로 우리에겐 마지막 남아있는 개념, 바로 '역량'이라는 것이 존재하기 때문이죠.

06 . 그동안 적지 않은 시간을 일해오면서 사람들의 선입견과 전혀 다른 모습을 보이는 유능한 인재들을 꽤 많이 목격했습니다. 분명 저 필드에서 일하려면 꽤나 터프하고 강직한 성격을 가지고 있어야 할 것 같은데, 침착하고 (어찌 보면 내성적인, 하지만) 꼼꼼한 성격의 사람이 훨씬 좋은 결과를 만들어내는 경우도 봤고, 아주 감성적이고 창의적이어야 하는 분야일 것 같음에도 지극히 이성적이고 데이터베이스의 사고를 하는 사람이 희대의 걸작을 만들어내는 사례도 있었으니 말이죠. 사람을 겉으로만, 아니 겉과 속을 나름 알고 있다고 해도 함부로 평가 내리면 안 된다는 사실을 다시 한번 깨닫는 순간이었죠.

07 . 그리고 이 사람들을 지켜보다 보면 한 가지 공통점이 발견되었습니다. 그들은 늘 '성향은 성향이고, 역량은 역량이다'라는 인식이 매우 분명한 사람들이었다는 겁니다. 다시 말해 '나는 A의 성향임이 분명하지만 이 일을 잘하기 위해서는 B라는 역량이 반드시 필요하다'는 사실을 잘 인지하는 인재들이었고, A로 인해 B가 잘 발휘되지 않을 거라는 무리한 가설을 세우지 않는 타입들이었습니다. 무엇보다 A가 필요한 자리에 B를, B가 필요한 자리에 A를 거론하지 않는 메타인지를 갖추고 있다는 게 가장 큰 장점이었고요.

08 . 이건 '성격과 성향은 서로 영향을 줄 수 있을지 몰라도, 이를 역량으로까지 연결 짓는 것은 무리가 있다'는 사실을 잘 보여줍니다. '해당 업무에 대한 경험이 적어서 이 일을 잘 해결할 수 있을지 고민이 됩니다'는 설득력이 있지만, '제 성격이 소심해서 이 일에 맞을지 모르겠어요'는 상당히 설득력이 떨어진다는 얘기인 거죠.
반대로 리더의 입장에서도 역량이 아닌 성격과 성향을 기준으로 업무를 배분하는 것은 적지 않은 리스크를 동반합니다. 개인의 특성이라는 게 참고 요소는 될 수 있을지 몰라도 역량에 앞선 우선 요소가 될 수는 없는 것이니 말이죠.

09 . 우스갯소리가 조금 섞이긴 했지만 가끔 누군가의 질문에 '일이니까요'라고 대답할 때가 있습니다. 예를 들면 '사람 앞에 나서는 걸 부담스러워하는 성격이라고 했는데 발표할 때는 왜 하나도 안 떠세요?'라든가 '외향적인 사람들을 만나면 종종 기가 빨린다고 하셨는데, 어떻게 먼저 제안하고 태핑하고 하는 것에 스트레스받지 않는 거죠?'라는 질문이죠. 그렇다고 제가 그 순간 스스로에게 엄청난 최면을 거는 것도 아닌 라는 걸 돌이켜보면 결국 답은 '그건 내가 할 수 있는 역량의 범위이니, 일이 되게 하기 위해서는 필요한 과정이다'가 맞는 것 같아요. 성격과 성향을 들먹이면서 할 수 있는 일조차 밀어내고, 발전해야 할 부분조차 외면시 하는 것은 성장 욕구가 없는 것과 마찬가지니까요.

10 . 개인의 특성이 주목받는 시대를 넘어 초개인화에 접근하는 세상이라고 하지만, 나라는 개인에 가장 집중해야 하는 사람은 다름 아닌 우리 자신입니다. 그리고 나 자신을 잘 이해하기 위해서는 지금의 나(성격)와 앞으로의 나(성향)를 규정하는 것도 중요하지만 지금 내 손에 들려있는 것과 비교적 쉽고 빠르게 체득할 수 있는 것, 남들보다 더 경쟁적으로 우위를 확보할 수 있는 것(역량)들과의 관계를 파악하는 것도 너무너무 중요합니다. 쌀로 밥을 짓는다는 사실만큼 당연한 것이 '일은 역량으로 한다'는 사실일 테니 말이죠.
그러니 누군가 일로서 여러분을 파악하려 하는 시도를 한다면 그때는 여러분 스스로 먼저 질문을 던져보는 게 좋을 것 같습니다. '나의 성격과 성향은 나의 역량과 어떤 관계를 맺고 있나'라고 말입니다.

01 . 그 어느 때보다 개인의 퍼스널리티가 주목받고 있는 시대에 살고 있다는 사실은 쉽게 부정할 수 없을 겁니다. 대중이 아닌 개인의 차원에서 그들의 니즈를 파악하는 것이 회사는 물론 거대 경제에서도 중요한 목표가 되었고, 우리 개개인 역시도 '나는 어떤 사람인가'에 대한 관심도가 아주 높아졌기 때문이죠. 어쩌면 MBTI를 포함한 각종 성향 테스트, 유행하는 캐릭터들을 활용한 스타일과 케미스트리를 알아보는 게임들이 주목받는 것도 어쩌면 이 이유들에 근거하고 있다고 봐도 무방할 겁니다. 02 . 예전 ⟪기획자의 독서⟫란 책의 도입부에서 이런 취지의 표현을 쓴 적이 있습니다.'세상에 기획자라고 불리는 직무가 아주 많지만, 그중에서도 각자의 무기를 들고 있는 기획자가 늘어나면 좋겠다. 그래서 여러 스타일의 기획자가 존재하고, 그들이 만든 기획물이 세상에 더더욱 많아지면 좋겠다'고 말입니다.그런데 이 표현을 읽고서 몇몇 분들이 DM을 통해 비슷한 질문을 주셨습니다."저는 내향적인 성향인데 마케팅 직무가 잘 어울릴까요? 어떤 무기를 찾아야 하는지 모르겠어요.", "저는 지루한 것을 못 참는 성격인데 한 브랜드를 오래 담당하는 게 좋은 선택일까요?" 03 . 비교적 친분이 있고, 심지어 함께 일해 본 경험이 있는 사람들에게도 쉽게 해줄 수 있는 답이 아니니 당연히 구체적인 답변을 드릴 수 없었습니다. 그에 대한 고민과 결정은 오롯이 본인의 몫이라는 사실을 최대한 정중히 알려드렸던 사실이 기억나니까요. 하지만 동시에 놀랐던 사실 한 가지는 바로 꽤 많은 사람들이 성향과 성격과 역량을 구분 짓지 못하면서 일을 하고 있구나 하는 것이었습니다. 즉, 자기만의 장점을 갈고닦아 그걸 무기로 만드는 과정에서 이 세 가지를 아주 주관적으로 해석해 활용하고 있다는 걸 깨닫게 된 것이죠. 04 . 업무를 할 때도 자주 강조하는 사실이지만 우선 성격과 성향은 명확히 구분되는 개념입니다. 성격은 '현재의 나'로 대표되는 특성이라 할 수 있습니다. 만약 우리를 계량화(?) 할 수 있다면 병원에서 진단을 받는 것처럼 지금 곧장 나에게서 추출해낼 수 있는 특성이 바로 성격인 것이죠. 반대로 성향은 단어에서도 유추할 수 있듯이 '방향'의 목적이 추가된 개념입니다. 즉, 내가 갖고 있는 성격을 기반으로 '나는 어떤 사람이 되고 싶다'는 바람이 꽤 상당 부분 차지하고 있는 미래지향적 특성인 거죠. 그래서 한 줄로 정리하자면 성격은 지금의 나, 성향은 앞으로 나아가는 나라고 해도 큰 무리가 없습니다. 05 . 그런데 간혹 이 두 가지만을 거론하면서 '저는 ~ 이런이런 성격이라 그 업무는 하기가 어려울 것 같아요'라든가 '제 성향과는 맞지 않는 업무인 것 같아서 고민이 됩니다'라는 이야기를 하는 사람들을 자주 봅니다. 물론 본인이 가진 특성이 직무에 지대한 영향을 준다는 것은 결코 부정할 수 없는 사실이지만 냉정하게 따지고 보면 업무는 성격과 성향으로 주어지는 것이 아닙니다. 바로 우리에겐 마지막 남아있는 개념, 바로 '역량'이라는 것이 존재하기 때문이죠. 06 . 그동안 적지 않은 시간을 일해오면서 사람들의 선입견과 전혀 다른 모습을 보이는 유능한 인재들을 꽤 많이 목격했습니다. 분명 저 필드에서 일하려면 꽤나 터프하고 강직한 성격을 가지고 있어야 할 것 같은데, 침착하고 (어찌 보면 내성적인, 하지만) 꼼꼼한 성격의 사람이 훨씬 좋은 결과를 만들어내는 경우도 봤고, 아주 감성적이고 창의적이어야 하는 분야일 것 같음에도 지극히 이성적이고 데이터베이스의 사고를 하는 사람이 희대의 걸작을 만들어내는 사례도 있었으니 말이죠. 사람을 겉으로만, 아니 겉과 속을 나름 알고 있다고 해도 함부로 평가 내리면 안 된다는 사실을 다시 한번 깨닫는 순간이었죠. 07 . 그리고 이 사람들을 지켜보다 보면 한 가지 공통점이 발견되었습니다. 그들은 늘 '성향은 성향이고, 역량은 역량이다'라는 인식이 매우 분명한 사람들이었다는 겁니다. 다시 말해 '나는 A의 성향임이 분명하지만 이 일을 잘하기 위해서는 B라는 역량이 반드시 필요하다'는 사실을 잘 인지하는 인재들이었고, A로 인해 B가 잘 발휘되지 않을 거라는 무리한 가설을 세우지 않는 타입들이었습니다. 무엇보다 A가 필요한 자리에 B를, B가 필요한 자리에 A를 거론하지 않는 메타인지를 갖추고 있다는 게 가장 큰 장점이었고요. 08 . 이건 '성격과 성향은 서로 영향을 줄 수 있을지 몰라도, 이를 역량으로까지 연결 짓는 것은 무리가 있다'는 사실을 잘 보여줍니다. '해당 업무에 대한 경험이 적어서 이 일을 잘 해결할 수 있을지 고민이 됩니다'는 설득력이 있지만, '제 성격이 소심해서 이 일에 맞을지 모르겠어요'는 상당히 설득력이 떨어진다는 얘기인 거죠. 반대로 리더의 입장에서도 역량이 아닌 성격과 성향을 기준으로 업무를 배분하는 것은 적지 않은 리스크를 동반합니다. 개인의 특성이라는 게 참고 요소는 될 수 있을지 몰라도 역량에 앞선 우선 요소가 될 수는 없는 것이니 말이죠. 09 . 우스갯소리가 조금 섞이긴 했지만 가끔 누군가의 질문에 '일이니까요'라고 대답할 때가 있습니다. 예를 들면 '사람 앞에 나서는 걸 부담스러워하는 성격이라고 했는데 발표할 때는 왜 하나도 안 떠세요?'라든가 '외향적인 사람들을 만나면 종종 기가 빨린다고 하셨는데, 어떻게 먼저 제안하고 태핑하고 하는 것에 스트레스받지 않는 거죠?'라는 질문이죠. 그렇다고 제가 그 순간 스스로에게 엄청난 최면을 거는 것도 아닌 라는 걸 돌이켜보면 결국 답은 '그건 내가 할 수 있는 역량의 범위이니, 일이 되게 하기 위해서는 필요한 과정이다'가 맞는 것 같아요. 성격과 성향을 들먹이면서 할 수 있는 일조차 밀어내고, 발전해야 할 부분조차 외면시 하는 것은 성장 욕구가 없는 것과 마찬가지니까요. 10 . 개인의 특성이 주목받는 시대를 넘어 초개인화에 접근하는 세상이라고 하지만, 나라는 개인에 가장 집중해야 하는 사람은 다름 아닌 우리 자신입니다. 그리고 나 자신을 잘 이해하기 위해서는 지금의 나(성격)와 앞으로의 나(성향)를 규정하는 것도 중요하지만 지금 내 손에 들려있는 것과 비교적 쉽고 빠르게 체득할 수 있는 것, 남들보다 더 경쟁적으로 우위를 확보할 수 있는 것(역량)들과의 관계를 파악하는 것도 너무너무 중요합니다. 쌀로 밥을 짓는다는 사실만큼 당연한 것이 '일은 역량으로 한다'는 사실일 테니 말이죠. 그러니 누군가 일로서 여러분을 파악하려 하는 시도를 한다면 그때는 여러분 스스로 먼저 질문을 던져보는 게 좋을 것 같습니다. '나의 성격과 성향은 나의 역량과 어떤 관계를 맺고 있나'라고 말입니다.

일은 성향이 아니라 역량으로 하는 거죠

Why Engineers Need To Write

여러분은 엔지니어로서 글쓰기를 얼마나 중요하게 생각하시나요? 코딩 역시도 잘 생각해보면 컴퓨터와 소통하기 위한 글쓰기 인데, 다른 개발자들과의 원활한 소통을 위해 내 생각을 글로 잘 쓰는것 역시 점점 더 중요해져가고 있는 것 같습니다.

 * 글쓰기는 곧 일의 일부
   * 중급 엔지니어로 성장하면서 글쓰기가 업무에서 큰 비중을 차지하게 됩니다.
   * 기술적인 질문을 던지고, 코드 리뷰를 하고, 디자인 문서를 작성하는 등 글쓰기는 협업의 핵심 요소로 자리 잡습니다.
   * 특히 코로나 이후 비대면 문화가 강화되면서, 비동기적 소통을 위한 문서화가 필수가 되었습니다.
     
     
 * 글쓰기는 자기 확장의 도구
   * 글쓰기를 통해 자신의 지식을 팀에 공유하면, 팀 전체의 생산성이 높아집니다.
   * 예를 들어, 동료의 작업 노트가 위키 형태로 팀원들에게 공유되면서 효율성을 높이는 사례가 있습니다.
   * 직접 코드를 작성하는 데 한계가 있지만, 글쓰기를 통해 팀을 더 빠르고 효과적으로 움직이게 하는 영향력을 발휘할 수 있습니다.

 * 글쓰기는 사고력을 강화한다
   * 글을 쓰면서 생각을 구조화하고 논리적으로 정리할 수 있습니다.
   * 디자인 문서를 작성하면서 새로운 최적화 방법이나 문제점을 발견하는 경우도 많습니다.
   * 이는 단순히 기존의 아이디어를 명확히 하는 것을 넘어, 새로운 아이디어를 창출하는 과정이 됩니다.

 * AI 시대에도 글쓰기의 가치는 여전하다
   * ChatGPT 같은 도구가 글쓰기를 대신할 수 있어도, 스스로 생각을 글로 표현하는 능력은 중요합니다.
   * 글쓰기는 단순한 작업이 아니라 사고를 논리적이고 깊이 있게 만들며, 이를 통해 더 나은 결정을 내리게 해줍니다.

여러분은 일상 업무에서 글쓰기를 얼마나 활용하고 계신가요? 팀과의 협업을 강화하기 위해 어떤 글쓰기 습관을 도입해볼 수 있을까요? :)

https://www.developing.dev/p/why-engineers-need-to-write

여러분은 엔지니어로서 글쓰기를 얼마나 중요하게 생각하시나요? 코딩 역시도 잘 생각해보면 컴퓨터와 소통하기 위한 글쓰기 인데, 다른 개발자들과의 원활한 소통을 위해 내 생각을 글로 잘 쓰는것 역시 점점 더 중요해져가고 있는 것 같습니다. <ul ><li>글쓰기는 곧 일의 일부<ul ><li>중급 엔지니어로 성장하면서 글쓰기가 업무에서 큰 비중을 차지하게 됩니다.</li><li>기술적인 질문을 던지고, 코드 리뷰를 하고, 디자인 문서를 작성하는 등 글쓰기는 협업의 핵심 요소로 자리 잡습니다.</li><li>특히 코로나 이후 비대면 문화가 강화되면서, 비동기적 소통을 위한 문서화가 필수가 되었습니다. </li></ul></li><li>글쓰기는 자기 확장의 도구<ul ><li>글쓰기를 통해 자신의 지식을 팀에 공유하면, 팀 전체의 생산성이 높아집니다.</li><li>예를 들어, 동료의 작업 노트가 위키 형태로 팀원들에게 공유되면서 효율성을 높이는 사례가 있습니다.</li><li>직접 코드를 작성하는 데 한계가 있지만, 글쓰기를 통해 팀을 더 빠르고 효과적으로 움직이게 하는 영향력을 발휘할 수 있습니다.</li></ul></li></ul> <ul ><li>글쓰기는 사고력을 강화한다<ul ><li>글을 쓰면서 생각을 구조화하고 논리적으로 정리할 수 있습니다.</li><li>디자인 문서를 작성하면서 새로운 최적화 방법이나 문제점을 발견하는 경우도 많습니다.</li><li>이는 단순히 기존의 아이디어를 명확히 하는 것을 넘어, 새로운 아이디어를 창출하는 과정이 됩니다.</li></ul></li></ul> <ul ><li>AI 시대에도 글쓰기의 가치는 여전하다<ul ><li>ChatGPT 같은 도구가 글쓰기를 대신할 수 있어도, 스스로 생각을 글로 표현하는 능력은 중요합니다.</li><li>글쓰기는 단순한 작업이 아니라 사고를 논리적이고 깊이 있게 만들며, 이를 통해 더 나은 결정을 내리게 해줍니다.</li></ul></li></ul> 여러분은 일상 업무에서 글쓰기를 얼마나 활용하고 계신가요? 팀과의 협업을 강화하기 위해 어떤 글쓰기 습관을 도입해볼 수 있을까요? :) https://www.developing.dev/p/why-engineers-need-to-write

www.developing.dev

개발자가 글을 써야 하는 이유

러시아도 놀라게 한 열정 ‘만학도 전설’ 공근식 박사 1992년 발행된 농업 잡지 ‘농진종묘’에는 직접 수확한 수박 한 통을 든 채 활짝 웃는 농부 공근식(충북 영동군 심천면 초강리)씨의 사진이 큼지막하게 실렸다. 

수박 농사 짓다 우주 공학… 농부처럼 공부하라, 결과는 정직하리니

1. “(늦은 나이에 공부를 시작해 수석 졸업 등을 해서 그런지 저에게 공부 비결을 물어보는 사람들이 많은데) 제가 농부였잖아요? (그래서) 일단 새벽 일찍 일어나요. 고요하고 머리도 팽팽 잘 돌아가요. 능률이 높죠”

2. “(게다가) 러시아는 겨울이 길거든요. 춥고, 졸리고, 수업 가기 싫죠. 그래도 이미 몸은 강의실로 움직이고 있어요. 농부가 밭 매러 가듯이요”

3. “(사람들은 요행을 바라지만) 뿌린 대로 거둔다, 이 말이 맞는 것 같아요. 저는 점심을 안 먹어요. 나이가 있다 보니 식곤증이 세게 와서요. 수학 올림피아드 대회에서 금메달 딴 10대들이랑 경쟁해야 하는데, 졸린 것보다 배고픈 게 낫죠. 지금은 습관이 됐어요”

4. “(늦은 나이에 러시아에서 공부하면서) 진짜 천재들 많이 봤어요. 머리 돌아가는 속도가 달라요. 뭐든 빨라요. 근데 포기도 빨라요. 저는 느리지만 계속하고 있을 뿐이고요”

5. “(물론) 공부에는 때가 있어요. 맞아요. 늦은 나이에 공부하려니 정말 힘들었어요. 그런데요, 반복을 이기는 건 없는 것 같아요. 중요한 건 지치지 않는 거예요”

6. “박사과정 때 들은 말인데요, 한국 학생들은 초반에 두각을 빨리 드러낸대요. 근데 갈수록 뒤처진대요. 중국이나 베트남 학생들은 정반대예요. 걔네는 자주 만나고 서로 묻고 토론하면서 공부해요. 한국 학생은 혼자서 하죠. 혼자 하면 빨리 지쳐요”

- 공근식 박사

1. “(늦은 나이에 공부를 시작해 수석 졸업 등을 해서 그런지 저에게 공부 비결을 물어보는 사람들이 많은데) 제가 농부였잖아요? (그래서) 일단 새벽 일찍 일어나요. 고요하고 머리도 팽팽 잘 돌아가요. 능률이 높죠” 2. “(게다가) 러시아는 겨울이 길거든요. 춥고, 졸리고, 수업 가기 싫죠. 그래도 이미 몸은 강의실로 움직이고 있어요. 농부가 밭 매러 가듯이요” 3. “(사람들은 요행을 바라지만) 뿌린 대로 거둔다, 이 말이 맞는 것 같아요. 저는 점심을 안 먹어요. 나이가 있다 보니 식곤증이 세게 와서요. 수학 올림피아드 대회에서 금메달 딴 10대들이랑 경쟁해야 하는데, 졸린 것보다 배고픈 게 낫죠. 지금은 습관이 됐어요” 4. “(늦은 나이에 러시아에서 공부하면서) 진짜 천재들 많이 봤어요. 머리 돌아가는 속도가 달라요. 뭐든 빨라요. 근데 포기도 빨라요. 저는 느리지만 계속하고 있을 뿐이고요” 5. “(물론) 공부에는 때가 있어요. 맞아요. 늦은 나이에 공부하려니 정말 힘들었어요. 그런데요, 반복을 이기는 건 없는 것 같아요. 중요한 건 지치지 않는 거예요” 6. “박사과정 때 들은 말인데요, 한국 학생들은 초반에 두각을 빨리 드러낸대요. 근데 갈수록 뒤처진대요. 중국이나 베트남 학생들은 정반대예요. 걔네는 자주 만나고 서로 묻고 토론하면서 공부해요. 한국 학생은 혼자서 하죠. 혼자 하면 빨리 지쳐요” - 공근식 박사

n.news.naver.com

만학도의 전설, 공근식 박사의 공부법

이 글을 읽으시기 전에 이전의 글 <10분 만에 RAG 이해하기>를 먼저 읽고 오시면 지금 이 글의 이해에 도움이 됩니다. 0. 등장 배경 이미 잘 알고 계시지만, 이미 시장에는 OpenAI의 ChatGPT, 앤쓰로픽의 끌로드, 구글의 제미나이, 네이버의 하이퍼클로바X 와 같은 대표 LLM을 제외하고도 수많은 언어모델이 거의 매일 새롭게 나타나고 있으며 각

10분 만에 랭체인(LangChain) 이해하기

요즘 회사에서 AI 활용이 점점 더 중요해지고 있어요. 그중 랭체인(LangChain)은 ChatGPT 같은 AI 언어 모델을 더 똑똑하게 사용할 수 있도록 도와주는 툴이에요. 랭체인을 공부하면 어떤 이점이 있을까요?

 1. 반복 업무 자동화 🛠️
    이메일 요약, 고객 리뷰 분석 등 귀찮은 반복 작업을 AI가 대신해줘서 시간 절약이 가능해요. 일 더 빠르게 끝내고 칼퇴할 수도!
 2. 데이터 분석과 통합 📊
    다양한 데이터에서 빠르게 인사이트를 찾고 보고서 작성까지! 데이터 분석 업무가 편해져서 성과를 확 높일 수 있어요.
 3. AI와 함께 일하는 역량 🚀
    앞으로 AI와 협업은 필수 스킬! 랭체인을 알면 AI를 내 일에 더 유용하게 활용할 수 있어서 회사 내에서 인정받는 인재로 성장할 수 있어요.

결론적으로, 랭체인 공부하면 일잘러로 거듭날 수 있는 기회를 잡는 거죠! 😊

https://brunch.co.kr/@ywkim36/147

요즘 회사에서 AI 활용이 점점 더 중요해지고 있어요. 그중 랭체인(LangChain)은 ChatGPT 같은 AI 언어 모델을 더 똑똑하게 사용할 수 있도록 도와주는 툴이에요. 랭체인을 공부하면 어떤 이점이 있을까요? <ol ><li>반복 업무 자동화 🛠️ 이메일 요약, 고객 리뷰 분석 등 귀찮은 반복 작업을 AI가 대신해줘서 시간 절약이 가능해요. 일 더 빠르게 끝내고 칼퇴할 수도!</li><li>데이터 분석과 통합 📊 다양한 데이터에서 빠르게 인사이트를 찾고 보고서 작성까지! 데이터 분석 업무가 편해져서 성과를 확 높일 수 있어요.</li><li>AI와 함께 일하는 역량 🚀 앞으로 AI와 협업은 필수 스킬! 랭체인을 알면 AI를 내 일에 더 유용하게 활용할 수 있어서 회사 내에서 인정받는 인재로 성장할 수 있어요.</li></ol> 결론적으로, 랭체인 공부하면 일잘러로 거듭날 수 있는 기회를 잡는 거죠! 😊 https://brunch.co.kr/@ywkim36/147

Brunch Story

10분만에 랭체인(LangChain) 이해하기

영향력 있는 유명인 vs. 실력 있는 전문가 - 링크드인에서 팔로워가 80,000명에 달하는 Julie Zhuo가 3일 전에 올린 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다.

영향력 있는 유명인 vs. 실력 있는 전문가

링크드인에서 팔로워가 10만 명명에 달하는 Julie Zhuo가 올렸던 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다. 원문 글의 4사분면을 살펴보시면서 글을 읽어보시면 좋겠습니다.

[ 큐레이터의 문장 🎒 ]

모든 사람들이 모두 전문가라고 생각하는 사람들은 사분면에서 가장 위쪽(제1사분면)에 있는 사람들입니다. 진짜 전문가(True expert)는 실력과 영향력을 모두 갖췄고 전문가라고 말할 수 있습니다. 모두 되고 싶어하는 롤모델입니다. 그런데 가장 위쪽(제2사분면)에 있는 사람은 실력이 없는데도 전문가라고 평가받기도 합니다. 이런 사람들을 실력이 없지만 유명한 사람, 인플루언서(Armchair influencer)라고 부릅니다. 두 부류에는 어떤 차이가 있을까요? 보통 우리가 일을 할 때에는 아래 6가지 일 하는 단계를 거치는데요.

1️⃣ 문제에 대해 탐구하고
2️⃣ 솔루션을 제안하고
3️⃣ 솔루션을 직접 실행하고
4️⃣ 솔루션이 어떤 영향을 가져오는지 지켜보고
5️⃣ 그 결과를 수용하고
6️⃣ 학습하고 반복하면서 계속 개선하고

진짜 전문가는 6가지를 모두 하지만, 가짜 전문가는 1 또는 2까지만 합니다. 오른쪽 아래(제4사분면)에는 숨은 실력자(Secret master)가 있습니다. 같이 일을 하다 "이런 사람이 있었다니!"라며 감탄을 안 할 수 없는 사람들이 있습니다. 배우고 싶고, 닮고 싶은 사람들이 실력 없는 유명인과 함께 있는 것이죠.

직접 솔루션을 실행하고 그 결과를 보면서 운영까지 들어가서 개선하는가? 진짜 전문가라면 실행, 운영, 개선이라는 사이클까지 해야 합니다. 모두 평론가가 되기 쉬운 시대에 정말 내가 문제를 해결하고 그 결과를 관찰하며 더 나은 솔루션으로 만들어가고 있는지 가만히 생각해 보면 좋겠습니다.

https://redbusbagman.com/armchairinfluencers/

링크드인에서 팔로워가 10만 명명에 달하는 Julie Zhuo가 올렸던 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다. 원문 글의 4사분면을 살펴보시면서 글을 읽어보시면 좋겠습니다. [ 큐레이터의 문장 🎒 ] 모든 사람들이 모두 전문가라고 생각하는 사람들은 사분면에서 가장 위쪽(제1사분면)에 있는 사람들입니다. 진짜 전문가(True expert)는 실력과 영향력을 모두 갖췄고 전문가라고 말할 수 있습니다. 모두 되고 싶어하는 롤모델입니다. 그런데 가장 위쪽(제2사분면)에 있는 사람은 실력이 없는데도 전문가라고 평가받기도 합니다. 이런 사람들을 실력이 없지만 유명한 사람, 인플루언서(Armchair influencer)라고 부릅니다. 두 부류에는 어떤 차이가 있을까요? 보통 우리가 일을 할 때에는 아래 6가지 일 하는 단계를 거치는데요. 1️⃣ 문제에 대해 탐구하고2️⃣ 솔루션을 제안하고3️⃣ 솔루션을 직접 실행하고4️⃣ 솔루션이 어떤 영향을 가져오는지 지켜보고5️⃣ 그 결과를 수용하고6️⃣ 학습하고 반복하면서 계속 개선하고 진짜 전문가는 6가지를 모두 하지만, 가짜 전문가는 1 또는 2까지만 합니다. 오른쪽 아래(제4사분면)에는 숨은 실력자(Secret master)가 있습니다. 같이 일을 하다 "이런 사람이 있었다니!"라며 감탄을 안 할 수 없는 사람들이 있습니다. 배우고 싶고, 닮고 싶은 사람들이 실력 없는 유명인과 함께 있는 것이죠. 직접 솔루션을 실행하고 그 결과를 보면서 운영까지 들어가서 개선하는가? 진짜 전문가라면 실행, 운영, 개선이라는 사이클까지 해야 합니다. 모두 평론가가 되기 쉬운 시대에 정말 내가 문제를 해결하고 그 결과를 관찰하며 더 나은 솔루션으로 만들어가고 있는지 가만히 생각해 보면 좋겠습니다. https://redbusbagman.com/armchairinfluencers/

REDBUSBAGMAN | 빨간색 광역버스에 백팩을 메고 탑니다

《인플루언서와 유명세가 있는 사람의 차이》

1️⃣ 취업 루트 및 경험담

01. 미국 취업 루트: https://careerly.co.kr/comments/51260
02. 캐나다 취업 허가증 수령 경험담: https://careerly.co.kr/comments/56992
03. 미국 이민/해외 취업 준비 중이라면 꼭 알아야 하는 것: https://careerly.co.kr/comments/56991
04. 실리콘 밸리 개발자의 7가지 찰랜지: https://careerly.co.kr/comments/72236
05. 미국 생활하면서 가장 힘들었던 점: https://careerly.co.kr/comments/52097
06. 미국 취업 비자, 4월이 가장 절망적일 수 있는 이유: https://careerly.co.kr/comments/54680

2️⃣ 영어관련 자료

01. 개발자에게 필요한 영어 실력: https://careerly.co.kr/comments/56961
02. 영어 공부팁: https://careerly.co.kr/comments/60926
03. 영어 독해 공부법: https://careerly.co.kr/comments/67571

3️⃣ 면접관련 자료

01. 해외 개발자 면접 프로세스: https://careerly.co.kr/comments/56503
02. 해외 취업 준비 리소스: https://careerly.co.kr/comments/56991
03. 최종 면접 통과 준비를 위한 무료 노션 템플릿: https://careerly.co.kr/comments/72967
04. 취업 준비생 주목! 새로운 개발자 면접 유형: https://careerly.co.kr/comments/67219
05. 해외 취업 필수 코스 3탄 - 행동 인터뷰: https://careerly.co.kr/comments/54721

4️⃣ 이력서관련 자료

01. 좋은 영문 이력서 작성을 위해 절대 하면 안되는 실수: https://careerly.co.kr/comments/49380

5️⃣ 연봉 정보

01. 해외 개발자의 실제 연봉 데이터는? https://careerly.co.kr/comments/49341
02. 미국 지역별 연봉 정보: https://careerly.co.kr/comments/61147
03. 회사가 주는 대로 받는 게 아닌 요즘 개발자 연봉 구성: https://careerly.co.kr/comments/72735
04. 수석 엔지니어의 정확한 연봉, 세율 그리고 세후 실수령액 +세금 보고서: https://careerly.co.kr/comments/72449

6️⃣ 해외 및 외국계 회사관련 자료

01. 워라밸 보장하는 미국 회사 리스트: https://careerly.co.kr/comments/51258

가끔 해외 취업 관련 DM 보내주시는데, 한곳에 모아서 볼 수 있는 곳이 없어서 그동안 포스팅했던 글을 정리해서 올립니다. 해외 취업 준비할 때 가장 어려웠던 점은 공식 사이트 외에 경험담을 통해서만 알 수 있는 점들을 쉽게 접할 수 없었던 것 같아요. 개인 경험담도 있지만 여러 자료를 읽고 공감했던 것까지 모두 모아봤습니다. 추가로 궁금하신 점은 댓글에 남겨주세요 :)

해외 취업이 목표라면 지금부터 알아둬야 할 20가지 자료

behavioral 질문할건데.. 경험이 20개정돈 아닌데.. 어떻게 해야할까요.

최소한 어느 질문에 대한 답을 원할까요?

ex)제가 들은 질문은 ~에요
저라면 ~는 최소한 물어볼 것 같아요

의 답변 주시면 최대한 제가 경험을 짜내볼텐데 어렵네요. 넋두리 들어주셔서 감사합니다.

behavioral 질문할건데.. 경험이 20개정돈 아닌데.. 어떻게 해야할까요. 최소한 어느 질문에 대한 답을 원할까요? ex)제가 들은 질문은 ~에요저라면 ~는 최소한 물어볼 것 같아요 의 답변 주시면 최대한 제가 경험을 짜내볼텐데 어렵네요. 넋두리 들어주셔서 감사합니다.

경력이직 질문

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필