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

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

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

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

데이터 엔지니어링 vs 데이터 사이언스

저의 첫 멘토는 하청 업체에서 고용한 프리랜서 개발자였습니다.

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

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

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

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

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

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

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

나의 첫 멘토 이야기

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

초등학교 1학년 학생들을 위한 받아쓰기. 소리, 그림 그리고 선생님과 함께 새로운 단어를 공부해봐요.

초등 받아쓰기 시험, 단어 공부

제가 국민학교 다닐 땐 받아쓰기를 했습니다.
89년도인가? 초등학교 2학년에 올라가자마자 선생님이 불러주는 것을 받아쓰기 하던 날.
‘읍니다’가, ‘습니다’로 바뀌어서 와장창 틀렸던 기억.
받아쓰기에 대한 유일한 기억입니다.

얼마 전 딸이 초등학교에 들어갔는데, 맞춤법이 자주 틀려서 교정해주기 위한 어플을 만들어봤습니다.
선생님이 불러주고 받아적는 받아쓰기 어플.
틀린 점에 대해 피드백 받을 수 있는 어플.
이런 어플이 있으면 맞춤법 공부할 때 도움이 되지 않을까?

온 가족이 함께 만들었습니다.
아내는 디자인을, 나는 코딩을, 딸은 목소리를.

아직 개선할 부분들이 많지만 다른 사람들도 함께 쓸 수 있도록 공개해봅니다.
완전히 무료이고, 아이들을 홀려서 클릭을 유발하는 지저분한 광고도 넣지 않을 계획입니다. 키즈앱에 이런 광고들이 특히 많더라고요.

혹시라도 사람들이 의미있게 써준다면 한국 사람들은 무료로 쓰게 하고 해외에만 몇 달러 정도에 팔아볼까하는 생각은 있습니다.
그렇다면 사회에도 기여하고, 달러도 벌어오는… 내가 딱 원하던 이상적인 모습이 되는 것 아닐까 하고.

앱을 올리고 한 번도 광고하지 않았는데도 글로벌 여기저기서 쓰는 모습을 보고 놀랍고 기쁘기도 했습니다.

…사실 별 가치를 못 주고 망할 가능성이 높습니다.
그래도 가족이 모두 함께 만든 첫 작품이니 그걸로 충분하지 않을까요? 😁

처음부터 끝까지 AI로만 코딩한 첫 작품이기도 합니다.

https://spellstart.com/ko

제가 국민학교 다닐 땐 받아쓰기를 했습니다.89년도인가? 초등학교 2학년에 올라가자마자 선생님이 불러주는 것을 받아쓰기 하던 날.‘읍니다’가, ‘습니다’로 바뀌어서 와장창 틀렸던 기억.받아쓰기에 대한 유일한 기억입니다. 얼마 전 딸이 초등학교에 들어갔는데, 맞춤법이 자주 틀려서 교정해주기 위한 어플을 만들어봤습니다.선생님이 불러주고 받아적는 받아쓰기 어플.틀린 점에 대해 피드백 받을 수 있는 어플.이런 어플이 있으면 맞춤법 공부할 때 도움이 되지 않을까? 온 가족이 함께 만들었습니다.아내는 디자인을, 나는 코딩을, 딸은 목소리를. 아직 개선할 부분들이 많지만 다른 사람들도 함께 쓸 수 있도록 공개해봅니다.완전히 무료이고, 아이들을 홀려서 클릭을 유발하는 지저분한 광고도 넣지 않을 계획입니다. 키즈앱에 이런 광고들이 특히 많더라고요. 혹시라도 사람들이 의미있게 써준다면 한국 사람들은 무료로 쓰게 하고 해외에만 몇 달러 정도에 팔아볼까하는 생각은 있습니다.그렇다면 사회에도 기여하고, 달러도 벌어오는… 내가 딱 원하던 이상적인 모습이 되는 것 아닐까 하고. 앱을 올리고 한 번도 광고하지 않았는데도 글로벌 여기저기서 쓰는 모습을 보고 놀랍고 기쁘기도 했습니다. …사실 별 가치를 못 주고 망할 가능성이 높습니다.그래도 가족이 모두 함께 만든 첫 작품이니 그걸로 충분하지 않을까요? 😁 처음부터 끝까지 AI로만 코딩한 첫 작품이기도 합니다. https://spellstart.com/ko

spellstart.com

딸을 위한 받아쓰기 어플을 스스로 만드는 가족

앱 개발 동기가 너무 아름답네요😆

데이터 분석 (Data Analysis)은
레스토랑에서 손님이 최종적으로 드시게 될 플레이팅된 요리입니다.

먹기 좋은 크기로,
보기 좋은 장식과 함께,
바로 섭취할 수 있도록 준비되어 있죠.데이터

데이터 엔지니어링 (Data Engineering)은
주방에서 요리사들이 준비하는 식재료 및 요리 과정입니다.

필요한 양만큼 준비하여,
적절한 속도와 시간에 맞추어,
바로 요리할 수 있도록 해야 합니다.

데이터 분석 (Data Analysis)은레스토랑에서 손님이 최종적으로 드시게 될 플레이팅된 요리입니다. 먹기 좋은 크기로,보기 좋은 장식과 함께,바로 섭취할 수 있도록 준비되어 있죠.데이터 데이터 엔지니어링 (Data Engineering)은주방에서 요리사들이 준비하는 식재료 및 요리 과정입니다. 필요한 양만큼 준비하여,적절한 속도와 시간에 맞추어,바로 요리할 수 있도록 해야 합니다.

데이터 분석 vs 데이터 엔지니어링

데이터분석, 엔지니어링, 사이언티스트를 레스토랑 운영에 비유하니까 쉽게 이해가 되네요!  잘 읽었습니다 ㅎㅎㅎ 저는 분석, 엔지니어링, 사이언티스트가 모두 행동 혹은 과정이라고 생각을 하는데요, Richard님이 써주신 분석 부분을 아래와 같이 바꿔봤습니다.

데이터 분석 (Data Analysis)은 레스토랑에서 식재료와 요리된 음식을 살펴보고 평가하는 과정입니다. 어떤 요리가 인기 있는지, 어떤 재료가 효율적인지, 고객의 피드백을 기반으로 메뉴를 개선하는 작업이죠. 또 일일 매출 패턴을 파악하고 식재료 낭비를 줄이는 방법을 찾습니다.

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

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

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

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

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

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

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

📣 달레 스터디 4기 모집 🏃‍♀️🏃‍♂️🏃

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

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

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

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

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

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

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

가장 많이 쓰이는 데이터 분석/BI 툴은 무엇일까?

Gemma 3 model overview  |  Google AI for Developers

Gemma3 가 나왔었네요!

📍이미지와 텍스트를 지원하는 멀티모달
📍128K 토큰 지원
📍다양한 언어 지원
📍1B, 4B, 12B, 27B 모델

토큰 수가 대폭 향상된 것과 다양한 언어 지원을 하는 것이 Gemma2 보다 매우 좋아졌네요.

Gemma2 2B 모델은 5GB 정도의 크기였는데
Gemma3 1B 모델은 2GB 아래이고, C++ 타입은 1GB여서, 간단한 기능을 제공하는 LLM 플러그인 같은 것들이 배포될 수도 있을 것 같네요.

https://ai.google.dev/gemma/docs/core

Gemma3 가 나왔었네요! 📍이미지와 텍스트를 지원하는 멀티모달📍128K 토큰 지원📍다양한 언어 지원📍1B, 4B, 12B, 27B 모델 토큰 수가 대폭 향상된 것과 다양한 언어 지원을 하는 것이 Gemma2 보다 매우 좋아졌네요. Gemma2 2B 모델은 5GB 정도의 크기였는데Gemma3 1B 모델은 2GB 아래이고, C++ 타입은 1GB여서, 간단한 기능을 제공하는 LLM 플러그인 같은 것들이 배포될 수도 있을 것 같네요. https://ai.google.dev/gemma/docs/core

Google AI for Developers

1️⃣ 아이디어의 가치는 실행했을 때 비로소 생긴다.

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

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

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

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

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

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

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

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

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

실행이 전부다. 만들고 배운다.

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

사이드 프로젝트 34개를 만들고 느낀점 10가지

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

한국어 몰라요 - 글로벌 협업의 4가지 패턴

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

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

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

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

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

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

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

LY Corporation Tech Blog

글로벌 협업을 위한 4가지 패턴

🎁 아미고(Ameego) 업데이트!

눈에 띄지 않는 정말 아주 소소한 것들이 개선되었습니다. 눈에 안보이는🥹 백엔드에도. (안드로이드는 리뷰 중)

이번 주와 다음 주 까지는 소소한 변경사항들과, 알아차리기 어렵지만 그래서 더 중요한 대화 경험 개선이 있을 예정입니다.

그리고 그 다음 주 부터 큰 업데이트를 준비할 계획인데요. 많은 기대와 유..유료 구독 부탁드리겠습니다. ☺️

앱 다운로드: https://tosto.re/ameego

감사합니다! 🙇🏻‍♀️🙇🏻

🎁 아미고(Ameego) 업데이트! 눈에 띄지 않는 정말 아주 소소한 것들이 개선되었습니다. 눈에 안보이는🥹 백엔드에도. (안드로이드는 리뷰 중) 이번 주와 다음 주 까지는 소소한 변경사항들과, 알아차리기 어렵지만 그래서 더 중요한 대화 경험 개선이 있을 예정입니다. 그리고 그 다음 주 부터 큰 업데이트를 준비할 계획인데요. 많은 기대와 유..유료 구독 부탁드리겠습니다. ☺️ 앱 다운로드: https://tosto.re/ameego 감사합니다! 🙇🏻‍♀️🙇🏻

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

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

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

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

면접 질문: 같이 일해본 동료 중에 가장 힘들었던 사람은 누구였나

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

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

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

AI, 어디까지 써보셨나요?

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

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

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

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

Medium

API 요청 당 쿼리 개수를 알고 싶어 라이브러리까지 만든 이야기

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

A 10x Faster TypeScript - TypeScript

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

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

TypeScript

🏎️ 타입스크립트가 10배나 빨라 진다구?! 😲

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

성급한 널 처리의 오류

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

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

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

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

저는 이걸 성급한 널 처리의 오류라고 부르고 싶습니다.

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

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

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

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

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

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

K리그 프로그래머

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

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

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

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

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

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

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

도망친 곳에 낙원은… 있었다

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

Kafka Schema Registry: 데이터 스키마의 중앙 집중 관리

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

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

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

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

덕토피아

🕊️ Kafka Schema Registry: 데이터 스키마 관리

사용자가 공유한 콘텐츠

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

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

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

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

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

www.folin.co

《다정함도 체력에서 나오니까》

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

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

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

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

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

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

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

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

마누스(Manus) AI

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

[🚨3월·소수 정예!] 유니콘·빅테크 합격한 UX/UI 포트폴리오 컨설팅 - PO·디자인 리드 우디 - 우디디자인랩

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

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

* 저맥락 커뮤니케이션을 통해 오해를 줄이는 커뮤니케이션 스타일이 느껴져 좋았습니다.

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

Latpeed

기억에 남는 디자이너 면접 답변 [9]

마이크로소프트가 2025년에도 성장 궤도를 달릴 수 있을까? 여전히 진화하는 AI 시장, 첨단 기술을 겨냥한 연방 정부, 그리고 트럼프 대통령이라는 변수로 인해 상황은 달라질 수 있다. 여기서는 2025년 마이크로소프트가 직면할 도전 과제와 그 대응 방안을 5가지로 정리했다.

2025년, 마이크로소프트 앞에 놓인 5가지 관문

2024년 연말은 OPEN AI, 엔비디아, 구글 등 글로벌 업체들의 발표가 연이어졌던 시간이었습니다. 그런 와중에 MicroSoft는 상대적으로 조용한 시기를 보내고 있는듯 합니다. 사실상 AI에이전트에 유리한 OS환경(Window), 플랫폼(MsOffice), AI(코파일럿) 등을 모두 갖추고 있음에도, MS는 어떤 과제를 앞두고 있는지 훑어보고자 합니다~!

1️⃣ 오픈AI와의 갈등
협력 관계였던 오픈AI와 경쟁 구도로 전환. AGI 개발 및 지분 문제로 공개적인 충돌 가능성.
2️⃣ 미국 정부의 반독점 조사
FTC, 마이크로소프트의 AI·클라우드·보안 관행 조사. 트럼프와 머스크 변수도 주목.
3️⃣ 지식 재산권 소송 증가
AI 학습 데이터 저작권 침해 논란 확산. 출판사와의 비용 지불 계약 확대 예상.
4️⃣ 트럼프와의 거리 두기
다른 빅테크와 달리 트럼프와 거리를 유지하는 나델라의 리더십.
5️⃣ AI 수익 검증
AI 기술의 ROI 검증 시점 도래. 파일럿 단계에서 정식 배포로 전환 여부가 관건.

✅ 생성 AI 시대의 다음 스탭은 역시나 AI 에이전트가 될 것입니다. 그리고 2025년, 한동안 조용했던 마이크로 소프트가 새로운 모먼트를 제시하는 한해가 될지 지켜볼 필요가 있습니다 : )

https://www.itworld.co.kr/article/3558544/2025%eb%85%84-%eb%a7%88%ec%9d%b4%ed%81%ac%eb%a1%9c%ec%86%8c%ed%94%84%ed%8a%b8-%ec%95%9e%ec%97%90-%eb%86%93%ec%9d%b8-5%ea%b0%80%ec%a7%80-%ea%b4%80%eb%ac%b8.html

2024년 연말은 OPEN AI, 엔비디아, 구글 등 글로벌 업체들의 발표가 연이어졌던 시간이었습니다. 그런 와중에 MicroSoft는 상대적으로 조용한 시기를 보내고 있는듯 합니다. 사실상 AI에이전트에 유리한 OS환경(Window), 플랫폼(MsOffice), AI(코파일럿) 등을 모두 갖추고 있음에도, MS는 어떤 과제를 앞두고 있는지 훑어보고자 합니다~! 1️⃣ 오픈AI와의 갈등 협력 관계였던 오픈AI와 경쟁 구도로 전환. AGI 개발 및 지분 문제로 공개적인 충돌 가능성.2️⃣ 미국 정부의 반독점 조사 FTC, 마이크로소프트의 AI·클라우드·보안 관행 조사. 트럼프와 머스크 변수도 주목.3️⃣ 지식 재산권 소송 증가 AI 학습 데이터 저작권 침해 논란 확산. 출판사와의 비용 지불 계약 확대 예상.4️⃣ 트럼프와의 거리 두기 다른 빅테크와 달리 트럼프와 거리를 유지하는 나델라의 리더십.5️⃣ AI 수익 검증 AI 기술의 ROI 검증 시점 도래. 파일럿 단계에서 정식 배포로 전환 여부가 관건. ✅ 생성 AI 시대의 다음 스탭은 역시나 AI 에이전트가 될 것입니다. 그리고 2025년, 한동안 조용했던 마이크로 소프트가 새로운 모먼트를 제시하는 한해가 될지 지켜볼 필요가 있습니다 : ) https://www.itworld.co.kr/article/3558544/2025%eb%85%84-%eb%a7%88%ec%9d%b4%ed%81%ac%eb%a1%9c%ec%86%8c%ed%94%84%ed%8a%b8-%ec%95%9e%ec%97%90-%eb%86%93%ec%9d%b8-5%ea%b0%80%ec%a7%80-%ea%b4%80%eb%ac%b8.html

ITWorld

🌍 2025년, 마이크로소프트 앞에 놓인 5가지 관문

영현

(주)무한정보기술 GeoAI팀 소속

 GIS 기반 AI 이미지 처리 기술 연구개발


pyh5214@naver.com 

🌍 2025년, 마이크로소프트 앞에 놓인 5가지 관문

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필