블로그에서 읽기 : https://velog.io/@soonmac/hh-plus-ai-week6

이번 6주차는 5월 3일 휴강을 하게 되면서 2주로 연장되었다ㅎㅎ 오예~
연휴동안 쉬면서 프로젝트를 진행해보려고 했는데 하하 연휴 때 방송대 수업이나 여행으로 너무 바쁘게 움직여서 생각보다 많이 공부를 하지 못했다 흑흑...

6주차 발제 내용은 크게 3가지를 다뤘다.
1. Langchain과 Streamlit으로 챗봇 구현하기
2. LLM 챗봇 서빙하기
3. 멀티 모달 및 RAG를 LLM 챗봇에서 활용하기

거의 실습 코드 위주로 진행됐고, 이번 주부터 본격적으로 프로젝트 작업에 들어가는 거라서 발제 내용은 따로 정리하지 않을 것이다.

오픈소스로 풀린 LLM을 사용하기 위해 AWS 클라우드 환경을 미리 세팅해두었는데, 학습용 인스턴스 생성은 AWS 할당량 증가를 요청 해야 해서 하루 이틀 정도 걸린다.
다행히 발제 전에 세팅 튜토리얼이 올라오니까 인프라 모르는 사람들도 크게 걱정할 필요는 없을 것 같다.

## 🍀기본 과제 회고: 이미지를 가지고 질의응답을 하는 챗봇 구현

데모 앱 보러가기
https://app-chatbot-gkqvxwqzjxqytmb8e8e9dp.streamlit.app/

코드 보기
https://github.com/sosososoyoen/streamlit-chatbot/blob/practice/src/practice/pages/app_img_basic.py

지금 openAI API 2달러 밖에 안남아서 제대로 작동을 안할 수 있다.
추후에 자신의 API 키를 넣는 인풋을 넣어두겠다

여러 이미지를 입력 받고 해당 이미지를 기반으로 QnA를 할 수 있는 챗봇을 구현했다.

과제 요구 사항
- [x]  여러 이미지를 입력으로 받기
- [x]  업로드 된 이미지들을 가지고 자유롭게 질의응답 할 수 있는 챗봇 구현
- 채팅 내역을 prompt로 사용
- 그리고 사용자가 여러 번 질문을 입력해도 처음 주어진 이미지들로 답변할 수 있도록 이미지를 벡터DB에 저장
- [x]  다음 이미지들과 질문에 대한 챗봇의 답변 생성 - 이미지: 인터넷에서 강아지 사진과 고양이 사진 각각 1장씩 찾아 입력으로 쓰시면 됩니다.
- 질문 1: 주어진 두 사진의 공통점이 뭐야?
- 질문 2: 주어진 두 사진의 차이점이 뭐야?

솔직히 이번 기본 과제에서 많이 헤맸다...

파이썬 기초 밖에 모르는 초보자기도 했고, Langchain와 RAG를 제대로 다뤄보는 건 처음이라 애를 많이 먹었다. 실제로 여태까지 한 과제들 중에서 가장 많은 시간을 들였다.

특히 이미지를 벡터 스토어에 저장해서 모든 유저의 입력에 이미지의 context를 불러오게 하는 부분에서 많이 헤맸다.

1. RAG를 어떻게 관리해야하는가?
1. 벡터 DB를 로컬에 저장해서 persistent하게 관리할 것인가?
2. 아니면 인메모리로 관리해서 서버를 재시작할 때마다 벡터 DB를 초기화해야하나?

나는 처음에 로컬에 벡터 DB를 저장해두는 방식을 택했다.
그런데 여러 번 테스트를 해보니, 이전에 올려둔 이미지를 계속 context로 쌓여서 오히려 답변 생성에 방해가 됐다.

def get_vectorstore() -> Chroma:

 client = chromadb.Client()

 # clear_system_cache() 이 부분은 streamlit 오류 관련으로 적은 코드입니다.

 client.clear_system_cache()

 return Chroma(

 client=client,

 collection_name=COLLECTION_NAME,

 embedding_function=embeddings

 )

그래서 예전에 썼던 예제들처럼 인메모리로 관리를 하게끔 했다.

2. 벡터 DB에 이미지를 어떻게 저장할 것인가?

처음에는 이미지를 임베딩 모델에 통과시켜야 하나 싶었는데,
내 목표는 GPT에 여러 장의 사진을 보내주는 거라 Base64로 인코딩한 이미지를
page_content
에 저장하는 방식으로 작업했다.
def images_to_docs(images: list) -> list[Document]:

 docs = []

 for image in images:

 img = Image.open(image)

 buffered = BytesIO()

 img.save(buffered, format=img.format)

 # base64로 인코딩

 image_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")

 # Document 형태로 page_content 안에 

 docs.append(Document(

 page_content=f"data:image/{img.format.lower()};base64,{image_base64}",

 ))

 return docs

사용자의 입력을 쿼리로 사용해서 관련된 이미지들을 가져오고,
이 이미지들을 openAi API 문서에서 요구하는 형태의 구조로 가공했다.
https://platform.openai.com/docs/guides/images-vision?api-mode=responses&format=base64-encoded

 retriever = vectordb.as_retriever()

 docs = retriever.get_relevant_documents(prompt)

 formatted_docs = format_docs(docs)

 #(중략)

 for image_data in formatted_docs:

 img_msgs[0]["content"].append({

 "type": "image_url",

 "image_url": {"url": image_data}

 })

### 아직 해결하지 못한 이슈들

3. 파일 업로더에서 이미지 삭제하면 RAG에 쌓인 이미지 데이터도 함께 지워야 하는데, 어떻게 동기화할까?

떠오르는 방법은 업로드할 때 벡터 DB에 고유 ID를 붙여 두고, 렌더링할 때마다 현재 업로드된 ID 집합과 DB의 ID 집합을 비교해서 싱크를 맞추거나
업로드 리스트가 바뀔 때마다 벡터 스토어를 통째로 재생성하는 방식
근데 이게 Streamlit에서 깔끔하게 구현될지는 좀 더 확인해봐야 할 것 같다. 프로토타입 뚝딱 만들기엔 편한데 디테일한 기능을 구현하는 것에는 제약이 있다.

4. 유저가 올린 이미지들을 RAG로 관리하는 것이 맞을까?

솔직히 이건 아직 확신이 서지 않는다.
업로더에 올라온 이미지만 고려해서 답변해주면 되는 플로우라면, 굳이 RAG를 쓸 필요 없이 세션 메모리로도 충분히 관리할 수 있다.
그래서 심화 과제에서는 벡터 DB 대신 세션 메모리에 저장해서 처리했다.
물론 챗지피티처럼 채팅마다 이미지를 첨부할 수 있는 플로우일 경우에는 RAG가 유리하겠지만... 이 프로젝트에서는 좀 더 들여다볼 필요가 있을 것 같다.

### 💥 streamlit cloud에 chromaDB 사용하는 app 배포할 때 주의해야할 점!!

streamlit 앱을 streamlit cloud에 배포할 때 chromadb를 설치하는 과정에서 의존성 에러가 발생한다.
오류 로그에 있는 문서 링크를 타고 들어가서
pysqlite3-binary
를 설치한 후, 해당 소스코드 파일에 이 코드를 추가하면 된다.
import('pysqlite3')

import sys

sys.modules['sqlite3'] = sys.modules.pop('pysqlite3')

import pysqlite3 as sqlite3

## 🌼심화 과제 회고: 이미지 기반 패션 추천 서비스
데모 앱 보러가기
https://app-chatbot-gkqvxwqzjxqytmb8e8e9dp.streamlit.app/

따로 사이드바에서 본인의 openAI APi key를 입력해야 사용이 가능하다.

코드 보기
https://github.com/sosososoyoen/streamlit-chatbot/blob/practice/src/practice/pages/app_img.py

과제 요구 사항 및 추가한 기능
- [x]  여러 이미지를 입력으로 받아서 패션 추천 결과를 출력하기
- [x]  Langchain + Open AI(gpt-4o-mini)
- [x]  TavilySearchResults - 답변에서 키워드 추출해서 패션 아이템 검색

기본 과제에서는 RAG를 이미지 저장에 활용했다면
심화 과제에서는 웹 검색을 통해 답변의 퀄리티를 높이는 방향으로 작업을 했다.

원래는 논문 기반 QnA 서비스를 만들려고 했는데, 기본 과제에 힘을 너무 쏟아버린 나머지, 기본 과제와 비슷한 주제인 패션 추천 서비스로 주제를 바꿨다...
근데 솔직히 나는 패션 추천 주제에 관심이 매우 매우 없음... 또 멋대로 주제 바꿀지도 모른다

1. 웹 검색 도구를 어떻게 활용할까?

웹 검색 도구를 통한 RAG란 게 원래 답변을 생성할 때 context를 제공하는데 쓰이는 것인데
나는 반대로 답변 생성 -> 키워드를 통해 검색 -> 참고할만한 문서들 가져와서 답변 밑에 링크로 달아주는 플로우로 작업했다.
query_template = PromptTemplate.from_template("""

당신은 패션 스타일 전문 AI 어시스턴트입니다. 이미지 설명을 보고 그 사람에게 어울리는 스타일을 추천해주세요.

이미지 설명:

{caption}

유저 질문:

{user_input}

위 맥락을 참고해, 다음 형식으로 출력해줘:

답변: <전문적인 스타일 추천 텍스트>

키워드: <검색에 사용할 핵심 키워드 2~3개를 쉼표로 구분하여>

""")

# 사진을 분석하고 캡션을 만들어주는 함수

def generate_caption():

 if not st.session_state.image_data_list:

 return ""

 img_msgs = [

 {

 "role": "user", "content": [

 "위 이미지들을 설명하는 캡션을 한글로 만들어주세요."

 ]

 }

 ]

 for image_data in st.session_state.image_data_list:

 img_msgs[0]["content"].append({

 "type": "image_url",

 "image_url": {"url": f"data:image/{image_data['format']};base64,{image_data['base64']}"}

 })

 res = model.invoke(img_msgs)

 return res.content

# 답변 얻고 키워드 추출 후 웹 검색해서 답변 + 검색 결과 반환

def answer_and_search(caption: str, user_input: str, k: int = 3):

 # 2) 답변 + 키워드 생성

 raw = query_chain.invoke({"caption": caption, "user_input": user_input})

 

 # 3) 모델 출력 파싱

 answer = ""

 keywords = []

 for line in raw.split("\n"):

 if line.startswith("답변:"):

 answer = line[len("답변:"):].strip()

 if line.startswith("키워드:"):

 kws = line[len("키워드:"):].strip()

 keywords = [w.strip() for w in kws.split(",") if w.strip()]

 

 query = " ".join(keywords)

 search_results = search_docs(query, k)

 url_content_pairs = [{"url": doc.metadata["source"], "content": doc.page_content} for doc in search_results]

 return answer, keywords, url_content_pairs

# 답변 만들어내는 코드

 with st.chat_message("assistant"):

 with st.spinner("이미지 분석 중...."):

 caption = generate_caption()

 user_input = prompt

 

 if st.session_state.enable_search:

 with st.spinner("검색 중...."):

 answer, keywords, url_content_pairs = answer_and_search(caption, user_input, k=4)

 # 답변 먼저 보여주기

 st.markdown(answer)

 # 추출된 키워드

 st.caption("🔑 검색 키워드: " + ", ".join(keywords))

 # 이미지 출력

 for pair in url_content_pairs:

 st.markdown(f"- [🔗 {pair['content']}]({pair['url']})")

 st.session_state.messages.append({

 "role": "assistant",

 "content": answer,

 "keywords": keywords,

 "urls": url_content_pairs

 })

 else:

 # 검색 꺼져있으면 그냥 답변만

 with st.spinner("답변 생성 중...."):

 qa_only = query_chain.invoke({"caption": caption, "user_input": user_input})

 st.markdown(qa_only)

 st.session_state.messages.append({"role": "assistant", "content": qa_only})

왜 이렇게 했냐면 웹 검색 도구 Tavily가 생각보다 검색을 못해서 그리고 시간이 부족해서 별 다른 아이디어가 나오지 않았다.

gpt한테 이미지들을 보내고 이미지들을 설명하는 캡션 만들어달라 하기 -> 캡션과 유저의 입력을 넣고 답변 생성 -> 생성된 답변에서 키워드를 추출해서 웹 검색 -> 답변과 함께 웹 검색 결과를 출력해주기

이 플로우로 작업을 해보았는데, gpt 토큰을 너무 많이 소비하기도 하고, 속도도 느려서 다른 방법을 찾아보려고 한다.

지금 생각해보면 여러가지 의류 사진들을 임베딩 해서 벡터 스토어에 저장해두고, 유저가 추천해달라고 하면 비슷한 이미지 혹은 텍스트를 가져오는 방식이 괜찮아 보인다.

### 🐋 앞으로 개선해나가야 하는 점

1. 유저의 이전 대화 내용을 기억해서 컨텍스트로 활용하기
* https://python.langchain.com/docs/how_to/chatbots_memory/ 랭그래프를 활용해서 챗 히스토리 관리하기
* 이미지 캡션 같은 부분을 매번 생성하지 않고, 캐싱하는 방식으로
2. Base64 인코딩으로 인한 페이로드 부피 최적화
* 로컬에 경량 비전 모델을 두고 캡션, 임베딩을 처리해볼까..?
3. ✨ 제일 중요! 답변 내용의 평가 지표 정하고 평가하는 플로우 만들기
* 제일 중요한 것이 이것인데... 기능 만들기에 급급해져서 여기에 대해 고민을 1도 하지 않았다.
4. RAG를 어떻게 활용할 것인지 고민해보기
1. RAG를 통해 답변의 퀄리티를 높이려면?
2. 어떻게 하면 검색의 성능을 높일 수 있을까?

### 🐋 나의 목표가 무엇인지 인지하고 가자
나는 이 프로젝트에서 Langchain과 RAG를 최대한 잘 활용하여 gpt 4o까지는 아니어도 비교적 저비용의 모델을 사용해 최대한의 퀄리티를 끌어오는 것이다.
여기서 중요한건 RAG와 평가지표인데 남은 주차동안 여러가지를 시도해보아야겠다.

#항해99 #항해플러스 #AI #AI개발자 #항해플러스AI후기 #LLM #RAG #Langchain #streamlit

블로그에서 읽기 : https://velog.io/@soonmac/hh-plus-ai-week6 이번 6주차는 5월 3일 휴강을 하게 되면서 2주로 연장되었다ㅎㅎ 오예~연휴동안 쉬면서 프로젝트를 진행해보려고 했는데 하하 연휴 때 방송대 수업이나 여행으로 너무 바쁘게 움직여서 생각보다 많이 공부를 하지 못했다 흑흑... 6주차 발제 내용은 크게 3가지를 다뤘다.1. Langchain과 Streamlit으로 챗봇 구현하기2. LLM 챗봇 서빙하기3. 멀티 모달 및 RAG를 LLM 챗봇에서 활용하기 거의 실습 코드 위주로 진행됐고, 이번 주부터 본격적으로 프로젝트 작업에 들어가는 거라서 발제 내용은 따로 정리하지 않을 것이다. 오픈소스로 풀린 LLM을 사용하기 위해 AWS 클라우드 환경을 미리 세팅해두었는데, 학습용 인스턴스 생성은 AWS 할당량 증가를 요청 해야 해서 하루 이틀 정도 걸린다.다행히 발제 전에 세팅 튜토리얼이 올라오니까 인프라 모르는 사람들도 크게 걱정할 필요는 없을 것 같다. ## 🍀기본 과제 회고: 이미지를 가지고 질의응답을 하는 챗봇 구현 데모 앱 보러가기https://app-chatbot-gkqvxwqzjxqytmb8e8e9dp.streamlit.app/ 코드 보기https://github.com/sosososoyoen/streamlit-chatbot/blob/practice/src/practice/pages/app_img_basic.py 지금 openAI API 2달러 밖에 안남아서 제대로 작동을 안할 수 있다.추후에 자신의 API 키를 넣는 인풋을 넣어두겠다 여러 이미지를 입력 받고 해당 이미지를 기반으로 QnA를 할 수 있는 챗봇을 구현했다. 과제 요구 사항- [x] &nbsp;여러 이미지를 입력으로 받기- [x] &nbsp;업로드 된 이미지들을 가지고 자유롭게 질의응답 할 수 있는 챗봇 구현- 채팅 내역을 prompt로 사용- 그리고 사용자가 여러 번 질문을 입력해도 처음 주어진 이미지들로 답변할 수 있도록 이미지를 벡터DB에 저장- [x] &nbsp;다음 이미지들과 질문에 대한 챗봇의 답변 생성 - 이미지: 인터넷에서 강아지 사진과 고양이 사진 각각 1장씩 찾아 입력으로 쓰시면 됩니다.- 질문 1: 주어진 두 사진의 공통점이 뭐야?- 질문 2: 주어진 두 사진의 차이점이 뭐야? 솔직히 이번 기본 과제에서 많이 헤맸다... 파이썬 기초 밖에 모르는 초보자기도 했고, Langchain와 RAG를 제대로 다뤄보는 건 처음이라 애를 많이 먹었다. 실제로 여태까지 한 과제들 중에서 가장 많은 시간을 들였다. 특히 이미지를 벡터 스토어에 저장해서 모든 유저의 입력에 이미지의 context를 불러오게 하는 부분에서 많이 헤맸다. 1. RAG를 어떻게 관리해야하는가?1. 벡터 DB를 로컬에 저장해서 persistent하게 관리할 것인가?2. 아니면 인메모리로 관리해서 서버를 재시작할 때마다 벡터 DB를 초기화해야하나? 나는 처음에 로컬에 벡터 DB를 저장해두는 방식을 택했다.그런데 여러 번 테스트를 해보니, 이전에 올려둔 이미지를 계속 context로 쌓여서 오히려 답변 생성에 방해가 됐다. <pre ><code>def get_vectorstore() -&gt; Chroma:

 client = chromadb.Client()

 # clear_system_cache() 이 부분은 streamlit 오류 관련으로 적은 코드입니다.

 client.clear_system_cache()

 return Chroma(

 client=client,

 collection_name=COLLECTION_NAME,

 embedding_function=embeddings

 )</code></pre>그래서 예전에 썼던 예제들처럼 인메모리로 관리를 하게끔 했다. 2. 벡터 DB에 이미지를 어떻게 저장할 것인가? 처음에는 이미지를 임베딩 모델에 통과시켜야 하나 싶었는데,내 목표는 GPT에 여러 장의 사진을 보내주는 거라 Base64로 인코딩한 이미지를 <code >page_content</code>에 저장하는 방식으로 작업했다.<pre ><code>def images_to_docs(images: list) -&gt; list[Document]:

 docs = []

 for image in images:

 img = Image.open(image)

 buffered = BytesIO()

 img.save(buffered, format=img.format)

 # base64로 인코딩

 image_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")

 # Document 형태로 page_content 안에 

 docs.append(Document(

 page_content=f"data:image/{img.format.lower()};base64,{image_base64}",

 ))

 return docs</code></pre> 사용자의 입력을 쿼리로 사용해서 관련된 이미지들을 가져오고,이 이미지들을 openAi API 문서에서 요구하는 형태의 구조로 가공했다.https://platform.openai.com/docs/guides/images-vision?api-mode=responses&amp;format=base64-encoded <pre ><code> retriever = vectordb.as_retriever()

 docs = retriever.get_relevant_documents(prompt)

 formatted_docs = format_docs(docs)

 #(중략)

 for image_data in formatted_docs:

 img_msgs[0]["content"].append({

 "type": "image_url",

 "image_url": {"url": image_data}

 })</code></pre> ### 아직 해결하지 못한 이슈들 3. 파일 업로더에서 이미지 삭제하면 RAG에 쌓인 이미지 데이터도 함께 지워야 하는데, 어떻게 동기화할까? 떠오르는 방법은 업로드할 때 벡터 DB에 고유 ID를 붙여 두고, 렌더링할 때마다 현재 업로드된 ID 집합과 DB의 ID 집합을 비교해서 싱크를 맞추거나업로드 리스트가 바뀔 때마다 벡터 스토어를 통째로 재생성하는 방식근데 이게 Streamlit에서 깔끔하게 구현될지는 좀 더 확인해봐야 할 것 같다. 프로토타입 뚝딱 만들기엔 편한데 디테일한 기능을 구현하는 것에는 제약이 있다. 4. 유저가 올린 이미지들을 RAG로 관리하는 것이 맞을까? 솔직히 이건 아직 확신이 서지 않는다.업로더에 올라온 이미지만 고려해서 답변해주면 되는 플로우라면, 굳이 RAG를 쓸 필요 없이 세션 메모리로도 충분히 관리할 수 있다.그래서 심화 과제에서는 벡터 DB 대신 세션 메모리에 저장해서 처리했다.물론 챗지피티처럼 채팅마다 이미지를 첨부할 수 있는 플로우일 경우에는 RAG가 유리하겠지만... 이 프로젝트에서는 좀 더 들여다볼 필요가 있을 것 같다. ### 💥 streamlit cloud에 chromaDB 사용하는 app 배포할 때 주의해야할 점!! streamlit 앱을 streamlit cloud에 배포할 때 chromadb를 설치하는 과정에서 의존성 에러가 발생한다.오류 로그에 있는 문서 링크를 타고 들어가서 <code >pysqlite3-binary</code>를 설치한 후, 해당 소스코드 파일에 이 코드를 추가하면 된다.<pre ><code>import('pysqlite3')

import sys

sys.modules['sqlite3'] = sys.modules.pop('pysqlite3')

import pysqlite3 as sqlite3</code></pre> ## 🌼심화 과제 회고: 이미지 기반 패션 추천 서비스데모 앱 보러가기https://app-chatbot-gkqvxwqzjxqytmb8e8e9dp.streamlit.app/ 따로 사이드바에서 본인의 openAI APi key를 입력해야 사용이 가능하다. 코드 보기https://github.com/sosososoyoen/streamlit-chatbot/blob/practice/src/practice/pages/app_img.py 과제 요구 사항 및 추가한 기능- [x] &nbsp;여러 이미지를 입력으로 받아서 패션 추천 결과를 출력하기- [x] &nbsp;Langchain + Open AI(gpt-4o-mini)- [x] &nbsp;TavilySearchResults - 답변에서 키워드 추출해서 패션 아이템 검색 기본 과제에서는 RAG를 이미지 저장에 활용했다면심화 과제에서는 웹 검색을 통해 답변의 퀄리티를 높이는 방향으로 작업을 했다. 원래는 논문 기반 QnA 서비스를 만들려고 했는데, 기본 과제에 힘을 너무 쏟아버린 나머지, 기본 과제와 비슷한 주제인 패션 추천 서비스로 주제를 바꿨다...근데 솔직히 나는 패션 추천 주제에 관심이 매우 매우 없음... 또 멋대로 주제 바꿀지도 모른다 1. 웹 검색 도구를 어떻게 활용할까? 웹 검색 도구를 통한 RAG란 게 원래 답변을 생성할 때 context를 제공하는데 쓰이는 것인데나는 반대로 답변 생성 -&gt; 키워드를 통해 검색 -&gt; 참고할만한 문서들 가져와서 답변 밑에 링크로 달아주는 플로우로 작업했다.<pre ><code>query_template = PromptTemplate.from_template("""

당신은 패션 스타일 전문 AI 어시스턴트입니다. 이미지 설명을 보고 그 사람에게 어울리는 스타일을 추천해주세요.

이미지 설명:

{caption}

유저 질문:

{user_input}

위 맥락을 참고해, 다음 형식으로 출력해줘:

답변: &lt;전문적인 스타일 추천 텍스트&gt;

키워드: &lt;검색에 사용할 핵심 키워드 2~3개를 쉼표로 구분하여&gt;

""")

# 사진을 분석하고 캡션을 만들어주는 함수

def generate_caption():

 if not st.session_state.image_data_list:

 return ""

 img_msgs = [

 {

 "role": "user", "content": [

 "위 이미지들을 설명하는 캡션을 한글로 만들어주세요."

 ]

 }

 ]

 for image_data in st.session_state.image_data_list:

 img_msgs[0]["content"].append({

 "type": "image_url",

 "image_url": {"url": f"data:image/{image_data['format']};base64,{image_data['base64']}"}

 })

 res = model.invoke(img_msgs)

 return res.content

# 답변 얻고 키워드 추출 후 웹 검색해서 답변 + 검색 결과 반환

def answer_and_search(caption: str, user_input: str, k: int = 3):

 # 2) 답변 + 키워드 생성

 raw = query_chain.invoke({"caption": caption, "user_input": user_input})

 

 # 3) 모델 출력 파싱

 answer = ""

 keywords = []

 for line in raw.split("\n"):

 if line.startswith("답변:"):

 answer = line[len("답변:"):].strip()

 if line.startswith("키워드:"):

 kws = line[len("키워드:"):].strip()

 keywords = [w.strip() for w in kws.split(",") if w.strip()]

 

 query = " ".join(keywords)

 search_results = search_docs(query, k)

 url_content_pairs = [{"url": doc.metadata["source"], "content": doc.page_content} for doc in search_results]

 return answer, keywords, url_content_pairs</code></pre> <pre ><code># 답변 만들어내는 코드

 with st.chat_message("assistant"):

 with st.spinner("이미지 분석 중...."):

 caption = generate_caption()

 user_input = prompt

 

 if st.session_state.enable_search:

 with st.spinner("검색 중...."):

 answer, keywords, url_content_pairs = answer_and_search(caption, user_input, k=4)

 # 답변 먼저 보여주기

 st.markdown(answer)

 # 추출된 키워드

 st.caption("🔑 검색 키워드: " + ", ".join(keywords))

 # 이미지 출력

 for pair in url_content_pairs:

 st.markdown(f"- [🔗 {pair['content']}]({pair['url']})")

 st.session_state.messages.append({

 "role": "assistant",

 "content": answer,

 "keywords": keywords,

 "urls": url_content_pairs

 })

 else:

 # 검색 꺼져있으면 그냥 답변만

 with st.spinner("답변 생성 중...."):

 qa_only = query_chain.invoke({"caption": caption, "user_input": user_input})

 st.markdown(qa_only)

 st.session_state.messages.append({"role": "assistant", "content": qa_only})</code></pre> 왜 이렇게 했냐면 웹 검색 도구 Tavily가 생각보다 검색을 못해서 그리고 시간이 부족해서 별 다른 아이디어가 나오지 않았다. gpt한테 이미지들을 보내고 이미지들을 설명하는 캡션 만들어달라 하기 -&gt; 캡션과 유저의 입력을 넣고 답변 생성 -&gt; 생성된 답변에서 키워드를 추출해서 웹 검색 -&gt; 답변과 함께 웹 검색 결과를 출력해주기 이 플로우로 작업을 해보았는데, gpt 토큰을 너무 많이 소비하기도 하고, 속도도 느려서 다른 방법을 찾아보려고 한다. 지금 생각해보면 여러가지 의류 사진들을 임베딩 해서 벡터 스토어에 저장해두고, 유저가 추천해달라고 하면 비슷한 이미지 혹은 텍스트를 가져오는 방식이 괜찮아 보인다. ### 🐋 앞으로 개선해나가야 하는 점 1. 유저의 이전 대화 내용을 기억해서 컨텍스트로 활용하기* https://python.langchain.com/docs/how_to/chatbots_memory/ 랭그래프를 활용해서 챗 히스토리 관리하기* 이미지 캡션 같은 부분을 매번 생성하지 않고, 캐싱하는 방식으로2. Base64 인코딩으로 인한 페이로드 부피 최적화* 로컬에 경량 비전 모델을 두고 캡션, 임베딩을 처리해볼까..?3. ✨ 제일 중요! 답변 내용의 평가 지표 정하고 평가하는 플로우 만들기* 제일 중요한 것이 이것인데... 기능 만들기에 급급해져서 여기에 대해 고민을 1도 하지 않았다.4. RAG를 어떻게 활용할 것인지 고민해보기1. RAG를 통해 답변의 퀄리티를 높이려면?2. 어떻게 하면 검색의 성능을 높일 수 있을까? ### 🐋 나의 목표가 무엇인지 인지하고 가자나는 이 프로젝트에서 Langchain과 RAG를 최대한 잘 활용하여 gpt 4o까지는 아니어도 비교적 저비용의 모델을 사용해 최대한의 퀄리티를 끌어오는 것이다.여기서 중요한건 RAG와 평가지표인데 남은 주차동안 여러가지를 시도해보아야겠다. #항해99 #항해플러스 #AI #AI개발자 #항해플러스AI후기 #LLM #RAG #Langchain #streamlit

항해플러스 AI 후기(6주차) - Streamlit으로 챗봇 만들기

ChatGPT의 Deep Researh에 GitHub을 연결 할 수 있게 되었군요!

와우! 대박! 와우! 대박적! 지금 만나러갑니다!

ChatGPT의 Deep Researh에 GitHub을 연결 할 수 있게 되었군요! 와우! 대박! 와우! 대박적! 지금 만나러갑니다!

AI 시대, 우리가 정말 갖춰야 할 능력은 무엇일까요?

많은 분들이 AI 기술, 프로그래밍 스킬, 데이터 분석 능력을 이야기해요.
물론 이 능력들도 모두 중요한 것 같아요.
하지만 제가 최근 깨달은, 진짜 중요한 역량은 바로 '좋은 질문을 하는 능력'이에요.

왜 좋은 질문을 하는 능력이 중요할까요?

1. 질문의 수준이 AI의 답변 품질을 결정하기 때문이어요.
정확하고 핵심을 찌르는 질문을 할수록 AI는 더 깊이 있고 유용한 답변을 주는 것 같아요.
결국 AI 답변은 질문의 수준에 따라 그 퀄리티가 결정 되어요.

2. 좋은 질문은 '자신만의 관점'을 형성해주기 때문이어요.
AI가 제공하는 답을 무조건적으로 받아들이기보다, 나만의 기준과 관점으로 해석하는 것이 필요해요.
이처럼 비판적으로 사고하면서 질문하면, 자연스럽게 자신만의 관점이 형성 되어요.

3. 질문은 문제의 본질을 드러낼 수 있기 때문이어요.
좋은 질문은 표면적 현상에 머무르지 않고 진짜 중요한 문제의 본질을 밝혀내어요.
이를 통해 AI도 보다 근본적이고 효과적인 해결책을 제시하게 되어요.

이처럼 좋은 질문을 하는 능력은 중요해요.
그러나 혼자서 좋은 질문을 하는 것은 어려워요.

그래서 저는 함께 고민하고 질문하는 공간을 만들었어요.
Product Engineer Community(PEC) 에서는 프로덕트 엔지니어들이 모여
각자의 경험과 고민을 나누고, 함께 좋은 질문이 무엇인지 답을 찾아가고 있어요.
함께 질문을 나누면서 서로의 관점을 다듬고 문제의 핵심을 발견하는 훈련을 통해서요.

AI 시대, 진짜 경쟁력 있는 엔지니어가 되고 싶다면
PEC 에 오셔서 좋은 질문을 나누며 같이 성장해요.
(댓글에 링크)

AI 시대, 우리가 정말 갖춰야 할 능력은 무엇일까요? 많은 분들이 AI 기술, 프로그래밍 스킬, 데이터 분석 능력을 이야기해요. 물론 이 능력들도 모두 중요한 것 같아요. 하지만 제가 최근 깨달은, 진짜 중요한 역량은 바로 '좋은 질문을 하는 능력'이에요. 왜 좋은 질문을 하는 능력이 중요할까요? 1. 질문의 수준이 AI의 답변 품질을 결정하기 때문이어요. 정확하고 핵심을 찌르는 질문을 할수록 AI는 더 깊이 있고 유용한 답변을 주는 것 같아요. 결국 AI 답변은 질문의 수준에 따라 그 퀄리티가 결정 되어요. 2. 좋은 질문은 '자신만의 관점'을 형성해주기 때문이어요. AI가 제공하는 답을 무조건적으로 받아들이기보다, 나만의 기준과 관점으로 해석하는 것이 필요해요. 이처럼 비판적으로 사고하면서 질문하면, 자연스럽게 자신만의 관점이 형성 되어요. 3. 질문은 문제의 본질을 드러낼 수 있기 때문이어요. 좋은 질문은 표면적 현상에 머무르지 않고 진짜 중요한 문제의 본질을 밝혀내어요. 이를 통해 AI도 보다 근본적이고 효과적인 해결책을 제시하게 되어요. 이처럼 좋은 질문을 하는 능력은 중요해요. 그러나 혼자서 좋은 질문을 하는 것은 어려워요. 그래서 저는 함께 고민하고 질문하는 공간을 만들었어요. Product Engineer Community(PEC) 에서는 프로덕트 엔지니어들이 모여 각자의 경험과 고민을 나누고, 함께 좋은 질문이 무엇인지 답을 찾아가고 있어요. 함께 질문을 나누면서 서로의 관점을 다듬고 문제의 핵심을 발견하는 훈련을 통해서요. AI 시대, 진짜 경쟁력 있는 엔지니어가 되고 싶다면 PEC 에 오셔서 좋은 질문을 나누며 같이 성장해요. (댓글에 링크)

"개발은 스스로 생각하고 탐구할 때가 가장 즐거우니까"

1️⃣ 마법사인 프리렌은 마법 그 자체를 좋아해요. 그래서 쓸모없는 마법이라도 수집하고 배우려고 하죠.

그래서 늘 마도서(마법도서)를 읽어요. 프리렌을 보며 개발자로서 자신을 돌아보게 됐어요. '나는 개발을 얼마나 좋아했던가', '나는 개발도서를 얼마나 즐겨 읽는가'.

2️⃣ 강력한 마법을 손쉽게 배울 기회를 거절하며 프리렌은 이렇게 답해요. "마법은 스스로 생각하고 탐구할 때가 가장 즐거우니까"

AI를 통해 손쉽게 개발할 수 있는 시대가 열렸지만, 여전히 개발은 그 자체로 참 즐거워요. 때론 애써 코드를 직접 짜면서 즐길 줄 아는 개발자로 남고 싶어요.

-

<장송의 프리렌>을 봐도 개발 생각뿐

"개발은 스스로 생각하고 탐구할 때가 가장 즐거우니까" 1️⃣&nbsp;마법사인 프리렌은 마법 그 자체를 좋아해요. 그래서 쓸모없는 마법이라도 수집하고 배우려고 하죠. 그래서 늘 마도서(마법도서)를 읽어요. 프리렌을 보며 개발자로서 자신을 돌아보게 됐어요. '나는 개발을 얼마나 좋아했던가', '나는 개발도서를 얼마나 즐겨 읽는가'. 2️⃣ 강력한 마법을 손쉽게 배울 기회를 거절하며 프리렌은 이렇게 답해요. "마법은 스스로 생각하고 탐구할 때가 가장 즐거우니까" AI를 통해 손쉽게 개발할 수 있는 시대가 열렸지만, 여전히 개발은 그 자체로 참 즐거워요. 때론 애써 코드를 직접 짜면서 즐길 줄 아는 개발자로 남고 싶어요. - &lt;장송의 프리렌&gt;을 봐도 개발 생각뿐

애니를 봐도 개발 생각뿐

SSR 도입으로 SEO·초기 로딩을 개선하려다 react-query 중복 호출로 성능이 악화된 과정을 분석하고, 구조적 해결책·지표 향상 결과를 공유합니다. SSR 최적화 핵심 포인트와 react-query 캐시 설정 노하우까지 담았습니다.

마이리얼트립 SSR 최적화

마이리얼트립은 왜 SSR을 최적화해야했을까요?

 * 예기치 못한 성능저하
 * 중복 API 호출

분석, 검증, 해결책, 결과까지 깔끔하게 나와있네요!

https://medium.com/myrealtrip-product/마이리얼트립-ssr-최적화-a73815c6cdfc

마이리얼트립은 왜 SSR을 최적화해야했을까요? <ul ><li>예기치 못한 성능저하</li><li>중복 API 호출</li></ul> 분석, 검증, 해결책, 결과까지 깔끔하게 나와있네요! https://medium.com/myrealtrip-product/마이리얼트립-ssr-최적화-a73815c6cdfc

Medium

SSR 최적화

웹에서는 UI가 비동기로 업데이트되는 경우가 참 많죠? UI가 변경될 때까지 기다려줘야 하기 때문에 많은 개발자들이 테스트하기 어려운하는 부분입니다. 다행이도 Testing Library는 비동기로 실행되는 까다로운 코드를 효과적으로 테스트하실 수 있도록 비동기 테스팅에 특화된 API를 제공하고 있는데요.

이번 영상에서는 Testing Library를 사용하여 비동기로 작동하는 React 컴포넌트를 테스트하는 방법에 대해서 알아보겠습니다.

📺 동영상: https://youtu.be/WZza2oISgJ8
📝 포스팅: https://www.daleseo.com/react-testing-library-async/
🧑‍💻 실습 코드 (Vitest): https://stackblitz.com/edit/react-testing-library-async
👩‍💻 실습 코드 (Jest): https://codesandbox.io/embed/react-testing-library-async-q01b9

웹 프론트엔드 테스트에서 사실 상 표준으로 자리잡은 라이브러리인 Testing Library에 대해서 배우시고 싶으시다면 아래 게시물도 함께 참고하시길 추천드려요.
📕 React Testing Library 사용법: https://careerly.co.kr/comments/118453
📗 Testing Library 유저 이벤트 처리: https://careerly.co.kr/comments/118837

웹에서는 UI가 비동기로 업데이트되는 경우가 참 많죠? UI가 변경될 때까지 기다려줘야 하기 때문에 많은 개발자들이 테스트하기 어려운하는 부분입니다. 다행이도 Testing Library는 비동기로 실행되는 까다로운 코드를 효과적으로 테스트하실 수 있도록 비동기 테스팅에 특화된 API를 제공하고 있는데요. 이번 영상에서는 Testing Library를 사용하여 비동기로 작동하는 React 컴포넌트를 테스트하는 방법에 대해서 알아보겠습니다. 📺 동영상: https://youtu.be/WZza2oISgJ8📝 포스팅: https://www.daleseo.com/react-testing-library-async/🧑‍💻 실습 코드 (Vitest): https://stackblitz.com/edit/react-testing-library-async👩‍💻 실습 코드 (Jest): https://codesandbox.io/embed/react-testing-library-async-q01b9 웹 프론트엔드 테스트에서 사실 상 표준으로 자리잡은 라이브러리인 Testing Library에 대해서 배우시고 싶으시다면 아래 게시물도 함께 참고하시길 추천드려요.📕 React Testing Library 사용법: https://careerly.co.kr/comments/118453📗 Testing Library 유저 이벤트 처리: https://careerly.co.kr/comments/118837

Testing Library 비동기 테스트

React 19와 Next.js 15가 새롭게 제안하는 방향은
꽤 도발적이에요.

useActionState와 serverAction만으로도,
ReactQuery 같은 클라이언트 상태 관리 도구 없이
폼 처리와 상태 업데이트를 할 수 있게 되었어요.

물론 모든 걸 대체하긴 어려워요.
하지만 단순한 폼 처리부터 CRUD 까지는
이 방향이 괜찮은 선택지가 될 수 있을것 같아요.

그래서 직접 예제 코드를 준비했고,
유튜브에 공유 드려요.
(댓글에 영상주소 참고)

기존 방식(React Query)과 새로운 방식(Next.js)에 대해
실무 기준에서 어떤 차이가 있고, 왜 이런 구조가 필요한지를
FSD 관점에서 살펴보며 풀어봤어요.

React Query의 전역 상태가 과하게 느껴졌던 분,
혹은 server action 시대의 프론트엔드 흐름을 따라가고 싶은 분이라면
이번 영상을 확인해보셔도 좋을 것 같아요.
(댓글에 영상주소 참고)

React 19와 Next.js 15가 새롭게 제안하는 방향은 꽤 도발적이에요. useActionState와 serverAction만으로도, ReactQuery 같은 클라이언트 상태 관리 도구 없이 폼 처리와 상태 업데이트를 할 수 있게 되었어요. 물론 모든 걸 대체하긴 어려워요. 하지만 단순한 폼 처리부터 CRUD 까지는 이 방향이 괜찮은 선택지가 될 수 있을것 같아요. 그래서 직접 예제 코드를 준비했고, 유튜브에 공유 드려요. (댓글에 영상주소 참고) 기존 방식(React Query)과 새로운 방식(Next.js)에 대해 실무 기준에서 어떤 차이가 있고, 왜 이런 구조가 필요한지를 FSD 관점에서 살펴보며 풀어봤어요. React Query의 전역 상태가 과하게 느껴졌던 분, 혹은 server action 시대의 프론트엔드 흐름을 따라가고 싶은 분이라면 이번 영상을 확인해보셔도 좋을 것 같아요. (댓글에 영상주소 참고)

AI 기술이 우리 일상과 산업 전반에 스며들면서 소프트웨어 개발 환경 역시 큰 변화의 물결을 맞이하고 있다. 특히 코딩을 돕는 AI 에이전트의 등장은 개발 생산성에 대한 큰 변화를 만들고 있다. 나 역시 이러한 변화를 체감하며, 나에게 익숙한 소프트웨어 개발의 대표적인 두 축인 프론트엔드와 백엔드 영역에서 AI 기술이 미치는 영향과 그로 인해 변화하는 소프트웨어 엔지니어의 역할에 대해 개인적인 생각을 정리해 본다.

먼저 프론트엔드 영역을 살펴보자. 프론트엔드 엔지니어의 주요 업무 중 하나는 디자이너가 만든 시각적 결과물을 실제 사용자와 상호작용할 수 있는 인터페이스로 구현하는 것이다. 최근 커서(Cursor)와 같은 코딩 에이전트는 이 영역에서 놀라운 생산성 향상을 만들었다. 특히 피그마(Figma)와 MCP를 통한 연동 및 디자인 시스템의 활용은 정형화된 UI 구현 작업을 상당 부분 자동화하여, 엔지니어는 반복적인 코드 작성 시간을 줄이고 더 복잡한 문제에 집중할 수 있게 되었다. 물론 아직은 AI가 생성한 코드를 그대로 사용하기보다는 엔지니어의 검토와 수정이 필요하며, 복잡한 상태 관리나 비즈니스 로직 구현, 또는 매우 독창적인 인터랙션 구현에는 한계가 있다. 하지만 UI 구현에 드는 시간과 노력이 크게 줄어든다는 점은 부인할 수 없는 변화로 보인다.

다음으로 백엔드 영역도 살펴보자. 백엔드 엔지니어는 비즈니스 요구사항을 만족시키는 도메인 논리를 구현하고 안정적인 API를 제공하며, 나아가 대규모 시스템을 효율적으로 운영하기 위한 아키텍처 설계와 관리를 담당한다. 내 경험과 주변 동료들의 이야기를 종합해 보면, 백엔드 영역에서 코딩 에이전트의 생산성 향상 효과는 UI 구현만큼 극적이지는 않다. 복잡하게 얽힌 비즈니스 규칙, 레거시 시스템과의 연동, 데이터베이스 설계, 보안 및 성능 최적화 등 고려해야 할 요소가 많고, 도메인 맥락 의존성이 높기 때문일 것이다. 하지만 전혀 도움이 되지 않는 것은 아니다. 특정 로직 구현에 대한 아이디어를 얻거나, 테스트 코드 또는 API 문서 초안을 작성하고, 복잡한 아키텍처 패턴을 학습하거나 설계 대안을 탐색하는 과정에서는 분명 유용한 조력자 역할을 하고 있다. 또한, 클라우드 기술의 발전은 과거 백엔드 엔지니어의 주된 고민거리였던 인프라 구축 및 운영 부담을 상당 부분 덜어주며 비즈니스 요구사항 개발에 더 집중할 수 있는 환경을 만들어주고 있다.

이러한 변화 속에서 주목할 점은 프론트엔드와 백엔드 사이의 경계가 점차 흐릿해지고 있다는 것이다. AI의 도움으로 UI 구현 부담이 줄어든 프론트엔드 엔지니어는 자연스럽게 상태 관리 로직이나 서버와의 통신 너머, 즉 백엔드 영역의 문제 해결에 더 깊이 관여할 여지가 생겼다. 반대로 백엔드 엔지니어 역시 과거보다 표준화되고 있는 프론트엔드 기술(리액트)과 AI의 도움을 받아 사용자 인터페이스 개발에 대한 진입 장벽이 낮아졌다. 물론 각 영역의 깊이 있는 전문성은 여전히 중요하지만, 기술적인 장벽이 낮아짐에 따라 엔지니어들이 특정 기술 스택에 갇히기보다 제품 전체의 맥락을 이해하고 최종 사용자 가치를 중심으로 사고하는 것이 더욱 중요해지고 있다.

최근 여러 기업에서
프로덕트 엔지니어(Product Engineer)
라는 직군을 채용하는 모습은 이러한 변화를 반영하는 현상 중 하나라고 생각한다. 프로덕트 엔지니어는 단순히 프론트엔드와 백엔드 기술을 모두 다룰 수 있는 풀스택 개발자를 의미하는 것을 넘어, 사용자 경험부터 기술 구현, 데이터 분석, 인프라 운영까지 제품 개발의 전 과정에 걸쳐 주도적으로 문제를 정의하고 해결하며 제품의 성공에 기여하는 역할로 기대받고 있다. 불과 몇 년 전만 해도 이상적인 이야기처럼 들렸을지 모르지만, AI 기술의 발전과 개발 생태계의 변화는 이러한 역할의 현실화시키고 있다. 내 주변에서도 이미 기술 영역의 경계를 넘어 제품 자체에 집중하며 일하는 동료들을 어렵지 않게 찾아볼 수 있다.

2010년대 모바일 시대를 맞이하며 전문화되었던 프론트엔드와 백엔드의 역할 분담이, 이제 AI 시대를 맞아 다시 융합되는 듯한 흐름이 관찰된다. 물론 이는 나의 제한적인 경험과 관찰에 기반한 생각이며, 앞으로 기술이 어떻게 발전하고 시장이 어떻게 반응할지는 계속 지켜봐야 할 것이다. 하지만 한 가지 분명한 점은, 앞으로 소프트웨어 엔지니어에게는 깊이 있는 전문성과 더불어, 직군의 경계를 넘어 협력하고 제품 전체의 가치를 높이는 능력이 더욱 중요해질 것이라는 점이다. 이러한 변화의 흐름을 읽고 끊임없이 배우고 적응하는 자세가 그 어느 때보다 필요한 시점인 것 같다.

AI 기술이 우리 일상과 산업 전반에 스며들면서 소프트웨어 개발 환경 역시 큰 변화의 물결을 맞이하고 있다. 특히 코딩을 돕는 AI 에이전트의 등장은 개발 생산성에 대한 큰 변화를 만들고 있다. 나 역시 이러한 변화를 체감하며, 나에게 익숙한 소프트웨어 개발의 대표적인 두 축인 프론트엔드와 백엔드 영역에서 AI 기술이 미치는 영향과 그로 인해 변화하는 소프트웨어 엔지니어의 역할에 대해 개인적인 생각을 정리해 본다. 먼저 프론트엔드 영역을 살펴보자. 프론트엔드 엔지니어의 주요 업무 중 하나는 디자이너가 만든 시각적 결과물을 실제 사용자와 상호작용할 수 있는 인터페이스로 구현하는 것이다. 최근 커서(Cursor)와 같은 코딩 에이전트는 이 영역에서 놀라운 생산성 향상을 만들었다. 특히 피그마(Figma)와 MCP를 통한 연동 및 디자인 시스템의 활용은 정형화된 UI 구현 작업을 상당 부분 자동화하여, 엔지니어는 반복적인 코드 작성 시간을 줄이고 더 복잡한 문제에 집중할 수 있게 되었다. 물론 아직은 AI가 생성한 코드를 그대로 사용하기보다는 엔지니어의 검토와 수정이 필요하며, 복잡한 상태 관리나 비즈니스 로직 구현, 또는 매우 독창적인 인터랙션 구현에는 한계가 있다. 하지만 UI 구현에 드는 시간과 노력이 크게 줄어든다는 점은 부인할 수 없는 변화로 보인다. 다음으로 백엔드 영역도 살펴보자. 백엔드 엔지니어는 비즈니스 요구사항을 만족시키는 도메인 논리를 구현하고 안정적인 API를 제공하며, 나아가 대규모 시스템을 효율적으로 운영하기 위한 아키텍처 설계와 관리를 담당한다. 내 경험과 주변 동료들의 이야기를 종합해 보면, 백엔드 영역에서 코딩 에이전트의 생산성 향상 효과는 UI 구현만큼 극적이지는 않다. 복잡하게 얽힌 비즈니스 규칙, 레거시 시스템과의 연동, 데이터베이스 설계, 보안 및 성능 최적화 등 고려해야 할 요소가 많고, 도메인 맥락 의존성이 높기 때문일 것이다. 하지만 전혀 도움이 되지 않는 것은 아니다. 특정 로직 구현에 대한 아이디어를 얻거나, 테스트 코드 또는 API 문서 초안을 작성하고, 복잡한 아키텍처 패턴을 학습하거나 설계 대안을 탐색하는 과정에서는 분명 유용한 조력자 역할을 하고 있다. 또한, 클라우드 기술의 발전은 과거 백엔드 엔지니어의 주된 고민거리였던 인프라 구축 및 운영 부담을 상당 부분 덜어주며 비즈니스 요구사항 개발에 더 집중할 수 있는 환경을 만들어주고 있다. 이러한 변화 속에서 주목할 점은 프론트엔드와 백엔드 사이의 경계가 점차 흐릿해지고 있다는 것이다. AI의 도움으로 UI 구현 부담이 줄어든 프론트엔드 엔지니어는 자연스럽게 상태 관리 로직이나 서버와의 통신 너머, 즉 백엔드 영역의 문제 해결에 더 깊이 관여할 여지가 생겼다. 반대로 백엔드 엔지니어 역시 과거보다 표준화되고 있는 프론트엔드 기술(리액트)과 AI의 도움을 받아 사용자 인터페이스 개발에 대한 진입 장벽이 낮아졌다. 물론 각 영역의 깊이 있는 전문성은 여전히 중요하지만, 기술적인 장벽이 낮아짐에 따라 엔지니어들이 특정 기술 스택에 갇히기보다 제품 전체의 맥락을 이해하고 최종 사용자 가치를 중심으로 사고하는 것이 더욱 중요해지고 있다. 최근 여러 기업에서 <code >프로덕트 엔지니어(Product Engineer)</code>라는 직군을 채용하는 모습은 이러한 변화를 반영하는 현상 중 하나라고 생각한다. 프로덕트 엔지니어는 단순히 프론트엔드와 백엔드 기술을 모두 다룰 수 있는 풀스택 개발자를 의미하는 것을 넘어, 사용자 경험부터 기술 구현, 데이터 분석, 인프라 운영까지 제품 개발의 전 과정에 걸쳐 주도적으로 문제를 정의하고 해결하며 제품의 성공에 기여하는 역할로 기대받고 있다. 불과 몇 년 전만 해도 이상적인 이야기처럼 들렸을지 모르지만, AI 기술의 발전과 개발 생태계의 변화는 이러한 역할의 현실화시키고 있다. 내 주변에서도 이미 기술 영역의 경계를 넘어 제품 자체에 집중하며 일하는 동료들을 어렵지 않게 찾아볼 수 있다. 2010년대 모바일 시대를 맞이하며 전문화되었던 프론트엔드와 백엔드의 역할 분담이, 이제 AI 시대를 맞아 다시 융합되는 듯한 흐름이 관찰된다. 물론 이는 나의 제한적인 경험과 관찰에 기반한 생각이며, 앞으로 기술이 어떻게 발전하고 시장이 어떻게 반응할지는 계속 지켜봐야 할 것이다. 하지만 한 가지 분명한 점은, 앞으로 소프트웨어 엔지니어에게는 깊이 있는 전문성과 더불어, 직군의 경계를 넘어 협력하고 제품 전체의 가치를 높이는 능력이 더욱 중요해질 것이라는 점이다. 이러한 변화의 흐름을 읽고 끊임없이 배우고 적응하는 자세가 그 어느 때보다 필요한 시점인 것 같다.

무너지고 있는 프론트엔드, 백엔드 직군의 경계에 대한 고찰

2022년 말이 었나요? ChatGPT가 처음 등장했을 때, 앞으로 "프롬프트 엔지니어"라는 새로운 직업이 뜰 거라는 말이 정말 많았습니다. LLM(Large Language Model)으로 부터 최소한의 질문으로 원하는 응답을 얻기 위해서 프롬프트를 최적화하는 역할로, 연봉 20만 달러가 거론되며 고수익 미래 기술직으로 주목받았죠. 관련 온라인 강좌가 우후죽순 생기고 학원에서도 프롬프트 엔지니어 준비반을 모집하기도 했습니다.

하지만 2025년, 이 장미빛 전망은 완전히 빗나간 것으로 보입니다. 무엇보다 LLM 사용 비용이 크게 낮아지면서, 여러 번 질의하는 것에 대한 경제적 부담이 줄었습니다. 게다가 AI 모델 자체의 성능도 점점 향상되어 이제는 '개떡같이 말해도 찰떡같이' 알아듣는 수준이 되었기 때문이죠. 그 결과, 채용 시장에서 프롬프트 엔지니어라는 직업은 뚜렷한 입지를 다지지 못한 채 사라지고 있는 분위기입니다. 이미 해당 직무로 채용되었던 분들도 AI 관련 다른 역할로 전환이 일어나고 있다고 하네요.

현재로서는 기업 입장에서 오직 프롬프트만을 깍고 다듬기 위해 전담 엔지니어를 두는 일은 상상하기 어려워졌습니다. 이제는 오히려 거의 모든 직군이 기본적인 프롬프트 엔지니어링 역량을 갖춰야 하는 시대가 되고 있는 게 아닌가 생각해 봅니다.

관련해서 월스트리트 저널의 기사 공유드립니다: https://www.wsj.com/articles/the-hottest-ai-job-of-2023-is-already-obsolete-1961b054

2022년 말이 었나요? ChatGPT가 처음 등장했을 때, 앞으로 "프롬프트 엔지니어"라는 새로운 직업이 뜰 거라는 말이 정말 많았습니다. LLM(Large Language Model)으로 부터 최소한의 질문으로 원하는 응답을 얻기 위해서 프롬프트를 최적화하는 역할로, 연봉 20만 달러가 거론되며 고수익 미래 기술직으로 주목받았죠. 관련 온라인 강좌가 우후죽순 생기고 학원에서도 프롬프트 엔지니어 준비반을 모집하기도 했습니다. 하지만 2025년, 이 장미빛 전망은 완전히 빗나간 것으로 보입니다. 무엇보다 LLM 사용 비용이 크게 낮아지면서, 여러 번 질의하는 것에 대한 경제적 부담이 줄었습니다. 게다가 AI 모델 자체의 성능도 점점 향상되어 이제는 '개떡같이 말해도 찰떡같이' 알아듣는 수준이 되었기 때문이죠. 그 결과, 채용 시장에서 프롬프트 엔지니어라는 직업은 뚜렷한 입지를 다지지 못한 채 사라지고 있는 분위기입니다. 이미 해당 직무로 채용되었던 분들도 AI 관련 다른 역할로 전환이 일어나고 있다고 하네요. 현재로서는 기업 입장에서 오직 프롬프트만을 깍고 다듬기 위해 전담 엔지니어를 두는 일은 상상하기 어려워졌습니다. 이제는 오히려 거의 모든 직군이 기본적인 프롬프트 엔지니어링 역량을 갖춰야 하는 시대가 되고 있는 게 아닌가 생각해 봅니다. 관련해서 월스트리트 저널의 기사 공유드립니다: https://www.wsj.com/articles/the-hottest-ai-job-of-2023-is-already-obsolete-1961b054

프롬프트 엔지니어에 대한 빗나간 예측

카카오에 처음 들어가서 인상적이었던 점은 카톡으로 카톡을 모니터링하던 것이었습니다. 오호 재밌는걸. C 컴파일러로 C언어를 만드는 느낌이 이런 건가?

서비스 텐션

카카오에 처음 들어가서 인상적이었던 점은 카톡으로 카톡을 모니터링하던 것이었습니다.
오호 재밌는걸. C 컴파일러로 C언어를 만드는 느낌이 이런 건가?

카톡 시스템의 장애를 비롯하여 사내 서비스의 수많은 부분을 모니터링했습니다.
그중 카톡의 국가별 가입자 수를 10분마다 리포팅 해주던 채팅방이 있었습니다.

2012년. 때는 바야흐로 모바일 메신저 왕좌의 게임 시대.
물론 한국 가입자가 가장 많았지만, 전 세계 각국에서 꽤 많은 사용자들이 가입을 했습니다.

갑자기 브라질의 가입자 수가 늘면 누군가가 채팅방에 말했습니다.
“어? 브라질에서 튀었네요.”
“무슨 일이지?”
끈질긴 누군가가 기어이 찾아내서 공유했습니다.
“찾아보니 기사가 났어요.”

이런 경험은 처음이었습니다. 아하 포인트를 느꼈던 것 같습니다.
서비스라는 건 이렇게 하는 거구나.

모니터링 방에는 서비스에 관심 있는 사람들이 자발적으로 들어와 있었는데, 이상 징후를 특히 잘 포착하는 사람들이 있었습니다.
모니터링 방이 수도 없이 많이 있었는데 누군가는 그냥 지나치는 정보들을 날카롭게 포착해서 공유하는 사람들.

이런 사람들이 그렇게 멋져 보일 수가 없었습니다. 저도 그런 사람이 되고 싶었습니다.
그렇게 하려면 서비스 텐션을 높여야 했습니다. 몸에 긴장을 풀어버려선 안 됩니다.
온 신경을 집중해야 하니 집에서 쉴 때도 영화 같은 걸 보기가 힘들었습니다. 계속 신경이 쓰여서.

이상 징후를 찾아내고 원인을 끈질기게 탐색하는 걸 카카오에서 배웠습니다.
서비스 안에서 작은 파동까지 탐지해 내는 능력은 소중합니다. 긴장을 풀고 느슨하게 있으면 이 능력이 발휘되지 않습니다.

한 편, 서비스 텐션이 끊어질 듯이 탱탱한 상태가 되면 일하기에는 좋지만 사람들을 상대하기에는 좋지 않은 것 같습니다.
굉장히 날카로워지거든요. 편안한 얼굴이 아니라 인상을 쓰고 있는 표정이 default 가 되어 버립니다.
몸의 모든 감각이 날카로워져 있어서 다른 사람들에게 하는 말투도 날카롭게 나오곤 하고요.

커피한잔을 오랫동안 혼자 운영하며 저의 텐션이 점점 느슨해져 가는 걸 느끼고 있습니다.
마음이 편하고 여유가 있는 건 좋지만, 텐션이 너무 느슨해지면 안 되는데 하는 걱정도 됩니다. 모르고 넘어가면 안 되는 일들을 자꾸 놓치곤 합니다.
동료의 높은 텐션을 보며 자극받기도 하고, 혼도 나고 하면서 텐션을 끌어올려야 하는데 혼자서는 참 쉽지가 않네요. 🥲

https://jeho.page/essay/2025/05/08/service-tension.html

카카오에 처음 들어가서 인상적이었던 점은 카톡으로 카톡을 모니터링하던 것이었습니다. 오호 재밌는걸. C 컴파일러로 C언어를 만드는 느낌이 이런 건가? 카톡 시스템의 장애를 비롯하여 사내 서비스의 수많은 부분을 모니터링했습니다. 그중 카톡의 국가별 가입자 수를 10분마다 리포팅 해주던 채팅방이 있었습니다. 2012년. 때는 바야흐로 모바일 메신저 왕좌의 게임 시대. 물론 한국 가입자가 가장 많았지만, 전 세계 각국에서 꽤 많은 사용자들이 가입을 했습니다. 갑자기 브라질의 가입자 수가 늘면 누군가가 채팅방에 말했습니다. “어? 브라질에서 튀었네요.” “무슨 일이지?” 끈질긴 누군가가 기어이 찾아내서 공유했습니다. “찾아보니 기사가 났어요.” 이런 경험은 처음이었습니다. 아하 포인트를 느꼈던 것 같습니다. 서비스라는 건 이렇게 하는 거구나. 모니터링 방에는 서비스에 관심 있는 사람들이 자발적으로 들어와 있었는데, 이상 징후를 특히 잘 포착하는 사람들이 있었습니다. 모니터링 방이 수도 없이 많이 있었는데 누군가는 그냥 지나치는 정보들을 날카롭게 포착해서 공유하는 사람들. 이런 사람들이 그렇게 멋져 보일 수가 없었습니다. 저도 그런 사람이 되고 싶었습니다. 그렇게 하려면 서비스 텐션을 높여야 했습니다. 몸에 긴장을 풀어버려선 안 됩니다. 온 신경을 집중해야 하니 집에서 쉴 때도 영화 같은 걸 보기가 힘들었습니다. 계속 신경이 쓰여서. 이상 징후를 찾아내고 원인을 끈질기게 탐색하는 걸 카카오에서 배웠습니다. 서비스 안에서 작은 파동까지 탐지해 내는 능력은 소중합니다. 긴장을 풀고 느슨하게 있으면 이 능력이 발휘되지 않습니다. 한 편, 서비스 텐션이 끊어질 듯이 탱탱한 상태가 되면 일하기에는 좋지만 사람들을 상대하기에는 좋지 않은 것 같습니다. 굉장히 날카로워지거든요. 편안한 얼굴이 아니라 인상을 쓰고 있는 표정이 default 가 되어 버립니다. 몸의 모든 감각이 날카로워져 있어서 다른 사람들에게 하는 말투도 날카롭게 나오곤 하고요. 커피한잔을 오랫동안 혼자 운영하며 저의 텐션이 점점 느슨해져 가는 걸 느끼고 있습니다. 마음이 편하고 여유가 있는 건 좋지만, 텐션이 너무 느슨해지면 안 되는데 하는 걱정도 됩니다. 모르고 넘어가면 안 되는 일들을 자꾸 놓치곤 합니다. 동료의 높은 텐션을 보며 자극받기도 하고, 혼도 나고 하면서 텐션을 끌어올려야 하는데 혼자서는 참 쉽지가 않네요. 🥲 https://jeho.page/essay/2025/05/08/service-tension.html

K리그 프로그래머

ViewTransition API과 Pop history action .... 그리고 useBlocker... ☕️

ViewTransition API 와 browser history 관리, 그리고 React Router

실무에서 ViewTransition API와 react-router-dom에서 제공하는 useBlocker hook을 활용하여 브라우저 앞으로 가기, 뒤로 가기를 할 때도 자연스럽게 애니메이션을 적용한 사례를 소개합니다 :) (feat. gpt)

https://velog.io/@qorgkr26/ViewTransition-API-browser-history-and-React-Router

실무에서 ViewTransition API와 react-router-dom에서 제공하는 useBlocker hook을 활용하여 브라우저 앞으로 가기, 뒤로 가기를 할 때도 자연스럽게 애니메이션을 적용한 사례를 소개합니다 :) (feat. gpt) https://velog.io/@qorgkr26/ViewTransition-API-browser-history-and-React-Router

velog.io

ViewTransition API + react-router-do

 아래 글은 사이드허슬러스토리 뉴스레터에 발행된 글입니다.다른 글들을 보시려면  👉 ...

🗞️ 롤 챌린저 티어→ AI 광고 생성기로 연매출 1억 달러 도전

안녕하세요 :)

오늘은 2025년 3월에 출시한 AI 광고 생성 SaaS인 icon.com으로 1개월만에 매출 5백만달러, 한화로 약 70억을 벌고, 연매출 1,400억을 목표로 굉장히 빠르게 회사를 키워가고 있는 Kennan Davison의 이야기를 준비했습니다.

📌 Kennan의 발자취 요약 👇
 * 14살부터 리그오브레전드 챌린저 티어 (2012~2015년)
 * 개발 독학 및 코딩테스트 준비 (2016년)
 * 아이비리그 Columbia 대학교 자퇴 (2017년)
 * 19살에 Pinterest 최연소 입사 (2017년)
 * Y Combinator 합격 (2020년)
 * Skio.com 창업 (2021~2024년)
 * Icon.com 창업 (2025년 ~ 현재)

📌 전체 내용 보기 ⬇️
https://eopla.net/magazines/29506

📌 전체 목차 ⬇️
 1. 첫 회사 창업 전 타임라인
 2. Y Combinator 합격 → Skio.com 창업
 3. Skio.com 가볍게 살펴보기
 4. 가장 빠르게 성장하는 회사 만들기
 5. 바이럴 영상 하나로 1개월만에 70억 매출 달성
 6. 랜딩페이지 분석
 7. icon.com 온보딩 과정 분석 및 제품 유료 기능 언박싱

안녕하세요 :) 오늘은 2025년 3월에 출시한 AI 광고 생성 SaaS인 icon.com으로 1개월만에 매출 5백만달러, 한화로 약 70억을 벌고, 연매출 1,400억을 목표로 굉장히 빠르게 회사를 키워가고 있는 Kennan Davison의 이야기를 준비했습니다. 📌 Kennan의 발자취 요약 👇<ul ><li>14살부터 리그오브레전드 챌린저 티어 (2012~2015년)</li><li>개발 독학 및 코딩테스트 준비 (2016년)</li><li>아이비리그 Columbia 대학교 자퇴 (2017년)</li><li>19살에 Pinterest 최연소 입사 (2017년)</li><li>Y Combinator 합격 (2020년)</li><li>Skio.com 창업 (2021~2024년)</li><li>Icon.com 창업 (2025년 ~ 현재)</li></ul> 📌 전체 내용 보기 ⬇️https://eopla.net/magazines/29506 📌 전체 목차 ⬇️<ol ><li>첫 회사 창업 전 타임라인</li><li>Y Combinator 합격 → Skio.com 창업</li><li>Skio.com 가볍게 살펴보기</li><li>가장 빠르게 성장하는 회사 만들기</li><li>바이럴 영상 하나로 1개월만에 70억 매출 달성</li><li>랜딩페이지 분석</li><li>icon.com 온보딩 과정 분석 및 제품 유료 기능 언박싱</li></ol>

연봉과 커리어의 상관관계 함수, 이것을 결정하는 1가지 요소

롤 챌린저 출신 개발자 → AI 광고 SaaS로 연매출 1400억

1. 사람들이 자연스럽게 갖기 쉬운 프레임은 대개 하위 수준이다.

2. 당장 먹고살아야 하기 때문에 '귀찮아서' 남들도 다 안 하는데 뭘' 등과 같은 생각은 하위 수준 프레임의 전형이다.

3. 그렇다면 상위 수준과 하위 수준 프레임을 나누는 결정적인 차이는 무엇일까?

4. 바로 상위 프레임에서는 Why를 묻지만 하위 프레임에서는 How를 묻는다는 점이다.

5. 상위 프레임은 왜 이 일이 필요한지 그 이유와 의미, 목표를 묻는다. 비전을 묻고 이상을 세운다.

6. 그러나 하위 수준의 프레임에서는 그 일을 하기가 쉬운지 어려운지, 시간은 얼마나 걸리는지, 성공 가능성은 얼마나 되는지 등 구체적인 절차부터 묻는다.

7. 그래서 궁극적인 목표나 큰 그림을 놓치고 항상 주변의 이슈들을 좇느라 에너지를 허비하고 만다. 상위 수준의 프레임을 갖고 있는 사람은 No 보다는 Yes라는 대답을 자주 하고, 하위 수준의 프레임을 가진 사람은 Yes보다는 No라는 대답을 많이 한다.

#프레임 📚

1. 사람들이 자연스럽게 갖기 쉬운 프레임은 대개 하위 수준이다. ​2. 당장 먹고살아야 하기 때문에 '귀찮아서' 남들도 다 안 하는데 뭘' 등과 같은 생각은 하위 수준 프레임의 전형이다. ​3. 그렇다면 상위 수준과 하위 수준 프레임을 나누는 결정적인 차이는 무엇일까? ​4. 바로 상위 프레임에서는 Why를 묻지만 하위 프레임에서는 How를 묻는다는 점이다. ​5. 상위 프레임은 왜 이 일이 필요한지 그 이유와 의미, 목표를 묻는다. 비전을 묻고 이상을 세운다. ​6. 그러나 하위 수준의 프레임에서는 그 일을 하기가 쉬운지 어려운지, 시간은 얼마나 걸리는지, 성공 가능성은 얼마나 되는지 등 구체적인 절차부터 묻는다. ​7. 그래서 궁극적인 목표나 큰 그림을 놓치고 항상 주변의 이슈들을 좇느라 에너지를 허비하고 만다. 상위 수준의 프레임을 갖고 있는 사람은 No 보다는 Yes라는 대답을 자주 하고, 하위 수준의 프레임을 가진 사람은 Yes보다는 No라는 대답을 많이 한다. #프레임 📚

< 성공하는 사람은 '왜', 실패하는 사람은 '어떻게'를 묻는다

설계없이 시작가능한 AI에 의한 즉흥 개발방법도 지속적으로 유행하고 발전해 나가겠지만 상대적으로

느린 개발방법처럼 보이는 도메인 모델을 먼저 고민하고 시작하는 DDD(+이벤트 드리븐) 개발방법에서도 AI툴을 활용해 가속화하는 방법이 없을까?

고민하다가 시도된 변종실험으로 Qlerify를 간단하게 이용해보았으며 도메인모델을 통해 코드생성도 후속으로 시도해보았습니다.
(코틀린 코드와 액터모델로 구현시도됨)

변종실험 : https://wiki.webnori.com/display/AKKA/qlerify+with+ddd

설계없이 시작가능한 AI에 의한 즉흥 개발방법도 지속적으로 유행하고 발전해 나가겠지만 상대적으로 느린 개발방법처럼 보이는 도메인 모델을 먼저 고민하고 시작하는 DDD(+이벤트 드리븐) 개발방법에서도 AI툴을 활용해 가속화하는 방법이 없을까? 고민하다가 시도된 변종실험으로 Qlerify를 간단하게 이용해보았으며 도메인모델을 통해 코드생성도 후속으로 시도해보았습니다.(코틀린 코드와 액터모델로 구현시도됨) 변종실험 : https://wiki.webnori.com/display/AKKA/qlerify+with+ddd

DDD with AI

﻿
요즘은 아주 습관적으로 회사 밖에서 돈을 벌 수 있는 일이 무엇인지 생각하고 있습니다. 정확히 표현하면 부가 수입을 창출하고 싶다는 것보다 회사 생활을 의존하지 않고 자립할 수 있는 방법을 찾으려고 합니다. 언제 회사에서 쫓겨날까 두려움 마음보다 언제든 제 발로 회사를 나올 수 있는 궁리를 하고 있는 것입니다.

아무래도 회사는 주도적으로 일을 하고 싶어도 100% 하고 싶은 일만 하기 어려운 환경이기 때문입니다. 물론 자신이 주체가 되어 하는 사업이 100% 하고 싶은 일만 할 수 있느냐, 그건 아니라는 것도 잘 알고 있습니다. 다만, 100%에 가깝게 수렴하는 방향으로 일을 할 수 있다면 좋겠다고 생각합니다. 아니 꼭 100% 하고 싶은 일만 하지 못하더라도, 해야 할 일이라고 필요성을 느끼며 일을 할 수 있다면 좋겠다고 생각합니다.

왜 해야 하는지 잘 이해가 되지 않는 일이나 마음이 맞지 않는 동료와 함께 협업하는 것이 상당히 어렵고 피곤하게 느껴집니다. 하면 좋은 일이라는 것을 머리로 이해하는데, 우선순위가 다르거나 시간과 노력이라는 자원을 사용하는 정도가 다른 경우, 일을 즐겁게 하기 어렵습니다. 또 협업해야 하는 동료와 소통 방법이 다르거나 일을 처리하는 순서, 완성에 대한 수준이 다른 경우 마음이 편안하지 못합니다.

자아가 강한 사람일수록 다른 사람의 요구를 수용하는 것이 쉽지 않습니다. 제 마음대로 해야 흡족한데, 그러지 못하는 데서 오는 불편함이 일이 잘 풀려도 만족감을 쉽게 얻지 못합니다. 그래서 끊임없이 다른 곳을 향하여 시선이 가는 모양입니다. 더 좋은 곳, 그러니까 이상적으로 일을 할 수 있는 곳이 있을 거라는 환상을 품고 이리 기웃 저리 기웃 거려 봅니다. 그러나 5번 정도 이직을 해본 결과, 세상에 이상적인 조직이란 존재하지 않더이다. 그건 조직의 부족함이 아니라 자족의 한계가 있기 때문입니다.

스스로 만족할 수 있는 일을 회사 밖에서 찾는데 열심인 이유를 구구절절하게 설명했지만, 결론을 한 마디로 정리하면 제가 원하는 일을 제 마음이 편하게 추진하고 싶다는 바람입니다. 아마 직장 생활을 몇 년 이상 해본 분들이라면 공감대를 갖고 계시리라 생각합니다. 더구나 요즘은 AI 도구가 발전하면서 혼자 결과를 만들 수 있는 좋은 환경으로 무르익고 있습니다. 마음먹고 조금만 공부하면 혼자 하지 못할 일이 없습니다.

문제는 마음을 쉽게 먹지 못하는 것입니다. 이게 돈이 될까? 이걸 하면 먹고살 수 있을까? 걱정과 염려로 인해 이도 저도 시도해 보지 못하고 한정된 시간을 날마다 까먹고 있습니다. 세상을 살면서 언제까지 일을 할 수 있을까 상상해 보면, 70세? 그 이상도 가능하겠지만 하고 싶어도 하지 못할 날이 정해져 있다면, 이제 얼마 남지 않은 (살아온 날보다 일을 할 수 있는 시점 기준) 시간을 계산해 보면 도전을 빠르게 해봐야 나중에 후회가 없을 듯합니다. 

지금 고민하고 있는 일은 다른 사람의 비서가 되는 것입니다. 모든 일을 다 알아서 해주는 수족 같은 비서 말고, 직업에 대한 고민을 함께해 주고 빠른 의사결정과 도전을 가능하게 해주는 도우미가 되고 싶습니다. 전화 통화를 하고 화상 미팅을 통해 자신의 커리어 상태 정보를 주고받는 것이 아니라, 프로필 정보 정도만 업데이트하면 주기적으로 커리어에 도움이 될만한 정보를 공유하고, 새로운 기회가 발견되면 도전을 부추기는 도움을 제공하는 것입니다.

생각해 보면 커리어만큼 불확실성이 큰일도 드문 것 같습니다. 우리에게 어울리는 직업이 무엇인지 수학 공식처럼 대입해서 확신을 얻을 수 있는 일을 발견하기 어렵습니다. 객관적인 정보를 얻을 수 있는 검사가 있긴 하지만, 왠지 그 정보는 100% 신뢰하기 어렵습니다. 검사를 통해 제안받는 직업이 너무 대단하게 느껴지기도 하고, 그 일을 시작할 수 있는 방법은 알려주지 않기 때문이기도 합니다. 그리고 그 일을 했을 때, 진짜 ‘나’와 잘 맞는지 미래를 보여주지 못하는 것이 결정적인 이유라고 생각합니다.

미래를 알 수 없기 때문에 희망을 가질 수 있지만, 동시에 미래를 예측하기 힘들어서 도전을 시작하기 어렵습니다. 분명히 우리 각자 좋아하는 일을 알고 있고, 하고 싶은 일도 있지만 과감히 이 몸과 마음을 던지지 못하는 것은 미래가 보이지 않기 때문입니다. 그래서 먼저 창업해 본 선배들이 회사를 다니며 하고 싶은 일을 병행해 본 후에 어느 정도 성과를 만들 수 있을 때, 본격적으로 회사 밖에서 일을 하라고 조언하나 봅니다.

일리 있는 조언이라고, 그렇게 하는 것이 좋고 또 맞다고 머리로 이해하면서 시간과 에너지의 한계로 회사 밖에서 도전을 불사르지 못하는 저는 나약한 인간입니다. 회사 밖 부업을 주제로 이야기 나누고 싶었는데, 쓸데없는 신세 한탄으로 오늘 글을 채웠습니다. 다음에 본격적으로 실행하고 있는 회사 밖 도전에 대해서 공유하겠습니다.

﻿요즘은 아주 습관적으로 회사 밖에서 돈을 벌 수 있는 일이 무엇인지 생각하고 있습니다. 정확히 표현하면 부가 수입을 창출하고 싶다는 것보다 회사 생활을 의존하지 않고 자립할 수 있는 방법을 찾으려고 합니다. 언제 회사에서 쫓겨날까 두려움 마음보다 언제든 제 발로 회사를 나올 수 있는 궁리를 하고 있는 것입니다. 아무래도 회사는 주도적으로 일을 하고 싶어도 100% 하고 싶은 일만 하기 어려운 환경이기 때문입니다. 물론 자신이 주체가 되어 하는 사업이 100% 하고 싶은 일만 할 수 있느냐, 그건 아니라는 것도 잘 알고 있습니다. 다만, 100%에 가깝게 수렴하는 방향으로 일을 할 수 있다면 좋겠다고 생각합니다. 아니 꼭 100% 하고 싶은 일만 하지 못하더라도, 해야 할 일이라고 필요성을 느끼며 일을 할 수 있다면 좋겠다고 생각합니다. 왜 해야 하는지 잘 이해가 되지 않는 일이나 마음이 맞지 않는 동료와 함께 협업하는 것이 상당히 어렵고 피곤하게 느껴집니다. 하면 좋은 일이라는 것을 머리로 이해하는데, 우선순위가 다르거나 시간과 노력이라는 자원을 사용하는 정도가 다른 경우, 일을 즐겁게 하기 어렵습니다. 또 협업해야 하는 동료와 소통 방법이 다르거나 일을 처리하는 순서, 완성에 대한 수준이 다른 경우 마음이 편안하지 못합니다. 자아가 강한 사람일수록 다른 사람의 요구를 수용하는 것이 쉽지 않습니다. 제 마음대로 해야 흡족한데, 그러지 못하는 데서 오는 불편함이 일이 잘 풀려도 만족감을 쉽게 얻지 못합니다. 그래서 끊임없이 다른 곳을 향하여 시선이 가는 모양입니다. 더 좋은 곳, 그러니까 이상적으로 일을 할 수 있는 곳이 있을 거라는 환상을 품고 이리 기웃 저리 기웃 거려 봅니다. 그러나 5번 정도 이직을 해본 결과, 세상에 이상적인 조직이란 존재하지 않더이다. 그건 조직의 부족함이 아니라 자족의 한계가 있기 때문입니다. 스스로 만족할 수 있는 일을 회사 밖에서 찾는데 열심인 이유를 구구절절하게 설명했지만, 결론을 한 마디로 정리하면 제가 원하는 일을 제 마음이 편하게 추진하고 싶다는 바람입니다. 아마 직장 생활을 몇 년 이상 해본 분들이라면 공감대를 갖고 계시리라 생각합니다. 더구나 요즘은 AI 도구가 발전하면서 혼자 결과를 만들 수 있는 좋은 환경으로 무르익고 있습니다. 마음먹고 조금만 공부하면 혼자 하지 못할 일이 없습니다. 문제는 마음을 쉽게 먹지 못하는 것입니다. 이게 돈이 될까? 이걸 하면 먹고살 수 있을까? 걱정과 염려로 인해 이도 저도 시도해 보지 못하고 한정된 시간을 날마다 까먹고 있습니다. 세상을 살면서 언제까지 일을 할 수 있을까 상상해 보면, 70세? 그 이상도 가능하겠지만 하고 싶어도 하지 못할 날이 정해져 있다면, 이제 얼마 남지 않은 (살아온 날보다 일을 할 수 있는 시점 기준) 시간을 계산해 보면 도전을 빠르게 해봐야 나중에 후회가 없을 듯합니다.&nbsp; 지금 고민하고 있는 일은 다른 사람의 비서가 되는 것입니다. 모든 일을 다 알아서 해주는 수족 같은 비서 말고, 직업에 대한 고민을 함께해 주고 빠른 의사결정과 도전을 가능하게 해주는 도우미가 되고 싶습니다. 전화 통화를 하고 화상 미팅을 통해 자신의 커리어 상태 정보를 주고받는 것이 아니라, 프로필 정보 정도만 업데이트하면 주기적으로 커리어에 도움이 될만한 정보를 공유하고, 새로운 기회가 발견되면 도전을 부추기는 도움을 제공하는 것입니다. 생각해 보면 커리어만큼 불확실성이 큰일도 드문 것 같습니다. 우리에게 어울리는 직업이 무엇인지 수학 공식처럼 대입해서 확신을 얻을 수 있는 일을 발견하기 어렵습니다. 객관적인 정보를 얻을 수 있는 검사가 있긴 하지만, 왠지 그 정보는 100% 신뢰하기 어렵습니다. 검사를 통해 제안받는 직업이 너무 대단하게 느껴지기도 하고, 그 일을 시작할 수 있는 방법은 알려주지 않기 때문이기도 합니다. 그리고 그 일을 했을 때, 진짜 ‘나’와 잘 맞는지 미래를 보여주지 못하는 것이 결정적인 이유라고 생각합니다. 미래를 알 수 없기 때문에 희망을 가질 수 있지만, 동시에 미래를 예측하기 힘들어서 도전을 시작하기 어렵습니다. 분명히 우리 각자 좋아하는 일을 알고 있고, 하고 싶은 일도 있지만 과감히 이 몸과 마음을 던지지 못하는 것은 미래가 보이지 않기 때문입니다. 그래서 먼저 창업해 본 선배들이 회사를 다니며 하고 싶은 일을 병행해 본 후에 어느 정도 성과를 만들 수 있을 때, 본격적으로 회사 밖에서 일을 하라고 조언하나 봅니다. 일리 있는 조언이라고, 그렇게 하는 것이 좋고 또 맞다고 머리로 이해하면서 시간과 에너지의 한계로 회사 밖에서 도전을 불사르지 못하는 저는 나약한 인간입니다. 회사 밖 부업을 주제로 이야기 나누고 싶었는데, 쓸데없는 신세 한탄으로 오늘 글을 채웠습니다. 다음에 본격적으로 실행하고 있는 회사 밖 도전에 대해서 공유하겠습니다.﻿

부업 (준비)

www.55check.com공유하기게시하기웹에서 보기#역사종전 50주년 맞아 돌아보는 월남전월남전의 역사, 그리고 한-미-베트남 3국의 시각을 간단히 정리했습니다. (오호츠크 리포트)근대사에 관심있는 분에게 전 주월대사 이대용 님의 영상도 추천합니다. 사이공이 함락될 때 미쳐 빠져나오지 못해 북베트남군에 체포되어 수년 간 옥살이를 하셨던 분입니다.  #매주 금요일_ 동동의 테크 타운이 주의 쇼킹한 AI 서비스: 구글의 NotebookLM, 한국어도 지원!구글의 NotebookLM, 자료 요약은 물론 팟캐스트 제작도 순식간에 가능.두 명이 대화하는 방식. 적절한 시점에 자료 삽입 및 편집도 가능.내가 가지고 있는 자료와 함께 인터넷 상 여러 자료를 구글에서 자동 검색해 함께 믹스.TIP: 필자도 작년부터 애용 중으로, 논문·자료 여러 개 업로드해 팟캐스트로 만들어 운동할 때 들으면 좋습니다.샘플로 들어보시라고 제가 방금 뚝딱 만들어 봤습니다. 클릭해서 오늘 발표된 애플, 아마존, 메타 실적 내용을 팟캐스트로 들어보세요. 이것만 들으면 아래 내용들 안 봐도 됩니다.애플, 법원과 정부 신경쓰느라 땀 뻘뻘애플이 한국시간 오늘 아침 실적 발표. 6월까지 3개월 동안 관세로 9억 달러 추가 비용 부담할 예정이라, 주가는 시간외 거래에서 4% 하락. (나머지 매출은 준수)법적 이슈가 많음. 2021년 내려진 '앱스토어 변경 명령'을 고의적으로 무시했다는 혐의로 연방 검찰에 회부... 선서하고도 거짓말한 애플 임원에 법원이 화남 🔥당

2025년 5월 2일 (수) - AI로 한국어 팟캐스트 뚝딱 만들기 : 오호츠크 리포트

이 주의 쇼킹한 AI 서비스: 구글의 NotebookLM, 한국어도 지원! 🔥
 * 구글의 NotebookLM, 자료 요약은 물론 팟캐스트 제작도 순식간에 가능.
 * 두 명이 대화하는 방식. 적절한 시점에 자료 삽입 및 편집도 가능.
 * 내가 가지고 있는 자료와 함께 인터넷 상 여러 자료를 구글에서 자동 검색해 함께 믹스.
 * TIP: 필자도 작년부터 애용 중으로, 논문·자료 여러 개 업로드해 팟캐스트로 만들어 운동할 때 들으면 좋습니다.
   
 * 샘플로 들어보시라고 제가 방금 뚝딱 만들어 봤습니다. 파일은 링크에.
   클릭해서 오늘 발표된 애플, 아마존, 메타 실적 내용을 팟캐스트로 들어보세요. 이것만 들으면 아래 내용들 안 봐도 됩니다.

 1. 애플, 법원과 정부 신경쓰느라 땀 뻘뻘
 2. 메타도 소송이 끝이 없네.
 3. 아마존, '관세 표시' 논란으로 난리통에 주가 주춤.
 4. 마이크로소프트 실적발표, 빅테크 중 유일하게 함박웃음
 5. OpenAI, GPT-4o 배포했다 황급히 롤백. 너무 착해서 문제.

이 주의 쇼킹한 AI 서비스: 구글의 NotebookLM, 한국어도 지원! 🔥<ul><li>구글의 NotebookLM, 자료 요약은 물론 팟캐스트 제작도 순식간에 가능.</li><li>두 명이 대화하는 방식. 적절한 시점에 자료 삽입 및 편집도 가능.</li><li>내가 가지고 있는 자료와 함께 인터넷 상 여러 자료를 구글에서 자동 검색해 함께 믹스.</li><li>TIP: 필자도 작년부터 애용 중으로, 논문·자료 여러 개 업로드해 팟캐스트로 만들어 운동할 때 들으면 좋습니다. </li><li>샘플로 들어보시라고 제가 방금 뚝딱 만들어 봤습니다. 파일은 링크에. 클릭해서 오늘 발표된 애플, 아마존, 메타 실적 내용을 팟캐스트로 들어보세요. 이것만 들으면 아래 내용들 안 봐도 됩니다.</li></ul> <ol><li>애플, 법원과 정부 신경쓰느라 땀 뻘뻘</li><li>메타도 소송이 끝이 없네.</li><li>아마존, '관세 표시' 논란으로 난리통에 주가 주춤.</li><li>마이크로소프트 실적발표, 빅테크 중 유일하게 함박웃음</li><li>OpenAI, GPT-4o 배포했다 황급히 롤백. 너무 착해서 문제.</li></ol>

55check.com

5월 첫째주 테크 소식 : NotebookLM 꼭 써보세요. 정말

샌드위치 휴가로 평소보다 도로가 한산했던 5월 2일(금) 저녁에 시즌5 두 번째 모임을 가졌습니다. 시간이 되는 멤버들끼리 먼저 모여 트레바리 아지트 근처에서 피자를 먹고, 하나 둘 아지트에 도착했습니다. 유나 님이 겪었던 독후감 제출 에피소드에 대해 들으면서 트레바리 독후감 제출마감 시간(D-2, 수요일 자정)과 이 정책이 가진 목적에 대해 생각해보기도 했습니다. 그렇게 지난 한 달의 안부를

트레바리 시즌5, 두 번째 모임을 마치고 – 세상에 대한 일말의 책임감에 대하여

샌드위치 휴가로 평소보다 도로가 한산했던 5월 2일(금) 저녁에 <리서치 하는데요> 시즌5 두 번째 모임을 가졌습니다. 시간이 되는 멤버들끼리 먼저 모여 트레바리 아지트 근처에서 피자를 먹고, 하나 둘 아지트에 도착했습니다. 유나 님이 겪었던 독후감 제출 에피소드에 대해 들으면서 트레바리 독후감 제출마감 시간(D-2, 수요일 자정)과 이 정책이 가진 목적에 대해 생각해보기도 했습니다. 그렇게 지난 한 달의 안부를 나누다 『도둑맞은 집중력』을 두고 본격적인 북토크를 시작했습니다. 이번 모임에 함께 못한 멤버들께 안부를 전하며, 다음 모임에서 더 반갑게 인사드리겠습니다.

지난 첫 모임에서 멤버들이 꼽은 가장 기대되는 책이었습니다. 요한 하리가 최근 내놓은 『매직필』도 인문학 분야 베스트셀러였기에 이 책을 다시 읽기에 좋은 시기였습니다. 2023년 이 책이 인기를 끌면서 사회 전체적으로 '디지털 디톡스' 열풍이 일었습니다. 스마트폰엔 스크린타임을 설정해 두고, 휴대폰 감옥을 두거나, 침실에 스마트폰을 가져가지 않는 것, 유튜브 검색기록을 끄는 등 개인 차원에서 해봄직한 시도들이 있었죠. 종이책을 더 읽어야겠다고 생각했던 날들도 있었습니다. 공교롭게 이 책은 이런 개인적인 차원의 노력보다 시스템, 사회적 차원에서 집중력을 도둑질하는 것에 대해 전문가 인터뷰를 통해 지적하고 있습니다.

1. 집중력을 높이려는 계획의 특징

계획을 세우고 이를 잘 실행하는 멤버들의 이야기를 들으며 감탄했고 또 응원했습니다. 회사를 다니면서 가장 하기 어렵다는 일 중의 하나인 새벽운동을 위해서 전날 미리 운동복을 챙겨두는 일, 저녁에 퇴근하고 집으로 바로 오지 않고 운동을 하려고 운동복과 운동화를 챙겨서 출근하는 일, 메일을 쓸 때마다 뽀모도로 타이머를 켜고 메신저나 스마트폰 등 다른 채널들에서 스스로를 분리해서 시간을 쪼개는 일. 선원들이 돛대에 자신을 묶어두는 일을 닮았습니다. 사전 약속(pre-commitment)은 내가 쉽게 포기하거나, 달성하기 어려운 목표에 다가가는 일은 현대 사회에서 개인적인 노력이 유효해 보이는 영역이었습니다.

자신의 계획을 세우고 지켜내며 집중력을 유지하려고 하면 내가 하고자 하는 행동에 집중했을 때 얼마나 시간이 걸리는지 측정하고, 또 어떤 순간을 겪으면 계획이 틀어지는지 살펴보고 그 상황으로부터 스스로를 멀리하는 것이 중요하다고 느꼈습니다. 메일을 쓰는데 5분이 걸린다는 것, 집에 들르면 다시 나가서 저녁운동을 가지 않는다는 것, 아침에 일어나서 아침운동에 입을 옷을 고르는 것은 생각보다 간단하지 않고 허들이 된다는 것.

스크린 타임을 설정했지만 1분 더, 15분 더, 오늘 하루 제한 없이 이용하는 것에 어느 순간부터 죄책감이 사라졌습니다. 번거로울 법도 한데 이 시간을 15분에서 30분으로 늘릴 생각을 하지도 않았습니다. 그렇게 개인은, 사용자는 주어진 환경에서 적당히 불편함을 감수하면서 느슨해진 끈을 이용해 또 끈의 탄성을 이용해 돛대에 묶인 자신을 점점 더 경계까지 모는 건 아닐까요? 호정 님께서 소개해주신 'Opal'의 이야기가 흥미로웠습니다. iOS 스크린타임과 달리 이 앱은 계획해 둔 시간보다 더 많은 시간 동안 특정 앱을 사용하려고 할 때마다 메시지를 띄웁니다. 사용자에게 생각할 시간과 죄책감을 환기시키죠. 대화형 메시지를 통해 사용자가 목표를 다시 환기할 수 있도록 만드는 것은 효과적이었던 것처럼 들렸고 저는 이 앱을 사용해 보기로 했습니다.

 * 진짜 당신의 삶을 사세요
 * 열정 가득한 삶의 주인공이 되세요
 * 잠깐 심호흡은 해보시는 건 어때요? 심호흡을 하고 다시 결정하세요

2. 화상회의 중에서 92%는 멀티태스킹을 한다

Notta(AI 기반 미팅 솔루션 기업)가 자체 실시한 2025년 설문결과에 따르면 응답자의 92%는 화상회의 중 멀티태스킹을 한다고 답했습니다. 100명 중 8명을 제외하고는 화상회의 중 메일을 확인하거나, 메일을 쓰거나, 메신저에 답을 하거나 질문을 하거나. 주의를 분산하고 있다는 사실은 그렇게 놀랍지 않았습니다. 다만 놀라운 건 오리건 대학의 마이클 포스너 교수가 밝힌 23분이라는 시간이었습니다. 그가 실시한 연구에 따르면 무언가에 집중하고 있다가 방해를 받을 경우 전과 같은 집중 상태로 돌아오는데 평균 23분이 걸립니다. 오전에 4시간을 근무한다고 가정하고 중간에 3번 정도 멀티태스킹으로 주의를 분산하면 집중상태로 돌아오기 위해서만 1시간을 넘게 사용하는 것입니다. 그렇다고 3시간 동안 집중하는 것도 아닙니다. 집중하는 데 걸리는 시간이 있을 것이고, 그 집중력을 유지하는 건 그리 길지 않을 겁니다. 어쩌면 오전에 4시간을 일하면서 집중한 시간은 23분도 되지 않을 것 같다는 생각에 저는 모임을 마치고 돌아오는 길, 윤정 님이 갖고 다니는 뽀모도로 타이머를 구매했습니다. ☺️

멀티태스킹은 좋은 걸까요? 더 짧은 시간에 더 많은 일을 해내는 것이라고 믿었던 멀티태스킹이 멋져 보일 때도 있었습니다. 해야 하는 일은 많고, 시간은 부족한 날들이 이어질 때마다 생산성을 끌어올려야겠다는 불안감은 점점 더 많은 일을 테트리스처럼 쌓게 만들었고 테트리스는 이상적인 계획에 가까워 하나를 마치고 다음으로 가는 대신 하나를 끝내지 못한 상태에서 이 창과 저 창을 오가며 내가 정작 있어야 하는 화면을 헷갈리는 지경에 이르렀습니다. 질문을 바꿔보겠습니다. 멀티태스킹이 가능한가요?

책을 읽은 후 멀티태스킹은 결국 산만함만 키운다는 생각이 들었습니다. 싱글태스킹을 계획대로 끊어서 순서대로 하는 방식으로 진행하는 것만이 생산성을 관리하는 방법이라고 생각했습니다. 그럼에도 대부분 합리적인 인간이 회의 중에 대부분 다른 태스크를 처리하는 것은 회의시간이 너무 길거나, 회의 주제와 무관한 사람들까지 회의에 초대하거나 남겨두는 "일단 모여서 이야기하시죠" 방식의 부작용은 아닐지 곰곰이 생각해 보게 됩니다.

3. 우리가 설계하는 것들이 중독적이진 않을까?

사람들을 유입시키기 위해서, 더 잡아두기 위해서 사용하는 작동방식이 때로는 도박을 닮았고 때로는 마약을 닮았다는 불편한 생각도 나눌 수 있었습니다. '중독경제'라고 부르는 시스템은 사람들이 스스로 기대하는 모습과 현재 사이의 차이를 더 여실히 느껴 불안감과 시기심을 동력으로 삼고 이를 토대로 더 쉽게 그 사다리를 오를 수 있는 방법을 서비스로 제안할 때가 많습니다. '공유하기만 하면 돈을 준다', '친구를 초대하면 10만 원을 준다'와 같은 방식으로 여러 서비스가 적용하는 레퍼럴 서비스는 알리, 테무에만 국한되지 않습니다. 이미 한국의 많은 커머스, 핀테크 서비스들은 단기적인 효과를 지표로 검증한 '초대', '키우기' 등의 방식을 답습했습니다.

그러고 보니 길을 가다 보이는 '마약', '중독', 메뉴판에 있는 '폭탄맛' 등의 단어들도 불편해졌습니다. 떡볶이에 왜 마약이라는 단어를 붙이고, 중독되는 맛이라는 표현을 쓰는지. 폭탄 4단계라는 표현이 아무렇지 않게 느껴지는 순간 우리는 어디까지 괜찮고 어디부터는 불편하다고 말할 수 있는지 헷갈릴 수 있습니다. 멀티태스킹을 하나 어떤 화면이 내가 지금 집중해야 하는 화면인지 모르는 것처럼 말이죠. 『도둑맞은 집중력』은 우리를 우리가 원하던 곳이 아니라 미로 속에 남겨둡니다.

무언가에 중독되면 아무도 안 시켰지만 그렇게 할 수밖에 없어지고 지금 환경은 수많은 경험이 그렇게 해야만 할 것 같도록 유도하는 메커니즘에 기반해 수익을 내고 있습니다.

https://redbusbagman.com/trevariseason52/

샌드위치 휴가로 평소보다 도로가 한산했던 5월 2일(금) 저녁에 &lt;리서치 하는데요&gt; 시즌5 두 번째 모임을 가졌습니다. 시간이 되는 멤버들끼리 먼저 모여 트레바리 아지트 근처에서 피자를 먹고, 하나 둘 아지트에 도착했습니다. 유나 님이 겪었던 독후감 제출 에피소드에 대해 들으면서 트레바리 독후감 제출마감 시간(D-2, 수요일 자정)과 이 정책이 가진 목적에 대해 생각해보기도 했습니다. 그렇게 지난 한 달의 안부를 나누다 『도둑맞은 집중력』을 두고 본격적인 북토크를 시작했습니다. 이번 모임에 함께 못한 멤버들께 안부를 전하며, 다음 모임에서 더 반갑게 인사드리겠습니다. 지난 첫 모임에서 멤버들이 꼽은 가장 기대되는 책이었습니다. 요한 하리가 최근 내놓은 『매직필』도 인문학 분야 베스트셀러였기에 이 책을 다시 읽기에 좋은 시기였습니다. 2023년 이 책이 인기를 끌면서 사회 전체적으로 '디지털 디톡스' 열풍이 일었습니다. 스마트폰엔 스크린타임을 설정해 두고, 휴대폰 감옥을 두거나, 침실에 스마트폰을 가져가지 않는 것, 유튜브 검색기록을 끄는 등 개인 차원에서 해봄직한 시도들이 있었죠. 종이책을 더 읽어야겠다고 생각했던 날들도 있었습니다. 공교롭게 이 책은 이런 개인적인 차원의 노력보다 시스템, 사회적 차원에서 집중력을 도둑질하는 것에 대해 전문가 인터뷰를 통해 지적하고 있습니다. 1. 집중력을 높이려는 계획의 특징 계획을 세우고 이를 잘 실행하는 멤버들의 이야기를 들으며 감탄했고 또 응원했습니다. 회사를 다니면서 가장 하기 어렵다는 일 중의 하나인 새벽운동을 위해서 전날 미리 운동복을 챙겨두는 일, 저녁에 퇴근하고 집으로 바로 오지 않고 운동을 하려고 운동복과 운동화를 챙겨서 출근하는 일, 메일을 쓸 때마다 뽀모도로 타이머를 켜고 메신저나 스마트폰 등 다른 채널들에서 스스로를 분리해서 시간을 쪼개는 일. 선원들이 돛대에 자신을 묶어두는 일을 닮았습니다. 사전 약속(pre-commitment)은 내가 쉽게 포기하거나, 달성하기 어려운 목표에 다가가는 일은 현대 사회에서 개인적인 노력이 유효해 보이는 영역이었습니다. 자신의 계획을 세우고 지켜내며 집중력을 유지하려고 하면 내가 하고자 하는 행동에 집중했을 때 얼마나 시간이 걸리는지 측정하고, 또 어떤 순간을 겪으면 계획이 틀어지는지 살펴보고 그 상황으로부터 스스로를 멀리하는 것이 중요하다고 느꼈습니다. 메일을 쓰는데 5분이 걸린다는 것, 집에 들르면 다시 나가서 저녁운동을 가지 않는다는 것, 아침에 일어나서 아침운동에 입을 옷을 고르는 것은 생각보다 간단하지 않고 허들이 된다는 것. 스크린 타임을 설정했지만 1분 더, 15분 더, 오늘 하루 제한 없이 이용하는 것에 어느 순간부터 죄책감이 사라졌습니다. 번거로울 법도 한데 이 시간을 15분에서 30분으로 늘릴 생각을 하지도 않았습니다. 그렇게 개인은, 사용자는 주어진 환경에서 적당히 불편함을 감수하면서 느슨해진 끈을 이용해 또 끈의 탄성을 이용해 돛대에 묶인 자신을 점점 더 경계까지 모는 건 아닐까요? 호정 님께서 소개해주신 'Opal'의 이야기가 흥미로웠습니다. iOS 스크린타임과 달리 이 앱은 계획해 둔 시간보다 더 많은 시간 동안 특정 앱을 사용하려고 할 때마다 메시지를 띄웁니다. 사용자에게 생각할 시간과 죄책감을 환기시키죠. 대화형 메시지를 통해 사용자가 목표를 다시 환기할 수 있도록 만드는 것은 효과적이었던 것처럼 들렸고 저는 이 앱을 사용해 보기로 했습니다. <ul ><li>진짜 당신의 삶을 사세요</li><li>열정 가득한 삶의 주인공이 되세요</li><li>잠깐 심호흡은 해보시는 건 어때요? 심호흡을 하고 다시 결정하세요</li></ul> 2. 화상회의 중에서 92%는 멀티태스킹을 한다 Notta(AI 기반 미팅 솔루션 기업)가 자체 실시한 2025년 설문결과에 따르면 응답자의 92%는 화상회의 중 멀티태스킹을 한다고 답했습니다. 100명 중 8명을 제외하고는 화상회의 중 메일을 확인하거나, 메일을 쓰거나, 메신저에 답을 하거나 질문을 하거나. 주의를 분산하고 있다는 사실은 그렇게 놀랍지 않았습니다. 다만 놀라운 건 오리건 대학의 마이클 포스너 교수가 밝힌 23분이라는 시간이었습니다. 그가 실시한 연구에 따르면 무언가에 집중하고 있다가 방해를 받을 경우 전과 같은 집중 상태로 돌아오는데 평균 23분이 걸립니다. 오전에 4시간을 근무한다고 가정하고 중간에 3번 정도 멀티태스킹으로 주의를 분산하면 집중상태로 돌아오기 위해서만 1시간을 넘게 사용하는 것입니다. 그렇다고 3시간 동안 집중하는 것도 아닙니다. 집중하는 데 걸리는 시간이 있을 것이고, 그 집중력을 유지하는 건 그리 길지 않을 겁니다. 어쩌면 오전에 4시간을 일하면서 집중한 시간은 23분도 되지 않을 것 같다는 생각에 저는 모임을 마치고 돌아오는 길, 윤정 님이 갖고 다니는 뽀모도로 타이머를 구매했습니다. ☺️ 멀티태스킹은 좋은 걸까요? 더 짧은 시간에 더 많은 일을 해내는 것이라고 믿었던 멀티태스킹이 멋져 보일 때도 있었습니다. 해야 하는 일은 많고, 시간은 부족한 날들이 이어질 때마다 생산성을 끌어올려야겠다는 불안감은 점점 더 많은 일을 테트리스처럼 쌓게 만들었고 테트리스는 이상적인 계획에 가까워 하나를 마치고 다음으로 가는 대신 하나를 끝내지 못한 상태에서 이 창과 저 창을 오가며 내가 정작 있어야 하는 화면을 헷갈리는 지경에 이르렀습니다. 질문을 바꿔보겠습니다. 멀티태스킹이 가능한가요? 책을 읽은 후 멀티태스킹은 결국 산만함만 키운다는 생각이 들었습니다. 싱글태스킹을 계획대로 끊어서 순서대로 하는 방식으로 진행하는 것만이 생산성을 관리하는 방법이라고 생각했습니다. 그럼에도 대부분 합리적인 인간이 회의 중에 대부분 다른 태스크를 처리하는 것은 회의시간이 너무 길거나, 회의 주제와 무관한 사람들까지 회의에 초대하거나 남겨두는 "일단 모여서 이야기하시죠" 방식의 부작용은 아닐지 곰곰이 생각해 보게 됩니다. 3. 우리가 설계하는 것들이 중독적이진 않을까? 사람들을 유입시키기 위해서, 더 잡아두기 위해서 사용하는 작동방식이 때로는 도박을 닮았고 때로는 마약을 닮았다는 불편한 생각도 나눌 수 있었습니다. '중독경제'라고 부르는 시스템은 사람들이 스스로 기대하는 모습과 현재 사이의 차이를 더 여실히 느껴 불안감과 시기심을 동력으로 삼고 이를 토대로 더 쉽게 그 사다리를 오를 수 있는 방법을 서비스로 제안할 때가 많습니다. '공유하기만 하면 돈을 준다', '친구를 초대하면 10만 원을 준다'와 같은 방식으로 여러 서비스가 적용하는 레퍼럴 서비스는 알리, 테무에만 국한되지 않습니다. 이미 한국의 많은 커머스, 핀테크 서비스들은 단기적인 효과를 지표로 검증한 '초대', '키우기' 등의 방식을 답습했습니다. 그러고 보니 길을 가다 보이는 '마약', '중독', 메뉴판에 있는 '폭탄맛' 등의 단어들도 불편해졌습니다. 떡볶이에 왜 마약이라는 단어를 붙이고, 중독되는 맛이라는 표현을 쓰는지. 폭탄 4단계라는 표현이 아무렇지 않게 느껴지는 순간 우리는 어디까지 괜찮고 어디부터는 불편하다고 말할 수 있는지 헷갈릴 수 있습니다. 멀티태스킹을 하나 어떤 화면이 내가 지금 집중해야 하는 화면인지 모르는 것처럼 말이죠. 『도둑맞은 집중력』은 우리를 우리가 원하던 곳이 아니라 미로 속에 남겨둡니다. 무언가에 중독되면 아무도 안 시켰지만 그렇게 할 수밖에 없어지고 지금 환경은 수많은 경험이 그렇게 해야만 할 것 같도록 유도하는 메커니즘에 기반해 수익을 내고 있습니다. https://redbusbagman.com/trevariseason52/

REDBUSBAGMAN | 빨간색 버스에 가방을 메고 탑니다

⟪경험을 설계하는 사람의 세상에 대한 일말의 책임감에 대하여⟫

Smart canvas delivers the next evolution of collaboration for Google Workspace | Google Cloud Blog

[구글 워크스페이스의 신기능 'Smart Canvas']
클라우드 기반 비즈니스 공동 작업 도구, 구글 워크스페이스에서 스마트 캔버스 기능 출시!

1. 구글 독스에 '@' 입력 시, 문서 템플릿 리스트 또는 사람 태그 리스트 노출
_문서 템플릿 : Meeting notes, Project roadmap, Brainstorming
_노션과 같이 사용자가 직접 문서 형식 커스템이 가능하여 자유도 높음

2. 구글 시트에서 구글 미트, 챗, 캘린더 등 앱과의 연동
_화상 회의 & 문서 작성 / 채팅 & 시트 작성 등 앱 간의 접근성 확보

Google Cloud

BREX UX/UI 기획

soon

임현정

사람들에게 긍정적이고 의미있는 경험을 만드는 것에 큰 기쁨을 느낍니다. 테크 회사에서 기술과 사람을 연결시키는 접점을 설계하고 있습니다. 


댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필