어제 캘리포니아 얼바인에서 해외인턴 프로그램을 진행 중인 국민대 학생 9명과 멘토링을 할 기회가 있었다. 많은 질문이 있었지만 그 중의 하나는 취업을 할지 진학을 할지에 관한 것이었다. 정답이 있지는 않겠지만 내 개인적인 생각을 이렇게 이야기했다.

 * 사회로 나가기가 겁나서 혹은 이걸 배워두면 좋겠지라는 막연한 생각으로 공부를 더 하지는 말자. 시간과 돈이라는 중요한 자산을 그다지 도움이 안되는 경험을 하는데 쓰는 것일 가능성이 높다.
 * 관련 주제에 호기심이 크고 정말 분명한 목적을 갖고 있다면 좀더 진지하게 고민해보자. 여기서 호기심이란 불안감이나 조바심을 이야기하지 않는다. 조금은 더 학문적인 관심을 이야기한다. 분명한 목적이란 취업을 목적으로 해외 진학을 하는 것을 예로 들 수 있다.

한 학생의 경우 이미 일을 해본 경력이 3년이 있었고 그 과정에서 한 토픽에 대한 관심을 갖게 되었고 대학원실에서 리서치를 잠깐 해보면서 엄청난 흥미를 느끼게 되면서 박사 과정에 대한 열망이 생겼는데 이 분야가 앞으로 저문다면 5년이란 시간을 낭비하게 되는 것이 아닌지에 대한 걱정이 있었다.

나는 박사를 하지 않았지만 주변에서 박사를 한 동료나 팀원들과 일을 하면서 느꼈던 점에 대해 이야기해주었는데 요약하면 이렇다.

 * 박사 학위 자체로 배우는 직접적인 전문성과 경험(Primary Learning)은 오래 가지 않을 수도 있다. 과거 내 팀원들 중에는 네트워크나 보안으로 박사를 받았지만 하는 일은 기본적으로는 소프트웨어 엔지니어링인 사람들이었다.
 * 하지만 박사 논문을 쓰면서 리서치하고 문제를 찾고 해결하기 위해서 고민하고 참을성있게 노력하는 과정에서 생기는 무형의 배움(Secondary Learning)이 있다. 이 배움이 사실은 박사 과정에서 생기는 더 큰 열매가 아닌가 싶다.
 * 어찌되었건 하고 싶은 것이 있다면 꼭 안 좋은 방향에서만 보지 말고 좋은 방향에서 보면서 밸런스를 맞춰보라고 이야기했다. 길게 보면 한 거는 덜 후회하지만 안 한 것은 후회할 가능성이 높다.
   
   
박사로 이야기를 하긴 했지만 비슷한 논리는 기초학문에도 다 적용된다. 수학이나 물리 등에서 배우는 지식이 예를 들어 IT 도메인에서 일을 하는데 무슨 도움이 되나 싶을 수 있지만 깊게 들어가 문제를 해결하는 경험은 간접적으로 큰 도움이 된다. OpenAI의 정형원 박사가 지난 9/21일 케이나잇에서 했던 이야기가 본인이 수학을 깊게 공부했던 것이 AI 모델을 이해하고 발전시키는데 큰 도움이 된다고 했는데 정말로 좋은 톡이었다.

어제 캘리포니아 얼바인에서 해외인턴 프로그램을 진행 중인 국민대 학생 9명과 멘토링을 할 기회가 있었다. 많은 질문이 있었지만 그 중의 하나는 취업을 할지 진학을 할지에 관한 것이었다. 정답이 있지는 않겠지만 내 개인적인 생각을 이렇게 이야기했다. <ul ><li>사회로 나가기가 겁나서 혹은 이걸 배워두면 좋겠지라는 막연한 생각으로 공부를 더 하지는 말자. 시간과 돈이라는 중요한 자산을 그다지 도움이 안되는 경험을 하는데 쓰는 것일 가능성이 높다.</li><li>관련 주제에 호기심이 크고 정말 분명한 목적을 갖고 있다면 좀더 진지하게 고민해보자. 여기서 호기심이란 불안감이나 조바심을 이야기하지 않는다. 조금은 더 학문적인 관심을 이야기한다. 분명한 목적이란 취업을 목적으로 해외 진학을 하는 것을 예로 들 수 있다.</li></ul> 한 학생의 경우 이미 일을 해본 경력이 3년이 있었고 그 과정에서 한 토픽에 대한 관심을 갖게 되었고 대학원실에서 리서치를 잠깐 해보면서 엄청난 흥미를 느끼게 되면서 박사 과정에 대한 열망이 생겼는데 이 분야가 앞으로 저문다면 5년이란 시간을 낭비하게 되는 것이 아닌지에 대한 걱정이 있었다. 나는 박사를 하지 않았지만 주변에서 박사를 한 동료나 팀원들과 일을 하면서 느꼈던 점에 대해 이야기해주었는데 요약하면 이렇다. <ul ><li>박사 학위 자체로 배우는 직접적인 전문성과 경험(Primary Learning)은 오래 가지 않을 수도 있다. 과거 내 팀원들 중에는 네트워크나 보안으로 박사를 받았지만 하는 일은 기본적으로는 소프트웨어 엔지니어링인 사람들이었다.</li><li>하지만 박사 논문을 쓰면서 리서치하고 문제를 찾고 해결하기 위해서 고민하고 참을성있게 노력하는 과정에서 생기는 무형의 배움(Secondary Learning)이 있다. 이 배움이 사실은 박사 과정에서 생기는 더 큰 열매가 아닌가 싶다. </li><li>어찌되었건 하고 싶은 것이 있다면 꼭 안 좋은 방향에서만 보지 말고 좋은 방향에서 보면서 밸런스를 맞춰보라고 이야기했다. 길게 보면 한 거는 덜 후회하지만 안 한 것은 후회할 가능성이 높다. </li></ul>박사로 이야기를 하긴 했지만 비슷한 논리는 기초학문에도 다 적용된다. 수학이나 물리 등에서 배우는 지식이 예를 들어 IT 도메인에서 일을 하는데 무슨 도움이 되나 싶을 수 있지만 깊게 들어가 문제를 해결하는 경험은 간접적으로 큰 도움이 된다. OpenAI의 정형원 박사가 지난 9/21일 케이나잇에서 했던 이야기가 본인이 수학을 깊게 공부했던 것이 AI 모델을 이해하고 발전시키는데 큰 도움이 된다고 했는데 정말로 좋은 톡이었다.

대학원을 갈까요 말까요? 어떤 기준으로 바라볼 것인가?

프라이버시 엔지니어는 말그대로 (소프트웨어) 엔지니어다. 개인정보 정책을 실제로 구현하는 일을 하는데 작은 회사라면 개인정보보호 담당자가 프라이버시 엔지니어이기도 할 가능성이 높다. 아직 이 분야가 시작이다 보니 잘 개발되어 있지는 않지만 개인정보 보호에 대한 법적 규제와 개인들의 관심이 높기에 앞으로 개발자라면 어느 정도는 알아야 하는 분야가 되리라 믿는다. 이런 직군을 처음 도입한 회사는 구글로 알고 있고 2021년부터 관련한 직군 채용을 하고 있었다. 위키피디아에도 관련 직군에 대한 설명이 존재한다 (https://en.wikipedia.org/wiki/Privacy_engineering). 여기에는 다음과 같은 4가지 분야가 있고 이를 구현하거나 적합한 외부 툴을 가져다가 연동하는 작업을 하게 된다:

 * Data Classification: 개인 정보에 해당하는 데이터가 무엇인지 그리고 그와 관련된 위험 요소를 정의
 * Data Inventory: 위에서 정의된 개인정보에 해당하는 데이터가 어디에 저장되어 있는지 정리하고 관리
 * Data Deletion: 사용이 끝난 개인정보 데이터를 바로 삭제
 * Data Obfuscation: 개인정보의 노출 없이 활용하기 위해 개인정보를 익명화

여기서 중요한 부분은 데이터가 우리 서비스로 들어오는 바로 그 시점에 Data classification에 따라 데이터의 개인정보 유무와 어떤 개인정보인지가 판별되고 거기에 맞춰 관리되어야 한다는 점이다. 데이터가 들어올 때 분류가 되지 않으면 그 뒤에 이를 처리하는 것은 아주 힘든 일이 된다. 이 분야의 특징은 다양한 개인정보 보호법에 대한 지식과 정보 보호 인증 (예를 들면 ISO/IEC 27001)에 대한 지식과 시스템 전반에 대한 지식등이 필요한 경험이 많이 필요한 분야라고 생각하면 된다. 카네기멜론 대학에는 관련한 석사과정(https://privacy.cs.cmu.edu/)도 생겼다.

다음에는 LLMOps와 DataOps 직군에 대해 이야기해보도록 하겠다.

프라이버시 엔지니어는 말그대로 (소프트웨어) 엔지니어다. 개인정보 정책을 실제로 구현하는 일을 하는데 작은 회사라면 개인정보보호 담당자가 프라이버시 엔지니어이기도 할 가능성이 높다. 아직 이 분야가 시작이다 보니 잘 개발되어 있지는 않지만 개인정보 보호에 대한 법적 규제와 개인들의 관심이 높기에 앞으로 개발자라면 어느 정도는 알아야 하는 분야가 되리라 믿는다. 이런 직군을 처음 도입한 회사는 구글로 알고 있고 2021년부터 관련한 직군 채용을 하고 있었다. 위키피디아에도 관련 직군에 대한 설명이 존재한다 (https://en.wikipedia.org/wiki/Privacy_engineering). 여기에는 다음과 같은 4가지 분야가 있고 이를 구현하거나 적합한 외부 툴을 가져다가 연동하는 작업을 하게 된다: <ul ><li>Data Classification: 개인 정보에 해당하는 데이터가 무엇인지 그리고 그와 관련된 위험 요소를 정의</li><li>Data Inventory: 위에서 정의된 개인정보에 해당하는 데이터가 어디에 저장되어 있는지 정리하고 관리</li><li>Data Deletion: 사용이 끝난 개인정보 데이터를 바로 삭제</li><li>Data Obfuscation: 개인정보의 노출 없이 활용하기 위해 개인정보를 익명화</li></ul> 여기서 중요한 부분은 데이터가 우리 서비스로 들어오는 바로 그 시점에 Data classification에 따라 데이터의 개인정보 유무와 어떤 개인정보인지가 판별되고 거기에 맞춰 관리되어야 한다는 점이다. 데이터가 들어올 때 분류가 되지 않으면 그 뒤에 이를 처리하는 것은 아주 힘든 일이 된다. 이 분야의 특징은 다양한 개인정보 보호법에 대한 지식과 정보 보호 인증 (예를 들면 ISO/IEC 27001)에 대한 지식과 시스템 전반에 대한 지식등이 필요한 경험이 많이 필요한 분야라고 생각하면 된다. 카네기멜론 대학에는 관련한 석사과정(https://privacy.cs.cmu.edu/)도 생겼다. 다음에는 LLMOps와 DataOps 직군에 대해 이야기해보도록 하겠다.

데이터 이야기 #8: 기타 데이터 직군 - 프라이버시 엔지니어

앞서 포스팅에서는 기본 데이터 직군이라 할 수 있는 데이터 엔지니어, 데이터 분석가, 데이터 과학자 중 먼저 데이터 분석가와 데이터 과학자에 대해서 이야기해보았다. 이번 포스팅에서는 데이터 엔지니어에 대해 이야기해보고자 한다.

데이터 분석가가 데이터 기반 의사 결정을 가능하게 할 수 있으려면, 데이터 과학자가 머신 러닝 모델을 통해 제품이나 서비스의 품질을 개선할 수 있으려면 누군가 데이터 활용과 관계된 인프라를 만들어야 한다. 그게 바로 데이터 엔지니어가 하는 역할이다.

그러면 이 데이터 인프라를 구성하는 컴포넌트로는 무엇이 있을까? 가장 기본적으로는 아래 두 가지로 구성이 된다.

 1. 데이터 웨어하우스
 2. 데이터 파이프라인

데이터 웨어하우스는 데이터 분석을 이용한 전용 대용량 데이터베이스라 할 수 있고 여기에 필요한 데이터를 적재해주는 역할을 하는 것이 바로 데이터 파이프라인이다. 데이터 웨어하우스는 상황에 맞게 작은 데이터베이스(MySQL, Postgres)로 시작해서 데이터의 크기가 커지면 보통 클라우드 기반의 데이터 웨어하우스(Snowflake, BigQuery, Redshift, ...)로 이전해가는 것이 경제적이며 일반적이다. 데이터 웨어하우스도 관계형 데이터베이스이기에 SQL이 여전히 가장 기본이 되고 중요한 기술이며 데이터 모델링이 중요해진다.

데이터 파이프라인은 보통 Python으로 작성이 되며 다양한 데이터 소스들에 있는 데이터를 추출해서 (Extract) 원하는 포맷으로 변환한 다음에 (Transform) 최종적으로 데이터 웨어하우스에 테이블로 로딩(Load)하는 역할을 하게 되며 보통 데이터 소스별로 하나씩 존재하게 된다. 이때 가장 많이 사용되는 프레임웍으로는 Airflow가 있고 Dagster나 Prefect가 대안으로 떠오르고 있긴 하지만 Airflow과 비교할 정도는 아니다.

여기서 데이터의 크기가 더 커지면 대용량 데이터 처리를 위해 Spark과 같은 대용량 처리 시스템이 필요해지고 데이터의 크기 뿐만 아니라 로그 파일과 같이 비구조화된 데이터가 필요해지기 시작하면 데이터 웨어하우스보다 더 스케일이 크고 경제적인 데이터 레이크 (data lake)가 데이터 인프라를 구성하는 컴포넌트로 필요해진다. 데이터 인프라에 대해서는 별도 포스팅으로 더 써보기로 하고 데이터 엔지니어가 알아야하는 기술에 대해 이야기해보자.

 * Python: 기본적으로 데이터 엔지니어는 소프트웨어 엔지니어이기에 면접 때 코딩 테스트를 하는 것이 일반적이다. 데이터 엔지니어로 시작한 사람들 중의 일부는 백엔드 엔지니어로 직군 전환을 하기도 한다.
 * SQL, Data Warehouse, Data Lake: 구조화된 데이터를 많이 다루기에 SQL에 대한 상당한 지식이 필요하며 데이터 전용 DB라 할 수 있는 데이터 웨어하우스와 데이터 레이크에 대한 지식과 경험이 필요하다.
 * 데이터 파이프라인을 작성하고 운영해야 하기에 Airflow와 같은 프레임웍에 대한 지식과 경험이 필요하다.
 * 작은 데이터를 다룰 때는 Pandas로 충분하지만 커지면 Spark이 필요해진다. Spark은 기본적으로 다수의 서버에 나눠 저장된 빅데이터를 처리해주는 시스템인데 Pandas의 스테로이드 버전이라 할 수 있다. 가끔 데이터가 불균등하게 저장된 경우는 에러가 나고 처리 시간이 너무 오래 걸리는 등의 이슈가 생기며 이를 해결하는 것은 상당한 경험을 필요로 한다. 하지만 이론적으로 Pandas 사용과 비슷하며 구조화된 데이터를 다룰 때는 여전히 SparkSQL이라 불리는 SQL을 사용한다.
 * 여기서 한 단계 더 나가면 데이터 관련 서비스를 작성하고 배포하고 운영하기 위해 Docker와 K8s와 같은 컨테이너 기술에 대한 지식이 필요해질 수 있는데 K8s부터는 주니어가 자유롭게 다룰 수 있는 기술은 아니고 어느 정도의 경험이 필요하다.
 * 머신 러닝과 관련된 일을 하기 시작하면 데이터 웨어하우스나 데이터 레이크에서 처리된 데이터를 프로덕션 시스템으로 푸시하는 일도 하게 되는데 이 때부터는 MongoDB, DynamoDB, Cassandra와 같은 NoSQL 시스템도 사용해야할 일들이 생기곤 한다.

다음 포스팅에서 조금더 특화된 데이터 직군이라 할 수 있는 MLOps, ML 엔지니어, Privacy 엔지니어 등에 대해 이야기해보고자 한다.

앞서 포스팅에서는 기본 데이터 직군이라 할 수 있는 데이터 엔지니어, 데이터 분석가, 데이터 과학자 중 먼저 데이터 분석가와 데이터 과학자에 대해서 이야기해보았다. 이번 포스팅에서는 데이터 엔지니어에 대해 이야기해보고자 한다. 데이터 분석가가 데이터 기반 의사 결정을 가능하게 할 수 있으려면, 데이터 과학자가 머신 러닝 모델을 통해 제품이나 서비스의 품질을 개선할 수 있으려면 누군가 데이터 활용과 관계된 인프라를 만들어야 한다. 그게 바로 데이터 엔지니어가 하는 역할이다. 그러면 이 데이터 인프라를 구성하는 컴포넌트로는 무엇이 있을까? 가장 기본적으로는 아래 두 가지로 구성이 된다. <ol ><li>데이터 웨어하우스</li><li>데이터 파이프라인</li></ol> 데이터 웨어하우스는 데이터 분석을 이용한 전용 대용량 데이터베이스라 할 수 있고 여기에 필요한 데이터를 적재해주는 역할을 하는 것이 바로 데이터 파이프라인이다. 데이터 웨어하우스는 상황에 맞게 작은 데이터베이스(MySQL, Postgres)로 시작해서 데이터의 크기가 커지면 보통 클라우드 기반의 데이터 웨어하우스(Snowflake, BigQuery, Redshift, ...)로 이전해가는 것이 경제적이며 일반적이다. 데이터 웨어하우스도 관계형 데이터베이스이기에 SQL이 여전히 가장 기본이 되고 중요한 기술이며 데이터 모델링이 중요해진다. 데이터 파이프라인은 보통 Python으로 작성이 되며 다양한 데이터 소스들에 있는 데이터를 추출해서 (Extract) 원하는 포맷으로 변환한 다음에 (Transform) 최종적으로 데이터 웨어하우스에 테이블로 로딩(Load)하는 역할을 하게 되며 보통 데이터 소스별로 하나씩 존재하게 된다. 이때 가장 많이 사용되는 프레임웍으로는 Airflow가 있고 Dagster나 Prefect가 대안으로 떠오르고 있긴 하지만 Airflow과 비교할 정도는 아니다. 여기서 데이터의 크기가 더 커지면 대용량 데이터 처리를 위해 Spark과 같은 대용량 처리 시스템이 필요해지고 데이터의 크기 뿐만 아니라 로그 파일과 같이 비구조화된 데이터가 필요해지기 시작하면 데이터 웨어하우스보다 더 스케일이 크고 경제적인 데이터 레이크 (data lake)가 데이터 인프라를 구성하는 컴포넌트로 필요해진다. 데이터 인프라에 대해서는 별도 포스팅으로 더 써보기로 하고 데이터 엔지니어가 알아야하는 기술에 대해 이야기해보자. <ul ><li>Python: 기본적으로 데이터 엔지니어는 소프트웨어 엔지니어이기에 면접 때 코딩 테스트를 하는 것이 일반적이다. 데이터 엔지니어로 시작한 사람들 중의 일부는 백엔드 엔지니어로 직군 전환을 하기도 한다.</li><li>SQL, Data Warehouse, Data Lake: 구조화된 데이터를 많이 다루기에 SQL에 대한 상당한 지식이 필요하며 데이터 전용 DB라 할 수 있는 데이터 웨어하우스와 데이터 레이크에 대한 지식과 경험이 필요하다.</li><li>데이터 파이프라인을 작성하고 운영해야 하기에 Airflow와 같은 프레임웍에 대한 지식과 경험이 필요하다.</li><li>작은 데이터를 다룰 때는 Pandas로 충분하지만 커지면 Spark이 필요해진다. Spark은 기본적으로 다수의 서버에 나눠 저장된 빅데이터를 처리해주는 시스템인데 Pandas의 스테로이드 버전이라 할 수 있다. 가끔 데이터가 불균등하게 저장된 경우는 에러가 나고 처리 시간이 너무 오래 걸리는 등의 이슈가 생기며 이를 해결하는 것은 상당한 경험을 필요로 한다. 하지만 이론적으로 Pandas 사용과 비슷하며 구조화된 데이터를 다룰 때는 여전히 SparkSQL이라 불리는 SQL을 사용한다.</li><li>여기서 한 단계 더 나가면 데이터 관련 서비스를 작성하고 배포하고 운영하기 위해 Docker와 K8s와 같은 컨테이너 기술에 대한 지식이 필요해질 수 있는데 K8s부터는 주니어가 자유롭게 다룰 수 있는 기술은 아니고 어느 정도의 경험이 필요하다.</li><li>머신 러닝과 관련된 일을 하기 시작하면 데이터 웨어하우스나 데이터 레이크에서 처리된 데이터를 프로덕션 시스템으로 푸시하는 일도 하게 되는데 이 때부터는 MongoDB, DynamoDB, Cassandra와 같은 NoSQL 시스템도 사용해야할 일들이 생기곤 한다.</li></ul> 다음 포스팅에서 조금더 특화된 데이터 직군이라 할 수 있는 MLOps, ML 엔지니어, Privacy 엔지니어 등에 대해 이야기해보고자 한다.

데이터 이야기 #6: 기본 데이터 직군 - 데이터 엔지니어

앞서 포스팅에서는 기본 데이터 직군이라 할 수 있는 데이터 엔지니어, 데이터 분석가, 데이터 과학자 중 먼저 데이터 분석가에 대해서 이야기해보았다. 이번 포스팅에서는 데이터 과학자에 대해 이야기해보고자 한다.

앞서 데이터 팀이 가치를 만들어내는 두 가지 방법을 이야기했는데 그 중 두 번째인 데이터를 바탕 제품 품질 개선을 하는 역할을 하는 사람이 바로 데이터 과학자이다. 보통 데이터 과학자들은 이런 제품 개선을 머신 러닝 모델의 형태로 하게 된다. 제품의 품질을 개선하다 같이 일하는 사람들이 주로 프로덕트 매니저나 UI/UX 디자이너, 제품 개발을 하는 개발자들이 되며 데이터 일을 하다보니 데이터 분석가나 데이터 엔지니어들과도 당연히 밀접하게 일한다. 그래서 데이터 과학자의 일은 데이터 분석가와 비교했을 때 좀더 외부 지향이며 결국 제품의 고객이 청중이 된다. 지난 포스팅에서 이야기했던 것처럼 데이터 엔지니어의 주요 청중은 내부 직원들 특히 의사결정권을 가진 사람들이다.

데이터 과학자가 하는 일은 기존의 코딩으로 하기는 힘든 일들을 머신 러닝 모델이란 형태로 하게 되는데 개인적인 경험을 바탕으로 몇 가지 예를 들어보면 아래와 같다:

 * 상품 추천을 처음에는 보통 규칙 기반으로 하게 되는데 충분한 데이터가 쌓이면 그때부터는 구매 확률을 예측하는 형태로 개인화하는 거다. 유데미 때 강의 추천하는 엔진을 머신 러닝으로 만들었다. 원래 마케팅 팀이 규칙 기반으로 운영하던 것을 A/B 테스트를 통해 실제로 구매율이 올라가는 것을 확인하고 머신 러닝 모델으로 교체했다. 뒤에 더 이야기하겠지만 머신 러닝 모델도 생애 주기가 있기에 주기적으로 다시 업데이트해주어야 한다. 그래서 MLOps라는 직군이 생겼는데 이 직군에 대해서는 나중에 다시 이야기해보겠다.
 * 상품에 대한 리뷰가 달리는 경우 이게 신뢰할 수 있는 리뷰인지 알기는 쉽지 않다. 때로는 지인들이나 별도 서비스(?)를 사용해서 좋은 리뷰를 만들어내는 경우도 있고 반대로 경쟁 제품을 만드는 곳에서 평점 테러를 하기도 한다. 유데미 때 이 역시 큰 문제가 되어서 나중에는 리뷰 진위 여부를 가리는 머신 러닝 모델을 만들었다. 이걸 만든 친구는 지금 Cohere for AI에서 Research를 맡고 있다.
 * 검색엔진 랭킹의 경우 다양한 정보를 검색어, 문서등에서 뽑아서 공식을 바탕으로 추출된 문서의 순서를 정하기는 쉽지 않다. 보통 검색은 두 단계로 이뤄진다. 첫 번째는 주어진 단어가 있는 문서를 추출하는 것이고 두 번째 이런 문서들의 랭킹을 정하는 건데 보통 머신 러닝 모델은 두 번째 단계에서 적용된다. 다른 이야기지만 Elastic Search와 같은 검색엔진은 사실 랭킹을 쉽게 사용할 수 있는 진정한 검색엔진이라기 보다는 사실은 scalable하고 다양한 형태로 데이터를 aggregate하고 필터링할 수 있는 key/value 스토리지에 가깝다. 역시 다른 이야기지만 요즘 뜨고 있는 벡터DB 이야기를 하자면 이는 랭킹을 두 단계로 하기 보다는 한 큐에 유사도 기반으로 랭킹을 정하는 셈인데 점점더 많은 유스케이스에서 후처리를 통해 다른 피쳐들을 기반으로 랭킹을 다시 하는 형태로 많이 변화하고 있다.
 * 검색엔진의 경우 랭킹만 머신 러닝으로 하는 것이 아니라 각 문서들의 여러가지 속성을 문서 분류기라는 형태의 classification 모델을 만들어하게 된다. 예를 들면 문서가 섹슈얼한 내용을 담고 있는 성인문서인지, 뉴스 아티클인지, 블로그인지, 별다른 내용이 없는 정보성이 낮은 문서인지 등등 야후에서 검색엔진을 개발할 때의 경험을 놓고 보면 문서마다 20-30개의 분류기 모델이 실행이 되었다.
 * Harmonize Health라는 디지털 헬스 스타트업을 다닐 때는 65세 이상의 노인 중에 지병이 2+개 이상인 사람들을 대상으로 EHR(Electronic Health Record)과거 병력 정보와 몇 달간의 신체 정보 (체중, 혈압, 혈당 등등)를 바탕으로 아플지를 예측하는 모델을 만들기도 했다. 이런 모델의 경우 정확도(accuracy)가 중요하기 보다는 민감도(recall)가 조금더 중요하다. 즉 아픈 사람들을 얼마나 가려내느냐가 조금더 중요하다.
   
데이터 분석가의 일과 비교해서 데이터 과학자의 일은 조금더 사이클이 길다. 가설을 바탕으로 의미있는 리턴이 있을 것 같은 일에 필요에 따라 머신 러닝을 사용하는 형태로 가게 되며 시작은 훈련 데이터를 수집하고 이걸 정제한 후에 모델을 빌딩한다. 그런데 이게 끝이 아니고 이걸 프로덕션에 보통 API 형태로 배포하고 (백엔드 엔지니어링과 데브옵스 엔지니어링 팀과 협업이 필요) 많은 경우 A/B 테스트 형태로 기존 기능과 비교하는 과정을 거치게 된다. 즉 최소 6개월에서 보통 1년짜리 프로젝트를 하게 되는 경우가 일반적이다. 그래서 끈기를 가지고 문제를 풀기위해 집중하는 사람이 잘 할 수 밖에 없는 분야이고 그러다보니 어려운 문제를 시간을 두고 푸는 경험을 많이 해본 박사학위를 가진 사람들이 잘 한다 (순전히 내 개인적인 관찰). 또한 꼭 Computer Science 백그라운드가 아니어도 다른 분야의 경험을 한 사람들(경제, 물리, 바이오 등등)이 조금더 다양한 시각을 가지고 잘 할 수 있는 분야가 아닌가 싶다

이번 포스팅과 지난 포스팅을 통해 데이팀이 가치를 만들어내는 두 가지 일을 하는 데이터 분석가와 데이터 과학자라는 직군에 대해 간략히 살펴보았다. 다음 포스팅에서는 데이터 분석가와 데이터 과학자가 본인이 맡은 일을 할 수 있게 인프라를 만들어주는 데이터 엔지니어라는 직군에 대해 알아보도록 하겠다.

앞서 포스팅에서는 기본 데이터 직군이라 할 수 있는 데이터 엔지니어, 데이터 분석가, 데이터 과학자 중 먼저 데이터 분석가에 대해서 이야기해보았다. 이번 포스팅에서는 데이터 과학자에 대해 이야기해보고자 한다. 앞서 데이터 팀이 가치를 만들어내는 두 가지 방법을 이야기했는데 그 중 두 번째인 데이터를 바탕 제품 품질 개선을 하는 역할을 하는 사람이 바로 데이터 과학자이다. 보통 데이터 과학자들은 이런 제품 개선을 머신 러닝 모델의 형태로 하게 된다. 제품의 품질을 개선하다 같이 일하는 사람들이 주로 프로덕트 매니저나 UI/UX 디자이너, 제품 개발을 하는 개발자들이 되며 데이터 일을 하다보니 데이터 분석가나 데이터 엔지니어들과도 당연히 밀접하게 일한다. 그래서 데이터 과학자의 일은 데이터 분석가와 비교했을 때 좀더 외부 지향이며 결국 제품의 고객이 청중이 된다. 지난 포스팅에서 이야기했던 것처럼 데이터 엔지니어의 주요 청중은 내부 직원들 특히 의사결정권을 가진 사람들이다. 데이터 과학자가 하는 일은 기존의 코딩으로 하기는 힘든 일들을 머신 러닝 모델이란 형태로 하게 되는데 개인적인 경험을 바탕으로 몇 가지 예를 들어보면 아래와 같다: <ul ><li>상품 추천을 처음에는 보통 규칙 기반으로 하게 되는데 충분한 데이터가 쌓이면 그때부터는 구매 확률을 예측하는 형태로 개인화하는 거다. 유데미 때 강의 추천하는 엔진을 머신 러닝으로 만들었다. 원래 마케팅 팀이 규칙 기반으로 운영하던 것을 A/B 테스트를 통해 실제로 구매율이 올라가는 것을 확인하고 머신 러닝 모델으로 교체했다. 뒤에 더 이야기하겠지만 머신 러닝 모델도 생애 주기가 있기에 주기적으로 다시 업데이트해주어야 한다. 그래서 MLOps라는 직군이 생겼는데 이 직군에 대해서는 나중에 다시 이야기해보겠다.</li><li>상품에 대한 리뷰가 달리는 경우 이게 신뢰할 수 있는 리뷰인지 알기는 쉽지 않다. 때로는 지인들이나 별도 서비스(?)를 사용해서 좋은 리뷰를 만들어내는 경우도 있고 반대로 경쟁 제품을 만드는 곳에서 평점 테러를 하기도 한다. 유데미 때 이 역시 큰 문제가 되어서 나중에는 리뷰 진위 여부를 가리는 머신 러닝 모델을 만들었다. 이걸 만든 친구는 지금 Cohere for AI에서 Research를 맡고 있다.</li><li>검색엔진 랭킹의 경우 다양한 정보를 검색어, 문서등에서 뽑아서 공식을 바탕으로 추출된 문서의 순서를 정하기는 쉽지 않다. 보통 검색은 두 단계로 이뤄진다. 첫 번째는 주어진 단어가 있는 문서를 추출하는 것이고 두 번째 이런 문서들의 랭킹을 정하는 건데 보통 머신 러닝 모델은 두 번째 단계에서 적용된다. 다른 이야기지만 Elastic Search와 같은 검색엔진은 사실 랭킹을 쉽게 사용할 수 있는 진정한 검색엔진이라기 보다는 사실은 scalable하고 다양한 형태로 데이터를 aggregate하고 필터링할 수 있는 key/value 스토리지에 가깝다. 역시 다른 이야기지만 요즘 뜨고 있는 벡터DB 이야기를 하자면 이는 랭킹을 두 단계로 하기 보다는 한 큐에 유사도 기반으로 랭킹을 정하는 셈인데 점점더 많은 유스케이스에서 후처리를 통해 다른 피쳐들을 기반으로 랭킹을 다시 하는 형태로 많이 변화하고 있다.</li><li>검색엔진의 경우 랭킹만 머신 러닝으로 하는 것이 아니라 각 문서들의 여러가지 속성을 문서 분류기라는 형태의 classification 모델을 만들어하게 된다. 예를 들면 문서가 섹슈얼한 내용을 담고 있는 성인문서인지, 뉴스 아티클인지, 블로그인지, 별다른 내용이 없는 정보성이 낮은 문서인지 등등 야후에서 검색엔진을 개발할 때의 경험을 놓고 보면 문서마다 20-30개의 분류기 모델이 실행이 되었다. </li><li>Harmonize Health라는 디지털 헬스 스타트업을 다닐 때는 65세 이상의 노인 중에 지병이 2+개 이상인 사람들을 대상으로 EHR(Electronic Health Record)과거 병력 정보와 몇 달간의 신체 정보 (체중, 혈압, 혈당 등등)를 바탕으로 아플지를 예측하는 모델을 만들기도 했다. 이런 모델의 경우 정확도(accuracy)가 중요하기 보다는 민감도(recall)가 조금더 중요하다. 즉 아픈 사람들을 얼마나 가려내느냐가 조금더 중요하다. </li></ul>데이터 분석가의 일과 비교해서 데이터 과학자의 일은 조금더 사이클이 길다. 가설을 바탕으로 의미있는 리턴이 있을 것 같은 일에 필요에 따라 머신 러닝을 사용하는 형태로 가게 되며 시작은 훈련 데이터를 수집하고 이걸 정제한 후에 모델을 빌딩한다. 그런데 이게 끝이 아니고 이걸 프로덕션에 보통 API 형태로 배포하고 (백엔드 엔지니어링과 데브옵스 엔지니어링 팀과 협업이 필요) 많은 경우 A/B 테스트 형태로 기존 기능과 비교하는 과정을 거치게 된다. 즉 최소 6개월에서 보통 1년짜리 프로젝트를 하게 되는 경우가 일반적이다. 그래서 끈기를 가지고 문제를 풀기위해 집중하는 사람이 잘 할 수 밖에 없는 분야이고 그러다보니 어려운 문제를 시간을 두고 푸는 경험을 많이 해본 박사학위를 가진 사람들이 잘 한다 (순전히 내 개인적인 관찰). 또한 꼭 Computer Science 백그라운드가 아니어도 다른 분야의 경험을 한 사람들(경제, 물리, 바이오 등등)이 조금더 다양한 시각을 가지고 잘 할 수 있는 분야가 아닌가 싶다 이번 포스팅과 지난 포스팅을 통해 데이팀이 가치를 만들어내는 두 가지 일을 하는 데이터 분석가와 데이터 과학자라는 직군에 대해 간략히 살펴보았다. 다음 포스팅에서는 데이터 분석가와 데이터 과학자가 본인이 맡은 일을 할 수 있게 인프라를 만들어주는 데이터 엔지니어라는 직군에 대해 알아보도록 하겠다.

데이터 이야기 #5: 기본 데이터 직군 - 데이터 과학자

The guide to Git I never had.

Rebasing 과 Merging
Rebasing을 Merging과 비교하는 것은 의미가 있습니다. 두 명령의 목표는 같지만 이를 달성하는 방법이 다릅니다. 중요한 차이점은 Rebasing이 프로젝트의 히스토리를 재작성한다는 것입니다. 깔끔하고 이해하기 쉬운 프로젝트 히스토리를 중요시하는 프로젝트에 적합합니다. 반면, Merging은 새로운 병합 커밋을 생성하여 두 브랜치의 히스토리를 유지합니다.
 
Squashing
Git Squashing은 여러 커밋을 하나의 통합된 커밋으로 압축하는 데 사용됩니다.

Cherry-picking
Cherry-picking은 특정 브랜치의 변경 사항을 선택적으로 다른 브랜치에 통합할 때 유용합니다. 전체 브랜치를 병합하는 것이 바람직하지 않거나 불가능한 경우에 특히 유용합니다. 그러나 Cherry-picking을 신중하게 사용해야 하며, 잘못 사용할 경우 중복된 커밋과 분기된 히스토리를 초래할 수 있습니다.

Signing commits
Signing commits는 Git에서 커밋의 진위와 무결성을 검증하는 방법입니다. GNU Privacy Guard(GPG) 키를 사용해 커밋에 암호화 서명을 추가함으로써, 커밋 작성자가 본인임을 보장할 수 있습니다. GPG 키를 생성하고 Git이 커밋할 때 이 키를 사용하도록 설정할 수 있습니다.

Git Reflog
Git references는 Git 히스토리의 명명된 지점으로, 사용자가 저장소의 타임라인을 탐색하고 프로젝트의 특정 스냅샷에 접근할 수 있게 합니다. Git references를 탐색하는 방법을 알고 있으면 유용하며, 이를 위해 git reflog를 사용할 수 있습니다. 다음과 같은 장점이 있습니다:
 * 잃어버린 커밋 또는 브랜치 복구
 * 디버깅 및 문제 해결
 * 실수 취소

Interactive rebase
인터랙티브 리베이스는 커밋 히스토리를 대화형으로 재작성할 수 있는 강력한 Git 기능입니다. 커밋을 적용하기 전에 수정, 재정렬, 결합, 삭제할 수 있습니다.

Origin vs Upstream
origin은 로컬 Git 저장소와 연관된 기본 원격 저장소입니다. 저장소를 복제(clone)하면 해당 복제본이 기본적으로 origin 원격 저장소로 설정됩니다. 저장소를 포크(fork)했다면, 그 포크가 기본적으로 origin 저장소가 됩니다.
 
반면, upstream은 저장소가 포크된 원래 저장소를 가리킵니다.
 
포크된 저장소를 원래 프로젝트의 최신 변경 사항과 동기화하려면 upstream 저장소에서 변경 사항을 가져와(git fetch) 로컬 저장소에 병합(merge)하거나 리베이스(rebase)해야 합니다.
 
Conflicts
브랜치를 병합하거나 리베이스할 때 충돌이 발생해도 당황하지 마세요. 이는 저장소의 동일 파일 또는 여러 파일의 다른 버전 사이에 충돌하는 변경 사항이 있음을 의미하며, 대부분의 경우 쉽게 해결할 수 있습니다.
 
Feature Branch Workflow
각 새로운 기능이나 버그 수정은 별도의 브랜치에서 개발되고 완료된 후 메인 브랜치로 병합됩니다.
 * 장점: 변경 사항의 격리 및 충돌 감소
 * 단점: 복잡해질 수 있으며 철저한 브랜치 관리가 필요

Gitflow Workflow
Gitflow는 다양한 개발 작업을 위한 사전 정의된 브랜치를 포함하는 엄격한 브랜칭 모델을 정의합니다.
 * 메인, 개발, 기능, 릴리스, 핫픽스 브랜치와 같은 장기 브랜치를 포함합니다.
 * 장점: 정기 릴리스 및 장기 유지보수가 필요한 프로젝트에 적합
 * 단점: 소규모 팀에는 너무 복잡할 수 있음

Forking Workflow
이 워크플로우에서는 각 개발자가 메인 저장소를 복제(clone)하지만, 변경 사항을 메인 저장소에 직접 푸시하는 대신 자신의 포크에 푸시합니다. 이후 메인 저장소로 변경 사항을 제안하는 풀 리퀘스트를 생성하여 병합 전에 코드 리뷰 및 협업이 이루어집니다.
 * 이 워크플로우는 오픈 소스 Glasskube 저장소에서 협업하는 데 사용합니다.
 * 장점: 외부 기여자의 협업을 장려하면서 메인 저장소에 대한 직접적인 쓰기 권한 부여를 방지
 * 단점: 포크와 메인 저장소 간의 동기화 유지가 어려울 수 있음

Pull Request Workflow
포크 워크플로우와 유사하지만, 개발자가 메인 저장소에 직접 기능 브랜치를 생성합니다.
 * 장점: 코드 리뷰, 협업, 팀원 간의 지식 공유 촉진
 * 단점: 사람에 의존한 코드 리뷰로 인해 개발 과정에서 지연이 발생할 수 있음

Trunk-Based Development
빠른 반복 및 지속적 배포에 집중하는 팀이라면 메인 브랜치에서 직접 개발하고 작은 변경 사항을 자주 커밋하는 트렁크 기반 개발을 사용할 수 있습니다.
 * 장점: 빠른 반복, 지속적 통합, 소규모 자주 변경을 프로덕션에 배포하는 데 집중
 * 단점: 메인 브랜치의 안정성을 보장하기 위해 강력한 자동화 테스트 및 배포 파이프라인이 필요하며, 릴리스 일정이 엄격하거나 복잡한 기능 개발이 필요한 프로젝트에는 적합하지 않을 수 있음
 
Git Cheatsheet
 
# Clone a Repository
git clone <repository_url>

# Stage Changes for Commit
git add <file(s)>

# Commit Changes
git commit -m "Commit message"

# Push Changes to the Remote Repository
git push

# Force Push Changes (use with caution)
git push --force

# Reset Working Directory to Last Commit
git reset --hard

# Create a New Branch
git branch <branch_name>

# Switch to a Different Branch
git checkout <branch_name>

# Merge Changes from Another Branch
git merge <branch_name>

# Rebase Changes onto Another Branch (use with caution)
git rebase <base_branch>

# View Status of Working Directory
git status

# View Commit History
git log

# Undo Last Commit (use with caution)
git reset --soft HEAD^

# Discard Changes in Working Directory
git restore <file(s)>

# Retrieve Lost Commit References
git reflog

# Interactive Rebase to Rearrange Commits
git rebase --interactive HEAD~3

 
번역: [https://ducktopia.tistory.com/134]
원문:

Rebasing 과 MergingRebasing을 Merging과 비교하는 것은 의미가 있습니다. 두 명령의 목표는 같지만 이를 달성하는 방법이 다릅니다. 중요한 차이점은 Rebasing이 프로젝트의 히스토리를 재작성한다는 것입니다. 깔끔하고 이해하기 쉬운 프로젝트 히스토리를 중요시하는 프로젝트에 적합합니다. 반면, Merging은 새로운 병합 커밋을 생성하여 두 브랜치의 히스토리를 유지합니다.&nbsp;SquashingGit Squashing은 여러 커밋을 하나의 통합된 커밋으로 압축하는 데 사용됩니다. Cherry-pickingCherry-picking은 특정 브랜치의 변경 사항을 선택적으로 다른 브랜치에 통합할 때 유용합니다. 전체 브랜치를 병합하는 것이 바람직하지 않거나 불가능한 경우에 특히 유용합니다. 그러나 Cherry-picking을 신중하게 사용해야 하며, 잘못 사용할 경우 중복된 커밋과 분기된 히스토리를 초래할 수 있습니다. Signing commitsSigning commits는 Git에서 커밋의 진위와 무결성을 검증하는 방법입니다. GNU Privacy Guard(GPG) 키를 사용해 커밋에 암호화 서명을 추가함으로써, 커밋 작성자가 본인임을 보장할 수 있습니다. GPG 키를 생성하고 Git이 커밋할 때 이 키를 사용하도록 설정할 수 있습니다. Git ReflogGit references는 Git 히스토리의 명명된 지점으로, 사용자가 저장소의 타임라인을 탐색하고 프로젝트의 특정 스냅샷에 접근할 수 있게 합니다. Git references를 탐색하는 방법을 알고 있으면 유용하며, 이를 위해 git reflog를 사용할 수 있습니다. 다음과 같은 장점이 있습니다:<ul ><li>잃어버린 커밋 또는 브랜치 복구</li><li>디버깅 및 문제 해결</li><li>실수 취소</li></ul> Interactive rebase인터랙티브 리베이스는 커밋 히스토리를 대화형으로 재작성할 수 있는 강력한 Git 기능입니다. 커밋을 적용하기 전에 수정, 재정렬, 결합, 삭제할 수 있습니다. Origin vs Upstreamorigin은 로컬 Git 저장소와 연관된 기본 원격 저장소입니다. 저장소를 복제(clone)하면 해당 복제본이 기본적으로 origin 원격 저장소로 설정됩니다. 저장소를 포크(fork)했다면, 그 포크가 기본적으로 origin 저장소가 됩니다.&nbsp;반면, upstream은 저장소가 포크된 원래 저장소를 가리킵니다.&nbsp;포크된 저장소를 원래 프로젝트의 최신 변경 사항과 동기화하려면 upstream 저장소에서 변경 사항을 가져와(git fetch) 로컬 저장소에 병합(merge)하거나 리베이스(rebase)해야 합니다.&nbsp;Conflicts브랜치를 병합하거나 리베이스할 때 충돌이 발생해도 당황하지 마세요. 이는 저장소의 동일 파일 또는 여러 파일의 다른 버전 사이에 충돌하는 변경 사항이 있음을 의미하며, 대부분의 경우 쉽게 해결할 수 있습니다.&nbsp;Feature Branch Workflow각 새로운 기능이나 버그 수정은 별도의 브랜치에서 개발되고 완료된 후 메인 브랜치로 병합됩니다.<ul ><li>장점: 변경 사항의 격리 및 충돌 감소</li><li>단점: 복잡해질 수 있으며 철저한 브랜치 관리가 필요</li></ul> Gitflow WorkflowGitflow는 다양한 개발 작업을 위한 사전 정의된 브랜치를 포함하는 엄격한 브랜칭 모델을 정의합니다.<ul ><li>메인, 개발, 기능, 릴리스, 핫픽스 브랜치와 같은 장기 브랜치를 포함합니다.</li><li>장점: 정기 릴리스 및 장기 유지보수가 필요한 프로젝트에 적합</li><li>단점: 소규모 팀에는 너무 복잡할 수 있음</li></ul> Forking Workflow이 워크플로우에서는 각 개발자가 메인 저장소를 복제(clone)하지만, 변경 사항을 메인 저장소에 직접 푸시하는 대신 자신의 포크에 푸시합니다. 이후 메인 저장소로 변경 사항을 제안하는 풀 리퀘스트를 생성하여 병합 전에 코드 리뷰 및 협업이 이루어집니다.<ul ><li>이 워크플로우는 오픈 소스 Glasskube 저장소에서 협업하는 데 사용합니다.</li><li>장점: 외부 기여자의 협업을 장려하면서 메인 저장소에 대한 직접적인 쓰기 권한 부여를 방지</li><li>단점: 포크와 메인 저장소 간의 동기화 유지가 어려울 수 있음</li></ul> Pull Request Workflow포크 워크플로우와 유사하지만, 개발자가 메인 저장소에 직접 기능 브랜치를 생성합니다.<ul ><li>장점: 코드 리뷰, 협업, 팀원 간의 지식 공유 촉진</li><li>단점: 사람에 의존한 코드 리뷰로 인해 개발 과정에서 지연이 발생할 수 있음</li></ul> Trunk-Based Development빠른 반복 및 지속적 배포에 집중하는 팀이라면 메인 브랜치에서 직접 개발하고 작은 변경 사항을 자주 커밋하는 트렁크 기반 개발을 사용할 수 있습니다.<ul ><li>장점: 빠른 반복, 지속적 통합, 소규모 자주 변경을 프로덕션에 배포하는 데 집중</li><li>단점: 메인 브랜치의 안정성을 보장하기 위해 강력한 자동화 테스트 및 배포 파이프라인이 필요하며, 릴리스 일정이 엄격하거나 복잡한 기능 개발이 필요한 프로젝트에는 적합하지 않을 수 있음</li></ul>&nbsp;Git Cheatsheet&nbsp;<pre ><code class="language-bash"># Clone a Repository
git clone &lt;repository_url&gt;

# Stage Changes for Commit
git add &lt;file(s)&gt;

# Commit Changes
git commit -m "Commit message"

# Push Changes to the Remote Repository
git push

# Force Push Changes (use with caution)
git push --force

# Reset Working Directory to Last Commit
git reset --hard

# Create a New Branch
git branch &lt;branch_name&gt;

# Switch to a Different Branch
git checkout &lt;branch_name&gt;

# Merge Changes from Another Branch
git merge &lt;branch_name&gt;

# Rebase Changes onto Another Branch (use with caution)
git rebase &lt;base_branch&gt;

# View Status of Working Directory
git status

# View Commit History
git log

# Undo Last Commit (use with caution)
git reset --soft HEAD^

# Discard Changes in Working Directory
git restore &lt;file(s)&gt;

# Retrieve Lost Commit References
git reflog

# Interactive Rebase to Rearrange Commits
git rebase --interactive HEAD~3</code></pre>&nbsp;번역: [https://ducktopia.tistory.com/134]원문:

Medium

🕊️ [Medium] 내가 원했던, Git 가이드 (2)

돌이켜 생각해보면, 지금까지 꽤 많은 '인재 선발을 위한 인터뷰(면접)'를 진행했다. 대학교 시절 S&D 라는 경영학회 활동을 3~4년 하면서 '학회원 선발' 인터뷰를 진행했었고, 그 이후 BCG/Ringle 에서 다수 채용 인터뷰에 참여했다. 그리고, 컨설팅/MBA/스타트업에 입사하고자 했던 지인들의 mock interview를 도운것까지 합치면, '꽤 

기억에 남는 인터뷰(면접)의 특징

면접은 채용 과정에서 중요한 역할을 합니다. 서류 전형과 코딩 테스트를 후, 대부분의 최종 결정이 면접을 통해 이루어지기 때문인데요. 최근 ‘기억에 남는 인터뷰(면접)의 특징’ 이라는 글을 보게 되었는데, 공감도 되고 괜찮은 내용이라 소개드립니다.

 1. 아이컨택을 잘한다.
    아이컨택은 단순 시선 처리 이상의 의미를 갖습니다. 아이컨택을 통해 면접자는 진정성을 전달하고, 암기된 답변이 아닌 소통을 하고 있음을 보여줍니다. 사람은 논리적인 면보다 정서적인 공감에 더 강하게 반응하기 때문에, 이런 자연스러운 아이컨택은 더 깊은 인상을 남길 수 있습니다.
    
    
 2. 어설프게 논리적이지 않고, 자연스럽게 논리적이다.
    근거가 적절하며 자연스럽게 이어지는 대화속에서도 논리와 스토리가 묻어 있는 사람들이 있습니다. 이런 사람은 어설프게 연습해서 면접 답변을 하기 보다는, 평소 소통 방식에서도 자연스럽게 소통하면서 그 안에 구조적 사고와 논리적 표현이 내재화 되어 있음을 보여줍니다.
    
    
 3. 발표가 아닌 대화
    일방적인 발표를 하는 느낌으로 면접을 보는 분들이 많습니다. 그런 답변은 면접관 으로서 흥미와 공감이 떨어집니다. 반면 ‘대화가 통한다’는 느낌을 주는 분들이 있습니다. 핵심적인 답변을 짧고 명확 하게 하고, 인터뷰어는 다시 질문 - 답변 으로 티키타카 식의 소통은 면접관에게 ‘대화가 통한다’는 느낌을 주며, 면접의 전반적인 분위기도 생동감이 듭니다.
    
    
 4. 솔직함
    역량, 리더십, 품성 이 느껴지는 사람의 특징은 매우 솔직합니다. 시행착오나 실패도 덤덤하게 풀어내는 분들은 기억에 오래 남습니다. 이런 솔직함은 면접관에게 강한 신뢰감을 주는데요. 성공 스토리만큼이나 실패를 극복한 경험 역시 중요하기 때문입니다.
    
    
 5. 의지, 생각 보다는 경험
    의지나 생각은 그 사람의 본질이 아닙니다. 개인의 진정한 모습은 과거의 경험을 통해 가장 잘 드러나는데요. 과거 경험을 바탕으로 한 이야기는 면접관의 관심을 끌며, 면접관 자신의 경험 역시도 떠올리게 하여 더욱 깊이 있는 대화로 이어질 수 있습니다.
    
    
 6. 회사에 호기심을 가지고 있다
    회사, 제품에 호기심이 없는 사람은 입사를 하더라도 평범하게 일할 확률이 높습니다. 하지만 회사와 제품에 진정한 호기심을 보이는 면접자라면 입사 후에도 회사에 더 큰 기여를 할 수 있는 잠재력을 보여줍니다.
    
    
 7. 자세/태도가 모두 좋다.
    앉은 자세 및 태도(제스처) 도 중요한 평가 요소입니다. 안정된 자세, 적절한 제스처 는 중요한 비언어적 신호로써, 평소에도 이러한 태도로 일할 가능성이 높음을 시사하기 때문입니다.
    
    
 8. 질문도 한다.
    면접 과정에서도 중간에 질문을 하는 사람이 있습니다. 바로 질문해야 하는 타이밍에, 꼭 해야 할 질문을, 짧고 명확하게 하는 사람들인데요. 이런 질문으로 인해 면접관은 ‘똑똑하다’ 라는 인상을 받게 됩니다. 또한 올바른 질문을 잘 하는 사람은 향후 업무에서도 주체적이고 능동적으로 일할 확률이 높습니다.

개발자의 경우, 소통하는데 있어 솔직한 나의 모습을 직관적으로 전달하기 어려울 때가 있는데요. 결국에는 지속적인 연습과 피드백을 통해 자신의 진정한 모습을 효과적으로 전달할 수 있도록 노력하는 것이 중요할것 같습니다. 그리고 위에서 언급한 특징을 염두에 두고 준비한다면, 자신의 가치를 최대한 드러낼 수 있을 것입니다.

결국 중요한것은 자신의 경험과 역량을 진정성 있게 전달하면서도, 지원하는 회사와 직무에 대한 깊은 이해와 열정이 중요할 것 같습니다.이런 준비와 태도를 통해 면접관에게 깊은 인상을 남기며, 성공적인 면접 결과로 이어질 수 있습니다.

https://brunch.co.kr/@seunghoon82/559

면접은 채용 과정에서 중요한 역할을 합니다. 서류 전형과 코딩 테스트를 후, 대부분의 최종 결정이 면접을 통해 이루어지기 때문인데요. 최근 ‘기억에 남는 인터뷰(면접)의 특징’ 이라는 글을 보게 되었는데, 공감도 되고 괜찮은 내용이라 소개드립니다. <ol ><li>아이컨택을 잘한다.아이컨택은 단순 시선 처리 이상의 의미를 갖습니다. 아이컨택을 통해 면접자는 진정성을 전달하고, 암기된 답변이 아닌 소통을 하고 있음을 보여줍니다. 사람은 논리적인 면보다 정서적인 공감에 더 강하게 반응하기 때문에, 이런 자연스러운 아이컨택은 더 깊은 인상을 남길 수 있습니다. </li><li>어설프게 논리적이지 않고, 자연스럽게 논리적이다.근거가 적절하며 자연스럽게 이어지는 대화속에서도 논리와 스토리가 묻어 있는 사람들이 있습니다. 이런 사람은 어설프게 연습해서 면접 답변을 하기 보다는, 평소 소통 방식에서도 자연스럽게 소통하면서 그 안에 구조적 사고와 논리적 표현이 내재화 되어 있음을 보여줍니다. </li><li>발표가 아닌 대화일방적인 발표를 하는 느낌으로 면접을 보는 분들이 많습니다. 그런 답변은 면접관 으로서 흥미와 공감이 떨어집니다. 반면 ‘대화가 통한다’는 느낌을 주는 분들이 있습니다. 핵심적인 답변을 짧고 명확 하게 하고, 인터뷰어는 다시 질문 - 답변 으로 티키타카 식의 소통은 면접관에게 ‘대화가 통한다’는 느낌을 주며, 면접의 전반적인 분위기도 생동감이 듭니다. </li><li>솔직함역량, 리더십, 품성 이 느껴지는 사람의 특징은 매우 솔직합니다. 시행착오나 실패도 덤덤하게 풀어내는 분들은 기억에 오래 남습니다. 이런 솔직함은 면접관에게 강한 신뢰감을 주는데요. 성공 스토리만큼이나 실패를 극복한 경험 역시 중요하기 때문입니다. </li><li>의지, 생각 보다는 경험의지나 생각은 그 사람의 본질이 아닙니다. 개인의 진정한 모습은 과거의 경험을 통해 가장 잘 드러나는데요. 과거 경험을 바탕으로 한 이야기는 면접관의 관심을 끌며, 면접관 자신의 경험 역시도 떠올리게 하여 더욱 깊이 있는 대화로 이어질 수 있습니다. </li><li>회사에 호기심을 가지고 있다회사, 제품에 호기심이 없는 사람은 입사를 하더라도 평범하게 일할 확률이 높습니다. 하지만 회사와 제품에 진정한 호기심을 보이는 면접자라면 입사 후에도 회사에 더 큰 기여를 할 수 있는 잠재력을 보여줍니다. </li><li>자세/태도가 모두 좋다.앉은 자세 및 태도(제스처) 도 중요한 평가 요소입니다. 안정된 자세, 적절한 제스처 는 중요한 비언어적 신호로써, 평소에도 이러한 태도로 일할 가능성이 높음을 시사하기 때문입니다. </li><li>질문도 한다.면접 과정에서도 중간에 질문을 하는 사람이 있습니다. 바로 질문해야 하는 타이밍에, 꼭 해야 할 질문을, 짧고 명확하게 하는 사람들인데요. 이런 질문으로 인해 면접관은 ‘똑똑하다’ 라는 인상을 받게 됩니다. 또한 올바른 질문을 잘 하는 사람은 향후 업무에서도 주체적이고 능동적으로 일할 확률이 높습니다.</li></ol> 개발자의 경우, 소통하는데 있어 솔직한 나의 모습을 직관적으로 전달하기 어려울 때가 있는데요. 결국에는 지속적인 연습과 피드백을 통해 자신의 진정한 모습을 효과적으로 전달할 수 있도록 노력하는 것이 중요할것 같습니다. 그리고 위에서 언급한 특징을 염두에 두고 준비한다면, 자신의 가치를 최대한 드러낼 수 있을 것입니다. 결국 중요한것은 자신의 경험과 역량을 진정성 있게 전달하면서도, 지원하는 회사와 직무에 대한 깊은 이해와 열정이 중요할 것 같습니다.이런 준비와 태도를 통해 면접관에게 깊은 인상을 남기며, 성공적인 면접 결과로 이어질 수 있습니다. https://brunch.co.kr/@seunghoon82/559

Brunch Story

인상적인 면접자의 8가지 특징: 성공적인 면접을 위한 가이드

우아한형제들과 우아하게 이별하기를 해보려 합니다. 떠나는 마당에 코드 한 줄을 더 작성할 수도 있겠지만 이번에는 2022.05–2024.09까지의 회사 생활을 되돌아보고 공유하기로 하였습니다.

우아한형제들 퇴사 부검

iOS 프로그래머인 민호님이 우아한형제들을 떠나며 남긴 퇴사부검 입니다.

기대하는 바가 있었지만 점차 사라져버린 것에 아쉬움을 느껴서 새로운 곳에서 도전을 시작하신다고 하네요.

바람을 극복한 프로그래머로 좋은 소식 기다립니다!

https://medium.com/a-day-of-a-programmer/우아한형제들-퇴사-부검-010ce38609a5

iOS 프로그래머인 민호님이 우아한형제들을 떠나며 남긴 퇴사부검 입니다. 기대하는 바가 있었지만 점차 사라져버린 것에 아쉬움을 느껴서 새로운 곳에서 도전을 시작하신다고 하네요. 바람을 극복한 프로그래머로 좋은 소식 기다립니다! https://medium.com/a-day-of-a-programmer/우아한형제들-퇴사-부검-010ce38609a5

민호님의 우아한형제들 퇴사부검

동료에게 “놀랍지 않은 사람”이 되어보세요.

성과는 놀랍지만 일과는 예측 가능한 사람이 되어보세요.

예측 가능성은 상호 신뢰로 이어져요. 이후에는 척하면 척하는 팀이 되더라고요.

핵심은 주도적인 과정의 공유라고 생각해요. 여러분의 업무 과정을 애써 공유하세요.

공유했던 대로 업무를 끝낸 여러분을 보고 동료들은 ”역시! 믿고 있었다고!“라고, 생각할 거예요.

동료에게 “놀랍지 않은 사람”이 되어보세요. 성과는 놀랍지만 일과는 예측 가능한 사람이 되어보세요. 예측 가능성은 상호 신뢰로 이어져요. 이후에는 척하면 척하는 팀이 되더라고요. 핵심은 주도적인 과정의 공유라고 생각해요. 여러분의 업무 과정을 애써 공유하세요. 공유했던 대로 업무를 끝낸 여러분을 보고 동료들은 ”역시! 믿고 있었다고!“라고, 생각할 거예요.

예측 가능한 사람되기

Begin with the basics to understand Docker and Kubernetes networking: learn how to create and interconnect Linux network namespaces using only command-line tools.


How Container Networking Works: a Docker Bridge Network From Scratch | iximiuz Labs

컨테이너의 브릿지 네트워크가 어떻게 동작하는지를 배워볼 수 있는 재미있는 사이트입니다.

네트워크는 여전히 저에게 너무 어렵긴 한데 netns, veth, bridge, NAT를 설명하면서 우측에 플레이그라운드를 제공하기 때문에 웹사이트에서 설명에 나온 명령어를 따라해보면서 직접 구성해 볼 수 있습니다.

하나하나 직접 따라해보고 테스트도 해볼 수 있기 때문에 브릿지 네트워크를 이해해 보기 좋은 튜토리얼 사이트라고 생각합니다.

일반적으로는 컨테이너의 네트워크가 잘 동작하기 때문에 다 알아야 할 필요는 없지만 종종 겪게되는 엣지 케이스에서는 이러한 네트워크 구성을 알면 트러블시팅 및 원인 파악에 큰 도움이 되기 때문에 자세한 부분은 그때그때 찾아보더라도 전체적인 구조를 이해해두는 건 큰 도움이 된다고 생각합니다.

https://labs.iximiuz.com/tutorials/container-networking-from-scratch

컨테이너의 브릿지 네트워크가 어떻게 동작하는지를 배워볼 수 있는 재미있는 사이트입니다. 네트워크는 여전히 저에게 너무 어렵긴 한데 netns, veth, bridge, NAT를 설명하면서 우측에 플레이그라운드를 제공하기 때문에 웹사이트에서 설명에 나온 명령어를 따라해보면서 직접 구성해 볼 수 있습니다. 하나하나 직접 따라해보고 테스트도 해볼 수 있기 때문에 브릿지 네트워크를 이해해 보기 좋은 튜토리얼 사이트라고 생각합니다. 일반적으로는 컨테이너의 네트워크가 잘 동작하기 때문에 다 알아야 할 필요는 없지만 종종 겪게되는 엣지 케이스에서는 이러한 네트워크 구성을 알면 트러블시팅 및 원인 파악에 큰 도움이 되기 때문에 자세한 부분은 그때그때 찾아보더라도 전체적인 구조를 이해해두는 건 큰 도움이 된다고 생각합니다. https://labs.iximiuz.com/tutorials/container-networking-from-scratch

iximiuz Labs

컨테이너의 브릿지 네트워크가 어떻게 동작하는지를 배워볼 수 있는 

오랫동안 React 프로젝트를 만들기 위해서 Create React App라는 CLI 도구가 사용되었습니다.
State of JS 2023 설문 결과를 보시면 Create React App을 사용해봤다는 응답자가 90%가 넘을 정도로 CRA는 오랫동안 React 생태계에서 프로젝트를 생성하는 표준처럼 여겨졌습니다.

하지만 CRA는 2022년 4월 이후로 업데이트가 전혀 없으며, React 공식 문서에서도 사라지면서 사실 상 폐기(deprecated) 수순을 밟고 있습니다.

Next.js도 React 프로젝트를 만들기 위해서 많이 사용되는데요. 하지만 Next.js는 프로젝트 생성 뿐만 아니라 라우팅, 데이터 패칭(fetching), Server-Side Rendering(SSR), Static Site Generation(SSG), 이미지 최적화 등 온갖 부가 기능을 지원하는 메타 프레임워크입니다. 따라서 제대로 활용하려면 배워야할 것도 많고 CRA처럼 간단하게 React 프로젝트를 만들어 보는데는 적합한 도구가 아니죠.

이러한 이유로 최근에 Vite가 CRA의 대안 기술로 부상하고 있습니다. Vite를 사용하면 CRA처럼 간편하게 React 프로젝트를 만들 수 있을 뿐만 아니라, CRA보다 훨씬 빠르고 쾌적한 개발 서버를 사용할 수 있습니다.

뿐만 아니라, CRA로 만든 프로젝트는 규모가 커지면 결국 돌이킬 수 없는 eject를 해야한다는 부담이 있었는데, Vite는 그런 걱정없이 소규모 프로젝트부터 대규모 프로젝트까지 범용적으로 쓸 수 있도록 설계되어 있습니다.

이번 포스팅에서는 차세대 번들러인 Vite 사용하여 React 프로젝트를 생성하고 설정하는 방법에 대해서 알아보겠습니다.

📝 포스팅: https://www.daleseo.com/vite-react/

Vite에 대한 기초적인 내용에 대해서는 아래 게시물을 참고하세요.
📕 Vite 처음 시작하기: https://careerly.co.kr/comments/110882

오랫동안 React 프로젝트를 만들기 위해서 Create React App라는 CLI 도구가 사용되었습니다.State of JS 2023 설문 결과를 보시면 Create React App을 사용해봤다는 응답자가 90%가 넘을 정도로 CRA는 오랫동안 React 생태계에서 프로젝트를 생성하는 표준처럼 여겨졌습니다. 하지만 CRA는 2022년 4월 이후로 업데이트가 전혀 없으며, React 공식 문서에서도 사라지면서 사실 상 폐기(deprecated) 수순을 밟고 있습니다. Next.js도 React 프로젝트를 만들기 위해서 많이 사용되는데요. 하지만 Next.js는 프로젝트 생성 뿐만 아니라 라우팅, 데이터 패칭(fetching), Server-Side Rendering(SSR), Static Site Generation(SSG), 이미지 최적화 등 온갖 부가 기능을 지원하는 메타 프레임워크입니다. 따라서 제대로 활용하려면 배워야할 것도 많고 CRA처럼 간단하게 React 프로젝트를 만들어 보는데는 적합한 도구가 아니죠. 이러한 이유로 최근에 Vite가 CRA의 대안 기술로 부상하고 있습니다. Vite를 사용하면 CRA처럼 간편하게 React 프로젝트를 만들 수 있을 뿐만 아니라, CRA보다 훨씬 빠르고 쾌적한 개발 서버를 사용할 수 있습니다. 뿐만 아니라, CRA로 만든 프로젝트는 규모가 커지면 결국 돌이킬 수 없는 eject를 해야한다는 부담이 있었는데, Vite는 그런 걱정없이 소규모 프로젝트부터 대규모 프로젝트까지 범용적으로 쓸 수 있도록 설계되어 있습니다. 이번 포스팅에서는 차세대 번들러인 Vite 사용하여 React 프로젝트를 생성하고 설정하는 방법에 대해서 알아보겠습니다. 📝 포스팅: https://www.daleseo.com/vite-react/ Vite에 대한 기초적인 내용에 대해서는 아래 게시물을 참고하세요.📕 Vite 처음 시작하기: https://careerly.co.kr/comments/110882

CRA 대신에 Vite로 React 프로젝트 시작하기

1
단순히 해야 할 일만 적어 넣으면 점점 일이 쌓이는 것 같은 압박감을 느낀다.

2
그런데 그 옆에 언제까지 그 일을 할 것인지 시간을 할당해놓으면, 해야 할 일이 아니라 해결한 일이 더 많아지는 느낌이다. 이는 성취감마저 느끼게 하고 알차게 살고 있다는 뿌듯함을 준다.

3
눈에 보이지 않는 것들을 눈에 보이게 만들면 생산성과 효율성이 획기적으로 증가한다.

4
시간을 할당해 두려움과 걱정을 한곳으로 몰아넣어라. 한곳에 몰아넣으면 그것들을 통제하는 것이 가능해진다. 두려움을 통제하는 사람은 포기하지 않는다.

5
우리에게 필요한 것은 '의식적인 멈춤'이다. 의식적으로 한 걸음 물러나서 흐름을 통찰하는 것이다.

6
나는 수첩에 '멈춰야 할 시간'이란 항목을 마련해놓고 있다. 중요한 의사결정이나 브리핑, 미팅이 있는 날 아침에는 수첩을 열어 호흡을 가다듬고 생각을 차분히 정리하는 시간을 미리 정해놓는다.

7
이런 습관을 들이면 중요한 일이 있을 때 방향을 잃지 않게 된다. 팽팽한 긴장감에서 1분 만이라도 벗어나 침착해지면, 중요한 것들을 놓치고 후회하는 일이 놀랍게 줄어든다.

8
어떤 경험을 하고 났을 때는 그 경험에 이름을 붙여주어라. 긍정적인 이름이나 제목을 붙여 기억은행 속에 예치해둔다. 그러면 그 경험이 비록 끔찍한 것이었다 할지라도 부정적 감정이 아니라 하나의 교훈이 먼저 소환된다.

9
인간의 잠재의식은 언제나 한 번에 한 장면만 불러낼 수 있도록 작동한다. 다시 말해 긍정적인 생각을 하면 부정적 생각이 비집고 들어올 자리가 없다. 모든 행동이 그렇다. 무엇인가를 집중적으로 행하고 주의를 기울이면 두려움이 끼어들 자리가 생겨나지 않는다.

1 단순히 해야 할 일만 적어 넣으면 점점 일이 쌓이는 것 같은 압박감을 느낀다. ​ ​2 그런데 그 옆에 언제까지 그 일을 할 것인지 시간을 할당해놓으면, 해야 할 일이 아니라 해결한 일이 더 많아지는 느낌이다. 이는 성취감마저 느끼게 하고 알차게 살고 있다는 뿌듯함을 준다. ​ ​3​ 눈에 보이지 않는 것들을 눈에 보이게 만들면 생산성과 효율성이 획기적으로 증가한다. ​ ​4 시간을 할당해 두려움과 걱정을 한곳으로 몰아넣어라. 한곳에 몰아넣으면 그것들을 통제하는 것이 가능해진다. 두려움을 통제하는 사람은 포기하지 않는다. ​ ​5​ 우리에게 필요한 것은 '의식적인 멈춤'이다. 의식적으로 한 걸음 물러나서 흐름을 통찰하는 것이다. ​ ​6 나는 수첩에 '멈춰야 할 시간'이란 항목을 마련해놓고 있다. 중요한 의사결정이나 브리핑, 미팅이 있는 날 아침에는 수첩을 열어 호흡을 가다듬고 생각을 차분히 정리하는 시간을 미리 정해놓는다. ​ ​7 이런 습관을 들이면 중요한 일이 있을 때 방향을 잃지 않게 된다. 팽팽한 긴장감에서 1분 만이라도 벗어나 침착해지면, 중요한 것들을 놓치고 후회하는 일이 놀랍게 줄어든다. ​ ​8​ 어떤 경험을 하고 났을 때는 그 경험에 이름을 붙여주어라. 긍정적인 이름이나 제목을 붙여 기억은행 속에 예치해둔다. 그러면 그 경험이 비록 끔찍한 것이었다 할지라도 부정적 감정이 아니라 하나의 교훈이 먼저 소환된다. ​ ​​9 인간의 잠재의식은 언제나 한 번에 한 장면만 불러낼 수 있도록 작동한다. 다시 말해 긍정적인 생각을 하면 부정적 생각이 비집고 들어올 자리가 없다. 모든 행동이 그렇다. 무엇인가를 집중적으로 행하고 주의를 기울이면 두려움이 끼어들 자리가 생겨나지 않는다.

< 할 일을 쉽게 해치우는 시간 관리의 기술 >

What I've learned from spending a summer in SF

[Frontier] 실리콘밸리의 여름.

실리콘밸리에서 여름을 보내며 배운 10가지라고 해주셨는데, 많은 분들이 보시면 좋을 것 같아 공유해보아요. 원문을 꼭 읽어보셔요.

 1.  Have conviction and keep building (자기 확신을 가지고 계속 만들어라.)
 2.  Don't think about A -> Z, focus on A -> B (체계적인 계획이 아니라, 당장 빠르게 잘 실행하는 것에 집중하라)
 3.  10 Loving customers is all you need (10명이 제품을 사랑하게 하라)
 4.  Technical founding team is key (코파운더의 기술적 능력이 필수적이다)
 5.  Keep showing up to YC, a16z SR etc... (미국 진출을 위해 미국 accelerator에 문을 계속 두드리자)
 6.  Follow your energy
 7.  Live the life you would live if you knew you wouldn't fail. (실패하지 않을 거라 가정하고, 가장 기대되는 인생을 살자)
 8.  Obsession and taste (제품과 고객에 대한 집착과 완벽주의)
 9.  AI is really changing the world (AI는 정말 세상을 바꾸고 있다)
 10. Seoul vs San Francisco
     
     
https://frontierbydoyeob.substack.com/p/frontier

실리콘밸리에서 여름을 보내며 배운 10가지라고 해주셨는데, 많은 분들이 보시면 좋을 것 같아 공유해보아요. 원문을 꼭 읽어보셔요. <ol ><li>Have conviction and keep building (자기 확신을 가지고 계속 만들어라.)</li><li>Don't think about A -&gt; Z, focus on A -&gt; B (체계적인 계획이 아니라, 당장 빠르게 잘 실행하는 것에 집중하라)</li><li>10 Loving customers is all you need (10명이 제품을 사랑하게 하라)</li><li>Technical founding team is key (코파운더의 기술적 능력이 필수적이다)</li><li>Keep showing up to YC, a16z SR etc... (미국 진출을 위해 미국 accelerator에 문을 계속 두드리자)</li><li>Follow your energy</li><li>Live the life you would live if you knew you wouldn't fail. (실패하지 않을 거라 가정하고, 가장 기대되는 인생을 살자)</li><li>Obsession and taste (제품과 고객에 대한 집착과 완벽주의)</li><li>AI is really changing the world (AI는 정말 세상을 바꾸고 있다)</li><li>Seoul vs San Francisco </li></ol>https://frontierbydoyeob.substack.com/p/frontier

frontierbydoyeob.substack.com

실리콘밸리에서 깨달은 10가지

사용자가 공유한 콘텐츠

1. “(요즘 데이터로 확인되는 흐름 중 하나는) 직급이 아닌 '이름' 으로 불리는 이들이 늘고 있는 거예요”

2. “(지금까지) 우리 사회는 이름에 참 각박한 사회였어요. 내 이름으로 불리는 기간이 아주 짧았죠. 신입 사원 때 잠깐 이름으로 불리다 직급을 다는 순간 '김 대리'가 돼요. 심지어 퇴직 후 20년이 지나도 옛 동료끼리는 서로를 마지막 직급으로 부른다고 하죠”

3. “물론 (직급을 부른 문화에는) 성취에 대한 인정도 있지만, (어떤 면에선) 부당해요. 각자의 다양성과 다면성을 (직급을 부르며) 제거하는 거니까요. (그러다) 주체적으로 자신의 삶을 사는 (요즘의) '핵개인'들은, 직급이 아닌 자기 이름으로 불린다는 걸 알게 됐어요”

4. “이름으로 부른다는 건 곧 단독자로서의 지칭이자 그의 아이덴티티를 인식한다는 뜻이잖아요? (그러면서 생각했죠) 이제는 홀로 선 각자가 서로의 이름을 부르는 시대로 가는구나, 서로의 소중함을 인식하는구나, 그래서 (시대예보 책 타이틀에) '호명사회'라는 이름을 붙인 거예요”

5. “이런 사회 변화는 (크게) 2가지 키워드로 정리할 수 있어요. 첫 번째는 '유동화(=스트리밍화)'. (이젠) 한 사람이 여러 곳의 일을 동시에 할 수 있게 됐어요. (단순히 사람을 채용하는 것이 아니라) 그 사람이 가진 능력을 사는 시대가 되고 있는 거죠”

6. “두 번째는 극소화(=극단적 효율화)예요. 자동화와 플랫폼의 등장으로 한 명이 할 수 있는 일이 많아졌어요. 무리 지어 일할 필요가 없어진 거죠. 그러면 개인의 영향력이 극단적으로 증강됩니다. '내가 80% 이상을 일하는데, 왜 우리 팀은 4명이지?' 그 의문에서 1인 기업을 택하는 분들이 늘고 있죠. 그게 (더) 합리적인 선택이라고 판단하니까요”

7. “이렇듯 점차 개인의 이름이 드러나는 사회로 가고 있어요. 그런 사회에서는 온전히 자신이 만든 것을 세상에 알리며 성과를 쌓아가는 사람에게 많은 이들이 열광하게 돼요. 내가 한 일이라면 그 결과가 나에게 온전히 귀속되는 사회, 새로운 공정 사회가 오고 있는 거죠”

8. “(바꿔 말하면, 무슨 전문가니, 컨설턴트니, 코치니 하는 온갖 직업명이나 수식어로 자기를 꾸미는 퍼스널 브랜딩의 시대는 끝났고, 그 사람이 무슨 일을 했고, 어떤 결과를 만들었는지를 중심으로, 그 개인의 시간과 능력을 사려는 분위기가 생기고 있다는 얘깁니다)”

9. “(그러니 온갖 미사여구를 동원해 자기 자신을 억지로 브랜딩하려고 하지 말고, 지금부터는 딱 깔끔하게 실력과 능력과 결과로, 자기 이름이 지닌 가치를 높이세요. 그렇게 자기 이름으로 업계에서 네임드가 되세요. 앞으로는 훨씬 더 중요할 겁니다)”

- 송길영 박사

1. “(요즘 데이터로 확인되는 흐름 중 하나는) 직급이 아닌 '이름' 으로 불리는 이들이 늘고 있는 거예요” 2. “(지금까지) 우리 사회는 이름에 참 각박한 사회였어요. 내 이름으로 불리는 기간이 아주 짧았죠. 신입 사원 때 잠깐 이름으로 불리다 직급을 다는 순간 '김 대리'가 돼요. 심지어 퇴직 후 20년이 지나도 옛 동료끼리는 서로를 마지막 직급으로 부른다고 하죠” 3. “물론 (직급을 부른 문화에는) 성취에 대한 인정도 있지만, (어떤 면에선) 부당해요. 각자의 다양성과 다면성을 (직급을 부르며) 제거하는 거니까요. (그러다) 주체적으로 자신의 삶을 사는 (요즘의) '핵개인'들은, 직급이 아닌 자기 이름으로 불린다는 걸 알게 됐어요” 4. “이름으로 부른다는 건 곧 단독자로서의 지칭이자 그의 아이덴티티를 인식한다는 뜻이잖아요? (그러면서 생각했죠) 이제는 홀로 선 각자가 서로의 이름을 부르는 시대로 가는구나, 서로의 소중함을 인식하는구나, 그래서 (시대예보 책 타이틀에) '호명사회'라는 이름을 붙인 거예요” 5. “이런 사회 변화는 (크게) 2가지 키워드로 정리할 수 있어요. 첫 번째는 '유동화(=스트리밍화)'. (이젠) 한 사람이 여러 곳의 일을 동시에 할 수 있게 됐어요. (단순히 사람을 채용하는 것이 아니라) 그 사람이 가진 능력을 사는 시대가 되고 있는 거죠” 6. “두 번째는 극소화(=극단적 효율화)예요. 자동화와 플랫폼의 등장으로 한 명이 할 수 있는 일이 많아졌어요. 무리 지어 일할 필요가 없어진 거죠. 그러면 개인의 영향력이 극단적으로 증강됩니다. '내가 80% 이상을 일하는데, 왜 우리 팀은 4명이지?' 그 의문에서 1인 기업을 택하는 분들이 늘고 있죠. 그게 (더) 합리적인 선택이라고 판단하니까요” 7. “이렇듯 점차 개인의 이름이 드러나는 사회로 가고 있어요. 그런 사회에서는 온전히 자신이 만든 것을 세상에 알리며 성과를 쌓아가는 사람에게 많은 이들이 열광하게 돼요. 내가 한 일이라면 그 결과가 나에게 온전히 귀속되는 사회, 새로운 공정 사회가 오고 있는 거죠” 8. “(바꿔 말하면, 무슨 전문가니, 컨설턴트니, 코치니 하는 온갖 직업명이나 수식어로 자기를 꾸미는 퍼스널 브랜딩의 시대는 끝났고, 그 사람이 무슨 일을 했고, 어떤 결과를 만들었는지를 중심으로, 그 개인의 시간과 능력을 사려는 분위기가 생기고 있다는 얘깁니다)” 9. “(그러니 온갖 미사여구를 동원해 자기 자신을 억지로 브랜딩하려고 하지 말고, 지금부터는 딱 깔끔하게 실력과 능력과 결과로, 자기 이름이 지닌 가치를 높이세요. 그렇게 자기 이름으로 업계에서 네임드가 되세요. 앞으로는 훨씬 더 중요할 겁니다)” - 송길영 박사

www.folin.co

일을 잘 해서 네임드가 되면, 퍼스널 브랜딩 따위는 1도 중요하지

긱뉴스를 처음 보기 시작했던 게 2019년이었던가. 서비스가 나오자마자 보기 시작했습니다. 서비스 자체보다는 서비스를 어떻게 운영하는지에 더 관심이 있었습니다.

긱뉴스에서 배운 것들

긱뉴스를 처음 보기 시작했던 게 2019년이었던가.
서비스가 나오자마자 보기 시작했습니다.
서비스 자체보다는 서비스를 어떻게 운영하는지에 더 관심이 있었습니다.

어려울 거라 생각했습니다.
운영자님 혼자만 글을 올리는 개발 뉴스 커뮤니티.
한국이라는 작은 시장.
과연 이게 될까?

뭔가를 꾸준히 한다는 게 참 쉽지가 않습니다.
아무리 쉬운 일이라도 빼먹지 않고 매일 한다는 것.
저는 번번이 실패했습니다.

매일 팔굽혀펴기 100개씩을 해보자, 더도 말고 딱 100개만.
한 달을 조금 넘기고 빵꾸를 냈습니다.
한 번 빵꾸를 내니 더 이상 지속되질 않았습니다.

이번엔 좀 더 쉬운 걸로 해보자.
인스타그램을 만들어서 사진을 하루에 하나씩 올려보는 거야.
여행 사진이든 음식 사진이든.
이건 진짜 쉬운 일 아닌가?
이것도 한 달을 넘기질 못했습니다.

긱뉴스를 보면서 감탄했던 건 운영자님 혼자서 매일 5개의 글을 올렸다는 것.
눈이 오나 비가 오나. 반응이 있건 없건.
그것도 무려 5년 동안이나.

1년간 총 2411개의 기술뉴스가 작성되었습니다. 그중에 제가 작성한 것은 1974개 입니다. 일년간 하루도 빠짐없이 뉴스를 올려서, 평균 5.4개의 뉴스를 올렸네요. 지금도 가능하면 하루에 5개 이상은 뉴스를 엄선해서 올리려고 노력하고 있습니다.

긱뉴스 1주년 회고 중

지난 1년간총 2225개의 기술뉴스가 작성되어서 현재까지 총 뉴스는 4636개 입니다. 저는 오픈 후 2년간 하루도 빠짐없이 뉴스를 올려서, 총 3764개, 하루 평균 5.1개의 뉴스를 올렸네요. 지금도 가능하면 하루에 5개 이상은 뉴스를 엄선해서 올리려고 노력하고 있습니다.

긱뉴스 2주년 회고 중

도저히 활성화되지 않을 것 같던 커뮤니티에..
3년 쯤 지나니 다른 사람들도 종종 글을 올리고 댓글들도 달리기 시작했습니다.
와, 이게 되긴 되는구나.
서비스는 이렇게 하는 거구나.

제가 매일 코딩하기를 하는 것.
커피한잔을 만들면서 포기하지 않고 버텨낸 것.
긱뉴스를 운영하는 모습을 보며 영향을 많이 받았습니다.

오늘 긱뉴스에 올라온 한 글에서…
수많은 댓글을 보고 이제 커뮤니티가 많이 커졌구나 느꼈습니다.
피곤할 만한 글에 대한 운영자님의 대응을 보면서 많이 배우기도 했습니다. 감탄했습니다.

한때는 RSS를 500여 개 등록해놓고 매일 아침 눈 떴을 때부터 자기 전까지 틈날 때마다 읽었습니다.
다 읽어야 한다는 부담을 가지고. 아주 고통스럽게.
이제 긱뉴스 덕분에 RSS는 잘 보지 않습니다.
긱뉴스만 읽어도 이전보다 좋은 소식을 더 많이 알게 되는 것 같습니다.
바로 운영자님이 바라던 그 모습 그대로.

정말 대단한 서비스입니다.
항상 응원하고 감사하게 생각합니다.

https://jeho.page/essay/2024/09/30/geek-news.html

긱뉴스를 처음 보기 시작했던 게 2019년이었던가.서비스가 나오자마자 보기 시작했습니다.서비스 자체보다는 서비스를 어떻게 운영하는지에 더 관심이 있었습니다. 어려울 거라 생각했습니다.운영자님 혼자만 글을 올리는 개발 뉴스 커뮤니티.한국이라는 작은 시장.과연 이게 될까? 뭔가를 꾸준히 한다는 게 참 쉽지가 않습니다.아무리 쉬운 일이라도 빼먹지 않고 매일 한다는 것.저는 번번이 실패했습니다. 매일 팔굽혀펴기 100개씩을 해보자, 더도 말고 딱 100개만.한 달을 조금 넘기고 빵꾸를 냈습니다.한 번 빵꾸를 내니 더 이상 지속되질 않았습니다. 이번엔 좀 더 쉬운 걸로 해보자.인스타그램을 만들어서 사진을 하루에 하나씩 올려보는 거야.여행 사진이든 음식 사진이든.이건 진짜 쉬운 일 아닌가?이것도 한 달을 넘기질 못했습니다. 긱뉴스를 보면서 감탄했던 건 운영자님 혼자서 매일 5개의 글을 올렸다는 것.눈이 오나 비가 오나. 반응이 있건 없건.그것도 무려 5년 동안이나. 1년간 총 2411개의 기술뉴스가 작성되었습니다. 그중에 제가 작성한 것은 1974개 입니다. 일년간 하루도 빠짐없이 뉴스를 올려서, 평균 5.4개의 뉴스를 올렸네요. 지금도 가능하면 하루에 5개 이상은 뉴스를 엄선해서 올리려고 노력하고 있습니다. 긱뉴스 1주년 회고 중 지난 1년간총 2225개의 기술뉴스가 작성되어서 현재까지 총 뉴스는 4636개 입니다. 저는 오픈 후 2년간 하루도 빠짐없이 뉴스를 올려서, 총 3764개, 하루 평균 5.1개의 뉴스를 올렸네요. 지금도 가능하면 하루에 5개 이상은 뉴스를 엄선해서 올리려고 노력하고 있습니다. 긱뉴스 2주년 회고 중 도저히 활성화되지 않을 것 같던 커뮤니티에..3년 쯤 지나니 다른 사람들도 종종 글을 올리고 댓글들도 달리기 시작했습니다.와, 이게 되긴 되는구나.서비스는 이렇게 하는 거구나. 제가 매일 코딩하기를 하는 것.커피한잔을 만들면서 포기하지 않고 버텨낸 것.긱뉴스를 운영하는 모습을 보며 영향을 많이 받았습니다. 오늘 긱뉴스에 올라온 한 글에서…수많은 댓글을 보고 이제 커뮤니티가 많이 커졌구나 느꼈습니다.피곤할 만한 글에 대한 운영자님의 대응을 보면서 많이 배우기도 했습니다. 감탄했습니다. 한때는 RSS를 500여 개 등록해놓고 매일 아침 눈 떴을 때부터 자기 전까지 틈날 때마다 읽었습니다.다 읽어야 한다는 부담을 가지고. 아주 고통스럽게.이제 긱뉴스 덕분에 RSS는 잘 보지 않습니다.긱뉴스만 읽어도 이전보다 좋은 소식을 더 많이 알게 되는 것 같습니다.바로 운영자님이 바라던 그 모습 그대로. 정말 대단한 서비스입니다.항상 응원하고 감사하게 생각합니다. https://jeho.page/essay/2024/09/30/geek-news.html

K리그 프로그래머

"높은 연봉·유연근무도 싫다"...사표 던지는 美 MZ세대

🐳미국 MZ세대는 "고연봉도 싫다" '노동거부'를 선언하고 있다고 합니다

n.news.naver.com

한국 최초 메타버스 결혼식 진행자

글쓰는개미핥기

사용자가 좀 더 쉽게 서비스를 이용하도록 돕는 UX Writer 🤗

🎁 나는 내가 만난 사람들의 총체다.
🙄 '非주류의 Be주류'를 외쳤던 인간

💬 커피챗 언제든지 환영이에요!
✔ UX Writer 성장 클럽장💪
#UXWriter #UXWriting #UX라이팅

법률

정부 / 공공

글쓰기

논리적 사고

리더십

문제 정의하기

이해 관계자 관리

커뮤니케이션

콘텐츠 기획

프로젝트 매니징

비서관

법학

사회복지정책

법학, 사회복지학

김희진

Linkedin

계단뿌셔클럽

보고보트(bogovote)

사회문제, 공공정책/서비스, 커뮤니티, 리더십, 거버넌스에 관심이 많습니다. 많이 배우고 다양하게 실행해서 공공영역을 더 낫게 만들고 싶습니다.

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필