One of the key elements of Google's software engineering culture is the use of design docs for defining software designs. These are...

Design Docs at Google

Google Design Docs에 대한 설명입니다.

구글 내부에서는 소프트웨어 설계를 정의하는 디자인 문서를 비공식 정으로 사용한다고 합니다. 비공식 문서라서 엄격한 가이드라인이 있는 것은 아니지만 그동안 수많은 디자인 문서가 만들어지면서 유용한 구조가 자리 잡았다고 합니다.

맥락과 목표, 목표가 아닌 것을 명확히 설명하고 실제 디자인에 대한 설명과 다이어그램, 제약 조건을 명시하고 다른 대안이나 우려사항은 없는지를 설명하지만 바쁜 사람들도 쉽게 읽을 수 있을 정도로 짧아야 한다고 합니다.

디자인 문서를 작성하는 것도 비용이기 때문에 작성할 때 고민해야 하는데 보통 의사 결정에 대한 설명 없이 구현에 대한 설명만 있다면 문서를 작성하는 것보다는 바로 프로그래미을 작성하는게 더 좋은 선택이라고 얘기합니다.

이렇게 만든 문서는 반복을 통해서 개선한 뒤 리뷰를 통해서 다듬고 이후에도 계속 유지 관리를 하면서 시간이 지나면 소프트웨어가 만들어 진 후 다시 학습에 사용된다고 합니다.

----

디자인 문서나 테크 스펙을 많은 조직에서 사용합니다만 개인적으로 디자인 문서를 좋아하는 편은 아닙니다. 조직의 상황이나 문제에 따라 다르긴 하겠습니다만 일반적으로는 디자인 문서를 작성하는 것이 실제 할일보다는 너무 장황하게 느껴서 오히려 일이 느려지는 느낌을 많이 받는 편입니다. 실제 일보다 서류 작업이 많은 보수적 조직에 닮아가는 느낌이 어느 정도 있습니다.

물론 문서를 작성하고 형식에 맞게 설명을 하면서 구현자 스스로도 정리를 하게되는 효과도 있고 다른 사람도 이해할 수 있게 문서로 남음으로써 이해도도 높이고 히스토리가 되는 장점도 있다고 생각합니다. 이렇게 되려면 문서의 실용성이 상당히 많이 검증되어야 합니다만 일반적으로는 협업시에 제출해야할 서류 정도로 쓰이는 경우가 많아서 너무 사소한 일에도 문서를 작성해야 하거나 너무 추상적인 문서가 작성되는 상황을 종종 보게 됩니다.

물론 개인 취향이 많이 반영되어 있긴 합니다. 문서의 필요성은 중요하긴 하지만 저는 일반적으로 좀 장황하게 느껴지는 편입니다.

https://www.industrialempathy.com/posts/design-docs-at-google/

Google Design Docs에 대한 설명입니다. 구글 내부에서는 소프트웨어 설계를 정의하는 디자인 문서를 비공식 정으로 사용한다고 합니다. 비공식 문서라서 엄격한 가이드라인이 있는 것은 아니지만 그동안 수많은 디자인 문서가 만들어지면서 유용한 구조가 자리 잡았다고 합니다. 맥락과 목표, 목표가 아닌 것을 명확히 설명하고 실제 디자인에 대한 설명과 다이어그램, 제약 조건을 명시하고 다른 대안이나 우려사항은 없는지를 설명하지만 바쁜 사람들도 쉽게 읽을 수 있을 정도로 짧아야 한다고 합니다. 디자인 문서를 작성하는 것도 비용이기 때문에 작성할 때 고민해야 하는데 보통 의사 결정에 대한 설명 없이 구현에 대한 설명만 있다면 문서를 작성하는 것보다는 바로 프로그래미을 작성하는게 더 좋은 선택이라고 얘기합니다. 이렇게 만든 문서는 반복을 통해서 개선한 뒤 리뷰를 통해서 다듬고 이후에도 계속 유지 관리를 하면서 시간이 지나면 소프트웨어가 만들어 진 후 다시 학습에 사용된다고 합니다. ---- 디자인 문서나 테크 스펙을 많은 조직에서 사용합니다만 개인적으로 디자인 문서를 좋아하는 편은 아닙니다. 조직의 상황이나 문제에 따라 다르긴 하겠습니다만 일반적으로는 디자인 문서를 작성하는 것이 실제 할일보다는 너무 장황하게 느껴서 오히려 일이 느려지는 느낌을 많이 받는 편입니다. 실제 일보다 서류 작업이 많은 보수적 조직에 닮아가는 느낌이 어느 정도 있습니다. 물론 문서를 작성하고 형식에 맞게 설명을 하면서 구현자 스스로도 정리를 하게되는 효과도 있고 다른 사람도 이해할 수 있게 문서로 남음으로써 이해도도 높이고 히스토리가 되는 장점도 있다고 생각합니다. 이렇게 되려면 문서의 실용성이 상당히 많이 검증되어야 합니다만 일반적으로는 협업시에 제출해야할 서류 정도로 쓰이는 경우가 많아서 너무 사소한 일에도 문서를 작성해야 하거나 너무 추상적인 문서가 작성되는 상황을 종종 보게 됩니다. 물론 개인 취향이 많이 반영되어 있긴 합니다. 문서의 필요성은 중요하긴 하지만 저는 일반적으로 좀 장황하게 느껴지는 편입니다. https://www.industrialempathy.com/posts/design-docs-at-google/

Industrialempathy

업무 생산성 높히기를 떠올리면 아무래도 가장 먼저 떠오르는게 역시 엑셀일 것 같다. "두번 이상 반복 작업은 무조건 Python으로!!" 외치는 사람이지만, 사실 두번째 작업 하면서 '엑셀 함수로는 못하나?'를 먼저 생각한다. 최고의 소프트웨어는 역시 엑셀이다. 다만, 맥을 주된 환경으로 사용하다보니(+ 협업을 위해) 로컬 엑셀보다는 Google She ...

GPT for Google Sheets 만들기 with Apps Script

LLM 으로 생산성 올리는 가장 최고의 방법은 내가 쓰고 있는 도구나 환경에서도 자연스럽게 사용할수 있게 연동하는 것일텐데요. 그중 엑셀과의 연동이 최고이지 않을까 싶어요!

사내 비즈팀들을 위하여 만들어 본 GPT for Google Sheets 만드는 방법을 정리해보았습니다.

https://jiyeonseo.github.io/2024/05/15/gpt-for-google-sheets/

LLM 으로 생산성 올리는 가장 최고의 방법은 내가 쓰고 있는 도구나 환경에서도 자연스럽게 사용할수 있게 연동하는 것일텐데요. 그중 엑셀과의 연동이 최고이지 않을까 싶어요! 사내 비즈팀들을 위하여 만들어 본 GPT for Google Sheets 만드는 방법을 정리해보았습니다. https://jiyeonseo.github.io/2024/05/15/gpt-for-google-sheets/

Jiyeonseo

GPT for Google Sheets(feat. Apps Script)

스티브 잡스의 레어 영상입니다. 애플 시기 아닌 NeXT 시절이에요. NeXT의 포지셔닝이 어떻게 되는가에 대해서 설명하는데, 당시 컴퓨터 시장에 대한 통찰, 그들의 포지셔닝, 스티브 잡스가 어떻게 스토리를 풀어가야 하는가에 대해서 여러가지 통찰이 담겨있어서 재밌습니다. 이 영상의 목적도 재밌는 듯 합니다. 내부 직원 교육용 (아마도 컴퓨터 판매원들 교육용)으로 촬영된 듯 한데, 그들을 촬영하기 위해 영상매체를 썼다는 점도 재미있고요.

스티브잡스 레어 영상

스티브잡스 레어 영상입니다. 애플 시기 아닌 NeXT 시절이에요. NeXT의 포지셔닝이 어떻게 되는가에 대해서 설명하는데, 당시 컴퓨터 시장에 대한 통찰, 그들의 포지셔닝, 스티브잡스가 어떻게 스토리를 풀어가야 하는가에 대해서 여러가지 통찰이 담겨있는 귀한 영상입니다. 

이 영상의 목적도 재밌는데요. 내부 직원 교육용 (아마도 컴퓨터 판매원들 교육용)으로 촬영된 듯 한데, 그들을 촬영하기 위해 영상매체를 썼다는 점도 재미있고요. 그들의 눈높이에 맞춰 왜 컴퓨터가 필요한가 (엄밀히 말하면 B2B 영업사원들에게) why를 계속 강조하는 점이 재밌습니다. B2B SaaS 회사들의 교육 자료의 템플릿이라고 생각해도 좋을 정도로요. 

시대는 많이 다르지만, 큰 뼈대와 생각하는 방식에 굉장히 많은 통찰이 담겨 있습니다. 모두에게는 아니더라도, 분명 몇몇 분들에게는 도움이 될 귀한 자료라 생각하기에 번역했습니다. 조회수가 전부는 아니니까요. 즐거운 주말 되세요. 

https://www.youtube.com/watch?v=XuchSxJ211Y

스티브잡스 레어 영상입니다. 애플 시기 아닌 NeXT 시절이에요. NeXT의 포지셔닝이 어떻게 되는가에 대해서 설명하는데, 당시 컴퓨터 시장에 대한 통찰, 그들의 포지셔닝, 스티브잡스가 어떻게 스토리를 풀어가야 하는가에 대해서 여러가지 통찰이 담겨있는 귀한 영상입니다.&nbsp; 이 영상의 목적도 재밌는데요. 내부 직원 교육용 (아마도 컴퓨터 판매원들 교육용)으로 촬영된 듯 한데, 그들을 촬영하기 위해 영상매체를 썼다는 점도 재미있고요. 그들의 눈높이에 맞춰 왜 컴퓨터가 필요한가 (엄밀히 말하면 B2B 영업사원들에게) why를 계속 강조하는 점이 재밌습니다. B2B SaaS 회사들의 교육 자료의 템플릿이라고 생각해도 좋을 정도로요.&nbsp; 시대는 많이 다르지만, 큰 뼈대와 생각하는 방식에 굉장히 많은 통찰이 담겨 있습니다. 모두에게는 아니더라도, 분명 몇몇 분들에게는 도움이 될 귀한 자료라 생각하기에 번역했습니다. 조회수가 전부는 아니니까요. 즐거운 주말 되세요.&nbsp; https://www.youtube.com/watch?v=XuchSxJ211Y

YouTube

We’re announcing GPT-4 Omni, our new flagship model which can reason across audio, vision, and text in real time.

Hello GPT-4o

미국시간으로 5월13일 OpenAI가 발표한 GPT-4o(옴니)의 내용을 정리해봅니다.

 * 주요 내용
   * GPT-4omni(옴니=모든것)
   * 텍스트, 오디오, 이미지 및 비디오의 모든 조합을 입력과 출력
   * 최소 232밀리초, 평균 320밀리초만에 오디오 입력과 응답으로 사람의 응답시간과 비슷한 수준
   * 영어 텍스트 및 코드에 대한 GPT-4 터보 성능과 비슷하며, 비영어권 언어의 텍스트에 대한 성능이 크게 향상됨.
   * API는 훨씬 빠르고 50% 더 저렴

 * 모델 기능
   * GPT-4o 이전의 음성 모드는 평균 2.8초(GPT-3.5) 및 5.4초(GPT-4)의 지연 시간
   * GPT-3.5 또는 GPT-4는 하나의 단순 모델이 텍스트를 받아 텍스트를 출력하거나 오디오를 텍스트로 변환하는 방식
   * GPT-4o는 텍스트, 시각, 오디오에 걸쳐 하나의 새로운 모델을 엔드투엔드로 훈련시켜 모든 입력과 출력을 동일한 신경망으로 처리

 * 모델 평가
   * GPT-4o는 텍스트, 추론, 코딩 지능에서 GPT-4 터보 수준의 성능 달성
   * 추론 능력 향상: COT MMLU(일반 지식 문제)에서 88.7%라는 새로운 최고 점수 기록 / 기존의 5-샷 노-CoT MMLU에서 GPT-4o는 87.2%라는 새로운 최고 점수 기록

 * 언어 토큰화
   * 한국어 토큰 수 1.7배 감소(45개에서 27개로)

 * 모델 안전 및 제한 사항
   * 학습 데이터 필터링과 사후 학습을 통한 모델 동작 개선
   * 사이버 보안, 화생방, 설득, 모델 자율성에 대한 평가 결과 GPT-4o는 어느 항목에서도 중간 위험 이상의 점수를 받지 못함
   * 사회 심리학, 편견과 공정성, 잘못된 정보 등의 분야에서 70명 이상의 외부 전문가와 함께 광범위한 외부 레드팀 작업을 거쳐 상호 작용의 안전성을 개선하기 위한 안전 개입 구축

 * 모델 가용성
   * GPT-4o의 기능은 반복적으로 출시 예정(레드팀 액세스 권한 확장됨)
   * GPT-4o의 텍스트 및 이미지 기능을 무료 티어와 플러스 사용자에게 제공 예정. 음성모드는 알파버전으로 출시 예정
   * GPT-4 터보에 비해 2배 빠른 속도, 절반의 가격, 5배 더 높은 속도 제한
   * 새로운 오디오 및 비디오 기능에 대한 API 지원 예정

 * Source: https://openai.com/index/hello-gpt-4o/

미국시간으로 5월13일 OpenAI가 발표한 GPT-4o(옴니)의 내용을 정리해봅니다. <ul ><li>주요 내용<ul ><li>GPT-4omni(옴니=모든것)</li><li>텍스트, 오디오, 이미지 및 비디오의 모든 조합을 입력과 출력</li><li>최소 232밀리초, 평균 320밀리초만에 오디오 입력과 응답으로 사람의 응답시간과 비슷한 수준</li><li>영어 텍스트 및 코드에 대한 GPT-4 터보 성능과 비슷하며, 비영어권 언어의 텍스트에 대한 성능이 크게 향상됨.</li><li>API는 훨씬 빠르고 50% 더 저렴</li></ul></li></ul> <ul ><li>모델 기능<ul ><li>GPT-4o 이전의 음성 모드는 평균 2.8초(GPT-3.5) 및 5.4초(GPT-4)의 지연 시간</li><li>GPT-3.5 또는 GPT-4는 하나의 단순 모델이 텍스트를 받아 텍스트를 출력하거나 오디오를 텍스트로 변환하는 방식</li><li>GPT-4o는 텍스트, 시각, 오디오에 걸쳐 하나의 새로운 모델을 엔드투엔드로 훈련시켜 모든 입력과 출력을 동일한 신경망으로 처리</li></ul></li></ul> <ul ><li>모델 평가<ul ><li>GPT-4o는 텍스트, 추론, 코딩 지능에서 GPT-4 터보 수준의 성능 달성</li><li>추론 능력 향상: COT MMLU(일반 지식 문제)에서 88.7%라는 새로운 최고 점수 기록 / 기존의 5-샷 노-CoT MMLU에서 GPT-4o는 87.2%라는 새로운 최고 점수 기록</li></ul></li></ul> <ul ><li>언어 토큰화<ul ><li>한국어 토큰 수 1.7배 감소(45개에서 27개로)</li></ul></li></ul> <ul ><li>모델 안전 및 제한 사항<ul ><li>학습 데이터 필터링과 사후 학습을 통한 모델 동작 개선</li><li>사이버 보안, 화생방, 설득, 모델 자율성에 대한 평가 결과 GPT-4o는 어느 항목에서도 중간 위험 이상의 점수를 받지 못함</li><li>사회 심리학, 편견과 공정성, 잘못된 정보 등의 분야에서 70명 이상의 외부 전문가와 함께 광범위한 외부 레드팀 작업을 거쳐 상호 작용의 안전성을 개선하기 위한 안전 개입 구축</li></ul></li></ul> <ul ><li>모델 가용성<ul ><li>GPT-4o의 기능은 반복적으로 출시 예정(레드팀 액세스 권한 확장됨)</li><li>GPT-4o의 텍스트 및 이미지 기능을 무료 티어와 플러스 사용자에게 제공 예정. 음성모드는 알파버전으로 출시 예정</li><li>GPT-4 터보에 비해 2배 빠른 속도, 절반의 가격, 5배 더 높은 속도 제한</li><li>새로운 오디오 및 비디오 기능에 대한 API 지원 예정</li></ul></li></ul> <ul ><li>Source: https://openai.com/index/hello-gpt-4o/</li></ul>

openai.com

[OpenAI] GPT-4o

고대의 머신러닝 시절에는 대규모 언어 모델(LLM)을 조정된 모델의 기반으로 사용하기 위해서는 먼저 모든 데이터를 사용해 가능한 모든 머신러닝

생성형 AI의 개발 프로세스 이해하기

커리어리 친구들, 새로운 생성형 AI 패러다임에서의 개발 프로세스는 과거와는 상당히 다른데요, 전체적인 개념을 보면 일단 생성형 AI 모델(하나 또는 여러 개)을 선택합니다. 그런 다음 프롬프트를 만지작거리고(이것을 "프롬프트 엔지니어링"이라고 하는데, 실제 엔지니어들에게는 기분 나쁜 표현), 초매개변수를 조절해서 모델이 원하는 대로 작동하도록 합니다. 그래서 생성형 AI 개발 프로세스가 어떻게 되는 지 한눈에 살펴 볼 수 있어서 이 컬럼을 추천합니다.

원문보기:
https://www.itworld.co.kr/news/337110#csidx18cbdc71a9f503494989ba2f291b511

https://www.itworld.co.kr/news/337110

커리어리 친구들, 새로운 생성형 AI 패러다임에서의 개발 프로세스는 과거와는 상당히 다른데요, 전체적인 개념을 보면 일단 생성형 AI 모델(하나 또는 여러 개)을 선택합니다. 그런 다음 프롬프트를 만지작거리고(이것을 "프롬프트 엔지니어링"이라고 하는데, 실제 엔지니어들에게는 기분 나쁜 표현), 초매개변수를 조절해서 모델이 원하는 대로 작동하도록 합니다. 그래서 생성형 AI 개발 프로세스가 어떻게 되는 지 한눈에 살펴 볼 수 있어서 이 컬럼을 추천합니다. 원문보기: https://www.itworld.co.kr/news/337110#csidx18cbdc71a9f503494989ba2f291b511 https://www.itworld.co.kr/news/337110

ITWorld Korea

<생성형 AI 개발 프로세스는?>

At Microsoft Build 2024, developers can learn how NVIDIA and Microsoft make every layer of the generative AI stack work well together.

How Developers Can Construct the Future of Generative AI at Microsoft Build 2024

커리어리 친구들, NVIDIA와 Microsoft는 Microsoft Build 2024에서 개발자를 위한 새로운 생성 AI 솔루션을 발표했습니다.

NVIDIA의 전체 스택 AI 플랫폼과 Microsoft Azure의 통합을 통해 개발자들이 더 쉽게 생성 AI 애플리케이션을 만들고 배포할 수 있습니다.

이 행사에서는 NVIDIA 부스에서 실시간 데모와 전문가 상담을 제공하며, NVIDIA Omniverse 및 기타 최신 기술을 소개합니다. 이 협력은 개발자들이 AI 기술을 더 효과적으로 활용할 수 있도록 지원합니다.

더 자세한 사항은 아래 블로그를 읽어 주십시오(https://blogs.nvidia.com/blog/microsoft-build-2024/

커리어리 친구들, NVIDIA와 Microsoft는 Microsoft Build 2024에서 개발자를 위한 새로운 생성 AI 솔루션을 발표했습니다. NVIDIA의 전체 스택 AI 플랫폼과 Microsoft Azure의 통합을 통해 개발자들이 더 쉽게 생성 AI 애플리케이션을 만들고 배포할 수 있습니다. 이 행사에서는 NVIDIA 부스에서 실시간 데모와 전문가 상담을 제공하며, NVIDIA Omniverse 및 기타 최신 기술을 소개합니다. 이 협력은 개발자들이 AI 기술을 더 효과적으로 활용할 수 있도록 지원합니다. 더 자세한 사항은 아래 블로그를 읽어 주십시오(https://blogs.nvidia.com/blog/microsoft-build-2024/

NVIDIA Blog

<혁신적인 생성 AI 솔루션 소개>

블로그 플랫폼을 세 번 변경했습니다.

블로그 변천사 (텍스트큐브 -> 티스토리 -> GitHub 페이지)

블로그 플랫폼을 세 번 변경했습니다.

텍스트큐브 -> 티스토리 -> GitHub 페이지(with Jekyll)

블로그 선택도 투자와 같습니다.
꾸준히 개선이 이루어지고 검색엔진에도 잘 노출되는 플랫폼을 신중하게 선택해야 합니다.
저는 얼마 못 가 중단된 텍스트큐브를 선택했으니 완전히 실패한 투자였습니다.

한 플랫폼에서 오랫동안 점수를 쌓는 것은 중요합니다.
저는 세 번이나 옮겨 다녔습니다.
옮겨 다니면서 도메인까지 변경해버려서 점수를 많이 잃었을 겁니다.
도메인과 링크들 만큼은 잘 유지했어야 하는데 그러지 못해 아쉽습니다.

플랫폼마다 장단점이 있습니다만, 지금의 GitHub Pages가 그럭저럭 편안하고 마음에 듭니다.
호스팅 서비스를 받으면서도 내 마음대로 커스터마이징 할 수 있으니.
마크다운으로 깔끔하게 표현할 수 있는 것도 좋고 모든 기록이 GitHub에 백업되는 것도 좋습니다.

하지만 검색엔진의 바람을 탈 수 없는 것은 아쉬운 점입니다.
더 많은 사람들이 글을 읽어주고 피드백을 남겨주는 것은 큰 기쁨이니까요.

만약 다시 2008년으로 돌아가서 블로그를 만든다면 네이버 블로그를 선택할 것 같습니다.
그때는 개발자가 네이버 블로그에 글을 쓴다는 것이 뭔가 부끄럽다고 생각을 했습니다.
겉 멋만 들어서 진짜 중요한 걸 못 봤던 건 아닐까?
네이버 블로그가 지금도 사용자의 의견을 들으며 꾸준히 좋아지고 있는 걸 보면서 제 눈이 얼마나 얕았는지 생각해 보게 됩니다.

어쨌든 저는 마지막으로 GitHub Pages를 선택했고…
이 블로그에서 더 이상 이사가지 않고 잘 마무리할 수 있었으면 좋겠습니다. 😁

https://jeho.page/essay/2024/05/19/blog-platform-evolution.html

블로그 플랫폼을 세 번 변경했습니다. 텍스트큐브 -&gt; 티스토리 -&gt; GitHub 페이지(with Jekyll) 블로그 선택도 투자와 같습니다. 꾸준히 개선이 이루어지고 검색엔진에도 잘 노출되는 플랫폼을 신중하게 선택해야 합니다. 저는 얼마 못 가 중단된 텍스트큐브를 선택했으니 완전히 실패한 투자였습니다. 한 플랫폼에서 오랫동안 점수를 쌓는 것은 중요합니다. 저는 세 번이나 옮겨 다녔습니다. 옮겨 다니면서 도메인까지 변경해버려서 점수를 많이 잃었을 겁니다. 도메인과 링크들 만큼은 잘 유지했어야 하는데 그러지 못해 아쉽습니다. 플랫폼마다 장단점이 있습니다만, 지금의 GitHub Pages가 그럭저럭 편안하고 마음에 듭니다. 호스팅 서비스를 받으면서도 내 마음대로 커스터마이징 할 수 있으니. 마크다운으로 깔끔하게 표현할 수 있는 것도 좋고 모든 기록이 GitHub에 백업되는 것도 좋습니다. 하지만 검색엔진의 바람을 탈 수 없는 것은 아쉬운 점입니다. 더 많은 사람들이 글을 읽어주고 피드백을 남겨주는 것은 큰 기쁨이니까요. 만약 다시 2008년으로 돌아가서 블로그를 만든다면 네이버 블로그를 선택할 것 같습니다. 그때는 개발자가 네이버 블로그에 글을 쓴다는 것이 뭔가 부끄럽다고 생각을 했습니다. 겉 멋만 들어서 진짜 중요한 걸 못 봤던 건 아닐까? 네이버 블로그가 지금도 사용자의 의견을 들으며 꾸준히 좋아지고 있는 걸 보면서 제 눈이 얼마나 얕았는지 생각해 보게 됩니다. 어쨌든 저는 마지막으로 GitHub Pages를 선택했고… 이 블로그에서 더 이상 이사가지 않고 잘 마무리할 수 있었으면 좋겠습니다. 😁 https://jeho.page/essay/2024/05/19/blog-platform-evolution.html

K리그 프로그래머

티스토리에서는 왜 옮기셨나요?

Jung Blog for Clinical Genomics, Bioinformatics, Information Technologies.

Junghoon Blog

커리어리 친구들, 우정훈님께서 기업은 LLM/생성형 AI의 현재 가능성과 한계를 빠르게 파악하고, ROI가 나오는 영역을 구축하고 성장시키는 것이 중요하다고 말했습니다. 동시에 기술 발전 방향을 주시하며, 투자할 분야와 그렇지 않을 분야를 전략적으로 결정하는 것이 필요하다고 조언을 하셨는데요,

기업은 LLM/genAI을 활용하여 마케팅 컨텐츠 생성, (업무) 정보의 요약과 분류, CS 효율화 등 ROI가 빠르게, 확실하게 증명되고 있는 영역을 실제로 발견하고, 확신/확산해야 합니다. RAG(Retrieval-Augmented Generation) 프로세스, vector search optimization이 표준화되는 것처럼 보이지만, 앞으로 더 큰 컨텍스트 윈도우와 문서 원본 입력이 가능해질 것 또한 염두에 두어야 한다고 정리해 주셨는 데 과연 어떤 내용인지 아래의 내용을 살펴봐 주세요!!

https://geference.blogspot.com/

커리어리 친구들, 우정훈님께서 기업은 LLM/생성형 AI의 현재 가능성과 한계를 빠르게 파악하고, ROI가 나오는 영역을 구축하고 성장시키는 것이 중요하다고 말했습니다. 동시에 기술 발전 방향을 주시하며, 투자할 분야와 그렇지 않을 분야를 전략적으로 결정하는 것이 필요하다고 조언을 하셨는데요, 기업은 LLM/genAI을 활용하여 마케팅 컨텐츠 생성, (업무) 정보의 요약과 분류, CS 효율화 등 ROI가 빠르게, 확실하게 증명되고 있는 영역을 실제로 발견하고, 확신/확산해야 합니다. RAG(Retrieval-Augmented Generation) 프로세스, vector search optimization이 표준화되는 것처럼 보이지만, 앞으로 더 큰 컨텍스트 윈도우와 문서 원본 입력이 가능해질 것 또한 염두에 두어야 한다고 정리해 주셨는 데 과연 어떤 내용인지 아래의 내용을 살펴봐 주세요!! https://geference.blogspot.com/

geference.blogspot.com

<기업의 생성형 AI/LLM 와 기업의 변화 관리 전략>

🧮💰요즘 S급 리서처들을 빅테크에서 스카웃해오려고 연락하면 “GPU 몇 개나 쓸 수 있어요?”라는 말부터 한다더니, OpenAI도 별수 없구먼 🤣 #틀림

암튼, 걍 재미로 계산해봅시다.

OpenAI가 GPU를 약 20~40만개쯤 사용하고 있는 것으로 예상되는데, 그 중 훈련에 사용하는 GPU를 보수적으로 잡아 10만개라고 한다면, Superalignment에 20%의 GPU를 약속했었으니, 약 2만개.

그렇다는 것은 Ilya 같은 천재를 영입하려면 최소 4만개 정도의 GPU는 가지고 있어야한다는 것. A100 1개에 1만불이니, 2억달러 = 약 3천억.

Ilya 입사하면 3천억원어치 장비 사줘야 함. 🤣 내 맥북 에어 눈 감아. 🥹

🧮💰요즘 S급 리서처들을 빅테크에서 스카웃해오려고 연락하면 “GPU 몇 개나 쓸 수 있어요?”라는 말부터 한다더니, OpenAI도 별수 없구먼 🤣 #틀림 암튼, 걍 재미로 계산해봅시다. OpenAI가 GPU를 약 20~40만개쯤 사용하고 있는 것으로 예상되는데, 그 중 훈련에 사용하는 GPU를 보수적으로 잡아 10만개라고 한다면, Superalignment에 20%의 GPU를 약속했었으니, 약 2만개. 그렇다는 것은 Ilya 같은 천재를 영입하려면 최소 4만개 정도의 GPU는 가지고 있어야한다는 것. A100 1개에 1만불이니, 2억달러 = 약 3천억. Ilya 입사하면 3천억원어치 장비 사줘야 함. 🤣 내 맥북 에어 눈 감아. 🥹

In conversation | Geoffrey Hinton and Joel Hellermark

일리야 수츠케브가 딥러닝의 대부인 힌튼 교수의 연구실을 사전 약속도 없이 찾아 인터뷰한 내용입니다.

흥미로운 점은, 일리야가 권해준 Hiddne Markov Chain 모델에 대한 논문으로 힌튼 교수가 새로운 걸 배우기도 했다고 하네요.

제프리 힌튼 교수는 AI가 다음에 올 단어를 예측하는 훈련을 통해서 추론 능력을 가질 수 있다고 말합니다. 이 인터뷰 말고도 구글 퇴사 이후에 계속해서 밝힌 견해이지요. 이런 생각이 최근에 나온 게 아니라 예전에 일리야 수츠케브와 공동 연구하면서 가지게 된 견해인 데 정리하자면 다음과 같습니다.

🤖 단어 예측과 추론:
Hinton은 AI 모델이 단어 예측을 통해 추론할 수 있다고 믿습니다. 그는 모델이 더 커질수록 더 많은 추론을 할 수 있을 것이라고 예상합니다.

🤖 AlphaGo의 예시:
Hinton은 AlphaGo를 예로 들어, 모델이 훈련 데이터 이상으로 성과를 낼 수 있다고 설명합니다. 이는 모델이 단순히 데이터를 암기하는 것이 아니라, 그 데이터를 바탕으로 새로운 상황에서 추론할 수 있음을 시사합니다.

🤖 감정과 인공지능:
Hinton은 AI도 감정을 가질 수 있다고 믿습니다. 그는 인간의 감정 모델과 AI의 감정 모델이 유사할 수 있다고 설명하며, 이는 AI가 단순한 계산 기계를 넘어서는 능력을 가질 수 있음을 암시합니다.

https://youtu.be/tP-4njhyGvo?si=RE4Do_Iw5OjVb4QC

일리야 수츠케브가 딥러닝의 대부인 힌튼 교수의 연구실을 사전 약속도 없이 찾아 인터뷰한 내용입니다. 흥미로운 점은, 일리야가 권해준 Hiddne Markov Chain 모델에 대한 논문으로 힌튼 교수가 새로운 걸 배우기도 했다고 하네요. 제프리 힌튼 교수는 AI가 다음에 올 단어를 예측하는 훈련을 통해서 추론 능력을 가질 수 있다고 말합니다. 이 인터뷰 말고도 구글 퇴사 이후에 계속해서 밝힌 견해이지요. 이런 생각이 최근에 나온 게 아니라 예전에 일리야 수츠케브와 공동 연구하면서 가지게 된 견해인 데 정리하자면 다음과 같습니다. 🤖 단어 예측과 추론:Hinton은 AI 모델이 단어 예측을 통해 추론할 수 있다고 믿습니다. 그는 모델이 더 커질수록 더 많은 추론을 할 수 있을 것이라고 예상합니다. 🤖 AlphaGo의 예시:Hinton은 AlphaGo를 예로 들어, 모델이 훈련 데이터 이상으로 성과를 낼 수 있다고 설명합니다. 이는 모델이 단순히 데이터를 암기하는 것이 아니라, 그 데이터를 바탕으로 새로운 상황에서 추론할 수 있음을 시사합니다. 🤖 감정과 인공지능:Hinton은 AI도 감정을 가질 수 있다고 믿습니다. 그는 인간의 감정 모델과 AI의 감정 모델이 유사할 수 있다고 설명하며, 이는 AI가 단순한 계산 기계를 넘어서는 능력을 가질 수 있음을 암시합니다. https://youtu.be/tP-4njhyGvo?si=RE4Do_Iw5OjVb4QC

<딥러닝 대부, 제프리 힌튼 교수 대화>

 1. 기본기 확실히 하기
 2. 학습 능력 키우기
 3. 의사 소통 잘하기
 4. 문제 정의 잘하기
 5. 태스크 완료 시간 추정 잘하기
 6. 운영을 고려한 코드 작성하기
 7. 서비스 사고 대처 능력 키우기
 8. 결과를 내는데 집중하기
 9. 영향력 갖기 (코딩 멍키)
    
    
개발자로 일을 하다보면 피할 수 없는 것이 서비스와 관련된 사고를 내는 것이다. 보통은 버그로 인해 이런 일이 발생하게 되는데 이는 사실 코드를 많이 작성하는 개발자들에게 더 많이 발생할 수 밖에 없는데 동일한 사고를 안 내겠다는 개인적인 노력과 동일한 문제가 반복되는 것이 아니라면 성장과정으로 보는 조직적인 관점이 중요하다. 이로 인한 트라우마가 생긴다면 개발자의 커리어에는 치명적인 상처가 생길 수 있다.

개인의 성향에 따라서는 내 코드로 인해 서비스 사고가 났을 때 자책을 하다못해 움츠러들 수 있는데 이 경우 코드를 완벽하게 작성해야겠다는 결론에 도달할 수 있다. 이는 개인에게도 스트레스이기도 하고 조직 관점에서도 느린 속도로 이어지기에 개인적으로도 개발자의 커리어에서 사고는 언제 내느냐의 문제라고 바라보면서 사고 발생시 복기하고 어떻게 하면 재발을 막을지 생각해보는 것이 중요하다.

하지만 그 개인이 속한 개발 조직에서 사고의 책임을 100% 개인에게 돌릴다면 개인이 움츠러 드는 것은 어쩔 수 없다. 이는 특히 기술부채를 안고 갈 수 밖에 상황에서는 더 그러하다. 그러기에 개발 조직의 관점에서는 다음을 생각해보는 것이 좋다.

 1. 사고 발생시마다 프로세스를 개선하고 테스트를 추가하는 등의 노력을 병행하는 것이 더 좋다. 사고 마다 레벨을 정해서 심각한 문제들의 경우 사후 부검 프로세스를 통해 이유를 파악하고 재발을 막기 위한 조치들을 취해야 한다.
 2. 또한 사고가 발생했을 때 얼마나 빨리 이를 감지하고 문제해결 프로세스를 시작할지 사고 대처와 관계된 역량을 키우는 것이 중요해진다. 지난 포스팅에서 이야기했던 운영을 고려한 코드를 작성하는 것이 중요해지기 시작하는데 에러 메시지를 이해하기 쉽게 하고 여기저기 로그를 자세히 남기는 것들을 이야기했었다. 어느 정도 규모가 커진 조직이라면 처음에는 백엔드 엔지니어등이 코드 배포와 운영, 모니터링을 담당할 수 있겠지만 별도의 데브옵스 조직이 필요할지 점검해보는 것이 필요할 수도 있다.
 3. 주기적으로 중요 사고에 대한 조치가 취해졌는지 어느 정도로 조치를 취할지 논의할 필요가 있다. 안 그러면 사후부검만 하고 실제 예방 조치는 취해지지 않는 문제가 발생한다. 이는 엔지니어링 리더십의 책임이기도 하다.
 4. 많은 경우 크고 작은 문제들이 고객 리포트로 초기에 발견할 수 있기에 CS팀과의 원활한 커뮤니케이션이 필요할 수 있으며 이 역시 지난 포스팅에서 이야기했었다.
 5. 대부분의 큰 사고는 데이터베이스와 연관된 경우들이 많다. 그래서 데이터베이스의 오래 걸리는 쿼리를 선제적으로 모니터링하고 문제 되는 부분을 찾아 미리 최적화하는 것이 필요하다. 또 하나 해볼 수 있는 것은 중요한 페이지나 중요 API의 실행시간 (latency) 모니터링을 해보는 것이다.
     
온라인 서비스에서 사고는 언제 일어나느냐의 문제지 피해갈 수 있는 문제는 아니다. 사고를 안 내기위해 코드를 완벽하게 작성하려고 하는 것 보다는 문제 감지와 운영이 쉬운 코드를 작성하면서 코드 배포 프로세스와 서비스 모니터링 프로세스를 강화하는 것을 병행하는 것이 더 맞는 방향이다.

<ol ><li>기본기 확실히 하기</li><li>학습 능력 키우기</li><li>의사 소통 잘하기</li><li>문제 정의 잘하기</li><li>태스크 완료 시간 추정 잘하기</li><li>운영을 고려한 코드 작성하기</li><li>서비스 사고 대처 능력 키우기</li><li>결과를 내는데 집중하기</li><li>영향력 갖기 <s>(코딩 멍키)</s> </li></ol>개발자로 일을 하다보면 피할 수 없는 것이 서비스와 관련된 사고를 내는 것이다. 보통은 버그로 인해 이런 일이 발생하게 되는데 이는 사실 코드를 많이 작성하는 개발자들에게 더 많이 발생할 수 밖에 없는데 동일한 사고를 안 내겠다는 개인적인 노력과 동일한 문제가 반복되는 것이 아니라면 성장과정으로 보는 조직적인 관점이 중요하다. 이로 인한 트라우마가 생긴다면 개발자의 커리어에는 치명적인 상처가 생길 수 있다. 개인의 성향에 따라서는 내 코드로 인해 서비스 사고가 났을 때 자책을 하다못해 움츠러들 수 있는데 이 경우 코드를 완벽하게 작성해야겠다는 결론에 도달할 수 있다. 이는 개인에게도 스트레스이기도 하고 조직 관점에서도 느린 속도로 이어지기에 개인적으로도 개발자의 커리어에서 사고는 언제 내느냐의 문제라고 바라보면서 사고 발생시 복기하고 어떻게 하면 재발을 막을지 생각해보는 것이 중요하다. 하지만 그 개인이 속한 개발 조직에서 사고의 책임을 100% 개인에게 돌릴다면 개인이 움츠러 드는 것은 어쩔 수 없다. 이는 특히 기술부채를 안고 갈 수 밖에 상황에서는 더 그러하다. 그러기에 개발 조직의 관점에서는 다음을 생각해보는 것이 좋다. <ol ><li>사고 발생시마다 프로세스를 개선하고 테스트를 추가하는 등의 노력을 병행하는 것이 더 좋다. 사고 마다 레벨을 정해서 심각한 문제들의 경우 사후 부검 프로세스를 통해 이유를 파악하고 재발을 막기 위한 조치들을 취해야 한다.</li><li>또한 사고가 발생했을 때 얼마나 빨리 이를 감지하고 문제해결 프로세스를 시작할지 사고 대처와 관계된 역량을 키우는 것이 중요해진다. 지난 포스팅에서 이야기했던 운영을 고려한 코드를 작성하는 것이 중요해지기 시작하는데 에러 메시지를 이해하기 쉽게 하고 여기저기 로그를 자세히 남기는 것들을 이야기했었다. 어느 정도 규모가 커진 조직이라면 처음에는 백엔드 엔지니어등이 코드 배포와 운영, 모니터링을 담당할 수 있겠지만 별도의 데브옵스 조직이 필요할지 점검해보는 것이 필요할 수도 있다.</li><li>주기적으로 중요 사고에 대한 조치가 취해졌는지 어느 정도로 조치를 취할지 논의할 필요가 있다. 안 그러면 사후부검만 하고 실제 예방 조치는 취해지지 않는 문제가 발생한다. 이는 엔지니어링 리더십의 책임이기도 하다.</li><li>많은 경우 크고 작은 문제들이 고객 리포트로 초기에 발견할 수 있기에 CS팀과의 원활한 커뮤니케이션이 필요할 수 있으며 이 역시 지난 포스팅에서 이야기했었다.</li><li>대부분의 큰 사고는 데이터베이스와 연관된 경우들이 많다. 그래서 데이터베이스의 오래 걸리는 쿼리를 선제적으로 모니터링하고 문제 되는 부분을 찾아 미리 최적화하는 것이 필요하다. 또 하나 해볼 수 있는 것은 중요한 페이지나 중요 API의 실행시간 (latency) 모니터링을 해보는 것이다. &nbsp;</li></ol>온라인 서비스에서 사고는 언제 일어나느냐의 문제지 피해갈 수 있는 문제는 아니다. 사고를 안 내기위해 코드를 완벽하게 작성하려고 하는 것 보다는 문제 감지와 운영이 쉬운 코드를 작성하면서 코드 배포 프로세스와 서비스 모니터링 프로세스를 강화하는 것을 병행하는 것이 더 맞는 방향이다.

좋은 개발자가 알아야하는 9가지 포인트들 - 사고 대처 능력 키우

Test UI changes and production fixes with the powerful network response overrides in Chrome DevTools. Mock response headers, files, API requests, and more wi...

Override and mock network responses #DevToolsTips

﻿서버 개발 완료가 늦어져 API의 응답이 원하는 형태로 개발이 안되는 상황이나 API의 응답을 다른 응답으로 변경하여 브라우저에서 확인하고 싶을 경우 해볼만한 방법에 대해 공유 드립니다.

저희 팀 자체 테크 톡에서 나온 내용인데요. 크롬 브라우저에서만 동작한다는 단점(?)이 있지만 응답 결과를 서버에서 다르게 변경하며 봐야할 경우 브라우저 단에서 생각보다 쉽게 변경해볼수 있는 장점이 가장 크다고 느껴졌습니다.

프론트와 백엔드를 막론하고 알고 있으면 언젠가 강력하게 도움이 될 내용으로 생각됩니다.
https://www.youtube.com/watch?v=KxjGYcHZ_uI

﻿서버 개발 완료가 늦어져 API의 응답이 원하는 형태로 개발이 안되는 상황이나 API의 응답을 다른 응답으로 변경하여 브라우저에서 확인하고 싶을 경우 해볼만한 방법에 대해 공유 드립니다. 저희 팀 자체 테크 톡에서 나온 내용인데요. 크롬 브라우저에서만 동작한다는 단점(?)이 있지만 응답 결과를 서버에서 다르게 변경하며 봐야할 경우 브라우저 단에서 생각보다 쉽게 변경해볼수 있는 장점이 가장 크다고 느껴졌습니다. 프론트와 백엔드를 막론하고 알고 있으면 언젠가 강력하게 도움이 될 내용으로 생각됩니다.https://www.youtube.com/watch?v=KxjGYcHZ_uI ﻿

API의 응답을 프론트에서 손쉽게 변경하기

여러번의 이직을 거쳐왔지만 직장에서 동료와 직접적으로 문제가 된 적은 거의 없었다. 대부분 어느정도 의견차이가 있다고 하더라도 말도안되는 정도로 벗어나는 경우가 없기 때문에 대화로 의견타협을 할 수 있었다.

현직장에는 문제가 많다. 팀이 생긴지 2년정도밖에 안됐고 그간 거쳐간 리더들이 하나같이 잘못된 리더십을 행사하는 바람에 능력있는 사람들은 이미 다 빠져나갔다. 그러고나니 남아있던 경력만 많은 나르시스트가 감언이설과 장시간의 노동으로 테크리드 자리를 꿰찬듯 하다.

이미 한 번 철옹성을 쌓아올려 기회를 만든 이 나르시스트는 자신의 권위에 도전한다고 판단되는 모든 행위들을 권력으로 찍어누르면서 자리를 지키기위해 안간힘을 쓴다.

이들의 특징은 다음과 같다.
 1. 리더십이 아닌 자신의 직위를 내세운다
 2. 자신의 계획에 조금이라도 벗어나는 의견을 용납하지 못한다
 3. 실수를 인정하지 않는다
 4. 사과라는걸 모른다
 5. 남탓을 한다.
 6. 다른 사람의 실수를 들추며 자신을 치켜세운다.
 7. A와의 1:1 미팅에서 B를 까고 B와의 1:1 미팅에서 A를 깐다
 8. 모든 일의 공을 자신으로 돌린뒤 잡무를 팀원들에게 분배한다

이외에도 기타등등 조직에 악영향을 많이 끼친다. 어디까지나 미국 한정이지만 이것에 대응하기위해 지금까지 다음과 같은 방법을 활용하고있다.

 * 잘못된 행동이나 의사결정에 대한 정확한 기록. 일/시/상황 등을 기록한다.
 * 피드백은 되도록 매니져가 있는 상황에서 프로페셔널 한 매너를 지키며 전달한다.
 * 상대가 감정적으로 나오더라도 그것에 동요하지 않는다.
 * 인사팀과 매니져에게 기록해온 상황을 보고한다.
 * 생각이 같은 팀원을 찾아 동맹을 만든다.
 * 팀 내부도 중요하지만 외부 리더들과 좋은 관계를 유지한다.

직장에서 아무리 이해가 되지 않는 행동이나 의사결정을 지속적으로 내리는 리더를 만나더라도 준비 없이 권위에 도전하는건 위험하다. 특히나 상대적으로 직장내에서 입지가 좁다면 우선 나에대한 지지와 신뢰를 주변으로부터 얻는게 우선이다. 굴러들어온 돌이 박힌돌을 빼내려면 굴러들어오는 모멘텀과 동시에 나의 덩치를 불리는게 우선이다.

현 직장에 입사한지 1년이 지났다. 사실 이정도 되면 전직장에서는 일이 지루해져 다음 일자리를 찾기 시작했을 타이밍인데 불행 중 다행인지 이런 환경 덕분에 매일매일 새롭고 흥미로운 듯 하다. 매일이 새로운 경험이고 노하우도 쌓이는 것 같아서 어떻게보면 이런 환경에 들어온게 좋은 기회인 것 같기도 하다.

이제 슬슬 박힌돌을 빼내는 시도를 해 보려고 하고있다. 나로써도 처음하는 경험이고 여러가지 변수도 있어서 성공할 것이라는 확신은 아직 없지만, 지금까지 배운 것 들 만으로도 충분히 값진 경험을 한 것 같다.

앞으로 종종 진행상황을 업데이트 하겠다.

여러번의 이직을 거쳐왔지만 직장에서 동료와 직접적으로 문제가 된 적은 거의 없었다. 대부분 어느정도 의견차이가 있다고 하더라도 말도안되는 정도로 벗어나는 경우가 없기 때문에 대화로 의견타협을 할 수 있었다. 현직장에는 문제가 많다. 팀이 생긴지 2년정도밖에 안됐고 그간 거쳐간 리더들이 하나같이 잘못된 리더십을 행사하는 바람에 능력있는 사람들은 이미 다 빠져나갔다. 그러고나니 남아있던 경력만 많은 나르시스트가 감언이설과 장시간의 노동으로 테크리드 자리를 꿰찬듯 하다. 이미 한 번 철옹성을 쌓아올려 기회를 만든 이 나르시스트는 자신의 권위에 도전한다고 판단되는 모든 행위들을 권력으로 찍어누르면서 자리를 지키기위해 안간힘을 쓴다. 이들의 특징은 다음과 같다.<ol ><li>리더십이 아닌 자신의 직위를 내세운다</li><li>자신의 계획에 조금이라도 벗어나는 의견을 용납하지 못한다</li><li>실수를 인정하지 않는다</li><li>사과라는걸 모른다</li><li>남탓을 한다.</li><li>다른 사람의 실수를 들추며 자신을 치켜세운다.</li><li>A와의 1:1 미팅에서 B를 까고 B와의 1:1 미팅에서 A를 깐다</li><li>모든 일의 공을 자신으로 돌린뒤 잡무를 팀원들에게 분배한다</li></ol> 이외에도 기타등등 조직에 악영향을 많이 끼친다. 어디까지나 미국 한정이지만 이것에 대응하기위해 지금까지 다음과 같은 방법을 활용하고있다. <ul ><li>잘못된 행동이나 의사결정에 대한 정확한 기록. 일/시/상황 등을 기록한다.</li><li>피드백은 되도록 매니져가 있는 상황에서 프로페셔널 한 매너를 지키며 전달한다.</li><li>상대가 감정적으로 나오더라도 그것에 동요하지 않는다.</li><li>인사팀과 매니져에게 기록해온 상황을 보고한다.</li><li>생각이 같은 팀원을 찾아 동맹을 만든다.</li><li>팀 내부도 중요하지만 외부 리더들과 좋은 관계를 유지한다.</li></ul> 직장에서 아무리 이해가 되지 않는 행동이나 의사결정을 지속적으로 내리는 리더를 만나더라도 준비 없이 권위에 도전하는건 위험하다. 특히나 상대적으로 직장내에서 입지가 좁다면 우선 나에대한 지지와 신뢰를 주변으로부터 얻는게 우선이다. 굴러들어온 돌이 박힌돌을 빼내려면 굴러들어오는 모멘텀과 동시에 나의 덩치를 불리는게 우선이다. 현 직장에 입사한지 1년이 지났다. 사실 이정도 되면 전직장에서는 일이 지루해져 다음 일자리를 찾기 시작했을 타이밍인데 불행 중 다행인지 이런 환경 덕분에 매일매일 새롭고 흥미로운 듯 하다. 매일이 새로운 경험이고 노하우도 쌓이는 것 같아서 어떻게보면 이런 환경에 들어온게 좋은 기회인 것 같기도 하다. 이제 슬슬 박힌돌을 빼내는 시도를 해 보려고 하고있다. 나로써도 처음하는 경험이고 여러가지 변수도 있어서 성공할 것이라는 확신은 아직 없지만, 지금까지 배운 것 들 만으로도 충분히 값진 경험을 한 것 같다. 앞으로 종종 진행상황을 업데이트 하겠다.

직장에서 나르시스트를  상대하는 방법

몇 달 전, 반려생활에 처음 합류한 후 진행했던 첫 과제에 대한 내용을 블로그에 포스팅했더니 좋은 반응을 많이 받았습니다. 그래서 이번엔 시간을 조금 더 앞당겨, 반려생활에 합류하게 되기까지의 과정을 블로그에 적어 공유해 보고자 합니다. 반려생활에 지원할 무렵인 2023년 11월, 저는 우아한테크코스라는 부트캠프 캠퍼스에서 한창 프로그래밍 공부를 하고...

반려생활, 서버 개발자, 700대 1

반려생활에 입사하진 4개월된 승현님이 합류까지의 과정을 재미나게 적어주셨네요.

https://blog.ban-life.com/%EB%B0%98%EB%A0%A4%EC%83%9D%ED%99%9C-%EC%84%9C%EB%B2%84-%EA%B0%9C%EB%B0%9C%EC%9E%90-700%EB%8C%80-1-1aa370e64781

반려생활에 입사하진 4개월된 승현님이 합류까지의 과정을 재미나게 적어주셨네요. https://blog.ban-life.com/%EB%B0%98%EB%A0%A4%EC%83%9D%ED%99%9C-%EC%84%9C%EB%B2%84-%EA%B0%9C%EB%B0%9C%EC%9E%90-700%EB%8C%80-1-1aa370e64781

Medium

반려생활에 합류하기 위한 여정

Next.js 환경에서 개발을 하다보면 Hydration에러를 종종 만나게 되는데요. 이 에러는 서버에서 생성된 HTML과 클라이언트에서 생성되는 HTML간에 불일치가 발생할때 발생합니다.

가령 useEffect내 API호출을 한다던지, 세션이나 쿠키 같은 요인에 따라 렌더링 컴포넌트가 다를때라던지, 자바스크립트 실행 타이밍이 다를때 이 에러를 접하게 되는데요.

이 Hydration에러는 왜 발생하는 것일까요??
근본적인 원인은 렌더링을 두 번 하기 때문입니다. 서버 사이드 렌더링 후, 클라이언트 사이드에서 추가 렌더링을 하면서 데이터의 불일치가 발생하는 것인데요. 

그럼 왜 렌더링을 두 번 할까요? 언뜻 보기엔 두 번 렌더링이 비효율적인것 같아 보이는데요. 두 번 렌더링을 하게 되면 최초 초기 로딩 시 최소한의 정보만을 포함하고 있어 빠르게 렌더링이 가능합니다. 또한 검색엔진은 빠른 렌더링을 중요한 랭킹 요소로 고려하므로 SEO에도 유리 합니다. 초기 렌더링 이후에는  DOM 요소에 속성을 매칭 시키는 작업을 하는데요. 이 이벤트 리스너를 붙이는 작업은 페이지를 다시 그리지 않으므로 추가적인 렌더링 비용이 발생하지 않습니다.

따라서, Hydration은 효율적인 초기 페이지 로딩과 동적 웹 애플리케이션 기능의 균형을 맞추기 위한 과정 입니다. 다만 Hydration 에러는 개발 과정에서 다루기 까다로운 문제중 하나인데요. Next.js 에서도 에러를 줄이기 위한 방안을 지속적으로 모색하고 기술적인 접근을 제공하고 있습니다. 예를 들어 Zustand에서는 과거에 persist미들웨어를 사용할때 Hydration에러가 발생하였는데요 V3부터는 클라이언트 측에서 상태를 다시 로드하도록 하여 서버와 클라이언트 사이의 데이터 불일치 문제를 해결하였습니다. 

Hydration 과정과 이로 인해 발생할 수 있는 에러를 제대로 관리하면, 사용자 경험을 향상시키고 웹사이트의 성능을 최적화할 수 있습니다.

Next.js 환경에서 개발을 하다보면 Hydration에러를 종종 만나게 되는데요. 이 에러는 서버에서 생성된 HTML과 클라이언트에서 생성되는 HTML간에 불일치가 발생할때 발생합니다. 가령 useEffect내 API호출을 한다던지, 세션이나 쿠키 같은 요인에 따라 렌더링 컴포넌트가 다를때라던지, 자바스크립트 실행 타이밍이 다를때 이 에러를 접하게 되는데요. 이 Hydration에러는 왜 발생하는 것일까요??근본적인 원인은 렌더링을 두 번 하기 때문입니다. 서버 사이드 렌더링 후, 클라이언트 사이드에서 추가 렌더링을 하면서 데이터의 불일치가 발생하는 것인데요.&nbsp; 그럼 왜 렌더링을 두 번 할까요? 언뜻 보기엔 두 번 렌더링이 비효율적인것 같아 보이는데요. 두 번 렌더링을 하게 되면 최초 초기 로딩 시 최소한의 정보만을 포함하고 있어 빠르게 렌더링이 가능합니다. 또한 검색엔진은 빠른 렌더링을 중요한 랭킹 요소로 고려하므로 SEO에도 유리 합니다. 초기 렌더링 이후에는&nbsp; DOM 요소에 속성을 매칭 시키는 작업을 하는데요. 이 이벤트 리스너를 붙이는 작업은 페이지를 다시 그리지 않으므로 추가적인 렌더링 비용이 발생하지 않습니다. 따라서, Hydration은 효율적인 초기 페이지 로딩과 동적 웹 애플리케이션 기능의 균형을 맞추기 위한 과정 입니다. 다만 Hydration 에러는 개발 과정에서 다루기 까다로운 문제중 하나인데요. Next.js 에서도 에러를 줄이기 위한 방안을 지속적으로 모색하고 기술적인 접근을 제공하고 있습니다. 예를 들어 Zustand에서는 과거에 persist미들웨어를 사용할때 Hydration에러가 발생하였는데요 V3부터는 클라이언트 측에서 상태를 다시 로드하도록 하여 서버와 클라이언트 사이의 데이터 불일치 문제를 해결하였습니다.&nbsp; Hydration 과정과 이로 인해 발생할 수 있는 에러를 제대로 관리하면, 사용자 경험을 향상시키고 웹사이트의 성능을 최적화할 수 있습니다.

Next.js 개발 시 자주 마주치는 Hydration 에러 이해

Microsoft Word - sosp067-decandia1.doc

아래의 25개의 논문들은 현대 컴퓨팅 시스템의 기반 기술들을 소개하고 있는데요.

이러한 기술들은 대규모 서비스, 분산 시스템, 클라우드, 데이터베이스, 머신러닝 등에서 다양하게 활용되고 있다고 합니다.

이것들을 공부하면 기술 면접이나 대규모 시스템 설계 그리고 실제 리얼 월드의 문제를 해결하는데 도움을 줄거에요.

앞으로 이러한 논문들을 하나씩 소개하는 글을 작성해볼게요~ 

 1. Dynamo - Amazon’s Highly Available Key Value Store:
 * Dynamo 시스템이 Amazon의 대규모 환경에서 어떻게 신뢰성을 제공하는지, 그리고 일관성을 희생하면서 어떻게 항상 사용 가능한 경험을 지원하는지에 대해 다룹니다. 
 * https://www.allthingsdistributed.com/files/amazon-dynamo-sosp2007.pdf?utm_source=substack&utm_medium=email

 2. Google File System:
 * Google File System의 설계 및 구현에 초점을 맞추며, 이 시스템이 대규모 데이터 중심 응용 프로그램을 지원하는 분산 파일 시스템으로서 어떻게 Scalability 와 Fault Tolerance 를 제공하는지에 대해 다룹니다. 
 * https://static.googleusercontent.com/media/research.google.com/en//archive/gfs-sosp2003.pdf?utm_source=substack&utm_medium=email

 3. Scaling Memcached at Facebook:
 * Facebook 이 Memcached 를 활용하여 어떻게 전 세계에서 가장 큰 소셜 네트워크를 지원하는 분산 키-값 저장소를 구축하고 확장했는지에 대해 다룹니다. 
 * https://www.usenix.org/system/files/conference/nsdi13/nsdi13-final170_update.pdf

 4. BigTable:
 * Bigtable이 어떻게 구조화된 데이터를 관리하기 위해 설계되었으며, 수천 대의 commodity servers 에서 페타바이트 규모로 확장될 수 있는지에 대해 다룹니다. 
 * https://substack.com/redirect/c49ce9b7-e0ab-4f1e-8936-3efd383ba713?j=eyJ1IjoiMmNscmc3In0.K_gP_5CqaAf0cWWggPM-WMz4gPJ_QSJ7yEFtqH8EWp4

 5. Borg - Large Scale Cluster Management at Google: 
 * Borg 시스템이 수십만 대의 기계를 포함하는 여러 클러스터에서 수천 개의 다양한 응용 프로그램에서 수백만 개의 작업을 어떻게 관리하는지, 그리고 높은 자원 활용도를 달성하기 위해 어떤 기술을 사용하는지에 대해 다룹니다. 
 * https://storage.googleapis.com/pub-tools-public-publication-data/pdf/43438.pdf?utm_source=substack&utm_medium=email

 6. Cassandra:
 * Cassandra 가 어떻게 대량의 구조화된 데이터를 여러 커머디티 서버에 걸쳐 관리하면서, 단일 실패 지점 없이 높은 가용성을 제공하는 분산 스토리지 시스템이 될 수 있는지에 대해 다룹니다. 
 * https://substack.com/redirect/cad644f7-a5c8-4d78-9b37-75597bf3b689?j=eyJ1IjoiMmNscmc3In0.K_gP_5CqaAf0cWWggPM-WMz4gPJ_QSJ7yEFtqH8EWp4

 7. Attention Is All You Need: 
 * 기존의 복잡한 순환 또는 합성곱 신경망을 대체하는 새로운 신경망 구조인 Transformer 에 대해 설명하며, 이 구조가 어떻게 오직 Attention 메커니즘만을 기반으로 하여 더 빠른 학습 속도와 높은 병렬 처리 능력을 제공하는지에 대해 다룹니다. 
 * https://arxiv.org/abs/1706.03762?utm_source=substack&utm_medium=email

 8. Kafka:
 * Kafka가 어떻게 대량의 로그 데이터를 수집하고 낮은 지연시간으로 전달하는 분산 메시징 시스템인지, 그리고 기존 로그 집계기 및 메시징 시스템에서 어떤 아이디어를 도입했는지에 대해 다룹니다.
 * https://www.microsoft.com/en-us/research/wp-content/uploads/2017/09/Kafka.pdf?utm_source=substack&utm_medium=email 

 9. FoundationDB:
 * FoundationDB 가 어떻게 NoSQL의 유연성과 확장성을 ACID 트랜잭션과 결합하고 있는지, 그리고 이 시스템이 어떻게 분리된 아키텍처를 채택하여 각 서브시스템을 독립적으로 조정할 수 있게 만들었는지에 대해 다룹니다. 
 * https://www.foundationdb.org/files/fdb-paper.pdf?utm_source=substack&utm_medium=email

 10. Amazon Aurora:
 * Aurora가 어떻게 OLTP 워크로드를 위한 관계형 데이터베이스 서비스로 설계되었으며, 고성능 데이터 처리에 있어 네트워크가 중요한 제약 요소로 부상했는지에 대해 다룹니다. 
 * https://web.stanford.edu/class/cs245/readings/aurora.pdf?utm_source=substack&utm_medium=email

 11. Spanner: 
 * Spanner가 어떻게 세계적 규모로 데이터를 분산시키고, externally-consistent 을 지원하는 분산 트랜잭션을 처음으로 제공하는 시스템인지에 대해 다룹니다. 
 * https://static.googleusercontent.com/media/research.google.com/en//archive/spanner-osdi2012.pdf?utm_source=substack&utm_medium=email

 12. MapReduce:
 * MapReduce가 어떻게 대규모 데이터 세트를 처리하고 생성하는데 사용되며, 사용자가 맵 함수와 리듀스 함수를 정의하여 데이터를 자동으로 병렬 처리하는 방식에 대해 다룹니다. 
 * https://storage.googleapis.com/pub-tools-public-publication-data/pdf/16cb30b4b92fd4989b8619a61752a2387c6dd474.pdf?utm_source=substack&utm_medium=email

 13. Shard Manager:
 * Shard Manager 가 어떻게 지리적으로 분산된 애플리케이션을 위한 샤드 관리를 단순화하고, 소프트웨어 업그레이드와 같은 계획된 이벤트 동안 애플리케이션 가용성을 유지하는 기능을 제공하는지에 대해 다룹니다. 
 * https://dl.acm.org/doi/pdf/10.1145/3477132.3483546?utm_source=substack&utm_medium=email

 14. Dapper:
 * Dapper가 어떻게 낮은 오버헤드, 애플리케이션 수준의 투명성을 제공하며 대규모 시스템에서 어디에나 배포될 수 있는지에 대해 다룹니다. 
 * https://static.googleusercontent.com/media/research.google.com/en//archive/papers/dapper-2010-1.pdf?utm_source=substack&utm_medium=email

 15. Flink:
 * Apache Flink 시스템의 주요 특징과 철학을 소개하고, Flink가 실시간 분석, 연속 데이터 파이프라인, 이력 데이터 처리(배치), 반복적 알고리즘(머신러닝, 그래프 분석)을 포함한 다양한 데이터 처리 응용 프로그램을 지원하는지에 대해 다룹니다. 
 * https://www.researchgate.net/publication/308993790_Apache_Flink_Stream_and_Batch_Processing_in_a_Single_Engine

 16. A Comprehensive Survey on Vector Databases:
 * 벡터 데이터베이스에 관한 포괄적인 내용을 다룹니다. 그리고 벡터 데이터베이스가 고차원 데이터를 저장하는 방법, 전통적인 DBMS에서 다루기 어려운 데이터의 특성화 방법, 그리고 이 분야에서 발생하는 주요 도전 과제들에 대해 다룹니다. 
 * https://arxiv.org/pdf/2310.11703

 17. Zanzibar:
 * 구글의 Zanzibar 시스템에 대해 다룹니다. 그리고 Zanzibar가 어떻게 수조 개의 접근 제어 목록과 초당 수백만 개의 인증 요청을 처리하는지에 대해 다룹니다. 
 * https://storage.googleapis.com/pub-tools-public-publication-data/pdf/10683a8987dbf0c6d4edcafb9b4f05cc9de5974a.pdf?utm_source=substack&utm_medium=email

 18. Monarch: 
 * 구글의 Monarch가 어떻게 전 세계적으로 분산된 인메모리 시계열 데이터베이스로서 구글의 수십억 사용자 규모의 애플리케이션과 시스템을 모니터링하는 데 사용되는지, 그리고 이 시스템이 매초 테라바이트의 데이터를 수집하고 수백만 건의 쿼리를 처리하는 방법에 대해 다룹니다. 
 * https://storage.googleapis.com/pub-tools-public-publication-data/pdf/d84ab6c93881af998de877d0070a706de7bec6d8.pdf?utm_source=substack&utm_medium=email

 19. Thrift:
 * Thrift 소프트웨어 라이브러리와 코드 생성 도구에 대해 다룹니다. 그리고 Thrift가 어떻게 다양한 프로그래밍 언어 간의 효율적이고 신뢰할 수 있는 통신을 가능하게 하는지에 대해 다룹니다. 
 * https://thrift.apache.org/static/files/thrift-20070401.pdf?utm_source=substack&utm_medium=email

 20. Bitcoin:
 * 비트코인이 금융기관을 거치지 않고 직접적으로 온라인 지불을 가능하게 하는 순수한 Peer-to-Peer 전자화폐 시스템으로서, 어떻게 이중 지불 문제를 해결하며, 해시 기반의 작업 증명을 통해 거래를 타임스탬프하는 네트워크를 사용하는지에 대해 다룹니다. 
 * https://bitcoin.org/bitcoin.pdf?utm_source=substack&utm_medium=email

 21. WTF - Who to Follow Service at Twitter:
 * WTF가 어떻게 일일 수백만 사용자 간의 연결을 생성하는지, 그리고 공유된 관심사, 공통 연결 등을 기반으로 어떻게 사용자 추천을 수행하는지에 대해 다룹니다. 
 * https://web.stanford.edu/~rezab/papers/wtf_overview.pdf?utm_source=substack&utm_medium=email

 22. MyRocks: LSM-Tree Database Storage Engine:
 * Facebook 에서 MyRocks 엔진을 어떻게 활용하는지에 대해 다룹니다. 그리고 MyRocks가 어떻게 LSM-트리 기반의 RocksDB 위에 구축되어 MySQL의 관계형 기능을 통합했는지에 대해서도 다룹니다. 
 * https://www.vldb.org/pvldb/vol13/p3217-matsunobu.pdf?utm_source=substack&utm_medium=email

 23. GoTo Considered Harmful: 
 * https://homepages.cwi.nl/~storm/teaching/reader/Dijkstra68.pdf?utm_source=substack&utm_medium=email

 24. Raft Consensus Algorithm:
 * Raft 합의 알고리즘에 대해 다룹니다. 그리고 Raft가 어떻게 Paxos와 동등한 결과를 내면서도 더 이해하기 쉽고 실용적인 시스템 구축의 기반을 제공하는지에 대해서도 다룹니다. 
 * https://raft.github.io/raft.pdf?utm_source=substack&utm_medium=email

 25. Time Clocks and Ordering of Events:
 * 분산 시스템 내에서 이벤트의 순서를 결정하고 시간의 개념을 이해하는 방법에 대해 다룹니다. 
 * https://lamport.azurewebsites.net/pubs/time-clocks.pdf?utm_source=substack&utm_medium=email

아래의 25개의 논문들은 현대 컴퓨팅 시스템의 기반 기술들을 소개하고 있는데요. 이러한 기술들은 대규모 서비스, 분산 시스템, 클라우드, 데이터베이스, 머신러닝 등에서 다양하게 활용되고 있다고 합니다. 이것들을 공부하면 기술 면접이나 대규모 시스템 설계 그리고 실제 리얼 월드의 문제를 해결하는데 도움을 줄거에요. 앞으로 이러한 논문들을 하나씩 소개하는 글을 작성해볼게요~&nbsp; <ol ><li>Dynamo - Amazon’s Highly Available Key Value Store: </li></ol><ul ><li>Dynamo 시스템이 Amazon의 대규모 환경에서 어떻게 신뢰성을 제공하는지, 그리고 일관성을 희생하면서 어떻게 항상 사용 가능한 경험을 지원하는지에 대해 다룹니다.&nbsp;</li><li>https://www.allthingsdistributed.com/files/amazon-dynamo-sosp2007.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="2"><li>Google File System: </li></ol><ul ><li>Google File System의 설계 및 구현에 초점을 맞추며, 이 시스템이 대규모 데이터 중심 응용 프로그램을 지원하는 분산 파일 시스템으로서 어떻게 Scalability 와 Fault Tolerance 를 제공하는지에 대해 다룹니다.&nbsp;</li><li>https://static.googleusercontent.com/media/research.google.com/en//archive/gfs-sosp2003.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="3"><li>Scaling Memcached at Facebook: </li></ol><ul ><li>Facebook 이 Memcached 를 활용하여 어떻게 전 세계에서 가장 큰 소셜 네트워크를 지원하는 분산 키-값 저장소를 구축하고 확장했는지에 대해 다룹니다.&nbsp;</li><li>https://www.usenix.org/system/files/conference/nsdi13/nsdi13-final170_update.pdf</li></ul> <ol start="4"><li>BigTable: </li></ol><ul ><li>Bigtable이 어떻게 구조화된 데이터를 관리하기 위해 설계되었으며, 수천 대의 commodity servers 에서 페타바이트 규모로 확장될 수 있는지에 대해 다룹니다.&nbsp;</li><li>https://substack.com/redirect/c49ce9b7-e0ab-4f1e-8936-3efd383ba713?j=eyJ1IjoiMmNscmc3In0.K_gP_5CqaAf0cWWggPM-WMz4gPJ_QSJ7yEFtqH8EWp4</li></ul> <ol start="5"><li>Borg - Large Scale Cluster Management at Google:&nbsp; </li></ol><ul ><li>Borg 시스템이 수십만 대의 기계를 포함하는 여러 클러스터에서 수천 개의 다양한 응용 프로그램에서 수백만 개의 작업을 어떻게 관리하는지, 그리고 높은 자원 활용도를 달성하기 위해 어떤 기술을 사용하는지에 대해 다룹니다.&nbsp;</li><li>https://storage.googleapis.com/pub-tools-public-publication-data/pdf/43438.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="6"><li>Cassandra: </li></ol><ul ><li>Cassandra 가 어떻게 대량의 구조화된 데이터를 여러 커머디티 서버에 걸쳐 관리하면서, 단일 실패 지점 없이 높은 가용성을 제공하는 분산 스토리지 시스템이 될 수 있는지에 대해 다룹니다.&nbsp;</li><li>https://substack.com/redirect/cad644f7-a5c8-4d78-9b37-75597bf3b689?j=eyJ1IjoiMmNscmc3In0.K_gP_5CqaAf0cWWggPM-WMz4gPJ_QSJ7yEFtqH8EWp4</li></ul> <ol start="7"><li>Attention Is All You Need:&nbsp;</li></ol><ul ><li>기존의 복잡한 순환 또는 합성곱 신경망을 대체하는 새로운 신경망 구조인 Transformer 에 대해 설명하며, 이 구조가 어떻게 오직 Attention 메커니즘만을 기반으로 하여 더 빠른 학습 속도와 높은 병렬 처리 능력을 제공하는지에 대해 다룹니다.&nbsp;</li><li>https://arxiv.org/abs/1706.03762?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="8"><li>Kafka: </li></ol><ul ><li>Kafka가 어떻게 대량의 로그 데이터를 수집하고 낮은 지연시간으로 전달하는 분산 메시징 시스템인지, 그리고 기존 로그 집계기 및 메시징 시스템에서 어떤 아이디어를 도입했는지에 대해 다룹니다.</li><li>https://www.microsoft.com/en-us/research/wp-content/uploads/2017/09/Kafka.pdf?utm_source=substack&amp;utm_medium=email&nbsp;</li></ul> <ol start="9"><li>FoundationDB: </li></ol><ul ><li>FoundationDB 가 어떻게 NoSQL의 유연성과 확장성을 ACID 트랜잭션과 결합하고 있는지, 그리고 이 시스템이 어떻게 분리된 아키텍처를 채택하여 각 서브시스템을 독립적으로 조정할 수 있게 만들었는지에 대해 다룹니다.&nbsp;</li><li>https://www.foundationdb.org/files/fdb-paper.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="10"><li>Amazon Aurora: </li></ol><ul ><li>Aurora가 어떻게 OLTP 워크로드를 위한 관계형 데이터베이스 서비스로 설계되었으며, 고성능 데이터 처리에 있어 네트워크가 중요한 제약 요소로 부상했는지에 대해 다룹니다.&nbsp;</li><li>https://web.stanford.edu/class/cs245/readings/aurora.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="11"><li>Spanner:&nbsp; </li></ol><ul ><li>Spanner가 어떻게 세계적 규모로 데이터를 분산시키고, externally-consistent 을 지원하는 분산 트랜잭션을 처음으로 제공하는 시스템인지에 대해 다룹니다.&nbsp;</li><li>https://static.googleusercontent.com/media/research.google.com/en//archive/spanner-osdi2012.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="12"><li>MapReduce: </li></ol><ul ><li>MapReduce가 어떻게 대규모 데이터 세트를 처리하고 생성하는데 사용되며, 사용자가 맵 함수와 리듀스 함수를 정의하여 데이터를 자동으로 병렬 처리하는 방식에 대해 다룹니다.&nbsp;</li><li>https://storage.googleapis.com/pub-tools-public-publication-data/pdf/16cb30b4b92fd4989b8619a61752a2387c6dd474.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="13"><li>Shard Manager:</li></ol><ul ><li>Shard Manager 가 어떻게 지리적으로 분산된 애플리케이션을 위한 샤드 관리를 단순화하고, 소프트웨어 업그레이드와 같은 계획된 이벤트 동안 애플리케이션 가용성을 유지하는 기능을 제공하는지에 대해 다룹니다.&nbsp;</li><li>https://dl.acm.org/doi/pdf/10.1145/3477132.3483546?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="14"><li>Dapper: </li></ol><ul ><li>Dapper가 어떻게 낮은 오버헤드, 애플리케이션 수준의 투명성을 제공하며 대규모 시스템에서 어디에나 배포될 수 있는지에 대해 다룹니다.&nbsp;</li><li>https://static.googleusercontent.com/media/research.google.com/en//archive/papers/dapper-2010-1.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="15"><li>Flink: </li></ol><ul ><li>Apache Flink 시스템의 주요 특징과 철학을 소개하고, Flink가 실시간 분석, 연속 데이터 파이프라인, 이력 데이터 처리(배치), 반복적 알고리즘(머신러닝, 그래프 분석)을 포함한 다양한 데이터 처리 응용 프로그램을 지원하는지에 대해 다룹니다.&nbsp;</li><li>https://www.researchgate.net/publication/308993790_Apache_Flink_Stream_and_Batch_Processing_in_a_Single_Engine</li></ul> <ol start="16"><li>A Comprehensive Survey on Vector Databases: </li></ol><ul ><li>벡터 데이터베이스에 관한 포괄적인 내용을 다룹니다. 그리고 벡터 데이터베이스가 고차원 데이터를 저장하는 방법, 전통적인 DBMS에서 다루기 어려운 데이터의 특성화 방법, 그리고 이 분야에서 발생하는 주요 도전 과제들에 대해 다룹니다.&nbsp;</li><li>https://arxiv.org/pdf/2310.11703</li></ul> <ol start="17"><li>Zanzibar: </li></ol><ul ><li>구글의 Zanzibar 시스템에 대해 다룹니다. 그리고 Zanzibar가 어떻게 수조 개의 접근 제어 목록과 초당 수백만 개의 인증 요청을 처리하는지에 대해 다룹니다.&nbsp;</li><li>https://storage.googleapis.com/pub-tools-public-publication-data/pdf/10683a8987dbf0c6d4edcafb9b4f05cc9de5974a.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="18"><li>Monarch:&nbsp;</li></ol><ul ><li>구글의 Monarch가 어떻게 전 세계적으로 분산된 인메모리 시계열 데이터베이스로서 구글의 수십억 사용자 규모의 애플리케이션과 시스템을 모니터링하는 데 사용되는지, 그리고 이 시스템이 매초 테라바이트의 데이터를 수집하고 수백만 건의 쿼리를 처리하는 방법에 대해 다룹니다.&nbsp;</li><li>https://storage.googleapis.com/pub-tools-public-publication-data/pdf/d84ab6c93881af998de877d0070a706de7bec6d8.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="19"><li>Thrift: </li></ol><ul ><li>Thrift 소프트웨어 라이브러리와 코드 생성 도구에 대해 다룹니다. 그리고 Thrift가 어떻게 다양한 프로그래밍 언어 간의 효율적이고 신뢰할 수 있는 통신을 가능하게 하는지에 대해 다룹니다.&nbsp;</li><li>https://thrift.apache.org/static/files/thrift-20070401.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="20"><li>Bitcoin: </li></ol><ul ><li>비트코인이 금융기관을 거치지 않고 직접적으로 온라인 지불을 가능하게 하는 순수한 Peer-to-Peer 전자화폐 시스템으로서, 어떻게 이중 지불 문제를 해결하며, 해시 기반의 작업 증명을 통해 거래를 타임스탬프하는 네트워크를 사용하는지에 대해 다룹니다.&nbsp;</li><li>https://bitcoin.org/bitcoin.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="21"><li>WTF - Who to Follow Service at Twitter: </li></ol><ul ><li>WTF가 어떻게 일일 수백만 사용자 간의 연결을 생성하는지, 그리고 공유된 관심사, 공통 연결 등을 기반으로 어떻게 사용자 추천을 수행하는지에 대해 다룹니다.&nbsp;</li><li>https://web.stanford.edu/~rezab/papers/wtf_overview.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="22"><li>MyRocks: LSM-Tree Database Storage Engine: </li></ol><ul ><li>Facebook 에서 MyRocks 엔진을 어떻게 활용하는지에 대해 다룹니다. 그리고 MyRocks가 어떻게 LSM-트리 기반의 RocksDB 위에 구축되어 MySQL의 관계형 기능을 통합했는지에 대해서도 다룹니다.&nbsp;</li><li>https://www.vldb.org/pvldb/vol13/p3217-matsunobu.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="23"><li>GoTo Considered Harmful:&nbsp;</li></ol><ul ><li>https://homepages.cwi.nl/~storm/teaching/reader/Dijkstra68.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="24"><li>Raft Consensus Algorithm: </li></ol><ul ><li>Raft 합의 알고리즘에 대해 다룹니다. 그리고 Raft가 어떻게 Paxos와 동등한 결과를 내면서도 더 이해하기 쉽고 실용적인 시스템 구축의 기반을 제공하는지에 대해서도 다룹니다.&nbsp;</li><li>https://raft.github.io/raft.pdf?utm_source=substack&amp;utm_medium=email</li></ul> <ol start="25"><li>Time Clocks and Ordering of Events: </li></ol><ul ><li>분산 시스템 내에서 이벤트의 순서를 결정하고 시간의 개념을 이해하는 방법에 대해 다룹니다.&nbsp;</li><li>https://lamport.azurewebsites.net/pubs/time-clocks.pdf?utm_source=substack&amp;utm_medium=email</li></ul>

allthingsdistributed.com

“컴퓨터 세계를 완전히 변화시킨 25개의 논문”

아는 사람은 많고 하는 사람은 적습니다.

정보는 넘쳐납니다. 어떻게 하면 되는지 소개하는 글과 영상이 참 많습니다. 우리는 매일 그 정보를 접합니다. 무엇을 하는 법, 무엇이 되는 법에 대한 정보를 접합니다.

얻는 정보를 토대로 시작하는 사람은 적습니다. 정보를 믿지 못하기 때문일 수도 있고 다른 일을 하고 있기 때문일 수도 있습니다. 혹은 조금 더 완벽한 시작을 준비하는 것일 수도 있죠.

일단 시작했다고 해도 끝까지 해내는 사람은 더 적습니다. 중간에 그만둬야 할 수많은 이유가 있으니까요. 시작했던 이유를 끝까지 고수하고 계속한다는 건 절대 쉽지 않습니다.

여러분이 만약 무슨 일이든 시작해서 끝까지 해냈다면, 그것만으로 충분히 대단한 사람일지도 모릅니다.

아는 사람은 많고 하는 사람은 적습니다. 정보는 넘쳐납니다. 어떻게 하면 되는지 소개하는 글과 영상이 참 많습니다. 우리는 매일 그 정보를 접합니다. 무엇을 하는 법, 무엇이 되는 법에 대한 정보를 접합니다. 얻는 정보를 토대로 시작하는 사람은 적습니다. 정보를 믿지 못하기 때문일 수도 있고 다른 일을 하고 있기 때문일 수도 있습니다. 혹은 조금 더 완벽한 시작을 준비하는 것일 수도 있죠. 일단 시작했다고 해도 끝까지 해내는 사람은 더 적습니다. 중간에 그만둬야 할 수많은 이유가 있으니까요. 시작했던 이유를 끝까지 고수하고 계속한다는 건 절대 쉽지 않습니다. 여러분이 만약 무슨 일이든 시작해서 끝까지 해냈다면, 그것만으로 충분히 대단한 사람일지도 모릅니다.

아는 사람, 하는 사람

일머리가 좋다는 것은 어떤 의미일까요? 일을 잘하는 동료들을 관찰해 보니 일을 할 때 한 가지 공통점이 있었습니다. 일을 할 때 문제가 무엇인지, 진짜 문제가 무엇인지 정의하고 시작하는 습관입니다.

문제정의가 일머리의 90%입니다

일머리가 좋다는 것은 어떤 의미일까요? 일을 잘하는 동료들을 관찰해 보니 일을 할 때 한 가지 공통점이 있었습니다. 일을 할 때 문제가 무엇인지, 진짜 문제가 무엇인지 정의하고 시작하는 습관인데요. 많은 경우 요청으로 일을 시작하거든요. 요청을 받으면 무릎반사처럼 요청에 따라 일을 할 때가 많습니다. 요청한 기간에 맞춰, 요청한 태스크를 해드리는 것은 '내부 고객을 위한 서비스 제공자'라는 마인드를 길러줄 때도 있지만, 정말 문제가 무엇인지 모르고 목표가 아니라 태스크 자체에 매몰되도록 만듭니다. 항상 '문제가 무엇인가요?'라는 질문을 요청한 동료와 함께 정의하는 것부터 시작해야 합니다.

[ 큐레이터의 문장 🎒 ]

"나에게 1시간이 주어진다면, 55분 동안 문제를 찾고 5분 동안 그것을 풀 것이다" - 아인슈타인

다음 5가지 방법은 문제를 제대로 정의하기 위해서 직접 해볼 수 있는 행동 가이드입니다.

1️⃣ 직접 사실 확인하기

검색해서 답을 찾는 것으로는 부족합니다. 간접조사는 직접조사와 함께 조합할 때 힘이 있습니다. 사용자 경험이나 비즈니스 문제를 표면적인 데이터로만 정의하는 것이 아니라 직접 써보고, 직접 써본 사람을 만나보는 것이 필요합니다. UX 리서치는 문제를 정확하게 정의하기 위한 목적으로 활용되고 있습니다.

2️⃣ 문제를 정확하게 표현하기

추상적이거나 모호하게 서술한 문제는 해결할 수 없습니다. 예컨대, "전기차 배터리 성능이 너무 떨어진다"라는 문제는 해결하기 어렵습니다. "전기차 주행거리를 400km 이상으로 늘려야 한다"로 바꾸면 어떨까요? 측정할 수 있는 문제로 바꾸었고, 목표를 짚을 수 있습니다. 의견, 판단이 아니라 관찰할 수 있는 사실에서 출발해야 문제를 정확하게 정의할 수 있습니다.

3️⃣ 거꾸로 생각하기

문제를 보면 답을 구하고 싶어 집니다. 대화할 때도 비슷합니다. "이게 고민이에요"라고 말한 상대에게 무언가 도움이 되는 답을 말해주고 싶습니다. 그냥 들어주기만 해도 도움이 될 때에도 말이죠. 문제를 발견하면 바로 해결책을 찾기보다는 관점을 달리해서, "이게 왜 문제일까?"라는 질문으로 시야를 틔우는 것이 중요합니다. "전기차 주행거리가 400km 이상으로 늘려야 한다"의 진짜 문제는 '에어컨을 켠 상태로는 300km밖에 갈 수 없다'와 같이 다른 상황적 요인이 단서가 될 수 있습니다.

4️⃣ "왜" 그런지 반복해서 묻기

정의한 문제에 대해서 해결책을 정하기 전에 "왜 그럴까?"라는 질문을 반복해서 던져보는 겁니다. 5 WHYS라는 기법을 활용할 수도 있습니다. 진짜 문제는 "왜 그럴까?"라는 질문을 반복해서 던졌을 때 발견할 수 있습니다. 오티스 엘리베이터는 엘리베이터 속도에 대한 불만을 해결하려고 강력한 모터와 윤활 시스템을 만들었지만, 불만은 사그라들지 않았습니다. 본질은 엘리베이터 속도가 아니라 엘리베이터에서 느끼는 지루함이었죠. 거울을 설치하자 불만은 사그라들었습니다. 도착할 때까지 기다리는 시간이 지루해서 생긴 불만은 모터로 해결할 수 없었습니다.

5️⃣ 내가 틀릴 수 있다는 것을 의심하기

19세기 위대한 심리학자 윌리엄 제임스는 "고작 자신의 편견을 재배열할 뿐이면서 자신은 생각을 하고 있다고 믿는 사람이 한둘이 아니다"라는 말을 남겼습니다. 데이비드 롭슨의 <지능의 함정>에서는 똑똑한 사람일수록 오히려 특정한 종류의 어리석은 생각에 더 쉽게 빠져들 수 있다며 그 이유로 머리가 좋고 교육 수준이 높은 사람들은 이를테면 실수에서 교훈을 얻거나 타인의 조언을 받아들이는 성향이 상대적으로 적다는 점, 실수를 해도 제법 그럴듯한 논쟁으로 자기 논리를 정당화하는 능력이 남보다 뛰어나기 때문에 자신의 견해에 의심을 품지 않는 교조적 태도가 그 원인이라고 지적합니다. 문제정의를 제대로 하려면 적절한 의심과 겸손, 균형감각이 필요합니다.

https://www.redbusbagman.com/problems/

일머리가 좋다는 것은 어떤 의미일까요? 일을 잘하는 동료들을 관찰해 보니 일을 할 때 한 가지 공통점이 있었습니다. 일을 할 때 문제가 무엇인지, 진짜 문제가 무엇인지 정의하고 시작하는 습관인데요. 많은 경우 요청으로 일을 시작하거든요. 요청을 받으면 무릎반사처럼 요청에 따라 일을 할 때가 많습니다. 요청한 기간에 맞춰, 요청한 태스크를 해드리는 것은 '내부 고객을 위한 서비스 제공자'라는 마인드를 길러줄 때도 있지만, 정말 문제가 무엇인지 모르고 목표가 아니라 태스크 자체에 매몰되도록 만듭니다. 항상 '문제가 무엇인가요?'라는 질문을 요청한 동료와 함께 정의하는 것부터 시작해야 합니다. [ 큐레이터의 문장 🎒 ] "나에게 1시간이 주어진다면, 55분 동안 문제를 찾고 5분 동안 그것을 풀 것이다" - 아인슈타인 다음 5가지 방법은 문제를 제대로 정의하기 위해서 직접 해볼 수 있는 행동 가이드입니다. 1️⃣ 직접 사실 확인하기 검색해서 답을 찾는 것으로는 부족합니다. 간접조사는 직접조사와 함께 조합할 때 힘이 있습니다. 사용자 경험이나 비즈니스 문제를 표면적인 데이터로만 정의하는 것이 아니라 직접 써보고, 직접 써본 사람을 만나보는 것이 필요합니다. UX 리서치는 문제를 정확하게 정의하기 위한 목적으로 활용되고 있습니다. 2️⃣ 문제를 정확하게 표현하기 추상적이거나 모호하게 서술한 문제는 해결할 수 없습니다. 예컨대, "전기차 배터리 성능이 너무 떨어진다"라는 문제는 해결하기 어렵습니다. "전기차 주행거리를 400km 이상으로 늘려야 한다"로 바꾸면 어떨까요? 측정할 수 있는 문제로 바꾸었고, 목표를 짚을 수 있습니다. 의견, 판단이 아니라 관찰할 수 있는 사실에서 출발해야 문제를 정확하게 정의할 수 있습니다. 3️⃣ 거꾸로 생각하기 문제를 보면 답을 구하고 싶어 집니다. 대화할 때도 비슷합니다. "이게 고민이에요"라고 말한 상대에게 무언가 도움이 되는 답을 말해주고 싶습니다. 그냥 들어주기만 해도 도움이 될 때에도 말이죠. 문제를 발견하면 바로 해결책을 찾기보다는 관점을 달리해서, "이게 왜 문제일까?"라는 질문으로 시야를 틔우는 것이 중요합니다. "전기차 주행거리가 400km 이상으로 늘려야 한다"의 진짜 문제는 '에어컨을 켠 상태로는 300km밖에 갈 수 없다'와 같이 다른 상황적 요인이 단서가 될 수 있습니다. 4️⃣ "왜" 그런지 반복해서 묻기 정의한 문제에 대해서 해결책을 정하기 전에 "왜 그럴까?"라는 질문을 반복해서 던져보는 겁니다. 5 WHYS라는 기법을 활용할 수도 있습니다. 진짜 문제는 "왜 그럴까?"라는 질문을 반복해서 던졌을 때 발견할 수 있습니다. 오티스 엘리베이터는 엘리베이터 속도에 대한 불만을 해결하려고 강력한 모터와 윤활 시스템을 만들었지만, 불만은 사그라들지 않았습니다. 본질은 엘리베이터 속도가 아니라 엘리베이터에서 느끼는 지루함이었죠. 거울을 설치하자 불만은 사그라들었습니다. 도착할 때까지 기다리는 시간이 지루해서 생긴 불만은 모터로 해결할 수 없었습니다. 5️⃣ 내가 틀릴 수 있다는 것을 의심하기 19세기 위대한 심리학자 윌리엄 제임스는 "고작 자신의 편견을 재배열할 뿐이면서 자신은 생각을 하고 있다고 믿는 사람이 한둘이 아니다"라는 말을 남겼습니다. 데이비드 롭슨의 &lt;지능의 함정&gt;에서는 똑똑한 사람일수록 오히려 특정한 종류의 어리석은 생각에 더 쉽게 빠져들 수 있다며 그 이유로 머리가 좋고 교육 수준이 높은 사람들은 이를테면 실수에서 교훈을 얻거나 타인의 조언을 받아들이는 성향이 상대적으로 적다는 점, 실수를 해도 제법 그럴듯한 논쟁으로 자기 논리를 정당화하는 능력이 남보다 뛰어나기 때문에 자신의 견해에 의심을 품지 않는 교조적 태도가 그 원인이라고 지적합니다. 문제정의를 제대로 하려면 적절한 의심과 겸손, 균형감각이 필요합니다. https://www.redbusbagman.com/problems/

REDBUSBAGMAN | 빨간색 광역버스에 백팩을 메고 탑니다

⟪문제정의가 일머리의 90%입니다⟫

1. Research
- ChatGPT
- YouChat
- Perplexity
- Copilot
- Gemini

2. Image
- Leap AI
- Copilot
- Segmind
- Midjourney
- Stable Diffusion

3. CopyWriting
- Rytr
- Copy AI
- Writesonic
- Adcreative AI

4. Writing
- Jasper
- HIX AI
- Jenny AI
- Textblaze

5. Website
- 10Web
- Durable
- Framer
- Style AI

6. Video
- Klap
- Opus
- Eightify
- InVideo
- HeyGen
- Runway
- ImgCreator AI
- Morphstudio .xyz

7. Meeting
- Tldv
- Otter
- Noty AI
- Fireflies

8. SEO
- VidIQ
- Seona AI
- BlogSEO
- Keywrds ai

9. Chatbot
- Droxy
- Chatbase
- Mutual info
- Chatsimple

10. Presentation
- Decktopus
- Slides AI
- Gamma AI
- Designs AI
- Beautiful AI

11. Automation
- Make
- Zapier
- Xembly
- Bardeen

12. Prompts
- FlowGPT
- Alicent AI
- PromptBox
- Promptbase
- Snack Prompt

13. UI/UX
- Figma
- Uizard
- UiMagic
- Photoshop

14. Design
- Canva
- Flair AI
- Designify
- Clipdrop
- Autodraw
- Magician design

15. Logo Generator
- Looka
- Designs AI
- Brandmark
- Stockimg AI
- Namecheap

16. Audio
- Lovo ai
- Eleven labs
- Songburst AI
- Adobe Podcast

17. Marketing
- Pencil
- Ai-Ads
- AdCopy
- Simplified
- AdCreative

18. Startup
- Tome
- Ideas AI
- Namelix
- Pitchgrade
- Validator AI

19. Productivity
- Merlin
- Tinywow
- Notion AI
- Adobe Sensei
- Personal AI

20. Social media management
- Tapilo
- Typefully
- Hypefury
- TweetHunter

 * Source: https://twitter.com/HeyAbhishekk/status/1788778562897563965

1. Research- ChatGPT- YouChat- Perplexity- Copilot- Gemini 2. Image- Leap AI- Copilot- Segmind- Midjourney- Stable Diffusion 3. CopyWriting- Rytr- Copy AI- Writesonic- Adcreative AI 4. Writing- Jasper- HIX AI- Jenny AI- Textblaze 5. Website- 10Web- Durable- Framer- Style AI 6. Video- Klap- Opus- Eightify- InVideo- HeyGen- Runway- ImgCreator AI- Morphstudio .xyz 7. Meeting- Tldv- Otter- Noty AI- Fireflies 8. SEO- VidIQ- Seona AI- BlogSEO- Keywrds ai 9. Chatbot- Droxy- Chatbase- Mutual info- Chatsimple 10. Presentation- Decktopus- Slides AI- Gamma AI- Designs AI- Beautiful AI 11. Automation- Make- Zapier- Xembly- Bardeen 12. Prompts- FlowGPT- Alicent AI- PromptBox- Promptbase- Snack Prompt 13. UI/UX- Figma- Uizard- UiMagic- Photoshop 14. Design- Canva- Flair AI- Designify- Clipdrop- Autodraw- Magician design 15. Logo Generator- Looka- Designs AI- Brandmark- Stockimg AI- Namecheap 16. Audio- Lovo ai- Eleven labs- Songburst AI- Adobe Podcast 17. Marketing- Pencil- Ai-Ads- AdCopy- Simplified- AdCreative 18. Startup- Tome- Ideas AI- Namelix- Pitchgrade- Validator AI 19. Productivity- Merlin- Tinywow- Notion AI- Adobe Sensei- Personal AI 20. Social media management- Tapilo- Typefully- Hypefury- TweetHunter <ul ><li>Source: https://twitter.com/HeyAbhishekk/status/1788778562897563965</li></ul>

X (formerly Twitter)

20가지 작업 대체를 위한 100가지 AI 도구

To answer that, I would like to say that, mastering these do's and don'ts while writing code isn't just about impressing your peers (though that's a nice bonus). It's about writing code that's easier...

15 + 11 Mistakes Every Java Developer MUST avoid TODAY

1. Nulls와 Optionals
Bad Practice: 메서드에서 바로 null을 리턴하는 건 NPE를 유발할 수 있습니다.
public String getString() {
	return null;
}

Good Practice: null에 대한 명확한 핸들링과 에러 방지를 위해 Optional을 사용합니다.
public Optional<String> getString() {
	return Optional.empty();
}

 
2. String.valueOf()로 String 변환
Bad Practice: + 연산자를 사용해 문자열을 합칩니다.
double d = 3.14525;
String s = "" + d;

Good Practice: 내장 메서드를 활용합니다.
double d = 3.14245;
String s = String.valueOf(d);

 
3. array를 복사할 때 Arrays.copyOf() 
Bad Practice: 정석적으로 array를 복사합니다.
int[] sourceArray = {1,2,3,4,5};
int[] targetArray = new int[sourceArray.length];
for (int i = 0; i< sourceArray.length; i++) {
	targetArray[i] = sourceArray[i];
}

Good Practice: Arrays.copyOf() 메서드를 사용합니다.
int[] sourceArray = {1,2,3,4,5};
int[] targetArray = Arrays.copyOf(sourceArray, sourceArray.length);

 
4.  컬렉션이 비어있는지 체크하기 위해 isEmpty()
Bad Practice: length()나 size()로 string이나 컬렉션이 비어있는지 체크합니다.
String text = "Hello, World!";
if(text.length() == 0) {
	// Do something
}

Good Practice: isEmpty()로 string이나 컬렉션이 비어있는지 체크합니다.
String text = "Hello, World!";
if(text.isEmpty()) {
	// Do something
}

 
5. Concurrent Modification Exception 방지
Bad Practice: 리스트를 순회하고 있는 동안 요소를 제거하여 ConcurrentModificationException을 일으킵니다.
List<String> words = new ArrayList<>();
words.add("A");
words.add("B");
words.add("C");

for(String word : words) {
	if (word.equals("A")) {
 	words.remove(word);
 }
}

Good Practice: iterator remove 메서드나 removeIf() 메서드를 사용합니다. 
List<String> words = new ArrayList<>();
words.add("A");
words.add("B");
words.add("C");

Iterator<String> iterator = words.iterator();
while (iterator.hasNext()) {
 String word = iterator.next();
 if (word.equals("A")) {
 iterator.remove(); // Use iterator's remove method to safely remove elements
 }
}

System.out.println(words); // Output: [B, C]

 
6. 정규표현식 사전 컴파일
Bad Practice: 런타임 시에 정규표현식을 컴파일합니다.
String text = "Hello, World!";
if(text.matches("Hello.*")) {
	System.out.println("Matches!");
}
String replaced = text.replaceAll("\\s", "");

Good Practice: 정규표현식을 사전컴파일하고 재사용합니다.
final Pattern PATTERN1 = Pattern.compile("Hello.*");
final Pattern PATTERN2 = Pattern.compile("\\s");

String text = "Hello, World!";
if(PATTERN1.matcher(text).matches()) {
	System.out.println("Matches!");
}
String replaced = PATTERN2.matcher(text).replaceAll("");

 
번역: [https://ducktopia.tistory.com/124]
원문

1. Nulls와 OptionalsBad Practice: 메서드에서 바로 null을 리턴하는 건 NPE를 유발할 수 있습니다.<pre ><code class="language-java">public String getString() {
	return null;
}</code></pre>Good Practice: null에 대한 명확한 핸들링과 에러 방지를 위해 Optional을 사용합니다.<pre ><code class="language-java">public Optional&lt;String&gt; getString() {
	return Optional.empty();
}</code></pre>&nbsp;2. String.valueOf()로 String 변환Bad Practice: + 연산자를 사용해 문자열을 합칩니다.<pre ><code class="language-java">double d = 3.14525;
String s = "" + d;</code></pre>Good Practice: 내장 메서드를 활용합니다.<pre ><code class="language-java">double d = 3.14245;
String s = String.valueOf(d);</code></pre>&nbsp;3. array를 복사할 때 Arrays.copyOf()&nbsp;Bad Practice: 정석적으로 array를 복사합니다.<pre ><code class="language-java">int[] sourceArray = {1,2,3,4,5};
int[] targetArray = new int[sourceArray.length];
for (int i = 0; i&lt; sourceArray.length; i++) {
	targetArray[i] = sourceArray[i];
}</code></pre>Good Practice: Arrays.copyOf() 메서드를 사용합니다.<pre ><code class="language-java">int[] sourceArray = {1,2,3,4,5};
int[] targetArray = Arrays.copyOf(sourceArray, sourceArray.length);</code></pre>&nbsp;4.&nbsp; 컬렉션이 비어있는지 체크하기 위해 isEmpty()Bad Practice: length()나 size()로 string이나 컬렉션이 비어있는지 체크합니다.<pre ><code class="language-java">String text = "Hello, World!";
if(text.length() == 0) {
	// Do something
}</code></pre>Good Practice: isEmpty()로 string이나 컬렉션이 비어있는지 체크합니다.<pre ><code class="language-java">String text = "Hello, World!";
if(text.isEmpty()) {
	// Do something
}</code></pre>&nbsp;5. Concurrent Modification Exception 방지Bad Practice: 리스트를 순회하고 있는 동안 요소를 제거하여 ConcurrentModificationException을 일으킵니다.<pre ><code class="language-java">List&lt;String&gt; words = new ArrayList&lt;&gt;();
words.add("A");
words.add("B");
words.add("C");

for(String word : words) {
	if (word.equals("A")) {
 	words.remove(word);
 }
}</code></pre>Good Practice: iterator remove 메서드나 removeIf() 메서드를 사용합니다.&nbsp;<pre ><code class="language-java">List&lt;String&gt; words = new ArrayList&lt;&gt;();
words.add("A");
words.add("B");
words.add("C");

Iterator&lt;String&gt; iterator = words.iterator();
while (iterator.hasNext()) {
 String word = iterator.next();
 if (word.equals("A")) {
 iterator.remove(); // Use iterator's remove method to safely remove elements
 }
}

System.out.println(words); // Output: [B, C]</code></pre>&nbsp;6. 정규표현식 사전 컴파일Bad Practice: 런타임 시에 정규표현식을 컴파일합니다.<pre ><code class="language-java">String text = "Hello, World!";
if(text.matches("Hello.*")) {
	System.out.println("Matches!");
}
String replaced = text.replaceAll("\\s", "");</code></pre>Good Practice: 정규표현식을 사전컴파일하고 재사용합니다.<pre ><code class="language-java">final Pattern PATTERN1 = Pattern.compile("Hello.*");
final Pattern PATTERN2 = Pattern.compile("\\s");

String text = "Hello, World!";
if(PATTERN1.matcher(text).matches()) {
	System.out.println("Matches!");
}
String replaced = PATTERN2.matcher(text).replaceAll("");</code></pre>&nbsp;번역: [https://ducktopia.tistory.com/124]원문

🕊️ [Medium] 자바 개발자가 피해야 하는 11가지 실수 (

국내 유명 IT 기업은 한국을 넘어 세계를 무대로 할 정도로 뛰어난 기술과 아이디어를 자랑합니다. 이들은 기업 블로그를 통해 이러한 정보를 공개하고 있습니다. 요즘IT는 각 기업의 특색 있고 유익한 콘텐츠를 소개하는 시리즈를 준비했습니다. 이들은 어떻게 사고하고, 어떤 방식으로 일하는 걸까요? 이번 글은 국내 IT 아웃소싱 1위 플랫폼 '위시켓'이 소개하는 초보자를 위한 아웃소싱 가이드북입니다.

아웃소싱 전문가가 밝히는: ② 소프트웨어 개발 견적, 왜 천차만별일까? | 요즘IT

💡아웃소싱 전문가가 밝히는: ② 소프트웨어 개발 견적, 왜 천차만별일까?
: ‘분명히 동일한 문서를 전달하고, 동일한 내용을 전달했는데 왜 개발 회사마다 견적이 다를까?’
이번 글에서는 위시켓을 운영하며 느낀 개발 회사마다 견적이 차이나는 이유를 설명하고자 합니다. 또한 특별히 합리적인 견적을 고를 수 있는 방법도 소개할 예정이니 꼭 참고해보기를 바랍니다.

요즘IT

콘텐츠 매니저

Sohee

"함께 성장하는 요즘IT인의 실무 라이브러리" 요즘IT에서 콘텐츠를 만들고 있습니다. 작가 신청, 콘텐츠 제안, 기술블로그 제휴 건은 편하게 DM 주세요!

카피라이터

주윤하

문장으로 세상을 연결합니다.

사람과 사람, 사람과 서비스를 긴밀하게 연결하고 관계를 구축해나가는 과정을 중요시합니다. 


IT 버티컬 플랫폼 위시켓을 운영중입니다. 

박우범

신문방송학과

요즘IT 광고소개서

요즘IT에서 작가를 모집합니다. IT 글쓰기 요즘IT와 함께 시작해보세요 :)

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필