📝 LLM의 성능과 규모의 상관관계에 대한 친칠라 스케일링 법칙에 대한 오해와, Llama 3 학습에 돈을 무진장 때려 넣은 이유

규모를 키우면 성능이 높아진다 (X)
데이터 양에 따른 최적의 모델 규모가 있다 (O)

이 이야기는 데이터의 양이 일정 수준이 된다면, 데이터를 더 늘리기보다 모델의 규모를 키우는 것이 오히려 비용 효율적이라는 것이기도 하다.

즉, 모델의 규모를 늘리는 것 보다, 학습 시키는 데이터를 성능이 더 높아질 때까지 충분히 크게 늘리는 것이 시간과 비용이 더 많이 들어간다는 이야기. (학습 인프라 비용 뿐 아니라 데이터 확보 및 정제 등등)

학습 데이터를 늘리는 것 보다 모델의 규모를 늘리는 것이 더 효율적이었던 이유는, LLM 모델이 커도 사용자의 규모가 적었기 때문에, 추론 비용보다 학습 비용을 줄이는게 더 타당했기 때문.

그러나 이제는 사용자의 규모가 무지막지하게 증가했고 더 증가할 것이 확실하기 때문에, 학습 비용이 크게 늘어난다고 해도 추론 비용이 적게 들도록 모델 사이즈를 줄이는 것이 더 비용 효율적이 됨.

그래서 Llama 3에 돈을 때려 부어서 엄청난 규모의 데이터를 학습시키는 것이 돈을 무지막지하게 태울 수 있는 회사만 가능한 것이지만, 그럴수있는 이유는 오히려 비용을 매우 크게 아끼는 것이 될 수 있기 때문.

그런고로, 농담삼아 말하자면, 모델의 규모를 키우는 것은 사실 “거 좀 쉽게 쉽게 갑시다~” 였다고 말 할 수 있다.

📝 LLM의 성능과 규모의 상관관계에 대한 친칠라 스케일링 법칙에 대한 오해와, Llama 3 학습에 돈을 무진장 때려 넣은 이유 규모를 키우면 성능이 높아진다 (X)데이터 양에 따른 최적의 모델 규모가 있다 (O) 이 이야기는 데이터의 양이 일정 수준이 된다면, 데이터를 더 늘리기보다 모델의 규모를 키우는 것이 오히려 비용 효율적이라는 것이기도 하다. 즉, 모델의 규모를 늘리는 것 보다, 학습 시키는 데이터를 성능이 더 높아질 때까지 충분히 크게 늘리는 것이 시간과 비용이 더 많이 들어간다는 이야기. (학습 인프라 비용 뿐 아니라 데이터 확보 및 정제 등등) 학습 데이터를 늘리는 것 보다 모델의 규모를 늘리는 것이 더 효율적이었던 이유는, LLM 모델이 커도 사용자의 규모가 적었기 때문에, 추론 비용보다 학습 비용을 줄이는게 더 타당했기 때문. 그러나 이제는 사용자의 규모가 무지막지하게 증가했고 더 증가할 것이 확실하기 때문에, 학습 비용이 크게 늘어난다고 해도 추론 비용이 적게 들도록 모델 사이즈를 줄이는 것이 더 비용 효율적이 됨. 그래서 Llama 3에 돈을 때려 부어서 엄청난 규모의 데이터를 학습시키는 것이 돈을 무지막지하게 태울 수 있는 회사만 가능한 것이지만, 그럴수있는 이유는 오히려 비용을 매우 크게 아끼는 것이 될 수 있기 때문. 그런고로, 농담삼아 말하자면, 모델의 규모를 키우는 것은 사실 “거 좀 쉽게 쉽게 갑시다~” 였다고 말 할 수 있다.

세계 최대의 ML 커뮤니티인 허깅페이스에서 15조개의 토큰으로 이루어진 데이터 FineWeb을 공개했습니다.

2013년부터 2024년 사이의 모든 CommonCrawl 데이터(전세계 모든 공개된 웹에서 가져온 데이터)를 필터링하고 중복을 제거한 매우 고품질의 데이터셋입니다.

이 필터링을 위해 200개 이상의 필터링 모델을 학습시켜 필터링에 사용했다고 합니다. 또한 이 모델들을 지속적으로 학습시킬 것이라 앞으로 품질이 더 좋아질 것이라고 하고요.

또한 LLM 모델을 이 데이터셋으로 훈련시켰을 때 성능이 더 좋아진 것을 확인할 수 있었다고 합니다.

마침 Llama 3의 학습 데이터가 15조개의 토큰으로 학습시켰다는 리포트가 나온 직후인 것이 재밌는데요. Llama 3와 FineWeb으로 LLM 연구가 또 한 발짝 진보하겠네요. 한 달 후가 벌써부터 기대됩니다. 😎🍿🥤

세계 최대의 ML 커뮤니티인 허깅페이스에서 15조개의 토큰으로 이루어진 데이터 FineWeb을 공개했습니다. 2013년부터 2024년 사이의 모든 CommonCrawl 데이터(전세계 모든 공개된 웹에서 가져온 데이터)를 필터링하고 중복을 제거한 매우 고품질의 데이터셋입니다. 이 필터링을 위해 200개 이상의 필터링 모델을 학습시켜 필터링에 사용했다고 합니다. 또한 이 모델들을 지속적으로 학습시킬 것이라 앞으로 품질이 더 좋아질 것이라고 하고요. 또한 LLM 모델을 이 데이터셋으로 훈련시켰을 때 성능이 더 좋아진 것을 확인할 수 있었다고 합니다. 마침 Llama 3의 학습 데이터가 15조개의 토큰으로 학습시켰다는 리포트가 나온 직후인 것이 재밌는데요. Llama 3와 FineWeb으로 LLM 연구가 또 한 발짝 진보하겠네요. 한 달 후가 벌써부터 기대됩니다. 😎🍿🥤

🗞️ 허깅페이스, 15조개 토큰 데이터 공개

https://huggingface.co/datasets/HuggingFaceFW/fineweb

📝 Prompt Engineering is All You Need - Many-Shot ICL

최근 구글 딥마인드에서 Many-Shot In-Context Learning 이라는 논문을 내 놓았다.

Few-Shot Example, 즉 프롬프트에 몇 개의 예제를 주면 성능이 올라가는 프롬프팅 기법이 있는데, 기존에는 일정 갯수 이상으로는 효율이 떨어지기도 하고 컨텍스트 길이 때문에라도 일정 수준 갯수 이상을 사용 할 수 없었다.

그런데(1) Gemini 1.5 이후 1백만개의 토큰을 사용 할 수 있게 되면서 샘플을 매우 많이 넣을 수 있게 되어 샘플을 최대한 많이 넣는 실험을 해 본 것. 그래서 Many-Shot이다.

그런데(2) 놀랍게도 수백개에서 최대 8,192개까지도 예시를 넣으면 넣을 수록 성능이 놀라가더란 얘기.

그런데(3) 이 논문에서의 핵심은, 예시를 인간이 작성한 예시가 아니라, LLM이 생성한 예시를 넣어도 잘 되더라는 이야기.

한 두개의 예제를 넣고, 그와 같은 샘플을 생성하라는 프롬프트를 통해 대량의 샘플을 생성. 그 샘플들을 넣어도 인간의 샘플을 넣은 것 만큼 성능이 나온다고 한다.

고성능의 모델이라면 학습되어 있는 정보를 명시적으로 끄집어내는 과정을 진행함으로써 추론 능력이 향상되는 것 같다.

그리고 이를 통해 파인튜닝을 할 필요 없이도 파인튜닝 한 것 만큼의 성능을 올릴 수 있다고 한다.

즉, 모델링이나 파인튜닝 없이 프롬프트 엔지니어링만으로 진짜 말 그대로 거의 모든 문제를 해결 할 수도 있다는 말.

하지만, 이 방식은 토큰을 엄청나게 잡아먹기 때문에 일반적인 서비스에는 사용하기 어렵기는 할 것이다.

임시적으로 빠르게 해결해야 할 문제가 있거나, 파인튜닝 전에 어떤 데이터가 필요한지 아이디어를 얻기 위해, 그리고 프롬프트 엔지니어링을 실험하거나 소규모 사용자 대상의 서비스 목적으로 매우 좋을 것 같다.

📝 Prompt Engineering is All You Need - Many-Shot ICL 최근 구글 딥마인드에서 Many-Shot In-Context Learning 이라는 논문을 내 놓았다. Few-Shot Example, 즉 프롬프트에 몇 개의 예제를 주면 성능이 올라가는 프롬프팅 기법이 있는데, 기존에는 일정 갯수 이상으로는 효율이 떨어지기도 하고 컨텍스트 길이 때문에라도 일정 수준 갯수 이상을 사용 할 수 없었다. 그런데(1) Gemini 1.5 이후 1백만개의 토큰을 사용 할 수 있게 되면서 샘플을 매우 많이 넣을 수 있게 되어 샘플을 최대한 많이 넣는 실험을 해 본 것. 그래서 Many-Shot이다. 그런데(2) 놀랍게도 수백개에서 최대 8,192개까지도 예시를 넣으면 넣을 수록 성능이 놀라가더란 얘기. 그런데(3) 이 논문에서의 핵심은, 예시를 인간이 작성한 예시가 아니라, LLM이 생성한 예시를 넣어도 잘 되더라는 이야기. 한 두개의 예제를 넣고, 그와 같은 샘플을 생성하라는 프롬프트를 통해 대량의 샘플을 생성. 그 샘플들을 넣어도 인간의 샘플을 넣은 것 만큼 성능이 나온다고 한다. 고성능의 모델이라면 학습되어 있는 정보를 명시적으로 끄집어내는 과정을 진행함으로써 추론 능력이 향상되는 것 같다. 그리고 이를 통해 파인튜닝을 할 필요 없이도 파인튜닝 한 것 만큼의 성능을 올릴 수 있다고 한다. 즉, 모델링이나 파인튜닝 없이 프롬프트 엔지니어링만으로 진짜 말 그대로 거의 모든 문제를 해결 할 수도 있다는 말. 하지만, 이 방식은 토큰을 엄청나게 잡아먹기 때문에 일반적인 서비스에는 사용하기 어렵기는 할 것이다. 임시적으로 빠르게 해결해야 할 문제가 있거나, 파인튜닝 전에 어떤 데이터가 필요한지 아이디어를 얻기 위해, 그리고 프롬프트 엔지니어링을 실험하거나 소규모 사용자 대상의 서비스 목적으로 매우 좋을 것 같다.

📝 Prompt Engineering is All You Need - Team Agent (이름 내가 지음)

최근 Anthropic에서 프롬프트 엔지니어링만으로 리서치를 하는 에이전트를 만드는 데모를 보여줬다.

해당 데모에서는 Opus가 보스 역할을 하고, 5명(?)의 Haiku에게 하위 업무를 지시를 하는 형태로 구현하였다.

Opus가 먼저 웹에서 정보를 추출하고 분석한 뒤, 하위 태스크를 생성해 Haiku들에게 같은 방식으로 데이터를 수집해오라고 지시한다. 이후 Haiku가 데이터를 모아오면 그걸 다시 Opus가 정리하는 방식.

Opus가 계획을 세우고, 하위 작업을 Haiku가 실행하고, Opus가 취합한다.

이렇게 하면 복잡한 작업도 충분히 수행 할 수 있을 뿐 아니라, 하위 작업을 작은 모델로 병렬로 처리할 수 있으므로 매우 빠르고 저렴하게 작업을 수행 할 수 있다.

여기에 필요한 것은 프롬프트 엔지니어링 뿐.

📝 Prompt Engineering is All You Need - Team Agent (이름 내가 지음) 최근 Anthropic에서 프롬프트 엔지니어링만으로 리서치를 하는 에이전트를 만드는 데모를 보여줬다. 해당 데모에서는 Opus가 보스 역할을 하고, 5명(?)의 Haiku에게 하위 업무를 지시를 하는 형태로 구현하였다. Opus가 먼저 웹에서 정보를 추출하고 분석한 뒤, 하위 태스크를 생성해 Haiku들에게 같은 방식으로 데이터를 수집해오라고 지시한다. 이후 Haiku가 데이터를 모아오면 그걸 다시 Opus가 정리하는 방식. Opus가 계획을 세우고, 하위 작업을 Haiku가 실행하고, Opus가 취합한다. 이렇게 하면 복잡한 작업도 충분히 수행 할 수 있을 뿐 아니라, 하위 작업을 작은 모델로 병렬로 처리할 수 있으므로 매우 빠르고 저렴하게 작업을 수행 할 수 있다. 여기에 필요한 것은 프롬프트 엔지니어링 뿐.

메타의 AI 투자 확대에 따른 시장 반응은?
1분기 실적 상승에도 불구하고 주가 급락📉

 * 최근 메타가 인공지능(AI)에 대한 대규모 투자 계획을 발표했는데요, 주커버그는 회사가 ‘규모의 경제’를 달성하게 되면 자본 지출(CAPEX)의 비용 부담이 매출 증가로 상쇄될 것이라고 언급했습니다. 이는 장기적인 비전을 갖고 AI 기술 개발에 대한 투자를 지속하겠다는 의지의 표현입니다.
 * 그러나 단기적으로 이러한 전략이 시장에서 어떻게 평가받을지는 불투명한 상황입니다. 특히, 메타의 주가는 (1분기에 높은 매출을 기록하고도) 이러한 계획 발표 후 장외 주가는 15% 급락하며, 투자자들의 우려를 반영하고 있습니다.
 * 2분기 매출 전망은 기대에 못 미치는 수준이었고, 이는 투자자들의 실망감을 자아냈습니다 예상된 매출은 365억에서 390억 달러 사이로, 월스트리트의 예상치 383억 달러에 미치지 못했습니다.
 * AI 및 메타버스 부문의 고비용도 이슈인데요. 메타는 AI 및 메타버스 부문에 집중적으로 투자하고 있으며, 이 부문은 여전히 적자를 기록하고 있습니다. AI 연구 및 제품 개발을 위해 2024년에 최대 400억 달러까지 지출을 늘릴 계획입니다. 이는 이전 예상치 370억 달러에서 크게 상향 조정된 것입니다.
 * Reality Labs는 지속적인 적자를 기록하고 있죠. Reality Labs는 AR과 VR의 매출 증가에도 불구하고 계속해서 손실을 기록하고 있습니다. 이 부문의 손실은 지난해 동기 대비 줄었지만, 전체적인 비용 부담은 늘어나고 있습니다.
 * 메타는 최근 자체 AI 모델인 Llama 3을 출시하며 구글, 아마존과 같은 경쟁사들과 AI 기술 경쟁을 벌이고 있습니다. 이러한 경쟁은 반도체 수요를 증가시키는 한편, 지속적인 투자로 인해 기업들의 재정적 부담을 가중되고 있다고 해요. 이러한 출혈경쟁은 반도체 수요를 일시적으로 증가시키는 효과를 가져오지만, 투자하는 기업들이 이익을 내지 못할 경우 이러한 치킨게임은 지속가능하지 않을거에요🐓🐔🍗

메타의 AI 투자 확대에 따른 시장 반응은?1분기 실적 상승에도 불구하고 주가 급락📉 <ul><li>최근 메타가 인공지능(AI)에 대한 대규모 투자 계획을 발표했는데요, 주커버그는 회사가 ‘규모의 경제’를 달성하게 되면 자본 지출(CAPEX)의 비용 부담이 매출 증가로 상쇄될 것이라고 언급했습니다. 이는 장기적인 비전을 갖고 AI 기술 개발에 대한 투자를 지속하겠다는 의지의 표현입니다.</li><li>그러나 단기적으로 이러한 전략이 시장에서 어떻게 평가받을지는 불투명한 상황입니다. 특히, 메타의 주가는 (1분기에 높은 매출을 기록하고도) 이러한 계획 발표 후 장외 주가는 15% 급락하며, 투자자들의 우려를 반영하고 있습니다. </li><li>2분기 매출 전망은 기대에 못 미치는 수준이었고, 이는 투자자들의 실망감을 자아냈습니다 예상된 매출은 365억에서 390억 달러 사이로, 월스트리트의 예상치 383억 달러에 미치지 못했습니다.</li><li>AI 및 메타버스 부문의 고비용도 이슈인데요. 메타는 AI 및 메타버스 부문에 집중적으로 투자하고 있으며, 이 부문은 여전히 적자를 기록하고 있습니다. AI 연구 및 제품 개발을 위해 2024년에 최대 400억 달러까지 지출을 늘릴 계획입니다. 이는 이전 예상치 370억 달러에서 크게 상향 조정된 것입니다.</li><li>Reality Labs는 지속적인 적자를 기록하고 있죠. Reality Labs는 AR과 VR의 매출 증가에도 불구하고 계속해서 손실을 기록하고 있습니다. 이 부문의 손실은 지난해 동기 대비 줄었지만, 전체적인 비용 부담은 늘어나고 있습니다.</li><li> 메타는 최근 자체 AI 모델인 Llama 3을 출시하며 구글, 아마존과 같은 경쟁사들과 AI 기술 경쟁을 벌이고 있습니다. 이러한 경쟁은 반도체 수요를 증가시키는 한편, 지속적인 투자로 인해 기업들의 재정적 부담을 가중되고 있다고 해요. 이러한 출혈경쟁은 반도체 수요를 일시적으로 증가시키는 효과를 가져오지만, 투자하는 기업들이 이익을 내지 못할 경우 이러한 치킨게임은 지속가능하지 않을거에요🐓🐔🍗</li></ul>

메타 장외 주가 15% 급락📉AI 치킨게임에 대한 시장의 반응

누구나 다른 이의 멘토가 될 수 있습니다. 자신만의 경험을 나누고, 수익으로 바꿔보세요

멘토찾기 | 당신의 경험으로 멘토가 되어 보세요

멘토찾기(Outliers)는 최근 제가 가입한 서비스입니다.

더불어 성장하는 멘토링을 지향한다는 모토로
다양한 멘토(Mentor)와 멘티(Mentee)를 연결하고자 하는 비전을 가지고 있습니다.

다양한 배경과 경험이 있는 사람들은 그 경험을 나누고 싶어합니다.
하지만 멘토라는 거대한 타이틀에 짓눌러
내가 멘토의 자격이 없는 것은 아닌지,
또는 진짜로 도움이 될수 있을지를 고민하죠.

멘토 찾기 서비스(findmymentor.co)에서 멘토란
멘티가 진정으로 원하는 것을 공감하고,
경험을 바탕으로 실용적인 조언을 해줄 수 있는 사람입니다.

우리는 누군가의 멘토가 되어주어,
과거의 자신과 마주하고,
현재의 사람들과 함께
미래를 함께 이야기할 수 있습니다.

데이터 & AI를 재미있고 가치있게 배우고 싶다면,
매일 성장하는 자신을 마주하고 싶다면,
스스로에게 잘하고 있다고 말해주고 싶다면

멘토 찾기에서 리차드를 찾아주세요.

앞으로도 데이터 & AI를 재미있고 가치있게
배울 수 있도록 데이터리차드가 함께 하겠습니다.

#데이터리차드 #멘토찾기 #함께하는성장

멘토찾기(Outliers)는 최근 제가 가입한 서비스입니다. 더불어 성장하는 멘토링을 지향한다는 모토로 다양한 멘토(Mentor)와 멘티(Mentee)를 연결하고자 하는 비전을 가지고 있습니다. 다양한 배경과 경험이 있는 사람들은 그 경험을 나누고 싶어합니다. 하지만 멘토라는 거대한 타이틀에 짓눌러 내가 멘토의 자격이 없는 것은 아닌지, 또는 진짜로 도움이 될수 있을지를 고민하죠. 멘토 찾기 서비스(findmymentor.co)에서 멘토란 멘티가 진정으로 원하는 것을 공감하고, 경험을 바탕으로 실용적인 조언을 해줄 수 있는 사람입니다. 우리는 누군가의 멘토가 되어주어, 과거의 자신과 마주하고, 현재의 사람들과 함께 미래를 함께 이야기할 수 있습니다. 데이터 &amp; AI를 재미있고 가치있게 배우고 싶다면, 매일 성장하는 자신을 마주하고 싶다면, 스스로에게 잘하고 있다고 말해주고 싶다면 멘토 찾기에서 리차드를 찾아주세요. 앞으로도 데이터 &amp; AI를 재미있고 가치있게 배울 수 있도록 데이터리차드가 함께 하겠습니다. #데이터리차드 #멘토찾기 #함께하는성장

Findmymentor

멘토 찾기로 데이터 리차드와 대화해보세요

sora의 성능은 정말 어마무시하네요..
아티스트 Paul Trillo와 OpenAI가 콜라보해서 만든 TED 홍보영상이예요.
로고 빼곤 모두 Sora로 만들었다는데, 정말 인공지능은 미래를 알고 있는 것일까요...?ㅋㅋㅋㅋ

https://twitter.com/TEDTalks/status/1781351036877156452

sora의 성능은 정말 어마무시하네요..아티스트 Paul Trillo와 OpenAI가 콜라보해서 만든 TED 홍보영상이예요.로고 빼곤 모두 Sora로 만들었다는데, 정말 인공지능은 미래를 알고 있는 것일까요...?ㅋㅋㅋㅋ https://twitter.com/TEDTalks/status/1781351036877156452

X (formerly Twitter)

OpenAI sora가 바라본 40년 후 TED 홍보영상

개인적으로 SQL에서 가장 이해하기 어려웠던 개념은 바로
Window 함수였습니다. 일단 이름부터 Window라니,
저에게는 이상한 이름을 가진 이해하기 힘든 개념이였습니다.

하지만, SQL로 데이터를 다룰 때마다 Window 함수는
매우 다양한 영역에서 활용되고 있어요.

먼저 Window 함수는 한 번에 여러 행을 묶어서 처리 할수 있는 함수로,
GROUP BY 구문과 매우 비슷하지만,
원형의 데이터를 변형시키지 않고도, 다양한 함수를 여러 행에 동시에 사용할 수 있습니다.

Window 함수는 먼저 아래의 형태로 이루어져 있어요.

집계 함수(칼럼) OVER([PARTITION BY 컬럼] [ORDER BY 컬럼]

Window 함수가 가장 많이 사용되는 몇 가지 예시는 다음과 같습니다:

✅ 순위 매기기
[RANK, DENSE_RANK, ROW_NUMBER, LAG, LEAD]

데이터를 특정 기준에 따라 순위를 매기는 데 유용합니다. 예를 들어, 판매 부서에서 매출액이 높은 상위 3명의 직원을 찾을 때 순위 함수를 사용할 수 있습니다.

✅ 이동 계산
[AVG]

시계열 데이터에서 이동 평균을 계산하여 데이터의 추세를 파악하는 데 사용됩니다. 이동 평균은 데이터의 불규칙한 요소를 보다 부드럽게 표현하는 데 도움이 됩니다.

✅ 누적 합계 또는 누적 평균
[SUM, AVG]

일정 기간 동안의 누적 합계나 평균을 계산하는 데 사용됩니다. 예를 들어, 매일 증가하는 재고 수량을 누적 합산하여 전체 재고의 추이를 파악할 수 있습니다.

✅ 그룹별 집계
[SUM, MAX, MIN]

특정 그룹에 대한 집계를 계산할 때 윈도우 함수가 유용합니다. 예를 들어, 지역별로 매출액의 합계를 구하거나 부서별로 최고 월급을 찾는 등의 작업에 활용됩니다.

✅ 백분위수 계산
[PERCENT_RANK, NTILE]

데이터의 분포를 이해하고 이상치를 탐지하기 위해 백분위수를 계산할 때 윈도우 함수가 사용됩니다. 특정 백분위수보다 큰 값이나 작은 값들을 확인하여 데이터의 특성을 분석할 수 있습니다.

앞으로도 데이터 & AI를 재미있고 가치있게
배울 수 있도록 데이터리차드가 함께 하겠습니다.

#데이터리차드 #데이터분석 #데이터과학 #SQL

개인적으로 SQL에서 가장 이해하기 어려웠던 개념은 바로 Window 함수였습니다. 일단 이름부터 Window라니, 저에게는 이상한 이름을 가진 이해하기 힘든 개념이였습니다. 하지만, SQL로 데이터를 다룰 때마다 Window 함수는 매우 다양한 영역에서 활용되고 있어요. 먼저 Window 함수는 한 번에 여러 행을 묶어서 처리 할수 있는 함수로, GROUP BY 구문과 매우 비슷하지만, 원형의 데이터를 변형시키지 않고도, 다양한 함수를 여러 행에 동시에 사용할 수 있습니다. Window 함수는 먼저 아래의 형태로 이루어져 있어요. <code >집계 함수(칼럼) OVER([PARTITION BY 컬럼] [ORDER BY 컬럼]</code> Window 함수가 가장 많이 사용되는 몇 가지 예시는 다음과 같습니다: ✅ 순위 매기기 <code >[RANK, DENSE_RANK, ROW_NUMBER, LAG, LEAD]</code> 데이터를 특정 기준에 따라 순위를 매기는 데 유용합니다. 예를 들어, 판매 부서에서 매출액이 높은 상위 3명의 직원을 찾을 때 순위 함수를 사용할 수 있습니다. ✅ 이동 계산 <code >[AVG]</code> 시계열 데이터에서 이동 평균을 계산하여 데이터의 추세를 파악하는 데 사용됩니다. 이동 평균은 데이터의 불규칙한 요소를 보다 부드럽게 표현하는 데 도움이 됩니다. ✅ 누적 합계 또는 누적 평균<code >[SUM, AVG]</code> 일정 기간 동안의 누적 합계나 평균을 계산하는 데 사용됩니다. 예를 들어, 매일 증가하는 재고 수량을 누적 합산하여 전체 재고의 추이를 파악할 수 있습니다. ✅ 그룹별 집계 <code >[SUM, MAX, MIN]</code> 특정 그룹에 대한 집계를 계산할 때 윈도우 함수가 유용합니다. 예를 들어, 지역별로 매출액의 합계를 구하거나 부서별로 최고 월급을 찾는 등의 작업에 활용됩니다. ✅ 백분위수 계산 <code >[PERCENT_RANK, NTILE]</code> 데이터의 분포를 이해하고 이상치를 탐지하기 위해 백분위수를 계산할 때 윈도우 함수가 사용됩니다. 특정 백분위수보다 큰 값이나 작은 값들을 확인하여 데이터의 특성을 분석할 수 있습니다. 앞으로도 데이터 &amp; AI를 재미있고 가치있게 배울 수 있도록 데이터리차드가 함께 하겠습니다. #데이터리차드 #데이터분석 #데이터과학 #SQL

SQL에서 가장 어려운 Window 함수

🎞️🍿 진격의 AI : 개발자는 자멸할까?

패스트캠퍼스에서 진행한 세미나의 영상이 올라왔습니다. 무려 99만원! 짜리를 무료로! 🤭 (소개 페이지에서 쿠폰 받으셔야해요)

https://fastcampus.co.kr/ai_xyz_kimjinjung

20분 발표에 40분 질문 답변을 진행했는데요. 좋은 질문이 많아서 저도 재밌었던 세미나입니다.

팝콘 뜯으면서 보실만한 내용이니 심심하실 때 한 번 살펴봐주세요.🤗

🎞️🍿 진격의 AI : 개발자는 자멸할까? 패스트캠퍼스에서 진행한 세미나의 영상이 올라왔습니다. 무려 99만원! 짜리를 무료로! 🤭 (소개 페이지에서 쿠폰 받으셔야해요) https://fastcampus.co.kr/ai_xyz_kimjinjung 20분 발표에 40분 질문 답변을 진행했는데요. 좋은 질문이 많아서 저도 재밌었던 세미나입니다. 팝콘 뜯으면서 보실만한 내용이니 심심하실 때 한 번 살펴봐주세요.🤗

📝 6년 전 2018년, LLM의 시초격인 BERT와 Llama 3와의 비교.

지금의 LLM이 있게 한 구글의 Transformer 아키텍처를 이용한 (거의)최초의 범용 거대 언어 모델인 BERT는, 약 40억개의 토큰으로 약 1억개의 파라미터(base 기준)를 가진 모델입니다.

Llama 3의 기본 모델이라고 할 수 있는 70B는 70억개의 파라미터를 가진 모델을 15조개의 토큰으로 학습시킨 모델이죠.

BERT 대비 Llama 3의 파라미터는 약 700배, 학습데이터는 약 3,750배입니다. 😳🤯

Llama 3의 제일 작은 버전만 해도 80억개로 약 74배나 되는 크기입니다.

그런데 BERT가 처음 나왔을 때만해도 이것도 크다면서 모두가 최적화에 매진했는데요. 그 중 가장 유명한 ALBERT의 베이스 모델이 약 1천 2백만개로, Llama 3 8B와 비교하면 약 666배가 됩니다. (아..악마의 수!!)

Llama 모델이 아닌 다른 모델 들 중 지금으로써 가장 작은 모델들이 약 1~2B 정도인데요. 그것만 해도 약 10~20배가 됩니다. 그리고 이것들은 모바일에서 쌩쌩 돌아가죠. 😅

그러니까 6년전만해도 대규모 언어 모델이라고 불렸던 것이, 지금은 모바일 버전의 1/10밖에 안되는 모델이 되었다는 것이죠.

그리고 GPT-3가 처음 나왔을 때 175B이라고 해서 미친거 아냐? 소리가 절로 나왔는데, 지금은 음. 뭐 퀀타이제이션해서 좀 무리하면 맥북 최고 사양 정도면(?) 돌릴 수 있는.. 그런 것이 되었죠.

그러니 10년은 커녕 5년 뒤도 예측 할 수 없는게 지금의 기술 업계인 것 같습니다. 이럴 때 일수록 미래를 예측하려하기보다 그냥 하고 싶은 일을 하는게 맞는게 아닌가 싶습니다.

📝 6년 전 2018년, LLM의 시초격인 BERT와 Llama 3와의 비교. 지금의 LLM이 있게 한 구글의 Transformer 아키텍처를 이용한 (거의)최초의 범용 거대 언어 모델인 BERT는, 약 40억개의 토큰으로 약 1억개의 파라미터(base 기준)를 가진 모델입니다. Llama 3의 기본 모델이라고 할 수 있는 70B는 70억개의 파라미터를 가진 모델을 15조개의 토큰으로 학습시킨 모델이죠. BERT 대비 Llama 3의 파라미터는 약 700배, 학습데이터는 약 3,750배입니다. 😳🤯 Llama 3의 제일 작은 버전만 해도 80억개로 약 74배나 되는 크기입니다. 그런데 BERT가 처음 나왔을 때만해도 이것도 크다면서 모두가 최적화에 매진했는데요. 그 중 가장 유명한 ALBERT의 베이스 모델이 약 1천 2백만개로, Llama 3 8B와 비교하면 약 666배가 됩니다. (아..악마의 수!!) Llama 모델이 아닌 다른 모델 들 중 지금으로써 가장 작은 모델들이 약 1~2B 정도인데요. 그것만 해도 약 10~20배가 됩니다. 그리고 이것들은 모바일에서 쌩쌩 돌아가죠. 😅 그러니까 6년전만해도 대규모 언어 모델이라고 불렸던 것이, 지금은 모바일 버전의 1/10밖에 안되는 모델이 되었다는 것이죠. 그리고 GPT-3가 처음 나왔을 때 175B이라고 해서 미친거 아냐? 소리가 절로 나왔는데, 지금은 음. 뭐 퀀타이제이션해서 좀 무리하면 맥북 최고 사양 정도면(?) 돌릴 수 있는.. 그런 것이 되었죠. 그러니 10년은 커녕 5년 뒤도 예측 할 수 없는게 지금의 기술 업계인 것 같습니다. 이럴 때 일수록 미래를 예측하려하기보다 그냥 하고 싶은 일을 하는게 맞는게 아닌가 싶습니다.

여러분 이직 준비 다들 어떻게 하시나요? 이직 준비 라는 단어 딱 상상만으로도 가슴이 탁 막히지는 않으시나요? 혹은 면접관으로 이제 막 첫 발을 준비하고 계신분들. 뭘 물어봐야 좋은 면접이 될까. 사전에 뭘 준비해야할까 걱정되지 않으시나요?

한빛미디어에서 너무 재밌는 책을 보내주셔서 오랜만에 기술적으로도, 개발자 태도면에서도 많이 배우고 생각해 볼 수 있는 시간을 가질 수 있었습니다. 읽는 내내 정말 무릎을 탁 치면서 맞아 맞아 하며 공감하고 많이 배운 “개발자 기술 면접 노트” 입니다.

취업과 이직의 첫 시작인 목표 설정부터, 이력서 작성 방법, 기술 면접 그리고 면접 이후 어떻게 더 성장해 나갈 수 있는지에 대해 아주 알차게 담고있는 책입니다.

그저 겉핥기가 아니라 실제 물어볼법한 질문을 가지고 의도 파악과 좋은 방향의 답, 더 공부해야 하는 키 포인트들까지 아낌없이 비법이 공유되어 있습니다. (개발자 면접 준비 올인원이 있다면 바로 이 책?) 연차별로 기대하는 역량과 역할, 그에 맞는 스킬셋 등 제공하고 있어 나는 진짜 이 연차에 걸맞는 역할을 하고 있을까 스스로 점검해볼수도 있었습니다.

꼭 이직을 하지 않더라도 일년에 한번씩 본인을 재점검하기 위해 이력서를 제출해보라는 이야기 들어보셨을 것 같습니다. 꼭 전형을 진행하지 않더라도 이 책을 주기적으로 들춰보고 나의 이번 년도는 어땠는지 살펴보는 것 만으로도 충분할 것 같습니다. 업무적으로 어떤 성장을 이뤘는지, 나는 어떤 팀원이였는지, 나의 리더십은 어떠한 모습이였는지, 내가 성장하고자 하는 방향으로 잘 가고 있는지 등 다방면으로 스스로를 되돌아 볼 수 있을 것 같습니다.

https://m.hanbit.co.kr/store/books/book_view.html?p_code=B5491056069

여러분 이직 준비 다들 어떻게 하시나요? 이직 준비 라는 단어 딱 상상만으로도 가슴이 탁 막히지는 않으시나요? 혹은 면접관으로 이제 막 첫 발을 준비하고 계신분들. 뭘 물어봐야 좋은 면접이 될까. 사전에 뭘 준비해야할까 걱정되지 않으시나요? 한빛미디어에서 너무 재밌는 책을 보내주셔서 오랜만에 기술적으로도, 개발자 태도면에서도 많이 배우고 생각해 볼 수 있는 시간을 가질 수 있었습니다. 읽는 내내 정말 무릎을 탁 치면서 맞아 맞아 하며 공감하고 많이 배운 “개발자 기술 면접 노트” 입니다. 취업과 이직의 첫 시작인 목표 설정부터, 이력서 작성 방법, 기술 면접 그리고 면접 이후 어떻게 더 성장해 나갈 수 있는지에 대해 아주 알차게 담고있는 책입니다. 그저 겉핥기가 아니라 실제 물어볼법한 질문을 가지고 의도 파악과 좋은 방향의 답, 더 공부해야 하는 키 포인트들까지 아낌없이 비법이 공유되어 있습니다. (개발자 면접 준비 올인원이 있다면 바로 이 책?) 연차별로 기대하는 역량과 역할, 그에 맞는 스킬셋 등 제공하고 있어 나는 진짜 이 연차에 걸맞는 역할을 하고 있을까 스스로 점검해볼수도 있었습니다. 꼭 이직을 하지 않더라도 일년에 한번씩 본인을 재점검하기 위해 이력서를 제출해보라는 이야기 들어보셨을 것 같습니다. 꼭 전형을 진행하지 않더라도 이 책을 주기적으로 들춰보고 나의 이번 년도는 어땠는지 살펴보는 것 만으로도 충분할 것 같습니다. 업무적으로 어떤 성장을 이뤘는지, 나는 어떤 팀원이였는지, 나의 리더십은 어떠한 모습이였는지, 내가 성장하고자 하는 방향으로 잘 가고 있는지 등 다방면으로 스스로를 되돌아 볼 수 있을 것 같습니다. https://m.hanbit.co.kr/store/books/book_view.html?p_code=B5491056069

[책] 개발자 기술 면접 노트

REST (Representational State Transfer): REST is a widely adopted architectural style for designing networked applications. It is based on a set of principles and constraints, such as using standard...

Most popular API architecture styles in our Digital World

REST (Representational State Transfer)
REST는 애플리케이션을 설계하기 위해 널리 채택된 API 아키텍처 스타일입니다. 리소스 조작, 상태-비저장 및 균일한 인터페이스를 위해 표준 HTTP 메서드(GET, POST, PUT, DELETE)를 기반으로 합니다. REST API는 리소스를 식별하기 위해 URI(Uniform Resource Identifier)를 사용하며 JSON 또는 XML과 같은 다양한 형식으로 데이터를 교환합니다.
 
SOAP (Simple Object Access Protocol)
SOAP는 네트워크를 통해 구조화된 정보를 교환하기 위한 XML 기반 프로토콜입니다. 엄격한 규칙을 따르며 메시지의 구조를 정의하기 위해 XML 스키마를 사용합니다. SOAP API는 일반적으로 HTTP 프로토콜을 사용하지만 SMTP나 TCP와 같은 프로토콜도 사용할 수 있습니다. SOAP API는 높은 수준의 프로토콜 추상화를 제공하고, 암호화 및 트랜잭션 관리와 같은 고급 기능을 지원합니다. 은행 및 금융 산업에서는 보안을 이유로 일반적으로 SOAP를 사용합니다.
 
SOAP는 서로 다른 시스템 간의 복잡한 연결이 필요한 환경에서 사용됩니다. 암호화, 디지털 서명 및 신뢰할 수 있는 메시징과 같은 고급 기능을 지원하는 엄격하고 표준화된 메시징 프로토콜을 제공합니다. 따라서 보안, 신뢰성 및 트랜잭션이 중요한 시나리오에 적합합니다. 
 
GraphQL
GraphQL은 API 쿼리 언어로 클라이언트가 서버에 특정한 데이터를 요청할 수 있습니다. 클라이언트가 필요한 데이터만 요청하여 데이터 패치에 대해 유연하고 효율적인 접근 방식을 제공합니다. 각 엔드포인트가 고정된 데이터 세트를 반환하는 REST와 달리 GraphQL API는 단일 엔드포인트가 있으며 클라이언트는 요구 사항에 따라 응답을 형성할 수 있습니다.
 
facebook, GitHub, Shopify, Twitter등의 회사가 사용합니다.
 
gRPC (Google Remote Procedure Call)
gRPC는 구글이 원격 프로시저 호출 API 구축을 위해 개발한 고성능 오픈 소스 프레임워크입니다. protobuf를 사용하며 여러 프로그래밍 언어를 지원합니다. gRPC API는 양방향 스트리밍 및 인증과 같은 기능을 제공하며 전송을 위해 이진 직렬화 및 HTTP/2를 사용하여 서비스 간의 효율적인 통신을 가능케 합니다. 
 
gRPC는 효율적이고 확장 가능한 분산 시스템을 구축하게 합니다. 구글, 넷플릭스, 스퀘어 등의 회사가 사용합니다.
 
WebSocket
WebSocket은 단일 TCP 연결을 통해 이중 통신 채널을 제공하는 통신 프로토콜입니다. 요청-응답 기반의 전통적인 HTTP와 달리 WebSocket은 클라이언트와 서버 간의 실시간 양방향 통신을 허용합니다. 이것은 클라이언트와 서버가 반복적인 요청 없이 서로에게 메시지를 보낼 수 있게 합니다. WebSocket은 채팅 애플리케이션, 협업 도구, 스트리밍 서비스와 같은 실시간 업데이트가 필요한 애플리케이션에서 사용됩니다.
 
WebSocket을 사용하는 메시징 어플리케이션은 Slack, Discord, Trello, Robinhood 등이 있습니다. 
 
Webhook
Webhook는 HTTP POST 요청을 다른 시스템의 미리 정의된 URL로 전송하여 한 시스템에서 이벤트를 자동으로 알리거나 트리거하는 메커니즘입니다. 두 시스템이 거의 실시간으로 데이터를 전송하여 통신할 수 있도록 합니다. 특정 이벤트나 조건이 발생하면 Webhook를 트리거하고, Webhook는 대상 시스템의 엔드포인트로 관련 데이터 페이로드를 전송합니다. 일반적으로 서로 다른 서비스와 시스템을 통합하는 데 사용되며 실시간 데이터 동기화, 이벤트 기반 워크플로우 및 자동 알림을 가능하게 합니다.
 
번역: [https://ducktopia.tistory.com/121]
원본:

REST (Representational State Transfer)REST는 애플리케이션을 설계하기 위해 널리 채택된 API 아키텍처 스타일입니다. 리소스 조작, 상태-비저장 및 균일한 인터페이스를 위해 표준 HTTP 메서드(GET, POST, PUT, DELETE)를 기반으로 합니다. REST API는 리소스를 식별하기 위해 URI(Uniform Resource Identifier)를 사용하며 JSON 또는 XML과 같은 다양한 형식으로 데이터를 교환합니다.&nbsp;SOAP (Simple Object Access Protocol)SOAP는 네트워크를 통해 구조화된 정보를 교환하기 위한 XML 기반 프로토콜입니다. 엄격한 규칙을 따르며 메시지의 구조를 정의하기 위해 XML 스키마를 사용합니다. SOAP API는 일반적으로 HTTP 프로토콜을 사용하지만 SMTP나 TCP와 같은 프로토콜도 사용할 수 있습니다. SOAP API는 높은 수준의 프로토콜 추상화를 제공하고, 암호화 및 트랜잭션 관리와 같은 고급 기능을 지원합니다. 은행 및 금융 산업에서는 보안을 이유로 일반적으로 SOAP를 사용합니다.&nbsp;SOAP는 서로 다른 시스템 간의 복잡한 연결이 필요한 환경에서 사용됩니다. 암호화, 디지털 서명 및 신뢰할 수 있는 메시징과 같은 고급 기능을 지원하는 엄격하고 표준화된 메시징 프로토콜을 제공합니다. 따라서 보안, 신뢰성 및 트랜잭션이 중요한 시나리오에 적합합니다.&nbsp;&nbsp;GraphQLGraphQL은 API 쿼리 언어로 클라이언트가 서버에 특정한 데이터를 요청할 수 있습니다. 클라이언트가 필요한 데이터만 요청하여 데이터 패치에 대해 유연하고 효율적인 접근 방식을 제공합니다. 각 엔드포인트가 고정된 데이터 세트를 반환하는 REST와 달리 GraphQL API는 단일 엔드포인트가 있으며 클라이언트는 요구 사항에 따라 응답을 형성할 수 있습니다.&nbsp;facebook, GitHub, Shopify, Twitter등의 회사가 사용합니다.&nbsp;gRPC (Google Remote Procedure Call)gRPC는 구글이 원격 프로시저 호출 API 구축을 위해 개발한 고성능 오픈 소스 프레임워크입니다. protobuf를 사용하며 여러 프로그래밍 언어를 지원합니다. gRPC API는 양방향 스트리밍 및 인증과 같은 기능을 제공하며 전송을 위해 이진 직렬화 및 HTTP/2를 사용하여 서비스 간의 효율적인 통신을 가능케 합니다.&nbsp;&nbsp;gRPC는 효율적이고 확장 가능한 분산 시스템을 구축하게 합니다. 구글, 넷플릭스, 스퀘어 등의 회사가 사용합니다.&nbsp;WebSocketWebSocket은 단일 TCP 연결을 통해 이중 통신 채널을 제공하는 통신 프로토콜입니다. 요청-응답 기반의 전통적인 HTTP와 달리 WebSocket은 클라이언트와 서버 간의 실시간 양방향 통신을 허용합니다. 이것은 클라이언트와 서버가 반복적인 요청 없이 서로에게 메시지를 보낼 수 있게 합니다. WebSocket은 채팅 애플리케이션, 협업 도구, 스트리밍 서비스와 같은 실시간 업데이트가 필요한 애플리케이션에서 사용됩니다.&nbsp;WebSocket을 사용하는 메시징 어플리케이션은 Slack, Discord, Trello, Robinhood 등이 있습니다.&nbsp;&nbsp;WebhookWebhook는 HTTP POST 요청을 다른 시스템의 미리 정의된 URL로 전송하여 한 시스템에서 이벤트를 자동으로 알리거나 트리거하는 메커니즘입니다. 두 시스템이 거의 실시간으로 데이터를 전송하여 통신할 수 있도록 합니다. 특정 이벤트나 조건이 발생하면 Webhook를 트리거하고, Webhook는 대상 시스템의 엔드포인트로 관련 데이터 페이로드를 전송합니다. 일반적으로 서로 다른 서비스와 시스템을 통합하는 데 사용되며 실시간 데이터 동기화, 이벤트 기반 워크플로우 및 자동 알림을 가능하게 합니다.&nbsp;번역: [https://ducktopia.tistory.com/121]원본:

Medium

🕊️ 개발 세계에서 인기 있는 API 아키텍처 스타일

 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)

레벨이 올라가고 연차가 쌓이기 시작하면 기술적인 역량 만큼 어쩌면 더 중요해지기 시작하는 것이 평판이고 영향력이다. 나의 존재로 인한 주변 동료나 팀의 역량이 올라가는 사람이 바로 영향력이 있는 사람인데 영향력의 시작은 좋은 평판이며 좋은 평판의 시작은 바로 의사 소통 능력이다.

의사 소통 능력이란 무엇일까? 기본은 질문을 잘 하는 것과 질문하기 쉬운 사람이 되고 질문을 잘 대답해주는 것이라 생각한다.

 1. 경청하기(Active Listening): 질문을 잘 하는 것 그리고 질문에 대답을 잘 해주는 것은 기본적으로 상대의 말을 경청하는 태도와 습관에서 비롯된다. 이는 특히 상대가 내가 신뢰하지 못하는 사람일 경우 더 중요해지는데 상대 말에서 잘못된 논리나 구멍을 찾기 위해서가 아니라 상대를 이해하기 위해서 잘 들으려 해야 한다 ("호기심"의 중요성).
 2. 질문 잘 하기: 이는 타고나는 재능의 영역이라기 보다는 연습이 필요한 스킬 영역인데 첫 번째는 모르는 것을 남의 이목 신경쓰지 않는 어린아이처럼 순진하게 물어보는 것이고 (동일한 질문을 반복하지만 않으면 된다) 두 번째는 본인이 이해한대로 설명(paraphrasing)하면서 맞게 이해했는지 확인하는 형태로 물어보는 것이다. 질문을 잘 안하는 혹은 자신이 없는 팀원들의 경우 일대일 미팅할 때 다음 팀 미팅에서는 질문 하나 하기 등을 숙제로 주곤 했었다.
 3. 상대에 따라 소통 내용의 기술적 수준을 달리하기: 동료 개발자, 매니저(디테일을 잘 아는 사람인지 아닌지), 고객 등 상대에 따라 사용하는 기술 용어의 수준은 달라야 한다. 상대의 백그라운드와 기대치를 미리 알고 거기에 맞춰 사용할 언어를 달리하는 것이 필요하다. 다수의 사람앞에서 발표하는 기회가 생기면 꼭 손 들어보자.
 4. 글 쓰기: 생각이란 글로 표현될 때 더 분명해지며 더 많은 사람들에게 전달이 가능하다. 코딩을 할때 막힌다면 혹은 시스템 디자인을 하는데 생각이 잘 정리가 안된다면 글로 본인의 생각을 정리해보자. 잘 쓸려고 하는 것 보다는 많이 꾸준하게 써보는 것이 중요하다
 5. 롤 모델 찾기: 같은 회사 내에서 의사소통 능력이 뛰어난 사람을 찾아서 그 사람의 행동을 유심히 살펴보고 따라해보는 것도 아주 효과적인 방법이다.

앞서 이야기한 방법들은 환경에 따라 쉽지 않을 수도 있기에 환경을 잘 선택하는 것, 아니다 싶은 곳에서 빨리 떠나는 결정을 하는 것도 필요하다. 의사소통 능력이 있다면 다음 단계인 문제 정의가 쉬워지며 본인이 맡은 업무의 완료 시간 추정도 쉬워진다. 영향력을 증대하려면 꼭 필요한 어려운 대화를 하는 기술도 시작은 의사소통 능력이다. 이는 타고난 능력이 아닌 실수와 연습을 통해 시간을 두고 발전하는 스킬이란 점을 명심하자.

<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> 레벨이 올라가고 연차가 쌓이기 시작하면 기술적인 역량 만큼 어쩌면 더 중요해지기 시작하는 것이 평판이고 영향력이다. 나의 존재로 인한 주변 동료나 팀의 역량이 올라가는 사람이 바로 영향력이 있는 사람인데 영향력의 시작은 좋은 평판이며 좋은 평판의 시작은 바로 의사 소통 능력이다. 의사 소통 능력이란 무엇일까? 기본은 질문을 잘 하는 것과 질문하기 쉬운 사람이 되고 질문을 잘 대답해주는 것이라 생각한다. <ol ><li>경청하기(Active Listening): 질문을 잘 하는 것 그리고 질문에 대답을 잘 해주는 것은 기본적으로 상대의 말을 경청하는 태도와 습관에서 비롯된다. 이는 특히 상대가 내가 신뢰하지 못하는 사람일 경우 더 중요해지는데 상대 말에서 잘못된 논리나 구멍을 찾기 위해서가 아니라 상대를 이해하기 위해서 잘 들으려 해야 한다 ("호기심"의 중요성).</li><li>질문 잘 하기: 이는 타고나는 재능의 영역이라기 보다는 연습이 필요한 스킬 영역인데 첫 번째는 모르는 것을 남의 이목 신경쓰지 않는 어린아이처럼 순진하게 물어보는 것이고 (동일한 질문을 반복하지만 않으면 된다) 두 번째는 본인이 이해한대로 설명(paraphrasing)하면서 맞게 이해했는지 확인하는 형태로 물어보는 것이다. 질문을 잘 안하는 혹은 자신이 없는 팀원들의 경우 일대일 미팅할 때 다음 팀 미팅에서는 질문 하나 하기 등을 숙제로 주곤 했었다.</li><li>상대에 따라 소통 내용의 기술적 수준을 달리하기: 동료 개발자, 매니저(디테일을 잘 아는 사람인지 아닌지), 고객 등 상대에 따라 사용하는 기술 용어의 수준은 달라야 한다. 상대의 백그라운드와 기대치를 미리 알고 거기에 맞춰 사용할 언어를 달리하는 것이 필요하다. 다수의 사람앞에서 발표하는 기회가 생기면 꼭 손 들어보자.</li><li>글 쓰기: 생각이란 글로 표현될 때 더 분명해지며 더 많은 사람들에게 전달이 가능하다. 코딩을 할때 막힌다면 혹은 시스템 디자인을 하는데 생각이 잘 정리가 안된다면 글로 본인의 생각을 정리해보자. 잘 쓸려고 하는 것 보다는 많이 꾸준하게 써보는 것이 중요하다</li><li>롤 모델 찾기: 같은 회사 내에서 의사소통 능력이 뛰어난 사람을 찾아서 그 사람의 행동을 유심히 살펴보고 따라해보는 것도 아주 효과적인 방법이다.</li></ol> 앞서 이야기한 방법들은 환경에 따라 쉽지 않을 수도 있기에 환경을 잘 선택하는 것, 아니다 싶은 곳에서 빨리 떠나는 결정을 하는 것도 필요하다. 의사소통 능력이 있다면 다음 단계인 문제 정의가 쉬워지며 본인이 맡은 업무의 완료 시간 추정도 쉬워진다. 영향력을 증대하려면 꼭 필요한 어려운 대화를 하는 기술도 시작은 의사소통 능력이다. 이는 타고난 능력이 아닌 실수와 연습을 통해 시간을 두고 발전하는 스킬이란 점을 명심하자.

좋은 개발자가 알아야하는 9가지 포인트들 - 3. 의사 소통 잘하

최근 오픈소스가 활성화되면서 새로운 프로그래밍 언어가 다양하게 나오고 있는데요. 그중에도 2024, 2025년도에 두각을 드러낼 것 같다고 생각한 프로그래밍 언어도 소개합니다.

2024년, 배우면 좋을 프로그래밍 언어 ② | 원티드

2024년 새로운 프로그래밍 언어를 도전해보신다면 이 언어를 추천합니다!

안녕하세요. 이번에 원티드랑 두번째 글로 2024년 배우면 좋은 프로그래밍언어 Part 2와 2024/2025에 주목해야하는 프로그래밍 언어에 대한 글을 기고했습니다 :)

특히 2024/2025에 주목해봐야할 언어는 파이썬이 점령한 AI와 데이터처리에 도전하는 언어들도 다뤄보았습니다 :)

파트1은 아래에서 보실수 있습니다.

Part1. https://www.wanted.co.kr/events/article_240408a

2024년 새로운 프로그래밍 언어를 도전해보신다면 이 언어를 추천합니다! 안녕하세요. 이번에 원티드랑 두번째 글로 2024년 배우면 좋은 프로그래밍언어 Part 2와 2024/2025에 주목해야하는 프로그래밍 언어에 대한 글을 기고했습니다 :) 특히 2024/2025에 주목해봐야할 언어는 파이썬이 점령한 AI와 데이터처리에 도전하는 언어들도 다뤄보았습니다 :) 파트1은 아래에서 보실수 있습니다. Part1. https://www.wanted.co.kr/events/article_240408a

원티드

2024년도에 배우면 좋은 프로그래밍언어 Part 2

원문 : Navigating the future of frontend...

(번역) 프런트엔드의 미래 탐색하기

오늘 소개해드릴 글은 컬리의 유경상님이 번역해주신 글입니다.

이번 글에서는 프런트엔드의 최신 프레임워크들을 이해하기 위해 과거와 현재의 기본 개념들을 설명하며, 현재의 프레임워크들이 어떻게 제약 조건들을 극복하고, 컴파일, 라우팅, 캐싱 등과 같은 기본 요소들을 결합하고 있는지 소개하고 있습니다. 이 글을 통해 프런트엔드 생태계가 어떠한 과정을 거쳐 발전하였고, 현재와 같은 메타 프레임워크들이 탄생하게 되었는지 가볍게 알아보시면 좋을 것 같습니다. :)

글 링크 : https://ykss.netlify.app/translation/navigating_the_future_of_frontend/

오늘 소개해드릴 글은 컬리의 유경상님이 번역해주신 글입니다. 이번 글에서는 프런트엔드의 최신 프레임워크들을 이해하기 위해 과거와 현재의 기본 개념들을 설명하며, 현재의 프레임워크들이 어떻게 제약 조건들을 극복하고, 컴파일, 라우팅, 캐싱 등과 같은 기본 요소들을 결합하고 있는지 소개하고 있습니다. 이 글을 통해 프런트엔드 생태계가 어떠한 과정을 거쳐 발전하였고, 현재와 같은 메타 프레임워크들이 탄생하게 되었는지 가볍게 알아보시면 좋을 것 같습니다. :) 글 링크 : https://ykss.netlify.app/translation/navigating_the_future_of_frontend/

Netlify

프런트엔드의 미래 탐색하기

프로덕트 매니저 (PM) 는 성공적인 제품과 서비스를 만들어내기 위해 다양한 역량을 갖추어야 합니다. 성공적인 (최소한 덜 실패하는) 프로덕트 매니저가 되기 위해 갖추어야 할 8가지 역량을 제 경험에 비추어 정리해보았습니다.

프로덕트 매니저의 필수 역량 8가지: 혁신을 이끄는 성장의 레시피

1. 지속적으로 줌-인, 줌-아웃을 합니다 : 프로젝트를 성공적으로 이끌려면, 전체적인 방향성과 목표를 놓치지 않으면서도, 이용자 관점에서 디테일한 부분까지 꼼꼼히 살펴야 합니다. 따라서 쏟아지는 일에 휩쓸리지 않고, 수시로 줌-인, 줌-아웃하며 일을 할 수 있어야 해요.

2. 화려한 한 방보다는 지속적인 최적화에 더 큰 관심을 기울입니다 : 경험이 없는 사람들은 화려하게 준비해서 잘 런칭하면 큰 관심을 받을 것이라고 착각하지만, 그건 현실을 잘 모르는 얘기입니다. 아무리 잘 준비해도, 막상 프로젝트를 내놓으면 수정하고 최적화할 것들이 넘쳐납니다. 다시 말해, 프로젝트에선 탄생보다 진화가 훨씬 더 중요합니다.

3. 고객과 데이터를 중심으로 사고하세요 : 비즈니스 프로젝트는 크게 2가지로 나눌 수 있습니다. 1) 고객이 어려움을 겪는 문제를 해결하거나(Problem-solving), 2) 고객에게 새로운 습관을 만들어 주거나 (Habit-forming). 그리고 이 2가지의 접근 방식은 달라야 합니다. 고객의 문제를 해결하는 프로젝트는 고객의 명확한 니즈나 pain point를 파악하고, 이를 효과적으로 해결하는 데 초점을 맞춰야 하고, 새로운 습관을 만드는 프로젝트는 (재미 등) 고객의 잠재된 니즈를 발굴하여, 이를 새로운 습관으로 형성할 수 있도록 유도하는 것이 중요합니다. 그리고 이를 위해선 기본적으로, 고객 입장에서 생각하고, 고객 피드백과 데이터를 토대로 의사결정하는 사고방식을 가져야 합니다. 습관을 만들든, 고객의 문제를 해결하든, 모두 데이터를 보면서 사고해야 한다는 말입니다.

4. 비즈니스 모델을 생각하지 않은 프로젝트는 사상누각에 불과합니다 : 처음에 떠오른 아이디어를 제품이나 서비스로 기획하는 일은 재미있고 신나는 활동입니다. 하지만 지속적으로 고객을 만족시키고, 프로젝트를 발전시키기 위해선 비즈니스 모델이 반드시 있어야 합니다. 고객의 문제를 진정으로 해결하고, 고객에게 만족감을 주려면 많은 돈과 시간과 인력이 들어가니까요. 따라서 비즈니스 모델에 대한 탐구나 고려가 없는 프로젝트는 바람 앞에 등불과도 같은 겁니다.

5. 우선순위가 없다는 건 뭐가 중요한지 모른다는 뜻입니다 : 어떤 프로젝트든 시간과 자원은 한정되어 있습니다. 따라서 중요하고 좋은 효과를 낼 수 있는 곳에 자원을 우선적으로 집중해야 합니다. 즉, 프로젝트가 성공하기 위해선 항상 우선순위를 명확히 하고, 가장 중요한 일에 자원을 집중해야 합니다.

6. 커뮤니케이션과 협업 없이는 위대한 일을 해낼 수 없습니다 : 자신의 제한된 시간과 역량을 최대한 효과적으로 활용하기 위해서는 다른 사람과 명확하게 커뮤니케이션을 하고, 협업을 잘 하는 것이 무엇보다 중요합니다. 반대로, 커뮤니케이션이나 협업 능력이 떨어지면, 쉬운 일마저 어려워지죠. 따라서 일을 잘하고 싶다면, 커뮤니케이션과 협업하는 역량부터 키워야 합니다. 특히 내가 잘 되기 위해선 다른 사람을 잘 도울 수 있어야 합니다. 따라서 다른 사람을 진정으로 도울 수 있는 플러싱(Plussing) 기술을 익히는 건 필수적인 일입니다.

7. 기회는 환경 변화 속에서 만들어집니다. 따라서 변화에 기민하게 대응해야 합니다 : 인터넷의 등장, 스마트폰의 등장, 생성형 AI의 등장 등 새로운 변화가 일어나면 새로운 기회가 만들어집니다. 따라서 기회를 잡고 싶다면, 변화에 대한 감각을 예민하게 길러야 합니다. 하던 대로 하는 게 아니라.

8. 호기심을 가지고 지속적으로 탐구하고 학습해야 지적 성장이 일어납니다 : 세상에 완전히 새로운 건 없습니다. 뭐가 좋은지를 찾고, 좋은 건 잘 학습하고, 그걸 자신의 스타일대로 풀어내는 연습을 해야 창의적인 결과물을 만들어낼 수 있습니다. 사람들은 창의성을 재능이나 능력이라고 착각하지만, 창의성은 태도에 더 가깝습니다.

++ 존경하는 정윤호 대표님 글을 참고해서 작성해봤습니담 ;)

https://slashpage.com/yunojung/pm-8skills

1. 지속적으로 줌-인, 줌-아웃을 합니다 : 프로젝트를 성공적으로 이끌려면, 전체적인 방향성과 목표를 놓치지 않으면서도, 이용자 관점에서 디테일한 부분까지 꼼꼼히 살펴야 합니다. 따라서 쏟아지는 일에 휩쓸리지 않고, 수시로 줌-인, 줌-아웃하며 일을 할 수 있어야 해요. 2. 화려한 한 방보다는 지속적인 최적화에 더 큰 관심을 기울입니다 : 경험이 없는 사람들은 화려하게 준비해서 잘 런칭하면 큰 관심을 받을 것이라고 착각하지만, 그건 현실을 잘 모르는 얘기입니다. 아무리 잘 준비해도, 막상 프로젝트를 내놓으면 수정하고 최적화할 것들이 넘쳐납니다. 다시 말해, 프로젝트에선 탄생보다 진화가 훨씬 더 중요합니다. 3. 고객과 데이터를 중심으로 사고하세요 : 비즈니스 프로젝트는 크게 2가지로 나눌 수 있습니다. 1) 고객이 어려움을 겪는 문제를 해결하거나(Problem-solving), 2) 고객에게 새로운 습관을 만들어 주거나 (Habit-forming). 그리고 이 2가지의 접근 방식은 달라야 합니다. 고객의 문제를 해결하는 프로젝트는 고객의 명확한 니즈나 pain point를 파악하고, 이를 효과적으로 해결하는 데 초점을 맞춰야 하고, 새로운 습관을 만드는 프로젝트는 (재미 등) 고객의 잠재된 니즈를 발굴하여, 이를 새로운 습관으로 형성할 수 있도록 유도하는 것이 중요합니다. 그리고 이를 위해선 기본적으로, 고객 입장에서 생각하고, 고객 피드백과 데이터를 토대로 의사결정하는 사고방식을 가져야 합니다. 습관을 만들든, 고객의 문제를 해결하든, 모두 데이터를 보면서 사고해야 한다는 말입니다. 4. 비즈니스 모델을 생각하지 않은 프로젝트는 사상누각에 불과합니다 : 처음에 떠오른 아이디어를 제품이나 서비스로 기획하는 일은 재미있고 신나는 활동입니다. 하지만 지속적으로 고객을 만족시키고, 프로젝트를 발전시키기 위해선 비즈니스 모델이 반드시 있어야 합니다. 고객의 문제를 진정으로 해결하고, 고객에게 만족감을 주려면 많은 돈과 시간과 인력이 들어가니까요. 따라서 비즈니스 모델에 대한 탐구나 고려가 없는 프로젝트는 바람 앞에 등불과도 같은 겁니다. 5. 우선순위가 없다는 건 뭐가 중요한지 모른다는 뜻입니다 : 어떤 프로젝트든 시간과 자원은 한정되어 있습니다. 따라서 중요하고 좋은 효과를 낼 수 있는 곳에 자원을 우선적으로 집중해야 합니다. 즉, 프로젝트가 성공하기 위해선 항상 우선순위를 명확히 하고, 가장 중요한 일에 자원을 집중해야 합니다. 6. 커뮤니케이션과 협업 없이는 위대한 일을 해낼 수 없습니다 : 자신의 제한된 시간과 역량을 최대한 효과적으로 활용하기 위해서는 다른 사람과 명확하게 커뮤니케이션을 하고, 협업을 잘 하는 것이 무엇보다 중요합니다. 반대로, 커뮤니케이션이나 협업 능력이 떨어지면, 쉬운 일마저 어려워지죠. 따라서 일을 잘하고 싶다면, 커뮤니케이션과 협업하는 역량부터 키워야 합니다. 특히 내가 잘 되기 위해선 다른 사람을 잘 도울 수 있어야 합니다. 따라서 다른 사람을 진정으로 도울 수 있는 플러싱(Plussing) 기술을 익히는 건 필수적인 일입니다. 7. 기회는 환경 변화 속에서 만들어집니다. 따라서 변화에 기민하게 대응해야 합니다 : 인터넷의 등장, 스마트폰의 등장, 생성형 AI의 등장 등 새로운 변화가 일어나면 새로운 기회가 만들어집니다. 따라서 기회를 잡고 싶다면, 변화에 대한 감각을 예민하게 길러야 합니다. 하던 대로 하는 게 아니라. 8. 호기심을 가지고 지속적으로 탐구하고 학습해야 지적 성장이 일어납니다 : 세상에 완전히 새로운 건 없습니다. 뭐가 좋은지를 찾고, 좋은 건 잘 학습하고, 그걸 자신의 스타일대로 풀어내는 연습을 해야 창의적인 결과물을 만들어낼 수 있습니다. 사람들은 창의성을 재능이나 능력이라고 착각하지만, 창의성은 태도에 더 가깝습니다. ++ 존경하는 정윤호 대표님 글을 참고해서 작성해봤습니담 ;) https://slashpage.com/yunojung/pm-8skills

SlashPage

프로젝트를 성공적으로 마무리하려면 어떻게 해야 하나?

함수, 이렇게 만들면 넌 주니어

실무에서 코드 리뷰를 할때 함수명에 'or' 나 'and'가 들어가는 케이스들을 종종 보는데요.
이런 경우 좋지 못할 함수명일 가능성이 높습니다. 함수 이름을 지을때는 다음과 같은 방법을 고려하는것이 좋습니다.

 * 함수 내부 로직만을 그대로 함수 이름으로 사용하는 것은 바람직하지 않을수 있습니다.
   * 내부 로직만으로 이름을 지으면 다른 개발자가 해당 함수의 역할을 이해하는데 시간이 오래 걸릴수 있습니다.
     
     
 * 'and' 나 'or' 가 들어간 함수명은 좋지 않을 가능성이 높습니다.
   * 함수 내부 로직만을 반영한 네이밍일 가능성이 높기 때문입니다.
     
     
 * 도메인 지식을 함수 네이밍에 적용하는것은 좋은 방법 일 수 있습니다. (도메인 주도 설계 DDD)
   * 비즈니스 로직을 더욱 명확히 나타낼수 있기 때문에 다른 개발자가 빠르게 이해하는데 도움이 됩니다.

함수명은 무엇보다 가독성이 중요한데요. 위와 같은 사항들을 고려해 동료 개발자가 이해하기 쉬운 함수명을 작성하는것을 추천드립니다.

https://www.youtube.com/watch?v=Wd6FJ1s_ZUc

실무에서 코드 리뷰를 할때 함수명에 'or' 나 'and'가 들어가는 케이스들을 종종 보는데요.이런 경우 좋지 못할 함수명일 가능성이 높습니다. 함수 이름을 지을때는 다음과 같은 방법을 고려하는것이 좋습니다. <ul ><li>함수 내부 로직만을 그대로 함수 이름으로 사용하는 것은 바람직하지 않을수 있습니다.<ul ><li>내부 로직만으로 이름을 지으면 다른 개발자가 해당 함수의 역할을 이해하는데 시간이 오래 걸릴수 있습니다. </li></ul></li><li>'and' 나 'or' 가 들어간 함수명은 좋지 않을 가능성이 높습니다.<ul ><li>함수 내부 로직만을 반영한 네이밍일 가능성이 높기 때문입니다. </li></ul></li><li>도메인 지식을 함수 네이밍에 적용하는것은 좋은 방법 일 수 있습니다. (도메인 주도 설계 DDD)<ul ><li>비즈니스 로직을 더욱 명확히 나타낼수 있기 때문에 다른 개발자가 빠르게 이해하는데 도움이 됩니다.</li></ul></li></ul> 함수명은 무엇보다 가독성이 중요한데요. 위와 같은 사항들을 고려해 동료 개발자가 이해하기 쉬운 함수명을 작성하는것을 추천드립니다. https://www.youtube.com/watch?v=Wd6FJ1s_ZUc

YouTube

함수 이름 작성 팁

나 없이 조직이 돌아가지 않으면 내가 트롤이다 | 조직의 중요한 결정은 다 나 몰래 내려진다. '윗분들은' 정말 쉬쉬하고 싶은 것일까?' 에 이어 다시 IT 원주민들의 회사 생활을 엿보자. 원준팀의 '애니메이션 커뮤니티' 서비스는 점점 성장해서 직원 수도 100여 명이 넘고 다음 시리즈 유치도 성공하며 업계에서 꽤 이름 난 스타트업이 되었다.

리더가 없어도 의사결정할 수 있어야 한다.

팀원들은 ‘팀장님이 문제를 해결해 주실 거야.’라고 생각하고 팀장은 ‘팀장인 내가 팀원 간 문제를 해결해야지.’라고 생각하지만 반은 맞고 반은 틀리다. 좋은 원칙이 있고 정보가 잘 흐른다면 누구나 좋은 의사결정을 할 수 있어야 한다.

예를 들면 담당자끼리 이야기하다가 풀리지 않으면 상위 담당자끼리 이야기해서 문제를 해결하는 시도는 자칫 편리해 보이지만 다음과 같은 문제를 야기한다   

 1. 팀 자체적인 문제해결 능력이 약해진다 : 가장 전문성을 갖춘 개개인이 스스로 문제해결을 하고 실패 속에서 배우는 시스템이 구축되지 않는다.
 2. 의사결정 속도가 느려진다. 언제든 상위 의사결정자를 부를 수 있다는 것은 결국 실무자 둘이 이야기할 것을 상위 의사결정자가 결정한다는 뜻. 의존성을 만들면 당연히 의사결정 속도가 느려진다.
 3. 상위 리더십이 더 중요한 결정에 시간을 쓸 수 없다. 팀장들이 매사 ‘불 끄러’ 다닌다고 더 중요한 전략적 의사결정과 로드맵 수립 같은 일에 투자할 수 없다. 이는 모호한 전략과 애매한 실행으로 이어져 성과가 안 좋아지고, 성과가 안 좋아지면 조직 간 갈등이 증가하는 악순환이 시작된다.

IT기업은 대부분 역할 조직의 형태를 따르고 있다. 역할 조직에서는 각자 ‘일당백’을 하므로 ‘나 없으면 돌아가지 않는 조직’이 되는 것이 일 잘하는 것이라 생각할 수 있지만 정반대다.  역할 조직에서는 누군가 없어져도 언제든 대체할 수 있다. 

내가 없어도 잘 돌아가고, 내가 있으면 더 잘 돌아가야 한다. 내가 없어져서 조직이 멈춰버리거나 급격히 성능이 저하된다면 조직 엔지니어링에 실패한 것이다. 팀장이 빠져도 팀원이 70~80% 수준의 의사 결정과 결과물을 낼 수 있어야 한다.

문제는 ‘리더가 의사결정을 마음대로 해서’가 아니다. 의사결정은 리더의 고유 권한이고 주요한 업무 중 하나라는 것을 구성원도 모두 이해하고 있다.  불만은 리더가 의사 결정해서가 아니라 의사결정에 필요한 정보와 과정을 구성원이 알 수 없기 때문에 불만이 생긴다.  리더가 해야 할 일 중에 가장 중요한 일은 ‘팀원들이 나와 비슷한 수준으로 의사결정할 수 있도록 정보가 흐르게 하는 것이다.

역할 조직에서 정보가 제대로 흐르지 않고 정치가 심화되면 각자의 정보 독점이 일어나면서 각자 성과보다는 ‘지위 관리’에 집중하게 된다. 각자의 지위와 권력을 유지하기 위해 역할을 나누고, 쪼개고, 허락을 구하고 결재받는 시간이 길어지며 의사결정과 업무 속도가 느려진다. 회의 아젠다로 ‘역할 나누기’가, ‘000팀, 검토해 주세요.’라는 요청이 업무에 자주 등장하게 된다

의사결정을 위해 무슨 팀을 찾아갈지 찾는 일이 일상다반사가 된다. 정보의 독점으로 인해 각자의 정보 의존성을 이겨내지 못하면 업무 자체가 진행되지 않기 때문이다. 속도가 곧 경쟁력임을 표방하는 스타트업에서는 이보다 큰 위기신호가 없다.

이를 해결하기 위해서는 다음과 같은 실행이 뒤따라야 한다.

1. 의사결정자, 담당자, 커뮤니케이션 채널을 명확하게 지정한다.

리더는 프로젝트 시작 전에 책임자를 분명하게 정해야 한다. 개인 실무자가 조직의 역학관계를 파악하는 것은 불가능하다. 정리된 내용은 관련 담당자 모두가 볼 수 있는 채널에 공유되어야 하며, 프로젝트 중 담당자 변경이 있다면 같은 채널에 이를 알려야 한다.

2. 프로젝트 관련된 정보가 공유되고 원칙이 세워진다.

프로젝트 관련된 정보가 투명하게 공유되어야 한다. 각 담당자는 프로젝트에 관련된 정보를 ‘파악하는 것’뿐 아니라 적절한 대상에게 공유하여 모두가 접근할 수 있도록 해야 한다.프로젝트의 ‘전략적 원칙’이 수립되어야 하는데, 여기서 말하는 전략적 원칙이란 프로젝트 목표를 달성하기 위해 ‘무엇을 얻고 무엇을 포기할지’ 명확하게 선언된 것을 말한다. 명확한 프로젝트 원칙은 리더 없이도 구성원이 좋은 결정을 내릴 수 있도록 돕는다.

3. 정보가 적시에 전달된다.

정보는 필요한 사람이 찾아보기 전에 의사결정을 내린 사람이 책임지고 전달해야 한다. 이는 리더나 실무자 모두에게 해당되며 프로젝트 진행 중 개개인 구성원이 노력이 필요하다. 시점은 의사결정된 즉시가 가장 좋다. 위에서 정리된 의사결정자, 담당자, 커뮤니케이션 채널을 참고해서 담당자에게 전달한다.

https://brunch.co.kr/@kgbtomas/291

팀원들은 ‘팀장님이 문제를 해결해 주실 거야.’라고 생각하고 팀장은 ‘팀장인 내가 팀원 간 문제를 해결해야지.’라고 생각하지만 반은 맞고 반은 틀리다. 좋은 원칙이 있고 정보가 잘 흐른다면 누구나 좋은 의사결정을 할 수 있어야 한다. 예를 들면 담당자끼리 이야기하다가 풀리지 않으면 상위 담당자끼리 이야기해서 문제를 해결하는 시도는 자칫 편리해 보이지만 다음과 같은 문제를 야기한다 &nbsp;&nbsp; <ol ><li>팀 자체적인 문제해결 능력이 약해진다 : 가장 전문성을 갖춘 개개인이 스스로 문제해결을 하고 실패 속에서 배우는 시스템이 구축되지 않는다.</li><li>의사결정 속도가 느려진다. 언제든 상위 의사결정자를 부를 수 있다는 것은 결국 실무자 둘이 이야기할 것을 상위 의사결정자가 결정한다는 뜻. 의존성을 만들면 당연히 의사결정 속도가 느려진다.</li><li>상위 리더십이 더 중요한 결정에 시간을 쓸 수 없다. 팀장들이 매사 ‘불 끄러’ 다닌다고 더 중요한 전략적 의사결정과 로드맵 수립 같은 일에 투자할 수 없다. 이는 모호한 전략과 애매한 실행으로 이어져 성과가 안 좋아지고, 성과가 안 좋아지면 조직 간 갈등이 증가하는 악순환이 시작된다.</li></ol> IT기업은 대부분 역할 조직의 형태를 따르고 있다. 역할 조직에서는 각자 ‘일당백’을 하므로 ‘나 없으면 돌아가지 않는 조직’이 되는 것이 일 잘하는 것이라 생각할 수 있지만 정반대다.&nbsp;&nbsp;역할 조직에서는 누군가 없어져도 언제든 대체할 수 있다.&nbsp; 내가 없어도 잘 돌아가고, 내가 있으면 더 잘 돌아가야 한다. 내가 없어져서 조직이 멈춰버리거나 급격히 성능이 저하된다면 조직 엔지니어링에 실패한 것이다. 팀장이 빠져도 팀원이 70~80% 수준의 의사 결정과 결과물을 낼 수 있어야 한다. 문제는 ‘리더가 의사결정을 마음대로 해서’가 아니다. 의사결정은 리더의 고유 권한이고 주요한 업무 중 하나라는 것을 구성원도 모두 이해하고 있다. &nbsp;불만은 리더가 의사 결정해서가 아니라 의사결정에 필요한 정보와 과정을 구성원이 알 수 없기 때문에 불만이 생긴다.&nbsp;&nbsp;리더가 해야 할 일 중에 가장 중요한 일은 ‘팀원들이 나와 비슷한 수준으로 의사결정할 수 있도록 정보가 흐르게 하는 것이다. 역할 조직에서 정보가 제대로 흐르지 않고 정치가 심화되면 각자의 정보 독점이 일어나면서 각자 성과보다는 ‘지위 관리’에 집중하게 된다.&nbsp;각자의 지위와 권력을 유지하기 위해 역할을 나누고, 쪼개고, 허락을 구하고 결재받는 시간이 길어지며 의사결정과 업무 속도가 느려진다. 회의 아젠다로 ‘역할 나누기’가, ‘000팀, 검토해 주세요.’라는 요청이 업무에 자주 등장하게 된다 의사결정을 위해 무슨 팀을 찾아갈지 찾는 일이 일상다반사가 된다. 정보의 독점으로 인해 각자의 정보 의존성을 이겨내지 못하면 업무 자체가 진행되지 않기 때문이다. 속도가 곧 경쟁력임을 표방하는 스타트업에서는 이보다 큰 위기신호가 없다. 이를 해결하기 위해서는 다음과 같은 실행이 뒤따라야 한다. 1. 의사결정자, 담당자, 커뮤니케이션 채널을 명확하게 지정한다. 리더는 프로젝트 시작 전에 책임자를 분명하게 정해야 한다. 개인 실무자가 조직의 역학관계를 파악하는 것은 불가능하다. 정리된 내용은 관련 담당자 모두가 볼 수 있는 채널에 공유되어야 하며, 프로젝트 중 담당자 변경이 있다면 같은 채널에 이를 알려야 한다. 2. 프로젝트 관련된 정보가 공유되고 원칙이 세워진다. 프로젝트 관련된 정보가 투명하게 공유되어야 한다. 각 담당자는 프로젝트에 관련된 정보를 ‘파악하는 것’뿐 아니라 적절한 대상에게 공유하여 모두가 접근할 수 있도록 해야 한다.프로젝트의 ‘전략적 원칙’이 수립되어야 하는데, 여기서 말하는 전략적 원칙이란 프로젝트 목표를 달성하기 위해 ‘무엇을 얻고 무엇을 포기할지’ 명확하게 선언된 것을 말한다. 명확한 프로젝트 원칙은 리더 없이도 구성원이 좋은 결정을 내릴 수 있도록 돕는다. 3. 정보가 적시에 전달된다. 정보는 필요한 사람이 찾아보기 전에 의사결정을 내린 사람이 책임지고 전달해야 한다. 이는 리더나 실무자 모두에게 해당되며 프로젝트 진행 중 개개인 구성원이 노력이 필요하다. 시점은 의사결정된 즉시가 가장 좋다. 위에서 정리된 의사결정자, 담당자, 커뮤니케이션 채널을 참고해서 담당자에게 전달한다. https://brunch.co.kr/@kgbtomas/291

Brunch Story

리더가 없어도 결정은 내려진다.

누구나 직장에서 도망치고싶은, 부끄러운 순간들이 있을겁니다. 그럴 때 누구는 도망하고, 누구는 인내하며, 누구는 부정하고, 누구는 부끄러움을 모르기도 합니다. 그리고 누군간 극복하고 해내고 맙니다. 저는 그 중 도망자였습니다. 부끄러운 고백입니다. 이 글은 제가 토스에 다녔던 2015년-2016년 두 해, 토스의 극초기에 겪었던 실패의 회고입니다.

유난한 도전과 도망: 어느 직장인의 부끄러운 회고

https://jaypark.me/11

재한님이 토스 초기 멤버로써 어떤 일을 겪었는지 남겨주셨네요.
누구나 감추고 싶은 과거가 있죠. 이걸 공개하셨다는 것 만으로 대단하다고 생각합니다.

https://jaypark.me/11 재한님이 토스 초기 멤버로써 어떤 일을 겪었는지 남겨주셨네요.누구나 감추고 싶은 과거가 있죠. 이걸 공개하셨다는 것 만으로 대단하다고 생각합니다.

박재한 블로그

어느 직장인의 회고

Next.js 14.2 includes development, production, and caching improvements. Including new configuration options, 99% Turbopack tests passing, and more.

Next.js 14.2

2024년 4월 12일, Next.js 14.2 버전이 출시 되었습니다. 주요 변경사항을 정리해보았습니다.

 * Turbopack 개발중, 프로덕션 용도로는 아직 시기상조
   * 개발 모드 (
     next dev --turbo
     )에서 99.8%의 통합 테스트를 통과했습니다.
   * 빌드(
     next build
     ) 용으로는 아직 개발중으로, 74.7%의 테스트를 통과했습니다.
 * 빌드 및 프로덕션 성능이 개선됨, 특히 메모리 사용량이 줄어듬
   * 서버/클라이언트 컴포넌트 간 트리 쉐이킹이 더 좋아졌습니다.
   * 미니멀로 세팅한 Next.js 앱에서 메모리 사용량과 캐시 파일 크기가 평균
     2.2GB
     에서
     190MB
     미만으로 감소했다고 합니다. CI 빌드 시 메모리 부족으로 머신이 뻗는 현상이 줄어들겠네요.
 * 에러 DX가 개선됨, Hydration 에러가 어디서 발생했는지 더 잘 보여줌
   * Next.js에서 종종 겪던
     Hydration failed because the initial ui does not match what was rendered on the server
     에러에 대한 원인을 더 잘 찾을 수 있을 것 같습니다.
 * React 19와 통합한 메이저 버전을 준비중
   * 아마도 Next.js 15가 될 것 같습니다.

자세한 내용은 Next.js 블로그 (https://nextjs.org/blog/next-14-2) 를 참고해주세요.

2024년 4월 12일, Next.js 14.2 버전이 출시 되었습니다. 주요 변경사항을 정리해보았습니다. <ul ><li>Turbopack 개발중, 프로덕션 용도로는 아직 시기상조<ul ><li>개발 모드 (<code >next dev --turbo</code>)에서 99.8%의 통합 테스트를 통과했습니다.</li><li>빌드(<code >next build</code>) 용으로는 아직 개발중으로, 74.7%의 테스트를 통과했습니다.</li></ul></li><li>빌드 및 프로덕션 성능이 개선됨, 특히 메모리 사용량이 줄어듬<ul ><li>서버/클라이언트 컴포넌트 간 트리 쉐이킹이 더 좋아졌습니다.</li><li>미니멀로 세팅한 Next.js 앱에서 메모리 사용량과 캐시 파일 크기가 평균 <code >2.2GB</code>에서 <code >190MB</code> 미만으로 감소했다고 합니다. CI 빌드 시 메모리 부족으로 머신이 뻗는 현상이 줄어들겠네요.</li></ul></li><li>에러 DX가 개선됨, Hydration 에러가 어디서 발생했는지 더 잘 보여줌<ul ><li>Next.js에서 종종 겪던 <code >Hydration failed because the initial ui does not match what was rendered on the server</code> 에러에 대한 원인을 더 잘 찾을 수 있을 것 같습니다.</li></ul></li><li>React 19와 통합한 메이저 버전을 준비중<ul ><li>아마도 Next.js 15가 될 것 같습니다.</li></ul></li></ul> 자세한 내용은 Next.js 블로그 (https://nextjs.org/blog/next-14-2) 를 참고해주세요.

Nextjs

Next.js 14.2 릴리즈

친구들, 요즘 인공지능 분야에 뜨거운 핵감자가 된 ChatGPT를 아십니까? ChatGPT가 무엇인지 모르시는 분들께 ChatGPT에 대해 물어 봤고, 파이썬과 mysql 로 회원가입 프로그램 코딩해달라고 했고, 마지막으로 간단한 수학 문제 풀이를 보여 달라고 해 봤습니다.
과연 제대로 되었는지 화면으로 캡처했으니 확인해 보세요!! 
그리고 여러분들도 https://chat.openai.com 에서 해 보세요! 현재는 Preview 기간이라 무료입니다!!

백엔드 엔지니어

신건웅

안녕하세요
3년차 스프링 기반 백엔드 개발자 입니다.
최근에는 스타트업 환경에서 MSA 기반의 다양한 경험을 쌓았습니다. 이러한 경험을 토대로, 빠르게 변화하는 시장에 서 새로운 기술과 아이디어를 적극적으로 도입하여 팀의 성장과 성과에 기여하고자 합니다.

3i Inc. 컴퓨터 비전 엔지니어

쏭꾸

플리토 영업지원

정은희

<ChatGPT, 여러분도 테스트 해 보세요!>

머신 러닝

MySQL

python

html

javascript

SpringBoot

django

Java

Docker

Kubernetes

Linux

c언어

React

typescript

Node.js

Vue.js

Spring

Github

OracleDB

Android

데이터 분석

커뮤니케이션

대규모 데이터센터나 서버에서 대규모 언어 모델 또는 멀티모달, 딥러닝 모델에 대한 GPU를 이용한 분산 훈련 및 추론 솔루션 아키텍처를 기업 대상으로 하고 있습니다. 

HPC&AI PreSales

AI 전략경영 MBA

서진호

서진호의 링크드인

Google Cloud Innovators

시나브로의 실리콘 밸리 산책

저의 깃허브

클라우드 또는 하이브리드 컴퓨팅에서 빅데이타 분석과 GPU와 고성능 분산 컴퓨팅 기반의 머신러닝 및 딥러닝, 생성형 AI(LLM/LMM)에 대한 솔루션 아키텍처 컨설팅.

#소프트웨어엔지니어 #데이터사이언스 #Ai #데이터애널리스트 #GPU #분산훈련

<ChatGPT, 여러분도 테스트 해 보세요!>

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필