그동안 안드로이드를 너무 팽개쳐둔 것 같아서 4년 만에 다시 안드로이드로 돌아왔습니다. 알람 정리를 아직 못해서인지 새벽에 알람 소리에 잠이 깨버리고 말았습니다. 새벽에 알람 소리에 깨긴 오랜만이었습니다.

장애 알림은 서버 개발자의 숙명

그동안 안드로이드를 너무 팽개쳐둔 것 같아서 4년 만에 다시 안드로이드로 돌아왔습니다.
알람 정리를 아직 못해서인지 새벽에 알람 소리에 잠이 깨버리고 말았습니다.
새벽에 알람 소리에 깨긴 오랜만이었습니다.

카톡 서버팀에서 일할 때는 자주 이런 일이 있었습니다.
핸드폰 알람을 무음이나 진동으로 해두지 않고 항상 소리로 해두었습니다.
저만 그랬던 것이 아니라 서버팀 동료들 대부분이 그랬던 것 같습니다.
그래서 사무실에 있을 때 장애가 나면 사방에서 카톡카톡카톡카톡 소리가 들렸습니다.
(다른 회사 사람들이 와서 이 장면을 본다면 기이한 느낌이 들 것 같습니다)

장애 알림은 시도 때도 없이 발생했습니다.
시스템 전체가 다운돼서 사람들에게 알려지는 일은 흔치 않지만…
내부적으로는 계속 문제가 생기고 고쳐나가면서 살고 있는 것입니다.

문제를 곧바로 감지해서 해결하는 사람들을 보면 멋지다고 생각하기도 했습니다.
저도 그런 사람이 되고 싶었습니다. 가장 빨리 발견하고 가장 빨리 해결하는 사람.
하지만 그렇게 하려면 항상 긴장하고 있어야 했습니다.
긴장을 잠시만 풀어버려도 알림을 놓치고 반응이 늦기 일쑤였거든요.
한바탕 휘몰아치고 상황이 끝났는데 장애가 났었는지도 모르고 있었던 경우도 있습니다.
동료들이 다 해결하고 나는 얼간이처럼 띵가띵가 놀고 있었다고?
얼마나 쪽팔리고 미안하겠습니까?

장애는 새벽 시간에도 생기곤 했습니다.
나는 편하게 잠 좀 자고 싶은데. 그렇다고 알림을 꺼놓고 잘 수도 없고.
지금 생각하면 참 고역이었습니다.

알림에 반응이 느린 사람들도 간혹 있었습니다.
이를 답답하게 느끼기도 했습니다만… 이제는 저도 가정을 갖고 아이를 키우면서 이해할 수 있게 됐습니다.
무음 모드라는 것이 얼마나 소중한지 알게 되었거든요.

저도 이제는 핸드폰을 수면 모드로 해놓고 잠이 듭니다.
수면 모드라니… 예전 같으면 이게 말이나 되나 하고 생각했텐데.
편하게 잘 수 있다는 것에 새삼 감사한 마음이 듭니다.

얼마 전 카톡방에서 예전 서버팀 동료들과 대화를 하다가…
반응 속도가 다들 여전히 빠른 걸 보고 혼자 웃었습니다.
(잔잔한 채팅방에 메시지 하나 보내면 곧장 읽음 표시 숫자가 타다다닥 내려갑니다)
내 메시지를 빨리 확인해 주고 반응해 주는 동료들이 있으면 일할 맛이 나긴 합니다.
그런 동료들과 일해서 더 재밌게 일했던 것 같습니다.

https://jeho.page/essay/2025/02/06/failure-notifications-and-server-developer.html

그동안 안드로이드를 너무 팽개쳐둔 것 같아서 4년 만에 다시 안드로이드로 돌아왔습니다. 알람 정리를 아직 못해서인지 새벽에 알람 소리에 잠이 깨버리고 말았습니다. 새벽에 알람 소리에 깨긴 오랜만이었습니다. 카톡 서버팀에서 일할 때는 자주 이런 일이 있었습니다. 핸드폰 알람을 무음이나 진동으로 해두지 않고 항상 소리로 해두었습니다. 저만 그랬던 것이 아니라 서버팀 동료들 대부분이 그랬던 것 같습니다. 그래서 사무실에 있을 때 장애가 나면 사방에서 카톡카톡카톡카톡 소리가 들렸습니다. (다른 회사 사람들이 와서 이 장면을 본다면 기이한 느낌이 들 것 같습니다) 장애 알림은 시도 때도 없이 발생했습니다. 시스템 전체가 다운돼서 사람들에게 알려지는 일은 흔치 않지만… 내부적으로는 계속 문제가 생기고 고쳐나가면서 살고 있는 것입니다. 문제를 곧바로 감지해서 해결하는 사람들을 보면 멋지다고 생각하기도 했습니다. 저도 그런 사람이 되고 싶었습니다. 가장 빨리 발견하고 가장 빨리 해결하는 사람. 하지만 그렇게 하려면 항상 긴장하고 있어야 했습니다. 긴장을 잠시만 풀어버려도 알림을 놓치고 반응이 늦기 일쑤였거든요. 한바탕 휘몰아치고 상황이 끝났는데 장애가 났었는지도 모르고 있었던 경우도 있습니다. 동료들이 다 해결하고 나는 얼간이처럼 띵가띵가 놀고 있었다고? 얼마나 쪽팔리고 미안하겠습니까? 장애는 새벽 시간에도 생기곤 했습니다. 나는 편하게 잠 좀 자고 싶은데. 그렇다고 알림을 꺼놓고 잘 수도 없고. 지금 생각하면 참 고역이었습니다. 알림에 반응이 느린 사람들도 간혹 있었습니다. 이를 답답하게 느끼기도 했습니다만… 이제는 저도 가정을 갖고 아이를 키우면서 이해할 수 있게 됐습니다. 무음 모드라는 것이 얼마나 소중한지 알게 되었거든요. 저도 이제는 핸드폰을 수면 모드로 해놓고 잠이 듭니다. 수면 모드라니… 예전 같으면 이게 말이나 되나 하고 생각했텐데. 편하게 잘 수 있다는 것에 새삼 감사한 마음이 듭니다. 얼마 전 카톡방에서 예전 서버팀 동료들과 대화를 하다가… 반응 속도가 다들 여전히 빠른 걸 보고 혼자 웃었습니다. (잔잔한 채팅방에 메시지 하나 보내면 곧장 읽음 표시 숫자가 타다다닥 내려갑니다) 내 메시지를 빨리 확인해 주고 반응해 주는 동료들이 있으면 일할 맛이 나긴 합니다. 그런 동료들과 일해서 더 재밌게 일했던 것 같습니다. https://jeho.page/essay/2025/02/06/failure-notifications-and-server-developer.html

K리그 프로그래머

장애 알림과 서버 개발자

‘현대 금융학의 아버지’로 불리는 유진 파마 시카고대 교수가 “비트코인 가치는 10년 안에 0으로 수렴할 것”이라고 예측했다.아랍에미리트(UAE) 두바이에 

노벨경제학상 유진 파마 “비트코인 10년 안에 0원 된다”

파마 교수는 “비트코인의 가치가 사라지지 않는다면 기존의 통화이론을 모두 재검증해야 할 수 있다”며 “통화이론상 암호화폐가 살아남아서는 안 된다”고 강조했다. 비트코인을 화폐로 가정해도 기존의 통화이론에 위배되는 만큼 존재하지 않아야 한다는 의미로 해석된다.

크립토뉴스는 “파마 교수가 시장에서 예측 가능한 것은 아무것도 없다고 전제했다”고 설명했다.

https://www.kmib.co.kr/article/view.asp?arcid=0027726300&code=61131511&cp=nv

파마 교수는 “비트코인의 가치가 사라지지 않는다면 기존의 통화이론을 모두 재검증해야 할 수 있다”며 “통화이론상 암호화폐가 살아남아서는 안 된다”고 강조했다. 비트코인을 화폐로 가정해도 기존의 통화이론에 위배되는 만큼 존재하지 않아야 한다는 의미로 해석된다. 크립토뉴스는 “파마 교수가 시장에서 예측 가능한 것은 아무것도 없다고 전제했다”고 설명했다. https://www.kmib.co.kr/article/view.asp?arcid=0027726300&amp;code=61131511&amp;cp=nv

국민일보

우아한형제들 멘토단 꿀팁 모음

Udemy X 우아한형제들 커리어 성장 멘토링

udemy에 올라간 강의 중 우아한형제들 구성원이 만든 강의가 모여있답니다.
테크니컬라이팅, 커뮤니케이션, 매크로, 프로덕트 관리 노하우 등 다양한 강의가 준비되어있으니 살펴보셔요.

덤으로 제 강의도 있어요 🥳

https://meta-bifrost.vercel.app/BBs5sSF0AQP211KN39Pp

udemy에 올라간 강의 중 우아한형제들 구성원이 만든 강의가 모여있답니다.테크니컬라이팅, 커뮤니케이션, 매크로, 프로덕트 관리 노하우 등 다양한 강의가 준비되어있으니 살펴보셔요. 덤으로 제 강의도 있어요 🥳 https://meta-bifrost.vercel.app/BBs5sSF0AQP211KN39Pp

meta-bifrost.vercel.app

강의 완강하면 커피챗☕ 기회가 생겨요!

﻿
진정한 친구는 고민을 함께하는 사람입니다.
고민거리를 던져주고 알아서 해결하라고 하는 사람은 좋은 친구가 아닙니다. 진짜 좋은 친구는 해결해야 할 문제를 제기함과 동시에 함께 문제를 해결하기 위해 힘써 노력해 주는 사람입니다.

문제를 꼬집는 것은 누구나 할 수 있습니다. 그러나 문제를 해결하는 것과 문제 해결을 위해 함께 고민하는 것은 아무나 할 수 없습니다. 특히 내 일이 아닌데 내 일처럼 발 벗고 나서는 것은 더욱 어렵습니다.

위기를 만났을 때 진짜 친구를 가려낼 수 있습니다. 위기 상황을 방관하거나 말로 걱정만 해주는 친구는 진짜 좋은 친구가 아닙니다. 위기를 돌파할 해결 방안을 함께 고민하고 실행을 돕는 파트너가 진짜 좋은 친구입니다.

회사에서 리더는 팀원에게 업무를 지시하는 동시에 업무를 돕는 역할을 해야 합니다. 따라서 리더는 팀원의 업무 성과 평가에 책임을 갖고 있습니다. 팀원의 업무 성과가 긍정적이지 못하다면, 리더도 그에 따른 책임을 느껴야 합니다. 팀원에게 발전적인 성과 피드백을 함과 동시에 성과를 개선하기 위해 함께 행동해야 합니다.

가족에서 구성원이 현실적인 문제를 앓고 있다면, 함께 고민하고 문제를 해결하기 위해 노력해야 합니다. 당신이 할 일이니 알아서 해결하라고 방관하거나 책임을 떠넘기는 것은 가족이 아닙니다. 구성원이 했더라도 함께 책임감을 느끼고 상황을 개선하기 위해 고민하고 실행하는 것이 진짜 가족입니다.

나라도 마찬가지라고 생각합니다. 질서를 지키고 안전을 보장하며 서로를 돌보는 것이 한 나라 안에 사는 사람들이 마땅히 행해야 하는 행동입니다. 나라에 문제가 생기면 편가르고 탓을 하며 싸우는 것이 아니라 서로 협력하여 빠르게 문제가 해결될 수 있도록 노력해야 합니다.

희생, 봉사, 헌신과 같은 단어를 좀처럼 찾아보기 어려운 세상을 살고 있습니다. 지극히 개인적이고, 즐기고 재미있는 것에 초점이 맞춰진 삶을 살고 있습니다. 이기적인 생각이 당연하고, 공동체를 향한 마음은 누구의 책임도 아닌 이상한 나라에 살고 있습니다.

나라의 경제가 어렵습니다. 치솟는 물가에 먹고사는 일이 팍팍하게 느껴집니다. 나라 경제의 문제는 누가 해결해야 하는 것입니까? 나라에 살고 있는 국민 모두가 관심을 갖고 함께 고민하여 해결해야 하는 문제 아닐까요? 각 개인의 소비를 돌아보고, 더 생산적으로 활동할 수 있도록 노력하는 것이 현명한 행동입니다.

회사에서 경영 지표에 관심을 갖고 효율적으로 운영하고 어제보다 내일 더 개선된 성과를 만드는 것은 회사 대표만 고민할 문제가 아닙니다. 회사에서 월급을 받고 일을 하는 사람이라면 누구나 함께 고민하고 행동해야 합니다. ‘나’는 맡겨진 일만 하고, 돈 받은 만큼만 일을 한다고 생각한다면, ‘일‘에 대한 가치관을 점검해 보아야 할 것입니다.

가정에 돈이 필요하다면, 누가 희생해서 돈을 더 벌어와야 하는 것이 아니라 어디서 지출을 줄이거나 가지고 있던 것을 내어 놓아야 합니다. 지금까지 누리고 있던 것들은 다 지키면서 하나도 포기하고 싶지 않고, 돈은 더 필요하다고 요구하는 것은 잘못된 생각입니다. 가족 구성원 모두가 머리를 맞대어 함께 아파하고 문제를 해결하기 위해 노력하는 것이 바른 생각이라고 믿습니다.

우리가 모여서 사는 이유는 서로에게 관심을 갖고 더불어 먹고살라는 뜻이라고 이해합니다. 그렇지 않으면 힘들게 같이 살 이유가 없습니다. 그냥 혼자 사는 게 훨씬 편하고 좋습니다. 그런데 인간은 절대 혼자서 살 수 없도록 디자인되어 있습니다. 그렇다면 우리는 오늘을 어떻게 살아야 할까요?

오늘 만나는 모든 사람들에게 해야 할 말과 행동이 무엇인지 고민해 보면 좋겠습니다. 언제 어떤 말과 행동을 하는 것이 현명한 판단인지 생각하고 실천하는 우리가 되길 진심으로 응원합니다.

﻿진정한 친구는 고민을 함께하는 사람입니다.고민거리를 던져주고 알아서 해결하라고 하는 사람은 좋은 친구가 아닙니다. 진짜 좋은 친구는 해결해야 할 문제를 제기함과 동시에 함께 문제를 해결하기 위해 힘써 노력해 주는 사람입니다. 문제를 꼬집는 것은 누구나 할 수 있습니다. 그러나 문제를 해결하는 것과 문제 해결을 위해 함께 고민하는 것은 아무나 할 수 없습니다. 특히 내 일이 아닌데 내 일처럼 발 벗고 나서는 것은 더욱 어렵습니다. 위기를 만났을 때 진짜 친구를 가려낼 수 있습니다. 위기 상황을 방관하거나 말로 걱정만 해주는 친구는 진짜 좋은 친구가 아닙니다. 위기를 돌파할 해결 방안을 함께 고민하고 실행을 돕는 파트너가 진짜 좋은 친구입니다. 회사에서 리더는 팀원에게 업무를 지시하는 동시에 업무를 돕는 역할을 해야 합니다. 따라서 리더는 팀원의 업무 성과 평가에 책임을 갖고 있습니다. 팀원의 업무 성과가 긍정적이지 못하다면, 리더도 그에 따른 책임을 느껴야 합니다. 팀원에게 발전적인 성과 피드백을 함과 동시에 성과를 개선하기 위해 함께 행동해야 합니다. 가족에서 구성원이 현실적인 문제를 앓고 있다면, 함께 고민하고 문제를 해결하기 위해 노력해야 합니다. 당신이 할 일이니 알아서 해결하라고 방관하거나 책임을 떠넘기는 것은 가족이 아닙니다. 구성원이 했더라도 함께 책임감을 느끼고 상황을 개선하기 위해 고민하고 실행하는 것이 진짜 가족입니다. 나라도 마찬가지라고 생각합니다. 질서를 지키고 안전을 보장하며 서로를 돌보는 것이 한 나라 안에 사는 사람들이 마땅히 행해야 하는 행동입니다. 나라에 문제가 생기면 편가르고 탓을 하며 싸우는 것이 아니라 서로 협력하여 빠르게 문제가 해결될 수 있도록 노력해야 합니다. 희생, 봉사, 헌신과 같은 단어를 좀처럼 찾아보기 어려운 세상을 살고 있습니다. 지극히 개인적이고, 즐기고 재미있는 것에 초점이 맞춰진 삶을 살고 있습니다. 이기적인 생각이 당연하고, 공동체를 향한 마음은 누구의 책임도 아닌 이상한 나라에 살고 있습니다. 나라의 경제가 어렵습니다. 치솟는 물가에 먹고사는 일이 팍팍하게 느껴집니다. 나라 경제의 문제는 누가 해결해야 하는 것입니까? 나라에 살고 있는 국민 모두가 관심을 갖고 함께 고민하여 해결해야 하는 문제 아닐까요? 각 개인의 소비를 돌아보고, 더 생산적으로 활동할 수 있도록 노력하는 것이 현명한 행동입니다. 회사에서 경영 지표에 관심을 갖고 효율적으로 운영하고 어제보다 내일 더 개선된 성과를 만드는 것은 회사 대표만 고민할 문제가 아닙니다. 회사에서 월급을 받고 일을 하는 사람이라면 누구나 함께 고민하고 행동해야 합니다. ‘나’는 맡겨진 일만 하고, 돈 받은 만큼만 일을 한다고 생각한다면, ‘일‘에 대한 가치관을 점검해 보아야 할 것입니다. 가정에 돈이 필요하다면, 누가 희생해서 돈을 더 벌어와야 하는 것이 아니라 어디서 지출을 줄이거나 가지고 있던 것을 내어 놓아야 합니다. 지금까지 누리고 있던 것들은 다 지키면서 하나도 포기하고 싶지 않고, 돈은 더 필요하다고 요구하는 것은 잘못된 생각입니다. 가족 구성원 모두가 머리를 맞대어 함께 아파하고 문제를 해결하기 위해 노력하는 것이 바른 생각이라고 믿습니다. 우리가 모여서 사는 이유는 서로에게 관심을 갖고 더불어 먹고살라는 뜻이라고 이해합니다. 그렇지 않으면 힘들게 같이 살 이유가 없습니다. 그냥 혼자 사는 게 훨씬 편하고 좋습니다. 그런데 인간은 절대 혼자서 살 수 없도록 디자인되어 있습니다. 그렇다면 우리는 오늘을 어떻게 살아야 할까요? 오늘 만나는 모든 사람들에게 해야 할 말과 행동이 무엇인지 고민해 보면 좋겠습니다. 언제 어떤 말과 행동을 하는 것이 현명한 판단인지 생각하고 실천하는 우리가 되길 진심으로 응원합니다.﻿

함께 고민하기

할 수 있다는 믿음이 문제를 해결하는 방법을 찾게 하고, 도전과 성장을 통해 성공으로 이끕니다. 할 수 없다는 마음이 만드는 한계우리는 어떤 일을 시작할 때, 스스로 '할 수 없다'고 생각하는 순간, 그 한계를 직접 만들어냅니다. 이러한 생각은 우리 머릿속에 핑곗거리를 쌓아가며, 문제를 해결하기보다는 회피하도록 만듭니다. "시간이 부족해", "재능이 없어", "너무 어려워"라는 핑계는 결국 우리의 가능성을 차단합니다. 사람은 자신이 생각한 만큼만 행동합니다. 할 수 없다는 믿음은 도전조차 하지 못하게 만드는 강력한 심리적 족쇄입니다.할 수 있다는 믿음이 열어주는 가능성반대로, "할 수 있다"고 스스로에게 말하는 순간, 우리의 생각과 행동은 완전히 달라집니다. 해결책을 찾으려는 의지가 생기고, 문제를 다양..

[믿음 명언] 할 수 없다고 생각하는 순간 핑곗거리를 찾게 되고, 할 수 있다고 생각하는 순간 방법을 찾게 된다

할 수 없다고 생각하는 순간 핑곗거리를 찾게 되고, 할 수 있다고 생각하는 순간 방법을 찾게 된다.
낭만닥터 김사부

어떤 일을 시작할 때, 우리의 태도는 성공과 실패를 좌우하는 중요한 요소가 됩니다.
"할 수 없다"고 생각하면, 우리는 그 일을 포기할 핑곗거리를 찾게 되고, 더 이상 나아가려 하지 않습니다.
반면, "할 수 있다"고 믿는 순간, 우리는 가능한 방법과 해결책... [더보기] https://designup.tistory.com/735

할 수 없다고 생각하는 순간 핑곗거리를 찾게 되고, 할 수 있다고 생각하는 순간 방법을 찾게 된다.낭만닥터 김사부 어떤 일을 시작할 때, 우리의 태도는 성공과 실패를 좌우하는 중요한 요소가 됩니다. "할 수 없다"고 생각하면, 우리는 그 일을 포기할 핑곗거리를 찾게 되고, 더 이상 나아가려 하지 않습니다. 반면, "할 수 있다"고 믿는 순간, 우리는 가능한 방법과 해결책... [더보기] https://designup.tistory.com/735

매일아침 성공명언

실장을 하다가 AI 연구로 넘어오면서 평사원이 되었다. 직급에 연연했으면 AI를 하지 않았겠지만, 직급이 크게 중요하지는 않았다. AI를 하면서도 다른 회사에서 AI 관련 조직장 제의를 받았지만 정중하게 사양했다. 실장이냐 팀장이냐 보다는 어떤 환경에서 어떤 일을 할 것인가가 더 중요했다. 덕분에 출세와는 거리가 있는 편이다.

실장을 하다가 사원이 되니, 주변에 사람이 줄어들었다. 직급이 낮아지면 이런 것 때문에 힘들어하는 사람도 있을 것 같다. 그런데 나는 별로 슬프지 않았다. 실장이었을 때도 내가 아니라 내 직함 때문에 사람이 모이는 것을 느꼈던 터다. 그래서 찾아오던 사람이 찾아오지 않는 것이 아쉽지 않았다. 오히려 좋은 점이 있었는데, 온전히 나를 좋아해 주는 사람을 더 명확하게 구분할 수 있었다.

사람들이 직함이나 업적에 끌리는 것은 당연한 일이다. 그것을 나쁘게 볼 필요는 없다. 다만, 그것을 나를 좋아하는 것과 혼동해서 우쭐해지면 안 된다. 우쭐해지면 그것을 놓을 수 없게 된다. 놓을 수 없게 되면 집착하게 되고, 집착하게 되면 합당하지 않은 일을 하게 된다. 그리고 결국 보통의 자리로 돌아왔을 때 견디기 어렵게 된다.

직함을 보고 다가오는 사람이 있으면 친절하게 대해 주자. 직함을 잃어서 멀어지는 사람이 있으면 쿨하게 보내 주자. 그리고, 직함이 아니라 ‘나’를 봐주는 사람이 있다면, 그 사람을 소중하게 아껴주자. 인생은 욕심의 크기만큼 복잡해지고, 겸손의 크기만큼 단순해진다.

#태도 #인간관계 #직함 #직장인 #나

실장을 하다가 AI 연구로 넘어오면서 평사원이 되었다. 직급에 연연했으면 AI를 하지 않았겠지만, 직급이 크게 중요하지는 않았다. AI를 하면서도 다른 회사에서 AI 관련 조직장 제의를 받았지만 정중하게 사양했다. 실장이냐 팀장이냐 보다는 어떤 환경에서 어떤 일을 할 것인가가 더 중요했다. 덕분에 출세와는 거리가 있는 편이다. 실장을 하다가 사원이 되니, 주변에 사람이 줄어들었다. 직급이 낮아지면 이런 것 때문에 힘들어하는 사람도 있을 것 같다. 그런데 나는 별로 슬프지 않았다. 실장이었을 때도 내가 아니라 내 직함 때문에 사람이 모이는 것을 느꼈던 터다. 그래서 찾아오던 사람이 찾아오지 않는 것이 아쉽지 않았다. 오히려 좋은 점이 있었는데, 온전히 나를 좋아해 주는 사람을 더 명확하게 구분할 수 있었다. 사람들이 직함이나 업적에 끌리는 것은 당연한 일이다. 그것을 나쁘게 볼 필요는 없다. 다만, 그것을 나를 좋아하는 것과 혼동해서 우쭐해지면 안 된다. 우쭐해지면 그것을 놓을 수 없게 된다. 놓을 수 없게 되면 집착하게 되고, 집착하게 되면 합당하지 않은 일을 하게 된다. 그리고 결국 보통의 자리로 돌아왔을 때 견디기 어렵게 된다. 직함을 보고 다가오는 사람이 있으면 친절하게 대해 주자. 직함을 잃어서 멀어지는 사람이 있으면 쿨하게 보내 주자. 그리고, 직함이 아니라 ‘나’를 봐주는 사람이 있다면, 그 사람을 소중하게 아껴주자. 인생은 욕심의 크기만큼 복잡해지고, 겸손의 크기만큼 단순해진다. #태도 #인간관계 #직함 #직장인 #나

직함에 가려져 있는 것

토스 테크 블로그에서 근래 가장 화제가 된 콘텐츠, "[미디클] 라디오 vs. 체크박스 뭐가 좋을까?"를 읽어보셨나요? 먼저 그 글을 읽어보시고 오시면 좋겠습니다. [미디클]은 미스터리 디자인 클럽으로 토스 내의 모임입니다. 소개는 다음과 같습니다. [미디클 - 미스터리 디자인 클럽] 사용자 경험 속 크고 작은 궁금증을 사용자 리서치, 실험 등 다양한 방법으로 탐구하는 모임이에요. '왜 이렇게 디자인해야 할까?'라는 질문을

토스에 대한 기대를 여실히 느끼게 한 ‘미디클’ 유난한 반응

토스 테크 블로그에서 근래 가장 화제가 된 콘텐츠, "[미디클] 라디오 vs. 체크박스 뭐가 좋을까?"를 읽어보셨나요? 먼저 그 글을 읽어보시고 오시면 좋겠습니다. [미디클]은 미스터리 디자인 클럽으로 토스 내의 모임으로 보입니다. 소개는 다음과 같습니다.

"사용자 경험 속 크고 작은 궁금증을 사용자 리서치, 실험 등 다양한 방법으로 탐구하는 모임이에요. '왜 이렇게 디자인해야 할까?'라는 질문을 시작으로, 관성처럼 굳어진 UX 패턴의 진실을 파헤치며 더 나은 사용자 경험을 찾아가고 있어요."

문제는 1월 20일 발행된 이 글에 대한 사용자들의 반응입니다. 다른 토스 테크 블로그 콘텐츠는 평소 10~20개가량의 댓글이 달리는데 기사 작성시점에 [미디클]은 100개 가까운 댓글이 달렸고 X(트위터)에서도 화제가 되었는데요. 이 정도의 '후폭풍'은 이례적이고 실제로 원문 콘텐츠는 최소 2차례 이상 수정이 되었습니다. 여기서 사용자라 함은 제가 추측하건대 테크 업계에서 프로덕트 디자이너, 리서처, PO 등으로 관련된 업무를 하는 실무자 그룹이거나 관련한 공부를 하는 학생이 주축이라고 예상합니다. 또 토스가 워낙 여러 가지를 유난하게, 빠르게 잘 해내기 때문에 잘 된 사례(Best Practice)를 참고하려고 하는 분들도 있을 거라고 생각합니다. 왜 이런 반응이 있었을까요? 디지털 인사이트 장준영 기자 님이 현업의 실무자들을 인터뷰하면서 콘텐츠와 현상에 대해 잘 요약해 주셨습니다. 저도 관심 있게 살펴본 콘텐츠라 이번 취재과정에서 개인적인 생각을 몇 가지 말씀드렸습니다.

[ 큐레이터의 문장 🎒 ]

이번 아티클을 거칠게 요약하면 이렇습니다. 디지털 인터페이스에서 '관습적 디자인'이란 사용자들이 오랜 시간 학습하고 익숙해진 상호작용 패턴을 의미합니다. 대표적으로 하나만 선택할 때에 '라디오 버튼', 여러 가지를 선택할 때 '체크박스'를 사용하는 것이 그러한 관례입니다. 토스에서 이러한 관습적 디자인을 UT로 검증해 보니 "사용자는 버튼의 모양보다는 질문의 맥락에 따라 행동하기 때문에 원형의 라디오 버튼을 반드시 사용할 필요는 없고 맥락을 제공하는 것이 중요하다"입니다.

충분히 생각해 볼 수 있는 가설이고 실제로 주요 모바일 플랫폼의 개발자 문서를 살펴보면 흥미로운 차이가 있습니다. iOS에서는 라디오 버튼을 사용하지 않고 대안으로써 세그먼티드 컨트롤(Segmented Controls) 컴포넌트나 피커 뷰(Picker View), 체크 마크(Check Mark)를 사용하는 반면, 안드로이드의 Material Design에서는 여전히 라디오 버튼을 주요 선택 컴포넌트로 권장하고 있습니다. 이러한 플랫폼 간 차이는 '관습적 디자인'이 절대적이지 않을 수 있다는 점을 시사합니다.

사실 라디오 버튼 자체가 과거에 사용하던 라디오의 기계식 버튼에서 사용자 편의를 고려해 하나의 버튼을 누르면, 다른 버튼이 자동으로 취소가 되는 (예: 재생 중에 정지 버튼을 누르면 자동으로 재생 버튼은 위로 톡 튀어나오며 풀려보리는) 상황에서 기인한 것이고 작은 원의 중심을 정확히 눌러야만 할 것 같은 부담을 느끼게 만드는 상황이 모바일 퍼스트, 모바일 온리 시대에 여전히 유효할까? 문제의식을 가질 수 있습니다. 좋은 발제 주제였고 공감대 형성이 가능해 보이는 콘텐츠는 왜 부정적인 피드백을 받았던 걸까요?

1️⃣ 주장 자체는 틀리지 않았지만, 근거가 충분하지 않았다

이번 테스트는 '특정 상황에서 버튼의 모양이 사용자 선택에 미치는 영향이 미미하다'는 사실을 보여줄 수는 있겠지만, 그렇다고 '맥락이 버튼 모양보다 중요하다'라는 결론을 이끌어내기엔 실험 설계나 변인 통제가 부족했습니다. 예를 들어, 디바이스 환경(모바일 터치 vs PC 마우스 클릭), 사용자의 기존 UI 이해도, 태스크의 복잡성 등 다양한 변수들이 통제되어야 했습니다. 또한 '맥락'이라는 개념 자체가 어떻게 조작적으로 정의되고 측정되었는지도 명확히 제시되어야 합니다.

2️⃣ 사용자는 토스만 쓰지 않고 다른 서비스를 함께 사용한다

단정적인 결론을 내리는 것은 사용자 경험에 대한 콘텐츠에서 경계해야만 하는 태도입니다. 조금 가치지향적이지만 UX 리서처로서 일을 하면서 가장 가슴에 품고 있는 문장이 있습니다. '나는 리서처이지 사용자가 아니다' 사용자를 만나고 그들을 관찰하고 그들이 남긴 행동 데이터를 확인하는 것에 가장 가까운 조직 내 역할자이긴 하지만, 그렇다고 내가 모든 고객을 알고 있거나 그 고객의 모든 생각을 아는 것이 아니라는 의미입니다. 사용자는 토스만 쓰지 않고 다른 서비스를 함께 쓰기 때문에 사용자 경험을 고려할 때에는 우리의 프로덕트 안에서만 검증된 가설로 관습적 디자인을 부정하거나 관례를 깨뜨리는 것처럼 보일 때 주의가 필요합니다. 내가 알고 있다고 생각하는 건, '내가 접한 사용자'이지 '내가 접하지 못한 사용자'가 아니기 때문입니다.

3️⃣ 15명을 대상으로 UT를 진행했다고 해도 검증이 충분하지 않을 수 있다

안타깝게도 많은 아티클에서는 5명이란 숫자를 UT의 불문율처럼 이야기합니다. 5명을 만나면 다 해결되는 것처럼 이야기하지만, 사실 현실적으로 일에 치이기 때문에 그렇게 하는 쪽에 가깝습니다. 해야 할 검증은 많고, 시간은 부족하고, 예산과 패널은 제한이 있고 리크루팅과 정산의 부담도 있으니까요. 그런데 말입니다. 5명을 대상으로 사용성 문제를 검증한다고 나타날 수 있는 사용성 문제의 85%를 검증한다는 것은 업계에서 가장 잘못 사용되고 있는 믿음입니다.

2000년에 닐슨노먼그룹에서 공개한 아티클에서 <5 Users: The Optimal Sample Size for Qualitative Usability Studies> 그래프를 소개할 땐 하단에 33% 확률로 나타날 문제라는 세부 전제가 있었습니다. 더 낮은 발생 확률(10%)의 문제를 같은 비율로 발견하려면 18명 이상의 참가자가 필요합니다. 15명 중 13명이 라디오 버튼에서도 복수 선택을 했다는 것은 Adjust Wald 신뢰구간으로 보면 95% 신뢰도 기준에서 61~98%의 구간을 의미하며, 이는 최대 39%의 잠재적 사용자 그룹에서 나타날 수 있는 문제를 여전히 내포하고 있습니다.

4️⃣ 토스에 대한 높은 기대만큼 그에 맞는 책임감이 있는 건 아닐까?

토스는 참 잘하는 게 많습니다. 남다른 부분이 있습니다. 서비스를 이용해 보면 참 쉽고 놀라울 만큼 변화가 빠릅니다. 자연스럽게 미디 클 콘텐츠에 대한 독자의 기대치가 높았을 겁니다. 댓글과 커뮤니티 반응으로 문제가 인식되기 전부터 아티클은 조금 더 상세했어야 했고, 모바일이라는 디바이스 환경에 대한 제약을 명시하면서, 이 실험에 대한 한계도 밝혔어야 합니다. 그냥 지적 호기심을 자극하기 위해서 웃자고 쓴 글에 왜 이렇게 진지해?라는 반응도 있었습니다. 토스가 가진 업계 내의 위치와 영향력, 독자들의 진지한 태도를 이해하는 것부터 거꾸로 사용자에 대한 이해가 아닐까요?

5️⃣ 관습적 디자인에 대한 파괴가 꼭 혁신일까?

외부 미팅이 있어 파트너사에 방문했던 날입니다. 엘리베이터를 탔는데 미팅장소가 바뀐 것을 깜빡하고 다른 층을 눌렀습니다. 이미 누른 층을 눌러 취소하려고 했는데 이미 누른 층을 다시 눌러도 해제가 되지 않았습니다. 몇 차례 반복하자 뒤에 있는 다른 분이 제게 "아, 헷갈리시죠? 여기 엘리베이터가 좀 특이해요. 밑에 C 버튼이 취소예요"라고 도움을 주셨습니다.

이는 디지털 인터페이스에서도 동일하게 적용됩니다. 일부 사용자이미 체크박스는 다중 선택, 라디오 버튼은 단일 선택이라는 멘탈 모델을 형성하고 있습니다. 마치 엘리베이터에서 누른 버튼을 다시 눌러 취소하는 것처럼, 이러한 기본적인 상호작용 패턴은 서비스나 플랫폼을 넘어 보편적으로 적용됩니다. 새로운 사용자도 쉽게 쓸 수 있으려면 이러한 관습적 디자인에 대해 보수적으로 평가할 필요가 있습니다. "라디오 버튼의 유례와 그 쓰임새의 유효성, 시의성에 대해 깊이 생각한 사람이 몇이나 되겠어?"라는 생각이 들기도 합니다. 그런데 이렇게 규칙을 알고 사용하는 사용자는 이 규칙이 깨졌을 때 굉장히 혼란스러워하고 반감을 갖게 될 겁니다. 익숙한 인터랙션 패턴이 깨져버리면, 마치 처음 보는 취소 버튼 앞에서 당황하는 것처럼 사용자는 부조화를 느끼게 됩니다. 따라서 기존 관습을 변경할 때는 더욱 보수적으로 접근할 필요가 있습니다. 특히 금융 서비스처럼 정확성과 신뢰성이 중요한 도메인에서는 더욱 그렇습니다.

https://redbusbagman.com/doublecheckradio/

토스 테크 블로그에서 근래 가장 화제가 된 콘텐츠, "[미디클] 라디오 vs. 체크박스 뭐가 좋을까?"를 읽어보셨나요? 먼저 그 글을 읽어보시고 오시면 좋겠습니다. [미디클]은 미스터리 디자인 클럽으로 토스 내의 모임으로 보입니다. 소개는 다음과 같습니다. "사용자 경험 속 크고 작은 궁금증을 사용자 리서치, 실험 등 다양한 방법으로 탐구하는 모임이에요. '왜 이렇게 디자인해야 할까?'라는 질문을 시작으로, 관성처럼 굳어진 UX 패턴의 진실을 파헤치며 더 나은 사용자 경험을 찾아가고 있어요." 문제는 1월 20일 발행된 이 글에 대한 사용자들의 반응입니다. 다른 토스 테크 블로그 콘텐츠는 평소 10~20개가량의 댓글이 달리는데 기사 작성시점에 [미디클]은 100개 가까운 댓글이 달렸고 X(트위터)에서도 화제가 되었는데요. 이 정도의 '후폭풍'은 이례적이고 실제로 원문 콘텐츠는 최소 2차례 이상 수정이 되었습니다. 여기서 사용자라 함은 제가 추측하건대 테크 업계에서 프로덕트 디자이너, 리서처, PO 등으로 관련된 업무를 하는 실무자 그룹이거나 관련한 공부를 하는 학생이 주축이라고 예상합니다. 또 토스가 워낙 여러 가지를 유난하게, 빠르게 잘 해내기 때문에 잘 된 사례(Best Practice)를 참고하려고 하는 분들도 있을 거라고 생각합니다. 왜 이런 반응이 있었을까요? 디지털 인사이트 장준영 기자 님이 현업의 실무자들을 인터뷰하면서 콘텐츠와 현상에 대해 잘 요약해 주셨습니다. 저도 관심 있게 살펴본 콘텐츠라 이번 취재과정에서 개인적인 생각을 몇 가지 말씀드렸습니다. [ 큐레이터의 문장 🎒 ] 이번 아티클을 거칠게 요약하면 이렇습니다. 디지털 인터페이스에서 '관습적 디자인'이란 사용자들이 오랜 시간 학습하고 익숙해진 상호작용 패턴을 의미합니다. 대표적으로 하나만 선택할 때에 '라디오 버튼', 여러 가지를 선택할 때 '체크박스'를 사용하는 것이 그러한 관례입니다. 토스에서 이러한 관습적 디자인을 UT로 검증해 보니 "사용자는 버튼의 모양보다는 질문의 맥락에 따라 행동하기 때문에 원형의 라디오 버튼을 반드시 사용할 필요는 없고 맥락을 제공하는 것이 중요하다"입니다. 충분히 생각해 볼 수 있는 가설이고 실제로 주요 모바일 플랫폼의 개발자 문서를 살펴보면 흥미로운 차이가 있습니다. iOS에서는 라디오 버튼을 사용하지 않고 대안으로써 세그먼티드 컨트롤(Segmented Controls) 컴포넌트나 피커 뷰(Picker View), 체크 마크(Check Mark)를 사용하는 반면, 안드로이드의 Material Design에서는 여전히 라디오 버튼을 주요 선택 컴포넌트로 권장하고 있습니다. 이러한 플랫폼 간 차이는 '관습적 디자인'이 절대적이지 않을 수 있다는 점을 시사합니다. 사실 라디오 버튼 자체가 과거에 사용하던 라디오의 기계식 버튼에서 사용자 편의를 고려해 하나의 버튼을 누르면, 다른 버튼이 자동으로 취소가 되는 (예: 재생 중에 정지 버튼을 누르면 자동으로 재생 버튼은 위로 톡 튀어나오며 풀려보리는) 상황에서 기인한 것이고 작은 원의 중심을 정확히 눌러야만 할 것 같은 부담을 느끼게 만드는 상황이 모바일 퍼스트, 모바일 온리 시대에 여전히 유효할까? 문제의식을 가질 수 있습니다. 좋은 발제 주제였고 공감대 형성이 가능해 보이는 콘텐츠는 왜 부정적인 피드백을 받았던 걸까요? 1️⃣ 주장 자체는 틀리지 않았지만, 근거가 충분하지 않았다 이번 테스트는 '특정 상황에서 버튼의 모양이 사용자 선택에 미치는 영향이 미미하다'는 사실을 보여줄 수는 있겠지만, 그렇다고 '맥락이 버튼 모양보다 중요하다'라는 결론을 이끌어내기엔 실험 설계나 변인 통제가 부족했습니다. 예를 들어, 디바이스 환경(모바일 터치 vs PC 마우스 클릭), 사용자의 기존 UI 이해도, 태스크의 복잡성 등 다양한 변수들이 통제되어야 했습니다. 또한 '맥락'이라는 개념 자체가 어떻게 조작적으로 정의되고 측정되었는지도 명확히 제시되어야 합니다. 2️⃣ 사용자는 토스만 쓰지 않고 다른 서비스를 함께 사용한다 단정적인 결론을 내리는 것은 사용자 경험에 대한 콘텐츠에서 경계해야만 하는 태도입니다. 조금 가치지향적이지만 UX 리서처로서 일을 하면서 가장 가슴에 품고 있는 문장이 있습니다. '나는 리서처이지 사용자가 아니다' 사용자를 만나고 그들을 관찰하고 그들이 남긴 행동 데이터를 확인하는 것에 가장 가까운 조직 내 역할자이긴 하지만, 그렇다고 내가 모든 고객을 알고 있거나 그 고객의 모든 생각을 아는 것이 아니라는 의미입니다. 사용자는 토스만 쓰지 않고 다른 서비스를 함께 쓰기 때문에 사용자 경험을 고려할 때에는 우리의 프로덕트 안에서만 검증된 가설로 관습적 디자인을 부정하거나 관례를 깨뜨리는 것처럼 보일 때 주의가 필요합니다. 내가 알고 있다고 생각하는 건, '내가 접한 사용자'이지 '내가 접하지 못한 사용자'가 아니기 때문입니다. 3️⃣ 15명을 대상으로 UT를 진행했다고 해도 검증이 충분하지 않을 수 있다 안타깝게도 많은 아티클에서는 5명이란 숫자를 UT의 불문율처럼 이야기합니다. 5명을 만나면 다 해결되는 것처럼 이야기하지만, 사실 현실적으로 일에 치이기 때문에 그렇게 하는 쪽에 가깝습니다. 해야 할 검증은 많고, 시간은 부족하고, 예산과 패널은 제한이 있고 리크루팅과 정산의 부담도 있으니까요. 그런데 말입니다. 5명을 대상으로 사용성 문제를 검증한다고 나타날 수 있는 사용성 문제의 85%를 검증한다는 것은 업계에서 가장 잘못 사용되고 있는 믿음입니다. 2000년에 닐슨노먼그룹에서 공개한 아티클에서 &lt;5 Users: The Optimal Sample Size for Qualitative Usability Studies&gt; 그래프를 소개할 땐 하단에 33% 확률로 나타날 문제라는 세부 전제가 있었습니다. 더 낮은 발생 확률(10%)의 문제를 같은 비율로 발견하려면 18명 이상의 참가자가 필요합니다. 15명 중 13명이 라디오 버튼에서도 복수 선택을 했다는 것은 Adjust Wald 신뢰구간으로 보면 95% 신뢰도 기준에서 61~98%의 구간을 의미하며, 이는 최대 39%의 잠재적 사용자 그룹에서 나타날 수 있는 문제를 여전히 내포하고 있습니다. 4️⃣ 토스에 대한 높은 기대만큼 그에 맞는 책임감이 있는 건 아닐까? 토스는 참 잘하는 게 많습니다. 남다른 부분이 있습니다. 서비스를 이용해 보면 참 쉽고 놀라울 만큼 변화가 빠릅니다. 자연스럽게 미디 클 콘텐츠에 대한 독자의 기대치가 높았을 겁니다. 댓글과 커뮤니티 반응으로 문제가 인식되기 전부터 아티클은 조금 더 상세했어야 했고, 모바일이라는 디바이스 환경에 대한 제약을 명시하면서, 이 실험에 대한 한계도 밝혔어야 합니다. 그냥 지적 호기심을 자극하기 위해서 웃자고 쓴 글에 왜 이렇게 진지해?라는 반응도 있었습니다. 토스가 가진 업계 내의 위치와 영향력, 독자들의 진지한 태도를 이해하는 것부터 거꾸로 사용자에 대한 이해가 아닐까요? 5️⃣ 관습적 디자인에 대한 파괴가 꼭 혁신일까? 외부 미팅이 있어 파트너사에 방문했던 날입니다. 엘리베이터를 탔는데 미팅장소가 바뀐 것을 깜빡하고 다른 층을 눌렀습니다. 이미 누른 층을 눌러 취소하려고 했는데 이미 누른 층을 다시 눌러도 해제가 되지 않았습니다. 몇 차례 반복하자 뒤에 있는 다른 분이 제게 "아, 헷갈리시죠? 여기 엘리베이터가 좀 특이해요. 밑에 C 버튼이 취소예요"라고 도움을 주셨습니다. 이는 디지털 인터페이스에서도 동일하게 적용됩니다. 일부 사용자이미 체크박스는 다중 선택, 라디오 버튼은 단일 선택이라는 멘탈 모델을 형성하고 있습니다. 마치 엘리베이터에서 누른 버튼을 다시 눌러 취소하는 것처럼, 이러한 기본적인 상호작용 패턴은 서비스나 플랫폼을 넘어 보편적으로 적용됩니다. 새로운 사용자도 쉽게 쓸 수 있으려면 이러한 관습적 디자인에 대해 보수적으로 평가할 필요가 있습니다. "라디오 버튼의 유례와 그 쓰임새의 유효성, 시의성에 대해 깊이 생각한 사람이 몇이나 되겠어?"라는 생각이 들기도 합니다. 그런데 이렇게 규칙을 알고 사용하는 사용자는 이 규칙이 깨졌을 때 굉장히 혼란스러워하고 반감을 갖게 될 겁니다. 익숙한 인터랙션 패턴이 깨져버리면, 마치 처음 보는 취소 버튼 앞에서 당황하는 것처럼 사용자는 부조화를 느끼게 됩니다. 따라서 기존 관습을 변경할 때는 더욱 보수적으로 접근할 필요가 있습니다. 특히 금융 서비스처럼 정확성과 신뢰성이 중요한 도메인에서는 더욱 그렇습니다. https://redbusbagman.com/doublecheckradio/

REDBUSBAGMAN | 빨간색 광역버스에 백팩을 메고 탑니다

《토스에 대한 기대를 여실히 느끼게 한 '미디클' 유난한 반응》

‘실험이라고 생각하기’

완벽하지 않은 완성품을 세상에 내놓을 때 실험이라고 생각해보세요. 일종의 테스트이자 점검인 거죠.

글도 코드도 너무 오래 다듬기보다 얼른 세상에 내놓고 반응을 보며 다음을 준비하는 게 나은 경우가 많더라고요.

‘실험이라고 생각하기’ 완벽하지 않은 완성품을 세상에 내놓을 때 실험이라고 생각해보세요. 일종의 테스트이자 점검인 거죠. 글도 코드도 너무 오래 다듬기보다 얼른 세상에 내놓고 반응을 보며 다음을 준비하는 게 나은 경우가 많더라고요.

완벽주의에서 벗어나는 법

쓰신 분은 대부분 글을 짧고 쉽게 써서 특히 주니어 분들은 오해할 수도 있을 것 같은데요.

주어진 개발은 언제나 나에겐 완전에 가깝도록 최선의 노력을 다해 구현하고 테스트해 배포하는 습관을 들여야 합니다. 

장인정신.

시간과 기회를 위해 실험하고 희생해야 하는 건 코드, 품질 수준이 아니라 기능, 서비스의 크기, 깊이 입니다.

그것 또한 상당 부분 기술 부채로 돌아오기도 하죠.

사용자가 공유한 콘텐츠

[기업가치평가 이해 북클럽1. 회계 기초]

1월부터 예고를 했던 기업가치평가를 위한 독서 모임 대장정의 첫번째 모임을 시작합니다. (유료)

1. 주제 : 기업 회계의 기초 이해 (재무제표 이해 & 재무비율과 기업가치)

"하마터면 회계를 모르고 일할 뻔 했다" (어바웃어북, 2018)

2. 일정
2월 23일 (일) 오전 10시~12시30분
3월 2일 (일) 동일 시간
3월 9일 (일) 동일 시간
3월 16일 (일) 동일 시간

3. 장소
삼성동 패스트파이브 2호점 2층
(온라인 연결 없음)

4. 진행
매주 사전 과제 (A4 반 페이지 분량) 제출
매주 모임 시작전 퀴즈
호스트 (패스파인더넷 이복연 대표)가 매주 해당 분량 토의 진행 & 강연 진행

회계 모임 이후 요청에 따라 '기업재무' 및 '기업가치평가' 진행할 예정입니다.

보다 자세한 내용은 하단 링크를 참조하시기 바랍니다.

https://bit.ly/PBR_독서모임_회계기초

[기업가치평가 이해 북클럽1. 회계 기초] 1월부터 예고를 했던 기업가치평가를 위한 독서 모임 대장정의 첫번째 모임을 시작합니다. (유료) 1. 주제 : 기업 회계의 기초 이해 (재무제표 이해 &amp; 재무비율과 기업가치) "하마터면 회계를 모르고 일할 뻔 했다" (어바웃어북, 2018) 2. 일정2월 23일 (일) 오전 10시~12시30분3월 2일 (일) 동일 시간3월 9일 (일) 동일 시간3월 16일 (일) 동일 시간 3. 장소삼성동 패스트파이브 2호점 2층(온라인 연결 없음) 4. 진행매주 사전 과제 (A4 반 페이지 분량) 제출매주 모임 시작전 퀴즈호스트 (패스파인더넷 이복연 대표)가 매주 해당 분량 토의 진행 &amp; 강연 진행 회계 모임 이후 요청에 따라 '기업재무' 및 '기업가치평가' 진행할 예정입니다. 보다 자세한 내용은 하단 링크를 참조하시기 바랍니다. https://bit.ly/PBR_독서모임_회계기초

SQLD 자격증 챌린지

오늘 오전, 일상을 밈처럼 CHAAK 서비스가 종료되었습니다.
출근 후 가장 먼저 한 일이 API 서버들을 종료(shutdown)하는 것이었죠.
지난해 7월에 시작해, 짧지만 5개월간 운영된 서비스였습니다.

우리는 재미있는 제품을 만들어보고 싶다는 마음으로 모였고, 수차례의 피벗 끝에 제품을 출시할 수 있었습니다. 그 과정에서 팀과 저는 많은 것을 배웠습니다.
무엇보다 초기 제품 출시에서 가장 중요한 것은 빠른 대응을 위해 배포 속도를 높이는 것이었습니다.

그 결과, 우리 제품팀은 앱 출시 후 5개월 동안 앱스토어 배포를 총 43번 진행했습니다.
특히 한 달 동안 11번의 앱 배포를 하며, 고객의 니즈에 빠르게 대응하고자 했습니다.
그 기간 동안 Feature Flag와 Trunk-Based 개발 방식을 활용해 API 배포는 하루에도 수십 차례 진행되었습니다.

또한, 클라이언트 개발에는 Flutter를 선택하여 모든 엔지니어가 앱 개발에 참여할 수 있도록 했습니다.
무엇보다도 팀원들이 기술과 직무의 경계를 넘어서 제품 개선에 몰입했던 것이 주요했다고 생각합니다.

결과적으로 서비스 종료라는 성적표를 받았지만, 팀은 빠른 제품 출시 속도를 경험했고, 그 과정에서 작은 성공과 실패를 반복하며 성장했습니다.
이 경험이 앞으로 우리 팀이 더 나아가는 데 있어 큰 도움이 될 것입니다.

안녕, CHAAK!

오늘 오전, 일상을 밈처럼 CHAAK 서비스가 종료되었습니다.출근 후 가장 먼저 한 일이 API 서버들을 종료(shutdown)하는 것이었죠.지난해 7월에 시작해, 짧지만 5개월간 운영된 서비스였습니다. 우리는 재미있는 제품을 만들어보고 싶다는 마음으로 모였고, 수차례의 피벗 끝에 제품을 출시할 수 있었습니다. 그 과정에서 팀과 저는 많은 것을 배웠습니다.무엇보다 초기 제품 출시에서 가장 중요한 것은 빠른 대응을 위해 배포 속도를 높이는 것이었습니다. 그 결과, 우리 제품팀은 앱 출시 후 5개월 동안 앱스토어 배포를 총 43번 진행했습니다.특히 한 달 동안 11번의 앱 배포를 하며, 고객의 니즈에 빠르게 대응하고자 했습니다.그 기간 동안 Feature Flag와 Trunk-Based 개발 방식을 활용해 API 배포는 하루에도 수십 차례 진행되었습니다. 또한, 클라이언트 개발에는 Flutter를 선택하여 모든 엔지니어가 앱 개발에 참여할 수 있도록 했습니다.무엇보다도 팀원들이 기술과 직무의 경계를 넘어서 제품 개선에 몰입했던 것이 주요했다고 생각합니다. 결과적으로 서비스 종료라는 성적표를 받았지만, 팀은 빠른 제품 출시 속도를 경험했고, 그 과정에서 작은 성공과 실패를 반복하며 성장했습니다.이 경험이 앞으로 우리 팀이 더 나아가는 데 있어 큰 도움이 될 것입니다. 안녕, CHAAK!

CHAAK 서비스 종료, 그리고 회고

This post celebrates influential papers that shaped technology and communication. Their foundational concepts inspire continued innovation, highlighting the importance of understanding our roots fo…

The 7 Most Influential Papers in Computer Science History

 1. 계산 가능한 수에 관하여, 결정 문제에의 응용 (1936년, 앨런 튜링)
    * 핵심 아이디어: 튜링은 '튜링 머신'이라는 개념을 통해 컴퓨터가 이론적으로 수행할 수 있는 작업의 범위를 정의하였습니다.
    * 현대적 중요성: 모든 프로그래밍 언어와 코드가 튜링의 규칙에 따라 작동하며, 양자 컴퓨팅에서도 그의 이론이 적용됩니다.
 2. 정보의 수학적 이론 (1948년, 클로드 섀넌)
    * 핵심 아이디어: 정보 이론을 통해 데이터 압축과 오류 수정 코드를 가능하게 하였습니다.
    * 현대적 중요성: 텍스트 전송, 비디오 스트리밍, 화상 통화 등에서 섀넌의 이론이 활용됩니다.
 3. 대규모 공유 데이터 뱅크를 위한 관계형 데이터 모델 (1970년, 에드거 F. 코드)
    * 핵심 아이디어: 데이터를 테이블에 저장하고 논리적 연산으로 조작하는 관계형 모델을 제안하였습니다.
    * 현대적 중요성: SQL과 관계형 데이터베이스의 기초가 되었으며, 데이터 조직의 기본 개념을 제공하였습니다.
 4. 정리 증명 절차의 복잡성 (1971년, 스티븐 A. 쿡)
    * 핵심 아이디어: NP-완전성 개념을 도입하여 문제의 난이도를 설명하였습니다.
    * 현대적 중요성: 알고리즘, 암호학, 효율적인 해결책 탐색에 큰 영향을 미쳤습니다.
 5. 패킷 네트워크 상호 연결을 위한 프로토콜 (1974년, 빈튼 G. 서프, 로버트 E. 칸)
    * 핵심 아이디어: 서로 다른 네트워크가 통신할 수 있는 TCP/IP 프로토콜을 개발하였습니다.
    * 현대적 중요성: 인터넷의 기본 프로토콜로, 웹 브라우징, 이메일 전송 등에 사용됩니다.
 6. 정보 관리: 제안 (1989년, 팀 버너스리)
    * 핵심 아이디어: 하이퍼텍스트 시스템을 제안하여 월드 와이드 웹을 탄생시켰습니다.
    * 현대적 중요성: 웹을 통해 지식 공유 방식을 혁신하였습니다.
 7. 대규모 하이퍼텍스추얼 웹 검색 엔진의 해부 (1998년, 세르게이 브린, 래리 페이지)
    * 핵심 아이디어: 링크 분석을 기반으로 한 검색 엔진, 즉 구글을 개발하였습니다.
    * 현대적 중요성: 정보 검색 방식을 재정의하고 데이터 중심 기술의 시대를 열었습니다.

https://terriblesoftware.org/2025/01/22/the-7-most-influential-papers-in-computer-science-history/

<ol ><li>계산 가능한 수에 관하여, 결정 문제에의 응용 (1936년, 앨런 튜링)<ul ><li>핵심 아이디어: 튜링은 '튜링 머신'이라는 개념을 통해 컴퓨터가 이론적으로 수행할 수 있는 작업의 범위를 정의하였습니다.</li><li>현대적 중요성: 모든 프로그래밍 언어와 코드가 튜링의 규칙에 따라 작동하며, 양자 컴퓨팅에서도 그의 이론이 적용됩니다.</li></ul></li><li>정보의 수학적 이론 (1948년, 클로드 섀넌)<ul ><li>핵심 아이디어: 정보 이론을 통해 데이터 압축과 오류 수정 코드를 가능하게 하였습니다.</li><li>현대적 중요성: 텍스트 전송, 비디오 스트리밍, 화상 통화 등에서 섀넌의 이론이 활용됩니다.</li></ul></li><li>대규모 공유 데이터 뱅크를 위한 관계형 데이터 모델 (1970년, 에드거 F. 코드)<ul ><li>핵심 아이디어: 데이터를 테이블에 저장하고 논리적 연산으로 조작하는 관계형 모델을 제안하였습니다.</li><li>현대적 중요성: SQL과 관계형 데이터베이스의 기초가 되었으며, 데이터 조직의 기본 개념을 제공하였습니다.</li></ul></li><li>정리 증명 절차의 복잡성 (1971년, 스티븐 A. 쿡)<ul ><li>핵심 아이디어: NP-완전성 개념을 도입하여 문제의 난이도를 설명하였습니다.</li><li>현대적 중요성: 알고리즘, 암호학, 효율적인 해결책 탐색에 큰 영향을 미쳤습니다.</li></ul></li><li>패킷 네트워크 상호 연결을 위한 프로토콜 (1974년, 빈튼 G. 서프, 로버트 E. 칸)<ul ><li>핵심 아이디어: 서로 다른 네트워크가 통신할 수 있는 TCP/IP 프로토콜을 개발하였습니다.</li><li>현대적 중요성: 인터넷의 기본 프로토콜로, 웹 브라우징, 이메일 전송 등에 사용됩니다.</li></ul></li><li>정보 관리: 제안 (1989년, 팀 버너스리)<ul ><li>핵심 아이디어: 하이퍼텍스트 시스템을 제안하여 월드 와이드 웹을 탄생시켰습니다.</li><li>현대적 중요성: 웹을 통해 지식 공유 방식을 혁신하였습니다.</li></ul></li><li>대규모 하이퍼텍스추얼 웹 검색 엔진의 해부 (1998년, 세르게이 브린, 래리 페이지)<ul ><li>핵심 아이디어: 링크 분석을 기반으로 한 검색 엔진, 즉 구글을 개발하였습니다.</li><li>현대적 중요성: 정보 검색 방식을 재정의하고 데이터 중심 기술의 시대를 열었습니다.</li></ul></li></ol> https://terriblesoftware.org/2025/01/22/the-7-most-influential-papers-in-computer-science-history/

Terrible Software

컴퓨터 과학 역사에서 가장 영향력 있는 7개의 논문

Contribute to deepseek-ai/DeepSeek-R1 development by creating an account on GitHub.

GitHub - deepseek-ai/DeepSeek-R1

최근 AI업계의 가장 핫한 딥시크에 대해서 정리해 본 내용입니다.

💻 딥시크(DeepSeek)
 * 중국의 헤지펀드 매니저 량원평이 하이플라이어 캐피탈을 통해 만든 AI 언어모델
 *  OpenAI의 모델과 비슷한 성능을 가진 오픈소스 대규모 언어 모델
   * 최근 공개 모델: DeepSeek -R1
   * 671B 파라미터, 37B 활성 파라미터
   * MIT 라이선스 하에 상업적 이용 가능
 * 세계 최대 AI 기업인 오픈AI와 클라우드 기업인 아마존 등 주요 기업들이 대형 언어모델 지출 비용의 20분의 1 (or 10분의 1)수준으로 구축했으나, 오픈AI의 o1과 유사한 정확도 및 성능
   * 모델 훈련비용: 560만 달러 추정(vs OpenAI의 GPT-4는 1억 달러, vs Anthropic 1억 ~ 10억 달러)
 * 2025년 1웍25일 주말 사이 애플 북미 무료 앱 다운로드 순위 1위 등극
 * 2025년 1월28일 이미지 생성 멀티모달 모델 ‘야누스 프로(Janus-Pro)’를 공개 - 오픈AI의 이미지 생성 모델 ‘달리 3’, 스태빌리티AI의 ‘스테이블 디퓨전 XL(SDXL)’을 능가하는 성능 기록

💻 주요 기술적 특징
1. 효율적인 모델 아키텍처
 * Mixture of Experts(MoE) 아키텍처를 채택하여 모델의 효율성을 극대화
 * 참고로 MoE는 프랑스의 미스트랄AI가 사용중인 아키텍처
2. 혁신적인 기술 적용
 * Multi-Head Latent Attention(MLA): 효율적인 훈련과 추론을 가능하게 하는 아키텍처
 * 하이브리드 접근: 강화 학습과 일련의 사고 추론을 결합한 방식
3. 자원 최적화
 * 구형 칩 사용: 최신 Nvidia H100 대신 성능이 떨어지는 H800 모델 사용으로 비용 절감
 * 에너지 효율성: 클라우드 의존도를 줄이고 전력 소비를 최적화
 * 메타 '라마'의 10분의 1에 불과한 557만달러 학습 진행
 4. 검색 및 추론 관련
 * 이미지, 문서 업로드 지원
 * 프럼프팅에 대한 추론 과정을 자세히 다 보여줌(vs. Chatgpt는 부분만 보여줌)
 * 추론과 웹서칭을 동시에 사용하여 결과 보여줌(유사. Perplexity)
 * 오픈소스로 공개되어 있기 때문에 자체 AI 검색 서비스 구현 용이
   
💻 MoE(Mixture-of-Experts) 아키텍처 특징
 1. 효율적인 파라미터 활용: DeepSeek-V3는 총 6710억 개의 파라미터. 각 토큰 처리시 단 370억 개의 파라미터만 활성화 >> 이는 계산 비용을 크게 줄이면서도 높은 성능 유지
 2. Multi-head Latent Attention (MLA): 이 구조는 키(Key)와 값(Value)을 효율적으로 압축하여 KV 캐시 사용량을 줄입니다. 이를 통해 메모리 사용량을 크게 절감하면서도 기존 Multi-Head Attention(MHA)과 유사한 성능을 유지합니다.
 3. 혁신적인 부하 균형 전략: DeepSeek-V3는 부가 손실(auxiliary loss) 없이 작업 부하를 균등하게 나누는 새로운 전략을 도입으로 모델의 안정성과 성능을 동시에 향상
 4. 멀티 토큰 예측(Multi-Token Prediction, MTP): 한 번에 여러 토큰을 예측하도록 설계되어 데이터 처리 능력 강화
 5. DeepSeekMoE: 이 구조는 여러 "전문가(Experts)" 모듈로 구성되어 있으며, 각 데이터 토큰을 처리할 때 가장 적합한 전문가들만을 선택하여 작업 분담

💻 성능 및 시장 영향
1. 벤치마크 성능
 * 지식 질문 및 답변, 긴 텍스트 처리, 코드 생성, 수학적 기능 등에서 업계 최고 수준
 * MMLU, GPQA 등의 지식 작업에서 Claude-3.5-Sonnet에 근접한 성능
 * AIME 2024, CNMO 2024 등의 수학 테스트에서 새로운 기록 수립
2. 시장 경쟁력
 * OpenAI의 o1 모델 대비 90% 비용 절감하면서도 우수한 성능 달성
 * 생성 속도 200% 향상으로 사용자 경험 개선
 * 'DeepSeek 학습 비용이 메타 수석 엔지니어 연봉보다 적다'
3. 글로벌 AI 시장 영향
 * Nvidia: 엔비디아 주가 17% 하락으로 846조 증발 - 미국 주식 역사상 가장 큰 하락 기록.(이후 재상승중이기는 하나 엔비디아의 비싸고 공급이 늦어지는 GPU 가치에 대한 재검토 계기)
 * OpenAI & Microsoft : ChatGPT와 직접적인 경쟁 관계 형성. OpenAI의 AI 모델을 DeepSeek모델에서 학습했는지 조사 중 / 가장 최신 추론모델인 O3-Mini 풀버전 공개 전 사전 무료 공개(1.31)
 * Google: 별 다른 반응을 내놓지 않고 있는 구글은 코딩과 수학 작업에서 높은 정확성과 강력한 성능을 제공하는 Gemini 2.0 Pro Experimental) 공개(1.30)
 * Meta: 딥시크 분석을 위한 4개의 태스크포스 팀을 통해 분석. 향후 딥시크의 핵심 기술을 '라마'에 적용 예정
 * Apple: 中딥시크 극찬한 팀쿡. 온디바이스AI 전략을 가진 애플은 딥시크의 AI 모델 오픈소스를 활용해 중국에서 AI기능을 탑재한 아이폰 출시 가능성
 * Perplexity: 이미 https://www.perplexity.ai에 DeepSeek R1 추론 모델 적용 및 서비스 중
   
   
🤔 이슈 및 한계
 * 이슈:
   * https://chat.deepseek.com/를 사용하는 경우, ‘개인정보 보호 정책’을 통해 AI 모델 학습을 위한 이용자의 이름·생년월일·이메일·주소·전화번호 등을 수집
   * 그리고, 이용자들이 입력한 키보드 패턴과 오디오, 파일, 채팅 기록 등 콘텐트를 수집하고 회사 재량에 따라 해당 정보를 법 집행기관이나 공공 기관과 공유할 수 있다고 명시
   * 모든 데이터는 중국에 있는 딥시크 서버에 저장하는 이슈
 * 한계:
   * 중국정부 검열(?): 시진핑이 나오는 결과내용들은 자동으로 순삭(?)되는 결과를 보여주는 한계

🛠️ 참고
 * https://www.deepseek.com/
 * https://github.com/deepseek-ai/DeepSeek-R1
 * https://openrouter.ai/deepseek/deepseek-r1 
 * https://apps.apple.com/kr/app/deepseek-ai-%EC%96%B4%EC%8B%9C%EC%8A%A4%ED%84%B4%ED%8A%B8/id6737597349
 * DeepSeek: all the news about the startup that’s shaking up AI stocks - https://www.theverge.com/24353060/deepseek-ai-china-nvidia-openai

최근 AI업계의 가장 핫한 딥시크에 대해서 정리해 본 내용입니다. 💻 딥시크(DeepSeek)<ul ><li>중국의 헤지펀드 매니저 량원평이 하이플라이어 캐피탈을 통해 만든 AI 언어모델</li><li>&nbsp;OpenAI의 모델과 비슷한 성능을 가진 오픈소스 대규모 언어 모델<ul ><li>최근 공개 모델: DeepSeek -R1</li><li>671B 파라미터, 37B 활성 파라미터</li><li>MIT 라이선스 하에 상업적 이용 가능</li></ul></li><li>세계 최대 AI 기업인 오픈AI와 클라우드 기업인 아마존 등 주요 기업들이 대형 언어모델 지출 비용의 20분의 1 (or 10분의 1)수준으로 구축했으나, 오픈AI의 o1과 유사한 정확도 및 성능<ul ><li>모델 훈련비용: 560만 달러 추정(vs OpenAI의 GPT-4는 1억 달러, vs Anthropic 1억 ~ 10억 달러)</li></ul></li><li>2025년 1웍25일 주말 사이 애플 북미 무료 앱 다운로드 순위 1위 등극</li><li>2025년 1월28일 이미지 생성 멀티모달&nbsp;모델 ‘야누스 프로(Janus-Pro)’를 공개 - 오픈AI의 이미지 생성 모델 ‘달리 3’, 스태빌리티AI의 ‘스테이블 디퓨전 XL(SDXL)’을 능가하는 성능 기록</li></ul> 💻 주요 기술적 특징1. 효율적인 모델 아키텍처<ul ><li>Mixture of Experts(MoE) 아키텍처를 채택하여 모델의 효율성을 극대화</li><li>참고로 MoE는 프랑스의 미스트랄AI가 사용중인 아키텍처</li></ul>2. 혁신적인 기술 적용<ul ><li>Multi-Head Latent Attention(MLA): 효율적인 훈련과 추론을 가능하게 하는 아키텍처</li><li>하이브리드 접근: 강화 학습과 일련의 사고 추론을 결합한 방식</li></ul>3. 자원 최적화<ul ><li>구형 칩 사용: 최신 Nvidia H100 대신 성능이 떨어지는 H800 모델 사용으로 비용 절감</li><li>에너지 효율성: 클라우드 의존도를 줄이고 전력 소비를 최적화</li><li>메타 '라마'의 10분의 1에 불과한 557만달러 학습 진행</li></ul><ol start="4"><li>검색 및 추론 관련</li></ol><ul ><li>이미지, 문서 업로드 지원</li><li>프럼프팅에 대한 추론 과정을 자세히 다 보여줌(vs. Chatgpt는 부분만 보여줌)</li><li>추론과 웹서칭을 동시에 사용하여 결과 보여줌(유사. Perplexity)</li><li>오픈소스로 공개되어 있기 때문에 자체 AI 검색 서비스 구현 용이 </li></ul>💻 MoE(Mixture-of-Experts) 아키텍처 특징<ol ><li>효율적인 파라미터 활용: DeepSeek-V3는 총 6710억 개의 파라미터. 각 토큰 처리시 단 370억 개의 파라미터만 활성화 &gt;&gt; 이는 계산 비용을 크게 줄이면서도 높은 성능 유지</li><li>Multi-head Latent Attention (MLA): 이 구조는 키(Key)와 값(Value)을 효율적으로 압축하여 KV 캐시 사용량을 줄입니다. 이를 통해 메모리 사용량을 크게 절감하면서도 기존 Multi-Head Attention(MHA)과 유사한 성능을 유지합니다.</li><li>혁신적인 부하 균형 전략: DeepSeek-V3는 부가 손실(auxiliary loss) 없이 작업 부하를 균등하게 나누는 새로운 전략을 도입으로 모델의 안정성과 성능을 동시에 향상</li><li>멀티 토큰 예측(Multi-Token Prediction, MTP): 한 번에 여러 토큰을 예측하도록 설계되어 데이터 처리 능력 강화</li><li>DeepSeekMoE: 이 구조는 여러 "전문가(Experts)" 모듈로 구성되어 있으며, 각 데이터 토큰을 처리할 때 가장 적합한 전문가들만을 선택하여 작업 분담</li></ol> 💻 성능 및 시장 영향1. 벤치마크 성능<ul ><li>지식 질문 및 답변, 긴 텍스트 처리, 코드 생성, 수학적 기능 등에서 업계 최고 수준</li><li>MMLU, GPQA 등의 지식 작업에서 Claude-3.5-Sonnet에 근접한 성능</li><li>AIME 2024, CNMO 2024 등의 수학 테스트에서 새로운 기록 수립</li></ul>2. 시장 경쟁력<ul ><li>OpenAI의 o1 모델 대비 90% 비용 절감하면서도 우수한 성능 달성</li><li>생성 속도 200% 향상으로 사용자 경험 개선</li><li>'DeepSeek 학습 비용이 메타 수석 엔지니어 연봉보다 적다'</li></ul>3. 글로벌 AI 시장 영향<ul ><li>Nvidia: 엔비디아 주가 17% 하락으로 846조 증발 - 미국 주식 역사상 가장 큰 하락 기록.(이후 재상승중이기는 하나 엔비디아의 비싸고 공급이 늦어지는 GPU 가치에 대한 재검토 계기)</li><li>OpenAI &amp; Microsoft : ChatGPT와 직접적인 경쟁 관계 형성. OpenAI의 AI 모델을 DeepSeek모델에서 학습했는지 조사 중 / 가장 최신 추론모델인 O3-Mini 풀버전 공개 전 사전 무료 공개(1.31)</li><li>Google: 별 다른 반응을 내놓지 않고 있는 구글은 코딩과&nbsp;수학&nbsp;작업에서 높은 정확성과 강력한 성능을 제공하는 Gemini 2.0 Pro Experimental) 공개(1.30)</li><li>Meta: 딥시크 분석을 위한 4개의 태스크포스 팀을 통해 분석. 향후 딥시크의 핵심 기술을 '라마'에 적용 예정</li><li>Apple: 中딥시크 극찬한 팀쿡. 온디바이스AI 전략을 가진 애플은 딥시크의 AI 모델 오픈소스를 활용해 중국에서 AI기능을 탑재한 아이폰 출시 가능성</li><li>Perplexity: 이미 https://www.perplexity.ai에 DeepSeek R1 추론 모델 적용 및 서비스 중 </li></ul>🤔 이슈 및 한계<ul ><li>이슈:<ul ><li>https://chat.deepseek.com/를 사용하는 경우, ‘개인정보 보호 정책’을 통해 AI 모델 학습을 위한 이용자의 이름·생년월일·이메일·주소·전화번호 등을 수집</li><li>그리고, 이용자들이 입력한 키보드 패턴과 오디오, 파일, 채팅 기록 등 콘텐트를 수집하고 회사 재량에 따라 해당 정보를 법 집행기관이나 공공 기관과 공유할 수 있다고 명시</li><li>모든 데이터는 중국에 있는 딥시크 서버에 저장하는 이슈</li></ul></li><li>한계:<ul ><li>중국정부 검열(?): 시진핑이 나오는 결과내용들은 자동으로 순삭(?)되는 결과를 보여주는 한계</li></ul></li></ul> 🛠️ 참고<ul ><li>https://www.deepseek.com/</li><li>https://github.com/deepseek-ai/DeepSeek-R1</li><li>https://openrouter.ai/deepseek/deepseek-r1&nbsp;</li><li>https://apps.apple.com/kr/app/deepseek-ai-%EC%96%B4%EC%8B%9C%EC%8A%A4%ED%84%B4%ED%8A%B8/id6737597349</li><li>DeepSeek: all the news about the startup that’s shaking up AI stocks - https://www.theverge.com/24353060/deepseek-ai-china-nvidia-openai</li></ul>

GitHub

딥시크(DeepSeek)

❓도메인 지식이란 무엇인가요?

"해당 분야에서 사용하는 특수 용어/단어들을 이해하고
그 분야에서 함께 일하는 사람들의 문제/고민을 파악하는 능력"

그렇다면 데이터 분석 취업을 준비하는 이들이
도메인 지식을 배울 수 있는 효과적인 방법에는 어떤 것들이 있을까요?

[1] 데이터 분석가의 블로그/포스트를 자주 읽기

많은 데이터 분석가들이 자신이 배운 내용이나
생각을 정리하기 위해 블로그/포스트를 자주 작성합니다.

특히 단순 스킬 정리나 코드에 대한 내용보다,
분석가들이 주어진 문제를 어떻게 해결했는지 대해 정리한
블로그/포스트를 읽는 것을 추천드립니다.

데이터 분석가들의 블로그/포스트를 자주 읽다보면
다음과 같은 경험들을 할 수 있어요.

- 특정 도메인에서 발생하는 문제들과 그 해결 과정을 간접적으로 체험해볼 수 있습니다.
- 단순 이론이나 방법론이 아니라, 실제로 현업 데이터 분석이 어떻게 적용되는지를 알 수 있습니다.
- 데이터 분석가들이 평소에 어떤 고민을 하는지, 그리고 어떤 생각을 하는지를 옅볼 수 있습니다.

데이터 분야는 빠른 속도로 바뀌고 있습니다.
이런 변화의 흐름을 파악하는 가장 좋은 방법 중 하나는
실제 현업자들이 어떤 생각을 하고,
어떤 업무를 하는지를 살펴보는 것입니다.

저의 데이터 블로그 추천 리스트 입니다.

1. zzsza.github.io
2. schatz37.tistory.com
3. minwookim.kr/about

❓도메인 지식이란 무엇인가요? "해당 분야에서 사용하는 특수 용어/단어들을 이해하고 그 분야에서 함께 일하는 사람들의 문제/고민을 파악하는 능력" 그렇다면 데이터 분석 취업을 준비하는 이들이 도메인 지식을 배울 수 있는 효과적인 방법에는 어떤 것들이 있을까요? [1] 데이터 분석가의 블로그/포스트를 자주 읽기 많은 데이터 분석가들이 자신이 배운 내용이나 생각을 정리하기 위해 블로그/포스트를 자주 작성합니다. 특히 단순 스킬 정리나 코드에 대한 내용보다, 분석가들이 주어진 문제를 어떻게 해결했는지 대해 정리한 블로그/포스트를 읽는 것을 추천드립니다. 데이터 분석가들의 블로그/포스트를 자주 읽다보면 다음과 같은 경험들을 할 수 있어요. - 특정 도메인에서 발생하는 문제들과 그 해결 과정을 간접적으로 체험해볼 수 있습니다. - 단순 이론이나 방법론이 아니라, 실제로 현업 데이터 분석이 어떻게 적용되는지를 알 수 있습니다. - 데이터 분석가들이 평소에 어떤 고민을 하는지, 그리고 어떤 생각을 하는지를 옅볼 수 있습니다. 데이터 분야는 빠른 속도로 바뀌고 있습니다. 이런 변화의 흐름을 파악하는 가장 좋은 방법 중 하나는 실제 현업자들이 어떤 생각을 하고, 어떤 업무를 하는지를 살펴보는 것입니다. 저의 데이터 블로그 추천 리스트 입니다. 1. zzsza.github.io 2. schatz37.tistory.com 3. minwookim.kr/about&nbsp;

데이터 분석가의 도메인 지식을 넓히는 방법 3가지

1월이 벌써 끝나가고 있는데요, 1월의 IT뉴스를 정리해봅니다.

1. LG전자 : 자율주행로봇 기술을 보유한 베어로보틱스의 지분 30%를 추가 인수하여 경영권을 확보했습니다. 
2. 삼성전자 : 갤럭시 S25 시리즈 스마트폰을 공개하며 AI 기능을 대폭 강화했습니다. 
3. 씨게이트 : 36TB 용량의 데이터센터용 하드디스크 엑소스 M의 샘플링을 시작했습니다. 
4. 엔비디아 : 지포스 RTX 50 시리즈 게이밍 GPU를 공개하며 DLSS 4 기술을 선보였습니다. 
5. AMD : 고성능 데스크톱 프로세서 라이젠 9 9950X3D와 라이젠 AI 맥스 시리즈를 발표했습니다. 
6. 로지텍 코리아 : e스포츠 프로게임단 농심 레드포스와 공식 파트너십을 체결했습니다. 
7. LG전자 : CES 2025에서 시그니처 주방 기기 라인업과 2025년형 그램 노트북 등을 공개했습니다. 
8. 비자(VISA) : 마마 어워즈 2024의 결제 데이터를 공개하며 관람객 소비 패턴을 분석했습니다. 
9. 농심 : 마케팅 생성 AI 기업 아스타와 비밀유지계약을 체결하고 협업을 시작했습니다. 
10. 메타(Meta) : 2025년에 인공지능 인프라 확보를 위해 최대 650억 달러를 투자할 계획을 발표했습니다. 
11. 마이크로소프트 : 인공지능 데이터센터에 800억 달러를 투자하여 AI 기술 경쟁에 박차를 가하고 있습니다. 
12. 딥시크(Deepseek) : 엔비디아의 H800을 활용한 AI 서비스로 주목받으며 미국 빅테크 기업들의 투자 효율성에 의문을 제기했습니다. 
13. 엔비디아 : 개인용 AI 슈퍼컴퓨터 프로젝트 디지츠(Project DIGITS)를 발표하여 소규모 연구 시장을 겨냥했습니다. 
14. AMD : 인공지능 가속기 인스팅트 MI325를 공개하며 엔비디아와의 경쟁을 이어가고 있습니다. 
15. SK하이닉스 : AI 시장 성장과 HBM 기술력을 바탕으로 작년 4분기 및 연간 사상 최대 실적을 기록했습니다.

1월이 벌써 끝나가고 있는데요, 1월의 IT뉴스를 정리해봅니다. 1. LG전자 : 자율주행로봇 기술을 보유한 베어로보틱스의 지분 30%를 추가 인수하여 경영권을 확보했습니다.&nbsp;2. 삼성전자 : 갤럭시 S25 시리즈 스마트폰을 공개하며 AI 기능을 대폭 강화했습니다.&nbsp;3. 씨게이트 : 36TB 용량의 데이터센터용 하드디스크 엑소스 M의 샘플링을 시작했습니다.&nbsp;4. 엔비디아 : 지포스 RTX 50 시리즈 게이밍 GPU를 공개하며 DLSS 4 기술을 선보였습니다.&nbsp;5. AMD : 고성능 데스크톱 프로세서 라이젠 9 9950X3D와 라이젠 AI 맥스 시리즈를 발표했습니다.&nbsp;6. 로지텍 코리아 : e스포츠 프로게임단 농심 레드포스와 공식 파트너십을 체결했습니다.&nbsp;7. LG전자 : CES 2025에서 시그니처 주방 기기 라인업과 2025년형 그램 노트북 등을 공개했습니다.&nbsp;8. 비자(VISA) : 마마 어워즈 2024의 결제 데이터를 공개하며 관람객 소비 패턴을 분석했습니다.&nbsp;9. 농심 : 마케팅 생성 AI 기업 아스타와 비밀유지계약을 체결하고 협업을 시작했습니다.&nbsp;10. 메타(Meta) : 2025년에 인공지능 인프라 확보를 위해 최대 650억 달러를 투자할 계획을 발표했습니다.&nbsp;11. 마이크로소프트 : 인공지능 데이터센터에 800억 달러를 투자하여 AI 기술 경쟁에 박차를 가하고 있습니다.&nbsp;12. 딥시크(Deepseek) : 엔비디아의 H800을 활용한 AI 서비스로 주목받으며 미국 빅테크 기업들의 투자 효율성에 의문을 제기했습니다.&nbsp;13. 엔비디아 : 개인용 AI 슈퍼컴퓨터 프로젝트 디지츠(Project DIGITS)를 발표하여 소규모 연구 시장을 겨냥했습니다.&nbsp;14. AMD : 인공지능 가속기 인스팅트 MI325를 공개하며 엔비디아와의 경쟁을 이어가고 있습니다.&nbsp;15. SK하이닉스 : AI 시장 성장과 HBM 기술력을 바탕으로 작년 4분기 및 연간 사상 최대 실적을 기록했습니다.&nbsp;

2025년 1월, IT 업계에서 무슨 일이 있었나?

DeepSeek R1이 이뤄낸 진보가 대단한 건 맞음. 비용/가격이 아니라 기술로써. 그에 대한 초딩도 알 수 있는 간단한 설명.

기존에는 사람이 문제 풀이와 공부하는 방법을 어느정도 알려주고 훈련(학습)을 했음. 그런데 DeepSeek R1(Zero)는 가이드 없이 답이 맞는지 틀린지만 알려주고, 풀이는 지가 이렇게 저렇게 해 보면서 스스로 발견해 나가는 방법을 사용함.

이는 예전 알파고와 알파고 제로와 같은 관계로, 처음 이세돌과 대국한 알파고는 인간의 기보를 학습한 아이지만, 이후 나온 알파고 제로는 인간의 기보 없이 바닥부터 스스로 대국을 둬가며 바둑의 묘리를 깨우쳤고, 이전의 이세돌을 이긴 알파고를 압도함.

DeepSeek R1도 마찬가지. 이는 AI 훈련에 있어, 인간의 가이드 없이 AI가 스스로 학습하는 것이 성능 향상에 더 유리하다는 증거를 다시 한 번 보여준 것이라고 할 수 있음.

즉, 인간의 결과물에는 인간의 편향과 잘못이 담겨 있기 때문에, 일정 수준 이상의 성능을 넘기 위해서는 인간의 경험을 배제하고 훈련을 해야 한다는 것임.

쉬운 설명을 위해 약간의 왜곡이 들어가긴 했지만, 결론적으로 인간의 지능을 넘는 초지능을 달성하는데는 결국 인간이 한계로 작용 할 수 밖에 없기 때문에 분명히 다른 방법을 써야할 것이며, 온전히 스스로 배우는 단순한 강화학습이 그 돌파구를 열 수 있을 것으로 보인다는 것이 DeepSeek R1의 이루어 낸 성과.

참고로 GPT에 사용하여 유명해진 RLHF는 그 과정에서 인간이 관여하므로 진정한 RL이 아니어서, Alignment나 유려함을 만드는데는 유리하나, 추론 능력등의 성능 향상에는 큰 효과가 없거나 오히려 제약을 만든다고 알려져있음.

DeepSeek R1이 이뤄낸 진보가 대단한 건 맞음. 비용/가격이 아니라 기술로써. 그에 대한 초딩도 알 수 있는 간단한 설명. 기존에는 사람이 문제 풀이와 공부하는 방법을 어느정도 알려주고 훈련(학습)을 했음. 그런데 DeepSeek R1(Zero)는 가이드 없이 답이 맞는지 틀린지만 알려주고, 풀이는 지가 이렇게 저렇게 해 보면서 스스로 발견해 나가는 방법을 사용함. 이는 예전 알파고와 알파고 제로와 같은 관계로, 처음 이세돌과 대국한 알파고는 인간의 기보를 학습한 아이지만, 이후 나온 알파고 제로는 인간의 기보 없이 바닥부터 스스로 대국을 둬가며 바둑의 묘리를 깨우쳤고, 이전의 이세돌을 이긴 알파고를 압도함. DeepSeek R1도 마찬가지. 이는 AI 훈련에 있어, 인간의 가이드 없이 AI가 스스로 학습하는 것이 성능 향상에 더 유리하다는 증거를 다시 한 번 보여준 것이라고 할 수 있음. 즉, 인간의 결과물에는 인간의 편향과 잘못이 담겨 있기 때문에, 일정 수준 이상의 성능을 넘기 위해서는 인간의 경험을 배제하고 훈련을 해야 한다는 것임. 쉬운 설명을 위해 약간의 왜곡이 들어가긴 했지만, 결론적으로 인간의 지능을 넘는 초지능을 달성하는데는 결국 인간이 한계로 작용 할 수 밖에 없기 때문에 분명히 다른 방법을 써야할 것이며, 온전히 스스로 배우는 단순한 강화학습이 그 돌파구를 열 수 있을 것으로 보인다는 것이 DeepSeek R1의 이루어 낸 성과. 참고로 GPT에 사용하여 유명해진 RLHF는 그 과정에서 인간이 관여하므로 진정한 RL이 아니어서, Alignment나 유려함을 만드는데는 유리하나, 추론 능력등의 성능 향상에는 큰 효과가 없거나 오히려 제약을 만든다고 알려져있음.

DeepSeek R1이 이뤄낸 진보가 대단한 건 맞음. 비용/가격

데이터 일을 오래 하면서 여기저기서 강의를 하면서 데이터와 AI/LLM 엔지니어링 관련해서 서적추천을 해달라는 요청을 간혹 받는데 아래 3권의 서적을 추천한다.

 1. AI Engineering: Building Applications with Foundation Models, Chip Huyen
 2. Designing Machine-Learning Systems Production Ready, Chip Huyen
 3. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, Martin Kleppmann

이 책들을 읽는 순서는 3번 → 2번 → 1번이라 생각한다. 3번째 책은 데이터쪽의 고전과도 같은 책인데 링크는 1st edition에 걸었지만 현재 2nd edition이 나온 상황(아직은 아마존에서는 안 파는 걸로 보인다)이고 1st edition과 내용이 꽤 다르다. 이 중 가장 최근에 읽은 따끈따끈한 책은 AI Engineering이다. LinkedIn에서 팔로우하고 있는 저자이기도한 Chip Huyen의 책인데 (두 번째 책도 같은 저자이다) 책의 내용을 아주 하이레벨로 요약하면 아래와 같은데 실습 없이 개념만 설명하는 책이란 점도 유념하자.

 * AI 엔지니어링이 무엇인지, 그리고 기존 머신러닝 엔지니어링과 어떻게 다른지 이해하기
 * AI 애플리케이션 개발 프로세스를 배우고, 각 단계에서 발생하는 문제와 이를 해결하기 위한 접근법 이해하기
 * 프롬프트 엔지니어링, RAG, 파인튜닝, 에이전트, 데이터셋 엔지니어링 등 다양한 모델 적응 기술을 탐구하고, 이러한 기술이 작동하는 방식과 이유 이해하기
 * 파운데이션 모델을 서비스할 때 발생하는 지연(latency) 및 비용 문제를 분석하고 이를 극복하는 방법 배우기
 * 필요에 맞는 적절한 모델, 데이터셋, 평가 기준(benchmarks) 및 지표(metrics)를 선택하기

기본적으로 머신러닝 모델을 직접 만들던 세상에서 LLM을 기반으로 일을 하는 세상으로 바뀌어 가고 있다라는 점에서 LLM 활용에 관한 이야기라고 요약할 수 있을 듯 하다.

데이터 일을 오래 하면서 여기저기서 강의를 하면서 데이터와 AI/LLM 엔지니어링 관련해서 서적추천을 해달라는 요청을 간혹 받는데 아래 3권의 서적을 추천한다. <ol ><li>AI Engineering: Building Applications with Foundation Models, Chip Huyen</li><li>Designing Machine-Learning Systems Production Ready, Chip Huyen</li><li>Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, Martin Kleppmann</li></ol> 이 책들을 읽는 순서는 3번 → 2번 → 1번이라 생각한다. 3번째 책은 데이터쪽의 고전과도 같은 책인데 링크는 1st edition에 걸었지만 현재 2nd edition이 나온 상황(아직은 아마존에서는 안 파는 걸로 보인다)이고 1st edition과 내용이 꽤 다르다. 이 중 가장 최근에 읽은 따끈따끈한 책은 AI Engineering이다. LinkedIn에서 팔로우하고 있는 저자이기도한 Chip Huyen의 책인데 (두 번째 책도 같은 저자이다) 책의 내용을 아주 하이레벨로 요약하면 아래와 같은데 실습 없이 개념만 설명하는 책이란 점도 유념하자. <ul ><li>AI 엔지니어링이 무엇인지, 그리고 기존 머신러닝 엔지니어링과 어떻게 다른지 이해하기</li><li>AI 애플리케이션 개발 프로세스를 배우고, 각 단계에서 발생하는 문제와 이를 해결하기 위한 접근법 이해하기</li><li>프롬프트 엔지니어링, RAG, 파인튜닝, 에이전트, 데이터셋 엔지니어링 등 다양한 모델 적응 기술을 탐구하고, 이러한 기술이 작동하는 방식과 이유 이해하기</li><li>파운데이션 모델을 서비스할 때 발생하는 지연(latency) 및 비용 문제를 분석하고 이를 극복하는 방법 배우기</li><li>필요에 맞는 적절한 모델, 데이터셋, 평가 기준(benchmarks) 및 지표(metrics)를 선택하기</li></ul> 기본적으로 머신러닝 모델을 직접 만들던 세상에서 LLM을 기반으로 일을 하는 세상으로 바뀌어 가고 있다라는 점에서 LLM 활용에 관한 이야기라고 요약할 수 있을 듯 하다.

AI 엔지니어링이란? LLM기반으로 서비스 구현

이 신청서는 누군가를 평가하기 위한 목적이 아닌 무조건적인 선발을 방지하는 데 있습니다. 
불편하시더라도 작성해 주신 정보는 선발 후에 폐기될 예정입니다. 절대 별도 목적으로 사용되지 않습니다. 
죄송하지만 양해 부탁드립니다.

☑️ 장기간 활동할 수 있는 인원들과 함께하기 위해 대학교 재학생이나 휴학생 인원은 선발하지 않고 있습니다.
☑️ 이 글을 꼭 읽어주세요 👉 https://spicy-lace-142.notion.site/24837525a6624d08868a22e0a590f205

간단히 정리한 활동 내용입니다. 

☑️ 현재는 4명+4명+4명 세 조로 이뤄져 있습니다. 한 조가 번역을 하면 다른 한 조는 그 주에 번역 리뷰를 진행하게 됩니다.
☑️ 주 시작은 토요일로 수요일까지 글 작성을 마무리해야 합니다. 리뷰는 글을 올리고 3일 이내에 하는 것이 규칙입니다.
☑️ 총 2명 이상의 리뷰를 받아야 배포 가능합니다. 리뷰 또한 벌금제로 운영합니다. 본인 블로그에 글을 올리고 그 글을 메일로 보내는 형태로 진행하고 있습니다.
☑️ 3달에 한 주씩 방학으로 해서 쉬면서 로테이션을 변경합니다. 분기별로 1주 글 작성 휴가, 1주 리뷰 휴가가 존재합니다.

😛 이번 모집은 5명 + 5명 + 5명 조를 구성하기 위해 3명을 선발합니다.
😛 기존 참여자 분들의 경험상 번역에 생각보다 시간이 많이 필요하다는 점을 미리 알려드립니다. 꼭 참고해주세요!

⚠️ 질문은 전부 단답형으로 작성해주시면 감사하겠습니다! ⚠️

Korean FE Article 신청서

안녕하세요.
먼저 2025년 새해를 맞아 건강과 행복이 가득하시길 기원합니다.

새로운 해를 맞아 Korean FE Article 팀에서 오랜만에 반가운 소식을 전해드립니다. 더 다양하고 많은 글을 번역하기 위해 새로운 팀원 3분을 모시고자 합니다. 장기적으로 함께하실 수 있는 분들을 찾고 있으며, 자세한 내용은 아래 모집 소개 페이지를 참고해 주시면 감사하겠습니다.

▶ 소개 링크: https://bit.ly/40F8ilr
▶ 지원 링크: https://forms.gle/5us3QdhUzwRnFhuq7
▶ 모집 기간: ~ 2월 14일까지 (모집 종료 후 팀원들과 한 뒤 개별적으로 연락드릴 예정입니다.)

번역 활동에 관심이 있으셨던 분들의 많은 지원 부탁드립니다.
남은 연휴 잘 보내시고, 새해 복 많이 받으시기 바랍니다.
감사합니다.

안녕하세요.먼저 2025년 새해를 맞아 건강과 행복이 가득하시길 기원합니다. 새로운 해를 맞아 Korean FE Article 팀에서 오랜만에 반가운 소식을 전해드립니다. 더 다양하고 많은 글을 번역하기 위해 새로운 팀원 3분을 모시고자 합니다. 장기적으로 함께하실 수 있는 분들을 찾고 있으며, 자세한 내용은 아래 모집 소개 페이지를 참고해 주시면 감사하겠습니다. ▶ 소개 링크: https://bit.ly/40F8ilr ▶ 지원 링크: https://forms.gle/5us3QdhUzwRnFhuq7 ▶ 모집 기간: ~ 2월 14일까지 (모집 종료 후 팀원들과 한 뒤 개별적으로 연락드릴 예정입니다.) 번역 활동에 관심이 있으셨던 분들의 많은 지원 부탁드립니다. 남은 연휴 잘 보내시고, 새해 복 많이 받으시기 바랍니다.감사합니다.

Google Docs

2025 Korean FE Article 신규 팀원 모집 안내

DeepSeek-R1-Zero/DeepSeek-R1 개요 
DeepSeek: 중국 항저우 인공지능 회사. DeepSeek-V3 등 MoE 모델들 출시. V3의 경우 타 회사 대비 API 비용이 10배 이상 쌈. 감춰져있던 OpenAI-o1은 어떻게 만들까?에 대한 방법론 제시. (답은 SFT->RL->SFT->RL) 

RL로 대규모 학습을 하면 가능성이 있을거야
->어라? 이 부분이 잘안되네?(반복,가독성,언어섞임 문제)
->SFT+RL+SFT+RL hybrid 
DeepSeek-R1-Zero(MoE)와, DeepSeek-R1(MoE), 그리고 6개의 Llama와 Qwen에 기반한 DeepSeek-R1 distilled dense 모델을 공개.
DeepSeek-R1-Distill-Qwen-32B는 OpenAI-o1-mini 를 다양한 benchmark에 대해 이기고 sota 달성.(사진1 참조)
또한 multimodal 을 지원.
chat 버전은 공짜.(한글은 잘 될까?)
API가 ChatGPT 보다 96% 쌈. 

그럼 어떻게? Post-Training: Large-Scale Reinforcement Learning on the Base Model 
순수 RL로만 대규모 학습을 하면 모든게 해결되지 않을까?
반복,가독성,언어섞임 문제를 해결하는 과정에서 서비스 가능한 수준의 DeepSeek-R1이 나옴. 

DeepSeek-R1-Zero 
(2024)Group Relative Policy Optimization 사용.
(사진2: GRPO 참조)

reward 모델링 
accuracy reward: response 가 맞는지 틀리는지에 대한 reward.
Format reward: <think>/</think>로 형식화되는 thinking process에 대한 reward. 

neural reward 모델은 사용X. 대규모 학습 시 reward hacking 문제나 reward model을 재학습하는데 드는 학습 비용을 고려. 
학습 Template 

(사진3:학습 format)과 같이 먼저 <think>로 추론을 하게 하고, <answer>로 최종 answer내는 식으로 형식화. 

성능 
아쉽다... 
(사진4: R1-Zero Benchmark성능)
연구자들 입장에서는 대규모 강화학습만 해서 끝내고 싶었을 것 같은데, OpenAI-o1 보다 미국 수학 올림피아드 시험 점수(AIME) ,math 등 살짝 앞선 것도 있지만 코드 벤치에서는 o1-mini보다 못하는 등의 문제를 해결하고 싶었을 것 같음.
GPQA=A Graduate-Level Google-Proof Q&A Benchmark

발견들
학습할 수록 thinking time이 늘어난다? 사람처럼 aha moment를 가지고 처음의 판단을 재평가하는 모습도.

다만, 반복, 언어섞임, 가독성 면에서 서비스에 쓸 수 있는 모델 수준이 아니었던 듯

DeepSeek-R1 

Cold Start 
작은 양의 long CoT 데이터를 모델을 fine-tune하여 RL의 actor로 사용. 
데이터 수집: 모델들에 반성과 검증을 통해 상세한 답변을 작성하게 하거나 DeepSeek-R1-Zero에서 가독성있는 format으로 모아서,사람 annotator들에게 후처리. 이를 통해 가독성을 보완하고 시작. 

추론 기반 RL 
cold start 모델->대규모 강화학습( DeepSeek-R1-Zero like) 명확하고 잘 정의된 코딩이나, 수학,과학, 논리 추론 능력을 강화하는데 집중. 언어가 섞이는 문제를 해결하기 위해, CoT 상에서 목표 언어의 비율로 계산되는 언어의 consistency reward를 도입. accuracy reward+ language consistency reward를 단순 더하여 활용. 

Rejection Sampling과 SFT 
RL 이 수렴하면, 결과 모델을 다음 과정인 SFT를 위한 데이터를 모으는데 사용합니다.추론에 집중했던 것과 달리 이번 스테이지에서는 기존과 다른 글쓰기, role-playing 그리고 general purpose task들을 수행하도록 했습니다. 

추론 데이터 
RL 모델 결과에 rejection sampling을 진행. 추론 prompt와 추론 과정을 생성하는 것을 검수. DeepSeek-V3를 judgment로 사용해서 모델 예측이 주어진 정답과 비슷하도록 reward를 부여. 언어 섞임, 긴 문단, 그리고 code block을 필터링. 하나의 prompt에 여러 결과를 붙이고 그 중 맞는 것 하나만 남김. 이를 통해 600k개의 추론 관련 학습 sample 을 모음. 

비추론 데이터 
글쓰기나, factual QA나, 자기 인식, 그리고 번역과 같은 비추론 데이터는, DeekSeek-V3의 SFT데이터를 차용. 특정 비추론 task는 DeepSeek-V3로 질문에 답하기 전에 chain-of-thought를 생성하도록 함. 이를 통해 200k 개의 비추론 데이터를 모음. 

또 다시 RL(human preference) 
두번째 rl stage. 모델의 helpfulness와 harmlessness를 향상 및 추론 능력 향상. reward signal들의 조합과 다양한 prompt분포로 모델을 학습. 일반 데이터는 복잡하고 늬앙스가 포함된 시나리오에 대해 human preference를 잡아내도록 학습 (기존 deepseek v3의 파이프라인을 재활용) helpfulness는 최종 요약부분에 집중. 유저 요청에 부합하고 유용하면서도 추론 과정이 최대한 방해하지 않도록. harmless 가능한 위험 위해되는 content를 추론과정과 요약 모두 평가하도록. 

오픈 소스 모델 distillation 
sft만 적용. rl로 성능 부스트가 더 기대되긴하지만 적용하지 않음. 

최종 성능표 
(사진6) 여러 모델과 benchmark 비교
(사진7) ditilled model benchmark. 대규모 RL을 넣으면 더 향상될 수 있었을지?

Unsuccessful Attempts 
성공한 사례만 있는게 아님. Process Reward Model (PRM), Monte Carlo Tree Search (MCTS) 등 실패한 사례들도 기재.
관심있는 분들은 한번 살펴보면 좋을듯. 

(사진8) Reddit에 올라온 전체 pipeline overview

References:
https://github.com/deepseek-ai/DeepSeek-R1
https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf
https://www.reddit.com/r/LocalLLaMA/comments/1i66j4f/deepseekr1_training_pipeline_visualized/?rdt=44947

DeepSeek-R1-Zero/DeepSeek-R1 개요&nbsp;DeepSeek: 중국 항저우 인공지능 회사. DeepSeek-V3 등 MoE 모델들 출시. V3의 경우 타 회사 대비 API 비용이 10배 이상 쌈. 감춰져있던 OpenAI-o1은 어떻게 만들까?에 대한 방법론 제시. (답은 SFT-&gt;RL-&gt;SFT-&gt;RL)&nbsp; RL로 대규모 학습을 하면 가능성이 있을거야-&gt;어라? 이 부분이 잘안되네?(반복,가독성,언어섞임 문제)-&gt;SFT+RL+SFT+RL hybrid&nbsp;DeepSeek-R1-Zero(MoE)와, DeepSeek-R1(MoE), 그리고 6개의 Llama와 Qwen에 기반한 DeepSeek-R1 distilled dense 모델을 공개.DeepSeek-R1-Distill-Qwen-32B는 OpenAI-o1-mini 를 다양한 benchmark에 대해 이기고 sota 달성.(사진1 참조)또한 multimodal 을 지원.chat 버전은 공짜.(한글은 잘 될까?)API가 ChatGPT 보다 96% 쌈.&nbsp; 그럼 어떻게? Post-Training: Large-Scale Reinforcement Learning on the Base Model&nbsp;순수 RL로만 대규모 학습을 하면 모든게 해결되지 않을까?반복,가독성,언어섞임 문제를 해결하는 과정에서 서비스 가능한 수준의 DeepSeek-R1이 나옴.&nbsp; DeepSeek-R1-Zero&nbsp;(2024)Group Relative Policy Optimization 사용.(사진2: GRPO 참조) reward 모델링&nbsp;accuracy reward: response 가 맞는지 틀리는지에 대한 reward.Format reward: &lt;think&gt;/&lt;/think&gt;로 형식화되는 thinking process에 대한 reward.&nbsp; neural reward 모델은 사용X. 대규모 학습 시 reward hacking 문제나 reward model을 재학습하는데 드는 학습 비용을 고려.&nbsp;학습 Template&nbsp; (사진3:학습 format)과 같이 먼저 &lt;think&gt;로 추론을 하게 하고, &lt;answer&gt;로 최종 answer내는 식으로 형식화.&nbsp; 성능&nbsp;아쉽다...&nbsp;(사진4: R1-Zero Benchmark성능)연구자들 입장에서는 대규모 강화학습만 해서 끝내고 싶었을 것 같은데, OpenAI-o1 보다 미국 수학 올림피아드 시험 점수(AIME) ,math 등 살짝 앞선 것도 있지만 코드 벤치에서는 o1-mini보다 못하는 등의 문제를 해결하고 싶었을 것 같음.GPQA=A Graduate-Level Google-Proof Q&amp;A Benchmark 발견들학습할 수록 thinking time이 늘어난다? 사람처럼 aha moment를 가지고 처음의 판단을 재평가하는 모습도. 다만, 반복, 언어섞임, 가독성 면에서 서비스에 쓸 수 있는 모델 수준이 아니었던 듯 DeepSeek-R1&nbsp; Cold Start&nbsp;작은 양의 long CoT 데이터를 모델을 fine-tune하여 RL의 actor로 사용.&nbsp;데이터 수집: 모델들에 반성과 검증을 통해 상세한 답변을 작성하게 하거나 DeepSeek-R1-Zero에서 가독성있는 format으로 모아서,사람 annotator들에게 후처리. 이를 통해 가독성을 보완하고 시작.&nbsp; 추론 기반 RL&nbsp;cold start 모델-&gt;대규모 강화학습( DeepSeek-R1-Zero like) 명확하고 잘 정의된 코딩이나, 수학,과학, 논리 추론 능력을 강화하는데 집중. 언어가 섞이는 문제를 해결하기 위해, CoT 상에서 목표 언어의 비율로 계산되는 언어의 consistency reward를 도입. accuracy reward+ language consistency reward를 단순 더하여 활용.&nbsp; Rejection Sampling과 SFT&nbsp;RL 이 수렴하면, 결과 모델을 다음 과정인 SFT를 위한 데이터를 모으는데 사용합니다.추론에 집중했던 것과 달리 이번 스테이지에서는 기존과 다른 글쓰기, role-playing 그리고 general purpose task들을 수행하도록 했습니다.&nbsp; 추론 데이터&nbsp;RL 모델 결과에 rejection sampling을 진행. 추론 prompt와 추론 과정을 생성하는 것을 검수. DeepSeek-V3를 judgment로 사용해서 모델 예측이 주어진 정답과 비슷하도록 reward를 부여. 언어 섞임, 긴 문단, 그리고 code block을 필터링. 하나의 prompt에 여러 결과를 붙이고 그 중 맞는 것 하나만 남김. 이를 통해 600k개의 추론 관련 학습 sample 을 모음.&nbsp; 비추론 데이터&nbsp;글쓰기나, factual QA나, 자기 인식, 그리고 번역과 같은 비추론 데이터는, DeekSeek-V3의 SFT데이터를 차용. 특정 비추론 task는 DeepSeek-V3로 질문에 답하기 전에 chain-of-thought를 생성하도록 함. 이를 통해 200k 개의 비추론 데이터를 모음.&nbsp; 또 다시 RL(human preference)&nbsp;두번째 rl stage. 모델의 helpfulness와 harmlessness를 향상 및 추론 능력 향상. reward signal들의 조합과 다양한 prompt분포로 모델을 학습. 일반 데이터는 복잡하고 늬앙스가 포함된 시나리오에 대해 human preference를 잡아내도록 학습 (기존 deepseek v3의 파이프라인을 재활용) helpfulness는 최종 요약부분에 집중. 유저 요청에 부합하고 유용하면서도 추론 과정이 최대한 방해하지 않도록. harmless 가능한 위험 위해되는 content를 추론과정과 요약 모두 평가하도록.&nbsp; 오픈 소스 모델 distillation&nbsp;sft만 적용. rl로 성능 부스트가 더 기대되긴하지만 적용하지 않음.&nbsp; 최종 성능표&nbsp;(사진6) 여러 모델과 benchmark 비교(사진7) ditilled model benchmark. 대규모 RL을 넣으면 더 향상될 수 있었을지? Unsuccessful Attempts&nbsp;성공한 사례만 있는게 아님. Process Reward Model (PRM), Monte Carlo Tree Search (MCTS) 등 실패한 사례들도 기재.관심있는 분들은 한번 살펴보면 좋을듯.&nbsp; (사진8) Reddit에 올라온 전체 pipeline overview References:https://github.com/deepseek-ai/DeepSeek-R1https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdfhttps://www.reddit.com/r/LocalLLaMA/comments/1i66j4f/deepseekr1_training_pipeline_visualized/?rdt=44947

DeepSeek-R1-Zero/DeepSeek-R1 논문 요약

1
명심했던 경영 십계명 중 하나가 ‘이를 악물고 듣는다’였어요.

2
조직의 리더가 되면 말이 많아집니다.

3
그런데, 리더가 입을 열면 아무도 입을 열지 않아요. 조직의 장이 말하면 모든 게 무너져요.

4
제 머릿속에 있는 빅데이터를 보면, 대부분 첫 마디를 튼 사람이 계속 이야기를 이끌어갑니다.

5
먼저 말을 시작하게 주도권을 주는 것이 가장 중요해요.

6
1초는 부족합니다. 1분은 참아야죠. 침묵을 내가 깨지 않도록 이 악물고 참아야 해요.

#최재천의공부

1 명심했던 경영 십계명 중 하나가 ‘이를 악물고 듣는다’였어요. ​ ​2 조직의 리더가 되면 말이 많아집니다. ​ ​3 그런데, 리더가 입을 열면 아무도 입을 열지 않아요. 조직의 장이 말하면 모든 게 무너져요. ​ ​4 제 머릿속에 있는 빅데이터를 보면, 대부분 첫 마디를 튼 사람이 계속 이야기를 이끌어갑니다. ​ ​5 먼저 말을 시작하게 주도권을 주는 것이 가장 중요해요. ​ ​6 1초는 부족합니다. 1분은 참아야죠. 침묵을 내가 깨지 않도록 이 악물고 참아야 해요. #최재천의공부 ​

< 당신이 리더라면 입 열기 전에 1분만 참으라 >

안녕하세요. 그린입니다 🍏이번 포스팅에서는 Git Config로 완벽하게 다중 계정 환경을 설정하는 방법에 대해 정리해보겠습니다 🙋🏻 예전에 제 포스팅중에 다중 깃헙 계정 연동하기라는걸 작성한적이 있어요!  [Github] 다중 깃헙 계정 연동하기안녕하세요. 그린입니다🍏 이번 포스팅에서는 다중 깃헙 계정을 한 PC에서 연동하는 방법에 대해 포스팅해보겠습니다🙌 개인 깃헙 계정과 회사에서 사용하는 깃헙 계정이 다를 경우 각각 프로green1229.tistory.com 여기서도 config를 이용하여 변경해주는데 핵심은 개인 깃헙 계정과 회사 깃헙 계정이 공존할때 한 PC에서 이 둘에 대해 SSH key를 이용해 각자 환경과 상황에 맞게 적절한 계정으로 작업되도록 설정하는것을 알아봤습니다. 그래서, ..

Git Config로 다중 계정 설정하기

회사와 개인 깃헙 계정이 분리되어 있을때 각자 환경에 맞는 계정으로 알잘딱으로 작업되는 환경 설정을 하면 아주 편리하고 유용합니다 🙋🏻

즉, 다중으로 Github 계정을 가지고 있고 한 PC에서 연동되게 하는 방법에 대해 누구나 쉽게 가이드를 따라할 수 있게 기록해봅니다!

회사와 개인 깃헙 계정이 분리되어 있을때 각자 환경에 맞는 계정으로 알잘딱으로 작업되는 환경 설정을 하면 아주 편리하고 유용합니다 🙋🏻 즉, 다중으로 Github 계정을 가지고 있고 한 PC에서 연동되게 하는 방법에 대해 누구나 쉽게 가이드를 따라할 수 있게 기록해봅니다!

iOYES

Git Config로 다중 깃헙 계정 설정하기

노르웨이가 궁금해! :: 세계에서 가장 살기 좋은 나라인 이유

MySQL

python

typescript

Node.js

PostgreSQL

NCSoft
콩스튜디오-미큐트
블록체인
AI 서비스
디스코드 봇
AWS, GCP, Node.js, PHP, Go, Python
<- Java, Objective-C, Lua 
<- JS, ActionScript 
<- 웹디자인

요약가

플랫폼

콘텐츠

블록체인

방송 / 엔터테인먼트

Google Cloud Platform

Android

- 모든 클라우드 인프라 구축 및 관리
- K-Pop Starpic 모바일 앱 및 서버 개발
- Pixel Colorfil 모바일 앱 및 서버 개발
- Colorfil 서버 개발
- 디스코드 봇 개발
- 블록체인 프로젝트
- CI/CD, 정적 코드 분석(SonarQube)

시니어 백엔드 엔지니어

생산가공공학

원강민

블로그

AWS, GCP, Node.js, PHP, Go, Python<- Java, Objective-C, Lua <- JS, ActionScript <- 웹디자인
NCSoft, 콩스튜디오-미큐트
블록체인, AI, 디스코드 봇
banjubu.tistory.com

노르웨이가 궁금해! :: 세계에서 가장 살기 좋은 나라인 이유

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필