3D 기반 AI 영상 제작 솔루션  올해 상반기 글로벌 시장 도전

AI 영상 스타트업 시나몬, 110억 규모 투자유치 - 매일경제

시나몬은 독보적인 기술력과 사업 확장성을 바탕으로 지난 2022년에 이어 대규모 투자유치에 성공했다. 이번 투자에는 알토스벤처스와 새한창업투자가 참여했다.

시나몬은 AI와 3D 기술을 하이브리드로 활용하는 영상 제작 스타트업이다.

현재 개발하고 있는 신규 솔루션 시네브이는 유저가 입력한 스토리를 기반으로 가상의 3D 공간에서 AI 기술을 통해 영상으로 구현한다. 특히 프롬포트 입력에 따라 다른 결과물을 얻는 생성형 AI 영상 서비스와 달리, 사용자가 배우의 연기와 카메라 연출, 조명, 배경 등을 원하는 대로 편집할 수 있다. 이를 통해 모든 사용자가 영화 감독이자 1인 제작사가 될 수 있는 새로운 형태의 크리에이티브 스튜디오 비즈니스가 성장할 것으로 기대된다.

https://m.mk.co.kr/news/it/11232738

시나몬은 독보적인 기술력과 사업 확장성을 바탕으로 지난 2022년에 이어 대규모 투자유치에 성공했다. 이번 투자에는 알토스벤처스와 새한창업투자가 참여했다. 시나몬은 AI와 3D 기술을 하이브리드로 활용하는 영상 제작 스타트업이다. 현재 개발하고 있는 신규 솔루션 시네브이는 유저가 입력한 스토리를 기반으로 가상의 3D 공간에서 AI 기술을 통해 영상으로 구현한다. 특히 프롬포트 입력에 따라 다른 결과물을 얻는 생성형 AI 영상 서비스와 달리, 사용자가 배우의 연기와 카메라 연출, 조명, 배경 등을 원하는 대로 편집할 수 있다. 이를 통해 모든 사용자가 영화 감독이자 1인 제작사가 될 수 있는 새로운 형태의 크리에이티브 스튜디오 비즈니스가 성장할 것으로 기대된다. https://m.mk.co.kr/news/it/11232738

매일경제

On the heels of Chinese AI firm DeepSeek making a huge splash in OpenAI's American backyard, OpenAI is diving into expanding in Asia, with major

OpenAI doubles down on Asia, partners with Kakao after its big deal with SoftBank | TechCrunch

오픈AI가 한국 포함 아시아 시장에서 광폭 행보를 보이고 있네요. 소프트뱅크와의 30억 달러 합작 투자 회사 딜 이후 카카오와도 전략적인 협력을 진행하겠다고 밝혔습니다. 크게 세 가지 프로젝트를 한다는데요.

1) 오픈AI의 LLM 기반 새로운 한국어 음성 지원 AI 카나나(Kanana)를 개발할 계획이고요.
2) 오픈AI 기술을 카카오톡에 통합할 예정이고요.
3) 카카오도 오픈AI의 고객으로서 내부적으로 직원들 사이에서 ChatGPT Enterprise를 사용할 예정이라고 합니다.

오픈AI에게는 경쟁사 대비 적극적인 시장 확장의 모습을 보여주고 생성형 언어 모델 기술 개선의 기회를 모색하는 협력이 될 것 같네요. 카카오에게는 기술 협력이 잘(만) 이뤄진다면 공유와 학습의 기회가 될 것으로 보이는데, 오픈AI와 비교했을 때 보도 내용만 봐서는 득실이 명확히 보이지는 않습니다.

오픈AI는 카카오 뿐만 아니라 삼성전자 및 SK하이닉스와 맞춤형 칩과 AI 기반 장치에 대해 논의하기도 했네요. 자체적으로 AI 칩을 개발 중이기 때문인 것으로 보입니다.

오픈AI가 한국 포함 아시아 시장에서 광폭 행보를 보이고 있네요. 소프트뱅크와의 30억 달러 합작 투자 회사 딜 이후 카카오와도 전략적인 협력을 진행하겠다고 밝혔습니다. 크게 세 가지 프로젝트를 한다는데요. 1) 오픈AI의 LLM 기반 새로운 한국어 음성 지원 AI 카나나(Kanana)를 개발할 계획이고요. 2) 오픈AI 기술을 카카오톡에 통합할 예정이고요. 3) 카카오도 오픈AI의 고객으로서 내부적으로 직원들 사이에서 ChatGPT Enterprise를 사용할 예정이라고 합니다. 오픈AI에게는 경쟁사 대비 적극적인 시장 확장의 모습을 보여주고 생성형 언어 모델 기술 개선의 기회를 모색하는 협력이 될 것 같네요. 카카오에게는 기술 협력이 잘(만) 이뤄진다면 공유와 학습의 기회가 될 것으로 보이는데, 오픈AI와 비교했을 때 보도 내용만 봐서는 득실이 명확히 보이지는 않습니다. 오픈AI는 카카오 뿐만 아니라 삼성전자 및 SK하이닉스와 맞춤형 칩과 AI 기반 장치에 대해 논의하기도 했네요. 자체적으로 AI 칩을 개발 중이기 때문인 것으로 보입니다.

TechCrunch

▶마켓인사이트 2월 2일 오후 2시 46분 미국 증시에 상장된 국내 시스템 반도체 기업 매그나칩반도체가 새 주인 찾기에 나섰다. 2021년 중국에 매각을 시도했다가 미국 정부에 의해 무산된 지 4년여 만이다. 당시 

[단독] 매그나칩반도체 4년 만에 매각 시동…LX·두산·DB 인수 후보

매그나칩은 경북 구미 공장에서 TV, 스마트폰에 쓰이는 디스플레이구동칩(DDI), 차량용 전력반도체를 주력으로 생산하는 반도체 전문기업이다. 매각 측은 두 사업 중 DDI 사업 부문만 우선 매각하는 방안을 추진하고 있다.

뉴욕증권거래소에서 매그나칩 주가는 2022년 매각 당시 주당 30달러에 달했지만 최근 4달러 수준으로 급락했다. 시총 기준으로 2200억원에 불과하다. 경영권 프리미엄을 감안하면 인수 가격은 3000억~4000억원 수준으로 예상된다.

중국 기업으로의 매각이 사실상 막혀 있어 이번 매각에서도 국내 기업과 PEF를 대상으로 원매자 물색에 나설 것으로 예상된다. 가장 유력한 후보로는 LX그룹이 꼽힌다.

https://n.news.naver.com/article/015/0005088434?sid=101

매그나칩은 경북 구미 공장에서 TV, 스마트폰에 쓰이는 디스플레이구동칩(DDI), 차량용 전력반도체를 주력으로 생산하는 반도체 전문기업이다. 매각 측은 두 사업 중 DDI 사업 부문만 우선 매각하는 방안을 추진하고 있다. 뉴욕증권거래소에서 매그나칩 주가는 2022년 매각 당시 주당 30달러에 달했지만 최근 4달러 수준으로 급락했다. 시총 기준으로 2200억원에 불과하다. 경영권 프리미엄을 감안하면 인수 가격은 3000억~4000억원 수준으로 예상된다. 중국 기업으로의 매각이 사실상 막혀 있어 이번 매각에서도 국내 기업과 PEF를 대상으로 원매자 물색에 나설 것으로 예상된다. 가장 유력한 후보로는 LX그룹이 꼽힌다. https://n.news.naver.com/article/015/0005088434?sid=101

n.news.naver.com

국내 사모펀드(PEF) 운용사 서울프라이빗에쿼티(PE)가 무궁화신탁의 벤처캐피탈(VC) 계열사였던 송현인베스트먼트를 인수하며 투자 업계에서 존재감을 키우고 있다. 이번 거래는 송현인베스트먼트가 매물로 나온 지 약 6개월 만에 성사됐다. 서울PE는 이번 인수를 통해 벤...

[단독]송현인베스트먼트, 다시 팔린다...새 주인에 서울PE

송현인베스트먼트는 2012년 설립된 중견 VC로 그동안 파두, 클로버추얼패션, 쏘카, 대성하이텍, 한국토지신탁, 신영 등 다양한 기업에 투자해왔다. 하지만 최근 몇 년간 투자 환경이 악화하면서 신규 투자 확대가 어려워졌고, 무궁화신탁의 자본금 확충 실패가 겹치면서 경영 불확실성이 커진 상황이었다.

어려운 가운데에도 송현인베스트먼트는 작년 7월 200억원 규모 ‘송현-바로 스마트워터 지역혁신 투자조합’ 펀드를 결성하면서 재도약에 성공했다.

https://www.edaily.co.kr/News/Read?newsId=02833926642043296&mediaCodeNo=257&OutLnkChk=Y

송현인베스트먼트는 2012년 설립된 중견 VC로 그동안 파두, 클로버추얼패션, 쏘카, 대성하이텍, 한국토지신탁, 신영 등 다양한 기업에 투자해왔다. 하지만 최근 몇 년간 투자 환경이 악화하면서 신규 투자 확대가 어려워졌고, 무궁화신탁의 자본금 확충 실패가 겹치면서 경영 불확실성이 커진 상황이었다. 어려운 가운데에도 송현인베스트먼트는 작년 7월 200억원 규모 ‘송현-바로 스마트워터 지역혁신 투자조합’ 펀드를 결성하면서 재도약에 성공했다. https://www.edaily.co.kr/News/Read?newsId=02833926642043296&amp;mediaCodeNo=257&amp;OutLnkChk=Y

이데일리

"지금부터 점심에 낮잠 주무시는 모리모토씨를 깨워보겠습니다." 일어나세요라는 말에 후다닥 일어난 모리모토씨, 일어나자마자 제작진이 준비한 면도 크림에 그대로 얼굴을 파묻게 되는데요. 이 모리모토씨는 현재 75세로 이

"낮잠 자는 분 깨워보겠습니다" 면도 크림을 75세 임원 얼굴에...100만 열풍 '아저씨 틱톡' [일본人사이드]

1. 요즘 일본에서는 ‘오지상 틱톡(아저씨 틱톡) 채널’이 장안의 화제다. 오지상 틱톡 채널에는 효고현 아카시시 산요공업의 이사인 ‘60세 코스기 요시아키 씨’와 고문인 ‘75세 모리모토 켄지 씨’가 출연한다.

2. 이들은 기업의 임원이라는 권위를 깨고 틱톡에 데뷔해 앞구르기 대결, 아이큐 대결 등을 펼치고 있다.

3. 채널을 운영하는 산요공업은 1980년에 설립된 중견 기업이다. 산요공업은 전국 12곳의 자사 공장을 갖고 있는데, 이곳에서는 가와사키 오토바이에 들어가는 부품을 만든다. 현재 2000명 이상의 사원을 거느리고 있는 꽤 덩치가 큰 기업.

4. 산요공업은 “성실하게 일하는 사람이 보상받는 세계를 만든다”를 목표로 사원 수 8만 명 달성을 목표로 하고 있다.

5. (이를 위해) 산요공업은 제조업을 기반으로 성장한 기업임에도 불구하고, 소셜 미디어에 큰 공을 들이고 있다. 유튜브 구독자 수도 1만 4000명, 틱톡 팔로워는 6만 5000명이 넘는다. 조회수 100만을 기록한 영상도 12개가 넘는다.

6. (산요공업이) 틱톡을 시작한 계기는, 이사인 코스기 씨의 제안 덕분이라고. 원래 인스타그램과 X(옛 트위터)로 산요공업은 홍보를 계속하고 있었는데, 어느날 코스기 씨가 홍보실에 갑자기 들어와 "나 틱톡 해보고 싶은데"라고 소리친 것이 시초라고. 젊은 사람들이 더 친숙하다고 느끼도록 회사가 (먼저) 다가가야 한다고 생각했기 때문.

7. 그렇게 두 사람이 출연하는 '오지상 틱톡'이 탄생했다. 이들의 영상은 격의없는 분위기에서 촬영되고, 인재전략부장, 총무과장, 사내 고문 셋이 모여 스마트폰으로 앞구르기 대결을 하거나, 홍보팀에게 깜짝카메라로 난데없이 얼굴에 생크림을 맞기도 한다. 회사에 공룡이 나타난 상황을 가정하고 아저씨들이 대피하는 영상은 무려 조회수 310만 회를 넘기도 했다.

8. 이렇게 화제가 되자 이제는 틱톡 라이브 방송에도 도전해 시청자들과 원격 회식을 개최하기도 하고, 실시간으로 질문을 받고 답을 해주는 방송도 진행하고 있다.

9. 실제로 홍보효과는 엄청나다고. 신규 채용 온라인 설명회 참가자 중 대다수가 틱톡을 이미 보고 있었다고 답했고, 지원자들은 '이런 기업이라면 시대의 흐름에도 얼마든지 대응할 수 있는 유연한 곳이겠구나'라는 인상을 받았다고.

1. 요즘 일본에서는 ‘오지상 틱톡(아저씨 틱톡) 채널’이 장안의 화제다. 오지상 틱톡 채널에는 효고현 아카시시 산요공업의 이사인 ‘60세 코스기 요시아키 씨’와 고문인 ‘75세 모리모토 켄지 씨’가 출연한다. 2. 이들은 기업의 임원이라는 권위를 깨고 틱톡에 데뷔해 앞구르기 대결, 아이큐 대결 등을 펼치고 있다. 3. 채널을 운영하는 산요공업은 1980년에 설립된 중견 기업이다. 산요공업은 전국 12곳의 자사 공장을 갖고 있는데, 이곳에서는 가와사키 오토바이에 들어가는 부품을 만든다. 현재 2000명 이상의 사원을 거느리고 있는 꽤 덩치가 큰 기업. 4. 산요공업은 “성실하게 일하는 사람이 보상받는 세계를 만든다”를 목표로 사원 수 8만 명 달성을 목표로 하고 있다. 5. (이를 위해) 산요공업은 제조업을 기반으로 성장한 기업임에도 불구하고, 소셜 미디어에 큰 공을 들이고 있다. 유튜브 구독자 수도 1만 4000명, 틱톡 팔로워는 6만 5000명이 넘는다. 조회수 100만을 기록한 영상도 12개가 넘는다. 6. (산요공업이) 틱톡을 시작한 계기는, 이사인 코스기 씨의 제안 덕분이라고. 원래 인스타그램과 X(옛 트위터)로 산요공업은 홍보를 계속하고 있었는데, 어느날 코스기 씨가 홍보실에 갑자기 들어와 "나 틱톡 해보고 싶은데"라고 소리친 것이 시초라고. 젊은 사람들이 더 친숙하다고 느끼도록 회사가 (먼저) 다가가야 한다고 생각했기 때문. 7. 그렇게 두 사람이 출연하는 '오지상 틱톡'이 탄생했다. 이들의 영상은 격의없는 분위기에서 촬영되고, 인재전략부장, 총무과장, 사내 고문 셋이 모여 스마트폰으로 앞구르기 대결을 하거나, 홍보팀에게 깜짝카메라로 난데없이 얼굴에 생크림을 맞기도 한다. 회사에 공룡이 나타난 상황을 가정하고 아저씨들이 대피하는 영상은 무려 조회수 310만 회를 넘기도 했다. 8. 이렇게 화제가 되자 이제는 틱톡 라이브 방송에도 도전해 시청자들과 원격 회식을 개최하기도 하고, 실시간으로 질문을 받고 답을 해주는 방송도 진행하고 있다. 9. 실제로 홍보효과는 엄청나다고. 신규 채용 온라인 설명회 참가자 중 대다수가 틱톡을 이미 보고 있었다고 답했고, 지원자들은 '이런 기업이라면 시대의 흐름에도 얼마든지 대응할 수 있는 유연한 곳이겠구나'라는 인상을 받았다고.

숏폼은 시니어들에게 오지가 아니라, 기회의 땅입니다

국제 > 국제일반 뉴스: 챗GPT 개발사 오픈AI의 샘 올트먼 최고경영자(CEO·사진)가 인공지능(AI) 전용 단말기 개발에 나서겠다고 밝혔다. AI가 IT...

오픈AI 올트먼 'AI 전용 단말기 개발에…음성조작이 핵심'

애플이 스마트폰을 손가락으로 터치하는 조작법을 통해 유저 인터페이스(UI)를 바꿨다면, AI 단말기에선 음성 조작으로 최적의 UI를 창출하는 것을 목표

http://www.sedaily.com/NewsView/2GOTPPDLR0?OutLink=telegram

애플이 스마트폰을 손가락으로 터치하는 조작법을 통해 유저 인터페이스(UI)를 바꿨다면, AI 단말기에선 음성 조작으로 최적의 UI를 창출하는 것을 목표 http://www.sedaily.com/NewsView/2GOTPPDLR0?OutLink=telegram

서울경제

[이 기사에 나온 스타트업에 대한 보다 다양한 기업정보는 유니콘팩토리 빅데이터 플랫폼 '데이터랩'에서 볼 수 있습니다.] 이커머스 셀러를 위한 선정산 플랫폼 올라핀테크가 120억원 규모의 시리즈B 투자 유치를 마무리했다고 24일 밝혔다. 시리즈B 라운드는 지난해 11월 KB국민카드가 90억원을 투자한 데 이어 최근 싱가포르 VC(벤처캐피탈)인 알타라벤처...

올라핀테크, 120억 시리즈B 투자유치...KB카드 2대주주 등극 - 머니투데이

시리즈B 라운드는 지난해 11월 KB국민카드가 90억원을 투자한 데 이어 최근 싱가포르 VC(벤처캐피탈)인 알타라벤처스와 베트남 VC인 두벤처스가 30억원을 추가 투자하면서 마무리됐다. 누적 투자유치액은 165억원이다.

이번 투자로 KB국민카드는 올라핀테크의 2대 주주로 올라섰다.

https://news.mt.co.kr/mtview.php?no=2025012410331231995

시리즈B 라운드는 지난해 11월 KB국민카드가 90억원을 투자한 데 이어 최근 싱가포르 VC(벤처캐피탈)인 알타라벤처스와 베트남 VC인 두벤처스가 30억원을 추가 투자하면서 마무리됐다. 누적 투자유치액은 165억원이다. 이번 투자로 KB국민카드는 올라핀테크의 2대 주주로 올라섰다. https://news.mt.co.kr/mtview.php?no=2025012410331231995

머니투데이

CRM이 우리의 일상으로 스며들고 있는 이유 | 저는 러닝을 할 때면 꼭 나이키 런 클럽을 실행합니다. 매번 기록을 확인하고, 전보다 조금씩 나아지는 걸 보는 재미가 쏠쏠하기 때문인데요. 이 앱은 이름에서 알 수 있듯, 나이키가 만들고 서비스하지만, 정작 여기에서 운동화를 살 수는 없습니다. 판매를 목적으로 만든 것도 아닌데, 제공하는 내용은 놀랍도록 알찹니다. 기록 측정은 물론, 상세한 코칭까지 제공하

06화 요즘 마케팅, 왜 자꾸 나에게 귀찮게 구는 걸까요?

브랜드의 철학을 더 널리 전파하고, 함께할 사람들을 모으기 위함입니다

[아티클 3문장 요약📑]

1️⃣ 하루라도 더 러닝을 하게 만드는 나이키 런 클럽, 글을 쓰고 읽고 반응하도록 권하는 뉴닉 오렌지 챌린지 등의 공통점은, 우리 삶에 때론 귀찮을 정도로 개입을 하지만 무언가 구매를 요구하기 보다는 특정 행동을 요구하고 있다는 겁니다.

2️⃣ 이처럼 고객의 특정 행동을 요구하는 대신 리워드를 제공하는 건 CRM의 기본적인 방법론이었지만, 과거에는 재구매, 재방문 유도에 그쳤다면 근래에는 고객의 행동에 대한 데이터와 이해를 바탕으로 요구하는 것이 정교해 지고 있습니다.

3️⃣ 그리고 더 나아가 아예 구매 전환과 관련 없는 행동을 요구하기도 하는데, 이는 자신들이 가진 브랜드 미션을 전파하기 위함으로, 철학과 가치에 대한 공감을 얻으면 지속 가능한 브랜드로 거듭날 수 있기 때문입니다.

💡기묘한 관점➕
과거 브랜드의 역할이 신뢰와 안전성에 초점이 맞춰져 있었다면, 이제는 철학과 가치에 공감하는 이들을 찾는 걸로 바뀌었습니다. 그래서 매장을 넘어 일상까지 개입하는 일들이 늘어나고 있는데요. 더 시간이 흐르면 앞으로는 자신들과 함께하는 팬덤 혹은 동료를 모은 브랜드들 만이 살아남는 시대가 올지도 모르겠습니다.

📝커머스리터러시 구독하기
https://bit.ly/4hfRMPc

브랜드의 철학을 더 널리 전파하고, 함께할 사람들을 모으기 위함입니다 [아티클 3문장 요약📑] 1️⃣ 하루라도 더 러닝을 하게 만드는 나이키 런 클럽, 글을 쓰고 읽고 반응하도록 권하는 뉴닉 오렌지 챌린지 등의 공통점은, 우리 삶에 때론 귀찮을 정도로 개입을 하지만 무언가 구매를 요구하기 보다는 특정 행동을 요구하고 있다는 겁니다. 2️⃣ 이처럼 고객의 특정 행동을 요구하는 대신 리워드를 제공하는 건 CRM의 기본적인 방법론이었지만, 과거에는 재구매, 재방문 유도에 그쳤다면 근래에는 고객의 행동에 대한 데이터와 이해를 바탕으로 요구하는 것이 정교해 지고 있습니다. 3️⃣ 그리고 더 나아가 아예 구매 전환과 관련 없는 행동을 요구하기도 하는데, 이는 자신들이 가진 브랜드 미션을 전파하기 위함으로, 철학과 가치에 대한 공감을 얻으면 지속 가능한 브랜드로 거듭날 수 있기 때문입니다. 💡기묘한 관점➕과거 브랜드의 역할이 신뢰와 안전성에 초점이 맞춰져 있었다면, 이제는 철학과 가치에 공감하는 이들을 찾는 걸로 바뀌었습니다. 그래서 매장을 넘어 일상까지 개입하는 일들이 늘어나고 있는데요. 더 시간이 흐르면 앞으로는 자신들과 함께하는 팬덤 혹은 동료를 모은 브랜드들 만이 살아남는 시대가 올지도 모르겠습니다. 📝커머스리터러시 구독하기https://bit.ly/4hfRMPc

Brunch Story

🪧요즘 마케팅 활동이 우리의 일상으로 스며들고 있는 이유

커뮤니케이터의 일 | 첫 단추는 중요하다. 특히 커리어의 시작은 더더욱. 내 사회생활의 시작은 PR 에이전시(agency)였다. 그곳은 참 고되어 모두가 선망하는 출발점은 아니었지만, 나는 언제나 PR업을 에이전시에서 시작한 것을 자랑스럽게 여겼다. PR의 A to Z를 차근차근 배웠을뿐더러, (당시에는 사실 잘 몰랐지만) 일을 하다 보니 무기가 되는 경험들을 많이 했기 때문이

좋은 클라이언트에게 배운 외주사와의 소통 원칙

저는 사회생활을 에이전시에서 시작했습니다. 덕분에 외주사의 입장에서도 일을 해보았는데요. 정말 다양한 클라이언트의 PR을 대행하면서, 나쁜 클라이언트와 좋은 클라이언트에 대한 저 나름의 기준이 생겼습니다.

기업 홍보실로 들어온 후, 외주사와 협력할 때마다 당시 좋은 클라이언트들의 공통점을 떠올립니다. 더도 말고 덜도 말고 최소한 그 원칙들만은 지키며 일하자고 다짐하죠. 외주업체와 소통할 때 지키고 있는 사소하지만 중요한 원칙들에 대한 이야기를 공유합니다.

 * 존중의 언어와 태도, 그게 시작이고 끝이다.  
 * 쿠션어로 두 번 일하게 하지 말자.
 * 최소한의 기초 지식은 필요하다.   
 * 레퍼런스는 동상이몽을 방지한다.  
 * "저도 같이 고민해 보겠습니다."

저는 사회생활을 에이전시에서 시작했습니다. 덕분에 외주사의 입장에서도 일을 해보았는데요. 정말 다양한 클라이언트의 PR을 대행하면서, 나쁜 클라이언트와 좋은 클라이언트에 대한 저 나름의 기준이 생겼습니다. 기업 홍보실로 들어온 후, 외주사와 협력할 때마다 당시 좋은 클라이언트들의 공통점을 떠올립니다. 더도 말고 덜도 말고 최소한 그 원칙들만은 지키며 일하자고 다짐하죠. 외주업체와 소통할 때 지키고 있는 사소하지만 중요한 원칙들에 대한 이야기를 공유합니다. <ul ><li>존중의 언어와 태도, 그게 시작이고 끝이다. &nbsp;</li><li>쿠션어로 두 번 일하게 하지 말자.</li><li>최소한의 기초 지식은 필요하다. &nbsp;&nbsp;</li><li>레퍼런스는 동상이몽을 방지한다. &nbsp;</li><li>"저도 같이 고민해 보겠습니다." &nbsp;</li></ul>

외주업체와 많이 일하시나요?

쿠션어가 때로는 정확한 소통을 방해한다는 것에 공감합니다. 빙 돌려서 얘기하는 분들 만나면 해석하려고 괜한 에너지를 쓰게 되더라고요🥲 회사 내부 커뮤니케이션에서도 마찬가지인 것 같아요.

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》

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

60년 독재정권 시리아, 지진에도 외면 받는 이유ㅣ시리아 내전ㅣ반군지 국경 논란ㅣ아사드 독재정권

시리아, 쿠바, 북한, 이란... 이 국가들을 보면 생각나는 게 있으신가요?
바로 미국이 정한 테러지원국입니다. 

이러한 국제사회의 관계성이 튀르키예와 시리아를 할퀴고 간 대지진에도 영향을 주었습니다. 튀르키예는 70여개국의 지원을 받고 있지만, 시리아는 도움의 손길을 거의 받지 못하고 있는데요, 시리아는 서방국들의 제재를 받고 있기 때문이죠. 
(시리아의 우방국으로는 러시아, 북한, 이란이 있어요.)

게다가 지진 피해를 입은 북서부 지역은 반군의 점령지이기도 합니다. 시리아 내전으로 인해 매일 지도가 바뀌는 나라이기도 해요.
(이 사이트에서 시리아의 지도 상황을 확인할 수 있어요 
👉https://syria.liveuamap.com/) 

오늘 듣똑라에서는 복잡한 시리아의 속사정과 딜레마에 빠진 국제사회의 상황을 짚어봤습니다.

www.youtube.com

'북한 친구' 시리아 도울까 말까, 딜레마 빠진 국가들

제작

듣똑라

듣똑라 인스타그램

듣똑라 트위터

애플 팟캐스트에서 듣똑라 듣기

팟빵에서 듣똑라 듣기

네이버 오디오클립에서 듣똑라 듣기

유튜브에서 듣똑라 영상 보기

Make You Smarter & Better
듣똑라는 MZ 세대의 뉴스, 트렌드, 워크, 라이프스타일에 주목합니다. 실무에 필요한 소식과 트렌드는 듣똑라에서 파악하세요!

'북한 친구' 시리아 도울까 말까, 딜레마 빠진 국가들

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필