아래는 2024년 7월, 그러니까 약 6개월 정도 전 DeepSeek-V2가 나오며 중국 시장을 놀라게 했을 당시 창업자 량원평 인터뷰입니다. 최근 V3가 공개된 이후 미국 트럼프 대통령, 머스크 등 주요 인사의 코멘터리는 물론이고 미국과 한국 빅테크, 반도체 제조업체 주에 미친 영향은 대단했습니다. 6개월 전에는 실리콘밸리에서 "동방의 신비한 힘"이라는 별명에 그쳤지만, 이제 동방에서 서방까지 영향을 미치는 셈인데요. 의도와 상관없이 DeepSeek가 쏘아 올린 공은 2025년 초, 업계에 생각보다 더 큰 진폭을 만들고 있습니다. 저는 이 회사를 만든 창업자인 량원평에 대해 호기심이 생겼고 인터뷰를 찾던 중 잘 정리한 글이 있어 몇 가지를 밑줄 치며 읽었습니다. 번역체가 매끄럽지 않아 메시지를 유지하는 선에서 일부 단어를 재구성했습니다.

[ 큐레이터의 문장 🎒 ]

1️⃣ DeepSeek V2 모델이 6개월 정도 전에 출시된 이후, 대형 모델 가격전쟁을 촉발했습니다. 업계에서는 여러분들이 메기 같은 존재라고 평가하기도 합니다. 이런 결과가 여러분에게도 의외였나요?

우리가 의도적으로 메기가 되려고 한 것은 아니고, 그저 우연히 메기가 되어 버렸다고 봐야 할 것 같습니다. 가격에 이렇게 모두 민감하게 반응할 것이라고 생각하지 못했거든요. 우리는 그저 우리의 페이스대로 일을 하고, 그다음에 원가를 계산해서 가격을 책정했습니다. 원칙은 적자를 보지 않아야 하지만, 폭리도 취하지 않는다는 것입니다. 원가에 약간의 이익을 더했을 뿐입니다.

2️⃣ 외부에서는 아무래도 가격인하가 마치 사용자를 뺏으려는 것처럼 보이는 것 같은데요. 인터넷 시대의 가격전쟁이 보통 그런 결과로 이어졌으니까요.

사용자를 빼앗는 것은 우리의 주요 목적이 아닙니다. 우리가 가격을 낮춘 것은 한편으로는 차세대 모델 구조를 탐색하는 과정에서 원가가 먼저 낮아졌기 때문입니다. 다른 한편으로는 API이든 AI이든 모두가 혜택을 받고 누구나 사용할 수 있는 것이 되어야 한다고 생각했기 때문입니다.

3️⃣ 이전에는 대부분의 중국 기업들이 현존하는 Llama 구조를 활용해서 응용 프로그램을 만들었습니다. 왜 DeepSeek는 모델 구조에서부터 시작하셨나요?

우리의 목표가 응용 프로그램을 만드는 것이라면, Llama 구조를 따라 빠르게 제품을 출시하는 것도 합리적인 선택이겠죠. 하지만 우리의 목적은 AGI이고, 이는 우리가 새로운 모델 구조를 연구하여 제한된 자원으로 더 강력한 모델 능력을 실현해야 한다는 것을 의미합니다. 더 큰 모델로 나아가기 위해 필요한 기초 연구 중 하나라고 생각했습니다. 모델 구조 이외에도 데이터를 어떻게 구성할지, 어떻게 모델을 더 인간답게 만들지 등 다른 연구에도 매진했습니다. 이게 DeepSeek에 반영되어 있습니다.

4️⃣ 대부분의 중국기업들이 모델과 응용 프로그램을 모두 개발하고 있는데, 왜 DeepSeek는 현재 연구, 탐색만 하는 건가요?

지금 가장 중요한 건 글로벌 혁신의 물결에 참여하는 것입니다. 과거 많은 기간 동안 중국 기업들은 다른 사람들이 기술혁신을 하고, 그걸 가져다가 응용해 수익을 내는 것에 익숙해졌습니다. 그런데 이게 당연한 것은 아니라고 생각합니다. 이번 물결에서 우리의 출발점은 돈을 버는 것이 아니라, 기술의 최전선까지 나아가서 전체 생태계 발전을 추진하는 것입니다.

5️⃣ 왜 DeepSeek V2가 실리콘밸리의 많은 사람들을 놀라게 했을까요?

만약 이 변화가 미국에서 일어났다면, (미국에서는) 매일 일어나는 수많은 혁신 중 하나라 평범하게 생각했을 겁니다. 많은 사람들이 놀랐다면 그들이 놀란 이유는 이것이 중국 기업이 혁신 기여자로서 그들의 게임에 참여했기 때문입니다. 결국 대부분의 중국 기업들은 혁신 대신 패스트 팔로우 전략에 익숙해져 있으니까요. 우리의 혁신에 부족한 것은 자본이 아니라, 자신감의 부족과 고밀도의 인재들을 조직해 효과적인 혁신을 실현하는 방법을 모르는 것이었다고 생각합니다.

아래는 2024년 7월, 그러니까 약 6개월 정도 전 DeepSeek-V2가 나오며 중국 시장을 놀라게 했을 당시 창업자 량원평 인터뷰입니다. 최근 V3가 공개된 이후 미국 트럼프 대통령, 머스크 등 주요 인사의 코멘터리는 물론이고 미국과 한국 빅테크, 반도체 제조업체 주에 미친 영향은 대단했습니다. 6개월 전에는 실리콘밸리에서 "동방의 신비한 힘"이라는 별명에 그쳤지만, 이제 동방에서 서방까지 영향을 미치는 셈인데요. 의도와 상관없이 DeepSeek가 쏘아 올린 공은 2025년 초, 업계에 생각보다 더 큰 진폭을 만들고 있습니다. 저는 이 회사를 만든 창업자인 량원평에 대해 호기심이 생겼고 인터뷰를 찾던 중 잘 정리한 글이 있어 몇 가지를 밑줄 치며 읽었습니다. 번역체가 매끄럽지 않아 메시지를 유지하는 선에서 일부 단어를 재구성했습니다. [ 큐레이터의 문장 🎒 ] 1️⃣ DeepSeek V2 모델이 6개월 정도 전에 출시된 이후, 대형 모델 가격전쟁을 촉발했습니다. 업계에서는 여러분들이 메기 같은 존재라고 평가하기도 합니다. 이런 결과가 여러분에게도 의외였나요? 우리가 의도적으로 메기가 되려고 한 것은 아니고, 그저 우연히 메기가 되어 버렸다고 봐야 할 것 같습니다. 가격에 이렇게 모두 민감하게 반응할 것이라고 생각하지 못했거든요. 우리는 그저 우리의 페이스대로 일을 하고, 그다음에 원가를 계산해서 가격을 책정했습니다. 원칙은 적자를 보지 않아야 하지만, 폭리도 취하지 않는다는 것입니다. 원가에 약간의 이익을 더했을 뿐입니다. 2️⃣ 외부에서는 아무래도 가격인하가 마치 사용자를 뺏으려는 것처럼 보이는 것 같은데요. 인터넷 시대의 가격전쟁이 보통 그런 결과로 이어졌으니까요. 사용자를 빼앗는 것은 우리의 주요 목적이 아닙니다. 우리가 가격을 낮춘 것은 한편으로는 차세대 모델 구조를 탐색하는 과정에서 원가가 먼저 낮아졌기 때문입니다. 다른 한편으로는 API이든 AI이든 모두가 혜택을 받고 누구나 사용할 수 있는 것이 되어야 한다고 생각했기 때문입니다. 3️⃣ 이전에는 대부분의 중국 기업들이 현존하는 Llama 구조를 활용해서 응용 프로그램을 만들었습니다. 왜 DeepSeek는 모델 구조에서부터 시작하셨나요? 우리의 목표가 응용 프로그램을 만드는 것이라면, Llama 구조를 따라 빠르게 제품을 출시하는 것도 합리적인 선택이겠죠. 하지만 우리의 목적은 AGI이고, 이는 우리가 새로운 모델 구조를 연구하여 제한된 자원으로 더 강력한 모델 능력을 실현해야 한다는 것을 의미합니다. 더 큰 모델로 나아가기 위해 필요한 기초 연구 중 하나라고 생각했습니다. 모델 구조 이외에도 데이터를 어떻게 구성할지, 어떻게 모델을 더 인간답게 만들지 등 다른 연구에도 매진했습니다. 이게 DeepSeek에 반영되어 있습니다. 4️⃣ 대부분의 중국기업들이 모델과 응용 프로그램을 모두 개발하고 있는데, 왜 DeepSeek는 현재 연구, 탐색만 하는 건가요? 지금 가장 중요한 건 글로벌 혁신의 물결에 참여하는 것입니다. 과거 많은 기간 동안 중국 기업들은 다른 사람들이 기술혁신을 하고, 그걸 가져다가 응용해 수익을 내는 것에 익숙해졌습니다. 그런데 이게 당연한 것은 아니라고 생각합니다. 이번 물결에서 우리의 출발점은 돈을 버는 것이 아니라, 기술의 최전선까지 나아가서 전체 생태계 발전을 추진하는 것입니다. 5️⃣ 왜 DeepSeek V2가 실리콘밸리의 많은 사람들을 놀라게 했을까요? 만약 이 변화가 미국에서 일어났다면, (미국에서는) 매일 일어나는 수많은 혁신 중 하나라 평범하게 생각했을 겁니다. 많은 사람들이 놀랐다면 그들이 놀란 이유는 이것이 중국 기업이 혁신 기여자로서 그들의 게임에 참여했기 때문입니다. 결국 대부분의 중국 기업들은 혁신 대신 패스트 팔로우 전략에 익숙해져 있으니까요. 우리의 혁신에 부족한 것은 자본이 아니라, 자신감의 부족과 고밀도의 인재들을 조직해 효과적인 혁신을 실현하는 방법을 모르는 것이었다고 생각합니다.

《DeepSeek 창업자, 85년생 량원평 인터뷰》

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》

[헤럴드경제=정석준 기자] “TASTE THE FUN(재미를 맛보다).” 고객에게 맛과 재미를 동시에 주기 위해 롯데리아가 내건 슬로건입니다. 10년 전 롯데리아는 매장 앞에 2.2m 크기의 태권V를 설치했습니다. 궁금증에 입소문은 빠르게 펴졌다고 합니다. 이런 재미 요소는 최근까지 이어지고 있습니다. 롯데리아를 찾은 손님이 햄버거 대신 “포켓몬 키링 남았나요?”라고 묻는 것도 이제 어색한 모습이 아니죠. 매장 방문을 유도하기 위한 전략만은 아닙니다. 소장 가치를 통해 브랜드를 알리고, 추억을 선물하려는 노력이죠. 롯데리아는 왜 이렇게 ‘재미’에 집착했을까요? 14개 관절이 제각각, 롯데리아 ‘태권V’ 롯데리아의 굿즈 중에서 파격적인 제품은 ‘태권V’였습니다. 첫 등장은 2015년이었습니다. 당시 제품은 태권 당수를 날리거나 발차기를 하는 등 고정된 자세였습니다. 2년 뒤에 등장한 제품은 크기가 3배 이상 커졌습니다. 만화의 비율을 그대로 구현했지만, 여전히 자세 변화가 되지 않아

롯데리아는 왜 ‘태권V’를 팔았을까 [언박싱]

재미라는 가치를 더해 브랜드를 알리고 있습니다

[아티클 3문장 요약📑]

1️⃣ 롯데리아는 이미 10년 전에 매장 앞에 2.2m 크기의 태권V를 설치하는 등, 재미 요소를 더하는 시도를 꾸준히 해오고 있는데, 단지 매장 방문을 유도하는 것을 넘어서 정말 '재미'에 진심인 모습을 보이고 있습니다.

2️⃣ 10년이 지나도 여전히 중고 시장에서 활약 중인 태권V 피규어부터, 오픈런까지 불러온 포켓몬까지 다양한 굿즈를 선보이는 건 물론이고, 본업인 햄버거에도 재미 요소를 넣어서 '왕돈까스 버거' 같은 도전적인 메뉴를 선보이기도 합니다.

3️⃣ 그러면서 롯데리아가 전체 매출의 7~80%를 차지한다는 롯데GRS의 실적은 반등 중으로, 7년 만의 1조 원 클럽 입성을 바라보고 있다고 하니, 펀슈머 트렌드를 제대로 활용한 사례라고 볼 수 있겠네요.

💡기묘한 관점➕
펀슈머, 얼핏 보기엔 쉬워 보이지만 제대로 하지 않으면 소비자들의 외면을 받기 쉽습니다. 롯데리아 역시 단순히 끼워팔기 목적이 아니라 정말 제대로 된 굿즈를 만들겠다는 정성을 들였기에 호응을 얻을 수 있었고요. 또한 햄버거라는 상품 자체가 재미라는 요소와 매우 잘 어울렸다는 점도 성공 요소로 보입니다. 앞으로도 롯데리아가 또 어떤 재미난 시도를 할지 기대가 되네요.

🥤트렌드라이트 구독하기
https://bit.ly/3iSbx4e

재미라는 가치를 더해 브랜드를 알리고 있습니다 [아티클 3문장 요약📑] 1️⃣ 롯데리아는 이미 10년 전에 매장 앞에 2.2m 크기의 태권V를 설치하는 등, 재미 요소를 더하는 시도를 꾸준히 해오고 있는데, 단지 매장 방문을 유도하는 것을 넘어서 정말 '재미'에 진심인 모습을 보이고 있습니다. 2️⃣ 10년이 지나도 여전히 중고 시장에서 활약 중인 태권V 피규어부터, 오픈런까지 불러온 포켓몬까지 다양한 굿즈를 선보이는 건 물론이고, 본업인 햄버거에도 재미 요소를 넣어서 '왕돈까스 버거' 같은 도전적인 메뉴를 선보이기도 합니다. 3️⃣ 그러면서 롯데리아가 전체 매출의 7~80%를 차지한다는 롯데GRS의 실적은 반등 중으로, 7년 만의 1조 원 클럽 입성을 바라보고 있다고 하니, 펀슈머 트렌드를 제대로 활용한 사례라고 볼 수 있겠네요. 💡기묘한 관점➕펀슈머, 얼핏 보기엔 쉬워 보이지만 제대로 하지 않으면 소비자들의 외면을 받기 쉽습니다. 롯데리아 역시 단순히 끼워팔기 목적이 아니라 정말 제대로 된 굿즈를 만들겠다는 정성을 들였기에 호응을 얻을 수 있었고요. 또한 햄버거라는 상품 자체가 재미라는 요소와 매우 잘 어울렸다는 점도 성공 요소로 보입니다. 앞으로도 롯데리아가 또 어떤 재미난 시도를 할지 기대가 되네요. 🥤트렌드라이트 구독하기https://bit.ly/3iSbx4e

헤럴드경제

🍔롯데리아는 왜 '태권V'를 팔았냐면요

[서울=뉴시스]권안나 기자 = 수면·기상 솔루션 '알라미' 운영사 딜라이트룸이 지난해 매출 337억, 영업이익 190억원을 기록했다고 17일 밝혔다. 딜라이트룸은 켄타우로스형 기업으로 정평이 나 있다. 투자를 받지 않고 고속 성장을 거둔 스타트업을 반인반수 켄타우로스에 비유한 개념이다. 스타트업 투자 한파가 불어닥친 후 새롭게 등장한 유망 기업에 대한 기준..

수면시장 성장에…딜라이트룸, 작년 영업익 190억 달성

딜라이트룸이 2024년 매출 337억, 영업이익 190억원을 달성했습니다. 2024년 말 기준 딜라이트룸 조직 규모는 34명인데요. 작년 기준 인당 매출 10억원을 기록했고, 여전히 빠르게 성장하고 있습니다.

숫자로 드러나는 "탄탄하고 빠른 성장"을 함께하실 분들을 찾고 있어요. 개발, PO, 마케팅 등 다양한 직군 채용이 오픈되어 있으니, 많은 분들의 관심 부탁드려요!
(team.alar.my 로 오시면 됩니다!)

https://www.newsis.com/view/NISX20250117_0003035967

딜라이트룸이 2024년 매출 337억, 영업이익 190억원을 달성했습니다. 2024년 말 기준 딜라이트룸 조직 규모는 34명인데요. 작년 기준 인당 매출 10억원을 기록했고, 여전히 빠르게 성장하고 있습니다. 숫자로 드러나는 "탄탄하고 빠른 성장"을 함께하실 분들을 찾고 있어요. 개발, PO, 마케팅 등 다양한 직군 채용이 오픈되어 있으니, 많은 분들의 관심 부탁드려요! (team.alar.my 로 오시면 됩니다!) https://www.newsis.com/view/NISX20250117_0003035967

뉴시스

[모처럼 회사 자랑... 그리고 채용 홍보]

승화 님, 안녕하세요! 알라미 잘 사용하고 있는데 놀라운 성과를 보니 더 애정을 갖고 이용할 것 같습니다. 좋은 성과 축하드립니다!

Noticias de última hora sobre economía, mercados, pymes y emprendedores, empresas, finanzas y tecnología en Cinco Días y EL PAÍS Economía.

Cinco Días: economía y mercados

최근 중국에서 개발 및 오픈소스로 공유되고 있는 DeepSeek AI는 최근 기술 커뮤니티에서 큰 주목을 받고 있습니다. 기존의 다른 AI기업들의 규모의 경제에 일침(?)을 가하는 저비용대비 고성능의 AI서비스를 제공하면서 기존 기업뿐만 아니라 미국 주식과 경제 시장에도 큰 반향을 일으키고 있는것이 사실입니다. 그런데, DeepSeek을 보다 더 심층적으로 분석하고 들면서, 여러 우려사항들과 이슈가 제기되고 있는것이 또한 사실입니다.

이슈
 * 딥시크의 자체 개인정보 보호정책: 딥시크는 AI 모델 학습을 목적으로 사용자의 키 입력, 텍스트 및 오디오 입력, 업로드된 파일, 피드백, 채팅 기록 및 기타 콘텐츠를 수집하며 재량에 따라 해당 정보를 법 집행 기관 및 공공 기관과 공유할 수 있으며, 데이터는 중국에 저장!!

1. 데이터 프라이버시 및 보안 문제
 * 이탈리아: 데이터 보호 기관이 DeepSeek의 데이터 수집 및 저장 방식에 대한 정보가 불충분하다며 접근 차단 (출처: AP News)
 * 대만: 정부 부처에 DeepSeek 사용을 금지하도록 권고했으며, 이는 국가 간 데이터 전송 및 정보 유출 가능성 (출처: Reuters)
 * 호주: 정부 관계자들이 데이터 프라이버시 문제를 지적하며 사용자들에게 신중한 접근 촉구 (출처: BBC)
   
   
2. 윤리적 및 규제적 문제
 * 유럽연합(EU): 사용자의 프라이버시, 건강, 안전을 침해하는 AI 시스템을 2025년 2월 2일까지 폐지할 것을 명령했으며, 이를 준수하지 않을 경우 막대한 벌금 부가 가능성 (출처: cincodias.elpais.com)
 * DeepSeek의 등장은 AI 기술의 윤리적 사용과 관련한 논의를 심화시키고 있으며, 데이터 프라이버시 및 사용자 조작 문제가 주요 쟁점으로 부상

3. 기업들의 사용 제한 및 시장 영향
 * 글로벌 기업: 출시 후 며칠 만에 전 세계 수백 개의 기업 및 정부 기관이 직원들의 DeepSeek 접근 제한 (출처: Bloomberg)
   * 영국 정보 위원회는 성명에서 생성형 AI 개발자는 개인 데이터를 어떻게 사용하는지 투명하게 공개해야 하며, 규제 기대치를 무시할 때마다 조치를 취할 것이라 선언
   * 미국 관리들과 싱크탱크들은 중국 국가보안법을 통해 중국 정부가 중국에서 활동하는 기업이 관리하는 암호화 키에 접근하여 정보 수집 활동을 지원하도록 강요할 수 있다고 경고
   * 미국 소프트웨어 스타트업 OpenReplay의 CEO인 메흐디 오스만은 보안 문제로 인해 딥시크의 API 서비스를 사용하지 않기로 결정
   * 네트워크 보안 회사인 넷스코프(Netskope Inc.) 딥시크 접속 제한
   * Armis 고객의 약 70%가 차단을 요청했으며, 52%의 Netskope 고객이 사이트 접속을 완전히 차단 중
 * 시장 영향: DeepSeek의 AI 도우미 출시 이후, Nvidia의 주가가 역사적인 하락세를 기록하는 등 시장에서 강한 영향 초래 (출처: Reuters)

4. 투명성 및 신뢰성 문제
 * 데이터 처리 방식: 이탈리아의 데이터 보호 기관은 DeepSeek의 데이터 수집 및 저장 방식에 대한 명확한 정보가 부족하다고 명시 (출처: AP News)
 * 이러한 불투명성은 사용자가 애플리케이션 사용으로 인한 잠재적 위험을 평가하는 것을 어렵게 만들고 있음

** 개인 의견
 * 로컬에 Ollama + DeepSeek 형태로 설치해서 사용하면 위의 문제는 어느정도 해결되지 않을까 싶네요. ^^
 * How to Set Up and Run DeepSeek R1 Locally With Ollama - https://www.datacamp.com/tutorial/deepseek-r1-ollama

 * source: https://dev.to/trixsec/why-you-should-think-twice-before-using-deepseek-ai-4da

최근 중국에서 개발 및 오픈소스로 공유되고 있는 DeepSeek AI는 최근 기술 커뮤니티에서 큰 주목을 받고 있습니다. 기존의 다른 AI기업들의 규모의 경제에 일침(?)을 가하는 저비용대비 고성능의 AI서비스를 제공하면서 기존 기업뿐만 아니라 미국 주식과 경제 시장에도 큰 반향을 일으키고 있는것이 사실입니다. 그런데, DeepSeek을 보다 더 심층적으로 분석하고 들면서, 여러 우려사항들과 이슈가 제기되고 있는것이 또한 사실입니다. 이슈<ul ><li>딥시크의 자체 개인정보 보호정책: 딥시크는 AI 모델 학습을 목적으로 사용자의 키 입력, 텍스트 및 오디오 입력, 업로드된 파일, 피드백, 채팅 기록 및 기타 콘텐츠를 수집하며 재량에 따라 해당 정보를 법 집행 기관 및 공공 기관과 공유할 수 있으며, 데이터는 중국에 저장!!</li></ul> 1. 데이터 프라이버시 및 보안 문제<ul ><li>이탈리아: 데이터 보호 기관이 DeepSeek의 데이터 수집 및 저장 방식에 대한 정보가 불충분하다며 접근 차단 (출처: AP News)</li><li>대만: 정부 부처에 DeepSeek 사용을 금지하도록 권고했으며, 이는 국가 간 데이터 전송 및 정보 유출 가능성 (출처: Reuters)</li><li>호주: 정부 관계자들이 데이터 프라이버시 문제를 지적하며 사용자들에게 신중한 접근 촉구 (출처: BBC) </li></ul>2. 윤리적 및 규제적 문제<ul ><li>유럽연합(EU): 사용자의 프라이버시, 건강, 안전을 침해하는 AI 시스템을 2025년 2월 2일까지 폐지할 것을 명령했으며, 이를 준수하지 않을 경우 막대한 벌금 부가 가능성 (출처: cincodias.elpais.com)</li><li>DeepSeek의 등장은 AI 기술의 윤리적 사용과 관련한 논의를 심화시키고 있으며, 데이터 프라이버시 및 사용자 조작 문제가 주요 쟁점으로 부상</li></ul> 3. 기업들의 사용 제한 및 시장 영향<ul ><li>글로벌 기업: 출시 후 며칠 만에 전 세계 수백 개의 기업 및 정부 기관이 직원들의 DeepSeek 접근 제한 (출처: Bloomberg)<ul ><li>영국 정보 위원회는 성명에서 생성형 AI 개발자는 개인 데이터를 어떻게 사용하는지 투명하게 공개해야 하며, 규제 기대치를 무시할 때마다 조치를 취할 것이라 선언</li><li>미국 관리들과 싱크탱크들은 중국 국가보안법을 통해 중국 정부가 중국에서 활동하는 기업이 관리하는 암호화 키에 접근하여 정보 수집 활동을 지원하도록 강요할 수 있다고 경고</li><li>미국 소프트웨어 스타트업 OpenReplay의 CEO인 메흐디 오스만은 보안 문제로 인해 딥시크의 API 서비스를 사용하지 않기로 결정</li><li>네트워크 보안 회사인 넷스코프(Netskope Inc.) 딥시크 접속 제한</li><li>Armis 고객의 약 70%가 차단을 요청했으며, 52%의 Netskope 고객이 사이트 접속을 완전히 차단 중</li></ul></li><li>시장 영향: DeepSeek의 AI 도우미 출시 이후, Nvidia의 주가가 역사적인 하락세를 기록하는 등 시장에서 강한 영향 초래 (출처: Reuters)</li></ul> 4. 투명성 및 신뢰성 문제<ul ><li>데이터 처리 방식: 이탈리아의 데이터 보호 기관은 DeepSeek의 데이터 수집 및 저장 방식에 대한 명확한 정보가 부족하다고 명시 (출처: AP News)</li><li>이러한 불투명성은 사용자가 애플리케이션 사용으로 인한 잠재적 위험을 평가하는 것을 어렵게 만들고 있음</li></ul> ** 개인 의견<ul ><li>로컬에 Ollama + DeepSeek 형태로 설치해서 사용하면 위의 문제는 어느정도 해결되지 않을까 싶네요. ^^</li></ul><ul ><li>How to Set Up and Run DeepSeek R1 Locally With Ollama - https://www.datacamp.com/tutorial/deepseek-r1-ollama</li></ul> <ul ><li>source: https://dev.to/trixsec/why-you-should-think-twice-before-using-deepseek-ai-4da</li></ul>

Cinco Días

[Dev.to]DeepSeek를 사용하기 전에 두 번 생각해야 하는 이유

📌 이럴 때 추천해요 : "새해, 철학책 한 권 읽으며 시작하고 싶을 때 - ⑤"

01 . 새해를 맞아 준비한 '그때를 위한 책' 철학편의 마지막 순서입니다. 그동안 좀 점잖은(?) 철학자들이 쓴 책을 추천드렸다면 이번에는 자타 공인 괴짜 철학자의 이야기를 한 번 풀어볼까 해요. 이 책의 저자인 '마크 롤랜즈'는 마이애미 대학교에서 철학을 가르치는 교수입니다. 하지만 교수라는 직책에서 느껴지는 풍모와는 달리 그는 아주 독특하고 뾰족한 성격을 가진 사람으로 유명하죠. 주변에 걷고 뛸 곳이 있다면 그게 늪지대건 돌산이건 가리지 않고 내달리고, 철학을 연구하면서도 인간이 가진 본성에 집중해야 한다는 이유로 본인의 감정 표현에 거리낌 없는 삶을 살고 있기 때문입니다. 그래서 그의 전작인 ⟪SF 철학⟫, ⟪내가 아는 모든 것은 TV에서 배웠다⟫ 등도 평단으로부터 독특한 비평을 자아낸 작품들이었죠.

02 . 그런 그가 유독 애정하는 대상이 하나 있었으니 다름 아닌 동물입니다. 그리고 롤랜즈 교수는 십수 년 전 놀랍고도 대담한 결정을 하나 하고 말죠. 우연한 기회로 늑대 한 마리를 입양하게 된 겁니다. 맞습니다. 책 제목인 ⟪철학자와 늑대⟫는 비유나 상징이 아니라 진짜로 우리가 아닌 그 야생의 늑대를 지칭하는 겁니다.
원래는 큰 개를 원했지만 막상 보니 늑대도 나쁘지 않을 것 같아서(?) 늑대와의 동거를 시작하게 된 그는 무려 11년간 함께한 여정을 아주 상세하게 기록하고 정리해 세상에 내놓았습니다. 그 결과이자 산물이 바로 이 책인 것이죠.

03 . 철학과 같은 무형의 개념을 논할 때 눈으로 확인할 수 있는 비교 대상이 있다는 것은 참 감사한 일입니다. 심지어 그 대상이 그동안 아무런 관심도 두고 있지 않았던, 더 정확히는 두려움과 기피의 대상이었던 늑대라는 동물이라면 흥미로움은 배가 되죠. 덕분에 저 역시도 철학자가 삶을 바라보는 시선 못지않게 동물이 세상을 인지하고 살아가는 방식에 대해서도 다양한 소양을 쌓을 수 있었습니다. 아마도 이 점이 수많은 석학들이 이 책에 찬사를 보내는 포인트 중 하나일 거란 생각도 해보고요.

04 . 무엇보다 매력적이었던 건 '이성'과 '야성'이란 두 가지 개념을 잘 배분하여 이야기를 끌어가고 있다는 겁니다. 사실 가만히 생각해 보면 철학이란 것은 인간이 오직 머릿속에서만 완성해낸 온전한 무형의 자산인지도 모릅니다. 인간 이외에 존재하는 지구상의 모든 것들 중 철학을 인지하고 사는 생명체는 없으니까 말이죠. 그러니 '인간만이 사유와 철학을 갖는다'라며 좋아할 게 아니라 '무엇이 본성으로부터 이성을 발현시켰나, 그리고 그 이성은 왜 실용적이지 않은 철학의 영역까지 뻗어나갔나'를 생각해 보는 것이 진짜 철학적인 질문일 수도 있습니다.

05 . ⟪철학자와 늑대⟫는 그런 생각들 사이를 자유롭게 오갈 수 있도록 해주는 책이라고 생각합니다. 즉, '왜 꼭 철학책을 읽어야 해?'라는 질문에 대해 '철학책을 읽으면....'이라는 효용을 앞세우는 게 아니라 '하물며 늑대도 이런데... 인간이라면...?'이라는 생각에 자연스럽게 다다를 수 있도록 해주는 힘을 가진 책이라는 거죠. 때문에 저는 이 책이 많이 유명해졌으면 좋겠고 많은 사람들에게 사랑받았으면 좋겠다는 생각을 해봅니다. 재미와 의미, 이 두 가지를 확보한다는 게 말처럼 쉬운 일이 아닌데 ⟪철학자와 늑대⟫는 그걸 아주 유연하게 해냈거든요. 그러니 따분한 철학책은 딱 질색이다 하시는 분들이나 어려운 말은 배추로 김치를 담근다고 하는 것도 이해하기 힘들더라 하시는 분들께는 이 책을 권해드려 봅니다. 개인적인 의견이지만 정말 TV 동물농장만큼이나 편하게 보실 수 있는 책이라고 확신합니다.

📌 이럴 때 추천해요 : "새해, 철학책 한 권 읽으며 시작하고 싶을 때 - ⑤" 01 . 새해를 맞아 준비한 '그때를 위한 책' 철학편의 마지막 순서입니다. 그동안 좀 점잖은(?) 철학자들이 쓴 책을 추천드렸다면 이번에는 자타 공인 괴짜 철학자의 이야기를 한 번 풀어볼까 해요. 이 책의 저자인 '마크 롤랜즈'는 마이애미 대학교에서 철학을 가르치는 교수입니다. 하지만 교수라는 직책에서 느껴지는 풍모와는 달리 그는 아주 독특하고 뾰족한 성격을 가진 사람으로 유명하죠. 주변에 걷고 뛸 곳이 있다면 그게 늪지대건 돌산이건 가리지 않고 내달리고, 철학을 연구하면서도 인간이 가진 본성에 집중해야 한다는 이유로 본인의 감정 표현에 거리낌 없는 삶을 살고 있기 때문입니다. 그래서 그의 전작인 ⟪SF 철학⟫, ⟪내가 아는 모든 것은 TV에서 배웠다⟫ 등도 평단으로부터 독특한 비평을 자아낸 작품들이었죠. 02 . 그런 그가 유독 애정하는 대상이 하나 있었으니 다름 아닌 동물입니다. 그리고 롤랜즈 교수는 십수 년 전 놀랍고도 대담한 결정을 하나 하고 말죠. 우연한 기회로 늑대 한 마리를 입양하게 된 겁니다. 맞습니다. 책 제목인 ⟪철학자와 늑대⟫는 비유나 상징이 아니라 진짜로 우리가 아닌 그 야생의 늑대를 지칭하는 겁니다. 원래는 큰 개를 원했지만 막상 보니 늑대도 나쁘지 않을 것 같아서(?) 늑대와의 동거를 시작하게 된 그는 무려 11년간 함께한 여정을 아주 상세하게 기록하고 정리해 세상에 내놓았습니다. 그 결과이자 산물이 바로 이 책인 것이죠. 03 . 철학과 같은 무형의 개념을 논할 때 눈으로 확인할 수 있는 비교 대상이 있다는 것은 참 감사한 일입니다. 심지어 그 대상이 그동안 아무런 관심도 두고 있지 않았던, 더 정확히는 두려움과 기피의 대상이었던 늑대라는 동물이라면 흥미로움은 배가 되죠. 덕분에 저 역시도 철학자가 삶을 바라보는 시선 못지않게 동물이 세상을 인지하고 살아가는 방식에 대해서도 다양한 소양을 쌓을 수 있었습니다. 아마도 이 점이 수많은 석학들이 이 책에 찬사를 보내는 포인트 중 하나일 거란 생각도 해보고요. 04 . 무엇보다 매력적이었던 건 '이성'과 '야성'이란 두 가지 개념을 잘 배분하여 이야기를 끌어가고 있다는 겁니다. 사실 가만히 생각해 보면 철학이란 것은 인간이 오직 머릿속에서만 완성해낸 온전한 무형의 자산인지도 모릅니다. 인간 이외에 존재하는 지구상의 모든 것들 중 철학을 인지하고 사는 생명체는 없으니까 말이죠. 그러니 '인간만이 사유와 철학을 갖는다'라며 좋아할 게 아니라 '무엇이 본성으로부터 이성을 발현시켰나, 그리고 그 이성은 왜 실용적이지 않은 철학의 영역까지 뻗어나갔나'를 생각해 보는 것이 진짜 철학적인 질문일 수도 있습니다. 05 . ⟪철학자와 늑대⟫는 그런 생각들 사이를 자유롭게 오갈 수 있도록 해주는 책이라고 생각합니다. 즉, '왜 꼭 철학책을 읽어야 해?'라는 질문에 대해 '철학책을 읽으면....'이라는 효용을 앞세우는 게 아니라 '하물며 늑대도 이런데... 인간이라면...?'이라는 생각에 자연스럽게 다다를 수 있도록 해주는 힘을 가진 책이라는 거죠. 때문에 저는 이 책이 많이 유명해졌으면 좋겠고 많은 사람들에게 사랑받았으면 좋겠다는 생각을 해봅니다. 재미와 의미, 이 두 가지를 확보한다는 게 말처럼 쉬운 일이 아닌데 ⟪철학자와 늑대⟫는 그걸 아주 유연하게 해냈거든요. 그러니 따분한 철학책은 딱 질색이다 하시는 분들이나 어려운 말은 배추로 김치를 담근다고 하는 것도 이해하기 힘들더라 하시는 분들께는 이 책을 권해드려 봅니다. 개인적인 의견이지만 정말 TV 동물농장만큼이나 편하게 보실 수 있는 책이라고 확신합니다.

[ 그때를 위한 책 - vol.66 ] ⟪철학자와 늑대⟫

﻿
사람에게 길을 알아보는 시야가 있습니다.

우리는 이를 길눈이라고 부릅니다. 길을 알아보는 시야는 지도를 보고 목적지를 잘 찾아갈 수 있는지에 따라 밝기로 표현됩니다. 예를 들면, 지도에서 찾은 목적지를 누구의 도움을 받지 않고 목적지를 찾아가는 길을 헤매지 않고 도착할 수 있다면 길눈이 밝다고 이야기합니다. 반대로 지도를 봐도 우왕좌왕하고, 길을 아는 사람들에게 도움을 받아도 목적지와 다른 방향으로 씩씩하게 나아가면 길눈이 어둡다고 이야기합니다.

여러분은 길눈이 밝은 편인가요? 아니면 어둡나요? 저는 보통 이상은 된다고 생각합니다. 지로를 보면 방향을 잡을 수 있고, 헷갈리는 길은 사람들에게 물어보면 더듬더듬 찾을 수 있기 때문입니다. 사실 요즘은 모바일 지도 앱이 너무 친절하고 편리하게 길을 안내해 줘서 길눈이 크게 밝을 필요가 없습니다. 물론 지도 앱을 보고도 길을 못 찾는다면 길눈이 상당히 어둡다고 인정하시면 됩니다.

여러분은 다른 사람에게 길을 알려줄 때 어떻게 설명해 주시나요? 전방 100미터에서 우회전, 정은이네 약국이 나오면 좌회전, 50미터 앞에서 버스정류장이 나온다고 이렇게 길을 설명해 주시나요? 쭉 가다가 거기서 오른쪽으로 조금만 가면 아마 거기서 다른 사람에게 다시 한번 물어봐야 할 것 같아고 길을 설명해 주시나요? 이건 친절한 마음을 갖고 있는지 따지는 것은 아닙니다. 길을 인식하는 방식과 아는 것을 설명하는 방식에 대한 이야기입니다.

누가 저에게 길을 물어본다면, 저는 빠르게 답변을 잘 못합니다. 뇌에서 위치 데이터를 불러오는 데 시간이 걸립니다. 그리고 아는 길도 말로 설명하는 것이 텍스트 처리하여 말로 출력하는 데 시간이 걸립니다. 버벅거리며 길을 안내하면 물어본 사람이 약간 의심쩍은 표정으로 겨우 고개를 끄덕이며 한숨을 몰아쉽니다. 컴퓨터로 치면 CPU 사양이 높지 않아서 데이터 연산과 처리 속도가 느린 것입니다.

질문을 받았을 때 빠르게 답변하지 못하는 경우와 원하는 만큼 잘 설명하지 못하고 돌아서 후회하는 경우를 두고 순발력이 부족하다고 생각했습니다. 그런데 운동할 때 몸의 움직을 보면 느리지 않고 순간적인 판단과 방향 전환 속도가 느리지 않은 것을 보면 결코 순발력이 떨어지는 것은 아닌 듯합니다. 그냥 뇌 기억 장치에서 데이터를 불러오는 능력이 떨어진다고 해야 할까요?

‘그때 이렇게 이야기했어야 하는데‘ 후회한 경험이 많습니다. 이건 또 기억 장치와 다른 영역인 것 같아요. 면밀하게 상황을 분석하여 판단을 내려야 하는데 좁고 짧게 고민하여 미처 고려하지 못했던 부분을 나중에 상황을 복기할 때 비로소 떠올리게 되는 것입니다. 차라리 나중에 떠올리지 않으면 좋으련만 지나간 상황을 복기하고 또 복기하여 당시에 떠올리지 못했던 생각을 만들어 후회를 잔뜩 낳습니다.

어떤 상황에서 침착하게 시간을 갖고 고민을 깊게 하자고 다짐했고 또 다짐을 하지만 그게 잘 작동하지 않습니다. 경솔한 판단의 결과는 후회와 한숨뿐입니다. 가끔 하늘이 도와서 잘 풀린 케이스도 있긴 합니다. 그런데 운 좋은 사람 말고 신중한 사람, 지혜로운 사람이 되고 싶습니다. 어떻게 하면 그런 사람이 될 수 있을지 방법을 알고 계신 분이 있다면 알려 주시면 좋겠습니다.

아들에게 처음 가는 길을 딱 한 번 알려줬습니다. 그리고 다음에 혼자 찾아와 보라고 시켰습니다. 아들은 초등학교 3학년이고, 저는 아들을 강하게 키우고 싶은 어설픈 아비입니다. 아들은 자신 있게 그러겠노라 했고, 어제 그 일을 잘 해냈습니다. 아빠를 닮지 않아서 길눈이 제법 밝은 듯합니다. 물론 소중한 아들이 길을 잃거나 헤매지 않도록 평소와 다르게 정말 친절하게 설명했습니다. 거의 5미터 단위로 보이는 가게를 이정표로 방향을 안내했으니 슈퍼 지도 앱 역할을 했던 것입니다.

사랑은 능력을 초월하게 만듭니다. 없던 능력, 부족한 힘이 나오게 만듭니다. 사랑하는 아들에게 그랬듯 모든 사람들을 사랑하는 마음으로 대하고 싶습니다. 제가 할 수 있는 최선의 것을 나누고 싶습니다. 삶의 길을 이야기 나누는 이 글도 누군가에게 도움이 되면 좋겠다는 마음으로 최선을 다해서 쓰고 있습니다.

오늘이 여러분에게 최고의 하루가 되길 진심으로 응원합니다.

﻿사람에게 길을 알아보는 시야가 있습니다. 우리는 이를 길눈이라고 부릅니다. 길을 알아보는 시야는 지도를 보고 목적지를 잘 찾아갈 수 있는지에 따라 밝기로 표현됩니다. 예를 들면, 지도에서 찾은 목적지를 누구의 도움을 받지 않고 목적지를 찾아가는 길을 헤매지 않고 도착할 수 있다면 길눈이 밝다고 이야기합니다. 반대로 지도를 봐도 우왕좌왕하고, 길을 아는 사람들에게 도움을 받아도 목적지와 다른 방향으로 씩씩하게 나아가면 길눈이 어둡다고 이야기합니다. 여러분은 길눈이 밝은 편인가요? 아니면 어둡나요? 저는 보통 이상은 된다고 생각합니다. 지로를 보면 방향을 잡을 수 있고, 헷갈리는 길은 사람들에게 물어보면 더듬더듬 찾을 수 있기 때문입니다. 사실 요즘은 모바일 지도 앱이 너무 친절하고 편리하게 길을 안내해 줘서 길눈이 크게 밝을 필요가 없습니다. 물론 지도 앱을 보고도 길을 못 찾는다면 길눈이 상당히 어둡다고 인정하시면 됩니다. 여러분은 다른 사람에게 길을 알려줄 때 어떻게 설명해 주시나요? 전방 100미터에서 우회전, 정은이네 약국이 나오면 좌회전, 50미터 앞에서 버스정류장이 나온다고 이렇게 길을 설명해 주시나요? 쭉 가다가 거기서 오른쪽으로 조금만 가면 아마 거기서 다른 사람에게 다시 한번 물어봐야 할 것 같아고 길을 설명해 주시나요? 이건 친절한 마음을 갖고 있는지 따지는 것은 아닙니다. 길을 인식하는 방식과 아는 것을 설명하는 방식에 대한 이야기입니다. 누가 저에게 길을 물어본다면, 저는 빠르게 답변을 잘 못합니다. 뇌에서 위치 데이터를 불러오는 데 시간이 걸립니다. 그리고 아는 길도 말로 설명하는 것이 텍스트 처리하여 말로 출력하는 데 시간이 걸립니다. 버벅거리며 길을 안내하면 물어본 사람이 약간 의심쩍은 표정으로 겨우 고개를 끄덕이며 한숨을 몰아쉽니다. 컴퓨터로 치면 CPU 사양이 높지 않아서 데이터 연산과 처리 속도가 느린 것입니다. 질문을 받았을 때 빠르게 답변하지 못하는 경우와 원하는 만큼 잘 설명하지 못하고 돌아서 후회하는 경우를 두고 순발력이 부족하다고 생각했습니다. 그런데 운동할 때 몸의 움직을 보면 느리지 않고 순간적인 판단과 방향 전환 속도가 느리지 않은 것을 보면 결코 순발력이 떨어지는 것은 아닌 듯합니다. 그냥 뇌 기억 장치에서 데이터를 불러오는 능력이 떨어진다고 해야 할까요? ‘그때 이렇게 이야기했어야 하는데‘ 후회한 경험이 많습니다. 이건 또 기억 장치와 다른 영역인 것 같아요. 면밀하게 상황을 분석하여 판단을 내려야 하는데 좁고 짧게 고민하여 미처 고려하지 못했던 부분을 나중에 상황을 복기할 때 비로소 떠올리게 되는 것입니다. 차라리 나중에 떠올리지 않으면 좋으련만 지나간 상황을 복기하고 또 복기하여 당시에 떠올리지 못했던 생각을 만들어 후회를 잔뜩 낳습니다. 어떤 상황에서 침착하게 시간을 갖고 고민을 깊게 하자고 다짐했고 또 다짐을 하지만 그게 잘 작동하지 않습니다. 경솔한 판단의 결과는 후회와 한숨뿐입니다. 가끔 하늘이 도와서 잘 풀린 케이스도 있긴 합니다. 그런데 운 좋은 사람 말고 신중한 사람, 지혜로운 사람이 되고 싶습니다. 어떻게 하면 그런 사람이 될 수 있을지 방법을 알고 계신 분이 있다면 알려 주시면 좋겠습니다. 아들에게 처음 가는 길을 딱 한 번 알려줬습니다. 그리고 다음에 혼자 찾아와 보라고 시켰습니다. 아들은 초등학교 3학년이고, 저는 아들을 강하게 키우고 싶은 어설픈 아비입니다. 아들은 자신 있게 그러겠노라 했고, 어제 그 일을 잘 해냈습니다. 아빠를 닮지 않아서 길눈이 제법 밝은 듯합니다. 물론 소중한 아들이 길을 잃거나 헤매지 않도록 평소와 다르게 정말 친절하게 설명했습니다. 거의 5미터 단위로 보이는 가게를 이정표로 방향을 안내했으니 슈퍼 지도 앱 역할을 했던 것입니다. 사랑은 능력을 초월하게 만듭니다. 없던 능력, 부족한 힘이 나오게 만듭니다. 사랑하는 아들에게 그랬듯 모든 사람들을 사랑하는 마음으로 대하고 싶습니다. 제가 할 수 있는 최선의 것을 나누고 싶습니다. 삶의 길을 이야기 나누는 이 글도 누군가에게 도움이 되면 좋겠다는 마음으로 최선을 다해서 쓰고 있습니다. 오늘이 여러분에게 최고의 하루가 되길 진심으로 응원합니다.﻿

길눈

Instagram

딥시크에 관한 여러 이야기가 있었지만 프로젝트 썸원의 글이 제일 와닿았습니다. 뒷부분에 방점을 찍고 싶은데요.

단순히 쇼크, 이벤트 등 효율성을 따지는 단건의 이야기들 말고 결국 AI가 내놓는 결과물의 퀄리티가 계속 높아져야 진짜 의미가 있다는 건데요. 딥시크 역시 효율성 뿐만 아니라 퀄리티도 제법이었기 때문에 더 충격이 있었던 것 같기도 하고요.

어쨌든 이를 위해선 학습하는 콘텐츠의 퀄리티도 같이 높아져야 하고 따라서 AI 회사들 역시 콘텐츠에 투자해야 한다는 겁니다. 그래서 핵심은 '콘텐츠에 투자하지 않는 AI 산업은 결국 거품일 수 있다'는 것이에요. IT 회사들은 지금 데이터 센터, 알고리듬, 데이터 등 기술에만 관심을 두지만 더 큰 그림에서는 콘텐츠 역시 그 요소들만큼 상당히 중요하다는 데 크게 공감했습니다.

https://www.instagram.com/p/DFd4nE-T-Vo/?utm_source=ig_web_copy_link&igsh=MzRlODBiNWFlZA==

딥시크에 관한 여러 이야기가 있었지만 프로젝트 썸원의 글이 제일 와닿았습니다. 뒷부분에 방점을 찍고 싶은데요. 단순히 쇼크, 이벤트 등 효율성을 따지는 단건의 이야기들 말고 결국 AI가 내놓는 결과물의 퀄리티가 계속 높아져야 진짜 의미가 있다는 건데요. 딥시크 역시 효율성 뿐만 아니라 퀄리티도 제법이었기 때문에 더 충격이 있었던 것 같기도 하고요. 어쨌든 이를 위해선 학습하는 콘텐츠의 퀄리티도 같이 높아져야 하고 따라서 AI 회사들 역시 콘텐츠에 투자해야 한다는 겁니다. 그래서 핵심은 '콘텐츠에 투자하지 않는 AI 산업은 결국 거품일 수 있다'는 것이에요. IT 회사들은 지금 데이터 센터, 알고리듬, 데이터 등 기술에만 관심을 두지만 더 큰 그림에서는 콘텐츠 역시 그 요소들만큼 상당히 중요하다는 데 크게 공감했습니다. https://www.instagram.com/p/DFd4nE-T-Vo/?utm_source=ig_web_copy_link&amp;igsh=MzRlODBiNWFlZA==

www.instagram.com

2025년 증시에 입성한 새내기 주들의 주가가 상장 첫날부터 무너지는 사례가 속출하는 가운데, 환매청구권이 부여된 공모주에 관심이 모인다. 이른바 ‘공모주 환불’이라고도 볼 수 있는 환매청구권은 상장 주관사에 주식을

‘뻥튀기 공모가’ 역풍 주관사로... 데이원·아이지넷 주관사, 수수료 수입 모두 토해낼 판

한창 거품이 창궐했던 시절 '테헤란로 밸류'라는 괴이한 가치를 내세웠던 투자사와 스타트업이 손해보는 장사는 할 수 없으니 그 때 가치를 최대한 지키려는 마음은 이해가 되지만, '여의도 가치'로 판단할 때 말도 안되는 일을 일부 여의도(?)에서 한배를 탄다는 것은 정상적인 이유로는 이해가 안된다.

나야 뭐 현업 출신으로 여의도 가치의 사고를 갖고 있는 상태에서 이 바닥에서 스타트업들을 밀착해서 보는 일을 하고 있고 스타트업들의 가치에 대해 냉정하고 현실적으로 판단할 수 밖에 없으니 무시한다쳐도 아무리 일반인들이라도 대충 여기 잘나갈거라고 바람 좀 넣으면 혹해서 살거라 생각하는건가? 차라리 코인 갖고 그 짓하면 실체가 없으니 그런가보다 하겠지만, 사업은 실체가 분명히 존재하고 판단 가능한데 말이다.

이 역시 수년동안 이야기해오고 있는 정상화 과정 중 하나다. 수수료 몇번 토해내고 나면 정신들 차리겠지.

https://n.news.naver.com/article/366/0001051739

한창 거품이 창궐했던 시절 '테헤란로 밸류'라는 괴이한 가치를 내세웠던 투자사와 스타트업이 손해보는 장사는 할 수 없으니 그 때 가치를 최대한 지키려는 마음은 이해가 되지만, '여의도 가치'로 판단할 때 말도 안되는 일을 일부 여의도(?)에서 한배를 탄다는 것은 정상적인 이유로는 이해가 안된다. 나야 뭐 현업 출신으로 여의도 가치의 사고를 갖고 있는 상태에서 이 바닥에서 스타트업들을 밀착해서 보는 일을 하고 있고 스타트업들의 가치에 대해 냉정하고 현실적으로 판단할 수 밖에 없으니 무시한다쳐도 아무리 일반인들이라도 대충 여기 잘나갈거라고 바람 좀 넣으면 혹해서 살거라 생각하는건가? 차라리 코인 갖고 그 짓하면 실체가 없으니 그런가보다 하겠지만, 사업은 실체가 분명히 존재하고 판단 가능한데 말이다. 이 역시 수년동안 이야기해오고 있는 정상화 과정 중 하나다. 수수료 몇번 토해내고 나면 정신들 차리겠지. https://n.news.naver.com/article/366/0001051739

n.news.naver.com

 다이소가 건물주들의 최애 브랜드가 된 이유

둘의 이해관계가 정확하게 맞아떨어졌기 때문입니다

[아티클 3문장 요약📑]

1️⃣ 이제는 '맥세권(맥도널드+역세권)', '스세권(스타벅스+역세권)'을 제치고, 새롭게 주목 받는 곳이 있으니 바로 다이소로, 경기 영향을 덜 받아 폐업 위험이 낮고 고객을 끌어 들이는 힘도 강력하면서, 무엇보다 스타벅스와 달리 매출의 일정 비율이 아닌 고정적인 월세를 선호하기에, 요즘 같은 불경기에 안정적인 수익을 보장해주기에 인기가 높다고 합니다.

2️⃣다만 다이소의 입점 조건은 매우 까다로운 편으로, 300평 이상의 크기와 단층 또는 엘레베이터 설치, 여기에 주차장 지원 가능 유무까지 따진다고 하는데, 이는 특유의 균일가 정책으로 무조건 박리다매를 해야 하기에 매장의 대형화가 필수이기 때문입니다.

3️⃣ 결국 이러한 조건을 만족시킬 수 있는 대형 매장을 가진 건물주와 마트, 백화점 등 유통채널들에 다이소가 들어가는 일이 많아지고 있으며, 다이소는 여기서 한 발 더 나아가 셀프 계산대 도입, 매장 내 안내 기능의 디지털화 등 더 지속 가능한 모델로 거듭나기 위해 여러 노력들을 지속하고 있다고 하네요.

💡기묘한 관점➕
다이소가 이렇게 환영 받는 건, 결국 오랜 기간 지켜온 균일가 정책에 트렌드함이 더해지면서 대체 불가능한 장소로 거듭났기 때문입니다. 하지만 강력한 차별화 요소인 만큼, 이를 유지하면서 돈을 버는 구조로 만들기는 정말 어려운 일인데요. 그래서 다이소 매장은 알게 모르게 진화 중입니다. 과거보다 더 커지고, 운영 인력은 줄여 비용은 낮추고 있죠. 또한 식품, 뷰티 등 상품도 늘리고 있고요. 다이소에 자주 가시는 분들이라면 이런 변화들을 눈여겨 보시면 새로운 배움을 얻으실 수 있을 겁니다.

🥤트렌드라이트 구독하기
https://bit.ly/3iSbx4e

둘의 이해관계가 정확하게 맞아떨어졌기 때문입니다 [아티클 3문장 요약📑] 1️⃣ 이제는 '맥세권(맥도널드+역세권)', '스세권(스타벅스+역세권)'을 제치고, 새롭게 주목 받는 곳이 있으니 바로 다이소로, 경기 영향을 덜 받아 폐업 위험이 낮고 고객을 끌어 들이는 힘도 강력하면서, 무엇보다 스타벅스와 달리 매출의 일정 비율이 아닌 고정적인 월세를 선호하기에, 요즘 같은 불경기에 안정적인 수익을 보장해주기에 인기가 높다고 합니다. 2️⃣다만 다이소의 입점 조건은 매우 까다로운 편으로, 300평 이상의 크기와 단층 또는 엘레베이터 설치, 여기에 주차장 지원 가능 유무까지 따진다고 하는데, 이는 특유의 균일가 정책으로 무조건 박리다매를 해야 하기에 매장의 대형화가 필수이기 때문입니다. 3️⃣ 결국 이러한 조건을 만족시킬 수 있는 대형 매장을 가진 건물주와 마트, 백화점 등 유통채널들에 다이소가 들어가는 일이 많아지고 있으며, 다이소는 여기서 한 발 더 나아가 셀프 계산대 도입, 매장 내 안내 기능의 디지털화 등 더 지속 가능한 모델로 거듭나기 위해 여러 노력들을 지속하고 있다고 하네요. 💡기묘한 관점➕다이소가 이렇게 환영 받는 건, 결국 오랜 기간 지켜온 균일가 정책에 트렌드함이 더해지면서 대체 불가능한 장소로 거듭났기 때문입니다. 하지만 강력한 차별화 요소인 만큼, 이를 유지하면서 돈을 버는 구조로 만들기는 정말 어려운 일인데요. 그래서 다이소 매장은 알게 모르게 진화 중입니다. 과거보다 더 커지고, 운영 인력은 줄여 비용은 낮추고 있죠. 또한 식품, 뷰티 등 상품도 늘리고 있고요. 다이소에 자주 가시는 분들이라면 이런 변화들을 눈여겨 보시면 새로운 배움을 얻으실 수 있을 겁니다. 🥤트렌드라이트 구독하기https://bit.ly/3iSbx4e

www.openads.co.kr

🏢다이소가 건물주들의 최애 브랜드가 된 이유

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

메쉬코리아 부릉 배달대행 서비스 hy의 긴급자금 수혈로 법정관리 위기에서 벗어난 메쉬코리아가 경영정상화에 본격 시동을 걸고 있다. 과감한 투자 결단으로 메쉬코리아 회생을 이끌어낸 hy는 이달 말 주총을 거쳐 메쉬코리아 최대주주로 등극할 전망이다. 7일 식품ㆍ유통업계에 따르면, 메쉬코리아가 운영하는 배달 대행서비스 부릉은 최근 대고객 영업력을 회복하는데 주력하고 있다.

벼랑 끝 몰렸던 메쉬코리아 '기사회생'..."구원투수 hy 환영"

🏷️큐레이터평
위기에 처했던 메쉬코리아가 한국야쿠르트를 새 주인으로 맞이합니다. 한국야쿠르트는 800억원을 투자해 65% 지분을 가지게 됩니다. 매각 과정에서 잡음이 많았었지만 이번에는 모든 주주들이 동의하면서 빠르게 정상화가 될 것으로 보입니다.
한국야쿠르트는 라스트마일 배송과 연관성이 큰 만큼 시너지가 기대될 뿐만 아니라  자본만 1조원이 넘는 강력한 자금력을 가졌습니다. 한국야쿠르트를 모회사로 맞이하면서 메쉬코리아는 라스트마일 배송 경쟁에서 다시 강력한 플레이어로 올라설 전망입니다.

news.mtn.co.kr

넷마블 잡부

민형기

#백엔드 #개발자 #소프트웨어엔지니어

마케터

고승아

글쓰기 좋아하는 마케터✍🏻
#디지털마케팅 #문제를해결하는

캐시트리 대표이사

KIMJINHO

[메쉬코리아의 구원투수는 한국 야쿠르트🤝]

-오랄비, 페브리즈 비즈니스 플래닝 담당 
-FMCG 브랜드 프로모션 팩 기획 및 생산

Business Planner

글로벌 셀링 셀러 매니지먼트 및 사업 개발

Account Executive

-현) Google Play 마케팅
-AppDev팀 소속 리테일 앱 광고주 담당 세일즈 

Product Marketing Manager

글로벌 경영학과

관심사가 다양해 늘 새로운 소식과 재미 있는 분야를 찾는 8년차 직장인입니다. 특히 브랜드, 커머스와 플랫폼에 관심이 많아 첫 회사인 P&G 그리고 아마존을 거쳐 현재는 구글에서 커머스 스타트업의 성장을 돕고 있습니다.

허재원

관심사가 다양해 늘 새로운 소식과 재미 있는 분야를 찾는 10년차 직장인입니다. 특히 브랜드, 커머스와 플랫폼에 관심이 많아 첫 회사인 P&G 그리고 아마존을 거쳐 현재는 구글 플레이 마케팅을 담당하고 있습니다.

[메쉬코리아의 구원투수는 한국 야쿠르트🤝]

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필