YouTube에서 마음에 드는 동영상과 음악을 감상하고, 직접 만든 콘텐츠를 업로드하여 친구, 가족뿐 아니라 전 세계 사람들과 콘텐츠를 공유할 수 있습니다.

 - YouTube

현재 Nextjs 에서는
Dynamic 렌더링을 할지 혹은 Static 렌더링을 할지에 대해
페이지 단위로만 결정할 수 있단 사실 알고계셨나요??
(자식 컴포넌트 중에서 하나라도 Dynamic 이면
해당 페이지 전체를 Dynamic 으로 간주)

이러한 한계를 갖게된 배경에 대해
렌더링 방식의 발전 역사부터 쭉 살펴보았습니다.

그럼 오늘도 각자의 자리에서 함께 공부하는 모든 분들 화이팅입니다 :)

https://youtu.be/dBRFHwH9imo

현재 Nextjs 에서는Dynamic 렌더링을 할지 혹은 Static 렌더링을 할지에 대해페이지 단위로만 결정할 수 있단 사실 알고계셨나요??(자식 컴포넌트 중에서 하나라도 Dynamic 이면해당 페이지 전체를 Dynamic 으로 간주) 이러한 한계를 갖게된 배경에 대해렌더링 방식의 발전 역사부터 쭉 살펴보았습니다. 그럼 오늘도 각자의 자리에서 함께 공부하는 모든 분들 화이팅입니다 :) https://youtu.be/dBRFHwH9imo

youtu.be

Nextjs 렌더링 방식이 페이지 단위로만 결정된다?!

원문 : Goodbye SASS 👋, welcome back native CSS thumbnail Sass는 로컬에 설치되는 강력한 전처리기로 자리 잡으며 지난 10년 동안 제 프로젝트의 핵심을 이루었습니다. 이는 확장 가능하고 안정적인 CSS 패키지를 효율적으로 구성할 수 있게 해 주었습니다. 지금도 Sass는 굉장히 강력한 도구라고 생각합니다. 하지만 2024년에 접어들면서 CSS가 급속도로 발전하고 있다는 것은 부인할 수 없는 사실입니다. 한때 Sass에만 존재하던 기능들이 이제는 CSS…

(번역) 잘 가 SASS 👋, 다시 만나 반가워 네이티브 CSS

오늘은 42dot의 유경상님이 번역해주신 글입니다.

Sass는 오랫동안 CSS 전처리기로서 많은 개발자들에게 사랑받아 왔지만, 이 글에서 저자는 CSS의 발전으로 인해 Sass의 필요성이 줄어들고 있다고 말하고 있습니다. 네이티브 CSS에 추가된 변수, 중첩, 컨테이너 쿼리 등 강력한 기능들이 어떻게 Sass의 기능을 대체할 수 있는지 살펴보고, 과연 Sass를 충분히 대체할 수 있을지에 대해 생각해보는 기회가 되시길 바랍니다 :)

> https://ykss.netlify.app/translation/goodbye_sass_welcome_back_native_css/

오늘은 42dot의 유경상님이 번역해주신 글입니다. Sass는 오랫동안 CSS 전처리기로서 많은 개발자들에게 사랑받아 왔지만, 이 글에서 저자는 CSS의 발전으로 인해 Sass의 필요성이 줄어들고 있다고 말하고 있습니다. 네이티브 CSS에 추가된 변수, 중첩, 컨테이너 쿼리 등 강력한 기능들이 어떻게 Sass의 기능을 대체할 수 있는지 살펴보고, 과연 Sass를 충분히 대체할 수 있을지에 대해 생각해보는 기회가 되시길 바랍니다 :) &gt; https://ykss.netlify.app/translation/goodbye_sass_welcome_back_native_css/

ykss.netlify.app

잘 가 SASS 👋, 다시 만나 반가워 네이티브 CSS

본문의 말미에 있듯이 scss를 써서 문제가 되는 것은 컴파일링 설정일텐데요. 

태스크 러너를 사용하는 경우 컴파일링의 속도가 현세대만큼 보장되지 않고, 또한 hmr을 적용하기 위한 셋업이 필요하다는 점등인데, css의 스펙 업데이트보다는 이 구축 환경의 더딘 개선이 요점이라고 보이네요. 네스팅의 도입보다도 더 큰 비교 장애? 요인일 것 같습니다.

더듬어보면 tailwind가 v4로 올라가는 동안 sass는 @use룰이 추가되는 메인 업데이트를 끝으로 변화가 없었네요. 

원문: https://medium.com/@manikmudholkar831995/event-loop-in-nodejs-999f6db7eb04

[번역] Node.js의 이벤트 루프

오늘은 라인플러스의 손수림님이 번역해주신 글입니다.

지난 시리즈 글에 이어, 이 글에서는 Node.js의 이벤트 루프와 그 메커니즘을 깊이 있게 다룹니다.
본문에서는 이벤트 루프의 동작 원리와 각 단계(phase)별 역할, 실행 순서를 상세히 설명하고, 동기/비동기 코드가 포함된 예제와 함께 이벤트 루프를 효율적으로 활용하는 방법까지 제시하고 있습니다. Node.js의 내부 동작 원리를 한층 더 명확하게 이해하고 싶으신 분들이라면 한 번 읽어보시는 것을 추천드립니다. :)

글 링크 : https://velog.io/@surim014/event-loop-in-nodejs

오늘은 라인플러스의 손수림님이 번역해주신 글입니다. 지난 시리즈 글에 이어, 이 글에서는 Node.js의 이벤트 루프와 그 메커니즘을 깊이 있게 다룹니다.본문에서는 이벤트 루프의 동작 원리와 각 단계(phase)별 역할, 실행 순서를 상세히 설명하고, 동기/비동기 코드가 포함된 예제와 함께 이벤트 루프를 효율적으로 활용하는 방법까지 제시하고 있습니다. Node.js의 내부 동작 원리를 한층 더 명확하게 이해하고 싶으신 분들이라면 한 번 읽어보시는 것을 추천드립니다. :) 글 링크 : https://velog.io/@surim014/event-loop-in-nodejs

velog.io

Node.js의 이벤트 루프

ComfyDeploy 대시보드를 Next.js에서 순수한 리액트로 마이그레이션했습니다.

(번역) 꼭 Next.js일 필요는 없습니다

오늘은 라인플러스의 김찬희님이 번역해주신 글입니다.

현재 가장 널리 사용 되는 프레임워크 중 하나는 단연 Next.js일 것입니다. Next.js는 리액트를 사용해 웹 애플리케이션을 구축할 수 있게 해주는 다양한 기능들을 제공하는 강력한 프레임워크 입니다. 다양한 기능과 편리함 때문에 정말 많이 사용 되고 있으며, 때문에 프로젝트를 시작할 때 가장 우선적으로 고려되는 도구이기도 합니다.

널리 쓰이는 만큼 많은 분들이 이미 사용하고 계시기 때문에 관성적으로 Next.js를 사용하게 되기도 합니다. 그런데 사실 Next.js로 개발하지 않았어도 되었지 않을까요? Next.js는 분명 굉장히 좋은 프레임워크 이지만, 여러분도 알고 계시듯 마법의 은 탄환 같은 것은 없기 때문에 모든 상황에서 좋지는 않습니다.

이 글은 Next.js에서 리액트로 마이그레이션 하게 된 과정과 결과를 상세히 다루고 있습니다. 저자가 어떤 문제를 겪었고, Next.js를 걷어 내었을 때 어떤 결과를 얻었는지 살펴보며 Next.js 였어야 했을까? 하는 고민을 해보시는 것은 어떨 까요? 이런 고민은 앞으로의 보다 많은 선택지를 가질 수 있도록 시야를 넓혀주는 데 도움이 될 것이라 생각합니다.

글 링크 : https://velog.io/@superlipbalm/you-dont-need-nextjs

오늘은 라인플러스의 김찬희님이 번역해주신 글입니다. 현재 가장 널리 사용 되는 프레임워크 중 하나는 단연 Next.js일 것입니다. Next.js는 리액트를 사용해 웹 애플리케이션을 구축할 수 있게 해주는 다양한 기능들을 제공하는 강력한 프레임워크 입니다. 다양한 기능과 편리함 때문에 정말 많이 사용 되고 있으며, 때문에 프로젝트를 시작할 때 가장 우선적으로 고려되는 도구이기도 합니다. 널리 쓰이는 만큼 많은 분들이 이미 사용하고 계시기 때문에 관성적으로 Next.js를 사용하게 되기도 합니다. 그런데 사실 Next.js로 개발하지 않았어도 되었지 않을까요? Next.js는 분명 굉장히 좋은 프레임워크 이지만, 여러분도 알고 계시듯 마법의 은 탄환 같은 것은 없기 때문에 모든 상황에서 좋지는 않습니다. 이 글은 Next.js에서 리액트로 마이그레이션 하게 된 과정과 결과를 상세히 다루고 있습니다. 저자가 어떤 문제를 겪었고, Next.js를 걷어 내었을 때 어떤 결과를 얻었는지 살펴보며 Next.js 였어야 했을까? 하는 고민을 해보시는 것은 어떨 까요? 이런 고민은 앞으로의 보다 많은 선택지를 가질 수 있도록 시야를 넓혀주는 데 도움이 될 것이라 생각합니다. 글 링크 : https://velog.io/@superlipbalm/you-dont-need-nextjs

꼭 Next.js일 필요는 없습니다

As an engineering manager I’ve had the privilege of promoting engineers on my team and offering people their first role in tech. It’s one…

From Hired!… to Fired! Avoid these 2 Developer Career Death Traps

이번 글에서는 사람들이 해고되는 가장 흔한 두 가지 이유와 이를 피하는 방법에 대해 살펴보겠습니다.

1단계: 목표를 명확히 설정하기
개발자가 해고되는 가장 일반적인 이유는 기대치 불일치 때문입니다.
 * 90일 계획 없음
 * 매니저 피드백 없음
 * 본인은 잘하고 있다고 생각하지만 팀원들은 답답해함
 * 그리고 갑작스러운 해고 통보
본인에게는 '갑자기'일지 모르지만, 팀원들에게는 그렇지 않습니다.
대부분의 매니저는 일부러 피드백을 주지 않는 것이 아닙니다. 사람들은 본능적으로 갈등을 피하려 합니다.

그러므로 첫 출근 날부터 팀 리드나 매니저와 실질적인 목표를 설정하는 것이 중요합니다.
특히, 첫 1~2개월 동안 성공의 기준을 정리해야 합니다. 만약 매니저가 명확한 계획을 제공하지 않는다면, 스스로 계획을 세워 공유해야 합니다.

예를 들어, 주니어 개발자라면 다음과 같이 설정할 수 있습니다.
 * 1~30일
   * 로컬 환경에서 모든 레포지토리를 실행
   * 코드 리뷰 및 배포 프로세스 이해
   * 적어도 2개의 작은 기능을 프로덕션에 배포
 * 30~60일
   * 온콜(On-call) 로테이션 참여
   * 주요 장애 대응 프로세스 학습
   * 소프트웨어 개발 라이프사이클 이해
   * 작은 버그를 혼자 해결
 * 60~90일
   * 중급 난이도의 기능 개발 및 배포
   * 기술적 논의에 기여
이렇게 하면 '눈치 게임'을 할 필요 없이, 본인의 성장 수준을 명확히 파악할 수 있습니다.

2단계: 본인의 성과를 알리기
일부 조직에서는 매니저가 모든 엔지니어와 직접 소통하지 않습니다.
그 결과, 관리자는 본인을 잘못된 기준으로 평가할 수 있습니다.
예를 들어, 코드 라인 수나 버그 수정 개수 같은 무의미한 지표로 평가받을 수도 있습니다.

그렇다면 어떻게 해야 할까요?

👉 본인의 성과를 자연스럽게 알리는 방법을 배워야 합니다. "자랑"하지 말고, "교육"해야 합니다.
 * 중요한 문제를 해결했나요?
   → 해결 방법을 문서화하고, 간단한 발표를 통해 공유하기
 * 새로운 기능을 출시했나요?
   → 다음 회의에서 직접 데모를 진행하기
마지막으로, 본인이 한 모든 중요한 작업을 기록해 두는 것이 중요합니다.

이렇게 하면 연말 평가 때 본인의 가치를 쉽게 증명할 수 있습니다. 이제 당신은 "그 사람 누구였더라?"가 아니라 "그 팀에서 중요한 엔지니어"로 기억될 것입니다.

당신의 성공을 바랍니다
이 글을 읽고 있다면, 아마 개발자로서 커리어를 시작한 지 얼마 되지 않았을 것입니다.

저는 수많은 실수를 했지만, 다행히도 해고당하지 않았습니다. 하지만 이번에 다룬 두 가지 교훈을 배우기까지 4년이 걸렸습니다.

제 목표는 단순히 해고를 피하는 것이 아닙니다.

기술적으로 성장하고, 회사 내에서 돋보이며, 만약 해고당하더라도 빠르게 새로운 기회를 잡을 수 있는 개발자가 되는 것입니다.

첫 취업이 끝은 아닙니다. 진짜 중요한 것은 그 이후입니다.

번역: [https://ducktopia.tistory.com/m/144]
원문:

이번 글에서는 사람들이 해고되는 가장 흔한 두 가지 이유와 이를 피하는 방법에 대해 살펴보겠습니다. 1단계: 목표를 명확히 설정하기개발자가 해고되는 가장 일반적인 이유는 기대치 불일치 때문입니다.<ul><li>90일 계획 없음</li><li>매니저 피드백 없음</li><li>본인은 잘하고 있다고 생각하지만 팀원들은 답답해함</li><li>그리고 갑작스러운 해고 통보</li></ul>본인에게는 '갑자기'일지 모르지만, 팀원들에게는 그렇지 않습니다.대부분의 매니저는 일부러 피드백을 주지 않는 것이 아닙니다. 사람들은 본능적으로 갈등을 피하려 합니다. 그러므로 첫 출근 날부터 팀 리드나 매니저와 실질적인 목표를 설정하는 것이 중요합니다.특히, 첫 1~2개월 동안 성공의 기준을 정리해야 합니다. 만약 매니저가 명확한 계획을 제공하지 않는다면, 스스로 계획을 세워 공유해야 합니다. 예를 들어, 주니어 개발자라면 다음과 같이 설정할 수 있습니다.<ul><li>1~30일<ul><li>로컬 환경에서 모든 레포지토리를 실행</li><li>코드 리뷰 및 배포 프로세스 이해</li><li>적어도 2개의 작은 기능을 프로덕션에 배포</li></ul></li><li>30~60일<ul><li>온콜(On-call) 로테이션 참여</li><li>주요 장애 대응 프로세스 학습</li><li>소프트웨어 개발 라이프사이클 이해</li><li>작은 버그를 혼자 해결</li></ul></li><li>60~90일<ul><li>중급 난이도의 기능 개발 및 배포</li><li>기술적 논의에 기여</li></ul></li></ul>이렇게 하면 '눈치 게임'을 할 필요 없이, 본인의 성장 수준을 명확히 파악할 수 있습니다. 2단계: 본인의 성과를 알리기일부 조직에서는 매니저가 모든 엔지니어와 직접 소통하지 않습니다. 그 결과, 관리자는 본인을 잘못된 기준으로 평가할 수 있습니다. 예를 들어, 코드 라인 수나 버그 수정 개수 같은 무의미한 지표로 평가받을 수도 있습니다. 그렇다면 어떻게 해야 할까요? 👉 본인의 성과를 자연스럽게 알리는 방법을 배워야 합니다. "자랑"하지 말고, "교육"해야 합니다.<ul><li>중요한 문제를 해결했나요? → 해결 방법을 문서화하고, 간단한 발표를 통해 공유하기</li><li>새로운 기능을 출시했나요? → 다음 회의에서 직접 데모를 진행하기</li></ul>마지막으로, 본인이 한 모든 중요한 작업을 기록해 두는 것이 중요합니다. 이렇게 하면 연말 평가 때 본인의 가치를 쉽게 증명할 수 있습니다. 이제 당신은 "그 사람 누구였더라?"가 아니라 "그 팀에서 중요한 엔지니어"로 기억될 것입니다. 당신의 성공을 바랍니다이 글을 읽고 있다면, 아마 개발자로서 커리어를 시작한 지 얼마 되지 않았을 것입니다. 저는 수많은 실수를 했지만, 다행히도 해고당하지 않았습니다. 하지만 이번에 다룬 두 가지 교훈을 배우기까지 4년이 걸렸습니다. 제 목표는 단순히 해고를 피하는 것이 아닙니다. 기술적으로 성장하고, 회사 내에서 돋보이며, 만약 해고당하더라도 빠르게 새로운 기회를 잡을 수 있는 개발자가 되는 것입니다. 첫 취업이 끝은 아닙니다. 진짜 중요한 것은 그 이후입니다. 번역: [https://ducktopia.tistory.com/m/144]원문:

Medium

[Medium] 개발자로서 살아남기: 해고를 피하는 두 가지 방법

좋은 글 감사합니다.
이번에 이직해서 딱 30일 되었는데 운좋게도 이끌어주시는 사수분을 만나서 잘 적응하는 중입니다.
혼자서 해보고싶어도 뭐부터해야하나 막막했는데 가이드대로 하다보면 가지뻗기처럼 쭉쭉 뻗어나갈 수 있기를 기대하면서 우선은 해봐야겠습니다
감사합니다!

에이든든님이
이직 과정에서 공고 확인이 불편하여 코파일럿으로 이를 손쉽게 필터링하는 크롬 익스텐션을 만든 이야기입니다

역시 필요는 발명의 어머니네요
https://aydenden.medium.com/%EC%BD%94%ED%8C%8C%EC%9D%BC%EB%9F%BF%EA%B3%BC-%ED%95%A8%EA%BB%98%ED%95%9C-%EC%9D%B4%EC%A7%81-%EA%B3%BC%EC%A0%95-6529e9c753c2

에이든든님이 이직 과정에서 공고 확인이 불편하여 코파일럿으로 이를 손쉽게 필터링하는 크롬 익스텐션을 만든 이야기입니다 역시 필요는 발명의 어머니네요https://aydenden.medium.com/%EC%BD%94%ED%8C%8C%EC%9D%BC%EB%9F%BF%EA%B3%BC-%ED%95%A8%EA%BB%98%ED%95%9C-%EC%9D%B4%EC%A7%81-%EA%B3%BC%EC%A0%95-6529e9c753c2

필요는 발명의 어머니(이직할 때 코파일럿쓴 사례)

"백문이 불여일타"라는 말이 있습니다. 백 번 듣는 것보다 한 번 직접 해보는 것이 낫다는 뜻인데요. 개발 공부에서도 실습이 중요하지만, 무작정 코드를 따라 치는 것은 비효율적입니다.단순 타이핑은 기계적인 반복일 뿐, 생각할 시간이 부족합니다. 타이핑을 하면서도 뇌는 적극적으로 학습하지 않아 코드를 이해하는 듯한 착각에 빠지기 쉽습니다. 따라서, 단순 따라 치기에서 벗어나 더 효과적인 학습 방법을 찾아야 하는데요

✅ 효율적인 개발 공부법
1. 요구사항 정리
코드를 작성하기 전에,
 * "이 코드가 해결해야 할 문제는 무엇인가?"
 * "어떤 입력을 받고, 어떤 출력을 만들어야 하는가?"
이런식으로 요구사항을 명확하게 정리하면 불필요한 시행착오를 줄일 수 있습니다.

2. 플로우 차트 & 도식화를 활용
코드의 실행 흐름을 시각적으로 표현하면 이해가 쉬워집니다.
 * 플로우 차트(Flowchart) : 코드의 동작 흐름을 한눈에 파악 가능
 * 시퀀스 다이어그램(Sequence Diagram) : 여러 요소가 어떻게 상호작용하는지 표현
도식화의 가장 큰 장점은 "메타인지" 입니다. 내가 무엇을 알고, 무엇을 모르는지 메타인지가 향상됩니다.

3. 코드 변형 & 리팩토링
 * "이 부분을 다르게 하면 어떤 결과가 나올까?"
 * "이 기능을 다른 방식으로 구현할 수 있을까?"
코드를 직접 수정하고 테스트하면서 학습하면 진짜 실력이 됩니다. 단순 실행에서 벗어나 깊이 있는 학습이 가능합니다.

결론
따라서 요구사항 정리 → 플로우 차트 작성 → 코드 변경 및 & 리팩토링 의 학습법을 추천합니다. 이 과정을 통해 단순 타이핑이 아니라 문제를 해결하는 사고 과정을 활성화 할 수 있습니다. 그리고 메타인지(내가 제대로 이해하고 있는지 점검하는 과정)를 거쳐 장기 기억에 남게 됩니다.
혹시나 무작정 따라 치는 학습법을 하고 계셨다면, 스스로 사고하며 학습하는 방식으로 바꿔 보시기를 추천드립니다 :)

"백문이 불여일타"라는 말이 있습니다. 백 번 듣는 것보다 한 번 직접 해보는 것이 낫다는 뜻인데요. 개발 공부에서도 실습이 중요하지만, 무작정 코드를 따라 치는 것은 비효율적입니다.단순 타이핑은 기계적인 반복일 뿐, 생각할 시간이 부족합니다. 타이핑을 하면서도 뇌는 적극적으로 학습하지 않아 코드를 이해하는 듯한 착각에 빠지기 쉽습니다. 따라서, 단순 따라 치기에서 벗어나 더 효과적인 학습 방법을 찾아야 하는데요 ✅ 효율적인 개발 공부법1. 요구사항 정리코드를 작성하기 전에,<ul ><li>"이 코드가 해결해야 할 문제는 무엇인가?"</li><li>"어떤 입력을 받고, 어떤 출력을 만들어야 하는가?"</li></ul>이런식으로 요구사항을 명확하게 정리하면 불필요한 시행착오를 줄일 수 있습니다. 2. 플로우 차트 &amp; 도식화를 활용코드의 실행 흐름을 시각적으로 표현하면 이해가 쉬워집니다.<ul ><li>플로우 차트(Flowchart) : 코드의 동작 흐름을 한눈에 파악 가능</li><li>시퀀스 다이어그램(Sequence Diagram) : 여러 요소가 어떻게 상호작용하는지 표현</li></ul>도식화의 가장 큰 장점은 "메타인지" 입니다. 내가 무엇을 알고, 무엇을 모르는지 메타인지가 향상됩니다. 3. 코드 변형 &amp; 리팩토링<ul ><li>"이 부분을 다르게 하면 어떤 결과가 나올까?"</li><li>"이 기능을 다른 방식으로 구현할 수 있을까?"</li></ul>코드를 직접 수정하고 테스트하면서 학습하면 진짜 실력이 됩니다. 단순 실행에서 벗어나 깊이 있는 학습이 가능합니다. 결론따라서 요구사항 정리 → 플로우 차트 작성 → 코드 변경 및 &amp; 리팩토링 의 학습법을 추천합니다. 이 과정을 통해 단순 타이핑이 아니라 문제를 해결하는 사고 과정을 활성화 할 수 있습니다. 그리고 메타인지(내가 제대로 이해하고 있는지 점검하는 과정)를 거쳐 장기 기억에 남게 됩니다.혹시나 무작정 따라 치는 학습법을 하고 계셨다면, 스스로 사고하며 학습하는 방식으로 바꿔 보시기를 추천드립니다 :)

개발 공부법: 코드를 무작정 따라 치지 마세요.

모든 회사에는 사람들이 처리할 수 있는 시간보다 더 많은 문제가 존재합니다. 작은 문제를 간과할 수 있는 환경에서는 최선의 결과가 나올 수 있습니다. 하지만 최악의 경우, 계속해서 긴급한 문제에만 대처하느라 운영에 필요한 자원이 고갈되고 맙니다. 매니저와 엔지니어들은 하나의 과제를 끝내지도 못한 채 다음 문제로 뛰어들게 되죠. 1부에서는 잘못된 프로덕트 문화의 증상을 다루며, 조직이 흔히 겪을 수 있는 주요 문제들을 살펴보고자 합니다.

급한 불 끄기 바쁜 프로덕트의 문제점 | 요즘IT

비즈니스 목표와 사용자 요구를 연결하는 데 탁월한 전문성을 가진 한 COO분께서 잘못된 프로덕트 문화의 증상은 어떤게 있는지 정리해주신 글이 있어 공유드립니다.
직장 생활하면서 경험하셨던 포인트는 다들 한 두가지쯤 있으시지 않을까 싶네요.

급한 불 끄기식 문제 해결
회사에는 처리할 수 있는 시간보다 더 많은 문제가 존재합니다. 작은 문제를 간과할 수 있는 환경에서는 최선의 결과가 나올 수 있지만, 최악의 경우 계속해서 긴급한 문제에만 대처하느라 운영에 필요한 자원이 고갈되고 맙니다. 직원들은 과제를 끝내지도 못한 채 다음 문제로 뛰어들게 됩니다.
문제를 해결하려는 시도는 무의미한 임시방편으로 끝나고, 생산성은 급격히 떨어집니다.
업무 관리는 당장 해결해야 할 문제를 고르는 끝없는 저글링 게임으로 변하고, 과로에 지친 직원들을 어디에 배치할지 결정하는 것 조차 큰 숙제가 됩니다.

증상
 * 모든 문제를 해결할 시간이 부족합니다.
 * 해결책이 불완전합니다
 * 문제가 재발하거나 확산됩니다
 * 중요성보다 긴급성이 우선됩니다.
 * 많은 문제가 위기로 발전합니다.
 * 성과가 저하됩니다.

이런 상황에서 가장 큰 문제는 긴급 대처 과정에서 효율적인 해결책을 찾기보다, 빠르고 조잡한 해결책을 내놓는 다는 점 입니다. 문제의 근본 원인을 파악할 시간이 부족해 직관적으로 진단 한 뒤, 검증 전에 즉흥적으로 코드를 변경하곤 합니다.

IT 중심 사고
IT 중심 사고를 가진 기업은 사용자 중심 제품 기술을 내부 IT 기술처럼 관리하려고 합니다. 이러한 접근은 나쁜 고객 경험을 초래할 뿐만 아니라, 조직에도 어려움을 가져옵니다.
IT 제품은 직원들이 회사의 지시에 따라 사용해야 하는 도구지만, 사용자 제품은 모든 사용자가 스스로 구매 결정을 내립니다. 사용자가 원하지 않으면 사용하지 않습니다.
IT 제품은 기업이 교육 과정, 매뉴얼 숙지, 전문 서비스 등을 요구할 수 있지만, 사용자 중심 제품은 사용자가 즉각적으로 이해하고 사용할 수 있어야 합니다. 그렇지 않으면 단 한 번의 클릭으로 경쟁사로 넘어갑니다.

느린 결과 도출
팀이 작업을 보수적으로 추정하면 속도가 부풀려질 가능성이 있습니다.
결과가 아닌 산출물의 속도에만 초점을 맞추는 문제는 고객 입장에서 아무런 의미가 없습니다. 아무리 뛰어난 CI/CD를 갖췄더라도, 고객이 제품에서 얻는 가치를 직접적으로 향상시키지 않는다면 무의미합니다. 결과를 만들어내기 위해서는 상황에 따라 기존 방식을 개선하는 혁신과 근본적인 변화를 이끄는 혁신이 모두 필요합니다.

혼돈의 일정
계속해서 일정이 바뀌는 상황이 된다면 잘못된 프로덕트 문화의 명확한 증상입니다. 환경이 변할 때마다 우선순위와 일정이 함께 흔들린다고 느낀다면 제품 비전을 점검해야 할 때 입니다.
근본 원인은 보통 명확하고 견고한 제품 비전이 없거나, 제품 비전이 너무 약해 비즈니스 환경을 견디지 못하는 경우입니다.
비전의 부재는 단순히 일정의 혼란을 초래할 뿐만 아니라, 팀 구조 정의, 비즈니스 도메인 설정, 우선순위 조정, OKR 설정 등 여러 가지 문제를 유발합니다.
또한 비전 부족만의 문제가 아니고 비효율적인 프로세스, 불명확한 의사결정 체계, 또는 조직 문화의 문제에서도 비롯될 수 있습니다.

무너진 신뢰
이해관계자들은 프로세스, 제품 관리자, 제품 디자이너, 그리고 그 외의 모든 요소를 진행을 방해하는 장애물로 간주합니다. 소프트웨어 개발 조직은 실질적인 가치를 제공하지 못한다는 부정적인 평판을 얻게 됩니다.
신뢰는 회사의 효율성을 높이는 데 중요한 역할을 합니다. 서로 간에 개방적이고 솔직한 소통이 가능해지려면, 어느 정도의 신뢰가 전제되어야 합니다.
대표적인 위험 신호는 이해관계자들이 제품 관리자나 기존의 변경요청 프로세스를 완전히 건너뛰고 직접 엔지니어들과 소통하여 작업을 제품에 반영하려고 시도하는 경우입니다.

비즈니스 목표와 사용자 요구를 연결하는 데 탁월한 전문성을 가진 한 COO분께서 잘못된 프로덕트 문화의 증상은 어떤게 있는지 정리해주신 글이 있어 공유드립니다.직장 생활하면서 경험하셨던 포인트는 다들 한 두가지쯤 있으시지 않을까 싶네요. 급한 불 끄기식 문제 해결 회사에는 처리할 수 있는 시간보다 더 많은 문제가 존재합니다. 작은 문제를 간과할 수 있는 환경에서는 최선의 결과가 나올 수 있지만, 최악의 경우 계속해서 긴급한 문제에만 대처하느라 운영에 필요한 자원이 고갈되고 맙니다. 직원들은 과제를 끝내지도 못한 채 다음 문제로 뛰어들게 됩니다.문제를 해결하려는 시도는 무의미한 임시방편으로 끝나고, 생산성은 급격히 떨어집니다.업무 관리는 당장 해결해야 할 문제를 고르는 끝없는 저글링 게임으로 변하고, 과로에 지친 직원들을 어디에 배치할지 결정하는 것 조차 큰 숙제가 됩니다. 증상<ul ><li>모든 문제를 해결할 시간이 부족합니다.</li><li>해결책이 불완전합니다 </li><li>문제가 재발하거나 확산됩니다</li><li>중요성보다 긴급성이 우선됩니다.</li><li>많은 문제가 위기로 발전합니다.</li><li>성과가 저하됩니다.</li></ul> 이런 상황에서 가장 큰 문제는 긴급 대처 과정에서 효율적인 해결책을 찾기보다, 빠르고 조잡한 해결책을 내놓는 다는 점 입니다. 문제의 근본 원인을 파악할 시간이 부족해 직관적으로 진단 한 뒤, 검증 전에 즉흥적으로 코드를 변경하곤 합니다. IT 중심 사고 IT 중심 사고를 가진 기업은 사용자 중심 제품 기술을 내부 IT 기술처럼 관리하려고 합니다. 이러한 접근은 나쁜 고객 경험을 초래할 뿐만 아니라, 조직에도 어려움을 가져옵니다. IT 제품은 직원들이 회사의 지시에 따라 사용해야 하는 도구지만, 사용자 제품은 모든 사용자가 스스로 구매 결정을 내립니다. 사용자가 원하지 않으면 사용하지 않습니다.IT 제품은 기업이 교육 과정, 매뉴얼 숙지, 전문 서비스 등을 요구할 수 있지만, 사용자 중심 제품은 사용자가 즉각적으로 이해하고 사용할 수 있어야 합니다. 그렇지 않으면 단 한 번의 클릭으로 경쟁사로 넘어갑니다. 느린 결과 도출팀이 작업을 보수적으로 추정하면 속도가 부풀려질 가능성이 있습니다. 결과가 아닌 산출물의 속도에만 초점을 맞추는 문제는 고객 입장에서 아무런 의미가 없습니다. 아무리 뛰어난 CI/CD를 갖췄더라도, 고객이 제품에서 얻는 가치를 직접적으로 향상시키지 않는다면 무의미합니다. 결과를 만들어내기 위해서는 상황에 따라 기존 방식을 개선하는 혁신과 근본적인 변화를 이끄는 혁신이 모두 필요합니다. 혼돈의 일정계속해서 일정이 바뀌는 상황이 된다면 잘못된 프로덕트 문화의 명확한 증상입니다. 환경이 변할 때마다 우선순위와 일정이 함께 흔들린다고 느낀다면 제품 비전을 점검해야 할 때 입니다.근본 원인은 보통 명확하고 견고한 제품 비전이 없거나, 제품 비전이 너무 약해 비즈니스 환경을 견디지 못하는 경우입니다.비전의 부재는 단순히 일정의 혼란을 초래할 뿐만 아니라, 팀 구조 정의, 비즈니스 도메인 설정, 우선순위 조정, OKR 설정 등 여러 가지 문제를 유발합니다.또한 비전 부족만의 문제가 아니고 비효율적인 프로세스, 불명확한 의사결정 체계, 또는 조직 문화의 문제에서도 비롯될 수 있습니다. 무너진 신뢰이해관계자들은 프로세스, 제품 관리자, 제품 디자이너, 그리고 그 외의 모든 요소를 진행을 방해하는 장애물로 간주합니다. 소프트웨어 개발 조직은 실질적인 가치를 제공하지 못한다는 부정적인 평판을 얻게 됩니다. 신뢰는 회사의 효율성을 높이는 데 중요한 역할을 합니다. 서로 간에 개방적이고 솔직한 소통이 가능해지려면, 어느 정도의 신뢰가 전제되어야 합니다. 대표적인 위험 신호는 이해관계자들이 제품 관리자나 기존의 변경요청 프로세스를 완전히 건너뛰고 직접 엔지니어들과 소통하여 작업을 제품에 반영하려고 시도하는 경우입니다.

요즘IT

급한 불 끄기 바쁜 프로덕트의 문제점

FSD 프로젝트를 진행하면서, 수동으로 설정하는 데 불편함을 느꼈다. 제대로된 플러그인이 존재하지 않았고, 개발을 편하게 하기 위해 ESLint 모듈을 만들어보기로 했다.

FSD를 위한 ESLint 플러그인 개발 일지 | Zen's Atelier

FSD 활용하고 계신 분들 있으신가요?

FSD측에서는 Steiger라는 라이브러리를 권장하고 있지만, CLI형태 호출이기에 여러모로 불편함이 많습니다. ESLint 플러그인으로는 deprecated된 v8.x 이하 버전만 지원할 뿐, flat config에 기반한 v9.x 이상 버전에 대한 대응이 없었습니다.

현재 네이버 웹툰에서 인턴쉽을 하고 계시는 임재도 개발자님께서 설 연휴기간동안 불편함을 느끼셔서 직접 플러그인을 만드셨는데요.

flat config에 대해 처음 들으셨거나, FSD를 사용중이셨던 분들, ESLint 플러그인을 개발하는데 관심있으신 분들은 블로그 살펴보고 직접 사용해보시면 좋을 것 같습니다. 개인적으로 개발기가 꼼꼼하게 잘 작성되어있어서 재밌게 봤네요.

> 블로그: https://lnkd.in/gvWBh2D5
> 깃허브: https://lnkd.in/gGGQ9CMA
> NPM 패키지: https://lnkd.in/gczGBAES

FSD 활용하고 계신 분들 있으신가요? FSD측에서는 Steiger라는 라이브러리를 권장하고 있지만, CLI형태 호출이기에 여러모로 불편함이 많습니다. ESLint 플러그인으로는 deprecated된 v8.x 이하 버전만 지원할 뿐, flat config에 기반한 v9.x 이상 버전에 대한 대응이 없었습니다. 현재 네이버 웹툰에서 인턴쉽을 하고 계시는 임재도 개발자님께서 설 연휴기간동안 불편함을 느끼셔서 직접 플러그인을 만드셨는데요. flat config에 대해 처음 들으셨거나, FSD를 사용중이셨던 분들, ESLint 플러그인을 개발하는데 관심있으신 분들은 블로그 살펴보고 직접 사용해보시면 좋을 것 같습니다. 개인적으로 개발기가 꼼꼼하게 잘 작성되어있어서 재밌게 봤네요. &gt; 블로그: https://lnkd.in/gvWBh2D5 &gt; 깃허브: https://lnkd.in/gGGQ9CMA &gt; NPM 패키지: https://lnkd.in/gczGBAES

lnkd.in

임재도님의 FSD ESLint Plugin 개발기

이번 토스의 모닥불10화 "무엇이든 물어보세요"를 재미있게 보았습니다. 이번 에피소드에서는 프론트엔드 폴더 구조를 어떻게 효율적으로 설계할 수 있는지에 대한 이야기가 나왔는데요.
폴더 구조는 프로젝트의 유지보수성과 확장성에 큰 영향을 미치는 요소이기 때문에, 관심을 갖고 영상을 시청하였고, 내용을 정리해 보았습니다.

 1. 근접성 기반 구성: 사용되는 곳과 가까운 위치에 선언
    컴포넌트는 사용되는 페이지 또는 기능과 최대한 가까운 위치에 배치하는 것이 좋습니다.
    예를 들어, 로그인 페이지에서만 사용되는 컴포넌트라면
    /pages/login/
    내부에 해당 컴포넌트를 배치하는 것이 적절합니다.
    이유
    * 코드의 탐색이 쉬워지고 유지보수가 용이함
    * 특정 페이지와 관련된 코드만 삭제하면 사이드이펙트 없이 제거 가능
    * 연관된 컴포넌트와 유틸리티를 한곳에 배치하여 코드 가독성 향상
      
 2. 페이지 중심 아키텍처: 기능 단위로 코드 구성
    폴더 구조를 설계할 때는 페이지(Page) 중심으로 코드를 구성하는 것이 좋습니다. 각 페이지의 디렉토리는 컴포넌트, 훅, 유틸리티 등의 관련 코드를 포함하도록 설계할 수 있습니다.
    ✅ 예시 폴더 구조
    src/
      pages/
        login/
          components/
          hooks/
          utils/
          index.tsx
        dashboard/
          components/
          hooks/
          utils/
          index.tsx
    

 3. 프로젝트 규모에 따른 유연한 적용
    그렇지만 이러한 구조는 주로 대규모 프로젝트에 적합합니다. 소규모 프로젝트의 경우, 개별 페이지 내에 훅과 유틸리티를 분산시키는 것보다 전역에서 관리하는 것이 더 효율적일 수 있습니다.
    하지만 프로젝트 규모가 커질수록:
    * 사용되는 곳과 가까운 위치에 코드를 배치하여 결합도를 높이고
    * 응집도를 낮춤으로써 코드의 가시성을 확보하며
    * 수정과 삭제가 용이한 구조를 만드는 것이 중요해집니다.

프로젝트의 규모와 복잡도에 따라 위에서 소개한 원칙들을 유연하게 적용하면, 보다 효율적인 폴더 구조를 설계할 수 있을것 같습니다.

https://www.youtube.com/watch?v=Ddy29yiC19A

이번 토스의 모닥불10화 "무엇이든 물어보세요"를 재미있게 보았습니다. 이번 에피소드에서는 프론트엔드 폴더 구조를 어떻게 효율적으로 설계할 수 있는지에 대한 이야기가 나왔는데요. 폴더 구조는 프로젝트의 유지보수성과 확장성에 큰 영향을 미치는 요소이기 때문에, 관심을 갖고 영상을 시청하였고, 내용을 정리해 보았습니다. <ol ><li>근접성 기반 구성: 사용되는 곳과 가까운 위치에 선언컴포넌트는 사용되는 페이지 또는 기능과 최대한 가까운 위치에 배치하는 것이 좋습니다. 예를 들어, 로그인 페이지에서만 사용되는 컴포넌트라면 <code >/pages/login/</code> 내부에 해당 컴포넌트를 배치하는 것이 적절합니다.이유<ul ><li>코드의 탐색이 쉬워지고 유지보수가 용이함</li><li>특정 페이지와 관련된 코드만 삭제하면 사이드이펙트 없이 제거 가능</li><li>연관된 컴포넌트와 유틸리티를 한곳에 배치하여 코드 가독성 향상 </li></ul></li><li>페이지 중심 아키텍처: 기능 단위로 코드 구성폴더 구조를 설계할 때는 페이지(Page) 중심으로 코드를 구성하는 것이 좋습니다. 각 페이지의 디렉토리는 컴포넌트, 훅, 유틸리티 등의 관련 코드를 포함하도록 설계할 수 있습니다.✅ 예시 폴더 구조<pre ><code>src/
 pages/
 login/
 components/
 hooks/
 utils/
 index.tsx
 dashboard/
 components/
 hooks/
 utils/
 index.tsx
</code></pre></li><li>프로젝트 규모에 따른 유연한 적용그렇지만 이러한 구조는 주로 대규모 프로젝트에 적합합니다. 소규모 프로젝트의 경우, 개별 페이지 내에 훅과 유틸리티를 분산시키는 것보다 전역에서 관리하는 것이 더 효율적일 수 있습니다.하지만 프로젝트 규모가 커질수록:<ul ><li>사용되는 곳과 가까운 위치에 코드를 배치하여 결합도를 높이고</li><li>응집도를 낮춤으로써 코드의 가시성을 확보하며</li><li>수정과 삭제가 용이한 구조를 만드는 것이 중요해집니다.</li></ul></li></ol> 프로젝트의 규모와 복잡도에 따라 위에서 소개한 원칙들을 유연하게 적용하면, 보다 효율적인 폴더 구조를 설계할 수 있을것 같습니다. https://www.youtube.com/watch?v=Ddy29yiC19A

www.youtube.com

효율적인 프론트엔드 폴더 구조 설계하기: 토스 모닥불 EP.10 리뷰"

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

원문 : https://www.frontendundefined.com/posts/summaries/common-react-libraries/ 리액트를 처음 사용하는 경우, 함께 사용하는 라이브러리가 너무 많아서 압도될 수 있습니다. 이 글에서는 여러분이 방향을 잘 잡을 수 있도록 라이브러리들에 대한 간략한 요약을 제공하려고 합니다. 모든 라이브러리를 일일이 나열하지는 않겠지만, 전체적인 모습을 알게 됨으로써 어떤 라이브러리가 있는지 파악하는 데 도움이 

(번역) 리액트와 함께 일반적으로 사용되는 라이브러리들

이번에 소개드릴 글은 라인플러스의 황세현님이 번역해주신 글입니다. 앱을 개발하다 보면 모든 기능을 직접 구현할 수 없기 때문에 라이브러리를 필수적으로 사용하게 됩니다. 하지만 같은 목적의 라이브러리라도 그 종류가 매우 다양하므로 프로젝트에 도입하기까지 많은 고민과 의논이 필요합니다. 이 글에서는 리액트와 함께 일반적으로 많이 사용되는 라이브러리를 용도별로 분류하여 소개하고 있습니다. 현재 리액트 프로젝트에 어떤 라이브러리를 도입하는 게 좋을지 고민 중이라면 이 글의 내용을 참고하여 도움이 되시길 바랍니다 :)

이트루

이윤

프론트엔드개발자

윤재윤

#프론트엔드 #UI디자인 #UX디자인 #개발자 #그로스마인드셋 #끊임없이배우기 #독서 #문제를해결하는 #사이드프로젝트

웹퍼블리셔

다영

프론트엔드 개발자를 목표로 달리고 있는 웹퍼블리셔입니다.
#퍼블리셔 #프론트엔드 #개발자

리액트와 함께 일반적으로 사용되는 라이브러리들

Official Account를 개발하고 있습니다.

프런트엔드 개발자

프론트엔드 업무 인턴십을 수행했습니다. React를 이용해 설문조사 폼을 만드는 과제를 수행했습니다. 

프런트엔드 인턴쉽

TOAST UI 오픈소스 메인테이닝 업무를 수행했습니다.

JSP 기반의 환경에서 웹 페이지 퍼블리싱 업무를 주로 수행했습니다. jQuery와 HTML, CSS를 사용해 개발했습니다.

퍼블리셔 및 프런트엔드 개발자

컴퓨터 정보공학과

한정(Jung Han)

링크드인

블로그

효율적이게 일하는 것을 중요하게 여기며 팀에 도움이 되는 활동에 관심이 많습니다. 
Korean FE Article이란 프런트엔드 아티클 번역 활동을 운영하고 있습니다.
최근에는 AI를 통한 업무 효율을 높이는데 관심이 많습니다.

리액트와 함께 일반적으로 사용되는 라이브러리들

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필