OpenAI가 o3-mini를 런칭한 것이 DeepSeek 때문에 긴장해서 그런 것이라고 하는데, 절대 아닐 것 입니다.

진짜 이유는 바로 Google이 Gemini 2.0 Falsh을 런칭했기 때문이죠. ㅋㅋ

OpenAI의 0순위 미션이 구글에게 빅엿을 주는 것이라는 것은, 그동안의 행보를 보면 아주 분명하게 알 수 있죠. 😏

* 참고: 어제부터 Gemini 2.0 Falsh를 Gemini 서비스에서 사용할 수 있게 되었습니다. o3-mini 이슈에 묻혀 아무도 모르겠지만 ㅋㅋㅋㅋ

OpenAI가 o3-mini를 런칭한 것이 DeepSeek 때문에 긴장해서 그런 것이라고 하는데, 절대 아닐 것 입니다. 진짜 이유는 바로 Google이 Gemini 2.0 Falsh을 런칭했기 때문이죠. ㅋㅋ OpenAI의 0순위 미션이 구글에게 빅엿을 주는 것이라는 것은, 그동안의 행보를 보면 아주 분명하게 알 수 있죠. 😏 * 참고: 어제부터 Gemini 2.0 Falsh를 Gemini 서비스에서 사용할 수 있게 되었습니다. o3-mini 이슈에 묻혀 아무도 모르겠지만 ㅋㅋㅋㅋ

‪물론 농담입니다. 설마 진담으로 받는 사람은 없겠..지만 그간의 행보를 보면 신빙성이 높긴하죠. ㅋㅋ‬

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. 

곧 런칭할 앱의 개발을 시작 할 때는 모든 기술을 다 직접 한땀한땀 구현했는데, 프로젝트가 진행되면서 상당수를 오픈소스 혹은 PaaS/IaaS에 외주(?) 줘버렸다.

기술적인 이슈나 욕심이 있는 것도 있었고 이정도는 그냥 직접 하는게 더 빠르고 편하다고 생각한 것도 있었는데, 프로젝트가 진척되면서 보니 역시 관리와 운영 이슈를 혼자 다 핸들링하기는 쉽지 않겠다고 판단했다.

물론 오픈소스나 PaaS/IaaS를 사용하면 공부해야 할 것이 더 많아지기도하고, 내가 제어 할 수 없는 영역이 생기기 때문에 일장일단이 있긴 하다.

아무튼, AI도 그렇지만 다른 기술이나 인프라도 정말 많은 부분을 외주 줄 수 있어서, 꽤 복잡하고 규모있는 앱 서비스도 혼자 개발하고 운영할 수 있는 세상이 되었다.

그렇다면 과연 이런 세상에서 사업과 서비스란, 기술과 개발이란 어떤 의미를 가지게 될까? 그것이 앞으로 내가 가장 주의깊게 생각해봐야 할 문제가 아닐까 싶다.

곧 런칭할 앱의 개발을 시작 할 때는 모든 기술을 다 직접 한땀한땀 구현했는데, 프로젝트가 진행되면서 상당수를 오픈소스 혹은 PaaS/IaaS에 외주(?) 줘버렸다. 기술적인 이슈나 욕심이 있는 것도 있었고 이정도는 그냥 직접 하는게 더 빠르고 편하다고 생각한 것도 있었는데, 프로젝트가 진척되면서 보니 역시 관리와 운영 이슈를 혼자 다 핸들링하기는 쉽지 않겠다고 판단했다. 물론 오픈소스나 PaaS/IaaS를 사용하면 공부해야 할 것이 더 많아지기도하고, 내가 제어 할 수 없는 영역이 생기기 때문에 일장일단이 있긴 하다. 아무튼, AI도 그렇지만 다른 기술이나 인프라도 정말 많은 부분을 외주 줄 수 있어서, 꽤 복잡하고 규모있는 앱 서비스도 혼자 개발하고 운영할 수 있는 세상이 되었다. 그렇다면 과연 이런 세상에서 사업과 서비스란, 기술과 개발이란 어떤 의미를 가지게 될까? 그것이 앞으로 내가 가장 주의깊게 생각해봐야 할 문제가 아닐까 싶다.

OpenAI가 ChatGPT에 도입한 새로운 에이전트형 기능 "심층 연구"인터넷에서 방대한 정보를 수집·분석·종합해, 복잡한 과제를 수십 분 안에 자동으로 해결해주는 역할을 수행함향후 AGI 달성을 위한 핵심 단계로서, 새로운 지식을 창출할 수 있는 ‘지식 종합’ 능력은 필수적Deep research를 만든 이유고도의 지식 노동(금융, 과학, 정책, 엔지니

OpenAI, Deep Research 공개 | GeekNews

OpenAI가 현지시간 2월2일자로 복잡한 다단계 연구 작업을 자동화하고 신속하게 고품질 분석 결과를 제공하는 AI 에이전트를 공개했습니다. 최근 DeepSeek으로 인해 미국의 AI업계들이 여러 난항(?)을 겪고 있는데, 어쩌면 이에 대한 반격의 시작으로 볼 수도 있을거 같습니다. 왜냐면 이름이 공교롭게도 Deep을 같이 써서 더 그런 느낌적인 느낌(?) 이네요..^^

🍎 딥리서치(Deep Researchh)
 * 2025년 2월2일 OpenAI가 공개
 * 개념: 필요한 데이터를 찾기 위해 여러 단계의 궤적을 계획하고 실행하며, 필요한 경우 실시간 정보를 역추적하고 반응”하기 위해 자율적으로 작동하는 AI 에이전트
 * https://openai.com/index/introducing-deep-research/

🎀 주요 특징
 * 멀티스텝 연구 프로세스
   * 단일 검색에서 추가 질의를 생성해 정보를 재귀적으로 탐색
   * 인간이 수 시간~수일 걸리는 작업을 5~30분 내 완료
   * 예) 시장 동향 분석이나 과학 논문 검토 처리
 * 데이터 처리 능력
   * 텍스트, 이미지, PDF 등 다양한 형식의 데이터를 분석
   * 사용자 업로드 파일과 웹 데이터를 통합해 종합적 보고서 생성
   * 웹 크롤링 최적화되어 수백 개 온라인 소스 동시 분석
 * 투명성과 신뢰성
   * 작업 과정 실시간 공개(사고 과정 및 출처 명시)
   * 모든 결론에 참고 자료 표기
 * 성능 벤치마크
   * 'Humanity’s Last Exam' 26.6% 정확도 기록
   * GPT-4o는 약 3.3%, Claude 3.5 Sonnet는 4.3%, OpenAI o1은 9.1%
 * ChatGPT서비스와 통합
   * OpenAI의 차세대 모델인 o3의 웹 브라우징 및 데이터 분석에 최적화된 버전
   * 사용자 프롬프트를 ChatGPT를 통해 처리하여, 자연스러운 언어 이해와 생성 능력을 활용하여 다양한 온라인 소스를 탐색하고 분석하여 종합적인 보고서 생성
 * 접근 방식
   * ChatGPT 웹 버전에서만 사용 가능
     * ChatGPT의 메시지 입력창에서 Deep research 모드 선택 > 질문 + 참고 자료 업로드 > Deep Research 세부 보고서 작성
   * ChatGPT Pro 전용: 월 100회 쿼리 제한
   
   
⚠️ 한계
 * 루머와 신뢰도 높은 출처 구분 모호
 * 허위 정보 생성(hallucination) 가능성
 * 높은 컴퓨팅 자원 요구로 초기 사용 제한(월 100회 쿼리)
 * 일부 지역(유럽 등) 서비스 미제공

🥯 향후 전망
 * 모바일·데스크톱 앱 탑재 예정
 * 데이터 소스 확장 및 시각화 기능 강화(차트/인포그래픽 자동 생성)
 * 구독 기반 리소스 및 기업 내부 데이터 통합, 전문DB 연결 등
 * Deep research를 Operator와 결합하면 오프라인/온라인 실제 작업까지 자동화하는 고도화된 에이전트 구현
 * 기업 고객 대상 서비스 확대 및 B2B 시장 공략

🛠️ 참고
 * https://news.hada.io/topic?id=19036
 * source: https://openai.com/index/introducing-deep-research/

OpenAI가 현지시간 2월2일자로 복잡한 다단계 연구 작업을 자동화하고 신속하게 고품질 분석 결과를 제공하는 AI 에이전트를 공개했습니다. 최근 DeepSeek으로 인해 미국의 AI업계들이 여러 난항(?)을 겪고 있는데, 어쩌면 이에 대한 반격의 시작으로 볼 수도 있을거 같습니다. 왜냐면 이름이 공교롭게도 Deep을 같이 써서 더 그런 느낌적인 느낌(?) 이네요..^^ 🍎 딥리서치(Deep Researchh)<ul ><li>2025년 2월2일 OpenAI가 공개</li><li>개념: 필요한 데이터를 찾기 위해 여러 단계의 궤적을 계획하고 실행하며, 필요한 경우 실시간 정보를 역추적하고 반응”하기 위해 자율적으로 작동하는 AI 에이전트</li><li>https://openai.com/index/introducing-deep-research/</li></ul> 🎀 주요 특징<ul ><li>멀티스텝 연구 프로세스<ul ><li>단일 검색에서 추가 질의를 생성해 정보를 재귀적으로 탐색</li><li>인간이 수 시간~수일 걸리는 작업을 5~30분 내 완료</li><li>예) 시장 동향 분석이나 과학 논문 검토 처리</li></ul></li><li>데이터 처리 능력<ul ><li>텍스트, 이미지, PDF 등 다양한 형식의 데이터를 분석</li><li>사용자 업로드 파일과 웹 데이터를 통합해 종합적 보고서 생성</li><li>웹 크롤링 최적화되어 수백 개 온라인 소스 동시 분석</li></ul></li><li>투명성과 신뢰성<ul ><li>작업 과정 실시간 공개(사고 과정 및 출처 명시)</li><li>모든 결론에 참고 자료 표기</li></ul></li><li>성능 벤치마크<ul ><li>'Humanity’s Last Exam' 26.6% 정확도 기록</li><li>GPT-4o는 약 3.3%, Claude 3.5 Sonnet는 4.3%, OpenAI o1은 9.1%</li></ul></li><li>ChatGPT서비스와 통합<ul ><li>OpenAI의 차세대 모델인 o3의 웹 브라우징 및 데이터 분석에 최적화된 버전</li><li>사용자 프롬프트를 ChatGPT를 통해 처리하여, 자연스러운 언어 이해와 생성 능력을 활용하여 다양한 온라인 소스를 탐색하고 분석하여 종합적인 보고서 생성</li></ul></li><li>접근 방식<ul ><li>ChatGPT 웹 버전에서만 사용 가능<ul ><li>ChatGPT의 메시지 입력창에서 Deep research 모드 선택 &gt; 질문 + 참고 자료 업로드 &gt; Deep Research 세부 보고서 작성</li></ul></li><li>ChatGPT Pro 전용: 월 100회 쿼리 제한</li></ul> </li></ul>⚠️ 한계 <ul ><li>루머와 신뢰도 높은 출처 구분 모호</li><li>허위 정보 생성(hallucination) 가능성</li><li>높은 컴퓨팅 자원 요구로 초기 사용 제한(월 100회 쿼리)</li><li>일부 지역(유럽 등) 서비스 미제공</li></ul> 🥯 향후 전망<ul ><li>모바일·데스크톱 앱 탑재 예정</li><li>데이터 소스 확장 및 시각화 기능 강화(차트/인포그래픽 자동 생성)</li><li>구독 기반 리소스 및 기업 내부 데이터 통합, 전문DB 연결 등</li><li>Deep research를 Operator와 결합하면 오프라인/온라인 실제 작업까지 자동화하는 고도화된 에이전트 구현 </li><li>기업 고객 대상 서비스 확대 및 B2B 시장 공략</li></ul> 🛠️ 참고<ul ><li>https://news.hada.io/topic?id=19036</li><li>source: https://openai.com/index/introducing-deep-research/</li></ul>

GeekNews

OpenAI의 반격의 시작(?) - Deep Research

Claude가 GPT나 Gemini 등에 비해 코딩에 여전히 더 적합하다는 경험담이 많은데요.

제가 지속적으로 써 보고 느낀바도 역시 그렇습니다. 특히 웹 코딩 쪽에서 좀 더 두각을 나타내는 편으로 보이는데, Claude 서비스에 Web App을 만드는 기능을 만들면서 그쪽으로 데이터를 좀 더 집중한게 아닌게 싶습니다.

그러나, 함정이 있습니다.

Claude가 잘 하는 부분은 복잡해보이는 문제도 실제로는 단순한 부분입니다. 간단하게 말하자면, 빈칸을 채우는 것을 잘하는 것이었습니다.

그런데 조금은 생각을 해야하는, 이를테면 메모리 문제나 동시성 처리같은 부분, 혹은 수학적인 알고리즘의 구현 등은 Claude나 4o 같은 일반 생성 모델 보다는 Reasoning 모델들이 더 잘 하는 것을 확인했습니다.

즉, 말 그대로 생각없이 채워넣기 수준의 코딩은 Claude가 더 잘 하는 편이고, 대개 많은 경우가 새로운 문제나 어려운 문제를 푸는 것이 아니라 단순 구현이 많기 때문에 대부분의 경우 Claude가 더 잘 한다고 느끼는 것 입니다.

이를 확인하고나니 폰 노이만이 프로그래밍, 코딩을 지적 능력이 거의 필요하지 않은 사무적인 일이라고 했던 말이 다시금 떠오르더군요.

사실 지금 회사에서 하는 일도, 많은 부분을 이미 생각은 니가 하렴 노가다는 인간이(내가) 할께..수준으로 일을 하고 있기도 합니다.

아무튼, 당장은 AI를 그 필요에 맞게 선택해서 쓰는데에 이 경험이 유용하겠지만, 앞으로 우리가 해야 할 일이 무엇인지 조금 더 진지하게 생각해 볼 필요가 있지 않을까 싶네요.

Claude가 GPT나 Gemini 등에 비해 코딩에 여전히 더 적합하다는 경험담이 많은데요. 제가 지속적으로 써 보고 느낀바도 역시 그렇습니다. 특히 웹 코딩 쪽에서 좀 더 두각을 나타내는 편으로 보이는데, Claude 서비스에 Web App을 만드는 기능을 만들면서 그쪽으로 데이터를 좀 더 집중한게 아닌게 싶습니다. 그러나, 함정이 있습니다. Claude가 잘 하는 부분은 복잡해보이는 문제도 실제로는 단순한 부분입니다. 간단하게 말하자면, 빈칸을 채우는 것을 잘하는 것이었습니다. 그런데 조금은 생각을 해야하는, 이를테면 메모리 문제나 동시성 처리같은 부분, 혹은 수학적인 알고리즘의 구현 등은 Claude나 4o 같은 일반 생성 모델 보다는 Reasoning 모델들이 더 잘 하는 것을 확인했습니다. 즉, 말 그대로 생각없이 채워넣기 수준의 코딩은 Claude가 더 잘 하는 편이고, 대개 많은 경우가 새로운 문제나 어려운 문제를 푸는 것이 아니라 단순 구현이 많기 때문에 대부분의 경우 Claude가 더 잘 한다고 느끼는 것 입니다. 이를 확인하고나니 폰 노이만이 프로그래밍, 코딩을 지적 능력이 거의 필요하지 않은 사무적인 일이라고 했던 말이 다시금 떠오르더군요. 사실 지금 회사에서 하는 일도, 많은 부분을 이미 생각은 니가 하렴 노가다는 인간이(내가) 할께..수준으로 일을 하고 있기도 합니다. 아무튼, 당장은 AI를 그 필요에 맞게 선택해서 쓰는데에 이 경험이 유용하겠지만, 앞으로 우리가 해야 할 일이 무엇인지 조금 더 진지하게 생각해 볼 필요가 있지 않을까 싶네요.

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

velog.io

꼭 Next.js일 필요는 없습니다

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

장애 알림은 서버 개발자의 숙명

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

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

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

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

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

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

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

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

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

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

K리그 프로그래머

장애 알림과 서버 개발자

[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!

간밤에 OpenAI에서 Deep Research라는 제품을 출시했네요.

조사와 연구를 대신 해 주는 컨셉인데요. 단순한 검색과는 달리 조사 과정에서 어떠한 새로운 관점이 나오면 그걸 더 깊게 파고드는 방식입니다. 학부/석사과정 정도 수준의 정말 간단한 조사연구 정도는 해 내는 것 같네요.

이미 비슷한 형식의 검색 에이전트들이 나와있긴 합니다만, 훨씬 더 정교하게 작동하는 것 같습니다. 리서치에 5분~20분 정도 시간이 소요되며 Pro 유저만 사용 가능합니다.

감상은, Pro 결제 해야겠습니다.

간밤에 OpenAI에서 Deep Research라는 제품을 출시했네요. 조사와 연구를 대신 해 주는 컨셉인데요. 단순한 검색과는 달리 조사 과정에서 어떠한 새로운 관점이 나오면 그걸 더 깊게 파고드는 방식입니다. 학부/석사과정 정도 수준의 정말 간단한 조사연구 정도는 해 내는 것 같네요. 이미 비슷한 형식의 검색 에이전트들이 나와있긴 합니다만, 훨씬 더 정교하게 작동하는 것 같습니다. 리서치에 5분~20분 정도 시간이 소요되며 Pro 유저만 사용 가능합니다. 감상은, Pro 결제 해야겠습니다.

후후.. 날것의 피드백을 들으니 쫄깃하구먼.. ☺️

후후.. 날것의 피드백을 들으니 쫄깃하구먼.. ☺️

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

일시: 2023년 3월 2일 05:50 AM'매경 월가월부' 에서 따끈한 주식정보를 확인하세요!◆ 채널 구독하기 : https://www.youtube.com/@MK_Invest #테슬라 #테슬라인베스터데이 #인베스터데이 #일론머스크 #테슬라동시통역 #테슬라주가전망 #삼백슬라 #...

3월 2일 05:50 (한국시간) l 테슬라 인베스터데이(Investor Day), 동시통역 매경 생중계 l 머스크, 비장의 무기 내놓나 l 이상덕 특파원 실리콘밸리뷰

커리어리 친구들, 직접 테슬라 인베스터 데이를 보세요!! 지금은 QA 시간을 라이브로 동시통역하고 있어요!! 끝나면 처음부터 볼 수 있도록 레코딩 버전이 올라올 겁니다.

www.youtube.com

HITS 채용 담당자

문종혁

지수inc 유지관리팀 사원

최광우

빛나는광우 빛광해돋을우 최광우입니다 ♥️ 🍒 💘 똥광코알라호랑이입니다 👍👍👍광우C최광우입니다☺️😍😀

<테슬라 인베스터 데이 동시통역 생중계>

머신 러닝

MySQL

python

html

javascript

SpringBoot

django

Java

Docker

Kubernetes

Linux

c언어

React

typescript

Node.js

Vue.js

Spring

Github

OracleDB

Android

데이터 분석

커뮤니케이션

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

HPC&AI PreSales

AI 전략경영 MBA

서진호

서진호의 링크드인

Google Cloud Innovators

시나브로의 실리콘 밸리 산책

저의 깃허브

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

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

<테슬라 인베스터 데이 동시통역 생중계>

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필