근데 진짜 내 코가 석자.. 남의 고민 들어 줄 때가 아닌디.. 🥹

근데 진짜 내 코가 석자.. 남의 고민 들어 줄 때가 아닌디.. 🥹

LLM 모델을 자체 구축할까의 조건에는 항상 데이터와 모델을 학습시키는 것에 대한 어려움과 비용만을 이야기하는데, 그와함께 운영상의 문제를 반드시 함께 고려해야합니다.

기술 진보의 사이클은 신기술 발명과 운영 기술 확보의 단계를 반복하는데, 운영 기술의 개발과 확보가 신기술의 발명 만큼이나 어렵고 비용이 많이 듭니다.

따라서 자체 모델 구축을 고려한다면 자체 모델 확보의 당위성에서 운영상의 어려움, 효율, 비용이 더 큰 관건일 수 있음을 인지해야합니다.

LLM 모델을 자체 구축할까의 조건에는 항상 데이터와 모델을 학습시키는 것에 대한 어려움과 비용만을 이야기하는데, 그와함께 운영상의 문제를 반드시 함께 고려해야합니다. 기술 진보의 사이클은 신기술 발명과 운영 기술 확보의 단계를 반복하는데, 운영 기술의 개발과 확보가 신기술의 발명 만큼이나 어렵고 비용이 많이 듭니다. 따라서 자체 모델 구축을 고려한다면 자체 모델 확보의 당위성에서 운영상의 어려움, 효율, 비용이 더 큰 관건일 수 있음을 인지해야합니다.

다음에 쓸 책 주제를 정했다.

“개발자의 인문학 공부”

Coming… 10년 뒤 ㅋ..

요즘 왜인지 서점에 가면 기술 서적 보다 인문학 서적이 눈에 많이 들어온다. 재밌기도 하고. 인문학 공부 열심히 해봐야지.

다음에 쓸 책 주제를 정했다. “개발자의 인문학 공부” Coming… 10년 뒤 ㅋ.. 요즘 왜인지 서점에 가면 기술 서적 보다 인문학 서적이 눈에 많이 들어온다. 재밌기도 하고. 인문학 공부 열심히 해봐야지.

결국은 가독성이 높은 코드가 좋은 코드다. 그래야 나도 나중에 쉽게 다시 기억을 되살릴 수 있고, 다른 사람들이 쉽게 이해하고 내가 그만두거나 다른 일로 넘어갈 때 유지보수가 쉬워진다.

단 코드를 작성할 때 본인이 하는 맡은 업무를 명확히 이해하는 것이 중요하다 ("문제 정의"). 그래야 맡은 일에서 정말 중요한 것들 중심으로 구현을 할 수 있기 때문이다. 문제의 복잡도와 들어가는 시간에는 다른 모든 것들처럼 보통 20:80 법칙이 적용된다. 마지막 20%를 해결하는데 보통 80%의 시간을 쓰게 되기에 20%를 단순하게 해결할 방법을 생각해보는 것이 필요하며 의사 소통을 통해 문제 정의를 잘 한다면 이 부분이 쉬워진다. 내 생각을 정리해보자면

 * 가독성이 높은 단순한 코드를 작성하자 (The simpler the better). 그래야 코드 리뷰부터 시작해서 모든 것이 쉬워진다. 불필요하게 복잡한 코드를 작성하면 본인도 나중에 다시 이해하려면 고생한다.
 * 모듈화 등을 통해 유지보수가 쉬운 코드를 작성하는 것이다. 예를 들어 비슷한 코드가 게으름이나 시간 압박으로 인해 하드코드 형태로 여기저기 흩어져 있다고 하면 유지보수에 큰 어려움을 겪게 될 가능성이 높다.
 * 문제 정의를 잘하는 것이 가장 중요하며 선행되어야 한다. 하지만 주의할 점은 처음 만드는 거라면 요구 조건이 시간을 두고 바뀔 가능성이 높기에 유연하게 만들고 너무 빠르게 최적화하지 않을 필요가 있다.
 * 마지막 20%를 해결하는데 들어가는 노력이 80%임을 인지하고 이 20%의 해결방법을 단순하게 할 방법을 찾아보자.

요약하자면 "읽기 쉽고 유지보수가 쉬운 코드를 작성해서 다른 사람들과의 협업이 쉽도록 만들자"

결국은 가독성이 높은 코드가 좋은 코드다. 그래야 나도 나중에 쉽게 다시 기억을 되살릴 수 있고, 다른 사람들이 쉽게 이해하고 내가 그만두거나 다른 일로 넘어갈 때 유지보수가 쉬워진다. 단 코드를 작성할 때 본인이 하는 맡은 업무를 명확히 이해하는 것이 중요하다 ("문제 정의"). 그래야 맡은 일에서 정말 중요한 것들 중심으로 구현을 할 수 있기 때문이다. 문제의 복잡도와 들어가는 시간에는 다른 모든 것들처럼 보통 20:80 법칙이 적용된다. 마지막 20%를 해결하는데 보통 80%의 시간을 쓰게 되기에 20%를 단순하게 해결할 방법을 생각해보는 것이 필요하며 의사 소통을 통해 문제 정의를 잘 한다면 이 부분이 쉬워진다. 내 생각을 정리해보자면 <ul ><li>가독성이 높은 단순한 코드를 작성하자 (The simpler the better). 그래야 코드 리뷰부터 시작해서 모든 것이 쉬워진다. 불필요하게 복잡한 코드를 작성하면 본인도 나중에 다시 이해하려면 고생한다.</li><li>모듈화 등을 통해 유지보수가 쉬운 코드를 작성하는 것이다. 예를 들어 비슷한 코드가 게으름이나 시간 압박으로 인해 하드코드 형태로 여기저기 흩어져 있다고 하면 유지보수에 큰 어려움을 겪게 될 가능성이 높다.</li><li>문제 정의를 잘하는 것이 가장 중요하며 선행되어야 한다. 하지만 주의할 점은 처음 만드는 거라면 요구 조건이 시간을 두고 바뀔 가능성이 높기에 유연하게 만들고 너무 빠르게 최적화하지 않을 필요가 있다.</li><li>마지막 20%를 해결하는데 들어가는 노력이 80%임을 인지하고 이 20%의 해결방법을 단순하게 할 방법을 찾아보자.</li></ul> 요약하자면 "읽기 쉽고 유지보수가 쉬운 코드를 작성해서 다른 사람들과의 협업이 쉽도록 만들자"

좋은 코드란?

A/B 테스트에서 개별 그룹 간 샘플 크기가 대등한 비율을 갖기를 기대하지만, 때때로 이 균형이 깨질 수 있습니다. 그런데 얼마나 차이가나야 불균등한 것 일까요? 그리고 대처방법은 없을까요? 물론 있지요! 함께 살펴봅시다. A/B 테스트에서 개별 사용자를 실험 그룹에 할당할 때, 그룹이 2개인 경우 50% : 50%, 그룹이 3개인 경우 33.3% ...

A/B 테스트 과정에서 맞닥뜨릴 수 있는 문제2. 불균등한 샘플 분배, 어느 정도 차이가 문제인걸까? 그리고 해결방법은?

핵클에서 근무하고 계신 데이터 과학자분의 글입니다. AB Test에서 그룹 간 샘플 크기가 대등하길 바라지만, 균형이 깨질 때 어떻게 해야할지에 대한 글입니다. 실용적인 관점의 글이니 실험 고민이 있다면 읽어보셔요.

Q) 그룹간 샘플 크기가 균등하게 분배가 안되면 어떤 문제가 발생하는지?
 * P value가 왜곡될 수 있음
 * 실험 결과의 신뢰성을 저하시킬 수 있고, 잘못된 의사 결정을 유도함
 * 해결 방법
   * 샘플 크기 재조정
   * 가중치 적용
   * Welch's t-test 검정
   * 재시작

불균등 분배를 사전에 감지하는 방법 : SRM(Sample Ratio Mismatch)
Q) SRM을 어떻게 감지하나요?
 * 관찰된 빈도가 기대되는 빈도와 유의미하게 다른지 검증할 때 사용하는 Chi-Squared Goodness of fit test(카이스퀘어 적합도 검정)을 사용

Q) SRM은 어떤 경우에 발생하나요?
 * 가장 빈번한 원인 : 트래픽 할당 로직 오류

https://medium.com/@khjin1002/a-b-%ED%85%8C%EC%8A%A4%ED%8A%B8-%EA%B3%BC%EC%A0%95%EC%97%90%EC%84%9C-%EB%A7%9E%EB%8B%A5%EB%9C%A8%EB%A6%B4-%EC%88%98-%EC%9E%88%EB%8A%94-%EB%AC%B8%EC%A0%9C2-%EB%B6%88%EA%B7%A0%EB%93%B1%ED%95%9C-%EC%83%98%ED%94%8C-%EB%B6%84%EB%B0%B0-%EC%96%B4%EB%8A%90-%EC%A0%95%EB%8F%84-%EC%B0%A8%EC%9D%B4%EA%B0%80-%EB%AC%B8%EC%A0%9C%EC%9D%B8%EA%B1%B8%EA%B9%8C-%EA%B7%B8%EB%A6%AC%EA%B3%A0-%ED%95%B4%EA%B2%B0%EB%B0%A9%EB%B2%95%EC%9D%80-de287bce1643

핵클에서 근무하고 계신 데이터 과학자분의 글입니다. AB Test에서 그룹 간 샘플 크기가 대등하길 바라지만, 균형이 깨질 때 어떻게 해야할지에 대한 글입니다. 실용적인 관점의 글이니 실험 고민이 있다면 읽어보셔요. Q) 그룹간 샘플 크기가 균등하게 분배가 안되면 어떤 문제가 발생하는지?<ul ><li>P value가 왜곡될 수 있음</li><li>실험 결과의 신뢰성을 저하시킬 수 있고, 잘못된 의사 결정을 유도함</li><li>해결 방법<ul ><li>샘플 크기 재조정</li><li>가중치 적용</li><li>Welch's t-test 검정</li><li>재시작</li></ul></li></ul> 불균등 분배를 사전에 감지하는 방법 : SRM(Sample Ratio Mismatch)Q) SRM을 어떻게 감지하나요?<ul ><li>관찰된 빈도가 기대되는 빈도와 유의미하게 다른지 검증할 때 사용하는 Chi-Squared Goodness of fit test(카이스퀘어 적합도 검정)을 사용</li></ul> Q) SRM은 어떤 경우에 발생하나요?<ul ><li>가장 빈번한 원인 : 트래픽 할당 로직 오류</li></ul> https://medium.com/@khjin1002/a-b-%ED%85%8C%EC%8A%A4%ED%8A%B8-%EA%B3%BC%EC%A0%95%EC%97%90%EC%84%9C-%EB%A7%9E%EB%8B%A5%EB%9C%A8%EB%A6%B4-%EC%88%98-%EC%9E%88%EB%8A%94-%EB%AC%B8%EC%A0%9C2-%EB%B6%88%EA%B7%A0%EB%93%B1%ED%95%9C-%EC%83%98%ED%94%8C-%EB%B6%84%EB%B0%B0-%EC%96%B4%EB%8A%90-%EC%A0%95%EB%8F%84-%EC%B0%A8%EC%9D%B4%EA%B0%80-%EB%AC%B8%EC%A0%9C%EC%9D%B8%EA%B1%B8%EA%B9%8C-%EA%B7%B8%EB%A6%AC%EA%B3%A0-%ED%95%B4%EA%B2%B0%EB%B0%A9%EB%B2%95%EC%9D%80-de287bce1643

Medium

AB Test 중 불균등한 샘플 분배에 대한 글

LLM으로 '변호사'와 '재판관' 등의 역할을 하여 민사재판의 과정을 시뮬레이션하는 실험을 했는데, 시뮬레이션이 진행됨에 따라 변호사의 LLM이 진화하여 법률에 대한 추론 스킬이 향상되었다고 합니다.

시뮬레이션이 진행됨에 따라 변호사 에이전트의 전문지식이나 논리적 사고 능력이 현저하게 향상된 것이 확인되었는데, 중요한 것은 “특수한 어노테이션은 필요하지 않았다”는 것 입니다.

원고, 피고, 원고 측의 변호사, 피고 측의 변호사, 판사, 서기관의 롤플레이로 법원의 시뮬레이션을 진행했으며, 1,000건(약 10년분)의 실제 민사 사건을 기반으로 시뮬레이션을 진행했고, "대립적 진화"라는 에이전트끼리 경쟁하면서 능력을 높이는 접근 방식을 사용했다고 합니다.

시뮬레이션을 통한 에이전트의 지속적 학습은 앞으로 더욱 중요한 주제가 될 것 같습니다.

논문 👉 AgentCourt: Simulating Court with Adversarial Evolvable Lawyer Agents

LLM으로 '변호사'와 '재판관' 등의 역할을 하여 민사재판의 과정을 시뮬레이션하는 실험을 했는데, 시뮬레이션이 진행됨에 따라 변호사의 LLM이 진화하여 법률에 대한 추론 스킬이 향상되었다고 합니다. 시뮬레이션이 진행됨에 따라 변호사 에이전트의 전문지식이나 논리적 사고 능력이 현저하게 향상된 것이 확인되었는데, 중요한 것은 “특수한 어노테이션은 필요하지 않았다”는 것 입니다. 원고, 피고, 원고 측의 변호사, 피고 측의 변호사, 판사, 서기관의 롤플레이로 법원의 시뮬레이션을 진행했으며, 1,000건(약 10년분)의 실제 민사 사건을 기반으로 시뮬레이션을 진행했고, "대립적 진화"라는 에이전트끼리 경쟁하면서 능력을 높이는 접근 방식을 사용했다고 합니다. 시뮬레이션을 통한 에이전트의 지속적 학습은 앞으로 더욱 중요한 주제가 될 것 같습니다. 논문 👉 AgentCourt: Simulating Court with Adversarial Evolvable Lawyer Agents

Manage entire Python projects and even Python itself with a single unified tool.

uv: Unified Python packaging

 * 파이썬에서 패키지 관리를 할 땐 보통 pip를 많이 사용합니다
 * uv는 Rust로 작성된 패키지 관리자입니다
   * pip 대비 매우 빠르다는 이야기를 하며 나왔네요
 * 패키지 설치, 프로젝트 관리, 가상 환경 등이 가능한데 pyenv, virtualenv를 대체할 수 있다고 나와있네요

사용 예시
 * uv init example
 * uv add ruff : 패키지 추가
 * uv run ruff check : 의존성 확인
 * uv python install : 파이썬 버전 설치
 * uv venv install : 가상 환경 생성

https://astral.sh/blog/uv-unified-python-packaging

<ul ><li>파이썬에서 패키지 관리를 할 땐 보통 pip를 많이 사용합니다</li></ul><ul ><li>uv는 Rust로 작성된 패키지 관리자입니다<ul ><li>pip 대비 매우 빠르다는 이야기를 하며 나왔네요</li></ul></li><li>패키지 설치, 프로젝트 관리, 가상 환경 등이 가능한데 pyenv, virtualenv를 대체할 수 있다고 나와있네요</li></ul> 사용 예시<ul ><li>uv init example</li><li>uv add ruff : 패키지 추가</li><li>uv run ruff check : 의존성 확인</li><li>uv python install : 파이썬 버전 설치</li><li>uv venv install : 가상 환경 생성</li></ul> https://astral.sh/blog/uv-unified-python-packaging

Astral

uv : 매우 빠른 파이썬 패키지 관리자

오늘은 인공지능(AI), 거대언어모델(LLM), 그리고 GPT의 개념과 차이점을 자세히 알아보려 합니다. 인공지능은 이미 우리의 일상 속에 깊이 자리 잡고 있으며, 다양한 분야에서 혁신을 일으키고 있습니다. 특히 최근 주목받고 있는 LLM과 GPT에 대해 이해하는 것은 AI 기술의 발전을 이해하는 데 중요한 첫걸음이 될 것입니다. 이 글에서 AI의 기본 개념부터 시작해서

슈퍼브 블로그

인공지능과 LLM, GPT를 깔끔하게 잘 정리한 내용이 있어 공유해봅니다.

[ 인공 지능 이란? ]
 * 인공지능(Artificial Intelligence, AI)은 컴퓨터 시스템이 인간의 지능을 모방하여 학습, 추론, 문제 해결 등의 작업을 수행하는 기술
 * 인간의 학습 능력, 추론 능력, 지각 능력을 인공적으로 구현하려는 컴퓨터 과학의 세부 분야 중 하나이며, 정보공학 분야에 있어 하나의 인프라 기술
 * AI는 머신러닝 기술을 통해 학습하며, 머신러닝은 컴퓨터가 데이터를 분석하고, 분석을 통해 학습하고, 학습한 내용을 기반으로 판단하고 예측할 수 있도록 알고리즘과 기술을 개발하는 분야

[ AI의 대표적인 유형들 ]

1. 대화형 인공지능 (Conversational AI)
 * 사람과 자연어로 대화를 나눌 수 있는 인공지능 기술
 * 자연어 처리(NLP: Natural Language Processing), 기계 학습(ML: Machine Learning), 인공신경망(ANN: Artificial Neural Network) 기술뿐만 아니라 감정 분석, 맥락 이해, 음성 인식 및 합성 등 다양한 기술 포함
 * 음성 인식 비서, 고객 서비스 챗봇, 게임 등에서 질문에 답하고, 정보를 제공하고, 상품을 추천하고, 특정 작업을 실행하는 등의 서비스 형태

2. 초거대 인공지능 (Hyper-scale AI)
 * 초거대 인공지능은 천문학적인 개수의 파라미터를 가지는 인공신경망 모델을 기반으로 복잡한 문제를 해결하는 인공지능 모델
 * 초거대 규모의 인공신경망 모델을 학습시키기 위해서는 방대한 양의 학습 데이터와 컴퓨팅 자원 필요 
 * 2020년대 초반에 GPT, BERT와 같은 트랜스포머 모델 기반의 대규모 언어 모델이 발전하며 주목받기 시작

3. 생성형 인공지능 (Generative AI)
 * 텍스트, 오디오, 이미지 등의 기존 콘텐츠를 활용하여 유사한 콘텐츠를 새로 만들어내는 인공지능(AI) 기술
 * 콘텐츠의 생성자와 만들어진 콘텐츠를 평가하는 판별자가 끊임없이 서로 대립하고 경쟁하며 새로운 콘텐츠를 생성해내는 기술
 * 정치인의 선동 영상 혹은 가짜 뉴스, 특정 인물로 조작된 음란물, 보이스 피싱 등에도 악용 가능성이 있어 윤리적 문제오 사회적 합의에 관한 쟁점 있음

4. 범용 인공지능 (Artificial General Intelligence, AGI)
 * 특정 문제뿐 아니라 주어진 모든 상황에서 생각과 학습을 하고 창작할 수 있는 능력이 있는 인공 지능
 * 컴퓨터로 사람과 같은 또는 그 이상의 지능을 구현하는 것을 의미하며, 알파고 처럼 특정 문제만을 해결하는 인공 지능을 좁은 인공 지능(ANI: Artificial Narrow Intelligence)

[ 거대 언어 모델(Large Language Model, LLM)이란? ]
 * 대규모 텍스트 데이터를 학습하여 자연어를 이해하고 생성할 수 있는 모델
 * 주로 딥러닝 기술을 사용하여 구축되며, 수십억 개의 파라미터를 포함
 * 문장 완성, 번역, 요약 등 다양한 자연어 처리 작업에 활용되며, 대표적인 LLM으로는 OpenAI의 GPT 시리즈
 * sLLM(Small Large Language Model): 온디바이스 AI의 수요 증가로 주목받는 개념으로 거대언어모델보다 작은 규모의 언어 모델로, 매개변수의 수가 수십억에서 수백억 개로 상대적으로 작은 모델

[GPT(Generative Pretrained Transformer)란? ]
 * Open AI사에서 트랜스포머(transformer) 모델 기반으로 개발한 자연어 생성 모델
 * 대량의 텍스트 데이터를 사전에 학습하고 트랜스포머 모델로 새로운 텍스트를 생성해내는 인공지능 언어 모델
 * GPT는 인터넷에서 크롤링하여 텍스트 데이터를 수집하며, 수집한 텍스트 데이터를 자기지도 학습(self-supervised learning) 방식으로 학습 > 자기지도 학습 방식에서는 명시적으로 라벨(label)이 제공되지 않은 텍스트 데이터의 일부를 마스킹(masking)하고, 마스킹된 부분을 예측하도록 대규모의 학습 데이터를 스스로 학습

 * source: https://blog-ko.superb-ai.com/artificial-intelligence-llm-vs-gpt-whats-the-difference/?ref=superb-ai-newsletter

인공지능과 LLM, GPT를 깔끔하게 잘 정리한 내용이 있어 공유해봅니다. [ 인공 지능 이란? ]<ul ><li>인공지능(Artificial Intelligence, AI)은 컴퓨터 시스템이 인간의 지능을 모방하여 학습, 추론, 문제 해결 등의 작업을 수행하는 기술</li><li>인간의 학습 능력, 추론 능력, 지각 능력을 인공적으로 구현하려는 컴퓨터 과학의 세부 분야 중 하나이며, 정보공학 분야에 있어 하나의 인프라 기술</li><li>AI는 머신러닝 기술을 통해 학습하며, 머신러닝은 컴퓨터가 데이터를 분석하고, 분석을 통해 학습하고, 학습한 내용을 기반으로 판단하고 예측할 수 있도록 알고리즘과 기술을 개발하는 분야</li></ul> [ AI의 대표적인 유형들 ] 1. 대화형 인공지능 (Conversational AI)<ul ><li>사람과 자연어로 대화를 나눌 수 있는 인공지능 기술</li><li>자연어 처리(NLP: Natural Language Processing), 기계 학습(ML: Machine Learning), 인공신경망(ANN: Artificial Neural Network) 기술뿐만 아니라 감정 분석, 맥락 이해, 음성 인식 및 합성 등 다양한 기술 포함</li><li>음성 인식 비서, 고객 서비스 챗봇, 게임 등에서 질문에 답하고, 정보를 제공하고, 상품을 추천하고, 특정 작업을 실행하는 등의 서비스 형태</li></ul> 2. 초거대 인공지능 (Hyper-scale AI)<ul ><li>초거대 인공지능은 천문학적인 개수의 파라미터를 가지는 인공신경망 모델을 기반으로 복잡한 문제를 해결하는 인공지능 모델</li><li>초거대 규모의 인공신경망 모델을 학습시키기 위해서는 방대한 양의 학습 데이터와 컴퓨팅 자원 필요&nbsp;</li><li>2020년대 초반에 GPT, BERT와 같은 트랜스포머 모델 기반의 대규모 언어 모델이 발전하며 주목받기 시작</li></ul> 3. 생성형 인공지능 (Generative AI)<ul ><li>텍스트, 오디오, 이미지 등의 기존 콘텐츠를 활용하여 유사한 콘텐츠를 새로 만들어내는 인공지능(AI) 기술</li><li>콘텐츠의 생성자와 만들어진 콘텐츠를 평가하는 판별자가 끊임없이 서로 대립하고 경쟁하며 새로운 콘텐츠를 생성해내는 기술</li></ul><ul ><li>정치인의 선동 영상 혹은 가짜 뉴스, 특정 인물로 조작된 음란물, 보이스 피싱 등에도 악용 가능성이 있어 윤리적 문제오 사회적 합의에 관한 쟁점 있음</li></ul> 4. 범용 인공지능 (Artificial General Intelligence, AGI)<ul ><li>특정 문제뿐 아니라 주어진 모든 상황에서 생각과 학습을 하고 창작할 수 있는 능력이 있는 인공 지능</li><li>컴퓨터로 사람과 같은 또는 그 이상의 지능을 구현하는 것을 의미하며, 알파고 처럼 특정 문제만을 해결하는 인공 지능을 좁은 인공 지능(ANI: Artificial Narrow Intelligence)</li></ul> [ 거대 언어 모델(Large Language Model, LLM)이란? ]<ul ><li>대규모 텍스트 데이터를 학습하여 자연어를 이해하고 생성할 수 있는 모델</li><li>주로 딥러닝 기술을 사용하여 구축되며, 수십억 개의 파라미터를 포함</li><li> 문장 완성, 번역, 요약 등 다양한 자연어 처리 작업에 활용되며, 대표적인 LLM으로는 OpenAI의 GPT 시리즈</li><li>sLLM(Small Large Language Model): 온디바이스 AI의 수요 증가로 주목받는 개념으로 거대언어모델보다 작은 규모의 언어 모델로, 매개변수의 수가 수십억에서 수백억 개로 상대적으로 작은 모델</li></ul> [GPT(Generative Pretrained Transformer)란? ]<ul ><li>Open AI사에서 트랜스포머(transformer) 모델 기반으로 개발한 자연어 생성 모델</li><li>대량의 텍스트 데이터를 사전에 학습하고 트랜스포머 모델로 새로운 텍스트를 생성해내는 인공지능 언어 모델</li><li>GPT는 인터넷에서 크롤링하여 텍스트 데이터를 수집하며, 수집한 텍스트 데이터를 자기지도 학습(self-supervised learning) 방식으로 학습 &gt; 자기지도 학습 방식에서는 명시적으로 라벨(label)이 제공되지 않은 텍스트 데이터의 일부를 마스킹(masking)하고, 마스킹된 부분을 예측하도록 대규모의 학습 데이터를 스스로 학습</li></ul> <ul ><li>source: https://blog-ko.superb-ai.com/artificial-intelligence-llm-vs-gpt-whats-the-difference/?ref=superb-ai-newsletter</li></ul>

[Super AI] 인공지능, LLM과 GPT는 어떻게 다를까?

Offered by Stanford University. This course teaches scientists to become more effective writers, using practical examples and exercises. ... Enroll for free.

Writing in the Sciences

커리어리 친구들, 스탠퍼드대 과학 글쓰기 강의가 예전에 오픈했는 데 관심 있는 분들은 강의를 들어 보시기 바랍니다. 온라인 교육 전문 업체 𝗰𝗼𝘂𝗿𝘀𝗲𝗿𝗮에서 무료로 제공되고 있는 스탠퍼드대 '과학 글쓰기 (𝘞𝘳𝘪𝘵𝘪𝘯𝘨 𝘪𝘯 𝘵𝘩𝘦 𝘚𝘤𝘪𝘦𝘯𝘤𝘦𝘴)' 강의입니다. 기본적인 과학 글쓰기 방법을 아주 쉽게 설명하고 있고, 자막도 한글로 자동 번역도 해줍니다!

https://www.coursera.org/learn/sciwrite

커리어리 친구들, 스탠퍼드대 과학 글쓰기 강의가 예전에 오픈했는 데 관심 있는 분들은 강의를 들어 보시기 바랍니다. 온라인 교육 전문 업체 𝗰𝗼𝘂𝗿𝘀𝗲𝗿𝗮에서 무료로 제공되고 있는 스탠퍼드대 '과학 글쓰기 (𝘞𝘳𝘪𝘵𝘪𝘯𝘨 𝘪𝘯 𝘵𝘩𝘦 𝘚𝘤𝘪𝘦𝘯𝘤𝘦𝘴)' 강의입니다. 기본적인 과학 글쓰기 방법을 아주 쉽게 설명하고 있고, 자막도 한글로 자동 번역도 해줍니다! https://www.coursera.org/learn/sciwrite

Coursera

<스탠퍼드대 과학 글쓰기 무료 강의>

무언가를 배울 때(특히 기술) 중요한 것은 “이것이 왜 나왔을까”를 이해하는 것 입니다. 어떻게 쓰느냐는 어떤 문제 때문에 발명 되었는가에서 자연스럽게 알 수 있게 되는 것이고, 왜 나왔는지를 이해해야 언제 사용해야 될 지를 알 수 있기 때문입니다. 모든걸 다 깊게 알아야 할 필요도 없지만, 사용법만 알기보단 왜 나온 건지를 이해하는 것이 좋습니다.

무언가를 배울 때(특히 기술) 중요한 것은 “이것이 왜 나왔을까”를 이해하는 것 입니다. 어떻게 쓰느냐는 어떤 문제 때문에 발명 되었는가에서 자연스럽게 알 수 있게 되는 것이고, 왜 나왔는지를 이해해야 언제 사용해야 될 지를 알 수 있기 때문입니다. 모든걸 다 깊게 알아야 할 필요도 없지만, 사용법만 알기보단 왜 나온 건지를 이해하는 것이 좋습니다.

Data persistence is crucial in most applications. While it is not mandatory for an application to keep its data persisted, it is a common practice for large applications from various fields ranging...

JPA vs Hibernate vs Spring Data JPA

Java에서 데이터 지속성은 시간이 지남에 따라 많은 관심을 받았으며, 눈에 띄는 발전을 이뤄왔습니다. 처음에는 JDBC API를 직접 사용하는 것에서 시작하여, 점점 더 추상화되고 개발자가 사용하기 쉬운 표준화된 메커니즘으로 발전해왔습니다.
 
이러한 진화 과정에서 많은 지속성 기술이 개발되었으며, 이들 간의 차이는 종종 개발자들 사이에서 혼란을 일으킬 수 있습니다. 이러한 기술로는 Hibernate, JPA, Spring Data JPA가 있습니다.
 
개발할 때 이 중 하나를 선택해야 할까요? 아니면 이들 모두를 동시에 사용할 수 있을까요?

Hibernate
Hibernate는 가장 인기 있는 Java ORM(Object Relational Mapping) 프레임워크 중 하나로, Java 애플리케이션과 데이터베이스 간의 상호작용을 보다 효율적으로 관리하기 위해 사용됩니다. 이 프레임워크는 Java 클래스와 데이터베이스 테이블을 양방향으로 매핑할 수 있으며, 객체/관계 불일치 문제에 대한 완전한 솔루션을 제공합니다.

Hibernate는 주석(annotations)을 사용하여 매핑이 이루어지는 메타데이터를 생성합니다. 가장 많이 사용되는 주석 중 일부는 아래에 나와 있습니다.
@Entity
@Table(name = "CAR")
public class Car {

  @Id
  @Column(name = "CAR_ID")
  private Long cardId;

  @Column(name = "COLOR")
  private String color;

  @ManyToOne()
  @JoinColumn(name = "OWNER_ID")
  private Owner owner;
}

Hibernate가 Java에서 매우 인기가 있는 이유는 몇 가지 장점 때문입니다:
 
 * 생산성: 대부분의 구현이 개발자에게 숨겨져 있어 비즈니스 문제에 대한 최선의 해결책에 집중하기가 훨씬 쉬워집니다.
 * 성능: Hibernate는 캐싱(caching) 및 배칭(batching)과 같은 여러 최적화 메커니즘을 사용합니다.
 * 직관성: 대부분의 작업을 애노테이션을 통해 수행하므로 쉽게 이해할 수 있는 코드를 작성할 수 있습니다.
Hibernate는 시간이 지나면서 JPA 표준을 준수하고 그 메서드를 구현하게 되었습니다. 또한, Hibernate는 이전 버전과의 호환성을 유지하고 일부 고유한 기능을 계속 사용하기 위해 자체적인 구현도 유지하고 있습니다. 그렇다면 여기서 말하는 JPA란 무엇일까요?

JPA
JPA(Java Persistence API)는 규격이자, Java에서 데이터를 지속적으로 저장하는 표준화된 메커니즘의 일부가 되고자 하는 ORM 프레임워크가 구현해야 하는 일련의 규칙입니다.
 
JPA는 Hibernate와 같은 프레임워크가 아니라, ORM 프레임워크가 구현해야 하는 인터페이스에 불과합니다.
 
JPA는 지속성 프로세스를 관리하기 위해 EntityManager와 EntityManagerFactory에 의존합니다. EntityManager는 엔티티의 상태 변화를 관리하고 이를 SQL 쿼리로 변환하는 Persistence Context로 작동합니다.

JPA의 주요 장점은 다음과 같습니다:
 * 상호 운용성(Interportability): 두 프레임워크가 JPA를 준수하는 경우, 한 ORM 프레임워크에서 다른 프레임워크로 이동하는 과정이 훨씬 쉬워집니다.
 * 사용 편의성(Usability): JPQL이 쿼리를 정의할 때 엔티티 클래스와 그 필드를 인식할 수 있기 때문에 SQL 쿼리 작성이 더욱 쉬워집니다.

Spring Data JPA
Hibernate와 JPA가 모든 Java 애플리케이션에서 사용할 수 있는 반면, Spring Data JPA는 Spring 애플리케이션의 일부로 사용됩니다. Spring Data JPA는 Spring Data 프로젝트의 일부로, 리포지토리를 생성하는 데 필요한 상용구 코드를 줄여줌으로써 Spring 애플리케이션에서 데이터베이스 작업의 복잡성을 줄이는 것을 목표로 합니다. 이는 JPA 작업을 더욱 생산적으로 만들어주는 추가적인 추상화 수준을 제공합니다.

Spring Data JPA의 가장 큰 장점 중 하나는 Spring의 기능을 활용하여, SimpleJpaRepository의 도움으로 리포지토리의 구현이 런타임에 자동으로 이루어진다는 점입니다. 개발자가 영속성 데이터에 액세스하기 위해 새로운 리포지토리를 만들고자 할 때, JpaRepository를 확장하는 인터페이스만 작성하면 모든 메서드가 자동으로 구현됩니다. 정말 편리하죠!

결론
글의 초반에 제기된 질문에 대한 답은 다음과 같습니다:
 
네, Hibernate, JPA 및 Spring Data JPA는 각자가 개발 단계에서 다른 목적을 가지므로, 그 유사성에도 불구하고 함께 사용할 수 있습니다.

번역: [https://ducktopia.tistory.com/131]
원문:

Java에서 데이터 지속성은 시간이 지남에 따라 많은 관심을 받았으며, 눈에 띄는 발전을 이뤄왔습니다. 처음에는 JDBC API를 직접 사용하는 것에서 시작하여, 점점 더 추상화되고 개발자가 사용하기 쉬운 표준화된 메커니즘으로 발전해왔습니다.&nbsp;이러한 진화 과정에서 많은 지속성 기술이 개발되었으며, 이들 간의 차이는 종종 개발자들 사이에서 혼란을 일으킬 수 있습니다. 이러한 기술로는 Hibernate, JPA, Spring Data JPA가 있습니다.&nbsp;개발할 때 이 중 하나를 선택해야 할까요? 아니면 이들 모두를 동시에 사용할 수 있을까요? HibernateHibernate는 가장 인기 있는 Java ORM(Object Relational Mapping) 프레임워크 중 하나로, Java 애플리케이션과 데이터베이스 간의 상호작용을 보다 효율적으로 관리하기 위해 사용됩니다. 이 프레임워크는 Java 클래스와 데이터베이스 테이블을 양방향으로 매핑할 수 있으며, 객체/관계 불일치 문제에 대한 완전한 솔루션을 제공합니다. Hibernate는 주석(annotations)을 사용하여 매핑이 이루어지는 메타데이터를 생성합니다. 가장 많이 사용되는 주석 중 일부는 아래에 나와 있습니다.<pre ><code class="language-java">@Entity
@Table(name = "CAR")
public class Car {

 @Id
 @Column(name = "CAR_ID")
 private Long cardId;

 @Column(name = "COLOR")
 private String color;

 @ManyToOne()
 @JoinColumn(name = "OWNER_ID")
 private Owner owner;
}</code></pre>Hibernate가 Java에서 매우 인기가 있는 이유는 몇 가지 장점 때문입니다:&nbsp;<ul ><li>생산성: 대부분의 구현이 개발자에게 숨겨져 있어 비즈니스 문제에 대한 최선의 해결책에 집중하기가 훨씬 쉬워집니다.</li><li>성능: Hibernate는 캐싱(caching) 및 배칭(batching)과 같은 여러 최적화 메커니즘을 사용합니다.</li><li>직관성: 대부분의 작업을 애노테이션을 통해 수행하므로 쉽게 이해할 수 있는 코드를 작성할 수 있습니다.</li></ul>Hibernate는 시간이 지나면서 JPA 표준을 준수하고 그 메서드를 구현하게 되었습니다. 또한, Hibernate는 이전 버전과의 호환성을 유지하고 일부 고유한 기능을 계속 사용하기 위해 자체적인 구현도 유지하고 있습니다. 그렇다면 여기서 말하는 JPA란 무엇일까요? JPAJPA(Java Persistence API)는 규격이자, Java에서 데이터를 지속적으로 저장하는 표준화된 메커니즘의 일부가 되고자 하는 ORM 프레임워크가 구현해야 하는 일련의 규칙입니다.&nbsp;JPA는 Hibernate와 같은 프레임워크가 아니라, ORM 프레임워크가 구현해야 하는 인터페이스에 불과합니다.&nbsp;JPA는 지속성 프로세스를 관리하기 위해 EntityManager와 EntityManagerFactory에 의존합니다. EntityManager는 엔티티의 상태 변화를 관리하고 이를 SQL 쿼리로 변환하는 Persistence Context로 작동합니다. JPA의 주요 장점은 다음과 같습니다:<ul ><li>상호 운용성(Interportability): 두 프레임워크가 JPA를 준수하는 경우, 한 ORM 프레임워크에서 다른 프레임워크로 이동하는 과정이 훨씬 쉬워집니다.</li><li>사용 편의성(Usability): JPQL이 쿼리를 정의할 때 엔티티 클래스와 그 필드를 인식할 수 있기 때문에 SQL 쿼리 작성이 더욱 쉬워집니다.</li></ul> Spring Data JPAHibernate와 JPA가 모든 Java 애플리케이션에서 사용할 수 있는 반면, Spring Data JPA는 Spring 애플리케이션의 일부로 사용됩니다. Spring Data JPA는 Spring Data 프로젝트의 일부로, 리포지토리를 생성하는 데 필요한 상용구 코드를 줄여줌으로써 Spring 애플리케이션에서 데이터베이스 작업의 복잡성을 줄이는 것을 목표로 합니다. 이는 JPA 작업을 더욱 생산적으로 만들어주는 추가적인 추상화 수준을 제공합니다. Spring Data JPA의 가장 큰 장점 중 하나는 Spring의 기능을 활용하여, SimpleJpaRepository의 도움으로 리포지토리의 구현이 런타임에 자동으로 이루어진다는 점입니다. 개발자가 영속성 데이터에 액세스하기 위해 새로운 리포지토리를 만들고자 할 때, JpaRepository를 확장하는 인터페이스만 작성하면 모든 메서드가 자동으로 구현됩니다. 정말 편리하죠! 결론글의 초반에 제기된 질문에 대한 답은 다음과 같습니다:&nbsp;네, Hibernate, JPA 및 Spring Data JPA는 각자가 개발 단계에서 다른 목적을 가지므로, 그 유사성에도 불구하고 함께 사용할 수 있습니다. 번역: [https://ducktopia.tistory.com/131]원문:

🕊️ [Medium] JPA vs Hibernate vs Spri

Github Actions 배포 시간을 줄이기 위해 1) Frontend, Backend Job Parallel 분리, 2) Frontend, Backend 빌드 트리거를 선택할 수 있도록 처리, 3) Docker Image Tag 사용, 4) Deploy 병렬 처리, 5) 인트로 분리 등 5가지 개선 작업을 진행했습니다. 이를 통해 배포 시간은 평균 55% 감소(27분 -> 12분)했으며, 특히 프론트엔드와 백엔드의 선택적 빌드를 통해 최대 70%의 

Github Actions 배포 시간 줄여볼까?

최근 저도 Github이 무거워지면서 Action 보고 있었는데,
역시 미리 고민해주신 분이 있었군요..!!!! 너무 감사합니다 👍🏻👍🏻👍🏻

좋은 글은 함께 봐야겠죠!? 공유합니다!

효과
 * 배포 시간 55% 감소(27분 -> 12분)
 * 최대 70% 시간 단축 가능, 인프라 비용 절감, 제품 개발 생산성 향상.
 * 추가 이점
   * Workflow 모듈화를 통해 재사용성 및 유지보수 용이성 향상
   * 문제 해결 시간 단축, 시스템 안정성 증대

https://blog.lemonbase.team/github-actions-%EB%B0%B0%ED%8F%AC-%EC%8B%9C%EA%B0%84-%EC%A4%84%EC%97%AC%EB%B3%BC%EA%B9%8C-5725b92e36d9

최근 저도 Github이 무거워지면서 Action 보고 있었는데,역시 미리 고민해주신 분이 있었군요..!!!! 너무 감사합니다 👍🏻👍🏻👍🏻 좋은 글은 함께 봐야겠죠!? 공유합니다! 효과<ul ><li>배포 시간 55% 감소(27분 -&gt; 12분)</li><li>최대 70% 시간 단축 가능, 인프라 비용 절감, 제품 개발 생산성 향상.</li><li>추가 이점<ul ><li>Workflow 모듈화를 통해 재사용성 및 유지보수 용이성 향상</li><li>문제 해결 시간 단축, 시스템 안정성 증대</li></ul></li></ul> https://blog.lemonbase.team/github-actions-%EB%B0%B0%ED%8F%AC-%EC%8B%9C%EA%B0%84-%EC%A4%84%EC%97%AC%EB%B3%BC%EA%B9%8C-5725b92e36d9

Github Action 배포 시간 줄이기

파워포인트 사용자를 위한 폰트, 프리젠테이션

Freesentation

각자가 가진 디자인 감각이 다르죠. 그래서 같은 내용으로 프리젠테이션을 만들어도 누군가는 미려하고 누군가는 가슴 답답한 결과를 만듭니다.

제가 딱 후자 같은 사람인데요.

여기 누구나 막 써도 예쁜 그런 폰트가 있네요.

Freesentation은 상업용으로 사용 가능한 완전 무료 폰트 라고 제작자가 말하고 있습니다. 꼭 살펴보세요!

https://freesentation.blog

각자가 가진 디자인 감각이 다르죠. 그래서 같은 내용으로 프리젠테이션을 만들어도 누군가는 미려하고 누군가는 가슴 답답한 결과를 만듭니다. 제가 딱 후자 같은 사람인데요. 여기 누구나 막 써도 예쁜 그런 폰트가 있네요. Freesentation은 상업용으로 사용 가능한 완전 무료 폰트 라고 제작자가 말하고 있습니다. 꼭 살펴보세요! https://freesentation.blog

누구나 막 써도 예쁜, 그런 폰트

레벨이 올라갈수록 위 상사와 어떻게 지내느냐가 더 중요해진다. 영어로 이를 "Manage Up"이라고 부를 정도로 중요한 스킬이다.

 1. 일대일 미팅을 하거나 할 때 내가 필요한 것만 이야기하지 말고 매니저의 관점에서 생각해보려고 하고 혹시 어떤 도움이 필요할지 내가 혹은 내가 맡은 팀이 무엇을 해야할지 많이 물어볼 필요가 있다. 매니저도 사람이고 나보다 더 많은 스트레스를 받으며 일을 하고 있을 가능성이 높다.
 2. 즉, 내가 생각하는 나의 공헌이나 내 팀의 공헌을 생각하지 말고 내 매니저의 생각을 많이 들어보고 두 사람이 생각하는 공헌의 방향을 최대한 맞출 필요가 있다. 한 배를 타고 간다는 점을 분명히 인식할 필요가 있다.
 3. 내 상사의 강점과 약점을 명확히 이해하고 상사의 강점에 호소한다. 강점이 분명할 사람일수록 분명한 약점을 갖고 있을 가능성이 높다. 숫자에 굉장히 밝은 사람이지만 상대의 감정을 크게 개의치 않는 상사라면 필요한 것이 있을 때 감정에 호소하는 것보다는 숫자로 설득하는 것이 당연히 잘 동작한다. 하지만 때로는 상사가 내가 열심히 하는 것, 사람이 부족한데도 최선을 다 한다는 걸 이해해주지 못한다는 분노에 계속 상사의 감정에 호소하려는 경우를 보았다. 숫자도 밝고 EQ도 높다면 좋겠지만 그런 사람은 많지 않다.

이렇게 의사소통을 하다보면 나와 내 매니저가 정말 맞는 사람인지 아닌지 판단도 더 잘 할 수 있다. 내 상사는 대화가 힘든 사람이라고 단정짓고 이야기를 꺼내지 않는 경우도 많은데 "호기심"을 갖고 이야기를 꺼내보고 판단하는 것이 좋다.

레벨이 올라갈수록 위 상사와 어떻게 지내느냐가 더 중요해진다. 영어로 이를 "Manage Up"이라고 부를 정도로 중요한 스킬이다. <ol ><li>일대일 미팅을 하거나 할 때 내가 필요한 것만 이야기하지 말고 매니저의 관점에서 생각해보려고 하고 혹시 어떤 도움이 필요할지 내가 혹은 내가 맡은 팀이 무엇을 해야할지 많이 물어볼 필요가 있다. 매니저도 사람이고 나보다 더 많은 스트레스를 받으며 일을 하고 있을 가능성이 높다.</li><li>즉, 내가 생각하는 나의 공헌이나 내 팀의 공헌을 생각하지 말고 내 매니저의 생각을 많이 들어보고 두 사람이 생각하는 공헌의 방향을 최대한 맞출 필요가 있다. 한 배를 타고 간다는 점을 분명히 인식할 필요가 있다.</li><li>내 상사의 강점과 약점을 명확히 이해하고 상사의 강점에 호소한다. 강점이 분명할 사람일수록 분명한 약점을 갖고 있을 가능성이 높다. 숫자에 굉장히 밝은 사람이지만 상대의 감정을 크게 개의치 않는 상사라면 필요한 것이 있을 때 감정에 호소하는 것보다는 숫자로 설득하는 것이 당연히 잘 동작한다. 하지만 때로는 상사가 내가 열심히 하는 것, 사람이 부족한데도 최선을 다 한다는 걸 이해해주지 못한다는 분노에 계속 상사의 감정에 호소하려는 경우를 보았다. 숫자도 밝고 EQ도 높다면 좋겠지만 그런 사람은 많지 않다.</li></ol> 이렇게 의사소통을 하다보면 나와 내 매니저가 정말 맞는 사람인지 아닌지 판단도 더 잘 할 수 있다. 내 상사는 대화가 힘든 사람이라고 단정짓고 이야기를 꺼내지 않는 경우도 많은데 "호기심"을 갖고 이야기를 꺼내보고 판단하는 것이 좋다.

상사와 잘 지내는 사람들의 특징

스프링 개발자들이 Jakarta EE를 이해하고 관심을 가져야 하는 이유... Spring 6는 2022년 4분기에 Java 17과 Jakarta EE 10+를 기반으로 출시되었다. 이는 Spring 5.3.x에서 사용하던 Java 8-17과 Java EE 7-8에서 큰 도약을...

SpringRunner on LinkedIn: Spring Framework Overview

최근 스프링과 Jakarta EE의 관계와 학습할 필요가 있는지에 대해 궁금하다는 질문을 받은 적이 있다. 이에 대한 답변으로, 2022년 Spring 6의 출시와 함께 일어난 변화, Java EE에서 Jakarta EE로의 전환 과정, 그리고 이 두 기술 생태계의 관계에 대해 글로 정리해봤다.

이 글에서는 Jakarta EE의 주요 변화와 미래 방향성, 스프링과 Jakarta EE의 상호 영향, 그리고 왜 스프링 개발자들이 Jakarta EE에 관심을 가져야 하는지에 대해 설명했다. 엔터프라이즈 자바 개발의 현재와 미래에 관심 있는 개발자들에게 유용한 정보가 되길 바란다.

https://www.linkedin.com/feed/update/urn:li:activity:7230001657135120384/?actorCompanyId=104095129

최근 스프링과 Jakarta EE의 관계와 학습할 필요가 있는지에 대해 궁금하다는 질문을 받은 적이 있다. 이에 대한 답변으로, 2022년 Spring 6의 출시와 함께 일어난 변화, Java EE에서 Jakarta EE로의 전환 과정, 그리고 이 두 기술 생태계의 관계에 대해 글로 정리해봤다. 이 글에서는 Jakarta EE의 주요 변화와 미래 방향성, 스프링과 Jakarta EE의 상호 영향, 그리고 왜 스프링 개발자들이 Jakarta EE에 관심을 가져야 하는지에 대해 설명했다. 엔터프라이즈 자바 개발의 현재와 미래에 관심 있는 개발자들에게 유용한 정보가 되길 바란다. https://www.linkedin.com/feed/update/urn:li:activity:7230001657135120384/?actorCompanyId=104095129

Linkedin

스프링 개발자들이 Jakarta EE를 이해하고 관심을 가져야 하

만일 이후에 소프트웨어 개발자 신입을 채용한다면 컴퓨터 과학/공학 전공자이거나, 그에 준하는 기초 과목을 온라인 강의나 책으로라도 공부했는지를 필수 조건으로 내 걸 것이며, 코딩 테스트와 면접은 그것을 확인하기 위한 과정이 될 것임.

왜냐하면 프로그래머는 이제 너드만의 직업이 아닌 일반적인 직업이 되었고, 더불어 응용 프로그램 개발이 너무 쉬워졌기 때문에, 프레임웍이나 엔진 수준을 만들어 본 것이 아닌, 그걸 이용해 뭘 만들어 봤다는 것 정도는 이제는 망치 한 번 두들겨 봤음을 증명하는 것 이상의 의미가 없으므로, 기초가 더더욱 중요한 시대가 되었기 때문.

만일 이후에 소프트웨어 개발자 신입을 채용한다면 컴퓨터 과학/공학 전공자이거나, 그에 준하는 기초 과목을 온라인 강의나 책으로라도 공부했는지를 필수 조건으로 내 걸 것이며, 코딩 테스트와 면접은 그것을 확인하기 위한 과정이 될 것임. 왜냐하면 프로그래머는 이제 너드만의 직업이 아닌 일반적인 직업이 되었고, 더불어 응용 프로그램 개발이 너무 쉬워졌기 때문에, 프레임웍이나 엔진 수준을 만들어 본 것이 아닌, 그걸 이용해 뭘 만들어 봤다는 것 정도는 이제는 망치 한 번 두들겨 봤음을 증명하는 것 이상의 의미가 없으므로, 기초가 더더욱 중요한 시대가 되었기 때문.

만일 이후에 소프트웨어 개발자 신입을 채용한다면 컴퓨터 과학/공학

왜 어떤 사람은 직급이 높아질수록 성장하고, 어떤 사람은 도태되는가? 인사 업무를 담당하면서 수많은 사람들을 관찰하고 경험했습니다. 채용하고, 교육하고, 평가하고, 퇴직하는 다양한 과정을 지켜봤습니다. 어떤 사람들은 직급이 올라갈수록 더 성장합니다. 어떤 사람들은 주니어 시절엔...

Do Young kim on LinkedIn: - 왜 어떤 사람은 직급이 높아질수록 성장하고, 어떤 사람은 도태되는가? 인사 업무를 담당하면서 수많은 사람들을 관찰하고...

어떤 사람은 직급이 올라갈수록 더 성장합니다. 반대로 어떤사람은 주니어 시절엔 잘나갔지만 리더가 되면서 성장이 멈추고 도태됩니다. 직급이 올라갈수록 더 성장하는 사람들의 공통점은 어떤게 있는지 정리해주신 내용이 있어 공유드립니다.

👁️ 꾸준히 공부하는 사람
주니어 시절에는 실력과 지식만으로 인정받고 생존할 수 있지만, 시니어가 되면 새로운 세상이 펼쳐집니다. 이 때부터는 빠르게 성장하는 사람과 도태되는 사람으로 나뉩니다. 과거의 지식에만 의존하고 더 이상 공부하지 않는 사람이 있는 반면, 자신의 부족함을 인정하고 계속해서 학습하며 발전해 나가는 사람이 있습니다. 꾸준하게 공부하는 사람은 직급이 높아지면서 J커브로 성장을 합니다. 차이를 만드는 건 끊임없는 학습과 꾸준한 공부입니다.

🧘🏻‍♂️ 인성이 좋은 사람
직급이 높아지면 업무의 범위와 중요성이 커집니다. 주니어 때는 업무를 혼자 처리하면 되지만, 고직급자의 업무는 혼자 해결 할 수 없는 경우가 많습니다. 동료의 지원이 필수적이며 자발적으로 돕고자 하는 마음을 가지도록 만드는 것도 중요합니다. 프로젝트의 성공을 위해서는 동료들의 전문성과 도움이 반드시 필요합니다. 생산성은 협업에 크게 좌우되며, 협업을 잘하려면 인성이 중요합니다.

🏋️ 피드백을 잘 주고받는 사람
피드백은 성장을 위한 핵심 요소이고, 성장에는 자기 인식이 필수적입니다. 직급이 높아져도 성장하는 사람은 자기 인식 수준을 높이기 위해 피드백을 적극적으로 구합니다. 이들은 자존감이 높아 피드백에 방어적이지 않고, 많은 피드백 중 유용한 피드백을 잘 구분하여 받아들입니다.
반대로 자신의 이익을 위해서가 아닌 상대의 성장을 바라며 피드백을 제공하며, 일이 더 잘되기 위해서 피드백을 합니다.

🏃🏻‍♀️ 커뮤니케이션을 잘하는 사람
조직에서 발생하는 많은 문제는 커뮤니케이션을 통해 해결할 수 있습니다. 특히 여러 부서가 얽혀 있는 복잡한 문제일 경우, 리더가 적극적으로 나서서 소통하며 문제 해결을 주도해야합니다. 고직급자일수록 전사적으로 중요한 방향이나 전략을 공유하고, 부서 간 원활한 커뮤니케이션을 통해 업무가 잘 진행되도록 조율하는 역할이 중요합니다.

📈 관계를 잘 맺는 사람
성과와 관계는 양자 택일의 문제가 아닙니다. 성과를 위해 좋은 관계를 맺는 것은 직급이 높아지거나 리더일수록 더욱 중요해집니다. 직급이 높아질수록 어려운 결정을 해야할 순간이 많은데, 이때 직원들에게 헌신과 희생을 요청해야 할 때가 있습니다. 평소 신뢰 관계가 형성되지 않았다면 직원들은 따르지 않습니다. 변화와 혁신을 추진할 때도 마찬가지입니다.

어떤 사람은 직급이 올라갈수록 더 성장합니다. 반대로 어떤사람은 주니어 시절엔 잘나갔지만 리더가 되면서 성장이 멈추고 도태됩니다. 직급이 올라갈수록 더 성장하는 사람들의 공통점은 어떤게 있는지 정리해주신 내용이 있어 공유드립니다. 👁️ 꾸준히 공부하는 사람주니어 시절에는 실력과 지식만으로 인정받고 생존할 수 있지만, 시니어가 되면 새로운 세상이 펼쳐집니다. 이 때부터는 빠르게 성장하는 사람과 도태되는 사람으로 나뉩니다. 과거의 지식에만 의존하고 더 이상 공부하지 않는 사람이 있는 반면, 자신의 부족함을 인정하고 계속해서 학습하며 발전해 나가는 사람이 있습니다. 꾸준하게 공부하는 사람은 직급이 높아지면서 J커브로 성장을 합니다. 차이를 만드는 건 끊임없는 학습과 꾸준한 공부입니다. 🧘🏻‍♂️ 인성이 좋은 사람직급이 높아지면 업무의 범위와 중요성이 커집니다. 주니어 때는 업무를 혼자 처리하면 되지만, 고직급자의 업무는 혼자 해결 할 수 없는 경우가 많습니다. 동료의 지원이 필수적이며 자발적으로 돕고자 하는 마음을 가지도록 만드는 것도 중요합니다. 프로젝트의 성공을 위해서는 동료들의 전문성과 도움이 반드시 필요합니다. 생산성은 협업에 크게 좌우되며, 협업을 잘하려면 인성이 중요합니다. 🏋️ 피드백을 잘 주고받는 사람피드백은 성장을 위한 핵심 요소이고, 성장에는 자기 인식이 필수적입니다. 직급이 높아져도 성장하는 사람은 자기 인식 수준을 높이기 위해 피드백을 적극적으로 구합니다. 이들은 자존감이 높아 피드백에 방어적이지 않고, 많은 피드백 중 유용한 피드백을 잘 구분하여 받아들입니다.반대로 자신의 이익을 위해서가 아닌 상대의 성장을 바라며 피드백을 제공하며, 일이 더 잘되기 위해서 피드백을 합니다. 🏃🏻‍♀️ 커뮤니케이션을 잘하는 사람 조직에서 발생하는 많은 문제는 커뮤니케이션을 통해 해결할 수 있습니다. 특히 여러 부서가 얽혀 있는 복잡한 문제일 경우, 리더가 적극적으로 나서서 소통하며 문제 해결을 주도해야합니다. 고직급자일수록 전사적으로 중요한 방향이나 전략을 공유하고, 부서 간 원활한 커뮤니케이션을 통해 업무가 잘 진행되도록 조율하는 역할이 중요합니다. 📈 관계를 잘 맺는 사람 성과와 관계는 양자 택일의 문제가 아닙니다. 성과를 위해 좋은 관계를 맺는 것은 직급이 높아지거나 리더일수록 더욱 중요해집니다. 직급이 높아질수록 어려운 결정을 해야할 순간이 많은데, 이때 직원들에게 헌신과 희생을 요청해야 할 때가 있습니다. 평소 신뢰 관계가 형성되지 않았다면 직원들은 따르지 않습니다. 변화와 혁신을 추진할 때도 마찬가지입니다.

직급이 높아질수록 성장하거나 도태되는 사람들의 차이

자바스크립트의 배열 함수에 비동기 함수를 인자로 넘기면 안 되는 이유

자바스크립트의 배열은
forEach()
,
filter()
,
map()
,
reduce
,
every()
,
some()
등과 같이 콜백 함수를 인자로 받아 배열에 저장되어 있는 모든 원소로 상대로 호출해주는 함수들을 제공합니다. 이 함수들을 잘 활용하면 소위 함수형 프로그래밍(Functional Programming) 스타일로 코딩을 할 수 있게 되죠.

그런데 혹시 이러한 자바스크립트의 배열에 제공하는 함수에 비동기 함수를 인자로 넘기면 낭패를 볼 수 있다는 것을 아시나요? 이번 포스팅에서는 자바스크립트 배열 함수를 통해서 비동기 함수를 호출할 때 조심해야 할 점에서 알아보겠습니다.

📝 포스팅: https://www.daleseo.com/js-async-array/

자바스크립트의 배열은 <code>forEach()</code>, <code>filter()</code>,<code>map()</code>, <code>reduce</code>, <code>every()</code>, <code>some()</code> 등과 같이 콜백 함수를 인자로 받아 배열에 저장되어 있는 모든 원소로 상대로 호출해주는 함수들을 제공합니다. 이 함수들을 잘 활용하면 소위 함수형 프로그래밍(Functional Programming) 스타일로 코딩을 할 수 있게 되죠. 그런데 혹시 이러한 자바스크립트의 배열에 제공하는 함수에 비동기 함수를 인자로 넘기면 낭패를 볼 수 있다는 것을 아시나요? 이번 포스팅에서는 자바스크립트 배열 함수를 통해서 비동기 함수를 호출할 때 조심해야 할 점에서 알아보겠습니다. 📝 포스팅: https://www.daleseo.com/js-async-array/

Daleseo

자바스크립트의 배열 함수에 비동기 함수를 인자로 넘기면 안 되는 

안녕하세요, 언지니어TF입니다. AI 데이터 분석가 '물어보새'는 생성형 AI를 주제로 한 우아톤 2023(우아한형제들 구성원 누구나 참여할 수 있는 사내 해커톤)을 계기로 탄생한 프로덕트입니다. 당시 '코드 없이 데이터 추출과 시각화를 자동으로 해주는 서비스'로 1등을 차지했습니다. 우아톤 이후에도 구성원들의 요구와 관심이 지속되어 2024년 1월에 본격적인 개발을 위한 언지니어 태스크포스(TF)가 구성되었습니다.

AI 데이터 분석가 '물어보새' 등장 - 1부. RAG와 Text-To-SQL 활용 | 우아한형제들 기술블로그

AI는 이렇게 쓰는 것이다라고 알려주는 듯한 글입니다.
꽤 잘 정리된 글이니 관심있으신 분이라면 일독을 권합니다.
저도 요렇게 유용한것들을 좀 만들고 싶네요.

고민을 좀 해봐야겠습니다.

AI 데이터 분석가 물어보새 1부
https://techblog.woowahan.com/18144/

AI 데이터 분석가 물어보새 2부
https://techblog.woowahan.com/18362/

AI는 이렇게 쓰는 것이다라고 알려주는 듯한 글입니다.꽤 잘 정리된 글이니 관심있으신 분이라면 일독을 권합니다. 저도 요렇게 유용한것들을 좀 만들고 싶네요. 고민을 좀 해봐야겠습니다. AI 데이터 분석가 물어보새 1부 https://techblog.woowahan.com/18144/ AI 데이터 분석가 물어보새 2부 https://techblog.woowahan.com/18362/

우아한형제들 기술블로그 |

AI 데이터 분석가 '물어보새' 를 만든 이야기

리액트 19의 베타 버전이 출시되었습니다. 리액트 18과 비교하면 사용자 친화적인 API가 많이 추가되었지만, 핵심 원칙은 크게 바뀌지 않았습니다. 여러분은 리액트를 꽤 오랫동안 사용해 왔을 텐데, 내부적으로 어떻게 작동하는지 알고 계신가요? 이 글에서는 비동기 업데이트를 지원하고 작업을 중단할 수 있는 리액트를 약 400줄의 코드로 구현하는 방법을...

400줄의 코드로 나만의 리액트 만들기 (부제: 리액트의 원리에 대한 심층 연구)

오늘은 파트리지 시스템즈의 이시연님이 번역해주신 글입니다.

리액트 19의 베타 버전이 출시되었습니다. 이번 버전은 리액트 18과 비교해 사용자 친화적인 API가 많이 추가되었지만, 핵심 원칙은 크게 변하지 않았습니다. 리액트를 오랫동안 사용해 온 개발자들도 있지만, 내부 작동 방식에 대해 궁금해하는 분들이 있을 수 있습니다. 이 글에서는 비동기 업데이트를 지원하고 작업을 중단할 수 있는 리액트의 핵심 기능을 약 400줄의 코드로 구현하는 방법을 살펴보겠습니다.

글 링크: https://bit.ly/3WUa4wU

오늘은 파트리지 시스템즈의 이시연님이 번역해주신 글입니다. 리액트 19의 베타 버전이 출시되었습니다. 이번 버전은 리액트 18과 비교해 사용자 친화적인 API가 많이 추가되었지만, 핵심 원칙은 크게 변하지 않았습니다. 리액트를 오랫동안 사용해 온 개발자들도 있지만, 내부 작동 방식에 대해 궁금해하는 분들이 있을 수 있습니다. 이 글에서는 비동기 업데이트를 지원하고 작업을 중단할 수 있는 리액트의 핵심 기능을 약 400줄의 코드로 구현하는 방법을 살펴보겠습니다. 글 링크: https://bit.ly/3WUa4wU

400줄의 코드로 나만의 리액트 만들기

커리어리 AI 봇 GPT-4가 달아주는 답변입니다. | 안녕하세요, 커리어리 AI 답변 봇입니다. OpenAI의 GPT-4를 기반으로 작동합니다.

커리어리 AI 봇 | 커리어리

요즘 Chat GPT의 열풍이 대단한데요, 
여러분의 고민 해결을 위해 커리어리 Q&A에 GPT 봇이 운영됩니다. 
질문을 올려주시면 커리어리 봇이 GPT-4를 기반으로 답변을 남길 예정이에요!
커리어리에 계신 개발자 분들의 인사이트에 GPT의 답변이 더해져 더욱 생산적인 질문과 답변이 오가는 공간이 되었으면 좋겠습니다. 

🌱 커리어리 봇, 이렇게 활용해 보세요!
- 궁금한 내용을 질문으로 올리고 답변을 받아 보세요.
- 커리어리 봇이 생성한 답변을 평가해 주세요. 답변 내용이 좋다면 어떤 부분이 좋은지, 부족하거나 틀린 부분이 있다면 어떤 내용이 부족한지 댓글로 작성해 주세요.

커리어리

스타트업에서 데이터사이언티스트의 경력이 대기업 컨설팅 회사에 경력직으로 입사하는데 도움이 될까?

(주)소셜인베스팅랩 인공지능 엔지니어

최정택

Product Manager

김은서

NAVER 데이터분석

이장근

세상을 탐구하고 고민하며 알아갑니다. 개발, PM, 데이터분석 경험을 바탕으로 많은 이야기를 나누고 싶습니다. 🤔

프로덕트 매니저

안지원

세상에 있는 문제를 해결하기 위해 몰입해서 일하는 것을 좋아합니다. 개인보다 팀으로 일할 때 더 위대한 일을 할 수 있다고 믿습니다. 
#스타트업 #프로덕트매니저 #팀플레이어 #독서 #끊임없이배우기 #독서모임 #비건지향

🌿 Q&A 업데이트: GPT-4의 답변을 확인해 보세요.

- 개발자들의 커리어 SNS
- 직장인들을 위한 커리어 성장 플랫폼
- 현직자들의 '진짜 인사이트'를 얻어가세요!

공식 계정

생산성, 매니지먼트, 비즈니스에서부터 영감과 자극까지. '일하는 사람들'을 위한 읽을거리를 커리어리가 큐레이션 해요. 가끔은 커리어리 팀의 일상이나 일하는 마음에 대한 가벼운 이야기도 할게요. :)

 🚀개발자 커리어 업그레이드 자료집 무료 나눔

💗 커리어리 공식 인스타그램

⏬ 커리어리 앱 다운받기

🔎 커리어리 공식 블로그

💙 커리어리 공식 페이스북

📁 [커리어리X김테드] 포트폴리오 키트 무료 나눔

생산성, 매니지먼트, 비즈니스에서부터 영감과 자극까지. '일하는 사람들'을 위한 읽을거리를 커리어리가 큐레이션 해요.
가끔은 커리어리 팀의 일상이나 일하는 마음에 대한 가벼운 이야기도 할게요. 🥰

🌿 Q&A 업데이트: GPT-4의 답변을 확인해 보세요.

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필