모바일에서는 클릭 가능한 UI의 보이는 크기보다 보이지 않는 터치 영역을 넓혀서 사용자 실수를 미리 방지하면 좋아.

☑️ 최소 44x44px(48dp) 이상의 터치 영역을 유지하기 (평균 성인 손가락 폭은 10~12mm)
☑️ 버튼/아이콘 사이 충분한 간격이 확보되지 않으면 실수의 요인이 돼
☑️ 주요 UI는 터치 시 버튼이 눌렸는지 시각적 피드백 주기 (간단한 애니메이션이나 색상 변화 등)

모바일에서는 클릭 가능한 UI의 보이는 크기보다 보이지 않는 터치 영역을 넓혀서 사용자 실수를 미리 방지하면 좋아. ☑️ 최소 44x44px(48dp) 이상의 터치 영역을 유지하기 (평균 성인 손가락 폭은 10~12mm)☑️ 버튼/아이콘 사이 충분한 간격이 확보되지 않으면 실수의 요인이 돼☑️ 주요 UI는 터치 시 버튼이 눌렸는지 시각적 피드백 주기 (간단한 애니메이션이나 색상 변화 등)

➡️ 모바일에서는 터치 영역을 넓히기

✅ 오랜기간 안정적 운영을 위해 1,000명 정원을 유지 해왔습니다. 새로운 시각의 유입을 위해 한시적으로 클럽을 공개로 전환합니다.

입사 과정에서 겪는 다양한 어려움을 함께 나누고, 실질적인 조언을 주고받을 수 있는 분위기를 지향합니다.(광고 없음) 취업의 고단함을 덜고, 더 나은 포트폴리오를 만들기 위한 인사이트를 얻어가세요!

[디자인 취업 고민]
https://open.kakao.com/o/gqr3zbNg

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

[ 큐레이터의 문장 🎒 ]

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

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

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

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

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

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

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

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

5️⃣ 왜 DeepSeek V2가 실리콘밸리의 많은 사람들을 놀라게 했을까요?

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

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

《DeepSeek 창업자, 85년생 량원평 인터뷰》

사용자는 정보를 기억하는 것에 대체로 부담을 느껴. UI 디자인에서 불필요하게 기억해야 할 요소를 줄이고, 시각적 단서로 인식시키면 좋아.

- 최근 사용한 기능을 쉽게 찾을 수 있도록 인식 시키면 좋아 (최근에 열린 파일 섹션 등)
- 자동완성 기능은 사용자의 입력 부담을 감소시켜줘 (검색창, 입력 필드)
- 미완료 프로세스가 있다면 남은 과정을 시각적으로 보여줘. (프로그레스, 미완료 체크리스트 등)

사용자는 정보를 기억하는 것에 대체로 부담을 느껴. UI 디자인에서 불필요하게 기억해야 할 요소를 줄이고, 시각적 단서로 인식시키면 좋아. - 최근 사용한 기능을 쉽게 찾을 수 있도록 인식 시키면 좋아 (최근에 열린 파일 섹션 등)- 자동완성 기능은 사용자의 입력 부담을 감소시켜줘 (검색창, 입력 필드)- 미완료 프로세스가 있다면 남은 과정을 시각적으로 보여줘. (프로그레스, 미완료 체크리스트 등)

💡 사용자는 정보를 기억이 아닌 인식하고 싶어한다?

➡️ [디자인 취업 고민] 뉴스레터를 시작합니다.

- 문제 해결형 포트폴리오 작성 가이드, 디자이너 채용 트렌드 정보를 얻고 싶다면 아래 링크를 참고해 주세요.

https://brunch.co.kr/@cliche-cliche/262

#디자인취업 #포트폴리오 #취업고민 #디자인커리어 #면접준비 #디자인팁 #커리어성장 #포트폴리오피드백 #취업상담 #디자인멘토링 #데이터포트폴리오 #UX #UXUI #BX #프로덕트디자인

디자인 취업 고민 - 프로덕트디자인, UX/UI, BX

✅ 오랜기간 안정적 운영을 위해 1,000명 정원을 유지 해왔습니다. 새로운 시각의 유입을 위해 한시적으로 클럽을 공개로 전환합니다. 입사 과정에서 겪는 다양한 어려움을 함께 나누고, 실질적인 조언을 주고받을 수 있는 분위기를 지향합니다.(광고 없음) 취업의 고단함을 덜고, 더 나은 포트폴리오를 만들기 위한 인사이트를 얻어가세요! [디자인 취업 고민]https://open.kakao.com/o/gqr3zbNg

open.kakao.com

💡 [디자인 취업 고민] 클럽에 초대합니다.

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.

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.

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

정말 오랜만에 트레바리 클럽을 다시 열게 되었습니다. 거의 5년만인 것 같아요. 이번 클럽에서는 조직에서 새로운 일을 준비하고 시작하는 것에 대한 이야기를 하나씩 해보려고 합니다.

신사업을 담당하시는 분들, 새로운 일을 준비하거나 시작하신 분들과 함께 하고 싶어요!

정말 오랜만에 트레바리 클럽을 다시 열게 되었습니다. 거의 5년만인 것 같아요. 이번 클럽에서는 조직에서 새로운 일을 준비하고 시작하는 것에 대한 이야기를 하나씩 해보려고 합니다. 신사업을 담당하시는 분들, 새로운 일을 준비하거나 시작하신 분들과 함께 하고 싶어요!

신사업의 기술

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

327명이 봤어요 * 93% 만족 나도 ChatGPT로 자동화 시스템을 만들어볼 수 있을까? 💡 10분 안에 이런 내용을 알려드려요! ChatGPT를 구글스프레드 시트와 연동하여 원하는 결과를 쏙쏙 뽑는 3단계 자동화 방법 리소스 최적화! ChatGPT로 나만의 자동화 시스템 만드는 노하우 바로 사용할 수 있는 자동화 구글스프레드 시트 템플릿 제공🎁 이 아티클은 시리즈로 기획되었는데요.

ChatGPT 더 빠르고 쉽게 활용하려면? 구글스프레드시트 자동화 방법(템플릿 제공)

ChatGPT 사용이 효과적인 경우

-정형화된 패턴이 있어 반복 작업이 필연적일 때,
-양적 성장이 필요한 작업이 생길 때
-속도를 지금보다 더 줄이고 싶을 때 필요합니다.

실용적 몇 가지 사례
1
구글스프레드 시트 익스텐션 - GPT for Sheets 활용: 구글 스프레드 시트 셀에 항목을 입력하면 자동으로 시트에 GPT 를 통한 응답을 불러올 수 있고, 표형태의 데이터의 가공을 더 손쉽게 할 수 있습니다.

2
Zapier를 통한 외부 서비스와의 연동: GPT를 활용한 응답을, 각종 서비스에 연결해서 확장성 있게 활용할 수 있습니다. (예: 특정 키워드가 있는 메일의 답변을 자동으로 임시 보관함에 저장하기) 단, 한달에 100회까지만 무료로 사용할 수 있습니다.

3
AIPRM 크롬 익스텐션을 통한 템플릿 활용: 나만의 프롬프트 템플릿을 만들어서 사용할 수 있습니다.

publy.co

UX 디자이너

ageek.ss

AR/VR/MR/XR 분야의 Interaction design, 
Immersive storytelling에 주목하는 공대출신 디자이너
21-23 서울대 XR101 겸임강사
#UX디자인 #기획자 #디자이너 #크리에이터 
#AR#VR#XR#MR #prototyping

실용팁 가득 담긴 ChatGPT 튜토리얼?

Evaluate UX of various categories of VR experiences with global members

UX Researcher (시간제)

Adjunct Lecturer, Extended Reality 101 (Class), Information Science and Culture (Class Topics below)
 . Discussion of new media + digital transformation (ref. Ready Player One, Social Dilemma)
 . AR/VR production in the media industry 
 . UX design process for immersive media/services (Technical structure of a Digital Service)
 . User-centered AR/VR storytelling
 . Immersive tech trends and challenges
 . Spark AR Studio + Unity3D workshops

Adjunct Lecturer (시간제)

ISDN adaptor firmware test
ADSL modem development

Hardware Engineer

As an accepted VR enthusiast, I made progress of my thesis project with Oculus' supporting. 
I am still improving my concept and experimenting several technological stuffs: WebVR(A-frame/Three.js), LEAP motion input and Unity3D included C# scripting.

Oculus Launchpad Fellow Member

AR/VR Director
2009년 3월 - 2014년 8월
• Produce and direct augmented and virtual realistic news video composition
 - Winning best program award in company (Innovative digital workflow for live broadcasting: directing AR News Video Production)
 - Sync virtual camera in Viz Virtual Set with robotic/crane CAMs in real-time
• Producing three or four VR/AR video scenes for daily prime-time news program
 - Producing animation sequences from 3D modeling scene (collaboration with high-skilled 3D modelers)
• Introduction of interactive device and system with AR broadcast system
 - 70-inch wide touchscreen, iPad (VizAnchor) interaction

Audio Director (OB Van) / Motion Graphic Production
2008년 3월 - 2009년 3월

Audio EngineerAudio Engineer
2004년 9월 - 2008년 2월

VCR Engineer (Master Control Room)
2002년 2월 - 2004년 8월

VR/AR Director

- Contribute to the overall vision and user strategy for AR apps or products
- Concept development, concept-driven UX design process
- Design 2D/3D materials (Digital imaging, Motion graphics, Proof of concept, and so on)
- Design and produce overall visual resources for AR product developing and demo build

UX design Intern

- Advanced Unity3D skill learning and practices for thesis project
- Data visualization in Unity VR scene (social media database access)

Tech Intern

Director of Post Production

- Directing agile UX/UI design process 
- Research emerging tech trends for digital service
- UX/UI design new media service strategy: Immersive experiences (VR/AR/MR/XR)
- Projects (during the total renewal of digital service) 
 . UX/UI redesign (PC/mobile web)
 . Mobile app UX/UI redesign (myK/Kong)
 . UI/UX design for about a thousand TV/Radio drama/shows websites and site builder admin.

실용팁 가득 담긴 ChatGPT 튜토리얼?

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필