React & React Native 생태계가 더욱 공고해지고 있군아. 공식 진영 뿐 아니라, 욕은 먹고 있어도 Next.js와 Expo 생태계 확장이 가속되고 있고, React Native Skia라던가 shadcn UI 등의 약진과 nativewind의 부활 등 React를 둘러싼 생태계가 다시 한 번 용트림하고 있는 듯.

React &amp; React Native 생태계가 더욱 공고해지고 있군아. 공식 진영 뿐 아니라, 욕은 먹고 있어도 Next.js와 Expo 생태계 확장이 가속되고 있고, React Native Skia라던가 shadcn UI 등의 약진과 nativewind의 부활 등 React를 둘러싼 생태계가 다시 한 번 용트림하고 있는 듯.

In this issue: A more strategic way of prompting Closing the open source gap for MoE models The most powerful small code model… yet Vectors are everywhere these days and Superlinked is the compute framework for all your vector needs. In partnership with Redis and MongoDB, they’ve just launched their

🧠 The Next Level of CoT Prompting

CoT(Chain-of-Thought) 기법은 사용자의 프롬프트에 대해 AI가 단순히 최종 답변을 제시하는 것이 아니라, 중간 단계의 사고 과정을 보여주는 것을 목표로 합니다. 이를 통해 AI의 추론 과정을 투명하게 만들고, 사용자가 AI의 답변을 더욱 신뢰할 수 있게 합니다.

1. 전략적 CoT(Strategic Chain-of-Thought): 전략 도출을 통해 LLM에서 정확한 추론 유도하기
-- Paper: https://arxiv.org/abs/2409.03271v1
 * 어떤 문제를 해결하나요?
   * 생각의 연쇄(CoT) 프롬프트는 대규모 언어 모델(LLM)에서 다단계 추론 능력을 이끌어내는 데 널리 사용되는 기법이 되었습니다.
   * CoT는 중간 추론 단계를 제공함으로써 LLM이 복잡한 문제를 보다 효과적으로 해결할 수 있게 해줍니다. 그러나 생성된 추론 경로의 품질과 일관성이 불안정하여 추론 작업에서 최적의 성능을 발휘하지 못할 수 있습니다.
 * 이 문제를 어떻게 해결하나요?
   * 전략적 사고 연쇄(SCoT)는 전략적 지식을 CoT 프로세스에 통합하여 불안정성 문제를 해결합니다.
   * SCoT는 중간 추론 단계를 생성하기 전에 전략적 지식을 통합함으로써 보다 일관되고 신뢰할 수 있는 추론 성능을 보장합니다.
   * SCoT는 단일 프롬프트 내에서 2단계 접근 방식을 사용합니다.
     * 먼저, LLM에서 효과적인 문제 해결 전략을 도출합니다.
     * 그런 다음, 이 전략을 사용하여 고품질의 CoT 경로와 최종 답변을 생성하도록 안내합니다.
 * 다음 단계는 무엇인가요?
   * LLM이 더 복잡한 작업에 계속 사용됨에 따라 전략적 지식을 통합하고 추론 경로의 일관성을 개선하는 것이 중요해질 것입니다. SCoT는 이러한 방향의 향후 연구를 위한 유망한 프레임워크를 제공합니다.
     
     
2. OLMoE(Open Mixture-of-Experts Language Models): 개방형 전문가 혼합 언어 모델
-- Paper: https://arxiv.org/abs/2409.02060
-- Code: https://github.com/allenai/OLMoE
 * 어떤 문제를 해결하나요?
   * 전문가 혼합(MoE)은 보다 효율적이고 확장 가능한 언어 모델을 구축하기 위한 유망한 접근 방식입니다.
   * 전문화된 '전문가' 모델 세트와 게이트 메커니즘을 사용하여 입력을 가장 관련성이 높은 전문가에게 라우팅함으로써 MoE는 밀집 모델에 비해 더 적은 매개변수로 더 나은 성능을 달성할 수 있습니다.
   * 그러나 MoE 아키텍처에 대한 지속적인 연구와 개선에도 불구하고 Llama와 같은 대부분의 최신 언어 모델은 여전히 밀도 아키텍처에 의존하고 있습니다.
 * 이 문제를 어떻게 해결하나요?
   * 최초의 완전 오픈 소스, 최첨단 믹스 오브 엑스퍼트 언어 모델인 OLMOE-1B-7B가 소개되었습니다.
   * 1B개의 활성 파라미터와 7B개의 총 파라미터를 갖춘 OLMOE-1B-7B는 DeepSeekMoE-16B 및 Llama2-13B-Chat과 같은 대규모 고밀도 모델보다 뛰어난 성능을 발휘합니다.
 * 다음 단계는 무엇인가요?
   * OLMOE-1B-7B의 완전한 오픈 소스 릴리스는 최첨단 MoE 모델에 대한 접근성을 높이고 이 분야에 대한 추가 연구를 장려하기 위한 중요한 단계입니다.
   * 이 분야에서 MoE의 잠재력을 계속 탐구함에 따라, 프론티어 모델과 완전 개방형 모델 간의 성능 격차를 줄이기 위한 OLMOE 및 기타 오픈 소스 MoE 모델의 새로운 반복을 볼 수 있을 것으로 예상됩니다.
   
   
3. Yi-Coder: 작지만 강력한 코드용 LLM
-- Code: https://github.com/01-ai/Yi-Coder
 * 어떤 문제를 해결하나요?
   * Yi-Coder는 100억 개 미만의 파라미터로 최첨단 코딩 성능을 제공하는 일련의 오픈 소스 코드 LLM입니다.
   * 긴 컨텍스트 모델링을 처리하고 코드 생성, 편집, 완성, 수학적 추론 등 다양한 코딩 작업에서 탁월한 성능을 발휘하는 효율적이고 고성능의 코드 LLM에 대한 필요성을 해결합니다.
   * Yi-Coder는 소규모 코드 LLM의 한계를 뛰어넘어 소프트웨어 개발을 가속화하고 혁신할 수 있는 사용 사례를 발굴하는 것을 목표로 합니다.
 * 어떻게 문제를 해결하나요?
   * Yi-Coder는 인상적인 성능을 달성하기 위해 여러 기술을 조합하여 활용합니다.
   * 52개 주요 프로그래밍 언어에 걸쳐 2조 4천억 개에 달하는 방대한 리포지토리 수준의 코드 코퍼스와 CommonCrawl에서 필터링된 코드 관련 데이터를 기반으로 학습합니다.
   * 또한 Yi-Coder는 최대 128K 토큰의 긴 컨텍스트 모델링을 사용하여 프로젝트 수준의 코드를 이해하고 생성할 수 있습니다. 비교적 작은 크기(1.5억 및 9억 매개변수)에도 불구하고 Yi-Coder는 다양한 코딩 벤치마크 및 작업에서 대형 모델보다 뛰어난 성능을 발휘합니다.
 * 다음 단계는 무엇인가요?
   * 기본 버전과 채팅 버전 모두에서 Yi-Coder 1.5B/9B의 오픈 소스 릴리스는 커뮤니티가 이 강력한 코드 LLM을 탐색하고 프로젝트에 통합할 수 있는 흥미로운 기회를 제공합니다.
   * 개발자는 Yi-Coder의 기능을 활용하여 소프트웨어 개발 프로세스를 개선하고, 코딩 작업을 자동화하며, 소규모 코드 LLM이 달성할 수 있는 한계를 뛰어넘을 수 있습니다.
   * Yi-Coder 팀은 개발자가 Yi-Coder README와 같은 제공된 리소스를 살펴보고 Discord 또는 이메일을 통해 커뮤니티에 참여하여 문의 및 토론을 할 것을 권장합니다.

 * 참고: 프롬프트 엔지니어링 Thought 시리즈(https://aiheroes.ai/community/153)
 * 출처: The Next Level of CoT Prompting(https://www.linkedin.com/pulse/next-level-cot-prompting-pascal-biese-e08pf/)

CoT(Chain-of-Thought) 기법은 사용자의 프롬프트에 대해 AI가 단순히 최종 답변을 제시하는 것이 아니라, 중간 단계의 사고 과정을 보여주는 것을 목표로 합니다. 이를 통해 AI의 추론 과정을 투명하게 만들고, 사용자가 AI의 답변을 더욱 신뢰할 수 있게 합니다. 1. 전략적 CoT(Strategic Chain-of-Thought): 전략 도출을 통해 LLM에서 정확한 추론 유도하기-- Paper: https://arxiv.org/abs/2409.03271v1<ul ><li>어떤 문제를 해결하나요? <ul ><li>생각의 연쇄(CoT) 프롬프트는 대규모 언어 모델(LLM)에서 다단계 추론 능력을 이끌어내는 데 널리 사용되는 기법이 되었습니다. </li><li>CoT는 중간 추론 단계를 제공함으로써 LLM이 복잡한 문제를 보다 효과적으로 해결할 수 있게 해줍니다. 그러나 생성된 추론 경로의 품질과 일관성이 불안정하여 추론 작업에서 최적의 성능을 발휘하지 못할 수 있습니다.</li></ul></li><li>이 문제를 어떻게 해결하나요? <ul ><li>전략적 사고 연쇄(SCoT)는 전략적 지식을 CoT 프로세스에 통합하여 불안정성 문제를 해결합니다. </li><li>SCoT는 중간 추론 단계를 생성하기 전에 전략적 지식을 통합함으로써 보다 일관되고 신뢰할 수 있는 추론 성능을 보장합니다.</li><li>SCoT는 단일 프롬프트 내에서 2단계 접근 방식을 사용합니다. <ul ><li>먼저, LLM에서 효과적인 문제 해결 전략을 도출합니다. </li><li>그런 다음, 이 전략을 사용하여 고품질의 CoT 경로와 최종 답변을 생성하도록 안내합니다. </li></ul></li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>LLM이 더 복잡한 작업에 계속 사용됨에 따라 전략적 지식을 통합하고 추론 경로의 일관성을 개선하는 것이 중요해질 것입니다. SCoT는 이러한 방향의 향후 연구를 위한 유망한 프레임워크를 제공합니다. </li></ul></li></ul>2. OLMoE(Open Mixture-of-Experts Language Models): 개방형 전문가 혼합 언어 모델-- Paper: https://arxiv.org/abs/2409.02060-- Code: https://github.com/allenai/OLMoE<ul ><li>어떤 문제를 해결하나요? <ul ><li>전문가 혼합(MoE)은 보다 효율적이고 확장 가능한 언어 모델을 구축하기 위한 유망한 접근 방식입니다. </li><li>전문화된 '전문가' 모델 세트와 게이트 메커니즘을 사용하여 입력을 가장 관련성이 높은 전문가에게 라우팅함으로써 MoE는 밀집 모델에 비해 더 적은 매개변수로 더 나은 성능을 달성할 수 있습니다. </li><li>그러나 MoE 아키텍처에 대한 지속적인 연구와 개선에도 불구하고 Llama와 같은 대부분의 최신 언어 모델은 여전히 밀도 아키텍처에 의존하고 있습니다. </li></ul></li><li>이 문제를 어떻게 해결하나요? <ul ><li>최초의 완전 오픈 소스, 최첨단 믹스 오브 엑스퍼트 언어 모델인 OLMOE-1B-7B가 소개되었습니다. </li><li>1B개의 활성 파라미터와 7B개의 총 파라미터를 갖춘 OLMOE-1B-7B는 DeepSeekMoE-16B 및 Llama2-13B-Chat과 같은 대규모 고밀도 모델보다 뛰어난 성능을 발휘합니다. </li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>OLMOE-1B-7B의 완전한 오픈 소스 릴리스는 최첨단 MoE 모델에 대한 접근성을 높이고 이 분야에 대한 추가 연구를 장려하기 위한 중요한 단계입니다. </li><li>이 분야에서 MoE의 잠재력을 계속 탐구함에 따라, 프론티어 모델과 완전 개방형 모델 간의 성능 격차를 줄이기 위한 OLMOE 및 기타 오픈 소스 MoE 모델의 새로운 반복을 볼 수 있을 것으로 예상됩니다. </li></ul> </li></ul>3. Yi-Coder: 작지만 강력한 코드용 LLM -- Code: https://github.com/01-ai/Yi-Coder<ul ><li>어떤 문제를 해결하나요? <ul ><li>Yi-Coder는 100억 개 미만의 파라미터로 최첨단 코딩 성능을 제공하는 일련의 오픈 소스 코드 LLM입니다. </li><li>긴 컨텍스트 모델링을 처리하고 코드 생성, 편집, 완성, 수학적 추론 등 다양한 코딩 작업에서 탁월한 성능을 발휘하는 효율적이고 고성능의 코드 LLM에 대한 필요성을 해결합니다. </li><li>Yi-Coder는 소규모 코드 LLM의 한계를 뛰어넘어 소프트웨어 개발을 가속화하고 혁신할 수 있는 사용 사례를 발굴하는 것을 목표로 합니다.</li></ul></li><li>어떻게 문제를 해결하나요? <ul ><li>Yi-Coder는 인상적인 성능을 달성하기 위해 여러 기술을 조합하여 활용합니다. </li><li>52개 주요 프로그래밍 언어에 걸쳐 2조 4천억 개에 달하는 방대한 리포지토리 수준의 코드 코퍼스와 CommonCrawl에서 필터링된 코드 관련 데이터를 기반으로 학습합니다.</li><li>또한 Yi-Coder는 최대 128K 토큰의 긴 컨텍스트 모델링을 사용하여 프로젝트 수준의 코드를 이해하고 생성할 수 있습니다. 비교적 작은 크기(1.5억 및 9억 매개변수)에도 불구하고 Yi-Coder는 다양한 코딩 벤치마크 및 작업에서 대형 모델보다 뛰어난 성능을 발휘합니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>기본 버전과 채팅 버전 모두에서 Yi-Coder 1.5B/9B의 오픈 소스 릴리스는 커뮤니티가 이 강력한 코드 LLM을 탐색하고 프로젝트에 통합할 수 있는 흥미로운 기회를 제공합니다. </li><li>개발자는 Yi-Coder의 기능을 활용하여 소프트웨어 개발 프로세스를 개선하고, 코딩 작업을 자동화하며, 소규모 코드 LLM이 달성할 수 있는 한계를 뛰어넘을 수 있습니다. </li><li>Yi-Coder 팀은 개발자가 Yi-Coder README와 같은 제공된 리소스를 살펴보고 Discord 또는 이메일을 통해 커뮤니티에 참여하여 문의 및 토론을 할 것을 권장합니다.</li></ul></li></ul> <ul ><li>참고: 프롬프트 엔지니어링 Thought 시리즈(https://aiheroes.ai/community/153)</li></ul><ul ><li>출처: The Next Level of CoT Prompting(https://www.linkedin.com/pulse/next-level-cot-prompting-pascal-biese-e08pf/)</li></ul>

www.linkedin.com

[AI] 다음 단계의 CoT 프롬프팅

Thank you for reading my latest article The AI-Driven Truth Crisis. Here at LinkedIn and at Forbes I regularly write about management and technology trends.

20 Generative AI Tools For Creating Synthetic Data

현재 우리가 겪고 있는 AI 혁명은 인사이트를 얻기 위해 채굴하고 분석할 수 있는 데이터의 양이 폭발적으로 증가한 데 따른 직접적인 결과입니다. 하지만 현실 세계에서 데이터를 수집하는 것은 쉽지 않은 일입니다. 개인 데이터를 저장하고 작업할 때 개인정보 보호 및 보안 문제가 발생하며, 다른 유형의 데이터는 비용이 많이 들거나 위험할 수도 있습니다.

그렇다면 시간, 비용, 위험 측면에서 훨씬 적은 비용으로 많은 동일한 목적에 사용할 수 있을 만큼 실제 데이터에 가까운 인공 데이터를 생성하는 것은 어떨까요? 이것이 바로 합성 데이터의 가능성이며, 제너레이티브 AI가 빠르게 가치 있는 도구로 자리 잡고 있는 또 다른 분야입니다.

합성 데이터를 생성을 지원하는 20가지 생성 AI 도구를 소개합니다.

 1. Mostly- https://mostly.ai/
 * 대부분 실제 세계와 매우 유사한 데이터를 생성하기 위한 잘 정립된 합성 데이터 플랫폼
 * 금융, 소매, 통신, 의료 등의 산업에서 사용
 * 가트너에서 쿨 벤더로 선정
 * 개인정보 보호를 보장하는 데이터 세트를 생성하고 GDPR 및 CCPA와 같은 데이터 보호 규정을 준수
 * 자연어 중심의 사용자 인터페이스
 * 생성되는 합성 데이터에 편견이 개입되지 않도록 보호하는 가드 레일도 포함
   
 2. Gretel - https://gretel.ai/
 * 누구나 모든 유형의 분석 또는 머신러닝 워크플로우에 사용할 수 있는 표 형식의 비정형 및 시계열 데이터를 생성 용이
 * 코딩 경험이 거의 없어도 합성 데이터 생성 지원
 * 수많은 커넥터와 API 통합을 통해 대부분의 클라우드 및 데이터 웨어하우스 인프라와 호환
 * 사용자 커뮤니티에서 지원

 3. Synthea - https://synthetichealth.github.io/synthea/
 * 의료 분석에 사용할 가상 환자를 생성하기 위해 특별히 설계된 무료 오픈 소스 도구
 * 까다로운 의료 문제를 해결할 수 있는 단서가 될 수 있는 환자의 전체 의료 기록 생성 가능
   
   
 4. Tonic - https://www.tonic.ai/
 * 현실적이고 규정을 준수하며 안전한 합성 데이터 개발을 위한 종합 플랫폼
 * 주로 소프트웨어 및 AI 개발을 위해 구축
 * 합성 데이터 생성 외에도 실제 데이터의 익명화를 위한 비식별화 기능 제공
 * 온프레미스에 배포하거나 클라우드 환경에서 액세스할 수 있으며, 일반적으로 사용되는 모든 데이터베이스와 통합되도록 설계
   
   
 5. Faker - https://fakerjs.dev/
 * 파이썬과 자바스크립트 및 기타 여러 언어에서 사용할 수 있는 라이브러리로 코딩 지식 필요
 * 이커머스 구매 습관에서 금융 거래에 이르기까지 다양한 가짜 데이터를 생성하려는 사용자들에게 인기 있는 도구
 * 실제 데이터를 사용할 때 발생하는 개인정보 침해의 위험 없이 추천 엔진에서 사기 탐지 알고리즘에 이르기까지 모든 것을 훈련하는 데 사용 가능
   
   
 6. Broadcom CTA 테스트 매니저 - https://www.broadcom.com/products/software/app-dev/test-data-manager
 * 매우 기술적이고 복잡한 데이터 세트 생성 가능
   
   
 7. BizData X - https://bizdatax.com/
 * 비즈니스용 합성 데이터 생성을 통해 데이터 마스킹 및 익명화 간소화

 8. Cvedia - https://www.cvedia.com/
 * 합성 데이터로 구동되는 컴퓨터 비전 및 비디오 분석.

 9. Datomize - https://datawizz.ai/
 * 동적 유효성 검사 도구로 데이터 세트를 생성하여 최대한 사실적인 데이터 세트 생성 지원

 10. Edgecase - https://www.edgecase.ai/
 * 레이블이 지정된 합성 데이터를 서비스 생성

 11. GenRocket - https://www.genrocket.com/
 * 엔터프라이즈 확장성을 갖춘 동적 데이터 생성으로 소프트웨어 테스트를 위한 데이터 생성 목표

 12. Hazy - https://hazy.com/
 * 최근 세계 최초의 합성 데이터 마켓플레이스로 재출시

 13. K2View - https://www.k2view.com/solutions/synthetic-data-generation-tools/
 * 머신 러닝 모델 학습을 목적으로 데이터 생성

 14. KopiKat - https://www.kopikat.co/
 * 개인 정보 보호를 강화하고 신경망의 성능을 향상하도록 설계된 노코드 데이터 증강

 15. MDClone - https://www.mdclone.com/
 * 의료 전문가를 대상으로 하는 합성 데이터

 16. Simerse - https://www.simerse.com/
 * 컴퓨터 비전 애플리케이션을 위한 합성 훈련 데이터 생성기

 17. Sogeti - https://www.sogeti.com/services/artificial-intelligence/artificial-data-amplifier/
 * '데이터 증폭기'로 불리는 이 도구는 기존 데이터의 특성과 상관관계를 일치시켜 실제 데이터 세트를 모방

 18. 합성 데이터 볼트(Synthetic Data Vault) - https://sdv.dev/
 * 대용량 합성 데이터 생성을 위한 오픈 소스 머신 러닝 모델

 19. Syntho - https://www.syntho.ai/
 * 인사이트와 의사 결정을 위한 셀프 서비스 데이터 생성

 20. YData - https://ydata.ai/
 * 생산성과 AI 모델 성능을 향상하기 위한 자동화된 합성 데이터 생성

 * 출처: https://www.linkedin.com/pulse/20-generative-ai-tools-creating-synthetic-data-bernard-marr-efswe/

현재 우리가 겪고 있는 AI 혁명은 인사이트를 얻기 위해 채굴하고 분석할 수 있는 데이터의 양이 폭발적으로 증가한 데 따른 직접적인 결과입니다. 하지만 현실 세계에서 데이터를 수집하는 것은 쉽지 않은 일입니다. 개인 데이터를 저장하고 작업할 때 개인정보 보호 및 보안 문제가 발생하며, 다른 유형의 데이터는 비용이 많이 들거나 위험할 수도 있습니다. 그렇다면 시간, 비용, 위험 측면에서 훨씬 적은 비용으로 많은 동일한 목적에 사용할 수 있을 만큼 실제 데이터에 가까운 인공 데이터를 생성하는 것은 어떨까요? 이것이 바로 합성 데이터의 가능성이며, 제너레이티브 AI가 빠르게 가치 있는 도구로 자리 잡고 있는 또 다른 분야입니다. 합성 데이터를 생성을 지원하는 20가지 생성 AI 도구를 소개합니다. <ol ><li>Mostly- https://mostly.ai/</li></ol><ul ><li>대부분 실제 세계와 매우 유사한 데이터를 생성하기 위한 잘 정립된 합성 데이터 플랫폼</li><li>금융, 소매, 통신, 의료 등의 산업에서 사용</li><li>가트너에서 쿨 벤더로 선정</li><li>개인정보 보호를 보장하는 데이터 세트를 생성하고 GDPR 및 CCPA와 같은 데이터 보호 규정을 준수</li><li>자연어 중심의 사용자 인터페이스</li><li>생성되는 합성 데이터에 편견이 개입되지 않도록 보호하는 가드 레일도 포함 </li></ul><ol start="2"><li>Gretel - https://gretel.ai/</li></ol><ul ><li>누구나 모든 유형의 분석 또는 머신러닝 워크플로우에 사용할 수 있는 표 형식의 비정형 및 시계열 데이터를 생성 용이</li><li>코딩 경험이 거의 없어도 합성 데이터 생성 지원</li><li>수많은 커넥터와 API 통합을 통해 대부분의 클라우드 및 데이터 웨어하우스 인프라와 호환</li><li>사용자 커뮤니티에서 지원</li></ul> <ol start="3"><li>Synthea - https://synthetichealth.github.io/synthea/</li></ol><ul ><li>의료 분석에 사용할 가상 환자를 생성하기 위해 특별히 설계된 무료 오픈 소스 도구</li><li>까다로운 의료 문제를 해결할 수 있는 단서가 될 수 있는 환자의 전체 의료 기록 생성 가능 </li></ul><ol start="4"><li>Tonic - https://www.tonic.ai/</li></ol><ul ><li>현실적이고 규정을 준수하며 안전한 합성 데이터 개발을 위한 종합 플랫폼</li><li>주로 소프트웨어 및 AI 개발을 위해 구축</li><li>합성 데이터 생성 외에도 실제 데이터의 익명화를 위한 비식별화 기능 제공</li><li>온프레미스에 배포하거나 클라우드 환경에서 액세스할 수 있으며, 일반적으로 사용되는 모든 데이터베이스와 통합되도록 설계 </li></ul><ol start="5"><li>Faker - https://fakerjs.dev/</li></ol><ul ><li>파이썬과 자바스크립트 및 기타 여러 언어에서 사용할 수 있는 라이브러리로 코딩 지식 필요</li><li>이커머스 구매 습관에서 금융 거래에 이르기까지 다양한 가짜 데이터를 생성하려는 사용자들에게 인기 있는 도구</li><li>실제 데이터를 사용할 때 발생하는 개인정보 침해의 위험 없이 추천 엔진에서 사기 탐지 알고리즘에 이르기까지 모든 것을 훈련하는 데 사용 가능 </li></ul><ol start="6"><li>Broadcom CTA 테스트 매니저 - https://www.broadcom.com/products/software/app-dev/test-data-manager</li></ol><ul ><li>매우 기술적이고 복잡한 데이터 세트 생성 가능 </li></ul><ol start="7"><li>BizData X - https://bizdatax.com/</li></ol><ul ><li>비즈니스용 합성 데이터 생성을 통해 데이터 마스킹 및 익명화 간소화</li></ul> <ol start="8"><li>Cvedia - https://www.cvedia.com/</li></ol><ul ><li>합성 데이터로 구동되는 컴퓨터 비전 및 비디오 분석.</li></ul> <ol start="9"><li>Datomize - https://datawizz.ai/</li></ol><ul ><li>동적 유효성 검사 도구로 데이터 세트를 생성하여 최대한 사실적인 데이터 세트 생성 지원</li></ul> <ol start="10"><li>Edgecase - https://www.edgecase.ai/</li></ol><ul ><li>레이블이 지정된 합성 데이터를 서비스 생성</li></ul> <ol start="11"><li>GenRocket - https://www.genrocket.com/</li></ol><ul ><li>엔터프라이즈 확장성을 갖춘 동적 데이터 생성으로 소프트웨어 테스트를 위한 데이터 생성 목표</li></ul> <ol start="12"><li>Hazy - https://hazy.com/</li></ol><ul ><li>최근 세계 최초의 합성 데이터 마켓플레이스로 재출시</li></ul> <ol start="13"><li>K2View - https://www.k2view.com/solutions/synthetic-data-generation-tools/</li></ol><ul ><li>머신 러닝 모델 학습을 목적으로 데이터 생성</li></ul> <ol start="14"><li>KopiKat - https://www.kopikat.co/</li></ol><ul ><li>개인 정보 보호를 강화하고 신경망의 성능을 향상하도록 설계된 노코드 데이터 증강</li></ul> <ol start="15"><li>MDClone - https://www.mdclone.com/</li></ol><ul ><li>의료 전문가를 대상으로 하는 합성 데이터</li></ul> <ol start="16"><li>Simerse - https://www.simerse.com/</li></ol><ul ><li>컴퓨터 비전 애플리케이션을 위한 합성 훈련 데이터 생성기</li></ul> <ol start="17"><li>Sogeti - https://www.sogeti.com/services/artificial-intelligence/artificial-data-amplifier/</li></ol><ul ><li>'데이터 증폭기'로 불리는 이 도구는 기존 데이터의 특성과 상관관계를 일치시켜 실제 데이터 세트를 모방</li></ul> <ol start="18"><li>합성 데이터 볼트(Synthetic Data Vault) - https://sdv.dev/</li></ol><ul ><li>대용량 합성 데이터 생성을 위한 오픈 소스 머신 러닝 모델</li></ul> <ol start="19"><li>Syntho - https://www.syntho.ai/</li></ol><ul ><li>인사이트와 의사 결정을 위한 셀프 서비스 데이터 생성</li></ul> <ol start="20"><li>YData - https://ydata.ai/</li></ol><ul ><li>생산성과 AI 모델 성능을 향상하기 위한 자동화된 합성 데이터 생성</li></ul> <ul ><li>출처: https://www.linkedin.com/pulse/20-generative-ai-tools-creating-synthetic-data-bernard-marr-efswe/</li></ul>

합성 데이터 생성을 위한 20가지 생성 AI 도구

Elastic announces the return of open source licensing for Elasticsearch and Kibana, adding AGPL as an option alongside existing licenses. This change reinforces our long-standing commitment to open so...

Elasticsearch is Open Source, Again

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again

AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다.

오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다.

그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다.

엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다.

오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

https://www.elastic.co/kr/blog/elasticsearch-is-open-source-again AWS와의 갈등으로 3년전 Apache 라이센스를 버리고 SSPL 라이센스를 도입하면서 오픈소스가 아니게 되었다가 이번에 다시 AGPL 라이센스를 도입해서 오픈소스가 되었습니다. 오픈소스는 오픈소스 이니셔티브에서 사용 권한을 가지고 있어서 오픈소스 이니셔티브에서 인정한 라이센스가 아니라면 오픈소스라는 말을 사용할 수 없습니다. 오픈소스 이기는 하지만 엘라스틱 같은 회사는 클라우드 사업을 하기 때문에 AWS같은 클라우드 업체에서 elasticsearch를 서비스로 내놓으면서 갈등이 생기고 결국 오픈소스 라이센스를 버리고 클라우드 업체가 elasticsearch를 사용할 수 없게하는 SSPL을 도입해서 이를 막았습니다. 그동안의 과정이 고통스럽긴 했지만 3년이 지난 지금 AWS와의 파트너쉽이 견고해졌고 AWS도 OpenSearch에 충분한 투자를 했기 때문에 다시 오픈소스로 돌아와도 되겠다고 생각하고 AGPL을 도입하기로 했다고 합니다. 엘리스틱은 이렇게 얘기하고 사람들의 의견은 다양하게 있는거 같습니다. 엘라스틱의 의도를 그대로 믿을 수도 있고 오픈소스를 버린게 결과적으로 안좋았다고 판단했기에 번복했다는 얘기도 있습니다. 오픈소스였다가 아니었다가 혼란스럽고 앞으로 그러면 OpenSearch는 어떻게 되는건지 궁금하기도 하지만 앞으로 시장이 어떻게 흘러갈지 봐야될 것 같습니다.

Elastic Blog

All four variations of iPhone 16 and iPhone 16 Pro will be able to use Apple Intelligence when it arrives with iOS 18.1. Plus, check out new AirPods and Apple Watches.

Apple Keynote 2024: Unveiling iPhone 16, New AirPods, Apple Intelligence, and More

< iPhone 16 >
 * 모델
 * iPhone 16: 가로 6.1인치, $799~
 * iPhone 16 Plus: 가로 6.7인치, $899~
 * iPhone 16 Pro: 6.3인치
 * iPhone 16 Pro Max: 6.9인치
 * 주요 특징
 * 카메라: 측면버튼으로 카메라 기능 제어, 사진편집 기능, 컨트롤 재정렬, 슬로우 모션과 4K 포함한 전문적인 비디오 캡춰 및 인코딩 처리, 초고해상도 및 망원 카메라 렌즈 탑재
 * 새로운 색상: 골드, 울트라마린, 핑크
 * A18 Pro칩: 16코어 뉴럴 엔진 탑재, 더 빠른 생성AI 워크로드 처리 및 그래픽 성능 향상
 * 주문
 * 사전주문: 9월 13일~
 * 판매: 9월20일~
 
 
< Apple Intelligence(애플 인텔리전스) >
 * iPhone 16을 위해 특별히 제작된 더욱 강력하고 효율적인 A18 칩을 통해 활성화
 * 내년 iOS18.1과 함께 출시되는 소프트웨어 업데이트를 기다려야 함
 * 주요 기능
 * 이메일 및 알림 요약
 * 알림 우선순위 지정
 * 이메일, 메시지 등을 위한 생성 및 요약 작성 도구
 * 새로운 이모티콘 만들기
 * 이미지 놀이터에서 원본 사진 생성
 * 자연어 프롬프트를 사용하여 사진 검색 및 정렬
 * 이미지와 동영상을 이어 붙여 동영상 만들기
 * 휴대폰이 카메라를 통해 보이는 장면에 대한 정보를 감지할 수 있는 시각적 인텔리전스
 * 사진 정리 및 생성 편집
 * 일부 AI 작업은 사설 클라우드에서 실행되어 OpenAI의 모델 활용
 * Siri
 * 더 자연스러운 프롬프트에 응답하거나 사용자가 말을 더듬는 경우 사용자가 말한 내용을 파악할 수 있도록
 * 올해말 미국영어 베타버전 제공되며, 올해 말 다른 영어 버전과 2025년에 추가 언어가 제공될 예정\

< 에어팟 >
 * 새로운 4가지 버전의 AirPods 발표
 * AirPods 4: H2칩과 새로운 음향 아키텍처. 서라운드 공간 사운드 제공, $129, 9월20일 출시 예정
 * 액티브 노이즈 캔슬링 기능이 탑재된 AirPods 4: 사용자가 통화 중임을 감지하면 AirPods에서 음악이나 미디어를 자동으로 조절, $179
 * AirPods Pro 2: $249, 9월9일 판매 시작
 * AirPods Max: $549, 9월20일 출시 예정

< 애플워치 시리즈 >
 * 더 커지고 얇아진 애플워치 시리즈 10
 * 주요 특징
 * 비교적 큰 화면과 얇은 테두리(9.7밀리미터)
 * 광각 OLED 디스플레이는 가독성과 더 큰 글꼴 크기에 최적화
 * 알림을 더 쉽게 읽을 수 있고 긴급 메시지에 더 빠르게 답장
 * 10%더 가벼워진 알루미늄 소재의 새로운 색상인 제트 블랙 케이스
 * 색상: 로즈 골드 또는 실버 색상
 * 에어팟 없이 시계의 스피커를 통해 직접 미디어나 음악 재생
 * 30분 만에 80% 충전
 * 받아쓰기, 자동 운동 감지, 낙상 감지 또는 Siri와 같은 머신 러닝 도구를 위한 4코어 신경 엔진이 탑재된 S10 칩
 * 번역 기능 제공 예정
 * 수면 모호흡증 감지 기능이 추가된 건강 모니터링 기능. 올가을 FDA 승인 예정
 * 모델
 * 애플 워치 시리즈 10: $399~
 * 애플 워치 울트라2: $799~
 * 판매
 * 사전주문: 9월9일
 * 판매: 9월20일

 * 출처: https://www.techrepublic.com/article/apple-event-september-2024-news/?utm_source=Sailthru&utm_medium=email&utm_campaign=e312_WeekendWrapup%202024-09-14&utm_term=daily-tech-insider-active

&lt; iPhone 16 &gt;<ul ><li>모델<ul ><li>iPhone 16: 가로 6.1인치, $799~</li><li>iPhone 16 Plus: 가로 6.7인치, $899~</li><li>iPhone 16 Pro: 6.3인치</li><li>iPhone 16 Pro Max: 6.9인치</li></ul></li><li>주요 특징<ul ><li>카메라: 측면버튼으로 카메라 기능 제어, 사진편집 기능, 컨트롤 재정렬, 슬로우 모션과 4K 포함한 전문적인 비디오 캡춰 및 인코딩 처리, 초고해상도 및 망원 카메라 렌즈 탑재</li><li>새로운 색상: 골드, 울트라마린, 핑크</li><li>A18 Pro칩: 16코어 뉴럴 엔진 탑재, 더 빠른 생성AI 워크로드 처리 및 그래픽 성능 향상 </li></ul></li><li>주문<ul ><li>사전주문: 9월 13일~</li><li>판매: 9월20일~</li></ul> </li></ul>&lt; Apple Intelligence(애플 인텔리전스) &gt;<ul ><li> iPhone 16을 위해 특별히 제작된 더욱 강력하고 효율적인 A18 칩을 통해 활성화</li><li>내년 iOS18.1과 함께 출시되는 소프트웨어 업데이트를 기다려야 함</li><li>주요 기능<ul ><li>이메일 및 알림 요약</li><li>알림 우선순위 지정</li><li>이메일, 메시지 등을 위한 생성 및 요약 작성 도구</li><li>새로운 이모티콘 만들기</li><li>이미지 놀이터에서 원본 사진 생성</li><li>자연어 프롬프트를 사용하여 사진 검색 및 정렬</li><li>이미지와 동영상을 이어 붙여 동영상 만들기</li><li>휴대폰이 카메라를 통해 보이는 장면에 대한 정보를 감지할 수 있는 시각적 인텔리전스</li><li>사진 정리 및 생성 편집</li></ul></li><li>일부 AI 작업은 사설 클라우드에서 실행되어 OpenAI의 모델 활용</li><li>Siri<ul ><li>더 자연스러운 프롬프트에 응답하거나 사용자가 말을 더듬는 경우 사용자가 말한 내용을 파악할 수 있도록</li><li>올해말 미국영어 베타버전 제공되며, 올해 말 다른 영어 버전과 2025년에 추가 언어가 제공될 예정\</li></ul></li></ul> &lt; 에어팟 &gt;<ul ><li>새로운 4가지 버전의 AirPods 발표<ul ><li>AirPods 4: H2칩과 새로운 음향 아키텍처. 서라운드 공간 사운드 제공, $129, 9월20일 출시 예정</li><li>액티브 노이즈 캔슬링 기능이 탑재된 AirPods 4: 사용자가 통화 중임을 감지하면 AirPods에서 음악이나 미디어를 자동으로 조절, $179</li><li>AirPods Pro 2: $249, 9월9일 판매 시작</li><li>AirPods Max: $549, 9월20일 출시 예정</li></ul></li></ul> &lt; 애플워치 시리즈 &gt;<ul ><li>더 커지고 얇아진 애플워치 시리즈 10</li><li>주요 특징<ul ><li>비교적 큰 화면과 얇은 테두리(9.7밀리미터)</li><li>광각 OLED 디스플레이는 가독성과 더 큰 글꼴 크기에 최적화</li><li>알림을 더 쉽게 읽을 수 있고 긴급 메시지에 더 빠르게 답장</li><li>10%더 가벼워진 알루미늄 소재의 새로운 색상인 제트 블랙 케이스</li><li>색상: 로즈 골드 또는 실버 색상</li><li>에어팟 없이 시계의 스피커를 통해 직접 미디어나 음악 재생</li><li>30분 만에 80% 충전</li><li>받아쓰기, 자동 운동 감지, 낙상 감지 또는 Siri와 같은 머신 러닝 도구를 위한 4코어 신경 엔진이 탑재된 S10 칩</li><li>번역 기능 제공 예정</li><li>수면 모호흡증 감지 기능이 추가된 건강 모니터링 기능. 올가을 FDA 승인 예정</li></ul></li><li>모델<ul ><li>애플 워치 시리즈 10: $399~</li><li>애플 워치 울트라2: $799~</li></ul></li><li>판매<ul ><li>사전주문: 9월9일</li><li>판매: 9월20일</li></ul></li></ul> <ul ><li>출처: https://www.techrepublic.com/article/apple-event-september-2024-news/?utm_source=Sailthru&amp;utm_medium=email&amp;utm_campaign=e312_WeekendWrapup%202024-09-14&amp;utm_term=daily-tech-insider-active</li></ul>

TechRepublic

Apple2024: 아이폰 16, 새로운 에어팟, 애플 인텔리전스등 공개

In this issue: Dual-system RAG with photographic memory LLMs coming up with better ideas than humans Taking LLM Graph Learning to the next level Tired of conferences that feel like sales venues? MLOps World is all about real-life experiences of actual practitioners. It’s an event for top experts fro

🚀 What Next-Gen RAG Is About

1. MemoRAG: 메모리에서 영감을 얻은 지식 검색을 통해 차세대 RAG로 나아가기
 * 어떤 문제를 해결하나요?
 * 검색 증강 세대(RAG)는 외부 지식 기반에 대한 액세스를 제공함으로써 대규모 언어 모델(LLM)의 성능을 향상시키는 데 큰 가능성을 보여 왔습니다. 하지만 현재의 RAG 시스템은 모호한 정보 요구 사항이나 구조화되지 않은 지식이 포함된 복잡한 작업을 처리하는 데는 한계가 있습니다. 주로 쿼리와 지식이 잘 정의된 간단한 질문-답변 시나리오에서 탁월한 성능을 발휘합니다.
 * 어떻게 문제를 해결하나요?
 * MemoRAG는 기존 RAG 시스템의 한계를 해결하기 위해 새로운 이중 시스템 아키텍처를 도입했습니다. 가볍지만 컨텍스트가 긴 LLM을 사용해 데이터베이스의 글로벌 메모리를 생성합니다. 작업이 주어지면 이 LLM은 초안 답변을 생성하고, 이는 검색 도구가 데이터베이스 내에서 관련 정보를 찾을 수 있는 단서 역할을 합니다. 또한, MemoRAG는 검색된 정보를 기반으로 최종 답변을 생성하기 위해 더 비싸지만 표현력이 뛰어난 LLM을 활용합니다. 이러한 이중 시스템 접근 방식을 통해 MemoRAG는 간단한 작업에서 강력한 성능을 유지하면서 기존 RAG가 어려움을 겪는 복잡한 작업을 처리할 수 있습니다.
 * 다음 단계는 무엇인가요?
 * 앞으로 연구자들은 검색 프로세스의 효율성을 개선하고 긴 컨텍스트 LLM을 위한 대체 아키텍처를 조사하는 등 MemoRAG 프레임워크에 대한 추가적인 최적화를 모색할 수 있습니다. 누군가가 “RAG 2.0”을 출시했다고 주장하는 것은 이번이 처음이 아니며, 실제 애플리케이션에 대해 MemoRAG를 실제로 평가하는 것이 매우 중요할 것입니다.

2. LLM이 새로운 연구 아이디어를 창출할 수 있을까요? 100명 이상의 NLP 연구자가 참여한 대규모 인간 연구
 * 어떤 문제를 해결하나요?
 * 대규모 언어 모델(LLM)이 지속적으로 개선됨에 따라 새로운 연구 아이디어를 자율적으로 생성하고 검증함으로써 과학적 발견을 가속화할 수 있는 잠재력에 대한 관심이 높아지고 있습니다. 그러나 이러한 낙관론에도 불구하고 LLM이 실제로 참신하고 실현 가능한 전문가 수준의 아이디어를 생성할 수 있는지에 대한 엄격한 평가가 부족했습니다. 이 연구는 통제된 실험 환경에서 전문 NLP 연구원과 LLM 아이디어 에이전트를 처음으로 직접 비교함으로써 이러한 격차를 해소하는 것을 목표로 합니다.
 * 어떻게 문제를 해결하나요?
 * 연구진은 100명 이상의 NLP 전문가를 모집하여 참신한 연구 아이디어를 작성하고, LLM이 생성한 아이디어와 사람이 생성한 아이디어를 모두 블라인드 리뷰하도록 했습니다. 아이디어의 참신성과 실현 가능성 등급을 비교함으로써 연구자들은 현재 연구 아이디어 발상에서 LLM의 역량에 대해 통계적으로 유의미한 결론을 도출할 수 있었습니다. 그 결과, LLM이 창출한 아이디어는 인간 전문가 아이디어보다 더 참신한 것으로 평가되었지만(p <0.05), 실현 가능성에서는 약간 낮은 평가를 받았습니다. 이 연구는 연구 아이디어 생성에 있어 LLM의 강점과 한계에 대한 귀중한 인사이트를 제공하고 연구 에이전트 구축 및 평가에 있어 미해결 문제를 파악합니다.
 * 다음 단계는 무엇인가요?
 * 이 연구는 중요한 결과를 제공하지만, 연구자들은 참신성에 대한 인간의 판단이 전문가에게도 어려울 수 있다는 점을 인정합니다. 이를 해결하기 위해 연구진은 생성된 아이디어를 전체 프로젝트로 실행할 연구원을 모집하는 엔드투엔드 연구 설계를 제안합니다. 이러한 접근 방식을 통해 참신성과 실현 가능성 판단이 연구 결과의 의미 있는 차이로 이어지는지 보다 종합적으로 평가할 수 있습니다. LLM이 계속 발전함에 따라 과학적 발견을 가속화하고 연구 에이전트 개발에서 개선이 필요한 영역을 식별할 수 있는 잠재력을 평가하는 추가 연구를 수행하는 것이 중요해질 것입니다.

3. 그래프 인사이트: 그래프 구조 이해를 위한 대규모 언어 모델에서 인사이트 확보하기
 * 어떤 문제를 해결하나요?
 * 대규모 언어 모델(LLM)은 그래프 처리 및 이해를 비롯한 다양한 자연어 처리 작업에서 인상적인 성능을 보여 왔습니다. 그러나 그래프 설명 시퀀스의 프롬프트를 통해 그래프 구조 정보를 이해하는 성능은 그래프 크기가 커질수록 저하됩니다. 이러한 한계는 “위치 편향”이라고 알려진 그래프 설명 시퀀스의 여러 위치에 걸쳐 LLM의 메모리 성능이 고르지 않기 때문입니다.
 * 이 문제를 어떻게 해결하나요?
 * GraphInsight는 두 가지 핵심 전략을 사용해 LLM의 메모리 성능에서 위치 편향 문제를 해결합니다. 첫째, 중요한 그래픽 정보를 LLM이 더 강력한 메모리 성능을 발휘하는 위치에 전략적으로 배치합니다. 이를 통해 가장 중요한 정보를 모델이 더 잘 유지하고 이해할 수 있도록 합니다. 둘째, GraphInsight는 검색 증강 생성(RAG) 기술에서 영감을 얻어 메모리 성능이 약한 영역을 위한 경량 외부 지식 베이스를 도입합니다. 이 외부 지식 기반은 메모리 성능이 최선이 아닌 영역에서 그래프 구조에 대한 LLM의 이해를 보완합니다.
 * 다음 단계는 무엇인가요?
 * GraphInsight 프레임워크는 복잡한 그래픽 구조를 효과적으로 처리하고 추론할 수 있는 새로운 가능성을 열어줍니다. 향후 연구에서는 고급 검색 메커니즘을 통합하거나 고유한 그래프 구조를 가진 특정 도메인에 적용하는 등 GraphInsight 프레임워크의 추가 최적화 및 확장을 모색할 수 있습니다. 또한 GraphInsight에서 얻은 인사이트는 LLM을 위한 보다 효율적이고 효과적인 그래프 표현 기법의 개발에 영감을 주어 궁극적으로 다양한 애플리케이션에서 그래프 정보를 이해하고 추론하는 능력을 향상시킬 수 있습니다.

 * 출처: https://www.linkedin.com/pulse/what-next-gen-rag-pascal-biese-y31mf/

1. MemoRAG: 메모리에서 영감을 얻은 지식 검색을 통해 차세대 RAG로 나아가기<ul ><li>어떤 문제를 해결하나요? <ul ><li>검색 증강 세대(RAG)는 외부 지식 기반에 대한 액세스를 제공함으로써 대규모 언어 모델(LLM)의 성능을 향상시키는 데 큰 가능성을 보여 왔습니다. 하지만 현재의 RAG 시스템은 모호한 정보 요구 사항이나 구조화되지 않은 지식이 포함된 복잡한 작업을 처리하는 데는 한계가 있습니다. 주로 쿼리와 지식이 잘 정의된 간단한 질문-답변 시나리오에서 탁월한 성능을 발휘합니다.</li></ul></li><li>어떻게 문제를 해결하나요? <ul ><li>MemoRAG는 기존 RAG 시스템의 한계를 해결하기 위해 새로운 이중 시스템 아키텍처를 도입했습니다. 가볍지만 컨텍스트가 긴 LLM을 사용해 데이터베이스의 글로벌 메모리를 생성합니다. 작업이 주어지면 이 LLM은 초안 답변을 생성하고, 이는 검색 도구가 데이터베이스 내에서 관련 정보를 찾을 수 있는 단서 역할을 합니다. 또한, MemoRAG는 검색된 정보를 기반으로 최종 답변을 생성하기 위해 더 비싸지만 표현력이 뛰어난 LLM을 활용합니다. 이러한 이중 시스템 접근 방식을 통해 MemoRAG는 간단한 작업에서 강력한 성능을 유지하면서 기존 RAG가 어려움을 겪는 복잡한 작업을 처리할 수 있습니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>앞으로 연구자들은 검색 프로세스의 효율성을 개선하고 긴 컨텍스트 LLM을 위한 대체 아키텍처를 조사하는 등 MemoRAG 프레임워크에 대한 추가적인 최적화를 모색할 수 있습니다. 누군가가 “RAG 2.0”을 출시했다고 주장하는 것은 이번이 처음이 아니며, 실제 애플리케이션에 대해 MemoRAG를 실제로 평가하는 것이 매우 중요할 것입니다.</li></ul></li></ul> 2. LLM이 새로운 연구 아이디어를 창출할 수 있을까요? 100명 이상의 NLP 연구자가 참여한 대규모 인간 연구<ul ><li>어떤 문제를 해결하나요? <ul ><li>대규모 언어 모델(LLM)이 지속적으로 개선됨에 따라 새로운 연구 아이디어를 자율적으로 생성하고 검증함으로써 과학적 발견을 가속화할 수 있는 잠재력에 대한 관심이 높아지고 있습니다. 그러나 이러한 낙관론에도 불구하고 LLM이 실제로 참신하고 실현 가능한 전문가 수준의 아이디어를 생성할 수 있는지에 대한 엄격한 평가가 부족했습니다. 이 연구는 통제된 실험 환경에서 전문 NLP 연구원과 LLM 아이디어 에이전트를 처음으로 직접 비교함으로써 이러한 격차를 해소하는 것을 목표로 합니다.</li></ul></li><li>어떻게 문제를 해결하나요? <ul ><li>연구진은 100명 이상의 NLP 전문가를 모집하여 참신한 연구 아이디어를 작성하고, LLM이 생성한 아이디어와 사람이 생성한 아이디어를 모두 블라인드 리뷰하도록 했습니다. 아이디어의 참신성과 실현 가능성 등급을 비교함으로써 연구자들은 현재 연구 아이디어 발상에서 LLM의 역량에 대해 통계적으로 유의미한 결론을 도출할 수 있었습니다. 그 결과, LLM이 창출한 아이디어는 인간 전문가 아이디어보다 더 참신한 것으로 평가되었지만(p &lt;0.05), 실현 가능성에서는 약간 낮은 평가를 받았습니다. 이 연구는 연구 아이디어 생성에 있어 LLM의 강점과 한계에 대한 귀중한 인사이트를 제공하고 연구 에이전트 구축 및 평가에 있어 미해결 문제를 파악합니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>이 연구는 중요한 결과를 제공하지만, 연구자들은 참신성에 대한 인간의 판단이 전문가에게도 어려울 수 있다는 점을 인정합니다. 이를 해결하기 위해 연구진은 생성된 아이디어를 전체 프로젝트로 실행할 연구원을 모집하는 엔드투엔드 연구 설계를 제안합니다. 이러한 접근 방식을 통해 참신성과 실현 가능성 판단이 연구 결과의 의미 있는 차이로 이어지는지 보다 종합적으로 평가할 수 있습니다. LLM이 계속 발전함에 따라 과학적 발견을 가속화하고 연구 에이전트 개발에서 개선이 필요한 영역을 식별할 수 있는 잠재력을 평가하는 추가 연구를 수행하는 것이 중요해질 것입니다.</li></ul></li></ul> 3. 그래프 인사이트: 그래프 구조 이해를 위한 대규모 언어 모델에서 인사이트 확보하기<ul ><li>어떤 문제를 해결하나요? <ul ><li>대규모 언어 모델(LLM)은 그래프 처리 및 이해를 비롯한 다양한 자연어 처리 작업에서 인상적인 성능을 보여 왔습니다. 그러나 그래프 설명 시퀀스의 프롬프트를 통해 그래프 구조 정보를 이해하는 성능은 그래프 크기가 커질수록 저하됩니다. 이러한 한계는 “위치 편향”이라고 알려진 그래프 설명 시퀀스의 여러 위치에 걸쳐 LLM의 메모리 성능이 고르지 않기 때문입니다.</li></ul></li><li>이 문제를 어떻게 해결하나요? <ul ><li>GraphInsight는 두 가지 핵심 전략을 사용해 LLM의 메모리 성능에서 위치 편향 문제를 해결합니다. 첫째, 중요한 그래픽 정보를 LLM이 더 강력한 메모리 성능을 발휘하는 위치에 전략적으로 배치합니다. 이를 통해 가장 중요한 정보를 모델이 더 잘 유지하고 이해할 수 있도록 합니다. 둘째, GraphInsight는 검색 증강 생성(RAG) 기술에서 영감을 얻어 메모리 성능이 약한 영역을 위한 경량 외부 지식 베이스를 도입합니다. 이 외부 지식 기반은 메모리 성능이 최선이 아닌 영역에서 그래프 구조에 대한 LLM의 이해를 보완합니다.</li></ul></li><li>다음 단계는 무엇인가요? <ul ><li>GraphInsight 프레임워크는 복잡한 그래픽 구조를 효과적으로 처리하고 추론할 수 있는 새로운 가능성을 열어줍니다. 향후 연구에서는 고급 검색 메커니즘을 통합하거나 고유한 그래프 구조를 가진 특정 도메인에 적용하는 등 GraphInsight 프레임워크의 추가 최적화 및 확장을 모색할 수 있습니다. 또한 GraphInsight에서 얻은 인사이트는 LLM을 위한 보다 효율적이고 효과적인 그래프 표현 기법의 개발에 영감을 주어 궁극적으로 다양한 애플리케이션에서 그래프 정보를 이해하고 추론하는 능력을 향상시킬 수 있습니다.</li></ul></li></ul> <ul ><li>출처: https://www.linkedin.com/pulse/what-next-gen-rag-pascal-biese-y31mf/</li></ul>

[LLM Watch] 차세대 RAG의 특징

영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다. 지난 9월 초 Josh Long의 Spring Boot 이 한국을 방문해 밋업을 진행했었는데요. 영상의 한글 자막을 만드는데도 해당 자막 생성기를 사용했습니다. 처음에는 일반 AI 번역으로 시도를 했다가 프롬프트 엔지니어링을 적용해서 다시 자막을 생성했습니다. 아래 스크린샷에서 위쪽은 일반 AI 번역, 아래는 프롬프트 엔지니어링이 적용..

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다
영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다.

1️⃣ AI 한글 자막 생성기의 특징
2️⃣ AI 한글 자막 생성기 프롬프트
3️⃣ 비교 분석
4️⃣ AI 자막 생성기가 개발되기까지
5️⃣ 결과 공유

차원이 다른 AI 번역: 더 똑똑해진 한글 자막 생성기를 소개합니다영상 콘텐츠의 급증과 함께 자막의 중요성도 크게 증가하고 있습니다. 특히 영어에서 한국어로 번역할 때, 자막의 정확성과 자연스러움은 시청 경험에 결정적인 영향을 미칩니다. 이를 해결하기 위해, 제가 직접 만들어 사용하고 있는 더 똑똑해진 AI 한글 자막 생성기를 소개합니다. 이 도구는 기존 번역기의 한계를 넘어서, 더 자연스럽고 오류 없는 고품질의 한글 자막을 제공합니다. 1️⃣ AI 한글 자막 생성기의 특징2️⃣ AI 한글 자막 생성기 프롬프트3️⃣ 비교 분석4️⃣ AI 자막 생성기가 개발되기까지5️⃣ 결과 공유

RevFactory 프로젝트 - 세상을 더 이롭게 바꾸는 작업

커리어리 친구들, 오픈AI가 재배한 딸기(strawberry, o1)를 잘 따서 먹고(사용하고) 있습니꽈? ㅎㅎ 현재 온통 제 페북 탐라에 딸기 얘기 밖에 없네요!! 일반 분들은 가을에 왠 딸기?? 라고 하겠지만 … 공개된 블로그를 읽고 제가 느낀 점에 대해 몇 가지 적어 보고자 합니다.

이번 ‘딸기’ 버전에서 크게 향상 된 것은 추론 시간을 단축시키고 동시에 많은 사용자가 사용할 수 있도록 추론을 확장시켜 추론 패러다임을 대중화시켰다고 봅니다. 물론 ‘딸기’ 이전에 그록(Groq, 일론 아저씨 Grok2 아님) 에서 엄청나게 빠른 추론 경험을 해 보신 분들이 있을 것 입니다.

강화 학습(Reinforcement Learning)의 선구자들 중 한 명인 리차드 서튼(Richard S. Sutton) 은, 컴퓨팅 자원이 증가함에 따라 무한히 확장될 수 있는 두 가지 핵심 기술이 '학습'(learning)과 '탐색'(search) 라고 보았습니다. 이 내용은 2019년에 작성한 에세이인 “쓴 교훈(The Bitter Lesson)"에서 비롯되었는 데, 특정한 인간의 지식이나 전문성을 모델에 주입하는 것보다, 계산 능력의 증가와 함께 일반적인 학습 알고리즘을 사용하는 것이 더 효과적이라는 점을 강조했습니다.

딸기는 이러한 후자인 검색에 초점을 맞추지 않았나 생각합니다.

1. 사실 추론을 수행하기 위해 거대한 모델은 필요하지 않습니다. 수 많은 파라미터가 Trivia QA와 같은 벤치마크에서 좋은 성능을 내기 위해 사실을 암기하는 데 사용됩니다. 또한, 지식에서 추론을 분리하는 것이 가능합니다.

즉, 웹브라우저나 코드 검증기와 같은 도구를 호출하는 방법을 아는 작은 "추론 코어"를 사용하는 것입니다. 그렇게 하면, 사전 훈련에 필요한 계산량이 줄어들 수 있습니다.

2. 막대한 양의 계산이 사전/후 훈련 대신 추론 서비스 제공으로 이동합니다. LLM은 텍스트 기반 시뮬레이터와도 유사한 데, 시뮬레이터에서 다양한 전략과 시나리오를 전개함으로써, 모델은 결국 좋은 솔루션으로 수렴하게 됩니다. 이 과정은 AlphaGo의 몬테카를로 트리 탐색(MCTS)과 같은 연구에서도 잘 보여 줍니다.

3. 수 억명이 사용하고 있는 OpenAI는 오래전에 추론 스케일링 법칙을 알아냈을 것이며, 이는 학계가 최근에야 발견하지 않았을까 추측해 봅니다. 주요 논문 근거는 다음과 같습니다.

- Large Language Monkeys: Scaling Inference Compute with Repeated Sampling : DeepSeek-Coder가 SWE-Bench에서 샘플 하나로 15.9%에서 250개의 샘플로 56%로 증가하여 Sonnet-3.5를 능가한다는 것을 발견했습니다.

- Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters: 이 논문은 PaLM 2-S가 테스트 시간 검색을 통해 MATH에서 14배 더 큰 모델을 능가한다는 것을 보여주었습니다.

4. 딸기의 실제 프로덕션에 적용하는 것은 학술적 벤치마크를 달성하는 것보다 훨씬 어려울 것 같습니다. 현재 ‘딸기’ 버전은 대부분 잘 생각(COT)해서 좋은 결과를 보여 주지만, 몇몇은 기대한 만큼 ‘reasoning’이 동작하지 않은 것이 여기 저기 탐라에 올라 온 글들을 보았습니다. (아직 베타 이전의 프리뷰 버전임을 감안)

또한, 실제 환경에서의 추론 문제에 대해, 언제 탐색을 중지해야 할까요? 보상 함수는 무엇일까요? 성공 기준은 무엇인가요? 언제 코드 인터프리터와 같은 도구를 루프에 호출해야 할까요? 이러한 CPU 프로세스의 계산 비용을 어떻게 고려할까요? 이에 대해 오픈AI에서 자세히 공개하지 않았습니다.

5. 딸기 버전은 쉽게 데이터 플라이휠이 될 수 있습니다. 만약 답변이 정확하다면, 전체 탐색 추적이 긍정적이고 부정적인 보상을 모두 포함하는 작은 학습 예제 데이터셋이 될 것 입니다.

그러니깐 여러분들은 많이 쓰면 쓸수록 일종의 강화 학습과 차세대 GPT를 위한 추론 코어를 향상 시켜 줄 것 입니다 🙂 (전 세계 사용자들을 이용해 베타 테스트중 ㅡ.ㅡ)

커리어리 친구들, 오픈AI가 재배한 딸기(strawberry, o1)를 잘 따서 먹고(사용하고) 있습니꽈? ㅎㅎ 현재 온통 제 페북 탐라에 딸기 얘기 밖에 없네요!! 일반 분들은 가을에 왠 딸기?? 라고 하겠지만 … 공개된 블로그를 읽고 제가 느낀 점에 대해 몇 가지 적어 보고자 합니다. 이번 ‘딸기’ 버전에서 크게 향상 된 것은 추론 시간을 단축시키고 동시에 많은 사용자가 사용할 수 있도록 추론을 확장시켜 추론 패러다임을 대중화시켰다고 봅니다. 물론 ‘딸기’ 이전에 그록(Groq, 일론 아저씨 Grok2 아님) 에서 엄청나게 빠른 추론 경험을 해 보신 분들이 있을 것 입니다. 강화 학습(Reinforcement Learning)의 선구자들 중 한 명인 리차드 서튼(Richard S. Sutton) 은, 컴퓨팅 자원이 증가함에 따라 무한히 확장될 수 있는 두 가지 핵심 기술이 '학습'(learning)과 '탐색'(search) 라고 보았습니다. 이 내용은 2019년에 작성한 에세이인 “쓴 교훈(The Bitter Lesson)"에서 비롯되었는 데, 특정한 인간의 지식이나 전문성을 모델에 주입하는 것보다, 계산 능력의 증가와 함께 일반적인 학습 알고리즘을 사용하는 것이 더 효과적이라는 점을 강조했습니다. 딸기는 이러한 후자인 검색에 초점을 맞추지 않았나 생각합니다. 1. 사실 추론을 수행하기 위해 거대한 모델은 필요하지 않습니다. 수 많은 파라미터가 Trivia QA와 같은 벤치마크에서 좋은 성능을 내기 위해 사실을 암기하는 데 사용됩니다. 또한, 지식에서 추론을 분리하는 것이 가능합니다. 즉, 웹브라우저나 코드 검증기와 같은 도구를 호출하는 방법을 아는 작은 "추론 코어"를 사용하는 것입니다. 그렇게 하면, 사전 훈련에 필요한 계산량이 줄어들 수 있습니다. 2. 막대한 양의 계산이 사전/후 훈련 대신 추론 서비스 제공으로 이동합니다. LLM은 텍스트 기반 시뮬레이터와도 유사한 데, 시뮬레이터에서 다양한 전략과 시나리오를 전개함으로써, 모델은 결국 좋은 솔루션으로 수렴하게 됩니다. 이 과정은 AlphaGo의 몬테카를로 트리 탐색(MCTS)과 같은 연구에서도 잘 보여 줍니다. 3. 수 억명이 사용하고 있는 OpenAI는 오래전에 추론 스케일링 법칙을 알아냈을 것이며, 이는 학계가 최근에야 발견하지 않았을까 추측해 봅니다. 주요 논문 근거는 다음과 같습니다. - Large Language Monkeys: Scaling Inference Compute with Repeated Sampling : DeepSeek-Coder가 SWE-Bench에서 샘플 하나로 15.9%에서 250개의 샘플로 56%로 증가하여 Sonnet-3.5를 능가한다는 것을 발견했습니다. - Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters: 이 논문은 PaLM 2-S가 테스트 시간 검색을 통해 MATH에서 14배 더 큰 모델을 능가한다는 것을 보여주었습니다. 4. 딸기의 실제 프로덕션에 적용하는 것은 학술적 벤치마크를 달성하는 것보다 훨씬 어려울 것 같습니다. 현재 ‘딸기’ 버전은 대부분 잘 생각(COT)해서 좋은 결과를 보여 주지만, 몇몇은 기대한 만큼 ‘reasoning’이 동작하지 않은 것이 여기 저기 탐라에 올라 온 글들을 보았습니다. (아직 베타 이전의 프리뷰 버전임을 감안) 또한, 실제 환경에서의 추론 문제에 대해, 언제 탐색을 중지해야 할까요? 보상 함수는 무엇일까요? 성공 기준은 무엇인가요? 언제 코드 인터프리터와 같은 도구를 루프에 호출해야 할까요? 이러한 CPU 프로세스의 계산 비용을 어떻게 고려할까요? 이에 대해 오픈AI에서 자세히 공개하지 않았습니다. 5. 딸기 버전은 쉽게 데이터 플라이휠이 될 수 있습니다. 만약 답변이 정확하다면, 전체 탐색 추적이 긍정적이고 부정적인 보상을 모두 포함하는 작은 학습 예제 데이터셋이 될 것 입니다. 그러니깐 여러분들은 많이 쓰면 쓸수록 일종의 강화 학습과 차세대 GPT를 위한 추론 코어를 향상 시켜 줄 것 입니다 🙂 (전 세계 사용자들을 이용해 베타 테스트중 ㅡ.ㅡ)

<오픈AI의 딸기(o1) 서비스에 대한 저의 견해>

2023년 5월쯤 OpenAI에서 일리아 수츠케버가 참여한 “Let's Verify Step by Step”이라는 논문이 나왔었는데요.

이 논문의 내용은 최종 결과를 감독하는 것 보다 프로세스, 즉 추론 단계를 감독하는 것이 훨씬 좋은 결과를 낸다는 내용입니다. 특히 도전적인 수학 문제를 해결하는 데 있어서는 성능이 크게 증가하고요.

아마도 이 때 o1이 시작되고 있었던 것 같습니다.

더불어 대규모 모델이 소규모 모델에 대한 인간 감독을 근사할 수 있다는 OpenAI의 연구도 있었는데요. 발표자료의 몇 가지 결과를 보면 이 방식도 들어가 있지 않을까하는 추측도 한 번 해 봅니다.

2023년 5월쯤 OpenAI에서 일리아 수츠케버가 참여한 “Let's Verify Step by Step”이라는 논문이 나왔었는데요. 이 논문의 내용은 최종 결과를 감독하는 것 보다 프로세스, 즉 추론 단계를 감독하는 것이 훨씬 좋은 결과를 낸다는 내용입니다. 특히 도전적인 수학 문제를 해결하는 데 있어서는 성능이 크게 증가하고요. 아마도 이 때 o1이 시작되고 있었던 것 같습니다. 더불어 대규모 모델이 소규모 모델에 대한 인간 감독을 근사할 수 있다는 OpenAI의 연구도 있었는데요. 발표자료의 몇 가지 결과를 보면 이 방식도 들어가 있지 않을까하는 추측도 한 번 해 봅니다.

네이버 지도

네이버지도를 이렇게 잘 활용하는 분이 계시다니...ㅠㅠ
이런 공유 너무 감사하네요ㅠㅠ 저도 더 널리 공유해봅니다...!

https://map.naver.com/p/favorite/myPlace/folder/3fb30df4b4734a27ab4f0f5e758b971f?c=6.00,0,0,0,dh

네이버지도를 이렇게 잘 활용하는 분이 계시다니...ㅠㅠ이런 공유 너무 감사하네요ㅠㅠ 저도 더 널리 공유해봅니다...! https://map.naver.com/p/favorite/myPlace/folder/3fb30df4b4734a27ab4f0f5e758b971f?c=6.00,0,0,0,dh

map.naver.com

일하기 좋은 카페/장소 리스트 🗺️

CSS는 마침내 align-content를 디폴트 레이아웃에 추가하여 단 한 줄의 CSS 속성으로 수직 정렬이 가능해짐지원 버전 Chrome 123, Firefox 125, Safari: 17.4현재는 기본 레이아웃(flow)에서 align-content가 동작하지 않으므로 flexbox 나 grid로 전환해야함2024년 드디어 브라우저들이 Flow 레이아

CSS, 2024년에 드디어 "세로 중앙 정렬"이 추가됨 | GeekNews

CSS에서 드디어 세로 중앙 정렬 기능이 추가 되었습니다. 기존의 가로 중앙 정렬은 손쉽게 되었지만 세로는 중앙 정렬 기능이 별도로 없었기에,
display: flex + align-items: center
같은 다소 복잡한 방법을 사용했어야 했는데요.

이제 단 한 줄의 CSS 속성
align-content: center
으로 수직 정렬이 가능해졌습니다.
이 속성으로 추가적인 래퍼(wrapper)나 복잡한 설정 없이도 컨텐츠를 수직 정렬할 수 있게 되었습니다.
이 속성은
Chrome 123, Safari: 17.4
부터 지원합니다.

이렇게 꼭 필요한 기능이 왜 이제서야 구현되었는지는 의문이지만, 이제라도 구현이 되어서 다행이네요. 수직정렬을 구현할때 적극적으로 활용하시기를 추천드립니다.

https://news.hada.io/topic?id=16586&utm_source=slack&utm_medium=bot&utm_campaign=T0244AU37S5

CSS에서 드디어 세로 중앙 정렬 기능이 추가 되었습니다. 기존의 가로 중앙 정렬은 손쉽게 되었지만 세로는 중앙 정렬 기능이 별도로 없었기에, <code >display: flex + align-items: center</code>같은 다소 복잡한 방법을 사용했어야 했는데요. 이제 단 한 줄의 CSS 속성 <code >align-content: center</code> 으로 수직 정렬이 가능해졌습니다.이 속성으로 추가적인 래퍼(wrapper)나 복잡한 설정 없이도 컨텐츠를 수직 정렬할 수 있게 되었습니다.이 속성은 <code >Chrome 123, Safari: 17.4</code>부터 지원합니다. 이렇게 꼭 필요한 기능이 왜 이제서야 구현되었는지는 의문이지만, 이제라도 구현이 되어서 다행이네요. 수직정렬을 구현할때 적극적으로 활용하시기를 추천드립니다. https://news.hada.io/topic?id=16586&amp;utm_source=slack&amp;utm_medium=bot&amp;utm_campaign=T0244AU37S5

GeekNews

드디어 추가된 CSS의 '세로 중앙 정렬' 기능

유데미 개발 챌린지 : 클론코딩편

✅ 잘못된 클론 코딩

게임 업계에서 개발자들의 포트폴리오로 자주 나오는 요소는 클론 코딩입니다. 본인이 좋아하는 게임을 만들어보기도 하고, 지원하는 회사와 가장 밀접한 프로젝트를 만들어서 제출하기도 합니다. 물론 아주 잘 만든 분들도 있지만, 대부분은 제출한 클론 코드가 안 좋은 결과를 만드는 경우가 많습니다.

어떤 경우일까요? 제가 경험한 사례를 좀 공유해보려고 합니다.

❇️사례 1. 스크린샷뿐인 모작

3년 전쯤 마인크래프트 모작을 제출한 분이 있었습니다.

마치 마인크래프트처럼 보이는 월드와 블록들이 있는 스크린샷이 있었습니다. 정말 똑같다(?)는 생각이 들 정도로 잘 구성된 스샷이었습니다. 그리고, 내용에는 이 모작을 만드는데 몇 주가 걸렸고, 만들 때 어떤 엔진을 사용했는지 기입해 두셨습니다.

당연히 이분은 탈락했습니다.

모작을 할 때 중요한 것은, 이게 얼마나 걸렸고, 무슨 엔진을 썼는지보다, 어떻게 구현했는지가 가장 중요합니다.

그런 관점에서 비슷해 보이는 단편적인 스크린샷은 오히려 전혀 매력적이지 않습니다.
오히려, 블록이 2개밖에 없더라도, 혹은 블록이 화이트 박스 형태더라도, 절차적으로 생성되는 월드나 직접 배치하는 샌드박스가 있다면, 훨씬 높은 점수를 줄 것 같습니다.

❇️사례 2. 핵심을 벗어난 모작

두 번째 사례는 캔디크러시 사가와 같은 매치3 퍼즐 게임 모작을 제출한 분이었습니다. 데모도 같이 보내주셨고, 본인이 작성한 핵심 소스 코드도 제출해 주셨습니다.

허나 아쉽게도 이분도 탈락했습니다.

가장 큰 이유는 데모를 플레이할 때 연쇄가 잘 되지 않는 점이었습니다.
3-매치 게임의 핵심은 레벨 디자인도 중요하지만, 한번 매치가 되어 블록이 사라지면 그 자리를 다른 블록들이 채우면서 발생하는 연쇄작용에 있습니다. 그 연쇄작용하는 코드가 미완성 상태였고, 실제로 제출된 코드에서 연쇄 구현이 제대로 되지 않았음을 볼 수 있었습니다.

비슷한 사례로, 간혹 액션 게임 쪽에서 채용을 할 때 마영전 모작이나 리니지 모작도 자주 볼 수 있는데, 거의 대부분 탈락 처리됩니다.

우선, 마영전 모작의 경우 클라이언트-서버 구조를 굉장히 강조하는 분들이 많습니다. 사실 왜 그걸 강조하는지 잘 모르겠습니다. (어쩌면 학원에서 그렇게 시켰을 수도 있겠죠.) 마영전의 핵심은 멀티플레이 논타겟 액션입니다. 제가 본 마영전 모작 중에서는 아쉽게도 마영전의 논타겟 액션 동기화를 본인만의 방식으로 만들어서 설명해주신 분이 없었습니다.

리니지 모작도 마찬가지입니다. MMO 서버-클라이언트 구조라고 강조하는 분들을 많이 봅니다. 정말 놀랍게도, 만드는데 2주밖에 안 걸렸다는 분도 있었는데… 어필 포인트가 너무 어긋나서 할 말을 잃었던 것 같습니다. 실제로 그런 분들 중에서 MMO의 핵심 요소 중 하나인 월드 채널링이나 MMO에서 퀘스트와 같은 콘텐츠를 본인만의 방식으로 만들어서 설명해주신 분들은 없었습니다.

✅클론 코딩을 포트폴리오로 만드는 방법

위의 잘못된 클론 코딩 사례가 거의 포트폴리오에 있는 클론 코딩의 90%를 차지하기 때문에, 클론 코딩을 포트폴리오로 만드는 방법은 생각보다 쉽습니다. 바로 안티패턴을 피하는 것이죠.

우선, 클론할 게임의 핵심을 아는 것부터 시작해야 합니다.
마인크래프트, 오버워치, 3-매치, 마영전, 리니지 등 다양한 게임들의 핵심은 모두 다릅니다. 그리고 주니어 개발자 입장에서 이런 핵심을 관통하기란 쉽지 않은 것도 사실입니다. 그러나 조금만 검색해보면 나오는 것도 맞습니다.

두 번째는 핵심 기믹만 모작하는 것도 가치가 있다는 것입니다.
예를들면, 포탈2의 들어가는 포탈/나가는 포탈은 다양한 기술적 챌린지(렌더링, 공간 이동)가 있습니다. 총게임들의 Netcode(예측, 보간)들도 꽤 좋은 챌린지가 됩니다. 그래서 이런 기믹들은 만들어서 포트폴리오에 넣으면 게임플레이 프로그래머로 홍보하기 좋습니다.

개인적으로 이런 핵심 요소를 클론한 유튜브 하나를 추천해드리면, Mix and Jam 이 있습니다.

제가 생각했을 때 클론코딩의 모범사례에 가깝고, 클론 코딩에 대한 좋은 예를 보실 수 있습니다.

✅마무리하며,

클론 코딩은 분명히 개발자로서의 역량을 보여줄 수 있는 좋은 방법입니다. 하지만 그 과정에서 중요한 것은 단순히 게임을 흉내 내는 것이 아니라, 게임의 핵심 메커니즘을 이해하고 그것을 구현하는 능력을 보여주는 것입니다. 단순히 비슷해 보이는 결과물을 만드는 것보다, 그 안에 숨겨진 원리를 이해하고 자신만의 방식으로 풀어내는 것이 더 중요합니다.

✅더불어 이벤트 홍보(?)

그래서, 이번에 저와 함께 클론 코딩을 도전해볼 사람을 찾습니다!! :)

[챌린지 개요]
😀현직 개발자 멘토와 함께 4주 동안 클론코딩 챌린지 도전할 사람 찾습니다!
각 분야별 유데미 멘토들과 함께 클론코딩부터 코드리뷰까지 할 수 있는 기회!

💪이번 챌린지는 [프론트엔드 / 백엔드 / 게임개발] 진행 됩니다 :)
유데미 개발 챌린지에서 개발자 커리어를 시작해보세요!

🥇챌린지 참여 혜택 무엇이 있나요?
 * 현직 개발자와 라이브 특강
 * 주차별 미션 제공
 * 멘토와 1:1 커피챗 (미션 과제 우수자 선정자)
 * 참가 혜택 : 유데미 개발 강의 할인 쿠폰팩, 지난 챌린지 특강 제공

💌챌린지 자세히 보러가기 :
https://udemy.wjtb.co.kr/event/id/272
🌞친구와 함께 신청하면 배민 상품권 제공!
https://forms.gle/2fxpfmh68ioELCwG8

모집/신청 기간 : 2024년 8월 19일(월) ~ 9월 22일(일)
챌린지 진행 기간 : 2024년 9월 23일(월) ~ 10월 18일(금)
제가 맡은 게임 개발 챌린지 주제는 “뱀파이어 서바이벌(뱀서류) 클론코딩"으로,
라이브 특강에서 포트폴리오가 되는 모작 만들기, 현업에서 사용하는 게임 프로그래밍 디자인 패턴과 테크닉, 수강생 코드리뷰까지 함께 다뤄볼 예정입니다.
많은 관심과 참여 부탁 드립니다.
감사합니다.

✅ 잘못된 클론 코딩 게임 업계에서 개발자들의 포트폴리오로 자주 나오는 요소는 클론 코딩입니다. 본인이 좋아하는 게임을 만들어보기도 하고, 지원하는 회사와 가장 밀접한 프로젝트를 만들어서 제출하기도 합니다. 물론 아주 잘 만든 분들도 있지만, 대부분은 제출한 클론 코드가 안 좋은 결과를 만드는 경우가 많습니다. 어떤 경우일까요? 제가 경험한 사례를 좀 공유해보려고 합니다. ❇️사례 1. 스크린샷뿐인 모작 3년 전쯤 마인크래프트 모작을 제출한 분이 있었습니다. 마치 마인크래프트처럼 보이는 월드와 블록들이 있는 스크린샷이 있었습니다. 정말 똑같다(?)는 생각이 들 정도로 잘 구성된 스샷이었습니다. 그리고, 내용에는 이 모작을 만드는데 몇 주가 걸렸고, 만들 때 어떤 엔진을 사용했는지 기입해 두셨습니다. 당연히 이분은 탈락했습니다. 모작을 할 때 중요한 것은, 이게 얼마나 걸렸고, 무슨 엔진을 썼는지보다, 어떻게 구현했는지가 가장 중요합니다. 그런 관점에서 비슷해 보이는 단편적인 스크린샷은 오히려 전혀 매력적이지 않습니다.오히려, 블록이 2개밖에 없더라도, 혹은 블록이 화이트 박스 형태더라도, 절차적으로 생성되는 월드나 직접 배치하는 샌드박스가 있다면, 훨씬 높은 점수를 줄 것 같습니다. ❇️사례 2. 핵심을 벗어난 모작 두 번째 사례는 캔디크러시 사가와 같은 매치3 퍼즐 게임 모작을 제출한 분이었습니다. 데모도 같이 보내주셨고, 본인이 작성한 핵심 소스 코드도 제출해 주셨습니다. 허나 아쉽게도 이분도 탈락했습니다. 가장 큰 이유는 데모를 플레이할 때 연쇄가 잘 되지 않는 점이었습니다.3-매치 게임의 핵심은 레벨 디자인도 중요하지만, 한번 매치가 되어 블록이 사라지면 그 자리를 다른 블록들이 채우면서 발생하는 연쇄작용에 있습니다. 그 연쇄작용하는 코드가 미완성 상태였고, 실제로 제출된 코드에서 연쇄 구현이 제대로 되지 않았음을 볼 수 있었습니다. 비슷한 사례로, 간혹 액션 게임 쪽에서 채용을 할 때 마영전 모작이나 리니지 모작도 자주 볼 수 있는데, 거의 대부분 탈락 처리됩니다. 우선, 마영전 모작의 경우 클라이언트-서버 구조를 굉장히 강조하는 분들이 많습니다. 사실 왜 그걸 강조하는지 잘 모르겠습니다. (어쩌면 학원에서 그렇게 시켰을 수도 있겠죠.) 마영전의 핵심은 멀티플레이 논타겟 액션입니다. 제가 본 마영전 모작 중에서는 아쉽게도 마영전의 논타겟 액션 동기화를 본인만의 방식으로 만들어서 설명해주신 분이 없었습니다. 리니지 모작도 마찬가지입니다. MMO 서버-클라이언트 구조라고 강조하는 분들을 많이 봅니다. 정말 놀랍게도, 만드는데 2주밖에 안 걸렸다는 분도 있었는데… 어필 포인트가 너무 어긋나서 할 말을 잃었던 것 같습니다. 실제로 그런 분들 중에서 MMO의 핵심 요소 중 하나인 월드 채널링이나 MMO에서 퀘스트와 같은 콘텐츠를 본인만의 방식으로 만들어서 설명해주신 분들은 없었습니다. ✅클론 코딩을 포트폴리오로 만드는 방법 위의 잘못된 클론 코딩 사례가 거의 포트폴리오에 있는 클론 코딩의 90%를 차지하기 때문에, 클론 코딩을 포트폴리오로 만드는 방법은 생각보다 쉽습니다. 바로 안티패턴을 피하는 것이죠. 우선, 클론할 게임의 핵심을 아는 것부터 시작해야 합니다.마인크래프트, 오버워치, 3-매치, 마영전, 리니지 등 다양한 게임들의 핵심은 모두 다릅니다. 그리고 주니어 개발자 입장에서 이런 핵심을 관통하기란 쉽지 않은 것도 사실입니다. 그러나 조금만 검색해보면 나오는 것도 맞습니다. 두 번째는 핵심 기믹만 모작하는 것도 가치가 있다는 것입니다.예를들면, 포탈2의 들어가는 포탈/나가는 포탈은 다양한 기술적 챌린지(렌더링, 공간 이동)가 있습니다. 총게임들의 Netcode(예측, 보간)들도 꽤 좋은 챌린지가 됩니다. 그래서 이런 기믹들은 만들어서 포트폴리오에 넣으면 게임플레이 프로그래머로 홍보하기 좋습니다. 개인적으로 이런 핵심 요소를 클론한 유튜브 하나를 추천해드리면, Mix and Jam 이 있습니다. 제가 생각했을 때 클론코딩의 모범사례에 가깝고, 클론 코딩에 대한 좋은 예를 보실 수 있습니다. ✅마무리하며, 클론 코딩은 분명히 개발자로서의 역량을 보여줄 수 있는 좋은 방법입니다. 하지만 그 과정에서 중요한 것은 단순히 게임을 흉내 내는 것이 아니라, 게임의 핵심 메커니즘을 이해하고 그것을 구현하는 능력을 보여주는 것입니다. 단순히 비슷해 보이는 결과물을 만드는 것보다, 그 안에 숨겨진 원리를 이해하고 자신만의 방식으로 풀어내는 것이 더 중요합니다. ✅더불어 이벤트 홍보(?) 그래서, 이번에 저와 함께 클론 코딩을 도전해볼 사람을 찾습니다!! :) [챌린지 개요]😀현직 개발자 멘토와 함께 4주 동안 클론코딩 챌린지 도전할 사람 찾습니다!각 분야별 유데미 멘토들과 함께 클론코딩부터 코드리뷰까지 할 수 있는 기회! 💪이번 챌린지는 [프론트엔드 / 백엔드 / 게임개발] 진행 됩니다 :)유데미 개발 챌린지에서 개발자 커리어를 시작해보세요! 🥇챌린지 참여 혜택 무엇이 있나요?<ul><li>현직 개발자와 라이브 특강</li><li>주차별 미션 제공</li><li>멘토와 1:1 커피챗 (미션 과제 우수자 선정자)</li><li>참가 혜택 : 유데미 개발 강의 할인 쿠폰팩, 지난 챌린지 특강 제공</li></ul> 💌챌린지 자세히 보러가기 : https://udemy.wjtb.co.kr/event/id/272🌞친구와 함께 신청하면 배민 상품권 제공! https://forms.gle/2fxpfmh68ioELCwG8 모집/신청 기간 : 2024년 8월 19일(월) ~ 9월 22일(일)챌린지 진행 기간 : 2024년 9월 23일(월) ~ 10월 18일(금)제가 맡은 게임 개발 챌린지 주제는 “뱀파이어 서바이벌(뱀서류) 클론코딩"으로,라이브 특강에서 포트폴리오가 되는 모작 만들기, 현업에서 사용하는 게임 프로그래밍 디자인 패턴과 테크닉, 수강생 코드리뷰까지 함께 다뤄볼 예정입니다.많은 관심과 참여 부탁 드립니다.감사합니다.

udemy.wjtb.co.kr

게임개발자를 위한 클론코딩

내가 실리콘밸리로 우연찮게 넘어가게 된 때는 만 31살이 되었을 때였다. 그 전까지 한번도 미국에서 살 꺼라 생각하지 않았기에 영어 회화 공부는 해본 적이 없었다. 미국에 넘어가 작은 스타트업에서 일하면서 보통 오전 10시전에 출근해서 새벽 1시 정도까지 일하고 퇴근하는 힘든 나날이었지만 집에 가면 와이프와 프렌즈 받아쓰기와 따라하기를 하며 나름 공부를 꾸준히 했는데 그렇다고 금방 늘지는 않았고 발음은 사실 고칠 수 있는 것이 아니었다.

하지만 깨달은 것이 하나가 있었는데 말하는 것 보다 더 중요한 것은 듣기 능력이란 점이었다. 내가 계속 한국에 살았다면 다른 사람이 하는 말은 그렇게 집중해서 듣지 않았을 텐데 영어로 이야기하다보니 일단 내가 하고 싶은 말을 하기 보다는 다른 사람이 하는 말을 먼저 이해하려는 노력을 할 수 밖에 없었고, 그게 의도했던 것은 아니지만 의사소통 능력을 키우는데 커다란 도움이 되었다. 즉 내 목적을 관철하기 위해 상대의 이야기를 듣기보다는 상대가 하는 말을 이해하려는 노력이 어쩌다 보니 의사소통 능력을 키우는데 도움이 되었다는 것이다.

다음은 현란한 말로 승부를 볼 수가 없다보니 내가 전달하고자 하는 것이 무엇인지 집중하는 습관을 갖게 되었고 말이 많이 하는 것보다는 명확하게 하는 습관이 생겼다. 또한 말만 중요한 것이 아니라 말을 하는 톤과 바디 랭귀지가 사실은 말 만큼 중요하다는 점도 알게 되었다.

언어란 결국 사람들간의 의사 소통이다. 내가 나만의 이득을 이야기하는 것이 아니라 상대를 이해하려고 하고 공동의 이익을 만들려 하는 사람인가가 중요하다. 개발자로서 사실 영어는 처음에 그렇게 중요하지 않지만 레벨이 올라갈수록 중요해지며 이는 현란하게 발음을 하고 그러는 것이 아닌 어눌하고 문법이 틀려도 본인의 의견을 명확하게 표현할 수 있으면 된다. 그보다 더 중요한 것은 긍정적인 태도를 갖는 팀플레이어로 결과를 내는 사람이 되어야 한다는 점이다. 난 영어를 못해서 일을 잘 못해라고 하며 영어의 미숙함 뒤에 숨는 사람들을 실리콘밸리에 가끔 보게 되는데 그 단계를 벗어나는 간절함이 먼저 필요하다.

내가 실리콘밸리로 우연찮게 넘어가게 된 때는 만 31살이 되었을 때였다. 그 전까지 한번도 미국에서 살 꺼라 생각하지 않았기에 영어 회화 공부는 해본 적이 없었다. 미국에 넘어가 작은 스타트업에서 일하면서 보통 오전 10시전에 출근해서 새벽 1시 정도까지 일하고 퇴근하는 힘든 나날이었지만 집에 가면 와이프와 프렌즈 받아쓰기와 따라하기를 하며 나름 공부를 꾸준히 했는데 그렇다고 금방 늘지는 않았고 발음은 사실 고칠 수 있는 것이 아니었다. 하지만 깨달은 것이 하나가 있었는데 말하는 것 보다 더 중요한 것은 듣기 능력이란 점이었다. 내가 계속 한국에 살았다면 다른 사람이 하는 말은 그렇게 집중해서 듣지 않았을 텐데 영어로 이야기하다보니 일단 내가 하고 싶은 말을 하기 보다는 다른 사람이 하는 말을 먼저 이해하려는 노력을 할 수 밖에 없었고, 그게 의도했던 것은 아니지만 의사소통 능력을 키우는데 커다란 도움이 되었다. 즉 내 목적을 관철하기 위해 상대의 이야기를 듣기보다는 상대가 하는 말을 이해하려는 노력이 어쩌다 보니 의사소통 능력을 키우는데 도움이 되었다는 것이다. 다음은 현란한 말로 승부를 볼 수가 없다보니 내가 전달하고자 하는 것이 무엇인지 집중하는 습관을 갖게 되었고 말이 많이 하는 것보다는 명확하게 하는 습관이 생겼다. 또한 말만 중요한 것이 아니라 말을 하는 톤과 바디 랭귀지가 사실은 말 만큼 중요하다는 점도 알게 되었다. 언어란 결국 사람들간의 의사 소통이다. 내가 나만의 이득을 이야기하는 것이 아니라 상대를 이해하려고 하고 공동의 이익을 만들려 하는 사람인가가 중요하다. 개발자로서 사실 영어는 처음에 그렇게 중요하지 않지만 레벨이 올라갈수록 중요해지며 이는 현란하게 발음을 하고 그러는 것이 아닌 어눌하고 문법이 틀려도 본인의 의견을 명확하게 표현할 수 있으면 된다. 그보다 더 중요한 것은 긍정적인 태도를 갖는 팀플레이어로 결과를 내는 사람이 되어야 한다는 점이다. 난 영어를 못해서 일을 잘 못해라고 하며 영어의 미숙함 뒤에 숨는 사람들을 실리콘밸리에 가끔 보게 되는데 그 단계를 벗어나는 간절함이 먼저 필요하다.

(실리콘밸리에서 일할 때) 영어를 못할 때의 장점

Code review antipatterns

﻿코드 리뷰 자체가 없어 외롭게 코드를 작성하는 팀이 있는가 반면 코드 리뷰가 있긴 하나 오히려 있으나 마나 한 경우가 있습니다. 다 그런 건 아니고 저도 잘 안되는 부분이지만 개발자들은 단어나 문장의 선택이 서툴러서 본심은 그게 아닌데 리뷰가 아닌 자칫 "훈계" 혹은 "지적"이 되는 상황으로 변질되곤 합니다. 코드를 더 잘 짜보자고 만든 문화가 오히려 병목을 만들거나 구성원 간에 불신을 조장하는 경우가 생기는데요. 이번에 공유드릴 내용에서는 코드 리뷰 안티 패턴을 소개하고 있습니다.

궁극적으로 상호 존중하는 과정에서 명확하게 구체적인 피드백이 이뤄져야 하고 리뷰이나 리뷰어 각자가 책임의식을 가지고 리뷰가 진행이 되어야 하는데요. 첨언하면, 리뷰를 받고자 하는 리뷰 이는 최대한 수용하는 자세로 자세한 정보와 상황을 친절하게 작성해야 하고, 리뷰를 해주는 리뷰어 입장에서는 장기적으로 코드와 개발자(혹은 팀 구성원) 모두가 성장할 수 있도록 고민하며 필요하면 레퍼런스와 함께 리뷰를 해주는 게 좋지 않을까 생각을 해봅니다.

https://www.chiark.greenend.org.uk/~sgtatham/quasiblog/code-review-antipatterns/

﻿코드 리뷰 자체가 없어 외롭게 코드를 작성하는 팀이 있는가 반면 코드 리뷰가 있긴 하나 오히려 있으나 마나 한 경우가 있습니다. 다 그런 건 아니고 저도 잘 안되는 부분이지만 개발자들은 단어나 문장의 선택이 서툴러서 본심은 그게 아닌데 리뷰가 아닌 자칫 "훈계" 혹은 "지적"이 되는 상황으로 변질되곤 합니다. 코드를 더 잘 짜보자고 만든 문화가 오히려 병목을 만들거나 구성원 간에 불신을 조장하는 경우가 생기는데요. 이번에 공유드릴 내용에서는 코드 리뷰 안티 패턴을 소개하고 있습니다. 궁극적으로 상호 존중하는 과정에서 명확하게 구체적인 피드백이 이뤄져야 하고 리뷰이나 리뷰어 각자가 책임의식을 가지고 리뷰가 진행이 되어야 하는데요. 첨언하면, 리뷰를 받고자 하는 리뷰 이는 최대한 수용하는 자세로 자세한 정보와 상황을 친절하게 작성해야 하고, 리뷰를 해주는 리뷰어 입장에서는 장기적으로 코드와 개발자(혹은 팀 구성원) 모두가 성장할 수 있도록 고민하며 필요하면 레퍼런스와 함께 리뷰를 해주는 게 좋지 않을까 생각을 해봅니다. https://www.chiark.greenend.org.uk/~sgtatham/quasiblog/code-review-antipatterns/﻿

www.chiark.greenend.org.uk

코드 리뷰 안티패턴

2024 FEConf 현장 영상을 준비했어요! 이번 행사에는 당근 부스 운영진으로 참여했어요. 다른 후원사 부스를 체험하면서 경품도 받고 네트워킹 부스도 즐기고 왔어요. 제가 스트레스와 불안감을 관리하는 방법은 영상 후반부에 나와요! 재미있게 보셨다면 좋아요와 댓글로 응원해주세요 😊 다음 영상으로 또 찾아올게요!

개발자가 스트레스와 불안감을 동시에 잡는 방법 | 2024 FEConf 탐방기

"스트레스를 푸는 취미가 있으신가요?"

2024 FEConf는 발표 세션과 후원사 부스를 비롯해 아이 돌봄 공간, 네트워킹 부스까지 마련되어 즐길 거리가 가득했습니다.

네트워킹 부스에선 스트레스를 푸는 취미가 있냐는 질문을 받았습니다. 저는 '글쓰기'가 스트레스를 푸는 취미라고 답했습니다.

처음에는 글쓰기가 스트레스를 받는 일이라고 생각했는데 가만 생각해 보니 스트레스를 줄여주는 활동이라는 걸 깨닫게 됐습니다. 자세한 내용은 첨부한 영상을 통해 확인해 주세요.

여러분은 어떤가요? 어떤 방식으로 스트레스를 풀고 계신가요?

https://youtu.be/ug1nLShB5DA?si=XN_Rww49HjeDw_7u

"스트레스를 푸는 취미가 있으신가요?" 2024 FEConf는 발표 세션과 후원사 부스를 비롯해 아이 돌봄 공간, 네트워킹 부스까지 마련되어 즐길 거리가 가득했습니다. 네트워킹 부스에선 스트레스를 푸는 취미가 있냐는 질문을 받았습니다. 저는 '글쓰기'가 스트레스를 푸는 취미라고 답했습니다. 처음에는 글쓰기가 스트레스를 받는 일이라고 생각했는데 가만 생각해 보니 스트레스를 줄여주는 활동이라는 걸 깨닫게 됐습니다. 자세한 내용은 첨부한 영상을 통해 확인해 주세요. 여러분은 어떤가요? 어떤 방식으로 스트레스를 풀고 계신가요? https://youtu.be/ug1nLShB5DA?si=XN_Rww49HjeDw_7u

www.youtube.com

개발자의 스트레스 해소법

쉘 리다이렉션(Redirection) 사용법

쉘 프로그래밍을 처음 하시는 분들이 스크립트를 읽으시다가
2>&1
와 같은 알 수 없는 문법을 보고 당황하시는 경우가 있습니다. 이 것을 보통 리다이렉션(Redirection)이라고 하는데요. 어떤 명령의 입력이나 출력을 다른 곳으로 변경하기 위해서 사용됩니다.

이번 포스팅에서는 쉘 리다이렉션의 기본 사용법을 알아보고 다양한 예제를 통해 어떻게 실제 쉘 프로그래밍에 활용할 수 있는지 배워보겠습니다.

📝 포스팅: https://www.daleseo.com/shell-redirection/

 * 표준 스트림
 * 출력 리다이렉션
 * 오류 리다이렉션
 * 통합 리다이렉션
 * 입력 리다이렉션

쉘 프로그래밍을 처음 하시는 분들이 스크립트를 읽으시다가 <code >2&gt;&amp;1</code>와 같은 알 수 없는 문법을 보고 당황하시는 경우가 있습니다. 이 것을 보통 리다이렉션(Redirection)이라고 하는데요. 어떤 명령의 입력이나 출력을 다른 곳으로 변경하기 위해서 사용됩니다. 이번 포스팅에서는 쉘 리다이렉션의 기본 사용법을 알아보고 다양한 예제를 통해 어떻게 실제 쉘 프로그래밍에 활용할 수 있는지 배워보겠습니다. 📝 포스팅: https://www.daleseo.com/shell-redirection/ <ul ><li>표준 스트림</li><li>출력 리다이렉션</li><li>오류 리다이렉션</li><li>통합 리다이렉션</li><li>입력 리다이렉션</li></ul>

www.daleseo.com

내가 조바심 내지 않는 이유 | 인간이라면 누구나 겪는 감정인 '조바심'에 주목한 감정 멘토 사이토 다카시의『내가 조바심 내지 않는 이유』. 소셜 네트워크로 실시간 연결된 '초연결 사회'에서는 언제든지 자신을 표현하……

내가 조바심 내지 않는 이유 | 사이토 다카시 - 교보문고

“기다릴 줄 아는 사람은 바라는 것을 가질 수 있다.” - 벤저민 프랭클린 -

“서두른다는 느낌은, 인생을 충실하게 산다는 증거도 아니고, 시간이 없어서 생기는 결과도 아니다. 그 반대로 자기 인생을 허비하고 있다는 막연한 두려움에서 생겨난다. 해야 하는 일을 하지 않을 때, 다른 일을 할 시간은 전혀 없다.” - 에릭 호퍼, 철학자 -

사이토 다카시는 책 <내가 조바심 내지 않는 이유>에서 인간이라면 누구나 겪는 감정인 ‘조바심’에 주목했다. 사소한 일로도 반응하고 조바심을 느끼는 현대인의 마음속에는 과연 어떤 원인이 숨어 있을까? 사이토 다카시는 현대사회에 만연한 조바심의 증폭제로 모바일 메신저를 비롯한 각종 소셜 미디어를 지목한다.

조바심은 자연스러운 감정이지만 ‘초연결 사회’에서는 과다한 커뮤니케이션으로 타인과의 정신적 접촉이 늘어나 감정의 안테나가 지나치게 민감하고 섬세해질 수밖에 없다. 실시간 소통이 가능해지면서 사회 시스템들이 빠른 속도로 돌아가기에 일상의 속도 또한 빨라졌다.

이런 삶을 살면서 우리는 느긋함이나 인내심을 잃어버리고 말았다. 사소한 일에도 필요 이상으로 감정이 동요되고 조바심을 낸다. 지나친 조바심은 분노로 변하기 쉽다. 늘 조마조마한 마음을 품고 살아가는 현대인은 시한폭탄을 장착한 것이나 다름없다.

- 주위와 충돌하지 않고 때로는 혼자 있고 싶지만, 뒤처진다는 생각에 불안하다!
- 나를 피곤하게 만드는 사람들에게 반응하지 않고 싶지만, 사소한 일에도 욱하게 된다!
- 아무도 상처받지 않고 누구에게도 상처 주고 싶지 않지만, 자꾸 감정적이 되어 화를 참기 힘들다!
- 아무리 신경 쓰지 않는 연습을 해봐도 쉽지 않다, 내가 이상한 걸까?

누구나 갖고 있는 생각들이다. 조바심이란 곧바로 드러나진 않더라도 나비효과처럼 번지기 쉽고 타인에게 과도한 평가 잣대를 들이댈 위험이 있기 때문에, 일상을 망가뜨리고 관계를 망치는 주범이 된다. 그러므로 스스로 조절해야 한다.

“언제든 누군가와 연결되어 있다. 어디에 있든 연락할 수 있다.” 언뜻 편리할 것 같지만 이는 곧, 연결되지 않을 때 마음속 파도는 더욱 커진다는 의미입니다. 휴대전화가 연결되지 않거나 이메일 답장이 없으면 ‘수신 거부 상태가 아닌지’ 의심하고 ‘미움받고 있을지도 모른다’라고 착각하며 ‘무시당했다’라고 화를 냅니다. 결국 부정적인 감정이 머리를 치켜들고 쓸데없는 생각을 하게 됩니다. 8p, 〈프롤로그〉

지금처럼 자신이 먼저 ‘인정해줘’ ‘칭찬해줘’ ‘좋아해줘’ ‘굉장하지’하고 어필하는 욕구는 없었습니다. 현대만큼 인정 욕구가 강한 시대는 없었습니다. 그런 의미에서 ‘인정받고 싶지만 인정받지 못했다’라는 상실감은 현대인만의 부정적인 감정이라고 할 수 있습니다. 소망과 현실 사이의 괴리로 인해 쌓인 불안감이 새로운 현대병인 ‘관심병’에 이르게 한 것인지도 모릅니다. 30p, 〈관심병은 상대적이며 절대적인 현대병이다〉

통화 연결음이 30초가 넘어가거나, 엘리베이터를 기다리는 데 1분 이상이 걸리면 많은 사람들이 슬슬 화가 나기 시작합니다. 빨간불에 횡단보도 앞에서 기다리거나, 관공서 창구에서 차례가 좀처럼 돌아오지 않을 때, 주문한 음식이 나오지 않을 때, 휴대전화 통신 환경이 좋지 않아서 인터넷 접속에 시간이 오래 걸릴 때 등등 일상에서 기다려야 하는 수많은 상황마다 사람들은 자기도 모르게 짜증을 내고 맙니다. 49p, 〈1분도 참지 못하게 만드는 조바심의 정체〉

누군가와 이야기할 때 ‘목에 뭔가가 걸려서 답답한 느낌’이 든다면 ‘이 감정은 뭘까?’ 하고 생각해보세요. 상대가 거북한 사람이라면 ‘아, 이 느낌이 내 서툰 마음의 표출이구나’ 하고 눈치챌 수 있습니다. 60p, 〈몸에 초점을 맞추자: 내 마음은 몰라도 내 몸은 안다〉

권하는 것은 ‘감정’ 시뮬레이션. 그 선택을 통해 자신이 어떤 감정을 갖게 될지 예측하고 상상하고, 분석해보는 것입니다. 대부분의 사람들이 ‘상황’만을 우선하다 이를 놓치고 있습니다. 136p, 〈감정 시뮬레이션: 선택장애가 올 때는 감정을 연습해본다〉

‘자신의 감정을 매일매일 하루 단위로 정산한다’. 쉽게 말하면 하루의 감정을 결산하여 흑자로 돌려서 ‘오늘은 이걸로 오케이’라고 생각하는 방법입니다. 좋은 일이 있었던 날은 그것으로 오케이. 싫은 일이 있어서 부정적 감정이 많았고, 그래서 이 감정이 내일까지 이어질 것 같은 날에는 그날 감정의 ‘마이너스만큼’ 다른 좋은 일로 메우는 것입니다. 제 경우 마이너스 감정을 메우기 위한 수단 중 하나로 ‘고기 구워 먹기’가 있습니다. 143p, 〈하루 단위 감정 정산법: ‘우울한 날은 구운 고기’의 법칙〉

긴장되는 사람과 만나기 전에 10초 동안 점프를 해보십시오. 취업을 위한 면접을 앞둔 학생에게 자주 이 방법을 알려줍니다. 높이 뛸 필요는 없습니다. 가볍게 톡톡 뛰는 정도도 괜찮습니다. 그것만으로도 어깨 힘이 빠지고 뭉친 부분이 풀어져 몸이 약간 따뜻해집니다. 이렇게 몸이 풀어진 상태에서 사람을 만나면 자신의 환한 모습이 적어도 20퍼센트는 올라갑니다. 156p, 〈10초 점프 효과: 몸의 움직임이 마음의 응어리를 풀어준다〉

자신의 손이 닿는 범위 안에서 제한된 친구들과 소셜 미디어로 대화하고 연락을 주고받는 한정된 세계에서는 알 수 없는 보다 넓은 감정을, 광대하고 심오한 감정을 다룬 소설이라는 세계에서 배웁니다. 현대사회를 사는 우리에게 책은 상당히 중요한 학습의 장입니다. 180p, 〈소설 감정 수업: 초연결 사회일수록 책을 읽어야 하는 이유〉

카페라는 완충 장치를 통해 일 모드로 되어 있던 감정을 가정 모드로 바꿉니다. 회사에는 많은 인간관계가 있습니다. 신경도 많이 쓰고 긴장도 많이 했을 겁니다. 일에서 오는 문제나 스트레스도 있습니다. 그런 부정적인 감정을 그대로 집으로 갖고 들어가지 않기 위해서, 회사와 집의 중간 지점에, 혼자 감정을 식히고 정리할 수 있는 공간이 카페입니다. 202p, 〈회사와 집 사이에 카페라는 감정의 휴게소〉

“기다릴 줄 아는 사람은 바라는 것을 가질 수 있다.” - 벤저민 프랭클린 - “서두른다는 느낌은, 인생을 충실하게 산다는 증거도 아니고, 시간이 없어서 생기는 결과도 아니다. 그 반대로 자기 인생을 허비하고 있다는 막연한 두려움에서 생겨난다. 해야 하는 일을 하지 않을 때, 다른 일을 할 시간은 전혀 없다.” - 에릭 호퍼, 철학자 - 사이토 다카시는 책 &lt;내가 조바심 내지 않는 이유&gt;에서 인간이라면 누구나 겪는 감정인 ‘조바심’에 주목했다. 사소한 일로도 반응하고 조바심을 느끼는 현대인의 마음속에는 과연 어떤 원인이 숨어 있을까? 사이토 다카시는 현대사회에 만연한 조바심의 증폭제로 모바일 메신저를 비롯한 각종 소셜 미디어를 지목한다. 조바심은 자연스러운 감정이지만 ‘초연결 사회’에서는 과다한 커뮤니케이션으로 타인과의 정신적 접촉이 늘어나 감정의 안테나가 지나치게 민감하고 섬세해질 수밖에 없다. 실시간 소통이 가능해지면서 사회 시스템들이 빠른 속도로 돌아가기에 일상의 속도 또한 빨라졌다. 이런 삶을 살면서 우리는 느긋함이나 인내심을 잃어버리고 말았다. 사소한 일에도 필요 이상으로 감정이 동요되고 조바심을 낸다. 지나친 조바심은 분노로 변하기 쉽다. 늘 조마조마한 마음을 품고 살아가는 현대인은 시한폭탄을 장착한 것이나 다름없다. - 주위와 충돌하지 않고 때로는 혼자 있고 싶지만, 뒤처진다는 생각에 불안하다!- 나를 피곤하게 만드는 사람들에게 반응하지 않고 싶지만, 사소한 일에도 욱하게 된다!- 아무도 상처받지 않고 누구에게도 상처 주고 싶지 않지만, 자꾸 감정적이 되어 화를 참기 힘들다!- 아무리 신경 쓰지 않는 연습을 해봐도 쉽지 않다, 내가 이상한 걸까? 누구나 갖고 있는 생각들이다. 조바심이란 곧바로 드러나진 않더라도 나비효과처럼 번지기 쉽고 타인에게 과도한 평가 잣대를 들이댈 위험이 있기 때문에, 일상을 망가뜨리고 관계를 망치는 주범이 된다. 그러므로 스스로 조절해야 한다. “언제든 누군가와 연결되어 있다. 어디에 있든 연락할 수 있다.” 언뜻 편리할 것 같지만 이는 곧, 연결되지 않을 때 마음속 파도는 더욱 커진다는 의미입니다. 휴대전화가 연결되지 않거나 이메일 답장이 없으면 ‘수신 거부 상태가 아닌지’ 의심하고 ‘미움받고 있을지도 모른다’라고 착각하며 ‘무시당했다’라고 화를 냅니다. 결국 부정적인 감정이 머리를 치켜들고 쓸데없는 생각을 하게 됩니다. 8p, 〈프롤로그〉 지금처럼 자신이 먼저 ‘인정해줘’ ‘칭찬해줘’ ‘좋아해줘’ ‘굉장하지’하고 어필하는 욕구는 없었습니다. 현대만큼 인정 욕구가 강한 시대는 없었습니다. 그런 의미에서 ‘인정받고 싶지만 인정받지 못했다’라는 상실감은 현대인만의 부정적인 감정이라고 할 수 있습니다. 소망과 현실 사이의 괴리로 인해 쌓인 불안감이 새로운 현대병인 ‘관심병’에 이르게 한 것인지도 모릅니다. 30p, 〈관심병은 상대적이며 절대적인 현대병이다〉 통화 연결음이 30초가 넘어가거나, 엘리베이터를 기다리는 데 1분 이상이 걸리면 많은 사람들이 슬슬 화가 나기 시작합니다. 빨간불에 횡단보도 앞에서 기다리거나, 관공서 창구에서 차례가 좀처럼 돌아오지 않을 때, 주문한 음식이 나오지 않을 때, 휴대전화 통신 환경이 좋지 않아서 인터넷 접속에 시간이 오래 걸릴 때 등등 일상에서 기다려야 하는 수많은 상황마다 사람들은 자기도 모르게 짜증을 내고 맙니다. 49p, 〈1분도 참지 못하게 만드는 조바심의 정체〉 누군가와 이야기할 때 ‘목에 뭔가가 걸려서 답답한 느낌’이 든다면 ‘이 감정은 뭘까?’ 하고 생각해보세요. 상대가 거북한 사람이라면 ‘아, 이 느낌이 내 서툰 마음의 표출이구나’ 하고 눈치챌 수 있습니다. 60p, 〈몸에 초점을 맞추자: 내 마음은 몰라도 내 몸은 안다〉 권하는 것은 ‘감정’ 시뮬레이션. 그 선택을 통해 자신이 어떤 감정을 갖게 될지 예측하고 상상하고, 분석해보는 것입니다. 대부분의 사람들이 ‘상황’만을 우선하다 이를 놓치고 있습니다. 136p, 〈감정 시뮬레이션: 선택장애가 올 때는 감정을 연습해본다〉 ‘자신의 감정을 매일매일 하루 단위로 정산한다’. 쉽게 말하면 하루의 감정을 결산하여 흑자로 돌려서 ‘오늘은 이걸로 오케이’라고 생각하는 방법입니다. 좋은 일이 있었던 날은 그것으로 오케이. 싫은 일이 있어서 부정적 감정이 많았고, 그래서 이 감정이 내일까지 이어질 것 같은 날에는 그날 감정의 ‘마이너스만큼’ 다른 좋은 일로 메우는 것입니다. 제 경우 마이너스 감정을 메우기 위한 수단 중 하나로 ‘고기 구워 먹기’가 있습니다. 143p, 〈하루 단위 감정 정산법: ‘우울한 날은 구운 고기’의 법칙〉 긴장되는 사람과 만나기 전에 10초 동안 점프를 해보십시오. 취업을 위한 면접을 앞둔 학생에게 자주 이 방법을 알려줍니다. 높이 뛸 필요는 없습니다. 가볍게 톡톡 뛰는 정도도 괜찮습니다. 그것만으로도 어깨 힘이 빠지고 뭉친 부분이 풀어져 몸이 약간 따뜻해집니다. 이렇게 몸이 풀어진 상태에서 사람을 만나면 자신의 환한 모습이 적어도 20퍼센트는 올라갑니다. 156p, 〈10초 점프 효과: 몸의 움직임이 마음의 응어리를 풀어준다〉 자신의 손이 닿는 범위 안에서 제한된 친구들과 소셜 미디어로 대화하고 연락을 주고받는 한정된 세계에서는 알 수 없는 보다 넓은 감정을, 광대하고 심오한 감정을 다룬 소설이라는 세계에서 배웁니다. 현대사회를 사는 우리에게 책은 상당히 중요한 학습의 장입니다. 180p, 〈소설 감정 수업: 초연결 사회일수록 책을 읽어야 하는 이유〉 카페라는 완충 장치를 통해 일 모드로 되어 있던 감정을 가정 모드로 바꿉니다. 회사에는 많은 인간관계가 있습니다. 신경도 많이 쓰고 긴장도 많이 했을 겁니다. 일에서 오는 문제나 스트레스도 있습니다. 그런 부정적인 감정을 그대로 집으로 갖고 들어가지 않기 위해서, 회사와 집의 중간 지점에, 혼자 감정을 식히고 정리할 수 있는 공간이 카페입니다. 202p, 〈회사와 집 사이에 카페라는 감정의 휴게소〉

product.kyobobook.co.kr

“기다릴 줄 아는 사람은 바라는 것을 가질 수 있다.” - 벤저민

LLM은 지난 2년간, 성능은 원숭이 수준에서 인간 수준으로 높아졌고 가격은 400배 저렴해졌으며, 추론 속도는 지난 6년간 (이론적으로)3,000배 빨라졌다.

역사적으로 어떠한 기술이 이렇게 빠르게 발전했던 경우가 없었다.

최근 다음 레벨의 AI가 나오지 않아서 AI가 과장됐다, 이제 버블이 꺼질거라는 말이 많이 나오지만, GPT-4가 출시된지 이제 겨우 1년 반 밖에 안됐음을 기억해야한다.

LLM은 지난 2년간, 성능은 원숭이 수준에서 인간 수준으로 높아졌고 가격은 400배 저렴해졌으며, 추론 속도는 지난 6년간 (이론적으로)3,000배 빨라졌다. 역사적으로 어떠한 기술이 이렇게 빠르게 발전했던 경우가 없었다. 최근 다음 레벨의 AI가 나오지 않아서 AI가 과장됐다, 이제 버블이 꺼질거라는 말이 많이 나오지만, GPT-4가 출시된지 이제 겨우 1년 반 밖에 안됐음을 기억해야한다.

LLM은 지난 2년간, 성능은 원숭이 수준에서 인간 수준으로 높아

초급] 마이크로서비스를 개발할 때 가장 어려워하는 부분은 서비스 별로 데이터베이스를 분리한다는 점입니다. SQL JOIN을 REST API로 대체하려니 성능이 느릴 것 같고 데이터베이스의 트랜잭션 보장이 없어지니 정합성이 깨지지 않을까 걱정합니다. 마이크로서비스와 함께 API Composition, Event Sourcing, CQRS, SAGA 같은 반짝이는 기술들이 함께 소개되었지만, 실전에선 이보다는 평범한 기술을 사용하는 경우가 많습니다.

스프링캠프 2024 [Track 1] 4.실전! MSA 개발 가이드 (김용욱)

올해 스프링캠프 2024에서 발표한 영상입니다.
MSA로 개발할 때에 고려해야하는 팁들을 소개하는 내용으로
부족한 발표라 민망하지만..
누구나 기본으로 알았으면 하는 내용이라 공유합니다.

[개요] 마이크로서비스를 개발할 때 가장 어려워하는 부분은 서비스 별로 데이터베이스를 분리한다는 점입니다. SQL JOIN을 REST API로 대체하려니 성능이 느릴 것 같고 데이터베이스의 트랜잭션 보장이 없어지니 정합성이 깨지지 않을까 걱정합니다. 마이크로서비스와 함께 API Composition, Event Sourcing, CQRS, SAGA 같은 반짝이는 기술들이 함께 소개되었지만, 실전에선 이보다는 평범한 기술을 사용하는 경우가 많습니다. 관련해서 마이크로서비스를 개발할 때의 구현 이슈를 소개하고, 실전에서는 어떻게 풀어내는지 소개합니다.

https://youtu.be/raPJqrtGMxY?si=p86hwR7Jz7vweH4I

올해 스프링캠프 2024에서 발표한 영상입니다.MSA로 개발할 때에 고려해야하는 팁들을 소개하는 내용으로부족한 발표라 민망하지만..누구나 기본으로 알았으면 하는 내용이라 공유합니다. [개요] 마이크로서비스를 개발할 때 가장 어려워하는 부분은 서비스 별로 데이터베이스를 분리한다는 점입니다. SQL JOIN을 REST API로 대체하려니 성능이 느릴 것 같고 데이터베이스의 트랜잭션 보장이 없어지니 정합성이 깨지지 않을까 걱정합니다. 마이크로서비스와 함께 API Composition, Event Sourcing, CQRS, SAGA 같은 반짝이는 기술들이 함께 소개되었지만, 실전에선 이보다는 평범한 기술을 사용하는 경우가 많습니다. 관련해서 마이크로서비스를 개발할 때의 구현 이슈를 소개하고, 실전에서는 어떻게 풀어내는지 소개합니다. https://youtu.be/raPJqrtGMxY?si=p86hwR7Jz7vweH4I

[영상] 실전! MSA 개발 가이드

다시 취업할 수 있을까

트위터를 보다가 눈이 멈췄습니다.
젊은 친구들이 취업이 힘들다는 얘기는 많이 들었지만…
내 얘기는 아닐 거라 생각했는데.

비슷한 연배의 개발자분이 이런 글을 쓰는 걸 보고 놀랐습니다.
그냥 나이만 많은 개발자였으면 그렇게 놀라지는 않았을 겁니다.
2009년 경에 디바이스 드라이버를 개발할 때 pyrasis 블로그에서 많이 보고 배웠던 기억이 납니다.
개발 실력으로는 충분하고도 넘칠 만큼 훌륭한 분.
그런데 이력서를 30군데 이상 넣었는데 다 탈락했다고?

나는 과연 회사에 다시 취업할 수 있을까? 하는 생각을 해보지 않을 수 없었습니다.

망하면 까짓 거 다시 회사 가면 되지 뭐.

이렇게 생각하고 살았는데.
카카오나 네이버에서 과연 날 다시 받아줄까?
스타트업이라도 갈 수 있을까?
내가 너무 안일한 건 아닐까? 자신감이 떨어집니다.

개발자가 된 이후 처음으로 취업이 어려운 시대가 온 것 같습니다.
어쩌면 개발자들만의 문제가 아닐지도 모릅니다.
최근 2년 여간 우리나라 국민들 대부분 힘들었을 거라고 생각합니다.
이런 기간이 일시적이라면 다행이지만… 무한정 길어지는 건 아닐까 걱정도 됩니다.
정신이 번쩍 드는 하루 였습니다.

https://jeho.page/essay/2024/09/04/ever-be-get-job-again.html

트위터를 보다가 눈이 멈췄습니다. 젊은 친구들이 취업이 힘들다는 얘기는 많이 들었지만… 내 얘기는 아닐 거라 생각했는데. 비슷한 연배의 개발자분이 이런 글을 쓰는 걸 보고 놀랐습니다. 그냥 나이만 많은 개발자였으면 그렇게 놀라지는 않았을 겁니다. 2009년 경에 디바이스 드라이버를 개발할 때 pyrasis 블로그에서 많이 보고 배웠던 기억이 납니다. 개발 실력으로는 충분하고도 넘칠 만큼 훌륭한 분. 그런데 이력서를 30군데 이상 넣었는데 다 탈락했다고? 나는 과연 회사에 다시 취업할 수 있을까? 하는 생각을 해보지 않을 수 없었습니다. 망하면 까짓 거 다시 회사 가면 되지 뭐. 이렇게 생각하고 살았는데. 카카오나 네이버에서 과연 날 다시 받아줄까? 스타트업이라도 갈 수 있을까? 내가 너무 안일한 건 아닐까? 자신감이 떨어집니다. 개발자가 된 이후 처음으로 취업이 어려운 시대가 온 것 같습니다. 어쩌면 개발자들만의 문제가 아닐지도 모릅니다. 최근 2년 여간 우리나라 국민들 대부분 힘들었을 거라고 생각합니다. 이런 기간이 일시적이라면 다행이지만… 무한정 길어지는 건 아닐까 걱정도 됩니다. 정신이 번쩍 드는 하루 였습니다. https://jeho.page/essay/2024/09/04/ever-be-get-job-again.html

K리그 프로그래머

MS, 딥페이크 영상 찾아내는 도구 개발

[Issue #79]
"🔍마이크로소프트, "딥페이크 가짜 뉴스, 꼼짝 마!"

마이크로소프트는 이번 달 1일, 딥페이크를 방지하기 위한 새로운 도구인 ‘마이크소프트 비디오 어센티케이터’(Microsoft Video Authenticator)를 발표했습니다.

①  '딥페이크'란 누군가가 말하지 않았거나 실제로 있지 않은 장소에 있는 것처럼 보이게 하기 위해 감지하기 어려운 방식으로 변경된 이미지 또는 동영상을 뜻합니다. 최근 이 합성 기술이 더욱 정교해지며, 진짜 영상과 구분하기 어려운 경우가 많아졌어요.

② 이처럼 정교한 기술이다 보니, 미국 대선에 악용될 가능성이 제기되었는데요, 이 기술을 활용해 특정 후보나 저명한 인사가 특정 장소에서 있거나, 부적절한 행동을 하는 모습을 조작해서 유포할 수 있기 때문이죠.

③ 비디오 어센티케이터는 화상이나 영상을 해석함으로써 인간의 눈으로는 알 수 없는 수준의 퇴색과 조작 여부를 판단할 수 있습니다. 딥페이크 기술로 편집이 이뤄졌는지를 판정하고 ‘신뢰 점수’를 계산해 딥페이크가 사용됐는지 알 수 있도록 표시해주는 기능을 갖췄습니다.

④ 마이크로소프트의 톰 버트(Tom Burt) 고객 보안 및 신뢰 부문 부사장은 “우리의 진보된 탐지 기술이 다가오는 미국 선거 때 이용자가 딥페이크를 식별하는 데 유용한 도구가 될 수 있다”고 설명하기도 했어요.

W⑤'s comment 🤔 : 모든 기술이 그렇듯, 딥페이크 기술 자체가 나쁜 기술은 아니에요. 아주 고도화된 CG라고 볼 수 있으니까요. 하지만 딥페이크가 우리들의 감각을 쉽게 속이는 가짜 뉴스로 악용될 가능성이 있다면 이에 대한 판별 기술도 반드시 필요해보입니다.

Zdnet

IT 서비스의 브랜드 마케터 셋이 모였습니다. 문제 해결을 위해 늘 새로운 소식을 보고, 경험하고, 실험해 봅니다. 각자 다른 배경과 강점을 가지고 좋은 시너지를 만들어 내고 있습니다. 일주일에 딱 다섯 가지 마케팅 이슈를 정리해 발행하는 뉴스레터 '위클리 파이브'를 운영했고, 지금은 퍼블리 뉴스 큐레이터로 활동하고 있습니다.

카카오 브랜드 마케터

위클리 파이브

IT 서비스의 브랜드 마케터입니다.  문제 해결을 위해 늘 새로운 소식을 보고, 경험하고, 학습해야만 하는 일을 하고 있습니다. 현업에서 일하면서 접하는 새롭고 흥미로운 소식들을 공유합니다.

댓글 0

비슷한 게시물

주간 인기 TOP 10

추천 프로필