사이드 프로젝트 개발자를 구합니다.
기획은 80% 이상 완료되어 있는 상태입니다.
현재 팀 구성원 : 기획자, 디자이너, 마케터.
플러터와 백엔드 개발을 다루는 풀스택 개발자를 찾습니다.
보상: 처음에는 드릴 수 없으나 수익이 나면 공평하게 분배해 드립니다.
원할 시 스톡옵션도 드릴 수 있습니다.

사이드 프로젝트 개발자가 아니라 호구 개발자를 구합니다로 바꿔야 하는 것 아닌가?

서비스 전체를 만드는 개발자에게는 스톡옵션을 준다고 하고 수익은 나눠 갖는다고 합니다.
어차피 자기들도 돈이 없으니까 월급을 주지는 못하고 스톡옵션으로 준다는 것.
아마 스톡옵션이 뭔지도 모를 것이 분명합니다.
법인을 만들어야 하고, 정관에 뭘 적어야 하고 언제부터 효력이 발생하고 얼만큼 발행할 수 있는지.
이런 걸 알고 적었을까? (아마 아닐 것 같습니다)

그냥 일단 적어 놓고 누구 하나 걸려라 기다리는 것.
이런 것에 혹하는 개발자들은 설마 없겠죠…?

만들고 싶은 게 있으면 그냥 혼자서 만들면 됩니다.
누구에게 의지하고 싶은 마음을 가라 앉히고.
그러면 실패해도 남는 거라도 있습니다.

요즘엔 AI 툴들 덕분에 개발자들은 날개가 생겼습니다.
물론 다른 직군들도 마찬가지긴 합니다만.
각자 훨훨 날아가면 됩니다.

<code >사이드 프로젝트 개발자를 구합니다.</code><code >기획은 80% 이상 완료되어 있는 상태입니다.</code><code >현재 팀 구성원 : 기획자, 디자이너, 마케터.</code><code >플러터와 백엔드 개발을 다루는 풀스택 개발자를 찾습니다.</code><code >보상: 처음에는 드릴 수 없으나 수익이 나면 공평하게 분배해 드립니다.</code><code >원할 시 스톡옵션도 드릴 수 있습니다.</code> 사이드 프로젝트 개발자가 아니라 호구 개발자를 구합니다로 바꿔야 하는 것 아닌가? 서비스 전체를 만드는 개발자에게는 스톡옵션을 준다고 하고 수익은 나눠 갖는다고 합니다.어차피 자기들도 돈이 없으니까 월급을 주지는 못하고 스톡옵션으로 준다는 것.아마 스톡옵션이 뭔지도 모를 것이 분명합니다.법인을 만들어야 하고, 정관에 뭘 적어야 하고 언제부터 효력이 발생하고 얼만큼 발행할 수 있는지.이런 걸 알고 적었을까? (아마 아닐 것 같습니다) 그냥 일단 적어 놓고 누구 하나 걸려라 기다리는 것.이런 것에 혹하는 개발자들은 설마 없겠죠…? 만들고 싶은 게 있으면 그냥 혼자서 만들면 됩니다.누구에게 의지하고 싶은 마음을 가라 앉히고.그러면 실패해도 남는 거라도 있습니다. 요즘엔 AI 툴들 덕분에 개발자들은 날개가 생겼습니다.물론 다른 직군들도 마찬가지긴 합니다만.각자 훨훨 날아가면 됩니다.

호구 개발자를 구합니다

제가 예전에 낚이고 나서는 다시는 호구 잡히지 않으려고 합니다 ㅠㅠ몸도 마음도 다 망가져버린 시기였어요 ㅠㅠ

최종 면접에서 자꾸 떨어진다고 코칭을 요청하시는 분들이 간혹 있다. 그 이야기는 앞단의 기술 면접은 잘 했다는 이야기인데 기술 면접과 최종 면접의 차이점은 무엇일까?

먼저 기술 면접에서는 당연히 기술적인 이야기와 업무를 중심으로 이야기한다고 하면 최종 면접에서는 더 상위 레벨의 이야기를 해야 하며 면접관의 입장에서 무엇이 궁금할지 생각해봐야 한다. 경영진의 관점에서는 기술적인 역량은 이미 검증이 된 것이고 이제 궁금한 것은 회사에 무슨 이유로 지원했고 얼마나 열정이 있고 우리가 원하는 인재상인지 얼마나 오래 같이 갈 것인지 여부 이다.

항상 나오는 질문은 왜 우리 회사에 지원하는지 이유를 물어보는 거다. 꼭 나름대로의 답변을 준비할 필요가 있다. 또 최종 면접에서는 어떤 질문을 하느냐가 앞단의 기술 면접보다 더 중요하다. 어느 정도 규모가 되는 회사라면 회사 홈페이지등을 통해 회사의 비전과 미션에 대해 알아보고 어떤 인재상을 갖고 있는지 알아보는 등 약간의 준비와 공부가 필요하다. 면접관에게 하는 질문도 기술적인 것 (이는 앞단의 기술 면접 때 물어보는 것이 맞다) 보다는 개인적인 창업이나 조인 동기에 대해 물어보는 것이 좋고 회사의 단기와 장기 목표에 대해 물어보는 것, 인재상에 대해 물어보는 것 등이 더 좋다.

다음으로 자신감을 가지고 긍정적인 톤으로 이야기하는 연습하는 것이 중요하다. 앞에 경력 단절이 있는 경우 그걸 너무 감추려 하거나 죄를 지은 것 처럼 생각하지 말고 당당하게 무슨 이유로 단절이 있고 무슨 준비를 하며 보냈는지 설명하면 된다.

최종 면접에서 자꾸 떨어진다고 코칭을 요청하시는 분들이 간혹 있다. 그 이야기는 앞단의 기술 면접은 잘 했다는 이야기인데 기술 면접과 최종 면접의 차이점은 무엇일까? 먼저 기술 면접에서는 당연히 기술적인 이야기와 업무를 중심으로 이야기한다고 하면 최종 면접에서는 더 상위 레벨의 이야기를 해야 하며 면접관의 입장에서 무엇이 궁금할지 생각해봐야 한다. 경영진의 관점에서는 기술적인 역량은 이미 검증이 된 것이고 이제 궁금한 것은 회사에 무슨 이유로 지원했고 얼마나 열정이 있고 우리가 원하는 인재상인지 얼마나 오래 같이 갈 것인지 여부 이다. 항상 나오는 질문은 왜 우리 회사에 지원하는지 이유를 물어보는 거다. 꼭 나름대로의 답변을 준비할 필요가 있다. 또 최종 면접에서는 어떤 질문을 하느냐가 앞단의 기술 면접보다 더 중요하다. 어느 정도 규모가 되는 회사라면 회사 홈페이지등을 통해 회사의 비전과 미션에 대해 알아보고 어떤 인재상을 갖고 있는지 알아보는 등 약간의 준비와 공부가 필요하다. 면접관에게 하는 질문도 기술적인 것 (이는 앞단의 기술 면접 때 물어보는 것이 맞다) 보다는 개인적인 창업이나 조인 동기에 대해 물어보는 것이 좋고 회사의 단기와 장기 목표에 대해 물어보는 것, 인재상에 대해 물어보는 것 등이 더 좋다. 다음으로 자신감을 가지고 긍정적인 톤으로 이야기하는 연습하는 것이 중요하다. 앞에 경력 단절이 있는 경우 그걸 너무 감추려 하거나 죄를 지은 것 처럼 생각하지 말고 당당하게 무슨 이유로 단절이 있고 무슨 준비를 하며 보냈는지 설명하면 된다.

최종 면접과 기술 면접의 차이점

토스 채용

토스 프론트엔드 플랫폼 팀과 함께 겨울방학동안 샘플 앱을 만들어가실 분을 찾는다고 합니다.

내년, 토스 프론트엔드 개발환경이 모두에게 공개된다고 해요.
공개 전 샘플앱을 만들면서 검증할 분을 찾나봐요!

자세한 사항은 아래 링크로!

https://toss.im/career/job-detail?job_id=6272708003

토스 프론트엔드 플랫폼 팀과 함께 겨울방학동안 샘플 앱을 만들어가실 분을 찾는다고 합니다. 내년, 토스 프론트엔드 개발환경이 모두에게 공개된다고 해요. 공개 전 샘플앱을 만들면서 검증할 분을 찾나봐요! 자세한 사항은 아래 링크로! https://toss.im/career/job-detail?job_id=6272708003

toss.im

토스 개발팀에서 겨울방학동안 샘플 앱 만드실분~

큰 장애를 냈어요. 사소한 실수였죠. 연봉을 뱉어내도 메울 수 없는 손실을 냈어요.

문제를 복구한 뒤 원인 분석을 위해 모였어요. 이상했어요. 아무도 저를 탓하지 않았거든요. 오히려 절 걱정해줬어요.

제 잘못이 아니라 프로세스의 문제라고 했어요. 일하는 법을 바꿔서 같은 상황을 만들지 않으면 되는 거라고 했어요.

또 하나 배웠어요. 때론 사람을 고치려 하지 말고 프로세스, 환경을 바꿔야 한다는 점을요.

큰 장애를 냈어요. 사소한 실수였죠. 연봉을 뱉어내도 메울 수 없는 손실을 냈어요. 문제를 복구한 뒤 원인 분석을 위해 모였어요. 이상했어요. 아무도 저를 탓하지 않았거든요. 오히려 절 걱정해줬어요. 제 잘못이 아니라 프로세스의 문제라고 했어요. 일하는 법을 바꿔서 같은 상황을 만들지 않으면 되는 거라고 했어요. 또 하나 배웠어요. 때론 사람을 고치려 하지 말고 프로세스, 환경을 바꿔야 한다는 점을요.

제가 잘못한 게 아니라고요?

때론 사람이 바뀌어야 프로세스가 지켜지고, 환경이 개선되더라고요

Grok-3 가 리만 가설을 증명했다고 xAI 팀이 포스팅을 했네요. 증명을 확인하기 위해 훈련을 중단하기로 결정했다는데요.

다만.. 만약 증명이 맞다면, AI가 너무 똑똑해서 인류에게 위험할 것이라서 훈련을 재개하지 않을 것이라는..일론 머스크 스러운 발언을 해서.. 신빙성이 가진 않습니다..만ㅋ

정말 증명이 맞다면 대단한 일이 되겠죠. 이달 말이나 12월에 구글이나 OpenAI에서도 뭔가 발표한다고 하고, 일단 뭐가됐든 연말은 재미날테니 팝콘은 준비해 봅시다. 😎🍿🥤

Grok-3 가 리만 가설을 증명했다고 xAI 팀이 포스팅을 했네요. 증명을 확인하기 위해 훈련을 중단하기로 결정했다는데요. 다만.. 만약 증명이 맞다면, AI가 너무 똑똑해서 인류에게 위험할 것이라서 훈련을 재개하지 않을 것이라는..일론 머스크 스러운 발언을 해서.. 신빙성이 가진 않습니다..만ㅋ 정말 증명이 맞다면 대단한 일이 되겠죠. 이달 말이나 12월에 구글이나 OpenAI에서도 뭔가 발표한다고 하고, 일단 뭐가됐든 연말은 재미날테니 팝콘은 준비해 봅시다. 😎🍿🥤

Scaling in the Clouds: Istio Ambient vs. Cilium

Istio에서 작성한 Istio Ambient 모드와 Cilium의 성능 비교 글입니다.

서비스 메시는 그동안 각 Pod에 사이드카로 컨테이너를 심어서 트래픽을 제어하는 방식에서 최근 몇년간은 사이드카를 사용하지 않는 방식으로 크게 바뀌고 있습니다. 기술의 발전이 있기도 했고 사이드카 방식은 모든 Pod에 컨테이너가 뜨다보니 리소스를 너무 많이 차지하는 문제도 있기 때문입니다.

서비스 메시에서 Istio가 가장 인기있긴 하지만 사이드카없는 다른 솔루션 등에 약간씩 뒤쳐지고 있었기에 Istio에서도 Sidecar 없는 방식으로 만들기 시작한게 Ambient 모드이고 지난 몇년동안 만들어서 이번에 나온 1.24에서 GA가 되었습니다.

그래서 Istio Ambient 모드와 Cilium을 비교하는 글을 작성한 것입니다.

Cilium은 eBPF와 WireGuard를 사용하지만 Istio Ambient는 ztunnel이라는 자체적으로 만든 기능을 사용해서 아키텍처는 아주 다르게 구성되어 있습니다.

성능 비교는 각 100개의 파드로 구성된 500개의 서비스를 만들고 Istio의 기능과 맞추기 위해 Cillium에도 WireGuard 암호화와 L7 프록시, 노드 초기화 등의 기능을 켰고 Istio는 Waypoint 프록시를 네임스페이스마다 설치했습니다.

테스트 결과 Istio Ambient 모드는 암호화 오버헤드를 켜도 안정성을 유지하면서 적절한 처리량을 유지했고 부하가 커지면 Istio Ambient가 CPU와 메모리를 훨씬 많이 사용하지만 부하가 적을때는 오히려 더 적게 사용했다.

https://istio.io/latest/blog/2024/ambient-vs-cilium/

Istio에서 작성한 Istio Ambient 모드와 Cilium의 성능 비교 글입니다. 서비스 메시는 그동안 각 Pod에 사이드카로 컨테이너를 심어서 트래픽을 제어하는 방식에서 최근 몇년간은 사이드카를 사용하지 않는 방식으로 크게 바뀌고 있습니다. 기술의 발전이 있기도 했고 사이드카 방식은 모든 Pod에 컨테이너가 뜨다보니 리소스를 너무 많이 차지하는 문제도 있기 때문입니다. 서비스 메시에서 Istio가 가장 인기있긴 하지만 사이드카없는 다른 솔루션 등에 약간씩 뒤쳐지고 있었기에 Istio에서도 Sidecar 없는 방식으로 만들기 시작한게 Ambient 모드이고 지난 몇년동안 만들어서 이번에 나온 1.24에서 GA가 되었습니다. 그래서 Istio Ambient 모드와 Cilium을 비교하는 글을 작성한 것입니다. Cilium은 eBPF와 WireGuard를 사용하지만 Istio Ambient는 ztunnel이라는 자체적으로 만든 기능을 사용해서 아키텍처는 아주 다르게 구성되어 있습니다. 성능 비교는 각 100개의 파드로 구성된 500개의 서비스를 만들고 Istio의 기능과 맞추기 위해 Cillium에도 WireGuard 암호화와 L7 프록시, 노드 초기화 등의 기능을 켰고 Istio는 Waypoint 프록시를 네임스페이스마다 설치했습니다. 테스트 결과 Istio Ambient 모드는 암호화 오버헤드를 켜도 안정성을 유지하면서 적절한 처리량을 유지했고 부하가 커지면 Istio Ambient가 CPU와 메모리를 훨씬 많이 사용하지만 부하가 적을때는 오히려 더 적게 사용했다. https://istio.io/latest/blog/2024/ambient-vs-cilium/

Istio

Kafka Streams는 Apache Kafka에서 제공하는 분산 스트리밍 처리 애플리케이션 라이브러리입니다. 이 라이브러리는 대규모 데이터 스트림을 실시간으로 처리하며 데이터 분석, 변환, 집계 같은 작업을 손쉽게 구현할 수 있도록 설계되었습니다.
 
이번 글에서는 Kafka Streams의 핵심 개념과 작동 방식을 초보자도 이해할 수 있도록 간단히 설명하겠습니다.
 
Kafka Streams란 무엇인가?
Kafka Streams는 실시간 스트리밍 데이터 처리를 위한 Apache Kafka의 클라이언트 라이브러리입니다.
복잡한 분산 시스템의 세부사항을 개발자가 직접 관리하지 않아도, 간단한 코드를 통해 실시간 데이터를 처리하고 분석할 수 있게 돕습니다. Kafka Streams는 데이터의 필터링, 변환, 집계 같은 작업을 쉽게 수행하도록 설계되었습니다.
 
[주요 특징]
 * 사용 편의성
 Kafka Streams는 Java 및 Scala 애플리케이션에서 라이브러리로 사용되며, 별도의 클러스터 관리가 필요 없습니다.
 * 확장성
 Kafka Streams는 자동으로 작업을 분산 처리하여 대량의 데이터도 안정적으로 처리할 수 있습니다.
 * 실시간 처리
 데이터를 수집하자마자 필터링, 변환, 집계 같은 작업을 즉시 수행할 수 있습니다.
 * 내결함성
 Kafka의 내장된 내결함성 메커니즘을 활용해 장애 발생 시에도 안정적으로 데이터를 처리할 수 있습니다.
 
기본 구성 요소
Kafka Streams 애플리케이션의 주요 개념은 다음과 같습니다.
 
[Stream]
Stream은 Kafka 토픽의 데이터를 나타냅니다. Kafka Streams에서 Stream은 끝없이 변화하는 레코드의 흐름으로, 예를 들어 사용자 클릭 로그나 센서 데이터를 생각할 수 있습니다.
 
[Stream Processing Topology]
Topology는 데이터 처리를 정의하는 연산의 구조입니다. 이는 데이터를 읽고, 변환하고, 결과를 저장하는 처리 흐름으로 구성됩니다.
 * Source Processor: Kafka 토픽에서 데이터를 읽습니다.
 * Stream Processor: 데이터를 변환하거나 처리합니다.
 * Sink Processor: 처리된 데이터를 다른 Kafka 토픽에 저장합니다.

[KStream과 KTable]
Kafka Streams에서 데이터를 표현하는 주요 데이터 구조입니다.
 * KStream: 레코드의 연속적인 스트림을 나타냅니다.
 예: Order 이벤트 스트림
 * KTable: 스트림에서 집계된 상태 데이터를 나타냅니다.
 예: 현재 재고 상태, 사용자 프로필
 
작동 방식
Kafka Streams 애플리케이션은 다음과 같은 단계를 거쳐 작동합니다.
 
1. Kafka 토픽에서 데이터를 읽어들입니다.
StreamsBuilder builder = new StreamsBuilder();
KStream<String, String> inputStream = builder.stream("input-topic");

 * StreamsBuilder는 데이터 처리를 정의하는 시작점입니다.
 * 위 코드에서 input-topic은 데이터를 가져올 Kafka 토픽입니다.
 
2. 데이터를 변환하거나 필터링합니다.
KStream<String, String> filteredStream = inputStream.filter(
 (key, value) -> value.contains("important")
);

 * filter 연산은 특정 조건에 맞는 데이터만 남깁니다. 예를 들어, 값에 "important"가 포함된 데이터만 필터링합니다.

3. 집계를 수행합니다.
KTable<String, Long> wordCounts = inputStream
 .flatMapValues(value -> Arrays.asList(value.split(" ")))
 .groupBy((key, word) -> word)
 .count();

 * 위 코드에서는 각 단어의 발생 횟수를 계산합니다. 이는 데이터를 분해(flatMap)하고, 그룹화한 후, 집계하는 과정을 포함합니다.

4. 처리된 데이터를 새로운 Kafka 토픽에 저장합니다.
filteredStream.to("output-topic");

 * to 연산을 사용하여 처리된 데이터를 output-topic으로 저장합니다.

5. Kafka Streams 애플리케이션을 시작합니다.
KafkaStreams streams = new KafkaStreams(builder.build(), props);
streams.start();

 
실제 활용 사례
Kafka Streams는 다양한 실시간 데이터 처리 작업에 사용됩니다.
 1. 로그 분석
 실시간으로 로그 데이터를 분석하여 오류를 감지하거나 성능을 모니터링합니다.
 2. IoT 데이터 처리
 센서 데이터를 수집하고, 이를 분석하여 실시간으로 알림을 생성합니다. 예: 온도 센서 데이터를 기반으로 경고 메시지 전송.
 3. 실시간 추천 시스템
 사용자 행동 데이터를 기반으로 즉각적인 추천을 제공합니다. 예: 특정 상품을 클릭하면 관련 상품 추천.
 4. 금융 거래 모니터링
 금융 거래 데이터를 실시간으로 처리하여 사기 행위를 탐지합니다. 예: 비정상적으로 큰 거래가 발생하면 경고를 생성.
 
장단점
[장점]
 * 간단한 API: 복잡한 코드를 작성하지 않고도 실시간 스트리밍 처리가 가능
 * 확장성: 대규모 데이터 처리에도 적합
 * Kafka와의 통합: Kafka와 긴밀히 통합되어 높은 성능을 보장
[단점]
 * 초기 학습 곡선: 스트리밍 처리 개념과 Kafka의 작동 방식을 이해해야 함
 * Java 기반: 다른 언어로 개발을 원하는 경우 제약이 있을 수 있음
 
결론
Kafka Streams는 실시간 스트리밍 데이터 처리의 강력한 도구입니다. 간단한 코드로 대규모 데이터를 안정적이고 효율적으로 처리할 수 있어 로그 분석, IoT 데이터 처리, 실시간 추천 시스템 등 다양한 분야에서 활용됩니다.
 
다음 포스팅에서는 KStream과 KTable을 활용한 데이터 스트림 간의 조인(Join) 방식에 대해 다루겠습니다. Inner Join, Left Join, Outer Join 같은 다양한 방식이 어떤 문제를 해결할 수 있는지 구체적인 예제와 함께 살펴볼 예정입니다.

본문: [https://ducktopia.tistory.com/140]

Kafka Streams는 Apache Kafka에서 제공하는 분산 스트리밍 처리 애플리케이션 라이브러리입니다. 이 라이브러리는 대규모 데이터 스트림을 실시간으로 처리하며 데이터 분석, 변환, 집계 같은 작업을 손쉽게 구현할 수 있도록 설계되었습니다.&nbsp;이번 글에서는 Kafka Streams의 핵심 개념과 작동 방식을 초보자도 이해할 수 있도록 간단히 설명하겠습니다.&nbsp;Kafka Streams란 무엇인가?Kafka Streams는 실시간 스트리밍 데이터 처리를 위한 Apache Kafka의 클라이언트 라이브러리입니다. 복잡한 분산 시스템의 세부사항을 개발자가 직접 관리하지 않아도, 간단한 코드를 통해 실시간 데이터를 처리하고 분석할 수 있게 돕습니다. Kafka Streams는 데이터의 필터링, 변환, 집계 같은 작업을 쉽게 수행하도록 설계되었습니다.&nbsp;[주요 특징]<ul ><li>사용 편의성 Kafka Streams는 Java 및 Scala 애플리케이션에서 라이브러리로 사용되며, 별도의 클러스터 관리가 필요 없습니다.</li><li>확장성 Kafka Streams는 자동으로 작업을 분산 처리하여 대량의 데이터도 안정적으로 처리할 수 있습니다.</li><li>실시간 처리 데이터를 수집하자마자 필터링, 변환, 집계 같은 작업을 즉시 수행할 수 있습니다.</li><li>내결함성 Kafka의 내장된 내결함성 메커니즘을 활용해 장애 발생 시에도 안정적으로 데이터를 처리할 수 있습니다.</li></ul>&nbsp;기본 구성 요소Kafka Streams 애플리케이션의 주요 개념은 다음과 같습니다.&nbsp;[Stream]Stream은 Kafka 토픽의 데이터를 나타냅니다. Kafka Streams에서 Stream은 끝없이 변화하는 레코드의 흐름으로, 예를 들어 사용자 클릭 로그나 센서 데이터를 생각할 수 있습니다.&nbsp;[Stream Processing Topology]Topology는 데이터 처리를 정의하는 연산의 구조입니다. 이는 데이터를 읽고, 변환하고, 결과를 저장하는 처리 흐름으로 구성됩니다.<ul ><li>Source Processor: Kafka 토픽에서 데이터를 읽습니다.</li><li>Stream Processor: 데이터를 변환하거나 처리합니다.</li><li>Sink Processor: 처리된 데이터를 다른 Kafka 토픽에 저장합니다.</li></ul> [KStream과 KTable]Kafka Streams에서 데이터를 표현하는 주요 데이터 구조입니다.<ul ><li>KStream: 레코드의 연속적인 스트림을 나타냅니다. 예: Order 이벤트 스트림</li><li>KTable: 스트림에서 집계된 상태 데이터를 나타냅니다. 예: 현재 재고 상태, 사용자 프로필</li></ul>&nbsp;작동 방식Kafka Streams 애플리케이션은 다음과 같은 단계를 거쳐 작동합니다.&nbsp;1. Kafka 토픽에서 데이터를 읽어들입니다.<pre ><code class="language-java">StreamsBuilder builder = new StreamsBuilder();
KStream&lt;String, String&gt; inputStream = builder.stream("input-topic");</code></pre><ul ><li>StreamsBuilder는 데이터 처리를 정의하는 시작점입니다.</li><li>위 코드에서 input-topic은 데이터를 가져올 Kafka 토픽입니다.</li></ul>&nbsp;2. 데이터를 변환하거나 필터링합니다.<pre ><code class="language-java">KStream&lt;String, String&gt; filteredStream = inputStream.filter(
 (key, value) -&gt; value.contains("important")
);</code></pre><ul ><li>filter 연산은 특정 조건에 맞는 데이터만 남깁니다. 예를 들어, 값에 "important"가 포함된 데이터만 필터링합니다.</li></ul> 3. 집계를 수행합니다.<pre ><code class="language-java">KTable&lt;String, Long&gt; wordCounts = inputStream
 .flatMapValues(value -&gt; Arrays.asList(value.split(" ")))
 .groupBy((key, word) -&gt; word)
 .count();</code></pre><ul ><li>위 코드에서는 각 단어의 발생 횟수를 계산합니다. 이는 데이터를 분해(flatMap)하고, 그룹화한 후, 집계하는 과정을 포함합니다.</li></ul> 4. 처리된 데이터를 새로운 Kafka 토픽에 저장합니다.<pre ><code class="language-java">filteredStream.to("output-topic");</code></pre><ul ><li>to 연산을 사용하여 처리된 데이터를 output-topic으로 저장합니다.</li></ul> 5. Kafka Streams 애플리케이션을 시작합니다.<pre ><code class="language-java">KafkaStreams streams = new KafkaStreams(builder.build(), props);
streams.start();</code></pre>&nbsp;실제 활용 사례Kafka Streams는 다양한 실시간 데이터 처리 작업에 사용됩니다.<ol ><li>로그 분석 실시간으로 로그 데이터를 분석하여 오류를 감지하거나 성능을 모니터링합니다.</li><li>IoT 데이터 처리 센서 데이터를 수집하고, 이를 분석하여 실시간으로 알림을 생성합니다. 예: 온도 센서 데이터를 기반으로 경고 메시지 전송.</li><li>실시간 추천 시스템 사용자 행동 데이터를 기반으로 즉각적인 추천을 제공합니다. 예: 특정 상품을 클릭하면 관련 상품 추천.</li><li>금융 거래 모니터링 금융 거래 데이터를 실시간으로 처리하여 사기 행위를 탐지합니다. 예: 비정상적으로 큰 거래가 발생하면 경고를 생성.</li></ol>&nbsp;장단점[장점]<ul ><li>간단한 API: 복잡한 코드를 작성하지 않고도 실시간 스트리밍 처리가 가능</li><li>확장성: 대규모 데이터 처리에도 적합</li><li>Kafka와의 통합: Kafka와 긴밀히 통합되어 높은 성능을 보장</li></ul>[단점]<ul ><li>초기 학습 곡선: 스트리밍 처리 개념과 Kafka의 작동 방식을 이해해야 함</li><li>Java 기반: 다른 언어로 개발을 원하는 경우 제약이 있을 수 있음</li></ul>&nbsp;결론Kafka Streams는 실시간 스트리밍 데이터 처리의 강력한 도구입니다. 간단한 코드로 대규모 데이터를 안정적이고 효율적으로 처리할 수 있어 로그 분석, IoT 데이터 처리, 실시간 추천 시스템 등 다양한 분야에서 활용됩니다.&nbsp;다음 포스팅에서는 KStream과 KTable을 활용한 데이터 스트림 간의 조인(Join) 방식에 대해 다루겠습니다. Inner Join, Left Join, Outer Join 같은 다양한 방식이 어떤 문제를 해결할 수 있는지 구체적인 예제와 함께 살펴볼 예정입니다. 본문: [https://ducktopia.tistory.com/140]

🕊️ Kafka Streams: 실시간 데이터 처리를 위한 도구

What is Retrieval Augmented Generation (RAG)?   Retrieval Augmented Generation (RAG) is an...

7 AI Open Source Libraries To Build RAG, Agents & AI Search

🎃 검색 증강 생성(RAG)이란 무엇인가?
 * 관련 정보 검색과 응답 생성을 결합한 AI 기술
 * 먼저 외부 소스(문서나 데이터베이스 등)에서 데이터를 검색한 다음 이 정보를 사용하여 보다 정확하고 문맥에 맞는 답변을 생성하는 방식으로 작동
 * AI는 학습된 내용에만 의존하지 않고 사실에 기반한 더 나은 답변 제공 지원

🎃 검색 증강 생성(RAG)은 어떻게 작동하나?
 1. 사용자 질문 > RAG는 데이터베이스, 웹사이트, 문서 등 다양한 데이터 소스를 검색통해 관련 정보 서치
 2. 검색된 정보 + 원래 질문 = 더 많은 정보를 제공하는 프롬프트 생성
 3. 이렇게 향상된 프롬프트 > 언어 모델에 입력 > 질문과 관련성이 높고 검색된 정보가 보강된 답변 생성
 4. 이 프로세스를 통해 AI는 사전 학습된 기능과 함께 외부 지식 소스를 활용하여 보다 정확하고 최신의 문맥 인식 답변 제공
    
    
🎃 검색 증강 생성(RAG)은 AI 모델에 어떤 도움을 주나?
RAG는 실제 세계의 외부 데이터로 내부 지식을 보강하여 AI의 신뢰성과 최신성을 높입니다. 또한 RAG는 몇 가지 주요 방식으로 AI 모델을 개선합니다:
 1. 최신 정보에 대한 액세스: RAG는 문서, 데이터베이스 또는 웹과 같은 외부 소스에서 관련성 있는 실시간 정보 검색. 즉, AI는 학습 데이터가 오래된 경우에도 정확한 응답 제공 가능
 2. 정확도 향상: RAG는 AI의 학습된 지식에만 의존하지 않고 가장 관련성이 높은 데이터를 기반으로 모델이 답변을 생성. 따라서 답변이 더욱 정확하고 사실에 근거함
 3. 문맥 이해도 향상: 검색된 데이터를 사용자의 쿼리와 결합함으로써 RAG는 보다 맥락에 맞는 답변을 제공할 수 있으므로 AI의 답변이 상황에 더욱 맞춤화되고 구체적
 4. 환각 감소: 순수 AI 모델은 때때로 정보를 '환각'하거나 구성하는 경우가 있는데, RAG는 검색된 사실적인 데이터에 근거하여 응답함으로써 부정확하거나 조작된 정보의 가능성 줄임

🎃 검색 증강 생성을 위한 7가지 오픈 소스 라이브러리
RAG를 수행하는 데 도움이 되는 몇 가지 오픈 소스 라이브러리는 문서 색인부터 검색, 언어 모델과의 통합에 이르기까지 RAG 시스템을 효율적으로 구현하는 데 필요한 도구와 프레임워크를 제공합니다.
1. SWIRL
 * https://github.com/swirlai/swirl-search
 * 검색 증강 세대(RAG) 애플리케이션을 구동하는 오픈 소스 AI 인프라 소프트웨어
 * 특징
   * 데이터를 이동하거나 복사하지 않고도 데이터 소스 전반에서 빠르고 안전하게 검색할 수 있게 함으로써 AI 파이프라인 향상
   * SWIRL은 방화벽 내부에서 작동하여 데이터 보안을 보장하는 동시에 구현 간편하여 프라이빗 클라우드 내에서 빠르고 안전하게 AI 배포
   * 20개 이상의 대규모 언어 모델(LLM)과 원활하게 통합
   * 안전한 데이터 액세스 및 규정 준수를 위해 구축
   * 100개 이상의 애플리케이션에서 데이터 가져오기 지원
2. Cognita
 * https://github.com/truefoundry/cognita
 * 프로덕션에 바로 사용할 수 있는 모듈식 검색 증강 세대(RAG) 시스템을 구축하기 위한 오픈 소스 프레임워크
 * 특징
   * RAG 구성 요소를 구성하여 로컬에서 쉽게 테스트하고 대규모 배포
   * 다양한 문서 검색기, 임베딩을 지원하며 완전한 API 기반이므로 다른 시스템과 원활하게 통합
   * 확장 가능한 RAG 시스템을 위한 모듈식 설계
   * 비전문가도 문서 및 Q&A와 상호작용할 수 있는 UI
   * 증분 인덱싱으로 변경 사항을 추적하여 컴퓨팅 부하 낮춤
3. LLM-Ware
 * https://github.com/llmware-ai/llmware
 * 엔터프라이즈급 검색 증강 생성(RAG) 파이프라인을 구축하기 위한 오픈 소스 프레임워크
 * 특징
   * 비공개로 안전하게 배포할 수 있는 소규모의 전문화된 모델을 통합하도록 설계되어 복잡한 엔터프라이즈 워크플로우에 적합
   * 엔터프라이즈 작업에 최적화된 50개 이상의 미세 조정된 소규모 모델 제공
   * 확장 가능한 모듈식 RAG 아키텍처 지원
   * GPU 없이도 실행할 수 있어 경량 배포 가능
4. RAG Flow
 * https://github.com/infiniflow/ragflow
 * 심층적인 문서 이해를 이용한 검색 증강 생성(RAG)에 초점을 맞춘 오픈 소스 엔진
 * 특징
   * 이 엔진을 통해 사용자는 정형 및 비정형 데이터를 통합하여 인용에 기반한 효과적인 질의응답 가능
   * 이 시스템은 간편한 배포 옵션과 함께 확장 가능한 모듈식 아키텍처 제공
   * 복잡한 데이터 형식을 처리할 수 있는 심층적인 문서 이해 기능 내장
   * 환각 위험을 줄인 근거 기반 인용
   * PDF, 이미지, 구조화된 데이터 등 다양한 문서 유형 지원
5. 그래프 RAG
 * https://github.com/microsoft/graphrag
 * 구조화된 지식 그래프를 통합하여 LLM 결과를 향상시키도록 설계된 모듈식 그래프 기반 검색 증강 생성(RAG) 시스템
 * 특징
   * 개인 데이터로 고급 추론을 지원하므로 기업 및 연구 애플리케이션에 이상적
   * 지식 그래프를 사용해 데이터 검색을 구조화하고 향상
   * 비공개 데이터 처리가 필요한 복잡한 엔터프라이즈 사용 사례에 맞게 맞춤화
   * 대규모 배포를 위해 Microsoft Azure와의 통합지원
6. Haystack
 * https://github.com/deepset-ai/haystack
 * 프로덕션에 바로 사용할 수 있는 LLM 애플리케이션을 구축하기 위한 오픈 소스 AI 오케스트레이션 프레임워크
 * 특징
   * 사용자는 모델, 벡터 데이터베이스, 파일 변환기를 연결하여 RAG, 질문 답변, 시맨틱 검색과 같은 고급 시스템 구축 가능
   * 검색, 임베딩, 추론 작업을 위한 유연한 파이프라인
   * 다양한 벡터 데이터베이스 및 LLM과의 통합 지원
   * 기성 모델과 미세 조정된 모델을 모두 사용자 정의
7. Storm
 * https://github.com/stanford-oval/storm
 * 한 주제를 조사하고 인용이 포함된 전체 길이의 보고서를 생성하는 LLM 기반 지식 큐레이션 시스템
 * 특징
   * 고급 검색 방법을 통합하고 다각도의 질문을 지원하여 생성된 콘텐츠의 깊이와 정확성을 향상
   * 근거에 입각한 인용을 통해 위키백과와 유사한 문서 생성
   * 인간과 AI의 협업 지식 큐레이션 지원
   * 외부 검색 소스를 지원하는 모듈식 설계

🎃 검색 증강 생성의 과제
 * 데이터 연관성: 검색된 문서가 쿼리와 관련성이 높은지 확인하는 것은 특히 규모가 크거나 노이즈가 많은 데이터 세트의 경우 문제 가능성
 * 지연 시간: 외부 소스를 검색하면 오버헤드가 추가되어 특히 실시간 애플리케이션에서 응답 시간이 느려질 가능성
 * 데이터 품질: 품질이 낮거나 오래된 데이터는 부정확하거나 오해의 소지가 있는 AI 생성 응답으로 이어질 가능성
 * 확장성: 성능을 유지하면서 대규모 데이터 세트와 높은 사용자 트래픽을 처리하는 것은 복잡 가능성
 * 보안: 특히 기업 환경에서는 데이터 프라이버시를 보장하고 민감한 정보를 안전하게 처리하는 것이 매우 중요

보다 상세한 내용은 원문을 참고하셔도 좋습니다. ^^
 * source: https://dev.to/vectorpodcast/7-ai-open-source-libraries-to-build-rag-agents-ai-search-27bm?context=digest

🎃 검색 증강 생성(RAG)이란 무엇인가?<ul ><li>관련 정보 검색과 응답 생성을 결합한 AI 기술</li><li>먼저 외부 소스(문서나 데이터베이스 등)에서 데이터를 검색한 다음 이 정보를 사용하여 보다 정확하고 문맥에 맞는 답변을 생성하는 방식으로 작동</li><li>AI는 학습된 내용에만 의존하지 않고 사실에 기반한 더 나은 답변 제공 지원</li></ul> 🎃 검색 증강 생성(RAG)은 어떻게 작동하나?<ol ><li>사용자 질문 &gt; RAG는 데이터베이스, 웹사이트, 문서 등 다양한 데이터 소스를 검색통해 관련 정보 서치 </li><li>검색된 정보 + 원래 질문 = 더 많은 정보를 제공하는 프롬프트 생성</li><li>이렇게 향상된 프롬프트 &gt; 언어 모델에 입력 &gt; 질문과 관련성이 높고 검색된 정보가 보강된 답변 생성 </li><li>이 프로세스를 통해 AI는 사전 학습된 기능과 함께 외부 지식 소스를 활용하여 보다 정확하고 최신의 문맥 인식 답변 제공 </li></ol>🎃 검색 증강 생성(RAG)은 AI 모델에 어떤 도움을 주나?RAG는 실제 세계의 외부 데이터로 내부 지식을 보강하여 AI의 신뢰성과 최신성을 높입니다. 또한 RAG는 몇 가지 주요 방식으로 AI 모델을 개선합니다:<ol ><li>최신 정보에 대한 액세스: RAG는 문서, 데이터베이스 또는 웹과 같은 외부 소스에서 관련성 있는 실시간 정보 검색. 즉, AI는 학습 데이터가 오래된 경우에도 정확한 응답 제공 가능</li><li>정확도 향상: RAG는 AI의 학습된 지식에만 의존하지 않고 가장 관련성이 높은 데이터를 기반으로 모델이 답변을 생성. 따라서 답변이 더욱 정확하고 사실에 근거함</li><li>문맥 이해도 향상: 검색된 데이터를 사용자의 쿼리와 결합함으로써 RAG는 보다 맥락에 맞는 답변을 제공할 수 있으므로 AI의 답변이 상황에 더욱 맞춤화되고 구체적</li><li>환각 감소: 순수 AI 모델은 때때로 정보를 '환각'하거나 구성하는 경우가 있는데, RAG는 검색된 사실적인 데이터에 근거하여 응답함으로써 부정확하거나 조작된 정보의 가능성 줄임</li></ol> 🎃 검색 증강 생성을 위한 7가지 오픈 소스 라이브러리RAG를 수행하는 데 도움이 되는 몇 가지 오픈 소스 라이브러리는 문서 색인부터 검색, 언어 모델과의 통합에 이르기까지 RAG 시스템을 효율적으로 구현하는 데 필요한 도구와 프레임워크를 제공합니다.1. SWIRL<ul ><li>https://github.com/swirlai/swirl-search</li><li>검색 증강 세대(RAG) 애플리케이션을 구동하는 오픈 소스 AI 인프라 소프트웨어</li><li>특징<ul ><li>데이터를 이동하거나 복사하지 않고도 데이터 소스 전반에서 빠르고 안전하게 검색할 수 있게 함으로써 AI 파이프라인 향상</li><li>SWIRL은 방화벽 내부에서 작동하여 데이터 보안을 보장하는 동시에 구현 간편하여 프라이빗 클라우드 내에서 빠르고 안전하게 AI 배포</li><li>20개 이상의 대규모 언어 모델(LLM)과 원활하게 통합</li><li>안전한 데이터 액세스 및 규정 준수를 위해 구축</li><li>100개 이상의 애플리케이션에서 데이터 가져오기 지원</li></ul></li></ul>2. Cognita<ul ><li>https://github.com/truefoundry/cognita</li><li>프로덕션에 바로 사용할 수 있는 모듈식 검색 증강 세대(RAG) 시스템을 구축하기 위한 오픈 소스 프레임워크</li><li>특징<ul ><li>RAG 구성 요소를 구성하여 로컬에서 쉽게 테스트하고 대규모 배포</li><li>다양한 문서 검색기, 임베딩을 지원하며 완전한 API 기반이므로 다른 시스템과 원활하게 통합</li><li>확장 가능한 RAG 시스템을 위한 모듈식 설계</li><li>비전문가도 문서 및 Q&amp;A와 상호작용할 수 있는 UI</li><li>증분 인덱싱으로 변경 사항을 추적하여 컴퓨팅 부하 낮춤</li></ul></li></ul>3. LLM-Ware<ul ><li>https://github.com/llmware-ai/llmware</li><li>엔터프라이즈급 검색 증강 생성(RAG) 파이프라인을 구축하기 위한 오픈 소스 프레임워크</li><li>특징<ul ><li>비공개로 안전하게 배포할 수 있는 소규모의 전문화된 모델을 통합하도록 설계되어 복잡한 엔터프라이즈 워크플로우에 적합</li><li>엔터프라이즈 작업에 최적화된 50개 이상의 미세 조정된 소규모 모델 제공</li><li>확장 가능한 모듈식 RAG 아키텍처 지원</li><li>GPU 없이도 실행할 수 있어 경량 배포 가능</li></ul></li></ul>4. RAG Flow<ul ><li>https://github.com/infiniflow/ragflow</li><li>심층적인 문서 이해를 이용한 검색 증강 생성(RAG)에 초점을 맞춘 오픈 소스 엔진</li><li>특징<ul ><li>이 엔진을 통해 사용자는 정형 및 비정형 데이터를 통합하여 인용에 기반한 효과적인 질의응답 가능</li><li>이 시스템은 간편한 배포 옵션과 함께 확장 가능한 모듈식 아키텍처 제공</li><li>복잡한 데이터 형식을 처리할 수 있는 심층적인 문서 이해 기능 내장</li><li>환각 위험을 줄인 근거 기반 인용</li><li>PDF, 이미지, 구조화된 데이터 등 다양한 문서 유형 지원</li></ul></li></ul>5. 그래프 RAG<ul ><li>https://github.com/microsoft/graphrag</li><li>구조화된 지식 그래프를 통합하여 LLM 결과를 향상시키도록 설계된 모듈식 그래프 기반 검색 증강 생성(RAG) 시스템</li><li>특징<ul ><li>개인 데이터로 고급 추론을 지원하므로 기업 및 연구 애플리케이션에 이상적</li><li>지식 그래프를 사용해 데이터 검색을 구조화하고 향상</li><li>비공개 데이터 처리가 필요한 복잡한 엔터프라이즈 사용 사례에 맞게 맞춤화</li><li>대규모 배포를 위해 Microsoft Azure와의 통합지원</li></ul></li></ul>6. Haystack<ul ><li>https://github.com/deepset-ai/haystack</li><li>프로덕션에 바로 사용할 수 있는 LLM 애플리케이션을 구축하기 위한 오픈 소스 AI 오케스트레이션 프레임워크</li><li>특징<ul ><li>사용자는 모델, 벡터 데이터베이스, 파일 변환기를 연결하여 RAG, 질문 답변, 시맨틱 검색과 같은 고급 시스템 구축 가능</li><li>검색, 임베딩, 추론 작업을 위한 유연한 파이프라인</li><li>다양한 벡터 데이터베이스 및 LLM과의 통합 지원</li><li>기성 모델과 미세 조정된 모델을 모두 사용자 정의</li></ul></li></ul>7. Storm<ul ><li>https://github.com/stanford-oval/storm</li><li>한 주제를 조사하고 인용이 포함된 전체 길이의 보고서를 생성하는 LLM 기반 지식 큐레이션 시스템</li><li>특징<ul ><li>고급 검색 방법을 통합하고 다각도의 질문을 지원하여 생성된 콘텐츠의 깊이와 정확성을 향상</li><li>근거에 입각한 인용을 통해 위키백과와 유사한 문서 생성</li><li>인간과 AI의 협업 지식 큐레이션 지원</li><li>외부 검색 소스를 지원하는 모듈식 설계</li></ul></li></ul> 🎃 검색 증강 생성의 과제<ul ><li>데이터 연관성: 검색된 문서가 쿼리와 관련성이 높은지 확인하는 것은 특히 규모가 크거나 노이즈가 많은 데이터 세트의 경우 문제 가능성</li><li>지연 시간: 외부 소스를 검색하면 오버헤드가 추가되어 특히 실시간 애플리케이션에서 응답 시간이 느려질 가능성</li><li>데이터 품질: 품질이 낮거나 오래된 데이터는 부정확하거나 오해의 소지가 있는 AI 생성 응답으로 이어질 가능성</li><li>확장성: 성능을 유지하면서 대규모 데이터 세트와 높은 사용자 트래픽을 처리하는 것은 복잡 가능성</li><li>보안: 특히 기업 환경에서는 데이터 프라이버시를 보장하고 민감한 정보를 안전하게 처리하는 것이 매우 중요</li></ul> 보다 상세한 내용은 원문을 참고하셔도 좋습니다. ^^<ul ><li>source: https://dev.to/vectorpodcast/7-ai-open-source-libraries-to-build-rag-agents-ai-search-27bm?context=digest</li></ul>

DEV Community

[DEV]RAG를 수행하기 위한 7가지 AI 오픈소스 라이브러리

글 잘 읽었습니다! 혹시 랭체인의 에이전트 기능도 RAG의 종류라고 볼 수 있나요?

사용자가 공유한 콘텐츠

STORM은 AI를 활용해 Wikipedia 스타일의 연구 리포트를 자동으로 생성하는 서비스입니다. 복잡한 주제도 단 3분 만에 포괄적인 논문으로 만들어내며, 모든 내용은 PDF 형식으로 다운로드가 가능합니다.

특히 주목할 만한 점은 논문 내 모든 인용문에 대한 원본 출처 확인이 가능해 신뢰성을 검증할 수 있다는 건데요. 과학 연구부터 문헌 조사까지 폭넓은 활용이 가능한 만큼, 연구자들의 초기 자료 수집과 정리 과정에 도움이 될 것으로 기대됩니다.

현재는 무료라고 하네요!

https://storm.genie.stanford.edu/

STORM은 AI를 활용해 Wikipedia 스타일의 연구 리포트를 자동으로 생성하는 서비스입니다. 복잡한 주제도 단 3분 만에 포괄적인 논문으로 만들어내며, 모든 내용은 PDF 형식으로 다운로드가 가능합니다. 특히 주목할 만한 점은 논문 내 모든 인용문에 대한 원본 출처 확인이 가능해 신뢰성을 검증할 수 있다는 건데요. 과학 연구부터 문헌 조사까지 폭넓은 활용이 가능한 만큼, 연구자들의 초기 자료 수집과 정리 과정에 도움이 될 것으로 기대됩니다. 현재는 무료라고 하네요! https://storm.genie.stanford.edu/

storm.genie.stanford.edu

3분 만에 리서치 끝, 스탠포드의 AI 리서치 도구 'STORM'

이번 [GitHub Unverse 24](https://githubuniverse.com/)에 참석차 미국 샌프란시스코에 갔다 왔다.



매년 해외 콘퍼런스에 참석하는 편이지만 올해는 6월에 [Datadog Dash](https://blog.outsider.ne.kr/1727)...

GitHub Universe 2024 참석기 #1: Day 0, 1 :: Outsider's Dev Story

지난 10월에 샌프란시스코에서 열린 GitHub Universe에 참석하게 되어 참석한 경험을 정리하고 있습니다. 1편에서는 Day 0과 Day 1에 느낀 것을 정리해봤습니다.

https://blog.outsider.ne.kr/1740

지난 10월에 샌프란시스코에서 열린 GitHub Universe에 참석하게 되어 참석한 경험을 정리하고 있습니다. 1편에서는 Day 0과 Day 1에 느낀 것을 정리해봤습니다. https://blog.outsider.ne.kr/1740

Outsider's Dev Story

Redis는 Java 애플리케이션에서 캐싱, 세션 관리, 실시간 데이터 저장소로 자주 사용됩니다. Redis 클라이언트에서 데이터를 저장하거나 가져올 때, 데이터는 반드시 직렬화되어야 합니다. 직렬화 방식은 성능과 코드의 유지보수에 큰 영향을 미치기 때문에 잘 선택해야 합니다. 이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다. JdkSerializationRedisSerializerJDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다.  장점:Java ..

Java Redis 직렬화 삼총사: Json, String, JDK

이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다.
 
JdkSerializationRedisSerializer
JDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다. 
 
장점:
 * Java 내장 기능이라 별도의 라이브러리 필요 없음
 * 복잡한 객체 구조도 쉽게 직렬화 가능
단점:
 * 직렬화된 데이터가 상대적으로 큼
 * 직렬화/역직렬화 과정이 비교적 느림
public class RedisConfig {
 public RedisTemplate<String, Object> redisTemplate() {
 RedisTemplate<String, Object> template = new RedisTemplate<>();
 template.setValueSerializer(new JdkSerializationRedisSerializer());
 // 기타 설정
 return template;
 }
} 

저장되는 형태
127.0.0.1:6379> GET user:2
"\xac\xed\x00\x05sr\x00\x04User...\x78\x6f"

 
StringRedisSerializer
String 직렬화는 데이터를 문자열 형태로 저장하는 방식입니다. 이 방식은 간단하고 가볍기 때문에 기본적인 키-값 저장에 적합합니다. 직렬화 과정 없이 단순히 데이터를 문자열로 변환하여 Redis에 저장합니다.
 
장점:
 * 속도가 빠르고 갑벼움
 * 데이터가 사람이 읽을 수 있어 디버깅이 쉬움
단점:
 * 객체 직렬화에 비해 유연성이 떨어짐
 * 복잡한 데이터 구조에는 적합하지 않음 
import org.springframework.data.redis.serializer.StringRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate<String, String> redisTemplate() {
 RedisTemplate<String, String> template = new RedisTemplate<>();
 template.setKeySerializer(new StringRedisSerializer());
 template.setValueSerializer(new StringRedisSerializer());
 // 기타 설정
 return template;
 }
}

저장되는 형태
127.0.0.1:6379> GET message
"Hello, World!"

 
GenericJackson2JsonRedisSerializer
JSON 직렬화는 객체를 JSON 문자열로 변환하는 방식입니다. JSON은 가볍고 사람이 읽을 수 있으며 다양한 언어와 호환이 잘 됩니다. Jackson 라이브러리 등을 활용해 손쉽게 구현할 수 있습니다.
 
장점:
 * 데이터 포맷이 가볍고 사람이 읽기 쉬움
 * 다양한 언어 간 호환성 우수
 * 객체 타입을 손쉽게 복원 가능
단점:
 * 데이터 크기가 텍스트 기반이라 다소 클 수 있음
 * 이진 데이터보다는 느림
import org.springframework.data.redis.serializer.GenericJackson2JsonRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate<String, Object> redisTemplate() {
 RedisTemplate<String, Object> template = new RedisTemplate<>();
 template.setValueSerializer(new GenericJackson2JsonRedisSerializer());
 // 기타 설정
 return template;
 }
}

저장되는 형태
127.0.0.1:6379> GET user:1
"{\"@class\":\"com.example.User\",\"name\":\"Alice\",\"age\":25}"

 
케이스별 선택
 * 여러 언어와의 호환성: GenericJackson2JsonRedisSerializer 추천
 * 같은 언어(Java) 간 데이터 공유: GenericJackson2JsonRedisSerializer 또는 JdkSerializationRedisSerializer 추천
 * 단순 데이터: StringRedisSerializer 추천
 * 복잡한 객체 또는 Java 전용 데이터: JdkSerializationRedisSerializer (단, 모든 서비스가 Java인 경우에만)
 
저 같은 경우는 서로 다른 서비스에서 동일한 Redis 클러스터를 사용하고 있었습니다. 동일한 프로젝트가 아니었기에 JdkSerializationRedisSerializer은 사용할 수 없었고, 간단한 데이터도 아니었기에 String을 선택하기에도 어려웠습니다.
 
결국 GenericJackson2JsonRedisSerializer를 선택하였는데, 기본적으로 포함되는 @class 속성은 데이터의 타입 정보를 제공하지만, 다른 서비스에서 필요하지 않았습니다. 이를 비활성화하려면 ObjectMapper 설정을 통해 커스터마이징할 수 있습니다.

이번 포스팅에서는 Java에서 Redis 직렬화 시 자주 사용하는 방법들을 비교하고 각 방식의 특징과 예제를 설명합니다.&nbsp;JdkSerializationRedisSerializerJDK 기본 직렬화는 Java 표준 라이브러리에서 제공하는 java.io.Serializable 인터페이스를 사용하여 객체를 바이트 스트림으로 변환하는 방식입니다. 이 방식은 사용하기 편리하지만, 다소 무거운 오버헤드가 있을 수 있습니다.&nbsp;&nbsp;장점:<ul ><li>Java 내장 기능이라 별도의 라이브러리 필요 없음</li><li>복잡한 객체 구조도 쉽게 직렬화 가능</li></ul>단점:<ul ><li>직렬화된 데이터가 상대적으로 큼</li><li>직렬화/역직렬화 과정이 비교적 느림</li></ul><pre ><code class="language-java">public class RedisConfig {
 public RedisTemplate&lt;String, Object&gt; redisTemplate() {
 RedisTemplate&lt;String, Object&gt; template = new RedisTemplate&lt;&gt;();
 template.setValueSerializer(new JdkSerializationRedisSerializer());
 // 기타 설정
 return template;
 }
}&nbsp;</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET user:2
"\xac\xed\x00\x05sr\x00\x04User...\x78\x6f"</code></pre>&nbsp;StringRedisSerializerString 직렬화는 데이터를 문자열 형태로 저장하는 방식입니다. 이 방식은 간단하고 가볍기 때문에 기본적인 키-값 저장에 적합합니다. 직렬화 과정 없이 단순히 데이터를 문자열로 변환하여 Redis에 저장합니다.&nbsp;장점:<ul ><li>속도가 빠르고 갑벼움</li><li>데이터가 사람이 읽을 수 있어 디버깅이 쉬움</li></ul>단점:<ul ><li>객체 직렬화에 비해 유연성이 떨어짐</li><li>복잡한 데이터 구조에는 적합하지 않음&nbsp;</li></ul><pre ><code class="language-java">import org.springframework.data.redis.serializer.StringRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate&lt;String, String&gt; redisTemplate() {
 RedisTemplate&lt;String, String&gt; template = new RedisTemplate&lt;&gt;();
 template.setKeySerializer(new StringRedisSerializer());
 template.setValueSerializer(new StringRedisSerializer());
 // 기타 설정
 return template;
 }
}</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET message
"Hello, World!"</code></pre>&nbsp;GenericJackson2JsonRedisSerializerJSON 직렬화는 객체를 JSON 문자열로 변환하는 방식입니다. JSON은 가볍고 사람이 읽을 수 있으며 다양한 언어와 호환이 잘 됩니다. Jackson 라이브러리 등을 활용해 손쉽게 구현할 수 있습니다.&nbsp;장점:<ul ><li>데이터 포맷이 가볍고 사람이 읽기 쉬움</li><li>다양한 언어 간 호환성 우수</li><li>객체 타입을 손쉽게 복원 가능</li></ul>단점:<ul ><li>데이터 크기가 텍스트 기반이라 다소 클 수 있음</li><li>이진 데이터보다는 느림</li></ul><pre ><code class="language-java">import org.springframework.data.redis.serializer.GenericJackson2JsonRedisSerializer;
import org.springframework.data.redis.core.RedisTemplate;

public class RedisConfig {
 public RedisTemplate&lt;String, Object&gt; redisTemplate() {
 RedisTemplate&lt;String, Object&gt; template = new RedisTemplate&lt;&gt;();
 template.setValueSerializer(new GenericJackson2JsonRedisSerializer());
 // 기타 설정
 return template;
 }
}</code></pre>저장되는 형태<pre ><code class="language-ruby">127.0.0.1:6379&gt; GET user:1
"{\"@class\":\"com.example.User\",\"name\":\"Alice\",\"age\":25}"</code></pre>&nbsp;케이스별 선택<ul ><li>여러 언어와의 호환성: GenericJackson2JsonRedisSerializer 추천</li><li>같은 언어(Java) 간 데이터 공유: GenericJackson2JsonRedisSerializer 또는 JdkSerializationRedisSerializer 추천</li><li>단순 데이터: StringRedisSerializer 추천</li><li>복잡한 객체 또는 Java 전용 데이터: JdkSerializationRedisSerializer (단, 모든 서비스가 Java인 경우에만)</li></ul>&nbsp;저 같은 경우는 서로 다른 서비스에서 동일한 Redis 클러스터를 사용하고 있었습니다. 동일한 프로젝트가 아니었기에 JdkSerializationRedisSerializer은 사용할 수 없었고, 간단한 데이터도 아니었기에 String을 선택하기에도 어려웠습니다.&nbsp;결국 GenericJackson2JsonRedisSerializer를 선택하였는데, 기본적으로 포함되는 @class 속성은 데이터의 타입 정보를 제공하지만, 다른 서비스에서 필요하지 않았습니다. 이를 비활성화하려면 ObjectMapper 설정을 통해 커스터마이징할 수 있습니다.

덕토피아

🕊️ Java Redis직렬화 삼총사: Json, String, 

Hibernate 는 지연 로딩, 캐싱, 쿼리 순서 최적화 등 개발자가 애플리케이션 개발에만 집중할 수 있도록 여러가지 편의 기능을 제공합니다. 저는 오늘 이 ‘편의 기능’ 때문에 ‘불편해진’ 경험들에 대해 이야기 해보려 합니다.

Hibernate 의 ‘불편한’ 편의 기능들

JPA(Hibernate)를 사용하면서 생긴 불평불만들
Hibernate 는 정말 좋은 프레임워크일까?
https://medium.com/@hyeon9mak/hibernate-%EC%9D%98-%EB%B6%88%ED%8E%B8%ED%95%9C-%ED%8E%B8%EC%9D%98-%EA%B8%B0%EB%8A%A5%EB%93%A4-06a1fbc7492a

JPA(Hibernate)를 사용하면서 생긴 불평불만들Hibernate 는 정말 좋은 프레임워크일까?https://medium.com/@hyeon9mak/hibernate-%EC%9D%98-%EB%B6%88%ED%8E%B8%ED%95%9C-%ED%8E%B8%EC%9D%98-%EA%B8%B0%EB%8A%A5%EB%93%A4-06a1fbc7492a

Medium

JPA(Hibernate)를 사용하면서 생긴 불평불만들
Hiber

기술 면접 질문을 매일매일 메일로 보내드릴게요!

매일메일 - 기술 면접 질문 구독 서비스

기술 면접 질문을 매일매일 보내준다는 구독 서비스가 있습니다.
https://www.maeil-mail.kr/
서비스의 기능은 복잡하진 않지만 꽤 유용하게 활용해 볼 수 있을 것 같더라고요. 하루의 5분으로 기술 인사이트의 확장에 도움이 되길 바라는 마음에 공유드립니다.

기술 면접 질문을 매일매일 보내준다는 구독 서비스가 있습니다.https://www.maeil-mail.kr/서비스의 기능은 복잡하진 않지만 꽤 유용하게 활용해 볼 수 있을 것 같더라고요. 하루의 5분으로 기술 인사이트의 확장에 도움이 되길 바라는 마음에 공유드립니다.

maeil-mail

기술 면접 질문 구독 서비스 - 매일메일

유튜브 영상을 통해 본 분들도 있겠지만 일론 머스크는 다음과 같은 면접 질문을 통해 Exceptional Ability를 갖춘 사람을 찾으려 한다고 한다.

 * 인생 여정에 대해 말해달라는 걸로 시작해서
 * 그 과정에서 어떤 어려운 문제에 직면했으며
 * 그 문제를 어떻게 해결했고 어떤 결정을 내렸는가?

답변을 듣고 꼬리에 꼬리를 물고 계속해서 구체적이고 디테일한 질문을 통해 정말 본인이 한 것인지 아니면 남이 한 걸 본인이 한 것처럼 거짓말하는지도 알 수 있다고 한다. 인생 여정 이야기를 먼저 하는 이유는 그 사람에 대해 더 잘 알고 싶기도 하고 본인 이야기를 해야 좀더 다음 질문에 솔직하게 답변하게 되기 때문이 아닌가 싶다.

여러분들도 한번 위의 질문에 한번 본인이 자문자답해보면 어떨까 싶다. 특히 경력이 어느 정도 되는 분들이라면 어떤 문제를 해결보았고 그 과정에서 어떤 결정을 내렸는지 굉장히 의미있는 질문이다. 특히 "결정"이란 포인트가 중요하다. 커리어 초기에는 내가 결정을 내리기 보다는 남이 내린 결정에 맞춰 일을 하게 되지만 레벨이 올라가면서 결정을 내리는 역할을 하게 된다. 또 좋은 결과로 이루어진 결정만 의미가 있는 것이 아니다. 무엇을 배웠고 다음 번에는 이렇게 다르게 해보겠다는 것도 충분히 좋은 답변이다.

여담으로 X에서 일하는 지인에게 일론 머스크가 CEO가 된 뒤에 무엇이 변했는지 물어보았다.

 * 엔지니어의 수를 25% 밑으로 줄였고 레벨의 수를 확 줄여서 이제는 말단 개발자에서 세번 올라가면 일론 머스크라고 한다. 이제 트럼프가 미국 대통령이 되면서 일론 머스크가 정부 효율성을 높이는 일을 맡을 꺼라고 하던데 칼바람이 불 가능성이 높다. 25%로 줄였음에도 불구하고 전체적인 성과는 좋아졌으면 좋아졌지 나빠지지 않았다고 한다. 어쩌면 파킨슨의 법칙이 적용되고 있었는지도 모르겠다. 파킨슨의 법칙은 주어진 업무는 그 일을 처리할 수 있는 시간만큼 늘어나게 되며 사람이 있는만큼 더 바빠지는 현상을 말한다.
 * 구글 클라우드에서 X 서비스가 돌고 있었는데 그걸 클라우드 바깥(On-Premise)으로 이전하는 프로젝트를 진행 중이라 한다. 다들 클라우드에서 도는 세상에 비용을 이슈로 클라우드 이전 세상으로 돌아가는 셈인데 이 역시 일론 머스크가 아니라면 할 수 없는 결정이 아닌가 싶다.

유튜브 영상을 통해 본 분들도 있겠지만 일론 머스크는 다음과 같은 면접 질문을 통해 Exceptional Ability를 갖춘 사람을 찾으려 한다고 한다. <ul ><li>인생 여정에 대해 말해달라는 걸로 시작해서</li><li>그 과정에서 어떤 어려운 문제에 직면했으며</li><li>그 문제를 어떻게 해결했고 어떤 결정을 내렸는가?</li></ul> 답변을 듣고 꼬리에 꼬리를 물고 계속해서 구체적이고 디테일한 질문을 통해 정말 본인이 한 것인지 아니면 남이 한 걸 본인이 한 것처럼 거짓말하는지도 알 수 있다고 한다. 인생 여정 이야기를 먼저 하는 이유는 그 사람에 대해 더 잘 알고 싶기도 하고 본인 이야기를 해야 좀더 다음 질문에 솔직하게 답변하게 되기 때문이 아닌가 싶다. 여러분들도 한번 위의 질문에 한번 본인이 자문자답해보면 어떨까 싶다. 특히 경력이 어느 정도 되는 분들이라면 어떤 문제를 해결보았고 그 과정에서 어떤 결정을 내렸는지 굉장히 의미있는 질문이다. 특히 "결정"이란 포인트가 중요하다. 커리어 초기에는 내가 결정을 내리기 보다는 남이 내린 결정에 맞춰 일을 하게 되지만 레벨이 올라가면서 결정을 내리는 역할을 하게 된다. 또 좋은 결과로 이루어진 결정만 의미가 있는 것이 아니다. 무엇을 배웠고 다음 번에는 이렇게 다르게 해보겠다는 것도 충분히 좋은 답변이다. 여담으로 X에서 일하는 지인에게 일론 머스크가 CEO가 된 뒤에 무엇이 변했는지 물어보았다. <ul ><li>엔지니어의 수를 25% 밑으로 줄였고 레벨의 수를 확 줄여서 이제는 말단 개발자에서 세번 올라가면 일론 머스크라고 한다. 이제 트럼프가 미국 대통령이 되면서 일론 머스크가 정부 효율성을 높이는 일을 맡을 꺼라고 하던데 칼바람이 불 가능성이 높다. 25%로 줄였음에도 불구하고 전체적인 성과는 좋아졌으면 좋아졌지 나빠지지 않았다고 한다. 어쩌면 파킨슨의 법칙이 적용되고 있었는지도 모르겠다. 파킨슨의 법칙은 주어진 업무는 그 일을 처리할 수 있는 시간만큼 늘어나게 되며 사람이 있는만큼 더 바빠지는 현상을 말한다.</li><li>구글 클라우드에서 X 서비스가 돌고 있었는데 그걸 클라우드 바깥(On-Premise)으로 이전하는 프로젝트를 진행 중이라 한다. 다들 클라우드에서 도는 세상에 비용을 이슈로 클라우드 이전 세상으로 돌아가는 셈인데 이 역시 일론 머스크가 아니라면 할 수 없는 결정이 아닌가 싶다.</li></ul>

일론 머스크의 면접 질문

01 . 그 어느 때보다 개인의 퍼스널리티가 주목받고 있는 시대에 살고 있다는 사실은 쉽게 부정할 수 없을 겁니다. 대중이 아닌 개인의 차원에서 그들의 니즈를 파악하는 것이 회사는 물론 거대 경제에서도 중요한 목표가 되었고, 우리 개개인 역시도 '나는 어떤 사람인가'에 대한 관심도가 아주 높아졌기 때문이죠. 어쩌면 MBTI를 포함한 각종 성향 테스트, 유행하는 캐릭터들을 활용한 스타일과 케미스트리를 알아보는 게임들이 주목받는 것도 어쩌면 이 이유들에 근거하고 있다고 봐도 무방할 겁니다.

02 . 예전 ⟪기획자의 독서⟫란 책의 도입부에서 이런 취지의 표현을 쓴 적이 있습니다.
'세상에 기획자라고 불리는 직무가 아주 많지만, 그중에서도 각자의 무기를 들고 있는 기획자가 늘어나면 좋겠다. 그래서 여러 스타일의 기획자가 존재하고, 그들이 만든 기획물이 세상에 더더욱 많아지면 좋겠다'고 말입니다.
그런데 이 표현을 읽고서 몇몇 분들이 DM을 통해 비슷한 질문을 주셨습니다.
"저는 내향적인 성향인데 마케팅 직무가 잘 어울릴까요? 어떤 무기를 찾아야 하는지 모르겠어요.", "저는 지루한 것을 못 참는 성격인데 한 브랜드를 오래 담당하는 게 좋은 선택일까요?"

03 . 비교적 친분이 있고, 심지어 함께 일해 본 경험이 있는 사람들에게도 쉽게 해줄 수 있는 답이 아니니 당연히 구체적인 답변을 드릴 수 없었습니다. 그에 대한 고민과 결정은 오롯이 본인의 몫이라는 사실을 최대한 정중히 알려드렸던 사실이 기억나니까요.
하지만 동시에 놀랐던 사실 한 가지는 바로 꽤 많은 사람들이 성향과 성격과 역량을 구분 짓지 못하면서 일을 하고 있구나 하는 것이었습니다. 즉, 자기만의 장점을 갈고닦아 그걸 무기로 만드는 과정에서 이 세 가지를 아주 주관적으로 해석해 활용하고 있다는 걸 깨닫게 된 것이죠.

04 . 업무를 할 때도 자주 강조하는 사실이지만 우선 성격과 성향은 명확히 구분되는 개념입니다. 성격은 '현재의 나'로 대표되는 특성이라 할 수 있습니다. 만약 우리를 계량화(?) 할 수 있다면 병원에서 진단을 받는 것처럼 지금 곧장 나에게서 추출해낼 수 있는 특성이 바로 성격인 것이죠. 반대로 성향은 단어에서도 유추할 수 있듯이 '방향'의 목적이 추가된 개념입니다. 즉, 내가 갖고 있는 성격을 기반으로 '나는 어떤 사람이 되고 싶다'는 바람이 꽤 상당 부분 차지하고 있는 미래지향적 특성인 거죠. 그래서 한 줄로 정리하자면 성격은 지금의 나, 성향은 앞으로 나아가는 나라고 해도 큰 무리가 없습니다.

05 . 그런데 간혹 이 두 가지만을 거론하면서 '저는 ~ 이런이런 성격이라 그 업무는 하기가 어려울 것 같아요'라든가 '제 성향과는 맞지 않는 업무인 것 같아서 고민이 됩니다'라는 이야기를 하는 사람들을 자주 봅니다. 물론 본인이 가진 특성이 직무에 지대한 영향을 준다는 것은 결코 부정할 수 없는 사실이지만 냉정하게 따지고 보면 업무는 성격과 성향으로 주어지는 것이 아닙니다. 바로 우리에겐 마지막 남아있는 개념, 바로 '역량'이라는 것이 존재하기 때문이죠.

06 . 그동안 적지 않은 시간을 일해오면서 사람들의 선입견과 전혀 다른 모습을 보이는 유능한 인재들을 꽤 많이 목격했습니다. 분명 저 필드에서 일하려면 꽤나 터프하고 강직한 성격을 가지고 있어야 할 것 같은데, 침착하고 (어찌 보면 내성적인, 하지만) 꼼꼼한 성격의 사람이 훨씬 좋은 결과를 만들어내는 경우도 봤고, 아주 감성적이고 창의적이어야 하는 분야일 것 같음에도 지극히 이성적이고 데이터베이스의 사고를 하는 사람이 희대의 걸작을 만들어내는 사례도 있었으니 말이죠. 사람을 겉으로만, 아니 겉과 속을 나름 알고 있다고 해도 함부로 평가 내리면 안 된다는 사실을 다시 한번 깨닫는 순간이었죠.

07 . 그리고 이 사람들을 지켜보다 보면 한 가지 공통점이 발견되었습니다. 그들은 늘 '성향은 성향이고, 역량은 역량이다'라는 인식이 매우 분명한 사람들이었다는 겁니다. 다시 말해 '나는 A의 성향임이 분명하지만 이 일을 잘하기 위해서는 B라는 역량이 반드시 필요하다'는 사실을 잘 인지하는 인재들이었고, A로 인해 B가 잘 발휘되지 않을 거라는 무리한 가설을 세우지 않는 타입들이었습니다. 무엇보다 A가 필요한 자리에 B를, B가 필요한 자리에 A를 거론하지 않는 메타인지를 갖추고 있다는 게 가장 큰 장점이었고요.

08 . 이건 '성격과 성향은 서로 영향을 줄 수 있을지 몰라도, 이를 역량으로까지 연결 짓는 것은 무리가 있다'는 사실을 잘 보여줍니다. '해당 업무에 대한 경험이 적어서 이 일을 잘 해결할 수 있을지 고민이 됩니다'는 설득력이 있지만, '제 성격이 소심해서 이 일에 맞을지 모르겠어요'는 상당히 설득력이 떨어진다는 얘기인 거죠.
반대로 리더의 입장에서도 역량이 아닌 성격과 성향을 기준으로 업무를 배분하는 것은 적지 않은 리스크를 동반합니다. 개인의 특성이라는 게 참고 요소는 될 수 있을지 몰라도 역량에 앞선 우선 요소가 될 수는 없는 것이니 말이죠.

09 . 우스갯소리가 조금 섞이긴 했지만 가끔 누군가의 질문에 '일이니까요'라고 대답할 때가 있습니다. 예를 들면 '사람 앞에 나서는 걸 부담스러워하는 성격이라고 했는데 발표할 때는 왜 하나도 안 떠세요?'라든가 '외향적인 사람들을 만나면 종종 기가 빨린다고 하셨는데, 어떻게 먼저 제안하고 태핑하고 하는 것에 스트레스받지 않는 거죠?'라는 질문이죠. 그렇다고 제가 그 순간 스스로에게 엄청난 최면을 거는 것도 아닌 라는 걸 돌이켜보면 결국 답은 '그건 내가 할 수 있는 역량의 범위이니, 일이 되게 하기 위해서는 필요한 과정이다'가 맞는 것 같아요. 성격과 성향을 들먹이면서 할 수 있는 일조차 밀어내고, 발전해야 할 부분조차 외면시 하는 것은 성장 욕구가 없는 것과 마찬가지니까요.

10 . 개인의 특성이 주목받는 시대를 넘어 초개인화에 접근하는 세상이라고 하지만, 나라는 개인에 가장 집중해야 하는 사람은 다름 아닌 우리 자신입니다. 그리고 나 자신을 잘 이해하기 위해서는 지금의 나(성격)와 앞으로의 나(성향)를 규정하는 것도 중요하지만 지금 내 손에 들려있는 것과 비교적 쉽고 빠르게 체득할 수 있는 것, 남들보다 더 경쟁적으로 우위를 확보할 수 있는 것(역량)들과의 관계를 파악하는 것도 너무너무 중요합니다. 쌀로 밥을 짓는다는 사실만큼 당연한 것이 '일은 역량으로 한다'는 사실일 테니 말이죠.
그러니 누군가 일로서 여러분을 파악하려 하는 시도를 한다면 그때는 여러분 스스로 먼저 질문을 던져보는 게 좋을 것 같습니다. '나의 성격과 성향은 나의 역량과 어떤 관계를 맺고 있나'라고 말입니다.

01 . 그 어느 때보다 개인의 퍼스널리티가 주목받고 있는 시대에 살고 있다는 사실은 쉽게 부정할 수 없을 겁니다. 대중이 아닌 개인의 차원에서 그들의 니즈를 파악하는 것이 회사는 물론 거대 경제에서도 중요한 목표가 되었고, 우리 개개인 역시도 '나는 어떤 사람인가'에 대한 관심도가 아주 높아졌기 때문이죠. 어쩌면 MBTI를 포함한 각종 성향 테스트, 유행하는 캐릭터들을 활용한 스타일과 케미스트리를 알아보는 게임들이 주목받는 것도 어쩌면 이 이유들에 근거하고 있다고 봐도 무방할 겁니다. 02 . 예전 ⟪기획자의 독서⟫란 책의 도입부에서 이런 취지의 표현을 쓴 적이 있습니다.'세상에 기획자라고 불리는 직무가 아주 많지만, 그중에서도 각자의 무기를 들고 있는 기획자가 늘어나면 좋겠다. 그래서 여러 스타일의 기획자가 존재하고, 그들이 만든 기획물이 세상에 더더욱 많아지면 좋겠다'고 말입니다.그런데 이 표현을 읽고서 몇몇 분들이 DM을 통해 비슷한 질문을 주셨습니다."저는 내향적인 성향인데 마케팅 직무가 잘 어울릴까요? 어떤 무기를 찾아야 하는지 모르겠어요.", "저는 지루한 것을 못 참는 성격인데 한 브랜드를 오래 담당하는 게 좋은 선택일까요?" 03 . 비교적 친분이 있고, 심지어 함께 일해 본 경험이 있는 사람들에게도 쉽게 해줄 수 있는 답이 아니니 당연히 구체적인 답변을 드릴 수 없었습니다. 그에 대한 고민과 결정은 오롯이 본인의 몫이라는 사실을 최대한 정중히 알려드렸던 사실이 기억나니까요. 하지만 동시에 놀랐던 사실 한 가지는 바로 꽤 많은 사람들이 성향과 성격과 역량을 구분 짓지 못하면서 일을 하고 있구나 하는 것이었습니다. 즉, 자기만의 장점을 갈고닦아 그걸 무기로 만드는 과정에서 이 세 가지를 아주 주관적으로 해석해 활용하고 있다는 걸 깨닫게 된 것이죠. 04 . 업무를 할 때도 자주 강조하는 사실이지만 우선 성격과 성향은 명확히 구분되는 개념입니다. 성격은 '현재의 나'로 대표되는 특성이라 할 수 있습니다. 만약 우리를 계량화(?) 할 수 있다면 병원에서 진단을 받는 것처럼 지금 곧장 나에게서 추출해낼 수 있는 특성이 바로 성격인 것이죠. 반대로 성향은 단어에서도 유추할 수 있듯이 '방향'의 목적이 추가된 개념입니다. 즉, 내가 갖고 있는 성격을 기반으로 '나는 어떤 사람이 되고 싶다'는 바람이 꽤 상당 부분 차지하고 있는 미래지향적 특성인 거죠. 그래서 한 줄로 정리하자면 성격은 지금의 나, 성향은 앞으로 나아가는 나라고 해도 큰 무리가 없습니다. 05 . 그런데 간혹 이 두 가지만을 거론하면서 '저는 ~ 이런이런 성격이라 그 업무는 하기가 어려울 것 같아요'라든가 '제 성향과는 맞지 않는 업무인 것 같아서 고민이 됩니다'라는 이야기를 하는 사람들을 자주 봅니다. 물론 본인이 가진 특성이 직무에 지대한 영향을 준다는 것은 결코 부정할 수 없는 사실이지만 냉정하게 따지고 보면 업무는 성격과 성향으로 주어지는 것이 아닙니다. 바로 우리에겐 마지막 남아있는 개념, 바로 '역량'이라는 것이 존재하기 때문이죠. 06 . 그동안 적지 않은 시간을 일해오면서 사람들의 선입견과 전혀 다른 모습을 보이는 유능한 인재들을 꽤 많이 목격했습니다. 분명 저 필드에서 일하려면 꽤나 터프하고 강직한 성격을 가지고 있어야 할 것 같은데, 침착하고 (어찌 보면 내성적인, 하지만) 꼼꼼한 성격의 사람이 훨씬 좋은 결과를 만들어내는 경우도 봤고, 아주 감성적이고 창의적이어야 하는 분야일 것 같음에도 지극히 이성적이고 데이터베이스의 사고를 하는 사람이 희대의 걸작을 만들어내는 사례도 있었으니 말이죠. 사람을 겉으로만, 아니 겉과 속을 나름 알고 있다고 해도 함부로 평가 내리면 안 된다는 사실을 다시 한번 깨닫는 순간이었죠. 07 . 그리고 이 사람들을 지켜보다 보면 한 가지 공통점이 발견되었습니다. 그들은 늘 '성향은 성향이고, 역량은 역량이다'라는 인식이 매우 분명한 사람들이었다는 겁니다. 다시 말해 '나는 A의 성향임이 분명하지만 이 일을 잘하기 위해서는 B라는 역량이 반드시 필요하다'는 사실을 잘 인지하는 인재들이었고, A로 인해 B가 잘 발휘되지 않을 거라는 무리한 가설을 세우지 않는 타입들이었습니다. 무엇보다 A가 필요한 자리에 B를, B가 필요한 자리에 A를 거론하지 않는 메타인지를 갖추고 있다는 게 가장 큰 장점이었고요. 08 . 이건 '성격과 성향은 서로 영향을 줄 수 있을지 몰라도, 이를 역량으로까지 연결 짓는 것은 무리가 있다'는 사실을 잘 보여줍니다. '해당 업무에 대한 경험이 적어서 이 일을 잘 해결할 수 있을지 고민이 됩니다'는 설득력이 있지만, '제 성격이 소심해서 이 일에 맞을지 모르겠어요'는 상당히 설득력이 떨어진다는 얘기인 거죠. 반대로 리더의 입장에서도 역량이 아닌 성격과 성향을 기준으로 업무를 배분하는 것은 적지 않은 리스크를 동반합니다. 개인의 특성이라는 게 참고 요소는 될 수 있을지 몰라도 역량에 앞선 우선 요소가 될 수는 없는 것이니 말이죠. 09 . 우스갯소리가 조금 섞이긴 했지만 가끔 누군가의 질문에 '일이니까요'라고 대답할 때가 있습니다. 예를 들면 '사람 앞에 나서는 걸 부담스러워하는 성격이라고 했는데 발표할 때는 왜 하나도 안 떠세요?'라든가 '외향적인 사람들을 만나면 종종 기가 빨린다고 하셨는데, 어떻게 먼저 제안하고 태핑하고 하는 것에 스트레스받지 않는 거죠?'라는 질문이죠. 그렇다고 제가 그 순간 스스로에게 엄청난 최면을 거는 것도 아닌 라는 걸 돌이켜보면 결국 답은 '그건 내가 할 수 있는 역량의 범위이니, 일이 되게 하기 위해서는 필요한 과정이다'가 맞는 것 같아요. 성격과 성향을 들먹이면서 할 수 있는 일조차 밀어내고, 발전해야 할 부분조차 외면시 하는 것은 성장 욕구가 없는 것과 마찬가지니까요. 10 . 개인의 특성이 주목받는 시대를 넘어 초개인화에 접근하는 세상이라고 하지만, 나라는 개인에 가장 집중해야 하는 사람은 다름 아닌 우리 자신입니다. 그리고 나 자신을 잘 이해하기 위해서는 지금의 나(성격)와 앞으로의 나(성향)를 규정하는 것도 중요하지만 지금 내 손에 들려있는 것과 비교적 쉽고 빠르게 체득할 수 있는 것, 남들보다 더 경쟁적으로 우위를 확보할 수 있는 것(역량)들과의 관계를 파악하는 것도 너무너무 중요합니다. 쌀로 밥을 짓는다는 사실만큼 당연한 것이 '일은 역량으로 한다'는 사실일 테니 말이죠. 그러니 누군가 일로서 여러분을 파악하려 하는 시도를 한다면 그때는 여러분 스스로 먼저 질문을 던져보는 게 좋을 것 같습니다. '나의 성격과 성향은 나의 역량과 어떤 관계를 맺고 있나'라고 말입니다.

일은 성향이 아니라 역량으로 하는 거죠

Why Engineers Need To Write

여러분은 엔지니어로서 글쓰기를 얼마나 중요하게 생각하시나요? 코딩 역시도 잘 생각해보면 컴퓨터와 소통하기 위한 글쓰기 인데, 다른 개발자들과의 원활한 소통을 위해 내 생각을 글로 잘 쓰는것 역시 점점 더 중요해져가고 있는 것 같습니다.

 * 글쓰기는 곧 일의 일부
   * 중급 엔지니어로 성장하면서 글쓰기가 업무에서 큰 비중을 차지하게 됩니다.
   * 기술적인 질문을 던지고, 코드 리뷰를 하고, 디자인 문서를 작성하는 등 글쓰기는 협업의 핵심 요소로 자리 잡습니다.
   * 특히 코로나 이후 비대면 문화가 강화되면서, 비동기적 소통을 위한 문서화가 필수가 되었습니다.
     
     
 * 글쓰기는 자기 확장의 도구
   * 글쓰기를 통해 자신의 지식을 팀에 공유하면, 팀 전체의 생산성이 높아집니다.
   * 예를 들어, 동료의 작업 노트가 위키 형태로 팀원들에게 공유되면서 효율성을 높이는 사례가 있습니다.
   * 직접 코드를 작성하는 데 한계가 있지만, 글쓰기를 통해 팀을 더 빠르고 효과적으로 움직이게 하는 영향력을 발휘할 수 있습니다.

 * 글쓰기는 사고력을 강화한다
   * 글을 쓰면서 생각을 구조화하고 논리적으로 정리할 수 있습니다.
   * 디자인 문서를 작성하면서 새로운 최적화 방법이나 문제점을 발견하는 경우도 많습니다.
   * 이는 단순히 기존의 아이디어를 명확히 하는 것을 넘어, 새로운 아이디어를 창출하는 과정이 됩니다.

 * AI 시대에도 글쓰기의 가치는 여전하다
   * ChatGPT 같은 도구가 글쓰기를 대신할 수 있어도, 스스로 생각을 글로 표현하는 능력은 중요합니다.
   * 글쓰기는 단순한 작업이 아니라 사고를 논리적이고 깊이 있게 만들며, 이를 통해 더 나은 결정을 내리게 해줍니다.

여러분은 일상 업무에서 글쓰기를 얼마나 활용하고 계신가요? 팀과의 협업을 강화하기 위해 어떤 글쓰기 습관을 도입해볼 수 있을까요? :)

https://www.developing.dev/p/why-engineers-need-to-write

여러분은 엔지니어로서 글쓰기를 얼마나 중요하게 생각하시나요? 코딩 역시도 잘 생각해보면 컴퓨터와 소통하기 위한 글쓰기 인데, 다른 개발자들과의 원활한 소통을 위해 내 생각을 글로 잘 쓰는것 역시 점점 더 중요해져가고 있는 것 같습니다. <ul ><li>글쓰기는 곧 일의 일부<ul ><li>중급 엔지니어로 성장하면서 글쓰기가 업무에서 큰 비중을 차지하게 됩니다.</li><li>기술적인 질문을 던지고, 코드 리뷰를 하고, 디자인 문서를 작성하는 등 글쓰기는 협업의 핵심 요소로 자리 잡습니다.</li><li>특히 코로나 이후 비대면 문화가 강화되면서, 비동기적 소통을 위한 문서화가 필수가 되었습니다. </li></ul></li><li>글쓰기는 자기 확장의 도구<ul ><li>글쓰기를 통해 자신의 지식을 팀에 공유하면, 팀 전체의 생산성이 높아집니다.</li><li>예를 들어, 동료의 작업 노트가 위키 형태로 팀원들에게 공유되면서 효율성을 높이는 사례가 있습니다.</li><li>직접 코드를 작성하는 데 한계가 있지만, 글쓰기를 통해 팀을 더 빠르고 효과적으로 움직이게 하는 영향력을 발휘할 수 있습니다.</li></ul></li></ul> <ul ><li>글쓰기는 사고력을 강화한다<ul ><li>글을 쓰면서 생각을 구조화하고 논리적으로 정리할 수 있습니다.</li><li>디자인 문서를 작성하면서 새로운 최적화 방법이나 문제점을 발견하는 경우도 많습니다.</li><li>이는 단순히 기존의 아이디어를 명확히 하는 것을 넘어, 새로운 아이디어를 창출하는 과정이 됩니다.</li></ul></li></ul> <ul ><li>AI 시대에도 글쓰기의 가치는 여전하다<ul ><li>ChatGPT 같은 도구가 글쓰기를 대신할 수 있어도, 스스로 생각을 글로 표현하는 능력은 중요합니다.</li><li>글쓰기는 단순한 작업이 아니라 사고를 논리적이고 깊이 있게 만들며, 이를 통해 더 나은 결정을 내리게 해줍니다.</li></ul></li></ul> 여러분은 일상 업무에서 글쓰기를 얼마나 활용하고 계신가요? 팀과의 협업을 강화하기 위해 어떤 글쓰기 습관을 도입해볼 수 있을까요? :) https://www.developing.dev/p/why-engineers-need-to-write

www.developing.dev

개발자가 글을 써야 하는 이유

러시아도 놀라게 한 열정 ‘만학도 전설’ 공근식 박사 1992년 발행된 농업 잡지 ‘농진종묘’에는 직접 수확한 수박 한 통을 든 채 활짝 웃는 농부 공근식(충북 영동군 심천면 초강리)씨의 사진이 큼지막하게 실렸다. 

수박 농사 짓다 우주 공학… 농부처럼 공부하라, 결과는 정직하리니

1. “(늦은 나이에 공부를 시작해 수석 졸업 등을 해서 그런지 저에게 공부 비결을 물어보는 사람들이 많은데) 제가 농부였잖아요? (그래서) 일단 새벽 일찍 일어나요. 고요하고 머리도 팽팽 잘 돌아가요. 능률이 높죠”

2. “(게다가) 러시아는 겨울이 길거든요. 춥고, 졸리고, 수업 가기 싫죠. 그래도 이미 몸은 강의실로 움직이고 있어요. 농부가 밭 매러 가듯이요”

3. “(사람들은 요행을 바라지만) 뿌린 대로 거둔다, 이 말이 맞는 것 같아요. 저는 점심을 안 먹어요. 나이가 있다 보니 식곤증이 세게 와서요. 수학 올림피아드 대회에서 금메달 딴 10대들이랑 경쟁해야 하는데, 졸린 것보다 배고픈 게 낫죠. 지금은 습관이 됐어요”

4. “(늦은 나이에 러시아에서 공부하면서) 진짜 천재들 많이 봤어요. 머리 돌아가는 속도가 달라요. 뭐든 빨라요. 근데 포기도 빨라요. 저는 느리지만 계속하고 있을 뿐이고요”

5. “(물론) 공부에는 때가 있어요. 맞아요. 늦은 나이에 공부하려니 정말 힘들었어요. 그런데요, 반복을 이기는 건 없는 것 같아요. 중요한 건 지치지 않는 거예요”

6. “박사과정 때 들은 말인데요, 한국 학생들은 초반에 두각을 빨리 드러낸대요. 근데 갈수록 뒤처진대요. 중국이나 베트남 학생들은 정반대예요. 걔네는 자주 만나고 서로 묻고 토론하면서 공부해요. 한국 학생은 혼자서 하죠. 혼자 하면 빨리 지쳐요”

- 공근식 박사

1. “(늦은 나이에 공부를 시작해 수석 졸업 등을 해서 그런지 저에게 공부 비결을 물어보는 사람들이 많은데) 제가 농부였잖아요? (그래서) 일단 새벽 일찍 일어나요. 고요하고 머리도 팽팽 잘 돌아가요. 능률이 높죠” 2. “(게다가) 러시아는 겨울이 길거든요. 춥고, 졸리고, 수업 가기 싫죠. 그래도 이미 몸은 강의실로 움직이고 있어요. 농부가 밭 매러 가듯이요” 3. “(사람들은 요행을 바라지만) 뿌린 대로 거둔다, 이 말이 맞는 것 같아요. 저는 점심을 안 먹어요. 나이가 있다 보니 식곤증이 세게 와서요. 수학 올림피아드 대회에서 금메달 딴 10대들이랑 경쟁해야 하는데, 졸린 것보다 배고픈 게 낫죠. 지금은 습관이 됐어요” 4. “(늦은 나이에 러시아에서 공부하면서) 진짜 천재들 많이 봤어요. 머리 돌아가는 속도가 달라요. 뭐든 빨라요. 근데 포기도 빨라요. 저는 느리지만 계속하고 있을 뿐이고요” 5. “(물론) 공부에는 때가 있어요. 맞아요. 늦은 나이에 공부하려니 정말 힘들었어요. 그런데요, 반복을 이기는 건 없는 것 같아요. 중요한 건 지치지 않는 거예요” 6. “박사과정 때 들은 말인데요, 한국 학생들은 초반에 두각을 빨리 드러낸대요. 근데 갈수록 뒤처진대요. 중국이나 베트남 학생들은 정반대예요. 걔네는 자주 만나고 서로 묻고 토론하면서 공부해요. 한국 학생은 혼자서 하죠. 혼자 하면 빨리 지쳐요” - 공근식 박사

n.news.naver.com

만학도의 전설, 공근식 박사의 공부법

이 글을 읽으시기 전에 이전의 글 <10분 만에 RAG 이해하기>를 먼저 읽고 오시면 지금 이 글의 이해에 도움이 됩니다. 0. 등장 배경 이미 잘 알고 계시지만, 이미 시장에는 OpenAI의 ChatGPT, 앤쓰로픽의 끌로드, 구글의 제미나이, 네이버의 하이퍼클로바X 와 같은 대표 LLM을 제외하고도 수많은 언어모델이 거의 매일 새롭게 나타나고 있으며 각

10분 만에 랭체인(LangChain) 이해하기

요즘 회사에서 AI 활용이 점점 더 중요해지고 있어요. 그중 랭체인(LangChain)은 ChatGPT 같은 AI 언어 모델을 더 똑똑하게 사용할 수 있도록 도와주는 툴이에요. 랭체인을 공부하면 어떤 이점이 있을까요?

 1. 반복 업무 자동화 🛠️
    이메일 요약, 고객 리뷰 분석 등 귀찮은 반복 작업을 AI가 대신해줘서 시간 절약이 가능해요. 일 더 빠르게 끝내고 칼퇴할 수도!
 2. 데이터 분석과 통합 📊
    다양한 데이터에서 빠르게 인사이트를 찾고 보고서 작성까지! 데이터 분석 업무가 편해져서 성과를 확 높일 수 있어요.
 3. AI와 함께 일하는 역량 🚀
    앞으로 AI와 협업은 필수 스킬! 랭체인을 알면 AI를 내 일에 더 유용하게 활용할 수 있어서 회사 내에서 인정받는 인재로 성장할 수 있어요.

결론적으로, 랭체인 공부하면 일잘러로 거듭날 수 있는 기회를 잡는 거죠! 😊

https://brunch.co.kr/@ywkim36/147

요즘 회사에서 AI 활용이 점점 더 중요해지고 있어요. 그중 랭체인(LangChain)은 ChatGPT 같은 AI 언어 모델을 더 똑똑하게 사용할 수 있도록 도와주는 툴이에요. 랭체인을 공부하면 어떤 이점이 있을까요? <ol ><li>반복 업무 자동화 🛠️ 이메일 요약, 고객 리뷰 분석 등 귀찮은 반복 작업을 AI가 대신해줘서 시간 절약이 가능해요. 일 더 빠르게 끝내고 칼퇴할 수도!</li><li>데이터 분석과 통합 📊 다양한 데이터에서 빠르게 인사이트를 찾고 보고서 작성까지! 데이터 분석 업무가 편해져서 성과를 확 높일 수 있어요.</li><li>AI와 함께 일하는 역량 🚀 앞으로 AI와 협업은 필수 스킬! 랭체인을 알면 AI를 내 일에 더 유용하게 활용할 수 있어서 회사 내에서 인정받는 인재로 성장할 수 있어요.</li></ol> 결론적으로, 랭체인 공부하면 일잘러로 거듭날 수 있는 기회를 잡는 거죠! 😊 https://brunch.co.kr/@ywkim36/147

Brunch Story

10분만에 랭체인(LangChain) 이해하기

영향력 있는 유명인 vs. 실력 있는 전문가 - 링크드인에서 팔로워가 80,000명에 달하는 Julie Zhuo가 3일 전에 올린 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다.

영향력 있는 유명인 vs. 실력 있는 전문가

링크드인에서 팔로워가 10만 명명에 달하는 Julie Zhuo가 올렸던 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다. 원문 글의 4사분면을 살펴보시면서 글을 읽어보시면 좋겠습니다.

[ 큐레이터의 문장 🎒 ]

모든 사람들이 모두 전문가라고 생각하는 사람들은 사분면에서 가장 위쪽(제1사분면)에 있는 사람들입니다. 진짜 전문가(True expert)는 실력과 영향력을 모두 갖췄고 전문가라고 말할 수 있습니다. 모두 되고 싶어하는 롤모델입니다. 그런데 가장 위쪽(제2사분면)에 있는 사람은 실력이 없는데도 전문가라고 평가받기도 합니다. 이런 사람들을 실력이 없지만 유명한 사람, 인플루언서(Armchair influencer)라고 부릅니다. 두 부류에는 어떤 차이가 있을까요? 보통 우리가 일을 할 때에는 아래 6가지 일 하는 단계를 거치는데요.

1️⃣ 문제에 대해 탐구하고
2️⃣ 솔루션을 제안하고
3️⃣ 솔루션을 직접 실행하고
4️⃣ 솔루션이 어떤 영향을 가져오는지 지켜보고
5️⃣ 그 결과를 수용하고
6️⃣ 학습하고 반복하면서 계속 개선하고

진짜 전문가는 6가지를 모두 하지만, 가짜 전문가는 1 또는 2까지만 합니다. 오른쪽 아래(제4사분면)에는 숨은 실력자(Secret master)가 있습니다. 같이 일을 하다 "이런 사람이 있었다니!"라며 감탄을 안 할 수 없는 사람들이 있습니다. 배우고 싶고, 닮고 싶은 사람들이 실력 없는 유명인과 함께 있는 것이죠.

직접 솔루션을 실행하고 그 결과를 보면서 운영까지 들어가서 개선하는가? 진짜 전문가라면 실행, 운영, 개선이라는 사이클까지 해야 합니다. 모두 평론가가 되기 쉬운 시대에 정말 내가 문제를 해결하고 그 결과를 관찰하며 더 나은 솔루션으로 만들어가고 있는지 가만히 생각해 보면 좋겠습니다.

https://redbusbagman.com/armchairinfluencers/

링크드인에서 팔로워가 10만 명명에 달하는 Julie Zhuo가 올렸던 글입니다. 원문은 링크드인에서 보실 수 있습니다. 연차가 쌓일 수록, 한 조직에서 계속 일을 오래 할수록 6단계 일 방식 중 스스로 어디까지 하고 있는지 항상 경계하고 의식하는게 필요합니다. 원문 글의 4사분면을 살펴보시면서 글을 읽어보시면 좋겠습니다. [ 큐레이터의 문장 🎒 ] 모든 사람들이 모두 전문가라고 생각하는 사람들은 사분면에서 가장 위쪽(제1사분면)에 있는 사람들입니다. 진짜 전문가(True expert)는 실력과 영향력을 모두 갖췄고 전문가라고 말할 수 있습니다. 모두 되고 싶어하는 롤모델입니다. 그런데 가장 위쪽(제2사분면)에 있는 사람은 실력이 없는데도 전문가라고 평가받기도 합니다. 이런 사람들을 실력이 없지만 유명한 사람, 인플루언서(Armchair influencer)라고 부릅니다. 두 부류에는 어떤 차이가 있을까요? 보통 우리가 일을 할 때에는 아래 6가지 일 하는 단계를 거치는데요. 1️⃣ 문제에 대해 탐구하고2️⃣ 솔루션을 제안하고3️⃣ 솔루션을 직접 실행하고4️⃣ 솔루션이 어떤 영향을 가져오는지 지켜보고5️⃣ 그 결과를 수용하고6️⃣ 학습하고 반복하면서 계속 개선하고 진짜 전문가는 6가지를 모두 하지만, 가짜 전문가는 1 또는 2까지만 합니다. 오른쪽 아래(제4사분면)에는 숨은 실력자(Secret master)가 있습니다. 같이 일을 하다 "이런 사람이 있었다니!"라며 감탄을 안 할 수 없는 사람들이 있습니다. 배우고 싶고, 닮고 싶은 사람들이 실력 없는 유명인과 함께 있는 것이죠. 직접 솔루션을 실행하고 그 결과를 보면서 운영까지 들어가서 개선하는가? 진짜 전문가라면 실행, 운영, 개선이라는 사이클까지 해야 합니다. 모두 평론가가 되기 쉬운 시대에 정말 내가 문제를 해결하고 그 결과를 관찰하며 더 나은 솔루션으로 만들어가고 있는지 가만히 생각해 보면 좋겠습니다. https://redbusbagman.com/armchairinfluencers/

REDBUSBAGMAN | 빨간색 광역버스에 백팩을 메고 탑니다

《인플루언서와 유명세가 있는 사람의 차이》

1️⃣ 취업 루트 및 경험담

01. 미국 취업 루트: https://careerly.co.kr/comments/51260
02. 캐나다 취업 허가증 수령 경험담: https://careerly.co.kr/comments/56992
03. 미국 이민/해외 취업 준비 중이라면 꼭 알아야 하는 것: https://careerly.co.kr/comments/56991
04. 실리콘 밸리 개발자의 7가지 찰랜지: https://careerly.co.kr/comments/72236
05. 미국 생활하면서 가장 힘들었던 점: https://careerly.co.kr/comments/52097
06. 미국 취업 비자, 4월이 가장 절망적일 수 있는 이유: https://careerly.co.kr/comments/54680

2️⃣ 영어관련 자료

01. 개발자에게 필요한 영어 실력: https://careerly.co.kr/comments/56961
02. 영어 공부팁: https://careerly.co.kr/comments/60926
03. 영어 독해 공부법: https://careerly.co.kr/comments/67571

3️⃣ 면접관련 자료

01. 해외 개발자 면접 프로세스: https://careerly.co.kr/comments/56503
02. 해외 취업 준비 리소스: https://careerly.co.kr/comments/56991
03. 최종 면접 통과 준비를 위한 무료 노션 템플릿: https://careerly.co.kr/comments/72967
04. 취업 준비생 주목! 새로운 개발자 면접 유형: https://careerly.co.kr/comments/67219
05. 해외 취업 필수 코스 3탄 - 행동 인터뷰: https://careerly.co.kr/comments/54721

4️⃣ 이력서관련 자료

01. 좋은 영문 이력서 작성을 위해 절대 하면 안되는 실수: https://careerly.co.kr/comments/49380

5️⃣ 연봉 정보

01. 해외 개발자의 실제 연봉 데이터는? https://careerly.co.kr/comments/49341
02. 미국 지역별 연봉 정보: https://careerly.co.kr/comments/61147
03. 회사가 주는 대로 받는 게 아닌 요즘 개발자 연봉 구성: https://careerly.co.kr/comments/72735
04. 수석 엔지니어의 정확한 연봉, 세율 그리고 세후 실수령액 +세금 보고서: https://careerly.co.kr/comments/72449

6️⃣ 해외 및 외국계 회사관련 자료

01. 워라밸 보장하는 미국 회사 리스트: https://careerly.co.kr/comments/51258

가끔 해외 취업 관련 DM 보내주시는데, 한곳에 모아서 볼 수 있는 곳이 없어서 그동안 포스팅했던 글을 정리해서 올립니다. 해외 취업 준비할 때 가장 어려웠던 점은 공식 사이트 외에 경험담을 통해서만 알 수 있는 점들을 쉽게 접할 수 없었던 것 같아요. 개인 경험담도 있지만 여러 자료를 읽고 공감했던 것까지 모두 모아봤습니다. 추가로 궁금하신 점은 댓글에 남겨주세요 :)

해외 취업이 목표라면 지금부터 알아둬야 할 20가지 자료

봐주셔서 감사합니다! 구독과 좋아요 댓글은 힘이 됩니다. :D 모든 내용은 한 방향성/케이스일 뿐 진리의 케바케가 있다는 점 참고 부탁드립니다 :D

개념객체란? + 용어 남용 + 약자를 쓰지말자

저는 현실에서 '일'에 진심인지라 별명이 김분노, 불도저, 큰불이 될 정도로 분노 표출이 상당한데요. 
온라인에서는 시간낭비와 불필요한 노이즈로 인해 그러려니 그래 니 똥 굵다~ 했는데 최초로 온라인 분노 표출을 해봤습니다!

어짜피 봉인해제하고 싸지른거 30초만에 만든 카피캣 선언문 동봉합니다
--
우리는 소프트웨어를 개발하고, 또 다른 사람의 개발을
도와주면서 소프트웨어 개발의 더 나은 방법들을 찾아가고 있다. 

이 작업을 통해 우리는 다음을 가치 있게 여기게 되었다:
알려진 용어 보다 자기 생각
간단한 약자 보다 쉬운 설명을
말 보다 실행을
지식 보다 지혜를

가치 있게 여긴다. 이 말은, 왼쪽에 있는 것들도 가치가 있지만,
우리는 오른쪽에 있는 것들에 더 높은 가치를 둔다는 것이다.

www.youtube.com

저는 기획 문서의 CTA가 거슬리더군요

iOS Developer, 게임도우미

이영준

KT 협력사 SI 그만 두고 집에서 혼자 개인 iOS 일년 동안 출시했고 시원스쿨의 iOS를 밑바닥 부터 개발 킥고잉에서 Mobile Tech Lead를 했다. 현재 프리랜서 SKT 대리점 관리/고객센터 iOS 앱 운영

#앱개발자 #iOS개발자 #SwiftUI

개념객체란? + 용어 남용 + 약자를 쓰지말자

댓글 1

비슷한 게시물

주간 인기 TOP 10

추천 프로필