이번 항해 플러스 AI 8주차에서는 HuggingFace를 활용한 LoRA(Low-Rank Adaptation)의 다양한 Rank 설정에 따른 학습 성능을 분석하는 과제를 진행하며, Parameter-Efficient Fine-Tuning(PEFT)의 효과와 Quantization, Data Parallelism, DeepSpeed 등 여러 가지 AI 학습 최적화 방법들을 깊게 탐구했습니다. 이번 글에서는 실습 과정과 그 결과에서 얻은 흥미로운 통찰을 공유하려 합니다.

📌 Quantization: Bit를 줄이면 성능이 떨어질까?
AI 모델을 효율적으로 활용하기 위해선 경량화 기술이 필수입니다. 그중 Quantization은 모델의 파라미터를 저장하는 데 필요한 비트(bit) 수를 줄여 메모리 사용량과 추론 속도를 크게 개선하는 방법입니다.

대표적인 Quantization 방법으로는 Float16, BFloat16, 4-bit Normal Float 등이 있습니다. 실습을 통해 AMP(Automatic Mixed Precision)를 사용하면 기존의 높은 정밀도와 낮은 정밀도를 혼합하여 성능 손실 없이 효율성을 얻을 수 있음을 확인했습니다. 특히 HuggingFace를 사용하여 간편하게 AMP를 설정하는 방법을 배웠고, 이를 통해 실제 실습에서 모델 성능 저하 없이 메모리 사용량을 줄일 수 있었습니다.

📌 Data Parallelism vs DeepSpeed
AI 모델이 커지면서 GPU 메모리 한계 때문에 원하는 크기의 배치 사이즈를 처리하기 어려운 경우가 있습니다. 이를 해결하기 위해 사용되는 방법 중 하나가 Data Parallelism입니다. 이 방법은 여러 GPU에 같은 모델을 복사하고 배치를 나눠 각 GPU에서 독립적으로 gradient를 계산한 후 수합하여 학습합니다.

하지만 Data Parallelism은 모델의 중복된 메모리 사용과 GPU의 메모리 한계 등 여러 단점을 가지고 있었습니다. 이를 해결하기 위해 Microsoft에서 개발한 DeepSpeed가 있습니다. DeepSpeed의 ZeRO(Zero Redundancy Optimizer)는 파라미터, gradient, optimizer 상태를 나누어 중복을 최소화하고 CPU Offloading을 통해 GPU 메모리 한계를 극복하는 혁신적인 방법을 제공합니다.

이번 주 DeepSpeed 실습을 통해 Stage-2, Stage-3 등 다양한 설정을 시험하며 GPU 메모리를 효율적으로 활용할 수 있었고, 그 결과 같은 하드웨어에서 더 큰 모델과 더 큰 배치 사이즈를 처리할 수 있었습니다.

📌 LoRA Rank에 따른 성능 차이 실습
이번 주의 핵심 과제는 LoRA의 Rank 값을 변화시켜 학습 성능과 메모리 사용량을 비교하는 것이었습니다. LoRA는 전체 모델의 파라미터가 아닌 낮은 차원의 두 행렬로 표현된 파라미터만 업데이트하여 학습 효율성을 높이는 방법입니다.

Rank 값에 따라 8, 128, 256을 설정하여 각각의 모델 학습을 진행한 후 Wandb를 활용하여 loss 곡선과 학습 속도, GPU 메모리 사용량을 비교했습니다. 다음은 실험 결과입니다.
 * Rank=8일 때:
   * 빠른 학습 속도와 낮은 메모리 사용량을 보였습니다.
   * loss는 초반 빠르게 떨어졌으나 일정 수준에서 정체되었습니다.
 * Rank=128일 때:
   * Rank=8보다 loss가 더 많이 감소하며 성능이 향상되었습니다.
   * 그러나 학습 속도가 느려지고 메모리 사용량이 증가했습니다.
 * Rank=256일 때:
   * 가장 높은 메모리 사용량과 가장 느린 학습 속도를 보였습니다.
   * loss 개선 폭은 Rank=128과 큰 차이가 없었으며, 오히려 효율성 측면에서 손해가 있었습니다.
메모리 사용량을 측정하는 코드는 다음과 같았습니다.
print('Max Alloc:', round(torch.cuda.max_memory_allocated(0)/1024**3, 1), 'GB')

📌 LoRA의 장단점 분석
실습을 통해 얻은 LoRA의 장단점은 명확했습니다.
 * 장점:
   * 적은 메모리 사용으로 큰 모델도 효율적으로 학습 가능합니다.
   * 빠른 학습 속도와 낮은 비용으로 모델 성능을 상당히 끌어올릴 수 있습니다.
 * 단점:
   * Rank 값을 높일수록 메모리 사용량과 학습 시간이 급격히 증가하며 효율성이 떨어집니다.
   * 지나치게 낮은 Rank 값은 모델 성능 향상에 한계가 있습니다.
이러한 점을 고려해 실제 프로젝트에서는 적절한 Rank 값을 설정하는 것이 매우 중요합니다.

📌 FlashAttention: 긴 텍스트 학습의 최적화
마지막으로, 긴 텍스트를 효율적으로 처리할 수 있게 해주는 FlashAttention 기술을 소개받았습니다. FlashAttention은 Attention 계산을 최적화하여 메모리 사용량을 극적으로 줄이고 GPU의 빠른 SRAM을 활용해 학습 속도를 높이는 혁신적인 기술입니다.

실습에서는 HuggingFace 모델에 간단한 설정으로 FlashAttention을 활성화하여 긴 컨텍스트를 더 빠르고 효율적으로 학습할 수 있었습니다. 이를 통해 실제 서비스 환경에서도 매우 유용하게 적용될 수 있음을 확인했습니다.

📌 마무리하며
이번 주차 실습은 다양한 최적화 기술을 통해 제한된 하드웨어 환경에서도 효율적으로 모델을 학습할 수 있는 기술을 익힌 값진 경험이었습니다. Quantization, LoRA, DeepSpeed, FlashAttention 등 다양한 방법론들을 실습하며 모델 경량화와 효율성 개선을 위한 깊이 있는 이해를 얻을 수 있었습니다.

특히 LoRA의 Rank 값 변화에 따른 실험을 통해 실질적인 성능 최적화 방안을 체득했고, 앞으로 모델 개발과 학습 과정에서 매우 유용한 전략으로 활용할 수 있을 것 같습니다.
앞으로도 다양한 실습과 실험을 통해 더 나은 AI 개발자가 될 수 있도록 노력하겠습니다.
항해 플러스 — 추천인 코드: CF7LUQ

#항해99 #항해플러스AI후기 #AI개발자 #LLM

이번 항해 플러스 AI 8주차에서는 HuggingFace를 활용한 LoRA(Low-Rank Adaptation)의 다양한 Rank 설정에 따른 학습 성능을 분석하는 과제를 진행하며, Parameter-Efficient Fine-Tuning(PEFT)의 효과와 Quantization, Data Parallelism, DeepSpeed 등 여러 가지 AI 학습 최적화 방법들을 깊게 탐구했습니다. 이번 글에서는 실습 과정과 그 결과에서 얻은 흥미로운 통찰을 공유하려 합니다. 📌 Quantization: Bit를 줄이면 성능이 떨어질까?AI 모델을 효율적으로 활용하기 위해선 경량화 기술이 필수입니다. 그중 Quantization은 모델의 파라미터를 저장하는 데 필요한 비트(bit) 수를 줄여 메모리 사용량과 추론 속도를 크게 개선하는 방법입니다. 대표적인 Quantization 방법으로는 Float16, BFloat16, 4-bit Normal Float 등이 있습니다. 실습을 통해 AMP(Automatic Mixed Precision)를 사용하면 기존의 높은 정밀도와 낮은 정밀도를 혼합하여 성능 손실 없이 효율성을 얻을 수 있음을 확인했습니다. 특히 HuggingFace를 사용하여 간편하게 AMP를 설정하는 방법을 배웠고, 이를 통해 실제 실습에서 모델 성능 저하 없이 메모리 사용량을 줄일 수 있었습니다. 📌 Data Parallelism vs DeepSpeedAI 모델이 커지면서 GPU 메모리 한계 때문에 원하는 크기의 배치 사이즈를 처리하기 어려운 경우가 있습니다. 이를 해결하기 위해 사용되는 방법 중 하나가 Data Parallelism입니다. 이 방법은 여러 GPU에 같은 모델을 복사하고 배치를 나눠 각 GPU에서 독립적으로 gradient를 계산한 후 수합하여 학습합니다. 하지만 Data Parallelism은 모델의 중복된 메모리 사용과 GPU의 메모리 한계 등 여러 단점을 가지고 있었습니다. 이를 해결하기 위해 Microsoft에서 개발한 DeepSpeed가 있습니다. DeepSpeed의 ZeRO(Zero Redundancy Optimizer)는 파라미터, gradient, optimizer 상태를 나누어 중복을 최소화하고 CPU Offloading을 통해 GPU 메모리 한계를 극복하는 혁신적인 방법을 제공합니다. 이번 주 DeepSpeed 실습을 통해 Stage-2, Stage-3 등 다양한 설정을 시험하며 GPU 메모리를 효율적으로 활용할 수 있었고, 그 결과 같은 하드웨어에서 더 큰 모델과 더 큰 배치 사이즈를 처리할 수 있었습니다. 📌 LoRA Rank에 따른 성능 차이 실습이번 주의 핵심 과제는 LoRA의 Rank 값을 변화시켜 학습 성능과 메모리 사용량을 비교하는 것이었습니다. LoRA는 전체 모델의 파라미터가 아닌 낮은 차원의 두 행렬로 표현된 파라미터만 업데이트하여 학습 효율성을 높이는 방법입니다. Rank 값에 따라 8, 128, 256을 설정하여 각각의 모델 학습을 진행한 후 Wandb를 활용하여 loss 곡선과 학습 속도, GPU 메모리 사용량을 비교했습니다. 다음은 실험 결과입니다.<ul ><li>Rank=8일 때:<ul ><li>빠른 학습 속도와 낮은 메모리 사용량을 보였습니다.</li><li>loss는 초반 빠르게 떨어졌으나 일정 수준에서 정체되었습니다.</li></ul></li><li>Rank=128일 때:<ul ><li>Rank=8보다 loss가 더 많이 감소하며 성능이 향상되었습니다.</li><li>그러나 학습 속도가 느려지고 메모리 사용량이 증가했습니다.</li></ul></li><li>Rank=256일 때:<ul ><li>가장 높은 메모리 사용량과 가장 느린 학습 속도를 보였습니다.</li><li>loss 개선 폭은 Rank=128과 큰 차이가 없었으며, 오히려 효율성 측면에서 손해가 있었습니다.</li></ul></li></ul>메모리 사용량을 측정하는 코드는 다음과 같았습니다.<pre ><code>print('Max Alloc:', round(torch.cuda.max_memory_allocated(0)/1024**3, 1), 'GB')</code></pre> 📌 LoRA의 장단점 분석실습을 통해 얻은 LoRA의 장단점은 명확했습니다.<ul ><li>장점:<ul ><li>적은 메모리 사용으로 큰 모델도 효율적으로 학습 가능합니다.</li><li>빠른 학습 속도와 낮은 비용으로 모델 성능을 상당히 끌어올릴 수 있습니다.</li></ul></li><li>단점:<ul ><li>Rank 값을 높일수록 메모리 사용량과 학습 시간이 급격히 증가하며 효율성이 떨어집니다.</li><li>지나치게 낮은 Rank 값은 모델 성능 향상에 한계가 있습니다.</li></ul></li></ul>이러한 점을 고려해 실제 프로젝트에서는 적절한 Rank 값을 설정하는 것이 매우 중요합니다. 📌 FlashAttention: 긴 텍스트 학습의 최적화마지막으로, 긴 텍스트를 효율적으로 처리할 수 있게 해주는 FlashAttention 기술을 소개받았습니다. FlashAttention은 Attention 계산을 최적화하여 메모리 사용량을 극적으로 줄이고 GPU의 빠른 SRAM을 활용해 학습 속도를 높이는 혁신적인 기술입니다. 실습에서는 HuggingFace 모델에 간단한 설정으로 FlashAttention을 활성화하여 긴 컨텍스트를 더 빠르고 효율적으로 학습할 수 있었습니다. 이를 통해 실제 서비스 환경에서도 매우 유용하게 적용될 수 있음을 확인했습니다. 📌 마무리하며이번 주차 실습은 다양한 최적화 기술을 통해 제한된 하드웨어 환경에서도 효율적으로 모델을 학습할 수 있는 기술을 익힌 값진 경험이었습니다. Quantization, LoRA, DeepSpeed, FlashAttention 등 다양한 방법론들을 실습하며 모델 경량화와 효율성 개선을 위한 깊이 있는 이해를 얻을 수 있었습니다. 특히 LoRA의 Rank 값 변화에 따른 실험을 통해 실질적인 성능 최적화 방안을 체득했고, 앞으로 모델 개발과 학습 과정에서 매우 유용한 전략으로 활용할 수 있을 것 같습니다.앞으로도 다양한 실습과 실험을 통해 더 나은 AI 개발자가 될 수 있도록 노력하겠습니다.항해 플러스 — 추천인 코드: CF7LUQ #항해99 #항해플러스AI후기 #AI개발자 #LLM

항해 플러스 AI 8주차 후기 -  AI 모델 최적화의 핵심

처음 개발을 시작했을 때를 떠올려 봅시다. 그때는 코드를 짜는 것 자체가 재미있고, 화면에서 무언가가 “돌아가는 것”만으로도 짜릿한 경험을 하지 않으셨나요? 그때는 기술 하나하나가 신기했고, 새로운 기술을 접할 때마다 호기심이 솟았습니다. 그러나 시간이 흐르고 ‘업무’를 하게 되면서 점차 본질이 흐려지기 시작했습니다. 왜 이 기술을 익혀야 하는지보다는 어떤 기술이 더 유명하고 좋아 보이는지, 그리고 이력서에서 더 가치 있어 보이는지를 중요하게 생각하죠. 이력서에 적을 키워드가 많아지는 것이 곧 성장의 척도처럼 느껴지고, 실제로 그 기술로 어떤 문제를 해결했는지는 뒷전으로 밀리는 경우도 많습니다. 그렇게 바쁘게 일하던 우리는 왜 성장하지 못했을까요?

개발자의 물경력은 어떻게 만들어지는가 | 요즘IT

오랜만에 요즘IT에 글을 기고했습니다.

물경력이 생기는 원인 중 하나를 오너십의 결여라고 생각하는데,
오너십이 그것과 무슨 상관이 있는지,
사장이 말하는 오너십과 실제 오너십의 차이가 무엇인지 적어보았습니다.

https://yozm.wishket.com/magazine/detail/3144/

#오너십 #물경력

오랜만에 요즘IT에 글을 기고했습니다. 물경력이 생기는 원인 중 하나를 오너십의 결여라고 생각하는데,오너십이 그것과 무슨 상관이 있는지,사장이 말하는 오너십과 실제 오너십의 차이가 무엇인지 적어보았습니다. https://yozm.wishket.com/magazine/detail/3144/ #오너십 #물경력

요즘IT

오너십과 물경력의 연관관계를 알아보자

This link will take you to a page that’s not on LinkedIn

LinkedIn

한때 천만원에 거래가 되기도 했던 Manus를 "Bedrock-Manus"로 무료 오픈소스로 공개합니다. 아래는 이를 활용한 "Deep Research" 기능입니다. 데모 영상, 깃헙 코드까지 보실 수 있습니다. 이렇게 다 공개해도 되나싶네요 ㅎㅎ

🔍 Deep Research란? AI가 웹을 자동으로 탐색해서 심층적인 조사 보고서를 작성해주는 기능입니다.

✨ 주요 특징:
1️⃣ 복합적 정보 수집 및 분석
2️⃣ 자동화된 심층 리서치 프로세스
3️⃣ AWS Bedrock 기반 고도화된 AI 활용

🔗 오픈소스로 제공되니, 필요하신 분들은 언제든 자유롭게 활용해 보세요!

📺 Demo: hhttps://www.youtube.com/watch?v=Pb1lJTSLI98
👉 Code:
- Deep-researh based on Bedrock Manus: https://lnkd.in/gjfXg2CD
- Bedrock-Manus: https://lnkd.in/eCQ4qjir

여러분의 프로젝트나 업무에 도움이 되길 바라며, 사용 후기나 개선 아이디어도 공유해 주시면 더욱 발전시켜 나가겠습니다.

(AWS GenAI Specialist SA이신 장동진 박사님이 올리신 자료입니다. 더 많은 자료는 아래 유툽 채널을 참조하세요! 진짜 금광입니다....)
https://www.youtube.com/@dongjinjang5551

한때 천만원에 거래가 되기도 했던 Manus를 "Bedrock-Manus"로 무료 오픈소스로 공개합니다. 아래는 이를 활용한 "Deep Research" 기능입니다. 데모 영상, 깃헙 코드까지 보실 수 있습니다. 이렇게 다 공개해도 되나싶네요 ㅎㅎ 🔍 Deep Research란? AI가 웹을 자동으로 탐색해서 심층적인 조사 보고서를 작성해주는 기능입니다. ✨ 주요 특징: 1️⃣ 복합적 정보 수집 및 분석 2️⃣ 자동화된 심층 리서치 프로세스 3️⃣ AWS Bedrock 기반 고도화된 AI 활용 🔗 오픈소스로 제공되니, 필요하신 분들은 언제든 자유롭게 활용해 보세요! 📺 Demo: hhttps://www.youtube.com/watch?v=Pb1lJTSLI98 👉 Code: - Deep-researh based on Bedrock Manus: https://lnkd.in/gjfXg2CD - Bedrock-Manus: https://lnkd.in/eCQ4qjir 여러분의 프로젝트나 업무에 도움이 되길 바라며, 사용 후기나 개선 아이디어도 공유해 주시면 더욱 발전시켜 나가겠습니다. (AWS GenAI Specialist SA이신 장동진 박사님이 올리신 자료입니다. 더 많은 자료는 아래 유툽 채널을 참조하세요! 진짜 금광입니다....)https://www.youtube.com/@dongjinjang5551

lnkd.in

한때 천만원에 거래되었던 Manus, Bedrock 무료 오픈소스로 공개

With data analysts in high demand, being able to show greater worth can only be an advantage in a competitive job market. Here are the certifications that will give your career an edge.

The top 9 data analytics certifications

자격증보다는 경력과 기술이 우선이지만, 자격증을 가지고 있다는 것은 최소한의 지식과 기술을 객관적으로 검증되었음을 증명하기도 합니다.

데이터 분석 경력에서 우위를 점하고 싶다면 다음의 9(+번외 5)가지 자격증 취득을 고려해보시기 바랍니다.

 1. Associate Certified Analytics Professional (aCAP)
    * 비즈니스 문제 프레임워크, 분석 문제 프레임워크, 데이터, 방법론 선택, 모델 구축, 배포, 수명 주기 관리 등 분석 프로세스의 7가지 영역을 검증하는 초급 분석 자격증
    * 회사: INFORMS
    * 가격: 회원: $205, 비회원: $300
    * https://certifiedanalytics.org/acap
    
    
 2. Certified Analytics Professional (CAP)
    * 비즈니스 및 분석 문제의 프레임워크부터 데이터 수집, 방법론, 모델 구축, 배포 및 모델 수명 주기 관리에 이르기까지 분석 프로세스에 대한 엔드투엔드 이해를 인증하는 공급업체 및 분석 기술 전문 자격증
    * 회사: INFORMS
    * 가격: 회원: $495, 비회원: $695 (팀 요금제 가능)
    * https://certifiedanalytics.org/cap
    
    
 3. CDP Data Analyst(CDP-4001)
    * 클라우데라 데이터 플랫폼(CDP) 데이터 분석가 자격증
    * Cloudera 데이터 시각화 및 Cloudera 데이터 웨어하우스는 물론 Apache Hive, Impala, Ranger 및 Atlas에 대한 지식 테스트
    * 문제수: 50문항, 시험시간:120분, 합격점수: 60%, 시험방식: 온라인, 감독관 진행
    * 회사: Cloudera
    * 가격: $330
    * https://www.cloudera.com/services-and-support/training/certification/cdp-dataanalyst-exam-cdp-4001.html

 4. CDP Generalist(CDP-0011)
    * 클라우데라 데이터 플랫폼(CDP) 제너럴리스트 자격증
    * 데이터 플랫폼에 대한 일반적인 지식을 테스트하며 관리자, 개발자, 데이터 분석가, 데이터 엔지니어, 데이터 과학자, 시스템 아키텍트를 대상
    * 문제수: 60문항, 시험시간: 90분, 합격 점수:70%, 시험방식: 온라인, 감독관 감독
    * 회사: Cloudera
    * 가격: $330
    * https://www.cloudera.com/services-and-support/training/certification/cdp-generalist-exam-cdp-0011.html
    
    
 5. Data+(DA0-001)
    * 데이터 기반 비즈니스 의사 결정을 촉진하는 데 필요한 기술을 검증하는 초기 경력 데이터 분석 자격증
    * 데이터 개념과 환경, 데이터 마이닝, 데이터 분석, 데이터 거버넌스, 품질 및 제어, 시각화 등
    * 시험문제:90문항(객관식+성과 기반 문제), 시험시간:90분, 합격점수: 675(of 900),시험방식:Pearson VUE 온라인
    * 회사: CompTIA
    * 가격: $253
    * https://www.comptia.org/certifications/data
    
    
 6. Data Analytics Professional Certificate
    * 주니어 또는 준회원 데이터 분석가에게 필요한 실무 및 프로세스에 대한 이해를 검증하는 초급 수준의 구글 데이터 분석 자격증
    * 분석을 위해 데이터를 정리 및 구성하고 스프레드시트, SQL 및 R 프로그래밍을 사용하여 분석 및 계산을 완료하는 방법
    * 회사: Google & Coursera
    * 가격: 7일 무료 사용 이후 월 $49
    * https://www.coursera.org/professional-certificates/google-data-analytics
    
    
 7. Data Analyst Professional Certificate
    * Pandas 및 Numpy와 같은 Python 라이브러리를 사용하여 데이터를 분석하고 API 및 웹 서비스를 호출하기 위해 Python 언어, Excel 스프레드시트에서 다양한 차트를 사용하여 데이터를 시각화하고 결과를 발표하는 방법과 IBM Cognos Analytics 및 Tableau와 같은 BI 도구 활용
    * 합격점수: 70%
    * 회사: IBM & Coursera
    * 가격: 7일 무료 사용 이후 월 $49
    * https://www.coursera.org/professional-certificates/ibm-data-analyst
    
    
 8. Power BI Data Analyst Associate
    * 마이크로소프트의 Power BI 데이터 분석가 준회원 자격증
    * 파워 쿼리 사용 및 데이터 분석 식(DAX)을 사용한 식 작성 능력을 측정하는 시험
    * 시험시간:100분, 시험문항: 40 - 60, 합격점수: 700/1000
    * 회사: Microsoft
    * 가격: 시험별 $165
    * https://learn.microsoft.com/en-us/credentials/certifications/data-analyst-associate/?practice-assessment-type=certification
      
      
 9. Certified Advanced Analytics Professional
    * 다양한 통계 분석 및 예측 모델링 기법으로 빅데이터를 분석할 수 있는 능력을 검증하는 SAS 공인 고급 분석 전문가 자격증
    * 시험과목 - 3개 과정: SAS 엔터프라이즈 마이너 7, 13, 14를 사용한 예측 모델링 시험, SAS 고급 예측 모델링, SAS 텍스트 분석, 시계열, 실험 및 최적화
    * 시험문항:50 - 55(각 과정별)시험시간: 110분, 합격점수: 725/1000
    * 회사: SAS
    * 가격: SAS 엔터프라이즈 마이너 7, 13, 14를 사용한 예측 모델링 시험:$250, SAS 고급 예측 모델링:$165, SAS 텍스트 분석, 시계열, 실험 및 최적화시험:$165
    * https://www.sas.com/en_us/certification/credentials/advanced-analytics/advanced-analytics-professional.html

** AWS Certified Data Engineer - Associate
 * 핵심 데이터 관련 AWS 서비스에 대한 역량과 지식, 데이터 수집 및 변환, 프로그래밍 개념을 적용한 데이터 파이프라인 오케스트레이션, 데이터 모델 설계, 데이터 수명 주기 관리, 데이터 품질 보장 능력을 검증
 * 시험시간: 130분, 시험문항: 65개 문항, 객관식 또는 복수 응답, 시험방식: 대면 또는 온라인 테스트, Pearson VUE, 감독, 합격점수: 720/1000
 * 회사: AWS
 * 시험비용: $150
 * https://aws.amazon.com/ko/certification/certified-data-engineer-associate/

** Azure Data Engineer Associate(DP-203)
 * 시험항목: Data Engineering on Microsoft Azure, Azure Data Lake Storage Gen2, Azure Synapse Analytics, Azure Synapse 서버리스, Azure Synapse Analytics
 * 시험시간:100분, 합격점수: 700/1000, 시험방식: 온라인, Pearson VUE 테스트 센터, 감독
 * 회사: 마이크로소프트
 * 시험비용: $115
 * https://learn.microsoft.com/ko-kr/credentials/certifications/azure-data-engineer/?practice-assessment-type=certification

** Professional Data Engineer
 * 평가항목: 데이터 처리 시스템 설계, 데이터 수집 및 처리, 데이터 저장, 분석을 위한 데이터 준비 및 사용, 데이터 워크로드 유지 및 자동화
 * 시험시간: 2시간, 시험 형식: 50-60문항, 객관식 및 다중선택, 합격점수: 80%
 * 회사: Google Cloude
 * 시험비용: $200
 * https://cloud.google.com/learn/certification/data-engineer?utm_source=google&utm_medium=cpc&utm_campaign=japac-SG-all-en-dr-SKWS-all-all-trial-DSA-dr-1605216&utm_content=text-ad-none-none-DEV_c-CRE_655856180768-ADGP_Hybrid%20%7C%20SKWS%20-%20BRO%20%7C%20DSA%20-All%20Webpages-KWID_39700076131767978-dsa-1456167871416&userloc_1030721-network_g&utm_term=KW_&gad_source=1&gclid=CMb40tyemocDFeLPhAAdxzoDkA&gclsrc=ds
   
   
** Snowflake의 SnowPro® Certifications
 * 스노우플레이크 클라우드 데이터 플랫폼 사용 숙련도를 검증하는 자격증으로 기초 - 고급으로 구성
 * 시험항목: Snowflake상의 데이터 로드 및 변환, 가상 웨어하우스의 성능 및 동시성 , DDL 및 DML 쿼리, 반정형 및 비정형 데이터의 사용, Cloning 및 Time Travel, 데이터 공유, Snowflake 계정 구조 및 관리
 * 시험형식: 객관식, 선다형, 참/거짓, 합격점수: 750,
 * 시험 비용: 핵심 인증 시험:$175, 고급 인증:$375
 * https://learn.snowflake.com/en/certifications/

** Databricks의 Data Engineer Professional 자격증
 * 데이터브릭스 공인 데이터 엔지니어 전문가 자격증
 * 시험항목: Databricks Tooling – 20%, Data Processing – 30%, Data Modeling – 20%, Security and Governance – 10%, Monitoring and Logging – 10%, Testing and Deployment – 10%
 * 문항수: 객관식 60문항, 시험시간: 120분, 시험방식: 온라인
 * 시험비용: $200(+tax)
 * https://www.databricks.com/learn/certification/data-engineer-professional

 * source: https://www.cio.com/article/230388/big-data-certifications-that-will-pay-off.html?utm_date=20240709140214&utm_campaign=Top%20Enterprise%20Stories&utm_content=Brandpost%20Title%3A%20The%20top%209%20data%20analytics%20certifications&utm_term=Editorial%20-%20IDG%27s%20Top%20Enterprise%20Stories&utm_medium=email&utm_source=Adestra&huid=9d4dd075-c27c-4c62-a1cb-bedd06fa7033

자격증보다는 경력과 기술이 우선이지만, 자격증을 가지고 있다는 것은 최소한의 지식과 기술을 객관적으로 검증되었음을 증명하기도 합니다. 데이터 분석 경력에서 우위를 점하고 싶다면 다음의 9(+번외 5)가지 자격증 취득을 고려해보시기 바랍니다. <ol ><li>Associate Certified Analytics Professional (aCAP)<ul ><li>비즈니스 문제 프레임워크, 분석 문제 프레임워크, 데이터, 방법론 선택, 모델 구축, 배포, 수명 주기 관리 등 분석 프로세스의 7가지 영역을 검증하는 초급 분석 자격증</li><li>회사: INFORMS</li><li>가격: 회원: $205, 비회원: $300</li><li>https://certifiedanalytics.org/acap</li></ul> </li><li>Certified Analytics Professional (CAP)<ul ><li>비즈니스 및 분석 문제의 프레임워크부터 데이터 수집, 방법론, 모델 구축, 배포 및 모델 수명 주기 관리에 이르기까지 분석 프로세스에 대한 엔드투엔드 이해를 인증하는 공급업체 및 분석 기술 전문 자격증</li><li>회사: INFORMS</li><li>가격: 회원: $495, 비회원: $695 (팀 요금제 가능)</li><li>https://certifiedanalytics.org/cap</li></ul> </li><li>CDP Data Analyst(CDP-4001)<ul ><li>클라우데라 데이터 플랫폼(CDP) 데이터 분석가 자격증</li><li>Cloudera 데이터 시각화 및 Cloudera 데이터 웨어하우스는 물론 Apache Hive, Impala, Ranger 및 Atlas에 대한 지식 테스트</li><li>문제수: 50문항, 시험시간:120분, 합격점수: 60%, 시험방식: 온라인, 감독관 진행</li><li>회사: Cloudera</li><li>가격: $330</li><li>https://www.cloudera.com/services-and-support/training/certification/cdp-dataanalyst-exam-cdp-4001.html</li></ul></li></ol> <ol start="4"><li>CDP Generalist(CDP-0011)<ul ><li>클라우데라 데이터 플랫폼(CDP) 제너럴리스트 자격증</li><li>데이터 플랫폼에 대한 일반적인 지식을 테스트하며 관리자, 개발자, 데이터 분석가, 데이터 엔지니어, 데이터 과학자, 시스템 아키텍트를 대상</li><li>문제수: 60문항, 시험시간: 90분, 합격 점수:70%, 시험방식: 온라인, 감독관 감독</li><li>회사: Cloudera</li><li>가격: $330</li><li>https://www.cloudera.com/services-and-support/training/certification/cdp-generalist-exam-cdp-0011.html</li></ul> </li><li>Data+(DA0-001)<ul ><li>데이터 기반 비즈니스 의사 결정을 촉진하는 데 필요한 기술을 검증하는 초기 경력 데이터 분석 자격증</li><li>데이터 개념과 환경, 데이터 마이닝, 데이터 분석, 데이터 거버넌스, 품질 및 제어, 시각화 등</li><li>시험문제:90문항(객관식+성과 기반 문제), 시험시간:90분, 합격점수: 675(of 900),시험방식:Pearson VUE 온라인</li><li>회사: CompTIA</li><li>가격: $253</li><li>https://www.comptia.org/certifications/data</li></ul> </li><li>Data Analytics Professional Certificate<ul ><li>주니어 또는 준회원 데이터 분석가에게 필요한 실무 및 프로세스에 대한 이해를 검증하는 초급 수준의 구글 데이터 분석 자격증</li><li>분석을 위해 데이터를 정리 및 구성하고 스프레드시트, SQL 및 R 프로그래밍을 사용하여 분석 및 계산을 완료하는 방법</li><li>회사: Google &amp; Coursera</li><li>가격: 7일 무료 사용 이후 월 $49</li><li>https://www.coursera.org/professional-certificates/google-data-analytics</li></ul> </li><li>Data Analyst Professional Certificate<ul ><li>Pandas 및 Numpy와 같은 Python 라이브러리를 사용하여 데이터를 분석하고 API 및 웹 서비스를 호출하기 위해 Python 언어, Excel 스프레드시트에서 다양한 차트를 사용하여 데이터를 시각화하고 결과를 발표하는 방법과 IBM Cognos Analytics 및 Tableau와 같은 BI 도구 활용</li><li>합격점수: 70%</li><li>회사: IBM &amp; Coursera</li><li>가격: 7일 무료 사용 이후 월 $49</li><li>https://www.coursera.org/professional-certificates/ibm-data-analyst</li></ul> </li><li>Power BI Data Analyst Associate<ul ><li>마이크로소프트의 Power BI 데이터 분석가 준회원 자격증</li><li>파워 쿼리 사용 및 데이터 분석 식(DAX)을 사용한 식 작성 능력을 측정하는 시험</li><li>시험시간:100분, 시험문항: 40 - 60, 합격점수: 700/1000</li><li>회사: Microsoft</li><li>가격: 시험별 $165</li><li>https://learn.microsoft.com/en-us/credentials/certifications/data-analyst-associate/?practice-assessment-type=certification </li></ul></li><li>Certified Advanced Analytics Professional<ul ><li>다양한 통계 분석 및 예측 모델링 기법으로 빅데이터를 분석할 수 있는 능력을 검증하는 SAS 공인 고급 분석 전문가 자격증</li><li>시험과목 - 3개 과정: SAS 엔터프라이즈 마이너 7, 13, 14를 사용한 예측 모델링 시험, SAS 고급 예측 모델링, SAS 텍스트 분석, 시계열, 실험 및 최적화</li><li>시험문항:50 - 55(각 과정별)시험시간: 110분, 합격점수: 725/1000</li><li>회사: SAS</li><li>가격: SAS 엔터프라이즈 마이너 7, 13, 14를 사용한 예측 모델링 시험:$250, SAS 고급 예측 모델링:$165, SAS 텍스트 분석, 시계열, 실험 및 최적화시험:$165</li><li>https://www.sas.com/en_us/certification/credentials/advanced-analytics/advanced-analytics-professional.html</li></ul></li></ol> ** AWS Certified Data Engineer - Associate<ul ><li>핵심 데이터 관련 AWS 서비스에 대한 역량과 지식, 데이터 수집 및 변환, 프로그래밍 개념을 적용한 데이터 파이프라인 오케스트레이션, 데이터 모델 설계, 데이터 수명 주기 관리, 데이터 품질 보장 능력을 검증</li><li>시험시간: 130분, 시험문항: 65개 문항, 객관식 또는 복수 응답, 시험방식:&nbsp;대면 또는 온라인 테스트, Pearson VUE, 감독, 합격점수: 720/1000</li><li>회사: AWS</li><li>시험비용: $150</li></ul><ul ><li>https://aws.amazon.com/ko/certification/certified-data-engineer-associate/</li></ul> ** Azure Data Engineer Associate(DP-203)<ul ><li>시험항목: Data Engineering on Microsoft Azure, Azure Data Lake Storage Gen2, Azure Synapse Analytics, Azure Synapse 서버리스, Azure Synapse Analytics</li><li>시험시간:100분, 합격점수: 700/1000, 시험방식: 온라인, Pearson VUE 테스트 센터, 감독</li><li>회사: 마이크로소프트</li><li>시험비용: $115</li><li>https://learn.microsoft.com/ko-kr/credentials/certifications/azure-data-engineer/?practice-assessment-type=certification</li></ul> ** Professional Data Engineer<ul ><li>평가항목: 데이터 처리 시스템 설계, 데이터 수집 및 처리, 데이터 저장, 분석을 위한 데이터 준비 및 사용, 데이터 워크로드 유지 및 자동화</li><li>시험시간: 2시간, 시험 형식: 50-60문항, 객관식 및 다중선택, 합격점수: 80%</li><li>회사: Google Cloude</li><li>시험비용: $200</li><li>https://cloud.google.com/learn/certification/data-engineer?utm_source=google&amp;utm_medium=cpc&amp;utm_campaign=japac-SG-all-en-dr-SKWS-all-all-trial-DSA-dr-1605216&amp;utm_content=text-ad-none-none-DEV_c-CRE_655856180768-ADGP_Hybrid%20%7C%20SKWS%20-%20BRO%20%7C%20DSA%20-All%20Webpages-KWID_39700076131767978-dsa-1456167871416&amp;userloc_1030721-network_g&amp;utm_term=KW_&amp;gad_source=1&amp;gclid=CMb40tyemocDFeLPhAAdxzoDkA&amp;gclsrc=ds </li></ul>** Snowflake의 SnowPro® Certifications<ul ><li>스노우플레이크 클라우드 데이터 플랫폼 사용 숙련도를 검증하는 자격증으로 기초 - 고급으로 구성</li><li>시험항목: Snowflake상의 데이터 로드 및 변환, 가상 웨어하우스의 성능 및 동시성 , DDL 및 DML 쿼리, 반정형 및 비정형 데이터의 사용, Cloning 및 Time Travel, 데이터 공유, Snowflake 계정 구조 및 관리</li><li>시험형식: 객관식, 선다형, 참/거짓, 합격점수: 750,</li><li>시험 비용: 핵심 인증 시험:$175, 고급 인증:$375</li><li>https://learn.snowflake.com/en/certifications/</li></ul> ** Databricks의 Data Engineer Professional 자격증<ul ><li>데이터브릭스 공인 데이터 엔지니어 전문가 자격증</li><li>시험항목: Databricks Tooling – 20%, Data Processing – 30%, Data Modeling – 20%, Security and Governance – 10%, Monitoring and Logging – 10%, Testing and Deployment – 10%</li><li>문항수: 객관식 60문항, 시험시간: 120분, 시험방식: 온라인</li><li>시험비용: $200(+tax)</li><li>https://www.databricks.com/learn/certification/data-engineer-professional</li></ul> <ul ><li>source: https://www.cio.com/article/230388/big-data-certifications-that-will-pay-off.html?utm_date=20240709140214&amp;utm_campaign=Top%20Enterprise%20Stories&amp;utm_content=Brandpost%20Title%3A%20The%20top%209%20data%20analytics%20certifications&amp;utm_term=Editorial%20-%20IDG%27s%20Top%20Enterprise%20Stories&amp;utm_medium=email&amp;utm_source=Adestra&amp;huid=9d4dd075-c27c-4c62-a1cb-bedd06fa7033</li></ul>

데이터 분석 자격증 Top 9(+5)

Our project is at about 40 end points using tRPC V9 with react and we're experiencing a pretty substantial slowdown of typescript. Mutations in particular are excruciatingly slow at this point. We'...

Resources for improving typescript performance? · trpc/trpc · Discussion #2448

특히 버전 9에서 느리다는 의견이 많았음

https://github.com/trpc/trpc/discussions/2448

위의 이슈에서 버그 제보자는 약 40개 가량의 api 엔드포인트에서 속도저하 현상이 발생했다는 제보를 남겼음. 특히 useMutation과 관련하여 매우 느려졌다고 함.
​

이 이슈는 버전10에서 해결된 것으로 보임
​
```
With 100+ endpoints, and a relatively complex tooling and code base, (nx monorepo), we don't have any performance issues anymore. I am using v10
```
​
그러므로 tsc로 컴파일이 안된다던가 intellisense가 느린 이슈는 걱정하지 않아도 될것으로 보임
​

그런데 지금까지 왜 느렸을까? 아래 링크에서 힌트를 찾을 수 있음

https://gall.dcinside.com/mgallery/board/view/?id=github&no=49731

위의 댓글에서 samchon은 zod와 tRPC router에 TMP가 떡칠되어 있었기 때문에 느려진 것이라고 주장하였음. TMP란 Template metaprogramming의 줄임말로 본래 c++등의 타언어 커뮤니티에서 사용된 용어이고 타입스크립트 생태계에서 쓰이는 말은 아니다. 하지만 본질적으로 의미는 유사하다. 타입스크립트의 제네릭 타입을 이용하여 통상적인 방법으로는 불가능한 각종 타입추론을 구현하는 방법인데 이것에 대해서만 전문적으로 다루는 유튜브 채널이 있다

https://www.youtube.com/@MichiganTypeScript​

가령 Subtract 타입은 뺄셈을 구현한 것인데 Subtract<1, 1> 의 타입은 0이 되고 Subtract<2, 1>의 타입은 1이 된다. 이런 매직은 주로 재귀함수를 통해서 구현된다. 상세는 https://www.youtube.com/watch?v=yWZqtsTVuug 참조

samchon이 주장하는 바는 이런식의 타입 레벨 프로그래밍이 TSServer 또는 tsc 컴파일러에 과부하를 주어서 IDE 인텔리센스의 추론속도를 느리게 만들거나 컴파일 에러를 유발한다는 것. 이 의견은 일리가 있는데 실제로 과거 zod 버전은 ts서버에 과도한 cpu사용을 유발하였음. 또다른 제보자는 인텔리센스에 무려 2초가 걸렸다고 함. 상세는 아래 참조
https://github.com/colinhacks/zod/issues/2142

이 버그는 현재 수정되었음

​그 외에 과거 zod 버전에서 재귀 타입 이슈로 TSServer의 cpu 사용량이 과도한 이슈가 있었던 것으로 보임 (이 정보는 convex 메인테이너인 john에게 들었음)

​결론적으로 재귀 타입을 비롯한 타입 레벨 프로그래밍이 퍼포먼스 하락에 영향을 미쳤던 것으로 보임.

GitHub

tRPC가 느렸던건 사실이었고 해당 이슈는 수정된 것으로 보임

Zod로 입출력 간 데이터 변환하기

Zod가 부가적인 기능으로 입출력 간 데이터 변환도 지원한다는 사실을 아시나요? 이번 게시물에서는 Zod를 사용하여 스키마 수준에서 편리하게 데이터 변환을 해보도록 하겠습니다.

https://www.daleseo.com/zod-transformation/

유효성 검증 라이브러리 Zod에 대한 기본적인 사용법에 대해서는 아래 게시물을 참고 바랍니다.

📕 타입스크립트를 쓰는데도 유효성 검증이 필요할까?
https://careerly.co.kr/comments/85236

📘 Zod로 유효성 검증과 타입 선언 두 마리 토끼 잡기 🐰🐰
https://careerly.co.kr/comments/85998

📗 Zod를 통한 타입스크립트 친화적인 스키마 정의
https://careerly.co.kr/comments/87238

www.daleseo.com

My Stack Is Changing

이 비디오에서는 Drizzle ORM, Chad의 UI 패키지, React 서버 컴포넌트 등 풀 스택 개발에 대한 새로운 도구와 개선 사항, 미래의 T3 스택을 위해 서버 데이터와 클라이언트 작업 간의 간극을 줄이기 위한 데이터 업데이트 패턴 재구성의 필요성 등이 다루어집니다.

- 🚀 T3 스택은 모듈러 접근법으로 풀 스택 개발을 혁신적으로 바꿨지만, 새로운 옵션이 이제는 사용 가능합니다.
    - T3 스택은 구축 방법을 분류하고 자바스크립트 세계의 미들웨어 스택(Mean Stack)과 같은 시대를 대표합니다.
    - 연사자는 혁신적인 기술과 트렌디한 스택 트렌드를 놓쳤지만 서버리스와 엣지 컴퓨팅을 채용하여 풀 스택 애플리케이션을 구축하는 데 성공했습니다.
    - T3 스택은 연사자의 오만함에서 시작되었으며 자신의 이니셜을 따서 명명되었으며, 피카츄 앱에 대한 동영상을 통해 널리 알려졌습니다. 이것은 제품을 위해 사람들의 둥글기에 대한 인식을 이해하는 데 도움이 되었습니다.
    - T3 스택은 더 모듈러화되고 일관성 있는 풀 스택 솔루션으로 전환되었으나 이제는 오래되어 더 좋은 옵션이 있습니다.
    - 비즈니스 목적으로 새로운 기술을 채용할 때 안전한 기술과 위험한 기술을 구별하는 것이 중요합니다. 필수 데이터베이스 저장소를 변경하는 위험을 감수하지 않고도 새로운 방식으로 클라이언트 측에서 데이터를 가져오고 렌더링하는 방법을 실험하는 것이 좋습니다.
    - T3 스택의 핵심 구성 요소는 TypeScript, trpc, Next.js이며, Prisma, Tailwind, Auth0는 일반적인 추가 요소이며, Redis 기반 캐싱과 크론 작업에 필수적인 Upstash입니다.
- 💡 Trpc, TypeScript 및 Prisma는 인상적인 도구입니다. 하지만 성능 및 배포에 문제가 있으며, 잠재적인 개선 사항이 있습니다.
    - 연사는 자신이 인상 깊게 생각한 다섯 개의 회사와의 경험을 논하며, 텍스트 에디터에서 TypeScript 서버의 성능 문제를 언급합니다.
    - Trpc의 무거운 추론과 Zod의 결합은 문제를 일으킬 수 있지만, 새로운 모듈 업데이트로 개선될 것이며, 프로젝트 참조를 보다 쉽게 분할하기 위해 더 지능적인 자동 생성이 필요하다는 연사의 제안을 언급합니다.
    - 연사는 TypeScript 서버와 ESLint를 통한 충돌 및 느린 성능 문제를 논하며, TS reset의 도입으로 개선될 가능성을 표현합니다.
    - Trpc V10은 인상적이고 이식성이 있지만, React 서버 구성 요소 지원 코드베이스에서 trpc의 역할은 다릅니다. 이제는 next.js, bling, remix 및 solid start 등의 많은 옵션이 존재하며 React와 백엔드를 결합하는 방법을 고려해야 합니다.
    - Prisma는 타입 안전한 DB 관리를 위한 최고의 폴 스택 DX입니다. 그러나 대용량 바이너리 크기와 느린 콜드 스타트 시간으로 인해 배포가 어렵습니다.
    - 몇 가지 버그를 수정하기 위한 개선이 이루어졌습니다. 그러나 충분하지는 않으며, Json 기능 플래그는 데이터베이스.js 방법을 통해 어디서든 가져올 수 있도록 하며, HTTP 3 지원에 대한 업데이트로 쿼리 및 응답을 일괄 처리할 수 있게 됩니다.
- 💻 Drizzle ORM은 SQL과 유사한 구문과 데이터베이스 관리를 위한 유망한 TypeScript 도구로, Prisma를 대체할 잠재력을 가지고 있습니다.
    - Kiesley는 데이터베이스를 쿼리하는 흥미로운 구문을 가진 타입 안전한 쿼리 빌더이지만, 데이터베이스의 유형을 알지 못하거나 스키마를 정의하고 데이터베이스를 업데이트할 수 있는 방법이 없습니다.
    - Drizzle ORM은 TypeScript를 사용하며 SQL과 유사한 구문을 사용하는 데이터베이스 관리에 유망한 도구입니다.
    - 특히 이름 바꾸기, 제거 및 이동을 포함하는 마이그레이션은 역호환성이 없으며 배포 타이밍과 환경 동기화에 대한 신중한 고려가 필요하므로 코드 베이스 내에서 변경 사항을 추가하거나 제거하는 것이 좋습니다.
    - Drizzle kit push는 이제 MySQL에서 사용할 수 있으며, Prisma를 대체할 수 있으며, Tailwind는 강력한 도구이며 Talent도 고려할 만합니다.
    - SQL 위에 좋은 개발자 경험이 중요하며, 세계의 나머지와 호환되지 않는 데이터 표준을 사용하는 것은 실용적이지 않습니다.
- 👀 Chad의 UI 패키지는 tailwind와 Radix UI를 사용한 예제 컴포넌트를 제공하지만, JavaScript 부재와 불분명한 비즈니스 모델에 대한 우려가 존재합니다.
    - Chad의 UI 패키지는 패키지로 설치하는 것이 아니라 코드 베이스에 복사하여 붙여넣을 수 있는 tailwind와 Radix UI를 사용한 예제 컴포넌트를 제공합니다.
    - Radix UI는 Tailwind UI의 무료 대안이며, 커스터마이즈 가능한 컴포넌트의 소스 코드를 제공하여 headless UI보다 더 나은 옵션입니다.
    - 발언자는 이 도구가 HTML만 제공하고 JavaScript가 없어 우려하며, 비즈니스 모델이 불분명하여 Tailwind CSS를 선호합니다.
    - Tailwind는 좋은 위치에 있으며, JS를 끄는 것은 인증에 대한 최선의 옵션입니다. 그러나 더 많은 커스터마이징이 필요한 사람들에게는 적합하지 않을 수 있습니다.
    - Clerk는 테스트를 위한 사전 제공 업체 키를 갖추고 있으며, create T3 app과의 통합도 검토 중입니다.
    - Turbo 리포와 Turbo 팩은 개발자 경험과 확장성을 유지하기 위해 필수적이며, 캐싱의 정밀도와 변경된 파일만 다시 컴파일하여 업데이트가 더 빠르고 대규모 작업에서는 덜 작업해도 되도록 해줍니다.
- 💻 React 서버 구성요소는 제약 없이 서버 사이드 렌더링을 할 수 있게 해주지만, 데이터베이스 연결과 렌더링에 있어 일부 데이터 검색 도구들이 유용하지 않을 수 있다는 점이 주의해야 한다.
    - Turbo는 추상화가 아니며, 시각적으로 복잡한 면이 있지만, 나중에는 모노레포 옵션이 제공될 수도 있고, Create T3 Turbo를 사용하면 모바일과 웹 앱을 공유하는 백엔드 코드를 별도로 만들 수 있다.
    - Turbo Clerk는 인증 시스템을 포함한 강력한 Create T3의 파생 버전으로, 모바일과 웹 앱을 동일한 백엔드로 쉽게 배포할 수 있다.
    - React 서버 구성요소는 어려운 문제이며, 기본값이 되기는 어렵다.
    - React 서버 구성요소는 서버에서만 작동하므로, 데이터베이스 연결에 대한 주의와 일부 데이터 검색 도구들이 유용하지 않을 수 있다는 점이 있다.
    - 서버 구성요소와 함께 trpc를 사용하고 라우터에 호출자를 만들어 trpc 함수를 호출할 수 있으며, 서버 간 추가 지연 시간 없이 호출할 수 있는 SSG 도우미 패턴도 있다.
- 🚀 서버 구성 요소는 React 앱에서 데이터 가져오기와 업데이트를 간소화하지만 변형과 클라이언트 및 서버 캐시 간의 간격을 메우기 위해 새로운 패턴이 필요합니다.
    - dehydrated SSG 도우미로 미리 가져온 게시물은 쿼리 클라이언트 캐시에서 데이터를 업데이트할 수 있기 때문에 데이터 업데이트가 가능하지만, react server components 및 next.js 팀에서 변형 RFC가 아직 없어 검증과 스키마 정의에 관련된 잠재적인 문제가 있습니다.
    - 변형은 여전히 클라이언트 측 문제이며 react server component 패턴은 도움이 되지 않으므로 새로운 패턴을 개발해야 합니다.
    - 서버 구성 요소는 미래를 대비한 것으로 React 애플리케이션에서 데이터 가져오기와 업데이트를 간단하게 구현할 수 있으며, trpc 및 react query와 같은 도구가 업데이트 공간에서 도움이 됩니다.
    - 빠른 업데이트는 해결 방법을 재고해야 할 필요가 있으며 trpc를 사용하면 앱 라우터 라인이 다르게 정의되며 클라이언트와 서버 업데이트 간에 구분이 됩니다.
    - Next 13의 앱 라우터는 앱 디렉토리의 공식 용어이며 새로운 캐시 원시 타입을 이용해 클라이언트 측에서 세부적인 업데이트를 트리거하여 변경 사항을 쉽게 업데이트할 수 있습니다.
    - 접근성과 형식 안전성이 개선되었음에도 클라이언트와 서버 캐시 간의 간격은 넓어지고 있어 연결하는 것이 어려워지고 있습니다.
- 🚀 발표자는 T3 스택의 미래를 위해 데이터 업데이트 패턴을 재구성하고 서버 데이터와 클라이언트 작업 간의 간극을 좁히는 필요성에 대해 논의합니다.
    - 발표자는 새로운 서버 구성 요소 패턴을 사용하여 트위터 클론 프로젝트를 다시 만들었으며, SWR을 사용하여 트윗 게시를 위한 클라이언트 함수를 작성해야 했습니다.
    - 발표자는 SWR 뮤테이션 및 React 18의 useTransition 훅을 사용하여 낙관적 업데이트 레이어를 구현하여 서버에서 데이터를 가져온 후 DOM을 업데이트했습니다.
    - 현재 데이터 업데이트 및 변이 패턴은 기존 데이터 개념이 없으며 유형 안전성이 부족하여 사용자 경험을 개선하기 위해 완전히 재구성해야 함을 발표자는 제안합니다. 반면 새로운 서버 구성 요소는 데이터 가져오기에 대한 훨씬 간단하고 우아한 솔루션을 제공합니다.
    - 클라이언트 업데이트와 서버 데이터 가져오기 사이의 간극이 큰 문제이며, 상호 작용 경계에 다리를 건설하는 것이 T3 스택의 미래를 위해 필수적입니다.
    - 발표자는 서버 데이터와 클라이언트 작업 간의 간극을 좁히는 DX를 개선하고, 복잡성과 도전에 대해 인식하면서도 낙관적 업데이트 패턴 및 세분화된 캐싱 및 유효성 검사의 잠재력에 자신 있습니다
    - T3 스택의 미래는 개선된 성능을 위한 빠른 Prisma 대안, 개인 시리얼 탐색 및 create O3 앱 및 bling과 같은 대체 스택의 실험을 포함합니다.
- 💻 Bling은 타입 안전성과 일관성을 갖춘 클라이언트 앱에서 서버 함수 작성을 간소화하여 전체 스택 JavaScript 프레임워크 개발에 강력한 구성 요소로 작용합니다.
    - Bling은 새로운 구문으로, 전체 Veet 생태계에서 일관된 개발자 경험과 타입 안전성을 보장하며 클라이언트 애플리케이션에서 서버 함수 작성을 쉽게합니다.
    - 서버 달러 기호 매크로는 백엔드 파일을 생성하는 간단한 구문을 제공하며 모든 애플리케이션에서 일관된 개발자 경험과 타입 안전성을 보장합니다.
    - Bling은 클라이언트 측 JavaScript 프레임워크에서 Veet이 수행한 작업과 유사한, 전체 스택 JavaScript 프레임워크 개발에 강력한 구성 요소입니다.
    - Bling은 보다 빠른 반복 및 혁신을 가능하게하는 소프트웨어 개발의 미래이며, 새로운 전체 스택 프레임워크의 생성으로 이어질 것입니다.

www.youtube.com

1️⃣ crsql
https://github.com/vlcn-io/cr-sqlite

crsql (Convergent, Replicated SQLite)는 SQLite에 대한 CRDT를 지원하는 multi-writer이다. 공통 스키마를 공유하는 데이터베이스를 병합할 수 있다.

2️⃣ GreptimeDB
https://github.com/grepTimeTeam/greptimedb/

그렙타임DB는 클라우드 네이티브 분산 시계열 데이터베이스다. 그렙타임DB는 시계열 데이터, 인덱스 옵션, 네이티브 SQL, Python 스크립팅 등을 처리하기 위해 최적화된 컬럼지향 레이아웃을 제공한다.

3️⃣ Openblocks
https://github.com/openblocks-dev/openblocks

리툴 (Retool)과 비슷하지만 오픈 소스 버전이다. 로우 코드 앱 만들기 및 관리 개발 도구다.

4️⃣ xq
https://github.com/sibprogrammer/xq

xq는 명령 줄 XML과 HTML의 미화 프로그램이며 콘텐츠 추출기이다.

5️⃣ Dagger
https://github.com/dagger/dagger

Dagger는 컨테이너에서 파이프라인을 실행하는 프로그래밍 가능한 CI/CD 엔진

6️⃣ Podman Desktop
https://github.com/containers/podman-desktop#download

팟맨 데스크톱은 개발자들이 컨테이너와 쿠버네티스로 작업할 수 있게 해주는 그래픽 인터페이스이다.

7️⃣ cozo
https://github.com/cozodb/cozo

cozo는 트랜잭션 및 관계형 데이터베이스

8️⃣ jc
https://github.com/kellyjonbrazil/jc

jc는 명령 줄 도구이자 파이썬 라이브러리로, 많은 CLI 도구, 파일 형식, 공통 문자열의 출력을 JSON으로 변환할 수 있다.

9️⃣ Grafana Phlare
https://github.com/grafana/phlare

그라파나 플레어는 지속적인 프로파일링 데이터를 집계하는 시스템이다.

🔟 hishtory
https://github.com/ddworken/hishtory

history는 셸 이력을 컨텍스트에 저장하고 쉽게 쿼리할 수 있다.

🪴 함께 읽으면 좋은 글:  

코딩 면접 합격을 위한 무료 깃허브 리포지토리
https://careerly.co.kr/comments/69125

생산성을 높여주는 도구 모음
https://careerly.co.kr/comments/69440

개발자가 읽어야 할 책 20권
https://careerly.co.kr/comments/67611

알고리즘, 시스템 디자인 면접 완벽 준비 팁 + 무료 템플릿 https://careerly.co.kr/comments/67099

알아 두면 좋은 깃허브 오픈 소스 10가지

유용한 정보 공유 감사합니다! 이번 주도 힘내세요~

달레와 함께 코딩 테스트를 준비해볼까요?

달레의 코딩 테스트

지난 2년간, 매주 한 문제씩 코딩 테스트 문제를 풀고 그 과정을 유튜브에 기록했습니다. 그렇게 쌓인 영상이 어느덧 100개가 된 거 있죠? 그동안의 노력이 고스란히 담긴 플레이리스트를 쭉 스크롤해보니 괜히 뿌듯해지네요. 🥹

🎞️ 플레이리스트: https://www.youtube.com/playlist?list=PLapoeRAdKitdzTMQ7hq2h5zw39BaAVgbM

많은 분들이 제가 코딩 테스트 문제를 좋아한다고 오해하시는데요. 사실 전 세상에서 코딩 테스트가 제일 두렵고 싫어요. 😭 이직할 때마다 진저리가 나도록 준비해야 했던 코딩 테스트는 늘 스트레스였습니다. 손을 놓고 있자니 감이 떨어질 것 같고, 그렇다고 혼자서 풀자니 재미가 드럽게 없고... 게다가 코딩 테스트에 면접관으로 들어가니 지원자보다 문제에 대해서 더 잘 알아야 하더라고요. 소프트웨어 개발자인 저에게 코딩 테스트는 꼭 해야 하지만 늘 부담스러운, 그런 "필요악" 같은 존재였습니다.

특히 저는 코딩 테스트에서 문제를 푸는 것보다, 그 과정을 효과적으로 표현하고 전달하는 게 쉽지 않아서 늘 고민이었어요. 게다가 제가 면접 때 극도로 긴장을 하는 편이라서 저만의 특별한 훈련이 필요하다고 느꼈지요. 그래서 떠올린 방법이 바로 유튜브에 문제 풀이 영상을 올리는 것이었습니다. 유튜브 초보에게 카메라 앞에서 문제를 푸는 건 실전 면접만큼이나 떨리는 경험이죠 ㅎㅎ 😂

이렇게 한 문제 한 문제 강렬하게 연습하다보니 자연스럽게 유튜브에 올린 문제는 왠만하면 잊어버리지 않게 되었습니다. 댓글로 남겨주신 피드백을 통해 문제를 다양한 시각으로 바라볼 수 있는 능력도 키울 수 있었고요. 혹시 저처럼 코딩 테스트를 어려워하시는 분이 계시다면, 꼭 유튜브가 아니더라도 일부로 불편한 상황을 설정해놓고 자신만의 방식으로 꾸준히 연습해보시길 추천드리고 싶습니다

요즘엔 리트코드 뿐만 아니라 프로그래머스 문제도 풀어달라는 요청이 많네요. 풀 문제가 많습니다 ㅋㅋ 이제 200문제를 향해 달려볼께용~ 🏃‍♂️

지난 2년간, 매주 한 문제씩 코딩 테스트 문제를 풀고 그 과정을 유튜브에 기록했습니다. 그렇게 쌓인 영상이 어느덧 100개가 된 거 있죠? 그동안의 노력이 고스란히 담긴 플레이리스트를 쭉 스크롤해보니 괜히 뿌듯해지네요. 🥹 🎞️ 플레이리스트: https://www.youtube.com/playlist?list=PLapoeRAdKitdzTMQ7hq2h5zw39BaAVgbM 많은 분들이 제가 코딩 테스트 문제를 좋아한다고 오해하시는데요. 사실 전 세상에서 코딩 테스트가 제일 두렵고 싫어요. 😭 이직할 때마다 진저리가 나도록 준비해야 했던 코딩 테스트는 늘 스트레스였습니다. 손을 놓고 있자니 감이 떨어질 것 같고, 그렇다고 혼자서 풀자니 재미가 드럽게 없고... 게다가 코딩 테스트에 면접관으로 들어가니 지원자보다 문제에 대해서 더 잘 알아야 하더라고요. 소프트웨어 개발자인 저에게 코딩 테스트는 꼭 해야 하지만 늘 부담스러운, 그런 "필요악" 같은 존재였습니다. 특히 저는 코딩 테스트에서 문제를 푸는 것보다, 그 과정을 효과적으로 표현하고 전달하는 게 쉽지 않아서 늘 고민이었어요. 게다가 제가 면접 때 극도로 긴장을 하는 편이라서 저만의 특별한 훈련이 필요하다고 느꼈지요. 그래서 떠올린 방법이 바로 유튜브에 문제 풀이 영상을 올리는 것이었습니다. 유튜브 초보에게 카메라 앞에서 문제를 푸는 건 실전 면접만큼이나 떨리는 경험이죠 ㅎㅎ 😂 이렇게 한 문제 한 문제 강렬하게 연습하다보니 자연스럽게 유튜브에 올린 문제는 왠만하면 잊어버리지 않게 되었습니다. 댓글로 남겨주신 피드백을 통해 문제를 다양한 시각으로 바라볼 수 있는 능력도 키울 수 있었고요. 혹시 저처럼 코딩 테스트를 어려워하시는 분이 계시다면, 꼭 유튜브가 아니더라도 일부로 불편한 상황을 설정해놓고 자신만의 방식으로 꾸준히 연습해보시길 추천드리고 싶습니다 요즘엔 리트코드 뿐만 아니라 프로그래머스 문제도 풀어달라는 요청이 많네요. 풀 문제가 많습니다 ㅋㅋ 이제 200문제를 향해 달려볼께용~ 🏃‍♂️

🎯 유튜브에 100번째 코딩 테스트 문제 풀이 영상을 올렸습니다!

이번에 우아한형제들 기술 블로그에 "타입 안전한 API 모킹으로 프론트엔드 생산성 높이기"라는 새 글을 발행하게 되었습니다.

주문웹프론트개발팀(배달의민족 장바구니부터 결제까지 담당)은 다양한 시나리오를 테스트하기 위해 10개가 넘는 시나리오 별 JSON 파일을 관리하고 있었습니다.

하지만 API 모킹을 위한 JSON 파일이 점점 늘어나면서, 변경된 API 스펙을 목 데이터에 실수로 반영하지 않아 개발 환경에서 '흰 화면' 이슈를 겪는 등의 문제가 발생했습니다.

이 글은 타입 안전한 API 모킹을 통해 흰 화면 이슈를 방지하고, 유지보수 비용을 줄이기 위한 여정을 담고 있습니다.

API 모킹 방식에 고민이 있거나 반복적인 모킹 작업에 피로를 느끼는 프론트엔드 개발자분들께 도움이 되었으면 합니다.

https://techblog.woowahan.com/22127/

이번에 우아한형제들 기술 블로그에 "타입 안전한 API 모킹으로 프론트엔드 생산성 높이기"라는 새 글을 발행하게 되었습니다. 주문웹프론트개발팀(배달의민족 장바구니부터 결제까지 담당)은 다양한 시나리오를 테스트하기 위해 10개가 넘는 시나리오 별 JSON 파일을 관리하고 있었습니다. 하지만 API 모킹을 위한 JSON 파일이 점점 늘어나면서, 변경된 API 스펙을 목 데이터에 실수로 반영하지 않아 개발 환경에서 '흰 화면' 이슈를 겪는 등의 문제가 발생했습니다. 이 글은 타입 안전한 API 모킹을 통해 흰 화면 이슈를 방지하고, 유지보수 비용을 줄이기 위한 여정을 담고 있습니다. API 모킹 방식에 고민이 있거나 반복적인 모킹 작업에 피로를 느끼는 프론트엔드 개발자분들께 도움이 되었으면 합니다. https://techblog.woowahan.com/22127/

타입 안전한 API 모킹으로 프론트엔드 생산성 높이기

구성원들과 일대일(1on1)이나 손님과 커피챗 등을 하다 보면, 종종 커리어에 대한 이야기를 나눈다. 때로는 구체적인 계획을 가지고 대화에 임하는 분들도 있지만, 많은 경우 막연함을 느끼거나 혹시나 뒤처지는 것은 아닐까 하는 조급함(FOMO) 속에서 섣부른 결정을 꺼내는 분들도 있다. 그럴 때 나는 조용히 여쭙곤 한다. "몇 년 뒤, 어떤 모습의 개발자가 되어 있기를 바라시나요?" 이 질문을 시작으로, 함께 커리어 방향을 구체화하는 데 필요한 요소들을 찾아보고, 무엇을 좋아하고 잘하는지 스스로를 깊이 들여다보는 시간을 가지며 실마리를 풀어가곤 한다.

나 역시 비슷한 과정을 거쳐왔다. 제조 기업의 전산실에서 처음 사회생활을 시작해, 시스템 통합(SI) 프로젝트의 역동성을 경험하고, 이후 플랫폼 기업에서 대규모 시스템의 복잡성을 배웠으며, 지금은 디지털 제품을 만드는 스타트업에서 도전을 이어가고 있다. 지난 십여 년간 다양한 산업 도메인에서 엔터프라이즈급 애플리케이션을 구축하고 운영하는 일을 해왔다. 돌아보면 운이 좋게도 그 과정 속에서 내가 진정으로 좋아하는 것과 잘 해낼 수 있는 영역을 발견했고, 이를 바탕으로 커리어를 원하는 방향으로 조금씩 만들어올 수 있었다.

나는 특히 소프트웨어의 아키텍처, 즉 애플리케이션의 전체적인 구조를 설계하고 만들어가는 과정에 깊은 흥미를 느끼며, 이 부분을 비교적 잘 다룬다. 여기서 '잘 다룬다'는 것은, 초기 단계에서 비즈니스의 요구사항과 기술적 제약을 고려하여 필요한 수준의 추상화를 통해 유연한 구조를 제안하는 것뿐만 아니라, 시간이 흐름에 따라 변화하는 상황에 맞춰 애플리케이션의 개선 지점을 찾아내고, 구조를 점진적으로 발전시켜나가는 활동까지 포함한다. 새로운 애플리케이션을 처음부터 설계하고 구축하는 경험도 소중했지만, 오랜 시간 동안 운영되어 온 레거시 시스템을 이해하고, 그 안에서 새로운 가치를 찾아내며 현대적인 기술로 진화시키는 과정 역시 나에게 큰 성장의 밑거름이 되었다. 이러한 경험들이 차곡차곡 쌓이면서, 개별 애플리케이션을 넘어 다수의 애플리케이션과 인프라스트럭처가 복잡하게 얽힌 시스템 전체의 청사진을 그리고, 이를 실제로 구현해내는 역량으로 발전할 수 있었다고 생각한다. 이를 통해 비즈니스의 장기적인 목표와 변화에 발맞춰 시스템 구조를 짧게는 수개월, 길게는 수년에 걸쳐 어떻게 가꾸어 나갈지에 대한 로드맵을 수립하고 실행하는 역할을 수행하고 있다.

그래서 나는 스스로를
시스템 빌더(System Builder)
라고 소개한다. 이는 공식적으로 통용되는 호칭은 아니지만, 내가 하는 일의 본질을 가장 잘 담아내는 표현이라고 생각하기 때문이다. 나에게 시스템 빌더란 단순히 코드를 작성하는 것을 넘어, 비즈니스의 목표를 깊이 이해하고, 이를 기술적인 해결책으로 구체화하여 안정적이고 확장 가능한 시스템이라는 결과물로 만들어내는 사람을 의미한다. 또한, 시스템이 살아있는 유기체처럼 지속적으로 변화하고 성장할 수 있도록 장기적인 관점에서 고민하고, 필요한 기술과 자원을 조율하며, 때로는 복잡한 문제들 사이에서 최적의 경로를 찾아내는 길잡이 역할까지 포함한다. 물론 나를 구성하는 다른 많은 역량과 경험들이 있겠지만, 내가 어떤 개발자인지를 설명하는 데 있어 이
시스템 빌더
라는 정체성이 가장 명확하고 핵심적인 설명이라고 생각하고 있다.

결국, 자신을 어떤 개발자로 정의하고 싶은지에 대한 고민은, 앞서 구성원들과 나눴던 "몇 년 뒤 어떤 개발자가 되고 싶으세요?"라는 질문에 대한 스스로의 답을 찾아가는 여정이다. 나에게 시스템 빌더라는 호칭은 오랜 시간 동안 내가 걸어온 길과 내가 추구하는 가치를 담아낸 나만의 답변인 셈이다. 이처럼 스스로의 강점과 열정을 발견하고 자신만의 정체성을 찾아가는 과정은, 때로는 어렵고 시간이 걸릴지라도 커리어를 주체적으로 만들어가는 데 있어 무엇보다 중요하다고 믿고 있다.

이 글을 읽는 여러분께서도 각자의 자리에서 빛나는 자신만의 '무엇'을 찾아내어 커리어를 만들어가기를 진심으로 응원하겠다.

구성원들과 일대일(1on1)이나 손님과 커피챗 등을 하다 보면, 종종 커리어에 대한 이야기를 나눈다. 때로는 구체적인 계획을 가지고 대화에 임하는 분들도 있지만, 많은 경우 막연함을 느끼거나 혹시나 뒤처지는 것은 아닐까 하는 조급함(FOMO) 속에서 섣부른 결정을 꺼내는 분들도 있다. 그럴 때 나는 조용히 여쭙곤 한다. "몇 년 뒤, 어떤 모습의 개발자가 되어 있기를 바라시나요?" 이 질문을 시작으로, 함께 커리어 방향을 구체화하는 데 필요한 요소들을 찾아보고, 무엇을 좋아하고 잘하는지 스스로를 깊이 들여다보는 시간을 가지며 실마리를 풀어가곤 한다. 나 역시 비슷한 과정을 거쳐왔다. 제조 기업의 전산실에서 처음 사회생활을 시작해, 시스템 통합(SI) 프로젝트의 역동성을 경험하고, 이후 플랫폼 기업에서 대규모 시스템의 복잡성을 배웠으며, 지금은 디지털 제품을 만드는 스타트업에서 도전을 이어가고 있다. 지난 십여 년간 다양한 산업 도메인에서 엔터프라이즈급 애플리케이션을 구축하고 운영하는 일을 해왔다. 돌아보면 운이 좋게도 그 과정 속에서 내가 진정으로 좋아하는 것과 잘 해낼 수 있는 영역을 발견했고, 이를 바탕으로 커리어를 원하는 방향으로 조금씩 만들어올 수 있었다. 나는 특히 소프트웨어의 아키텍처, 즉 애플리케이션의 전체적인 구조를 설계하고 만들어가는 과정에 깊은 흥미를 느끼며, 이 부분을 비교적 잘 다룬다. 여기서 '잘 다룬다'는 것은, 초기 단계에서 비즈니스의 요구사항과 기술적 제약을 고려하여 필요한 수준의 추상화를 통해 유연한 구조를 제안하는 것뿐만 아니라, 시간이 흐름에 따라 변화하는 상황에 맞춰 애플리케이션의 개선 지점을 찾아내고, 구조를 점진적으로 발전시켜나가는 활동까지 포함한다. 새로운 애플리케이션을 처음부터 설계하고 구축하는 경험도 소중했지만, 오랜 시간 동안 운영되어 온 레거시 시스템을 이해하고, 그 안에서 새로운 가치를 찾아내며 현대적인 기술로 진화시키는 과정 역시 나에게 큰 성장의 밑거름이 되었다. 이러한 경험들이 차곡차곡 쌓이면서, 개별 애플리케이션을 넘어 다수의 애플리케이션과 인프라스트럭처가 복잡하게 얽힌 시스템 전체의 청사진을 그리고, 이를 실제로 구현해내는 역량으로 발전할 수 있었다고 생각한다. 이를 통해 비즈니스의 장기적인 목표와 변화에 발맞춰 시스템 구조를 짧게는 수개월, 길게는 수년에 걸쳐 어떻게 가꾸어 나갈지에 대한 로드맵을 수립하고 실행하는 역할을 수행하고 있다. 그래서 나는 스스로를 <code >시스템 빌더(System Builder)</code>라고 소개한다. 이는 공식적으로 통용되는 호칭은 아니지만, 내가 하는 일의 본질을 가장 잘 담아내는 표현이라고 생각하기 때문이다. 나에게 시스템 빌더란 단순히 코드를 작성하는 것을 넘어, 비즈니스의 목표를 깊이 이해하고, 이를 기술적인 해결책으로 구체화하여 안정적이고 확장 가능한 시스템이라는 결과물로 만들어내는 사람을 의미한다. 또한, 시스템이 살아있는 유기체처럼 지속적으로 변화하고 성장할 수 있도록 장기적인 관점에서 고민하고, 필요한 기술과 자원을 조율하며, 때로는 복잡한 문제들 사이에서 최적의 경로를 찾아내는 길잡이 역할까지 포함한다. 물론 나를 구성하는 다른 많은 역량과 경험들이 있겠지만, 내가 어떤 개발자인지를 설명하는 데 있어 이 <code >시스템 빌더</code>라는 정체성이 가장 명확하고 핵심적인 설명이라고 생각하고 있다. 결국, 자신을 어떤 개발자로 정의하고 싶은지에 대한 고민은, 앞서 구성원들과 나눴던 "몇 년 뒤 어떤 개발자가 되고 싶으세요?"라는 질문에 대한 스스로의 답을 찾아가는 여정이다. 나에게 시스템 빌더라는 호칭은 오랜 시간 동안 내가 걸어온 길과 내가 추구하는 가치를 담아낸 나만의 답변인 셈이다. 이처럼 스스로의 강점과 열정을 발견하고 자신만의 정체성을 찾아가는 과정은, 때로는 어렵고 시간이 걸릴지라도 커리어를 주체적으로 만들어가는 데 있어 무엇보다 중요하다고 믿고 있다. 이 글을 읽는 여러분께서도 각자의 자리에서 빛나는 자신만의 '무엇'을 찾아내어 커리어를 만들어가기를 진심으로 응원하겠다.

나는 시스템 빌더이다

﻿
우리 부모님 세대는 첫 직장이 중요하다고 이야기하십니다. 맞는 말입니다. 커리어를 어디서 시작하는지 결정하는 일은 중요합니다. 그러나 첫 직장이 커리어 여정 전부를 확정 짓는 요소가 되지 않습니다. 부모님 세대는 한곳에서 쭉 근무하는 것이 당연한 일이었습니다. 이직이라는 개념이 문제가 있을 때 피치 못하게 발생하는 것으로 부정적인 인식이 강하였기 때문입니다. 그래서 한 직장에서 30년 이상 근무하고 명예롭게 정년퇴직하는 분들이 많았습니다.

시대가 변하여 평생직장의 개념이 사라졌습니다. 한곳에 오래 머물기보다 필요에 따라 이동하는 것이 일반화되었습니다. 더 이상 이직을 하는 것이 경력에 흉이 되지 않고, 오히려 다양한 장점이 있는 흥나는 일이 되었습니다. 다양한 산업 군을 경험하는 것이 비즈니스 견문을 넓히는 기회가 됩니다. 다양한 사람들을 만나 네트워크를 확장하는 것도 큰 자산이 됩니다. 다양한 업무를 진행하는 것도 기술적 역량을 성장시키는 데 도움이 됩니다.

낀 세대인 저는 여전히 이직을 보수적으로 보지만, 정작 본인은 이직을 적지 않게 실행에 옮겼습니다. 물론 자의도 있고, 타의로 직장을 옮겨야 하는 때도 있었습니다. 반면, 아내는 한 직장에 10년 이상 오래 근무하고 한 번 이직 후 또 오래 근무할 생각을 갖고 있습니다. 아내와 같이 한 직장에 오래 머무는 것이 좋다는 생각이 듭니다. 이리저리 옮겨봐야 거기서 거기라는 경험이 있기 때문입니다. 매년 연봉이 조금씩 오르더라도 한곳에 머물며 익숙한 사람들과 인프라 속에서 안정적으로 일을 하는 것이 좋다는 생각이 들었습니다.

한 직장에 오래 근무하는 것이 객관적으로 진짜 좋으냐 묻는다면, 그건 조금 더 따져봐야 합니다. 위와 같이 이야기한 내용은 전적으로 이직을 적지 않게 실행한 사람의 소해일 뿐입니다. 주변 사람들을 보면 주니어 시절엔 비교적 작은 회사에서 짧은 근속 기간을 갖고, 이후 커리어 점프업을 통해 큰 회사에 들어가서 오래 근무하는 특징이 있습니다. 이렇게 전략적으로 이직하는 것이 또 좋으냐 묻는다면, 개인 커리어는 기호 식품을 먹는 것과 같아서 각자 알아서 판단하면 되는 영역이라고 생각합니다.

회사를 옮기는 이직만큼 직무를 바꾸는 것도 어렵지 않습니다. 다양한 직무에서 요구하는 공통 역량이 존재하기 때문입니다. 문제 정의, 문제 해결 기획, 문서화, 추진력, 일정관리 등 하드 스킬과 소프트 스킬 측면에서 공통 역량을 어필하면 직무 전환을 해볼 수 있습니다. 물론 쉽진 않습니다. 회사를 옮기는 것보다 더 직무를 바꾸는 일을 보수적으로 바라보기 때문입니다. 이것도 한 직장에서 오래 근무하는 것을 미덕으로 바라보는 시선과 맥랑이 닿아 있습니다. 한 직무를 오래 경험하는 것이 스페셜리스트로 직무 전문성을 갖고 있다고 믿기 때문입니다. 그러나 저는 한 직무를 오래 해야 전문성이 생긴다고 믿지 않습니다. 정확히 이야기하면 전문성은 시간에 비례하여 저절로 생기는 것이 아니라 상대적으로 더 많이 고민하고 실행해 본 사람에게 축적되는 것이 전문성이라고 생각합니다.

한때 ‘압축 성장’이라는 말이 유행했습니다. 짧은 시간 동안 집약적으로 지식과 경험을 쌓아서 전문가가 된다는 의미입니다. 위에 이야기한 내용처럼 전문성은 시간에 비례하여 저절로 생기는 것이 아니라는 메시지를 다르게 표현한 개념입니다. 전문성을 측정할 수 있다면, 전문성을 갖기 위해 무조건 많은 시간이 필요한 것이 아니라 짧은 시간 동안에도 지식과 경험을 밀도 있게 채우면 전문성을 가질 수 있다는 것입니다. 학원 홍보처럼 3개월 또는 6개월 만에 어떤 기술을 완성할 수 있다는 건 조금 믿기 어렵지만, 반드시 10년 이상 한 우물을 파야 지하수를 발견할 수 있는 건 아니라고 생각합니다. 한 직무를 2-3년만 파도 그 기간 동안 고민하여 실행한 내용이 밀도 있다면 전문성을 갖게 된 것이라고 판단할 수 있습니다. 그래서 개인적으로 경력 연차가 직무 전문성을 파악하는 지표가 되기 어렵다고 생각합니다. 완전히 무시할 순 없지만, 경험과 역량을 객관적으로 파악하여 요구하는 수준에 도달해 있는지 판단할 수 있으면 충분하지 않을까요?

오늘 하려던 이야기가 이게 아니었는데, 주제에 대한 배경 설명을 빌드 업하려다 보니 딴소리가 길어졌습니다. 내일 오늘 생각했던 주니어 시절 직무 선택에 대해서 이야기를 해보겠습니다. 오늘도 직무 선택으로 고민하고 방황하는 모든 분들을 진심으로 응원합니다. 무엇이든 다 여러분에게 도움이 될 일들입니다. 자신 있게 선택하세요. 파이팅!

﻿우리 부모님 세대는 첫 직장이 중요하다고 이야기하십니다. 맞는 말입니다. 커리어를 어디서 시작하는지 결정하는 일은 중요합니다. 그러나 첫 직장이 커리어 여정 전부를 확정 짓는 요소가 되지 않습니다. 부모님 세대는 한곳에서 쭉 근무하는 것이 당연한 일이었습니다. 이직이라는 개념이 문제가 있을 때 피치 못하게 발생하는 것으로 부정적인 인식이 강하였기 때문입니다. 그래서 한 직장에서 30년 이상 근무하고 명예롭게 정년퇴직하는 분들이 많았습니다. 시대가 변하여 평생직장의 개념이 사라졌습니다. 한곳에 오래 머물기보다 필요에 따라 이동하는 것이 일반화되었습니다. 더 이상 이직을 하는 것이 경력에 흉이 되지 않고, 오히려 다양한 장점이 있는 흥나는 일이 되었습니다. 다양한 산업 군을 경험하는 것이 비즈니스 견문을 넓히는 기회가 됩니다. 다양한 사람들을 만나 네트워크를 확장하는 것도 큰 자산이 됩니다. 다양한 업무를 진행하는 것도 기술적 역량을 성장시키는 데 도움이 됩니다. 낀 세대인 저는 여전히 이직을 보수적으로 보지만, 정작 본인은 이직을 적지 않게 실행에 옮겼습니다. 물론 자의도 있고, 타의로 직장을 옮겨야 하는 때도 있었습니다. 반면, 아내는 한 직장에 10년 이상 오래 근무하고 한 번 이직 후 또 오래 근무할 생각을 갖고 있습니다. 아내와 같이 한 직장에 오래 머무는 것이 좋다는 생각이 듭니다. 이리저리 옮겨봐야 거기서 거기라는 경험이 있기 때문입니다. 매년 연봉이 조금씩 오르더라도 한곳에 머물며 익숙한 사람들과 인프라 속에서 안정적으로 일을 하는 것이 좋다는 생각이 들었습니다. 한 직장에 오래 근무하는 것이 객관적으로 진짜 좋으냐 묻는다면, 그건 조금 더 따져봐야 합니다. 위와 같이 이야기한 내용은 전적으로 이직을 적지 않게 실행한 사람의 소해일 뿐입니다. 주변 사람들을 보면 주니어 시절엔 비교적 작은 회사에서 짧은 근속 기간을 갖고, 이후 커리어 점프업을 통해 큰 회사에 들어가서 오래 근무하는 특징이 있습니다. 이렇게 전략적으로 이직하는 것이 또 좋으냐 묻는다면, 개인 커리어는 기호 식품을 먹는 것과 같아서 각자 알아서 판단하면 되는 영역이라고 생각합니다. 회사를 옮기는 이직만큼 직무를 바꾸는 것도 어렵지 않습니다. 다양한 직무에서 요구하는 공통 역량이 존재하기 때문입니다. 문제 정의, 문제 해결 기획, 문서화, 추진력, 일정관리 등 하드 스킬과 소프트 스킬 측면에서 공통 역량을 어필하면 직무 전환을 해볼 수 있습니다. 물론 쉽진 않습니다. 회사를 옮기는 것보다 더 직무를 바꾸는 일을 보수적으로 바라보기 때문입니다. 이것도 한 직장에서 오래 근무하는 것을 미덕으로 바라보는 시선과 맥랑이 닿아 있습니다. 한 직무를 오래 경험하는 것이 스페셜리스트로 직무 전문성을 갖고 있다고 믿기 때문입니다. 그러나 저는 한 직무를 오래 해야 전문성이 생긴다고 믿지 않습니다. 정확히 이야기하면 전문성은 시간에 비례하여 저절로 생기는 것이 아니라 상대적으로 더 많이 고민하고 실행해 본 사람에게 축적되는 것이 전문성이라고 생각합니다. 한때 ‘압축 성장’이라는 말이 유행했습니다. 짧은 시간 동안 집약적으로 지식과 경험을 쌓아서 전문가가 된다는 의미입니다. 위에 이야기한 내용처럼 전문성은 시간에 비례하여 저절로 생기는 것이 아니라는 메시지를 다르게 표현한 개념입니다. 전문성을 측정할 수 있다면, 전문성을 갖기 위해 무조건 많은 시간이 필요한 것이 아니라 짧은 시간 동안에도 지식과 경험을 밀도 있게 채우면 전문성을 가질 수 있다는 것입니다. 학원 홍보처럼 3개월 또는 6개월 만에 어떤 기술을 완성할 수 있다는 건 조금 믿기 어렵지만, 반드시 10년 이상 한 우물을 파야 지하수를 발견할 수 있는 건 아니라고 생각합니다. 한 직무를 2-3년만 파도 그 기간 동안 고민하여 실행한 내용이 밀도 있다면 전문성을 갖게 된 것이라고 판단할 수 있습니다. 그래서 개인적으로 경력 연차가 직무 전문성을 파악하는 지표가 되기 어렵다고 생각합니다. 완전히 무시할 순 없지만, 경험과 역량을 객관적으로 파악하여 요구하는 수준에 도달해 있는지 판단할 수 있으면 충분하지 않을까요? 오늘 하려던 이야기가 이게 아니었는데, 주제에 대한 배경 설명을 빌드 업하려다 보니 딴소리가 길어졌습니다. 내일 오늘 생각했던 주니어 시절 직무 선택에 대해서 이야기를 해보겠습니다. 오늘도 직무 선택으로 고민하고 방황하는 모든 분들을 진심으로 응원합니다. 무엇이든 다 여러분에게 도움이 될 일들입니다. 자신 있게 선택하세요. 파이팅!﻿

이직의 조건

어제 출시된 따끈따끈한 ChatGPT Codex를 실제 프로젝트 레포에 써 보았습니다.

테스트가 있으면 스스로 테스트도 실행하고, 만든거 스스로 실행해보면서 버그도 수정하고 하는게 기특하긴 합니다.

물론 아직은 바닥부터 레포를 따서 만들게는 못하고, 네트워크가 제한되어 있고, 아주 복합적인 프로젝트는 잘 처리하지 못하는등의 한계가 매우 많습니다.

그래서 아직은 아주 작은, 환경이 격리된 상태에서도 문제 없는 프로젝트 정도에만 유용할 것 같습니다. 그러니까 리서치 프리뷰겠죠.

하지만 이것들은 어렵지 않게(?) 해결이 가능한 것이고, 무엇보다 “야 너 이것 좀 함 해와봐”의 컨셉이 제대로라서 상당히 기대가 됩니다.

기존의 Agent는 기다리면 되는거긴 해도 페어 프로그래밍 정도였다면, 이건 진짜로 누구에게 시키는 느낌이 듭니다. 딥 리서치의 상위 호환같은 느낌이에요.

컨셉의 기본 자체는 상당히 완성도가 높아서 매우 빠르게 발전할 것 같습니다. 향후 1년 안에 진짜로 주니어 개발자 수준은 될 것 같네요.

어제 출시된 따끈따끈한 ChatGPT Codex를 실제 프로젝트 레포에 써 보았습니다. 테스트가 있으면 스스로 테스트도 실행하고, 만든거 스스로 실행해보면서 버그도 수정하고 하는게 기특하긴 합니다. 물론 아직은 바닥부터 레포를 따서 만들게는 못하고, 네트워크가 제한되어 있고, 아주 복합적인 프로젝트는 잘 처리하지 못하는등의 한계가 매우 많습니다. 그래서 아직은 아주 작은, 환경이 격리된 상태에서도 문제 없는 프로젝트 정도에만 유용할 것 같습니다. 그러니까 리서치 프리뷰겠죠. 하지만 이것들은 어렵지 않게(?) 해결이 가능한 것이고, 무엇보다 “야 너 이것 좀 함 해와봐”의 컨셉이 제대로라서 상당히 기대가 됩니다. 기존의 Agent는 기다리면 되는거긴 해도 페어 프로그래밍 정도였다면, 이건 진짜로 누구에게 시키는 느낌이 듭니다. 딥 리서치의 상위 호환같은 느낌이에요. 컨셉의 기본 자체는 상당히 완성도가 높아서 매우 빠르게 발전할 것 같습니다. 향후 1년 안에 진짜로 주니어 개발자 수준은 될 것 같네요.

어제 출시된 따끈따끈한 ChatGPT Codex를 실제 프로젝트 

부대끼는 실리콘밸리 사람들 사이에서 샘 알트만의 탈출구는 농장이다. 샘의 넓은 농장은 나파 밸리의 포도나무가 우거진 언덕을 관통하는 도로 끝에 있다. 나는 널찍한 베이 윈도우(사다리꼴 모양으로 튀어나온 창)가 있는 집의 오픈 키친에서 약간 헝클어진 머리를 한 40세의 샘 알트만을 봤고, 바로 들어간다. 그의 당혹스러운 표정을 보니 나는 예상치 못한 손님이다. 알고 보니 내가 거의 한 시간 일찍 도착했다. ChatGPT의 배후자인 이 남자는 회의를 마무리하고 정원에서 나와 합류할 것이다. 나는 집과 이어진 포도나무 그늘 퍼골라 아래에서 기다린다.‘런치 윗 FT’를 위해, 알트만은 사람들로 둘러싸일 가능성이 높은 식당에서의 만남 대신 자기 농장에서 간단한 채식 식사를 만들어주겠다고 제안했다. 그가 운영하는 오픈AI 가 2022년 생성형 AI를 출시한 뒤, 알트만은 순식간에 세계적인 ‘셀럽’이 되었다. 작년 그는 소프트웨어 엔지니어인 남자친구와 결혼했고 최근 대리모를 통해 아들을 낳았다(그는 어떤 아기 침대를 구매할지 ChatGPT에 문의했다). 그래서 그는 요즘 나파 밸리의 농장에서 더 많은 시간을 보낸다.단 몇 분 후에 알트만이 정원에 나왔다. 그는 오픈 AI를 인류 역사상 가장 빠르게 성장하는 회사 중 하나로 발전시켰다. 기업가치는 놀랍게도 2500억 달러 이상으로 평가된다. 또 AI 패권을 향한 경쟁도 계속 치열하게 펼쳐나가고 있다. 이 경쟁은 인공 일반 지능(artificial general intelligence)의

샘 알트만: "지금 당신이 o3보다 더 똑똑하다고 생각하세요?" : 오호츠크 리포트

샘 알트먼의 농장에 가서 약간 맛없고 건강한 걸 해주는 알트먼과 이야기하는 파이낸셜 타임즈 기자와의 이야기입니다. o3 과 향후 인공지능에 관한 이야기인데 너무 재미있네요.

그들이 먹은 음식은.

메뉴
샘 알트먼의 농장
나파 밸리, 캘리포니아

고추, 마늘, 호두, 파슬리, 페코리노 치즈가 들어간 파스타
구운 당근
당근과 무우 샐러드
에스프레소
차

샘 알트먼의 농장에 가서 약간 맛없고 건강한 걸 해주는 알트먼과 이야기하는 파이낸셜 타임즈 기자와의 이야기입니다. o3 과 향후 인공지능에 관한 이야기인데 너무 재미있네요. 그들이 먹은 음식은. 메뉴샘 알트먼의 농장나파 밸리, 캘리포니아 고추, 마늘, 호두, 파슬리, 페코리노 치즈가 들어간 파스타구운 당근당근과 무우 샐러드에스프레소차

55check.com

샘 알트만: "지금 당신이 o3보다 더 똑똑하다고 생각하세요?"

1. 네이버를 두 번 다녔다. 퇴사 후 다른 회사들을 거쳐 다시 입사했다. 지금은 모르겠으나 당시에는 비개발 직군 재입사는 처음 있는 일이었다. 대표와 창업자의 컨펌까지 필요했다. 다른 이유는 아니다. 사례가 없던 예외 케이스였기 때문이다.

2. 네이버 다녀요. 낯선 누군가를 만나서 나를 소개한다. 그 이상의 질문은 없었다. 회사의 브랜드와 이미지 때문이었을까. 네이버에서 무슨 일을 하는지 궁금해하는 사람은 없었다. 나는 직장인이었다. 누구나 알고 선망의 대상이 되는 회사를 다니는.

3. 쿠팡과 마이리얼트립. 전자는 전 국민이 아는 회사고, 후자도 여행씬에서는 선 굵은 회사가 됐다. 하지만 내가 합류했을 때는 전혀 아니었다. 그저 이제 막 시작하는 작은 스타트업이었을 뿐이다.

4. 쿠팡에 있을 때 로켓배송을 런칭했다. 오늘 주문하면 내일 받아요. 지금은 너무 당연하고 자연스럽다. 그 당시에는? 그 누구도 그게 가능하다고 믿지 않았다. 심지어 만드는 사람들조차도.

5. 쿠팡 다녀요. 그게 무슨 회사인데? 당시 네이버 동료를 만났다. 하는 일을 설명했다. 아, 배송하는구나? 구구절절 설명해도 이해시키지 못했다. 그게 맞아요. 대화의 매듭을 짓기 일쑤였다.

6. 마이리얼트립도 똑같았다. 당시 마이 리틀 텔레비전이란 프로그램이 인기였다. 줄여서 마리텔이라 불렀다. 마이리얼트립의 약자는 마리트. 둘의 단어를 모두 다 헷갈려 했다.

7. 그때의 여행 시장은 패키지 상품뿐이었다. 여행을 원하는 고객의 선택지는 많지 않았다. 자유여행의 수요를 받아내는 가이드 투어 시장의 크기는 가늠되기 전이었다. 역시나 하는 일의 설명은 쉽지 않았다. 그냥 여행사구나. 정확한 설명 보다 쉬운 마무리로 끝낼 때가 많았다.

8. 지금, 스페이스오디티도 낯설다. 우리는 팬 중심의 케이팝 생태계를 꿈꾼다. 소비자인 팬에게 쉽고 재밌는 덕질을, 아티스트에게는 새로운 팬이 생기게 돕는다. 이 일은 엔터 사람에게도 생소하다. 씬을 바꿔보려는 시도니까. 평범한 소비자는 이해하기 더 어렵다. 아직은.

9. 회사는 내가 아니다. 멋진 회사명, 그 테두리 안에 있을 때는 회사가 나인 거 같다. 파트너를 대하거나 주변 사람을 만날 때도 역시 동일시된다. 그게 바로 직장인이다. 회사의 미래가 나의 미래인가? 나의 미래는 회사인가? 당연히 둘 다 아니다. 착각하면 안 된다.

10. 직업인은 다르다. 어디에 적을 두고 있건, 가치는 내가 만든다. 나의 역량이 곧 나의 가치다. 주어진 문제를 풀고, 새로운 가치를 만든다. 대부분의 스타트업이 그렇다. 회사명도 내가 하는 일도 아무도 모른다. 그래서 더더욱 내가 중요하다. 오히려 내가 회사를 만들어가야 한다.

11. 평생직장의 시대는 갔다. 이제는 기술로 일자리도 사라진다. 직업인으로써의 내 정체성은 무엇일까. 그것을 어떻게 정의하고, 성장할지의 고민이 더 중요하다. 그래서 '직업'인으로 성장하는데 스타트업은 좋은 '직장'이다.

1. 네이버를 두 번 다녔다. 퇴사 후 다른 회사들을 거쳐 다시 입사했다. 지금은 모르겠으나 당시에는 비개발 직군 재입사는 처음 있는 일이었다. 대표와 창업자의 컨펌까지 필요했다. 다른 이유는 아니다. 사례가 없던 예외 케이스였기 때문이다. ​2. 네이버 다녀요. 낯선 누군가를 만나서 나를 소개한다. 그 이상의 질문은 없었다. 회사의 브랜드와 이미지 때문이었을까. 네이버에서 무슨 일을 하는지 궁금해하는 사람은 없었다. 나는 직장인이었다. 누구나 알고 선망의 대상이 되는 회사를 다니는. ​3. 쿠팡과 마이리얼트립. 전자는 전 국민이 아는 회사고, 후자도 여행씬에서는 선 굵은 회사가 됐다. 하지만 내가 합류했을 때는 전혀 아니었다. 그저 이제 막 시작하는 작은 스타트업이었을 뿐이다. ​4. 쿠팡에 있을 때 로켓배송을 런칭했다. 오늘 주문하면 내일 받아요. 지금은 너무 당연하고 자연스럽다. 그 당시에는? 그 누구도 그게 가능하다고 믿지 않았다. 심지어 만드는 사람들조차도. ​5. 쿠팡 다녀요. 그게 무슨 회사인데? 당시 네이버 동료를 만났다. 하는 일을 설명했다. 아, 배송하는구나? 구구절절 설명해도 이해시키지 못했다. 그게 맞아요. 대화의 매듭을 짓기 일쑤였다. ​6. 마이리얼트립도 똑같았다. 당시 마이 리틀 텔레비전이란 프로그램이 인기였다. 줄여서 마리텔이라 불렀다. 마이리얼트립의 약자는 마리트. 둘의 단어를 모두 다 헷갈려 했다. ​7. 그때의 여행 시장은 패키지 상품뿐이었다. 여행을 원하는 고객의 선택지는 많지 않았다. 자유여행의 수요를 받아내는 가이드 투어 시장의 크기는 가늠되기 전이었다. 역시나 하는 일의 설명은 쉽지 않았다. 그냥 여행사구나. 정확한 설명 보다 쉬운 마무리로 끝낼 때가 많았다. ​8. 지금, 스페이스오디티도 낯설다. 우리는 팬 중심의 케이팝 생태계를 꿈꾼다. 소비자인 팬에게 쉽고 재밌는 덕질을, 아티스트에게는 새로운 팬이 생기게 돕는다. 이 일은 엔터 사람에게도 생소하다. 씬을 바꿔보려는 시도니까. 평범한 소비자는 이해하기 더 어렵다. 아직은. ​9. 회사는 내가 아니다. 멋진 회사명, 그 테두리 안에 있을 때는 회사가 나인 거 같다. 파트너를 대하거나 주변 사람을 만날 때도 역시 동일시된다. 그게 바로 직장인이다. 회사의 미래가 나의 미래인가? 나의 미래는 회사인가? 당연히 둘 다 아니다. 착각하면 안 된다. ​10. 직업인은 다르다. 어디에 적을 두고 있건, 가치는 내가 만든다. 나의 역량이 곧 나의 가치다. 주어진 문제를 풀고, 새로운 가치를 만든다. 대부분의 스타트업이 그렇다. 회사명도 내가 하는 일도 아무도 모른다. 그래서 더더욱 내가 중요하다. 오히려 내가 회사를 만들어가야 한다. ​11. 평생직장의 시대는 갔다. 이제는 기술로 일자리도 사라진다. 직업인으로써의 내 정체성은 무엇일까. 그것을 어떻게 정의하고, 성장할지의 고민이 더 중요하다. 그래서 '직업'인으로 성장하는데 스타트업은 좋은 '직장'이다. ​

< '네이버 다녀요'라는 말에 아무도 무슨 일을 하는지는 묻지 않

1. 기술이 세상을 다 먹은 지 오래다. AI가 세상을 다 바꿔버리는 요즘에 테크란 단어는 참 새삼스럽다. 하지만 케이팝을 중심으로 하는 엔터 시장은 이제 시작이다.

2. 블록체인, 메타버스, AR/VR, NFT, web3만 테크가 아니다. 가치보다 기술을 앞세운 시도는 모두 망했다. 적어도 대중적인 성공은 아직 없으니까. 다른 산업에서도 자리를 못 잡은 기술로 엔터에서 성공할 수 있을까. 새로움은 아이디어 싸움이 아니다. 아이디어만으로는 세상을 절대 바꿀 수 없다.

3. 기본이 중요하다. 시작은 고객을 이해하는 일이다. 아티스트를 만드는 기획사는 고객인 팬을 잘 모른다. 고객을 만들고, 이해하는데 엔터에 테크가 결합해서 만들 수 있는 가치가 많다. 크게 세 가지 키워드다.

4. 첫 번째 디지털. 디지털은 복제 비용이 제로다. 비용이 줄면, 마진이 커져야 한다. 또한, 모든 유저는 흔적을 남긴다. 데이터다. 데이터로 고객이 누군지 알고, 써먹을 수 있어야 한다.

5. 엔터는 그러한가? 아니다. 디지털 음원으로 사용자는 편리하다. 유통사는 돈을 번다. 그럼 기획사는? 음원은 음반을 대체한다. 게다가 유저의 데이터를 갖고 있지도 못하다.

6. 아티스트가 자산이다. 사람을 파는 게 가장 확실한 수익모델이다. 오랜시간 달라지지 않았다. 음반을 사면 포카를 준다. 포카는 가챠다. 음반을 많이 사야 팬사인회를 간다. 공연과 광고도 마찬가지다. 모두 오프라인, 사람 중심이다. 복제할 수 없다. 물리적 한계가 명확하다. 이게 최선이 아니란 건 모두 다 알고 있다. 하지만 당장 대안은 없다.

7. 둘째 공급자 마인드. 만든다고 팔리지 않는다. 취향은 쪼개지고, 상품은 무한하다. 팬의 돈과 시간은 한정되어 있다. 하이브 의장은 라이트 팬이 적은게 케이팝의 위기라 말했다. 팔 사람이 더 필요하다는 얘기다. 공급자 중심의 시대는 이미 끝났다. 그때는 맞고 지금은 틀리다. 이제는 하던 대로 해도, 안 팔린다. 똑같은 짓을 하면서, 다른 결과를 기대할 순 없다.

8. 다른 시장과 산업은? 모두 과거 얘기다. 기술이 모두 바꿨다. 이제 돈 내는 소비자가 왕이다. 그 누구도 불편함을 감수하며 지갑을 열지 않는다. 마지막 남은 시장이 엔터다. OTT로 눈이 높아진 고객은 수준 낮은 영화가 걸린 극장에 안 간다.

9. 데이터는 없다. 고객도 모른다. 막막하다. 심지어 치킨 집과 카페도 쿠폰을 주는 시대다. 모두 고객을 특정하려한다. 다시 찾게 이끄려고 한다. 엔터는 이런 최소한의 CRM 조차 없다.

10. 초동 100만 장. 누가 사는지 모른다. 100만이 아니라, 몇 명이, 또 누가 샀는지가 중요하다. 공연 티켓이 팔린다. 역시 누가 샀는지 모른다. 예매 사이트만 알뿐. 음원도 마찬가지. 스트리밍 숫자는 있어도, 누가 들었는지 모른다. 데이터가 없다. 팬이 누군지 모르는거다. 이제 먼저 수요부터 들여다봐야 한다.

11. 세 번째 창작의 과정. 역사적으로 창작의 과정은 진화해왔다. 건축과 제조는 대량생산에 적합했다. 생산 비용이 크다. 투자 비용도 크다. 건물을 만들다가 설계를 바꿀 순 없다. 반도체 같은 제도업도 마찬가지다. 초기 투자 비용이 크다. 기획과 설계가 중요하다.

12. 디지털은 다르다. 린하게 만들 수 있다. 기획보다 실행이 중요하다. 고객에게 물어보기다. 일단 작게 던져보고 고객의 피드백을 얻는다. 데이터를 본다. 이를 통해 배우고 다시 시도한다. 반복한다. 리스크가 줄었고 성공 확률은 높아졌다. 시행착오와 기회비용이 작다. 오늘날 IT 기반 스타트업이 일하는 방식이다. 이미 다 만들고 팔 궁리를 하면? 늦다. 무조건 실패다. 만들면서 팔 방법을 같이 고민해야 한다.

13. 물론 이런 시도가 없는 건 아니다. 사람이 기술과 만나자 IP가 중요해졌다. 아티스트의 메시지를 유료로 구독하고, 데뷔 전 아티스트를 노출하고 반응을 보기도 한다. 사람 리스크가 없는 버추얼 아티스트도 흥한다.

14. 고객에게 기술을 어필해서 성공한 제품은 없다. 사용자가 배워야 하는 서비스가 성공한 적도 없다. 이미 존재하는 기술을 써먹으려는 시도도 모두 실패했다. 하지만 기술은 반드시 필요하다. 보이지 않는 곳에서 가장 큰 가치를 만든다. 엔터가 고객을 만들고 이해하는데도 필수다.

15. 고객이 누구인가, 단골은 어떤 사람들인가. 새로운 걸 쫓는 게 아니라, 기본을 먼저 다시 돌아봐야 한다. 사업의 기본은 고객이니까. 내 물건과 가치를 알아보고 사 주는 사람. 엔터에서는 그게 곧 팬이다. 모든 아티스트는 팬이 있기에 존재할 수 있으니까. 엔터에 테크가 결합해서 만들 수 있는 무궁무진한 가치다.

1. 기술이 세상을 다 먹은 지 오래다. AI가 세상을 다 바꿔버리는 요즘에 테크란 단어는 참 새삼스럽다. 하지만 케이팝을 중심으로 하는 엔터 시장은 이제 시작이다. ​2. 블록체인, 메타버스, AR/VR, NFT, web3만 테크가 아니다. 가치보다 기술을 앞세운 시도는 모두 망했다. 적어도 대중적인 성공은 아직 없으니까. 다른 산업에서도 자리를 못 잡은 기술로 엔터에서 성공할 수 있을까. 새로움은 아이디어 싸움이 아니다. 아이디어만으로는 세상을 절대 바꿀 수 없다. ​3. 기본이 중요하다. 시작은 고객을 이해하는 일이다. 아티스트를 만드는 기획사는 고객인 팬을 잘 모른다. 고객을 만들고, 이해하는데 엔터에 테크가 결합해서 만들 수 있는 가치가 많다. 크게 세 가지 키워드다. ​4. 첫 번째 디지털. 디지털은 복제 비용이 제로다. 비용이 줄면, 마진이 커져야 한다. 또한, 모든 유저는 흔적을 남긴다. 데이터다. 데이터로 고객이 누군지 알고, 써먹을 수 있어야 한다. ​5. 엔터는 그러한가? 아니다. 디지털 음원으로 사용자는 편리하다. 유통사는 돈을 번다. 그럼 기획사는? 음원은 음반을 대체한다. 게다가 유저의 데이터를 갖고 있지도 못하다. ​6. 아티스트가 자산이다. 사람을 파는 게 가장 확실한 수익모델이다. 오랜시간 달라지지 않았다. 음반을 사면 포카를 준다. 포카는 가챠다. 음반을 많이 사야 팬사인회를 간다. 공연과 광고도 마찬가지다. 모두 오프라인, 사람 중심이다. 복제할 수 없다. 물리적 한계가 명확하다. 이게 최선이 아니란 건 모두 다 알고 있다. 하지만 당장 대안은 없다. ​7. 둘째 공급자 마인드. 만든다고 팔리지 않는다. 취향은 쪼개지고, 상품은 무한하다. 팬의 돈과 시간은 한정되어 있다. 하이브 의장은 라이트 팬이 적은게 케이팝의 위기라 말했다. 팔 사람이 더 필요하다는 얘기다. 공급자 중심의 시대는 이미 끝났다. 그때는 맞고 지금은 틀리다. 이제는 하던 대로 해도, 안 팔린다. 똑같은 짓을 하면서, 다른 결과를 기대할 순 없다. ​8. 다른 시장과 산업은? 모두 과거 얘기다. 기술이 모두 바꿨다. 이제 돈 내는 소비자가 왕이다. 그 누구도 불편함을 감수하며 지갑을 열지 않는다. 마지막 남은 시장이 엔터다. OTT로 눈이 높아진 고객은 수준 낮은 영화가 걸린 극장에 안 간다. ​9. 데이터는 없다. 고객도 모른다. 막막하다. 심지어 치킨 집과 카페도 쿠폰을 주는 시대다. 모두 고객을 특정하려한다. 다시 찾게 이끄려고 한다. 엔터는 이런 최소한의 CRM 조차 없다. ​10. 초동 100만 장. 누가 사는지 모른다. 100만이 아니라, 몇 명이, 또 누가 샀는지가 중요하다. 공연 티켓이 팔린다. 역시 누가 샀는지 모른다. 예매 사이트만 알뿐. 음원도 마찬가지. 스트리밍 숫자는 있어도, 누가 들었는지 모른다. 데이터가 없다. 팬이 누군지 모르는거다. 이제 먼저 수요부터 들여다봐야 한다. ​11. 세 번째 창작의 과정. 역사적으로 창작의 과정은 진화해왔다. 건축과 제조는 대량생산에 적합했다. 생산 비용이 크다. 투자 비용도 크다. 건물을 만들다가 설계를 바꿀 순 없다. 반도체 같은 제도업도 마찬가지다. 초기 투자 비용이 크다. 기획과 설계가 중요하다. ​12. 디지털은 다르다. 린하게 만들 수 있다. 기획보다 실행이 중요하다. 고객에게 물어보기다. 일단 작게 던져보고 고객의 피드백을 얻는다. 데이터를 본다. 이를 통해 배우고 다시 시도한다. 반복한다. 리스크가 줄었고 성공 확률은 높아졌다. 시행착오와 기회비용이 작다. 오늘날 IT 기반 스타트업이 일하는 방식이다. 이미 다 만들고 팔 궁리를 하면? 늦다. 무조건 실패다. 만들면서 팔 방법을 같이 고민해야 한다. ​13. 물론 이런 시도가 없는 건 아니다. 사람이 기술과 만나자 IP가 중요해졌다. 아티스트의 메시지를 유료로 구독하고, 데뷔 전 아티스트를 노출하고 반응을 보기도 한다. 사람 리스크가 없는 버추얼 아티스트도 흥한다. ​14. 고객에게 기술을 어필해서 성공한 제품은 없다. 사용자가 배워야 하는 서비스가 성공한 적도 없다. 이미 존재하는 기술을 써먹으려는 시도도 모두 실패했다. 하지만 기술은 반드시 필요하다. 보이지 않는 곳에서 가장 큰 가치를 만든다. 엔터가 고객을 만들고 이해하는데도 필수다. ​15. 고객이 누구인가, 단골은 어떤 사람들인가. 새로운 걸 쫓는 게 아니라, 기본을 먼저 다시 돌아봐야 한다. 사업의 기본은 고객이니까. 내 물건과 가치를 알아보고 사 주는 사람. 엔터에서는 그게 곧 팬이다. 모든 아티스트는 팬이 있기에 존재할 수 있으니까. 엔터에 테크가 결합해서 만들 수 있는 무궁무진한 가치다.

< 초동 100만 장, 그런데 팬은 어디 있죠? - 엔터 테크와

ChatGPT 사용할 때 어떤 모델을 선택해야할지 망설여집니다. 모델명만 봐서는 어떤게 좋은지 모르겠더라고요.

그래서 ChatGPT에게 설명을 부탁해봤습니다.

🧠 GPT-3.5 (2022)
→ 중학생처럼 똑똑한 AI. 질문 잘하지만 가끔 헷갈림.

🎓 GPT-4 (2023)
→ 고등학생 수준의 AI. 더 정확하고 추론도 잘함.

⚡ GPT-4-turbo (2023 말~)
→ GPT-4보다 빠르고 저렴한 버전. 급식 줄 안 서는 느낌!

🧑‍🎓 GPT-4.5 (비공식 명칭)
→ GPT-4랑 5 사이. 중3.5학년 느낌의 중간단계 모델.

🧞 GPT-4o = o4 (2024)
→ ‘omni’ = 만능! 글, 이미지, 음성까지 다 되는 AI 친구.

🧪 o3
→ GPT-4o의 시험판. 모의고사 버전 느낌.

🎯 o4-mini
→ GPT-4o보다 작고 빠른 축소형. 시험 족보 외우는 친구 느낌.

ChatGPT 사용할 때 어떤 모델을 선택해야할지 망설여집니다. 모델명만 봐서는 어떤게 좋은지 모르겠더라고요. 그래서 ChatGPT에게 설명을 부탁해봤습니다. 🧠 GPT-3.5 (2022)→ 중학생처럼 똑똑한 AI. 질문 잘하지만 가끔 헷갈림. 🎓 GPT-4 (2023)→ 고등학생 수준의 AI. 더 정확하고 추론도 잘함. ⚡ GPT-4-turbo (2023 말~)→ GPT-4보다 빠르고 저렴한 버전. 급식 줄 안 서는 느낌! 🧑‍🎓 GPT-4.5 (비공식 명칭)→ GPT-4랑 5 사이. 중3.5학년 느낌의 중간단계 모델. 🧞 GPT-4o = o4 (2024)→ ‘omni’ = 만능! 글, 이미지, 음성까지 다 되는 AI 친구. 🧪 o3→ GPT-4o의 시험판. 모의고사 버전 느낌. 🎯 o4-mini→ GPT-4o보다 작고 빠른 축소형. 시험 족보 외우는 친구 느낌.

ChatGPT 버전명 설명

공공디자인, 중앙정부를 넘어 Public Design Beyond Central Government Report 2025 핵심 인사이트 및 권고안 2025년 5월 7일 영국 디자인카운슬 '공공부문에서 디자인이 ...

공공디자인, 중앙정부를 넘어 - 영국 디자인카운슬, 2025

영국 디자인카운슬이 2025년 5월 발표한 'Public Design Beyond Central Gorvernment Report 2025'를 번역한 내용입니다. 현재 UX 업계에서 UX 리서치, UX 라이팅이 처한 상황과 유사한 상황에서 - 예산이 삭감되는 상황에서 그 역할을 지속할 것인가? 예전처럼 프로덕트 디자이너에게 통합할 것인가? 등의 논의 - 더 나은 사용자 경험을 고민하는 분들에게 일독을 추천합니다. 아래 링크를 통해서 원문 보고서*를 다운로드하실 수도 있습니다.

*보고서는 디자인카운슬의 ‘디자인 이코노미(Design Economy)’ 연구의 일환으로 2022년에 공공부문 종사자 1,018명을 대상으로 실시한 설문조사와, 2023~2024년에 공공디자인 리더 32명이 참여한 두 차례의 참여형 워크숍을 기반으로 했습니다.

"지금 영국 공공부문은 국가 전반의 구조적 위기를 반영하며 큰 압박에 놓여 있다. 향후 예산은 실질적으로 삭감될 가능성이 크고, 이미 NHS나 아동 특수교육과 같은 주요 영역에서는 대중의 신뢰가 흔들리고 있다. 이럴 때일수록 디자인 역량을 사치로 취급하며 우선순위에서 밀려나게 해서는 안 된다. 디자인은 어려운 시기에 더욱 절실한 자산이다. 디자인 역량을 활용하면 재정 제약 속에서도 시민과 함께 더 나은 서비스와 결과를 만들 수 있다."

[ 큐레이터의 문장 🎒 ]

1️⃣ 현재 공공부문 조직의 88%는 디자인이 자사에 중요한 역할을 한다고 답했다.

2️⃣ 영국 지방정부 50%가 내부에 서비스 디자이너를 고용하고 있다.

3️⃣ 공공부문에서 디자인이 가장 많이 활용되는 영역은 서비스와 프로세스 개선(71%)이다.

4️⃣ 현재 공공부문에서 58%는 디자인 업무를 하고 있다고 답했지만, 그중 스스로를 전문가라고 평가한 비율은 13%에 불과하다.

5️⃣ 응답자의 58%는 자신이 하는 일에 디자인이 포함된다고 답했으며, 약 1/3은 조직 전략 수준에서 디자인을 활용하고 있다고 응답했다.

https://www.designdb.com/?menuno=790&bbsno=31543&siteno=15&act=view&ztag=rO0ABXQAOTxjYWxsIHR5cGU9ImJvYXJkIiBubz0iNTkxIiBza2luPSJwaG90b19iYnNfMjAxOSI+PC9jYWxsPg%3D%3D#gsc.tab=0

영국 디자인카운슬이 2025년 5월 발표한 'Public Design Beyond Central Gorvernment Report 2025'를 번역한 내용입니다. 현재 UX 업계에서 UX 리서치, UX 라이팅이 처한 상황과 유사한 상황에서 - 예산이 삭감되는 상황에서 그 역할을 지속할 것인가? 예전처럼 프로덕트 디자이너에게 통합할 것인가? 등의 논의 - 더 나은 사용자 경험을 고민하는 분들에게 일독을 추천합니다. 아래 링크를 통해서 원문 보고서*를 다운로드하실 수도 있습니다. *보고서는 디자인카운슬의 ‘디자인 이코노미(Design Economy)’ 연구의 일환으로 2022년에 공공부문 종사자 1,018명을 대상으로 실시한 설문조사와, 2023~2024년에 공공디자인 리더 32명이 참여한 두 차례의 참여형 워크숍을 기반으로 했습니다. "지금 영국 공공부문은 국가 전반의 구조적 위기를 반영하며 큰 압박에 놓여 있다. 향후 예산은 실질적으로 삭감될 가능성이 크고, 이미 NHS나 아동 특수교육과 같은 주요 영역에서는 대중의 신뢰가 흔들리고 있다. 이럴 때일수록 디자인 역량을 사치로 취급하며 우선순위에서 밀려나게 해서는 안 된다. 디자인은 어려운 시기에 더욱 절실한 자산이다. 디자인 역량을 활용하면 재정 제약 속에서도 시민과 함께 더 나은 서비스와 결과를 만들 수 있다." [ 큐레이터의 문장 🎒 ] 1️⃣ 현재 공공부문 조직의 88%는 디자인이 자사에 중요한 역할을 한다고 답했다. 2️⃣ 영국 지방정부 50%가 내부에 서비스 디자이너를 고용하고 있다. 3️⃣ 공공부문에서 디자인이 가장 많이 활용되는 영역은 서비스와 프로세스 개선(71%)이다. 4️⃣ 현재 공공부문에서 58%는 디자인 업무를 하고 있다고 답했지만, 그중 스스로를 전문가라고 평가한 비율은 13%에 불과하다. 5️⃣ 응답자의 58%는 자신이 하는 일에 디자인이 포함된다고 답했으며, 약 1/3은 조직 전략 수준에서 디자인을 활용하고 있다고 응답했다. https://www.designdb.com/?menuno=790&amp;bbsno=31543&amp;siteno=15&amp;act=view&amp;ztag=rO0ABXQAOTxjYWxsIHR5cGU9ImJvYXJkIiBubz0iNTkxIiBza2luPSJwaG90b19iYnNfMjAxOSI+PC9jYWxsPg%3D%3D#gsc.tab=0

www.designdb.com

⟪디자인의 역할은 프로세스에서 낭비를 줄이고 생산성을 개선하는 것

사용자가 공유한 콘텐츠

<EBS에서 나온 AI 교재>
 
EBS에서 고등학생용으로 나온 인공지능 교재라고 하는데 상당히 자세하게 잘 쓰여졌네요.

하하, 요즘 고등학생들은 이런거 배우나요?
저도 같이 공부하는 심정으로 읽고 있습니다.

같이 보시죠^^

프로덕트 매니저/서비스 기획

한주현

취준생/예비창업

이병주

Zara Kids Floor Supervisor (VCMT)

강사랑

이지선

다시 학교로 돌아와 Human-Computer Interaction and design 을 공부하고 있습니다. 네이버 메일, 주소록, 네이버me, 그리고 쿠팡 마케팅 PO 및 프론트 PO로 일했습니다.

댓글 0

함께 읽은 게시물

< 쿠팡의 창업자를 직접 보며 배운 것: 리더의 크기가 전부다 >

《론 뮤익이 평범함을 바라보게 하는 방법》

《어떤 것은 다르게 살게 한다》

< '네이버 다녀요'라는 말에 아무도 무슨 일을 하는지는 묻지 않았다 >

PM이 이해하면 좋은 지표 개념

《달리는 마음, 일하는 마음》

주간 인기 TOP 10

추천 프로필