Techlist.io - 한국 테크 블로그 큐레이터

line·2025년 5월 30일원문

복잡한 회원 인증 프로세스, 기본 원칙만 알면 쉽습니다 (새 탭에서 열림)

회원 인증 체계는 서비스의 신뢰도와 직결되는 핵심 요소로, 설계 단계부터 서비스 특성에 맞는 인증 방식을 전략적으로 선택하는 것이 중요합니다. 일본 배달 서비스 '데마에칸'은 인증 기술의 전환과 사용자 흐름 개선을 통해 부정 사용자를 획기적으로 차단하고 가입 이탈률을 대략 30%나 낮추는 성과를 거두었습니다. 이 글은 복잡한 인증 절차를 목적별로 그룹화하고 비용 효율적인 기술을 도입하여 보안과 편의성을 동시에 확보한 실무 사례를 상세히 다룹니다. **부실한 인증 설계가 초래하는 운영 리스크** * **유령 회원 및 데이터 오염:** 실제 존재하지 않는 정보를 입력한 회원을 식별하지 못할 경우, 추후 마케팅이나 운영 과정에서 연락이 불가능한 '엣지 케이스'가 누적됩니다. * **신규 가입 방해:** 타인의 정보를 도용하여 가입된 계정이 있을 경우, 해당 정보의 실제 소유자가 신규 가입을 시도할 때 본인 증명 과정이 복잡해져 이탈을 유발합니다. * **어뷰징 방어 불가:** 쿠폰 이벤트 등 마케팅 비용이 투입될 때 식별 장치가 없다면, 중복 가입이나 부정 사용자를 걸러낼 수 없어 직접적인 금전적 손실이 발생합니다. **국내와 해외 인증 체계의 기술적 차이** * **국내의 본인 인증 체계:** 전자 정부 시스템을 기반으로 이름, 주민등록번호, 연락처를 결합한 강력한 '본인 인증(Identity Authentication)'이 가능하며 PASS 앱이나 1원 인증 등이 대표적입니다. * **해외의 점유 인증 방식:** 일본을 포함한 많은 국가에서는 한국과 같은 통합 본인 확인 시스템이 없으므로, 해당 정보를 실제로 소유하고 있는지만 확인하는 '점유 인증(Possession Authentication)'에 주로 의존합니다. * **인증 정보의 관리:** 높은 보안 수준이 필요한 서비스일수록 인증 정보의 유효 기간을 설정하고, 탈퇴 후 재가입 방지를 위한 데이터 보관 기간을 신중하게 설계해야 합니다. **비용 효율을 고려한 부정 사용자 차단 전략** * **SMS에서 발신 인증(IVR)으로 전환:** 일본 내에서 SMS 수신 가능 번호를 구매하는 비용보다 전화 수신 가능 번호를 구매하는 비용이 훨씬 비싸다는 점에 착안했습니다. * **어뷰징 대응 성과:** 기존 SMS 인증 시 20%를 상회하던 부정 사용자 비율이 전화 발신 인증 도입 후 1.5%로 대폭 감소하여 마케팅 예산 낭비를 방지했습니다. **사용자 경험(UX) 최적화를 통한 가입 흐름 개선** * **목적별 단계 그룹화:** 파편화되어 있던 주소 입력과 인증 절차를 개선하여, 1단계에서 발신/이메일 인증을 완료하고 2단계에서 개인 정보를 입력하도록 흐름을 정돈했습니다. * **입력 간소화 및 SNS 연동:** 소셜 로그인 버튼을 이메일 입력 단계로 전진 배치하여, SNS에서 받아온 정보를 통해 이후 입력 항목을 자동 완성하고 심리적 허들을 낮췄습니다. * **이탈 방지 장치 마련:** 이메일 오기입 시 가입 과정을 처음부터 다시 시작하지 않도록 '뒤로 가기' 버튼을 제공하고, 화면 이탈 시 경고 메시지를 띄워 가입 완료를 유도했습니다. * **데이터 기반 개선:** 위와 같은 설계를 통해 기존 46%에 달하던 가입 이탈률을 17%까지 낮추는 수치적 성과를 달성했습니다. 성공적인 인증 시스템 구축을 위해서는 서비스가 직면한 부정 사용의 형태를 정확히 파악하고, 무조건 복잡한 단계를 추가하기보다 인증 수단의 비용 대비 효과를 면밀히 따져봐야 합니다. 또한, 강화된 보안 절차가 사용자의 이탈로 이어지지 않도록 목적별로 단계를 그룹화하고 로그 설계를 통해 병목 지점을 지속적으로 모니터링하는 것이 권장됩니다.

사용자 경험fraud-detectionidentity-verificationsms-authentication+4

figma·2025년 5월 28일원문

며칠의 지연 시간에서 실 (새 탭에서 열림)

피그마(Figma)는 급격한 사용자 증가와 데이터 볼륨 확대에 대응하기 위해 기존의 배치 기반 동기화 시스템을 실시간 증분 동기화(Incremental Synchronization) 파이프라인으로 전면 재구축했습니다. 과거 수일이 소요되던 데이터 동기화 지연 시간을 근실시간(Near Real-time) 수준으로 단축함으로써 데이터 분석의 신속성과 정확성을 확보했습니다. 이 과정에서 상용 솔루션 대신 자체 인프라에 최적화된 기술 스택을 선택하여 비용 절감과 확장성이라는 두 마리 토끼를 잡는 데 성공했습니다. **기존 배치 동기화 방식의 한계와 비용 문제** * 2020년에 설계된 초기 시스템은 매일 전체 테이블을 `SELECT *` 쿼리로 조회하여 S3에 업로드하고 Snowflake로 가져오는 단순한 구조였습니다. * 데이터 규모가 커짐에 따라 동기화 작업이 6시간에서 길게는 수일까지 지연되었으며, 이를 처리하기 위해 고가의 데이터베이스 복제본을 유지하는 데 매년 수백만 달러의 비용이 발생했습니다. * 동기화 지연은 전사 KPI 분석 및 비즈니스 의사결정을 방해하는 핵심 병목 구간이 되었습니다. **상용 솔루션 대신 자체 구축을 선택한 이유** * **유연성:** Amazon RDS와 같은 특정 클라우드 벤더의 API를 활용해 복제본 유지 관리 오버헤드 없이 직접 스냅샷을 생성하는 등 인프라 최적화가 필요했습니다. * **비용 효율성:** 대규모 데이터 환경에서 상용 솔루션을 사용할 경우 자체 구축 대비 약 5~10배 이상의 비용이 발생할 것으로 예상되었습니다. * **확장성:** 피그마의 지속적인 성장에 맞춰 빠르게 혁신하고 제어할 수 있는 맞춤형 파이프라인이 필요했습니다. **증분 동기화를 위한 기술적 아키텍처** * **스냅샷 및 데이터 적재:** Amazon RDS의 스냅샷 내보내기 기능을 사용해 S3로 초기 데이터를 복사하고, Snowflake의 `COPY INTO` 문을 통해 베이스 테이블에 로드합니다. * **CDC(Change Data Capture) 스트리밍:** Kafka Connect를 활용해 Postgres의 변경 로그를 실시간으로 캡처하고, Amazon MSK를 거쳐 Snowflake의 CDC 테이블로 스트리밍합니다. * **증분 병합(Merge):** Snowflake의 저장 프로시저(Stored Procedure)와 태스크(Task) 기능을 이용해 베이스 테이블과 CDC 데이터를 주기적으로 병합하는 맞춤형 `MERGE` 로직을 구현했습니다. **데이터 무결성을 위한 워크플로우 설계** * **부트스트랩(Bootstrap):** 새로운 테이블을 파이프라인에 추가할 때 스키마 진화에 대응할 수 있도록 아티팩트를 버전화하고, 원자적 뷰(View) 업데이트를 통해 서비스 중단 없는 전환을 지원합니다. * **검증(Validation):** 부분적 실패, 설정 오류, 소스 데이터의 이상 현상으로 인한 데이터 부패를 방지하기 위해 파이프라인 전 과정에서 데이터의 정확성과 일관성을 검증하는 프로세스를 통합했습니다. 데이터 파이프라인의 성능 한계에 직면한 조직은 단순히 컴퓨팅 파워를 늘리기보다, 전체 데이터를 옮기지 않는 '증분 동기화'와 자사 환경에 최적화된 CDC 기술 스택을 도입함으로써 비용과 성능 문제를 근본적으로 해결할 수 있습니다. 특히 대규모 환경에서는 벤더 종속성을 탈피한 자체 아키텍처 설계가 장기적인 확장성 면에서 더 유리할 수 있습니다.

PostgreSQLApache Kafkaamazon-s3data-pipeline+4

line·2025년 5월 28일원문

코드 품질 개선 기법 13편: 클론 가족 (새 탭에서 열림)

두 개의 상속 트리가 서로 암묵적으로 대응하며 발생하는 '클론 가족' 문제는 코드의 타입 안정성을 해치고 유지보수를 어렵게 만듭니다. 이 글은 코드 공통화를 위한 부적절한 상속 사용을 경계하고, 대신 컴포지션이나 제네릭을 활용하여 데이터 모델 간의 관계를 명확히 정의함으로써 런타임 오류 가능성을 줄이는 방법을 제시합니다. ### 클론 가족 현상과 타입 안정성 문제 데이터를 공급하는 클래스 계층과 데이터 모델 계층이 서로 일대일로 대응하지만, 이 관계가 코드상에서 명시되지 않을 때 문제가 발생합니다. * **다운캐스팅의 필요성**: 부모 공급자 클래스가 공통 데이터 모델 인터페이스를 반환할 경우, 실제 사용 시점에서는 구체적인 타입으로 변환하는 다운캐스팅(`as`)이 강제됩니다. * **암묵적 제약 조건**: '특정 공급자는 특정 모델만 반환한다'는 규칙이 컴파일러가 아닌 개발자의 머릿속에만 존재하게 되어, 코드 변경 시 실수로 인한 오류가 발생하기 쉽습니다. * **유연성 부족**: 하나의 공급자가 여러 모델을 반환하거나 구조가 복잡해질 때, 타입 검사만으로는 시스템의 안전성을 보장하기 어렵습니다. ### 상속 대신 애그리게이션과 컴포지션 활용 단순히 로직의 공통화가 목적이라면 상속보다는 기능을 분리하여 포함하는 방식이 더 효과적입니다. * **로직 추출**: 공통으로 사용하는 데이터 획득 로직을 별도의 클래스(예: `OriginalDataProvider`)로 분리합니다. * **의존성 주입**: 각 공급자 클래스가 분리된 로직 클래스를 속성으로 가지도록 설계하면, 부모 클래스 없이도 코드 중복을 피할 수 있습니다. * **타입 명확성**: 각 공급자가 처음부터 구체적인 데이터 타입을 반환하므로 다운캐스팅이 아예 필요 없어집니다. ### 제네릭을 이용한 매개변수적 다형성 적용 여러 공급자를 하나의 컬렉션으로 관리해야 하는 등 상속 구조가 반드시 필요한 경우에는 제네릭을 통해 타입을 명시해야 합니다. * **타입 파라미터 지정**: 부모 클래스에 타입 파라미터 `T`를 도입하여, 자식 클래스가 어떤 타입의 데이터를 반환하는지 컴파일 시점에 명시하도록 합니다. * **상한 제한(Upper Bound)**: 필요한 경우 `T : CommonDataModel`과 같이 제약 조건을 추가하여 최소한의 공통 인터페이스를 보장할 수 있습니다. * **업캐스팅 지원**: 제네릭을 사용하면 부모 타입으로 관리하면서도 각 인스턴스가 반환하는 타입의 안전성을 유지할 수 있어 활용도가 높습니다. 상속은 강력한 도구이지만 단순히 코드를 재사용하기 위한 목적으로 사용하면 의도치 않은 타입 문제를 야기할 수 있습니다. 클래스 간의 관계가 암묵적인 제약에 의존하고 있다면, 이를 컴포지션으로 분리하거나 제네릭을 통해 명시적인 관계로 전환하는 것이 견고한 코드를 만드는 핵심입니다.

Kotlin코드 품질refactoringoop+3

line·2025년 5월 23일원문

문의 대응을 효율화하기 위한 RAG 기반 봇 도입하기 (새 탭에서 열림)

LY 주식회사의 SR(Service Reliability) 팀은 반복되는 AWX 플랫폼 관련 문의를 효율적으로 처리하기 위해 RAG(검색 증강 생성) 기반의 지원 봇을 도입했습니다. 이 시스템은 사용자가 방대한 가이드 문서를 읽지 않고 중복된 질문을 던질 때 발생하는 운영 리소스 소모 문제를 해결하기 위해 고안되었습니다. 사내 위키와 과거 상담 이력을 활용해 정확도 높은 답변을 생성함으로써 관리자의 개입 없이도 사용자 문제를 신속하게 해결하는 성과를 거두었습니다. **AWX 지원 봇의 기술 스택 및 구성** - **LLM 및 프레임워크:** OpenAI의 GPT 모델을 메인 엔진으로 사용하며, LangChain 프레임워크를 통해 전체적인 워크플로를 관리합니다. Slack과의 연동은 Bolt for Python을 활용했습니다. - **임베딩 모델:** 다국어 지원 및 문장 비교 성능이 뛰어난 'paraphrase-multilingual-mpnet-base-v2' 모델(SBERT)을 선택하여 글로벌 임직원의 다양한 언어 문의에 대응합니다. - **벡터 데이터베이스:** 사내에서 PaaS 형태로 제공되어 접근성이 높은 OpenSearch를 사용하며, 텍스트 데이터를 고차원 벡터로 변환하여 저장하고 검색합니다. **RAG 및 벡터 검색을 통한 답변 정확도 향상** - **LLM의 한계 극복:** 학습되지 않은 최신 정보 부재나 허위 정보 생성(Hallucination) 문제를 해결하기 위해, 질문과 관련된 신뢰할 수 있는 컨텍스트를 LLM에 함께 전달하는 RAG 기법을 적용했습니다. - **벡터 검색 원리:** 사용자의 질문을 임베딩하여 벡터화한 뒤, 벡터 DB 내에서 의미적으로 유사한 문장들을 k-NN(최근접 이웃) 방식으로 검색하여 최적의 참고 자료를 추출합니다. - **유사도 기반 추출:** 단순 키워드 매칭이 아닌 의미적 유사성을 판단하므로, 'Buy'와 'Purchase'처럼 단어는 달라도 맥락이 같은 정보를 정확히 찾아낼 수 있습니다. **봇 워크플로 및 데이터 활용 전략** - **사용자 상호작용:** 사용자가 Slack으로 문의하면 봇이 사내 위키와 과거 Slack 스레드 데이터를 검색합니다. 추출된 데이터를 바탕으로 LLM이 1차 답변을 제공하며, 해결되지 않을 경우에만 '관리자 호출' 버튼을 통해 담당자를 연결합니다. - **데이터 소스 다각화:** 공식 가이드 문서뿐만 아니라 실제 사용자들이 겪었던 문제와 해결책이 담긴 'Slack 문의 스레드 데이터'를 함께 인덱싱하여 실무적인 답변이 가능하도록 구성했습니다. - **리소스 최적화:** 봇의 자동 응답을 통해 단순 반복 문의에 대한 관리자의 수동 대응 시간을 줄이고, 개발 조직이 서비스 운영 본연의 업무에 더 집중할 수 있는 환경을 조성했습니다. RAG 기반 시스템을 구축할 때 가장 중요한 것은 신뢰할 수 있는 데이터 소스의 확보입니다. LY의 사례처럼 공식 문서와 실제 상담 이력을 병행 활용하면 LLM이 훨씬 구체적이고 실무에 유효한 답변을 생성할 수 있습니다. 운영 중인 서비스의 문의 대응 리소스가 부담된다면, 익숙한 벡터 DB와 오픈소스 임베딩 모델을 조합한 RAG 봇 도입을 적극 추천합니다.

AIPythonRAGvector-db+5

google·2025년 5월 22일원문

사용자 수준 차분 프 (새 탭에서 열림)

Google Research는 대규모 언어 모델(LLM)을 사용자 수준의 차분 프라이버시(User-level Differential Privacy)를 유지하며 미세 조정하는 알고리즘을 연구하고 개선했습니다. 기존의 예시 수준 프라이버시보다 강력한 이 기법은 모델이 특정 사용자의 전체 데이터 포함 여부를 노출하지 않도록 보장하지만, 모델이 커질수록 노이즈가 증가하여 성능이 저하되는 한계가 있었습니다. 연구진은 데이터센터의 유연한 환경을 활용해 사용자 수준 샘플링(ULS) 알고리즘을 최적화함으로써, 프라이버시 보호와 모델 성능 사이의 균형을 효과적으로 맞출 수 있음을 증명했습니다. ### 사용자 수준 차분 프라이버시의 의의 * **프라이버시 강화:** 예시 수준 차분 프라이버시(Example-level DP)가 개별 데이터 포인트만 보호하는 반면, 사용자 수준 DP는 특정 사용자가 제공한 모든 데이터의 영향을 제한하여 훨씬 강력한 익명성을 보장합니다. * **실제 데이터 소유 구조 반영:** 오늘날 데이터는 개별 기기나 계정 단위로 묶여 있는 경우가 많으며, 공격자가 사용자의 특정 데이터 한 조각이 아닌 전체 활동 내역을 유추하는 것을 방지하는 데 최적화되어 있습니다. * **LLM 미세 조정의 필수성:** LLM을 특정 도메인에 맞게 최적화할 때 민감한 데이터가 포함되는 경우가 많으므로, 성능을 유지하면서도 프라이버시를 지키는 기술적 장치가 필수적입니다. ### ELS와 ULS 알고리즘 비교 * **예시 수준 샘플링(ELS):** 전체 데이터셋에서 무작위로 예시를 샘플링한 후, 기존 DP-SGD 알고리즘에 더 많은 노이즈를 추가하여 사용자 수준의 프라이버시를 확보하는 방식입니다. * **사용자 수준 샘플링(ULS):** 학습 배치(Batch)를 구성할 때 예시 단위가 아닌 사용자 단위로 무작위 샘플링을 진행하며, 선택된 사용자의 모든 데이터를 학습에 활용합니다. * **연합 학습과의 유사성:** ULS는 분산된 기기에서 학습하는 연합 학습(Federated Learning)과 유사한 구조를 가지지만, 데이터센터 환경에서는 모든 사용자의 데이터를 자유롭게 쿼리할 수 있어 더 유연한 최적화가 가능합니다. ### 기여 제한(Contribution Bound)을 통한 성능 최적화 * **데이터 전처리:** 각 사용자가 학습에 기여할 수 있는 예시의 최대 개수를 제한하는 '기여 제한' 설정이 성능의 핵심 변수로 작용합니다. * **노이즈와 정보의 균형:** 기여 제한을 너무 낮게 잡으면 사용자당 정보량이 부족해지고, 너무 높게 잡으면 프라이버시를 위해 추가해야 할 노이즈가 급격히 늘어나 학습 품질이 떨어집니다. * **데이터센터의 유연성 활용:** 연구진은 데이터센터 학습의 장점을 활용해 사용자와 예시를 모두 쿼리하며 기여 제한 파라미터를 정밀하게 조정함으로써, 연합 학습 기반의 알고리즘보다 더 높은 품질의 LLM 미세 조정이 가능함을 보여주었습니다. 사용자 수준의 프라이버시를 보장하면서 LLM을 미세 조정할 때는 **사용자 수준 샘플링(ULS)** 방식을 우선적으로 고려해야 합니다. 특히 데이터센터 환경에서 학습을 진행한다면, 특정 사용자의 데이터가 지나치게 편중되어 모델에 영향을 주지 않도록 **기여 제한(Contribution Bound)** 파라미터를 사전에 실험적으로 최적화하는 것이 모델의 정확도 손실을 최소화하는 가장 실용적인 전략입니다.

AI대규모 언어 모델differential-privacyfederated-learning+4

line·2025년 5월 22일원문

코드 품질 개선 기법 12편: 세트 할인 (새 탭에서 열림)

여러 속성을 개별적으로 변경할 수 있게 허용하는 구조는 상태 간의 불일치를 초래하고 예기치 못한 버그를 유발할 수 있습니다. 이를 해결하기 위해 서로 연관된 상태들을 하나의 객체로 묶어 한 번에 업데이트하도록 인터페이스를 제한하면 시스템의 예측 가능성을 높일 수 있습니다. 결과적으로 코드의 의도가 명확해지고 스레드 안전성 확보와 디버깅이 훨씬 용이해집니다. **개별 속성 변경의 위험성** * **실행 순서 의존성:** 활성화 상태(`isActive`)와 세부 설정(`minImportanceToRecord` 등)이 분리되어 있으면, 설정을 변경하기 전에 활성화를 먼저 시도할 경우 의도치 않게 이전 설정값이 적용되는 문제가 발생합니다. * **상태 초기화의 불일치:** 특정 속성이 변경될 때 내부 카운터가 초기화되어야 함에도 불구하고, 어떤 속성은 초기화를 수행하고 어떤 속성은 누락하는 등의 관리 포인트가 파편화되어 로직이 복잡해집니다. * **경쟁 상태(Race Condition):** 비동기 환경에서 여러 속성을 순차적으로 변경하면, 변경 중간에 다른 로직이 개입하여 불완전한 상태의 데이터를 읽게 될 위험이 있습니다. **데이터 묶음과 인터페이스 제한을 통한 개선** * **객체 캡슐화:** 연관된 설정값들을 `SamplingPolicy`와 같은 별도의 불변(Immutable) 클래스로 묶어 관리함으로써 속성들이 항상 한 세트로 업데이트되도록 강제합니다. * **상태 표현의 최적화:** 별도의 불리언 플래그 대신 상태 객체의 `null` 여부로 활성화 상태를 표현하여, 활성 상태일 때는 반드시 유효한 설정값이 존재함을 보장합니다. * **원자적 업데이트:** `startRecording`과 같이 명시적인 메서드를 통해서만 상태를 변경하게 함으로써 내부 카운터 초기화와 설정 변경이 한 번에(Atomic) 이루어지도록 제어합니다. **실용적인 결론** 단순히 모든 필드에 세터(setter)를 열어두는 것보다, 비즈니스 로직상 함께 움직여야 하는 데이터는 하나의 '상태 객체'로 정의하는 것이 좋습니다. 특히 한 속성의 변화가 다른 속성의 의미나 동작에 영향을 주는 경우에는 인터페이스를 엄격하게 제한하여 잘못된 상태 조합이 발생하는 것을 원천적으로 차단해야 합니다.

Kotlin코드 품질software-designrefactoring+2

google·2025년 5월 21일원문

구글 I/O (새 탭에서 열림)

Google Research는 Google I/O 2025를 통해 수년간의 연구 성과가 실제 서비스와 제품으로 구현되는 과정을 공유하며, AI 기술이 일상과 산업 전반에 미치는 실질적인 영향을 강조했습니다. 이번 발표의 핵심은 의료, 교육, 온디바이스 AI 분야에서 Gemini 모델의 역량을 극대화하고, 모델의 효율성과 다국어 지원 능력을 획기적으로 개선하여 기술 민주화를 실현하는 데 있습니다. **MedGemma와 AMIE를 통한 의료 서비스의 진화** * **MedGemma 출시:** Gemma 3를 기반으로 한 의료 특화 오픈 모델로, 4B 및 27B 텍스트 전용 모델이 공개되었습니다. 방사선 이미지 분석 및 임상 데이터 요약에 최적화된 멀티모달 능력을 갖추고 있습니다. * **성능 및 효율성:** 소형 모델임에도 불구하고 MedQA 벤치마크에서 대형 모델과 대등한 임상 지식 및 추론 성능을 보여주며, 로컬 환경이나 Google Cloud Platform에서 유연하게 구동 가능합니다. * **AMIE의 발전:** 의료 진단 대화를 위한 연구용 AI 에이전트 AMIE에 시각 지능(Vision)이 추가되어, 의료 영상을 함께 해석하며 더욱 정확한 진단을 돕는 멀티모달 추론이 가능해졌습니다. **교육 특화 모델 LearnLM과 Gemini 2.5의 결합** * **Gemini 2.5 통합:** 교육 전문가들과 협업하여 미세 조정된 LearnLM 모델이 Gemini 2.5에 직접 통합되었습니다. 이는 학습 과학 원리를 적용하여 STEM 추론 및 퀴즈 생성 능력을 강화한 결과입니다. * **개인 맞춤형 학습 경험:** 사용자의 수업 노트나 문서를 바탕으로 맞춤형 퀴즈를 생성하고 정오답에 대한 구체적인 피드백을 제공하는 새로운 퀴즈 기능을 선보였습니다. * **글로벌 교육 현장 적용:** 가나의 고등학교 등에서 단문 및 장문 콘텐츠의 자동 평가 시스템을 시범 운영하며, 교육 기술의 확장성을 검증하고 있습니다. **다국어 지원 및 온디바이스 AI를 위한 Gemma의 혁신** * **Gemma 3의 다국어 확장:** 140개 이상의 언어를 지원하여 전 세계 사용자들이 언어 장벽 없이 LLM을 활용할 수 있도록 개선되었습니다. * **온디바이스 최적화 모델 Gemma 3n:** 단 2GB의 RAM에서도 구동 가능한 초경량 모델로, 모바일 기기에서의 대기 시간을 줄이고 에너지 소비 효율을 극대화했습니다. * **평가 지표 도입:** 모델의 교차 언어 지식 전달 능력을 정교하게 측정하기 위한 새로운 벤치마크인 'ECLeKTic'을 도입하여 기술적 신뢰도를 높였습니다. **모델 효율성 및 검색 정확도 향상** * **추론 최적화 기술:** 추측성 디코딩(Speculative decoding)과 캐스케이드(Cascades) 기술을 통해 품질 저하 없이 모델의 응답 속도와 효율성을 업계 표준 수준으로 끌어올렸습니다. * **사실성 강화:** 검색 엔진의 AI 모드 등에 적용되는 모델의 사실적 일관성을 높이기 위해 접지(Grounding) 연구를 지속하며 LLM의 신뢰성을 보장하고 있습니다. 개발자와 연구자들은 HuggingFace나 Vertex AI를 통해 공개된 MedGemma와 Gemma 3n 모델을 즉시 활용해 볼 수 있습니다. 특히 특정 산업군(의료, 교육)에 특화된 애플리케이션을 구축할 때, 성능과 효율성 사이의 균형이 검증된 이번 오픈 모델들을 베이스라인으로 활용하는 것을 추천합니다.

AI생성형 AIgemini멀티모달 AI+5

line·2025년 5월 21일원문

AI로 생성한 이미지는 어떻게 평가할까요? (인페인팅 적용편) (새 탭에서 열림)

배경 인물 제거(BPR) 기능을 구현하기 위해서는 사진의 빈 공간을 자연스럽게 채워주는 '인페인팅(Inpainting)' 기술의 선정이 핵심적이지만, 단순히 논문의 수치만으로는 실제 서비스 성능을 가늠하기 어렵습니다. 이를 해결하기 위해 LY Corporation 개발팀은 다양한 생성형 AI 모델과 평가 지표를 비교 분석하여, 실제 사람의 시각적 평가와 가장 유사한 결과를 도출하는 최적의 평가 체계를 구축하고자 했습니다. 결과적으로 고해상도와 큰 삭제 영역 등 실무적인 제약 조건을 반영한 자체 테스트를 통해 서비스에 가장 적합한 모델 선정 기준을 마련했습니다. **배경 인물 제거(BPR)의 3단계 프로세스** * **인스턴스 분할(Instance Segmentation):** 사진 속 각 픽셀이 어떤 객체(사람, 건물, 나무 등)에 속하는지 식별하여 개별적으로 인식합니다. * **주요 객체 탐지(Salient Object Detection):** 이미지에서 시선이 집중되는 메인 피사체와 제거 대상인 배경 인물을 픽셀 단위로 구분합니다. * **인페인팅(Inpainting) 수행:** 배경 인물이 제거된 빈 영역을 주변 환경과 조화롭게 재구성하여 채워 넣는 최종 단계로, 전체 결과물 품질에 가장 큰 영향을 미칩니다. **인페인팅 모델의 기술적 접근 방식** * **디퓨전(Diffusion) 계열:** 랜덤 노이즈에서 점진적으로 이미지를 복원하며, 복잡한 세부 사항을 자연스럽게 살리는 데 유리하지만 생성 속도가 상대적으로 느립니다. * **GAN(Generative Adversarial Network) 계열:** 생성자와 판별자가 경쟁하며 학습하는 구조로, 디퓨전 모델에 비해 이미지 생성 속도가 빠르다는 장점이 있습니다. * **성능의 가변성:** 저해상도나 좁은 영역에서는 대부분의 모델이 준수한 성능을 보이나, 고해상도 이미지에서 큰 영역을 삭제할 경우 모델별로 결과물의 품질 차이가 극명하게 발생합니다. **신뢰할 수 있는 인페인팅 모델 평가의 어려움** * **벤치마크의 한계:** 논문에서 제시하는 256x256 등 고정된 저해상도 지표는 실제 서비스의 고해상도 환경을 대변하지 못합니다. * **정답의 부재:** 이미지 생성은 하나의 정답이 존재하지 않으며, 다양한 결과물이 모두 정답이 될 수 있어 수치화된 평가가 복잡합니다. * **상황별 성능 변화:** 특정 테스트셋에서 우수한 모델이 다른 인페인팅 영역이나 데이터셋에서는 실망스러운 결과를 보여주는 경우가 빈번합니다. **실험을 통한 최적의 평가 방법 탐색** * **데이터셋 구성:** 품질 편차가 큰 10개의 이미지를 모은 'BPR 평가 데이터셋'과 표준인 'Places365'를 활용해 11개의 최신 인페인팅 모델(LaMa, HINT, FLUX.1 등)을 테스트했습니다. * **사용된 지표:** 단일 이미지 품질을 측정하는 Aesthetics score, CLIP-IQA, Q-Align과 모델 간 선호도를 비교하는 PickScore, ImageReward 등을 적용했습니다. * **최종 목표:** 사람이 직접 눈으로 평가하는 비용과 시간을 줄이면서도, 인간의 주관적 평가 결과와 가장 높은 상관관계를 갖는 자동화된 평가 지표를 찾는 데 집중했습니다. **성공적인 AI 기능을 위한 실용적 제언** 논문상의 지표(Metric)에만 의존하기보다는 실제 서비스가 적용될 환경(해상도, 객체 크기 등)과 유사한 자체 데이터셋을 구축하여 테스트해야 합니다. 특히 배경 인물 제거와 같이 시각적 자연스러움이 중요한 작업에서는 정량적 수치 너머의 '심미적 점수'를 반영할 수 있는 최신 생성형 AI 평가 방법론을 병행하여 모델을 검증하는 것이 필수적입니다.

AI생성형 AIcomputer-visiondiffusion-models+5

discord·2025년 5월 20일·4분 읽기큐레이션 요약

비즈니스용 Discord 뉴스레터

Discord는 파트너와 기업 고객을 대상으로 최신 사업 기회와 제품 업데이트를 전하는 뉴스레터를 시작했다. 첫 호에서는 광고 상품인 Quests의 출시 1주년 성과, 모바일 광고 확대, 게임 개발자를 위한 Social SDK 공개, 창립 10주년과 CEO 교체 소식을 소개한다. Discord는 게임 커뮤니티의 높은 참여도와 진정성 있는 상호작용을 기반으로 광고·게임 개발·엔터테인먼트 사업을 확장하려는 전략을 강조한다. ## Discord for Business 뉴스레터 출범 - 파트너와 기업 관계자가 Discord의 사업 관련 소식과 기회를 지속적으로 확인할 수 있도록 새 뉴스레터를 발행했다. - 뉴스레터 구독자는 Discord의 광고 솔루션, 개발자 도구, 브랜드 협업 사례 등의 업데이트를 이메일로 받을 수 있다. - 첫 호는 2025년 5월 14일 발행됐다. ## Quests 광고 솔루션 출시 1주년 - Discord는 1년 전 첫 광고 상품인 **Discord Quests**를 출시했다. - Quests는 광고주와 이용자 모두에게 보상을 제공하는 참여형 광고 방식이다. - 광고주는 게임과 콘텐츠에 적극적으로 참여하는 이용자에게 도달할 수 있다. - 이용자는 콘텐츠 시청이나 게임 플레이 등의 활동을 완료하고 보상을 받는다. - 주요 상품은 두 가지다. - **Video Quests**: 영상, 게임 트레일러 등을 시청하게 하며, 평균 80% 이상의 VCR(Video Completion Rate)을 기록했다. - **Play Quests**: 이용자가 게임을 플레이하거나 스트리밍하면 보상을 제공해 단순 노출보다 실제 팬 형성을 목표로 한다. - 출시 이후 70개 이상의 Quests 캠페인이 진행됐으며, 이용자에게 수백만 건의 보상이 지급됐다. ## 모바일 Video Quests 확대 - Discord는 2025년 6월부터 **모바일 Video Quests** 파일럿을 시작할 예정이다. - 기존 데스크톱 중심 광고를 모바일로 확대하는 Discord의 첫 모바일 광고 상품이다. - 모바일에서도 보상 기반의 이용자 참여와 플레이어 중심 경험을 유지하는 것을 목표로 한다. - 이를 통해 광고주의 도달 범위를 넓히면서 Discord 이용자의 자발적인 참여를 유도하려 한다. ## 게임 개발자를 위한 Discord Social SDK - GDC 2025에서 **Discord Social SDK**를 공개했다. - 게임 개발자는 Discord의 소셜 기능을 게임 안에 직접 통합할 수 있다. - 친구 목록 - 게임 초대 - 메시지 - 음성 채팅 - Discord 계정이 없는 이용자도 일부 기능을 사용할 수 있도록 지원한다. - SDK는 무료로 제공되며, 모든 개발자가 이용할 수 있다. - Discord는 SDK를 통해 다음 효과를 기대한다. - Discord 커뮤니티를 통한 게임 발견성 향상 - 친구 기반의 신규 이용자 유입 - 소셜 상호작용을 통한 게임 플레이 시간 증가 - Theorycraft Games, Facepunch Studios, Scopely 등이 초기 파트너로 참여해 성과를 확인하고 있다. ## 창립 10주년과 CEO 교체 - Discord는 창립 10주년을 맞았으며, 월간 활성 이용자는 2억 명 이상이다. - 이용자들은 매월 15억 시간 이상 게임을 플레이하고 있다. - 공동 창업자 Jason Citron은 CEO 자리에서 물러나고 **Humam Sakhnini**가 새 CEO로 취임했다. - Sakhnini는 15년 이상의 게임 업계 경력을 보유했다. - Activision Blizzard 부회장으로서 Call of Duty와 World of Warcraft 등 주요 프랜차이즈를 관리했다. - King Digital Entertainment 사장으로 재직하며 Activision Blizzard 인수 이후 회사의 실적 성장을 이끌었다. - Discord는 새 리더십을 통해 게임 플랫폼과 사업 영역의 성장을 가속화할 계획이다. ## 브랜드·엔터테인먼트 협업 확대 - Discord는 광고와 커머스 영역에서 대형 엔터테인먼트 브랜드와 협업하고 있다. - Paramount Pictures는 영화 홍보를 위해 **Mission Impossible Quest**를 출시했다. - 이용자가 퍼즐 활동을 완료하면 하루 동안 Nitro를 사용할 수 있는 보상을 제공했다. - Discord Shop에서는 Star Wars 컬렉션을 출시해 관련 상품 판매도 진행했다. - Discord는 광고에서 단순 노출 수보다 커뮤니티와 이용자 간의 **진정성 있는 참여**를 강조하고 있다. - 관련 보도에서는 모바일 광고 출시, Quests 성과, 게임 발견성 문제, 브랜드 광고 전략 등이 다뤄졌다. ## 실용적인 시사점 게임·엔터테인먼트 기업은 Quests를 활용해 영상 시청이나 게임 플레이처럼 측정 가능한 참여를 유도할 수 있다. 게임 개발자는 Social SDK로 친구 초대와 음성 채팅을 게임에 통합해 이용자 유지율과 커뮤니티 확장을 노릴 수 있으며, 모바일 Video Quests는 향후 광고 캠페인의 새로운 도달 채널이 될 가능성이 크다.

원문 읽기(새 탭에서 열림)

voice-chatgame-developmentdiscord-social-sdkmobile-advertising+2

discord·2025년 5월 20일·3분 읽기큐레이션 요약

2025년 5월

Discord 직원들이 게임을 통해 Discord에 처음 정착하게 된 계기와 현재 친구들과 즐기는 게임을 소개하는 글이다. Among Us, PUBG, League of Legends 같은 게임은 단순한 오락을 넘어 장거리 친구 관계와 새로운 커뮤니티를 유지하게 한 소통 공간이 되었다. 현재는 R.E.P.O., VALORANT, Baldur’s Gate 3, Call of Duty: Warzone 등 협동과 음성 채팅, 지속적인 온라인 만남을 중시하는 게임들이 추천된다. ## Discord와 게임 커뮤니티의 시작 - Discord의 생일을 맞아 직원들이 Discord를 처음 사용하게 된 게임과 최근 즐기는 게임을 회고한다. - 게임은 친구들과 음성으로 소통하고, 서버를 만들고, 정기적으로 만나는 계기를 제공했다. - 특히 서로 다른 지역이나 시간대에 있는 친구들도 게임을 통해 지속적으로 관계를 유지할 수 있었다. ## Among Us로 형성된 대학 커뮤니티 - Christina는 코로나19 격리 시기인 2020년에 친구들과 처음 **Among Us**를 즐겼다. - 규칙이 비교적 간단해 대학 동아리 행사나 가벼운 모임에 사람들을 쉽게 참여시킬 수 있었다. - 여러 대학에 흩어진 친구들을 위해 서버를 만들었고, 이후 여러 개의 풀 로비가 동시에 운영될 정도로 활발한 커뮤니티가 형성됐다. - 게임을 통해 새로운 친구를 사귀고 당시의 사회적 경험에 대한 향수를 갖게 됐다. ## 협동 공포 게임과 경쟁 게임의 즐거움 - 현재 Christina는 근접 음성 채팅이 특징인 협동 공포 게임 **R.E.P.O.**를 친구들과 플레이한다. - 물리 기반 게임플레이에서 물건을 실수로 넘어뜨리는 상황이 친구들의 긴장과 웃음을 유발한다. - **VALORANT**도 꾸준히 즐기며, Neon과 Clove를 주로 사용한다. - 친구들과 5인 파티를 구성해 플레이하기 때문에 승패보다 함께 만들어내는 장난과 분위기를 더 중요하게 여긴다. - 처음 접한 FPS였지만 정기적인 플레이를 통해 어린 시절 친구들과도 다시 가까워졌다. ## PUBG와 시간대를 넘은 주말 모임 - Emi는 2017년 **PUBG: BATTLEGROUNDS**를 플레이하며 Discord를 사용하기 시작했다. - 일본에서 돌아온 뒤 일본에 남은 친구들과 Discord로 소통했고, 서로 다른 시간대를 조율해 장시간 게임을 즐겼다. - 친구들의 밤과 자신의 아침이 맞물리는 주말 게임 모임을 수년간 이어갔다. - 현재도 적어도 격주 주말마다 Discord에서 만나 관계를 유지하고 있다. ## Baldur’s Gate 3와 Warzone으로 돌아가기 - 친구들은 **Baldur’s Gate 3**를 다시 시작하고 있으며, 모딩 지원과 새로운 서브클래스 등 출시 이후 추가된 콘텐츠를 즐기고 있다. - 새롭게 게임을 시작하는 사람과 기존 세이브를 이어가는 사람이 함께 플레이할 수 있다는 점이 매력으로 소개된다. - Emi는 아침에 즐기는 편안한 게임으로 Baldur’s Gate 3를 선택했다. - **Call of Duty: Warzone**에서는 Verdansk 맵으로 돌아가 전투 전에는 파밍과 이모트, 농담을 즐기고 전투가 시작되면 포지셔닝과 전략에 집중한다. - Ranked Play 출시로 경쟁적인 플레이도 더 늘어날 것으로 기대한다. ## League of Legends와 PC 게임으로의 전환 - Jeremy는 원래 콘솔 게임만 즐겼지만, 2018년 친구들의 권유로 MacBook에 **League of Legends**와 Discord를 설치했다. - 친구들의 Discord 서버에 들어가 게임 스트리밍을 시청하면서 PC 게임과 Discord 커뮤니티에 적응했다. - 이후 콘솔보다 PC 게임을 훨씬 자주 하게 됐다. - 과거에는 Brand를 주로 플레이했지만, 현재는 Nasus와 Illaoi를 탑 라인에서 사용한다. ## 실용적인 시사점 Discord를 활용한 게임 모임은 게임 실력보다 정기적인 만남과 자연스러운 대화를 중심으로 운영할 때 오래 지속된다. 입문이 쉬운 게임, 협동 요소와 음성 채팅이 강한 게임, 그리고 친구들이 함께 돌아갈 수 있는 서버를 마련하면 온라인에서도 안정적인 커뮤니티를 만들 수 있다.

원문 읽기(새 탭에서 열림)

discordvideo-gamesonline-gamingproximity-chat+2

figma·2025년 5월 18일·4분 읽기큐레이션 요약

0가지 규칙 | 피그마

메타 CTO 앤드루 “보즈” 보스워스는 AI와 공간 컴퓨팅이 기존 디자인 패러다임을 바꿀 것이라고 본다. 디자이너는 기술 자체보다 실제 인간의 문제에서 출발하고, 당연하게 여겨온 제약과 상호작용 방식을 의심해야 한다. 또한 거친 프로토타입을 빠르게 만들고 전체 시스템을 함께 설계하며, 사용자의 의도를 이해하는 도구와 지속적인 개선을 지향해야 한다. ## 1. 실제 문제를 가진 사람에서 출발하기 - 제품 개발의 기준점은 기술이나 유행이 아니라 문제를 겪는 실제 사람이어야 한다. - “이 도구가 문제를 해결하는가?”를 먼저 물어야 한다. - 최종적으로 제품의 가치를 판단하는 사람은 사용자다. - 사용자가 유용하다고 느끼면 사용하고, 그렇지 않으면 외면한다. ## 2. 당연하게 받아들인 제약을 의심하기 - 우리는 기존 디자인 관습과 시스템 안에서 살아가며, 그것을 자연스러운 현실처럼 받아들이기 쉽다. - 데이비드 포스터 월리스의 ‘물속에 사는 물고기’ 비유처럼, 현재의 제약이 인위적으로 만들어졌다는 사실을 인식해야 한다. - 다음과 같은 질문이 필요하다. - 지금의 접근 방식이 문제에 정말 적합한가? - 이 제약은 실제 제약인가? - 바꾸거나 없앨 수 있는 규칙은 무엇인가? ## 3. 전체 상호작용 패러다임을 의심하기 - 현재의 컴퓨팅 환경은 단순한 의도를 여러 앱과 단계로 쪼개는 경우가 많다. - 예를 들어 운동 중 음악을 듣기 위해 음악 권리 구조, 서비스별 제공 여부, 여러 음악 앱 사이의 전환을 이해해야 하는 것은 부자연스럽다. - 사용자가 “노래를 듣고 싶다”는 의도를 복잡한 앱 조작으로 번역하지 않아도 되는 새로운 상호작용이 필요하다. - 약 60년간 이어진 기존 컴퓨팅 방식을 부분적으로 개선하는 데 그치지 말고, 전체 방식을 재구상해야 한다. ## 4. 발명과 최적화를 구분하기 - 디자인에는 서로 다른 두 가지 모드가 있다. - **제로 투 원:** 고객과 제약이 없는 상태에서 완전히 새로운 가능성을 탐색하는 단계 - **최적화:** 실제 사용자와 함께 기존 결과물을 다듬고 개선하는 단계 - 공간 인터페이스와 AI는 기존 제약이 적은 새로운 영역이므로, 과거의 방식에 얽매이지 않고 발명가처럼 접근할 수 있다. - 현재 자신이 새로운 것을 발명하는 중인지, 기존 제품을 최적화하는 중인지 구분해야 한다. ## 5. 직관과 취향으로 올바른 문제 공간 선택하기 - 복잡한 최적화 문제에서는 어느 지점에서 시작하느냐가 결과에 큰 영향을 준다. - 낮은 언덕을 아무리 열심히 올라가도, 처음부터 더 좋은 지형에서 시작한 사람보다 나은 결과를 얻기 어려울 수 있다. - 디자이너의 직관과 취향은 어떤 문제와 방향을 선택할지 결정하는 중요한 도구다. - 선택 이후에는 여전히 많은 노력과 반복이 필요하지만, 적어도 가능성이 높은 영역에서 시작해야 한다. ## 6. 거칠더라도 가능한 모든 프로토타입 만들기 - 새로운 기술의 가능성은 문서나 토론만으로 판단하기 어렵다. - 메타는 시선 추적 모자를 쓰고 메시 벽으로 만든 방을 사용하는 등 조잡한 실험을 통해 기술의 가능성을 확인해 왔다. - 완성도 낮은 프로토타입이라도 실제로 사용해 보면 기술이 어떤 경험을 제공할 수 있는지 감을 얻을 수 있다. - 빠른 실험은 어떤 아이디어를 더 발전시킬지 결정하는 데 효과적이다. ## 7. 부분이 아니라 전체 시스템 설계하기 - 공간 컴퓨팅에서는 제스처, 피드백, 기능을 서로 분리해 설계하기 어렵다. - 함께 고려해야 할 요소는 다음과 같다. - 사용자가 어떤 제스처를 하는가 - 시각·청각·촉각 중 어떤 피드백을 제공하는가 - 그 상호작용으로 어떤 기능이 열리는가 - 이 요소들은 함께 발전하고 반복적으로 조정되어야 한다. - 진정한 디자인은 개별 화면을 만드는 것이 아니라 상호작용 전체를 설계하는 일이다. ## 8. 사용자의 의도를 이해하는 도구 만들기 - 미래의 도구는 사용자가 무엇을 하려는지 파악할 수 있어야 한다. - ‘마음 이론(theory of mind)’은 자신과 별개로 의도와 목표를 가진 존재가 있음을 이해하는 능력을 뜻한다. - 도구 역시 사용자의 목표를 추론하고 적절히 도와야 한다. - 다만 도구의 자율성은 너무 높아도, 너무 낮아도 안 되며 사용자를 대신하는 정도를 세심하게 조절해야 한다. ## 9. 자신을 완성된 제품으로 보지 않기 - 제품은 출시된 순간 끝나는 것이 아니라 다음 버전을 준비하는 지속적인 과정이다. - 보스워스는 현재의 자신과 제품을 모두 “V43” 같은 버전으로 바라본다. - 다음 버전에서는 기존 버그를 고치지만 새로운 버그도 생길 수 있으며, 그 과정 자체를 즐겨야 한다. - 업무에 적용하는 반복과 개선의 태도를 자기 자신에게도 적용해야 한다. ## 10. 인터페이스를 사라지게 만들기 - 이상적인 인터페이스는 사용자가 의식하지 않아도 목적을 달성하게 하는 매끄러운 경험에 가깝다. - 인터페이스 자체가 본질적인 가치를 갖는 것이 아니라, 사용자가 원하는 일을 방해 없이 수행하도록 돕는 것이 중요하다. - AI와 공간 컴퓨팅은 화면과 앱을 직접 조작하는 과정을 줄이고, 의도 중심의 상호작용을 가능하게 할 수 있다. 실무적으로는 먼저 사용자의 구체적인 문제를 정의한 뒤, 기존 제약을 의심하고 작은 프로토타입을 빠르게 만들어보는 것이 좋다. 특히 새로운 기술을 다룰 때는 화면 하나가 아니라 제스처·피드백·기능·도구의 자율성을 포함한 전체 경험을 함께 설계해야 한다.

원문 읽기(새 탭에서 열림)

AIhuman-computer-interactioninterface-designvirtual-reality+4

figma·2025년 5월 14일·3분 읽기큐레이션 요약

더블 클릭: 효율성이

Config 2025에서 Figma는 AI의 가치를 단순한 속도와 자동화가 아니라 연결, 배려, 장인정신에서 찾는다. “효율성은 사랑을 죽인다”와 “디자인은 감정을 좇는 일”이라는 메시지는 AI가 인간의 창작 과정을 대체하기보다 의미와 감정을 더 잘 구현하도록 돕는 도구여야 한다는 주장으로 이어진다. 결론적으로 기술의 방향은 정해진 운명이 아니라, 사람들이 어떤 가치를 선택하느냐에 따라 의도적으로 결정된다. ## 효율성보다 중요한 창작의 감정 - Config 2025의 주요 화두는 AI 자체보다 **연결과 배려를 만드는 방법**이었다. - Smith & Diction은 협업형 브랜드 디자인 발표에서 “효율성은 사랑을 죽인다”고 강조했다. - Figma 공동 창업자이자 CEO인 Dylan Field는 “디자인은 감정을 좇는 일”이라고 표현했다. - 이는 디자인을 목표 지표, 작업 속도, 생산성만으로 평가할 수 없으며, 결과물에 담긴 감정과 의미도 중요하다는 관점이다. ## AI는 자동화보다 창작의 보조 수단 - 디자인 업계는 AI를 인간의 작업을 완전히 자동화하는 도구보다 **창작을 확장하고 보완하는 도구**로 바라보기 시작했다. - 새로운 AI 도구와 스토리텔링 프레임워크는 더 빠른 결과뿐 아니라 목적과 마법이 담긴 결과물을 만드는 데 활용될 수 있다. - Paradigm의 디자인 책임자 Yang You는 빠르게 변하는 환경에서도 “장인정신이 핵심이며, 배려가 이를 전달하는 통로”라고 말했다. - 따라서 AI의 성공 기준은 작업 시간을 얼마나 줄였는지뿐 아니라, 사람이 더 깊이 생각하고 더 의미 있는 것을 만들도록 돕는지에 달려 있다. ## 기술과 문화적 가치의 관계 - Atonaton의 창립자 Madeline Gannon은 기술이 문화를 반영한다고 설명했다. - 자동화는 피할 수 없이 발생하는 현상이 아니라, 사회가 어떤 가치를 선택하느냐에 따라 달라지는 의도적인 결과다. - AI를 어떻게 설계하고 어디에 적용할지는 기술적 문제가 동시에 윤리적·문화적 선택이기도 하다. - 기업과 디자이너는 효율성만을 최적화할 것이 아니라, 사람之间의 관계와 창작의 의미를 보존하는 방향을 선택해야 한다. ## 느림과 물리적 창작의 가치 - Polaroid는 AI 기반 사진 촬영 팁을 제공하면서도 사용자가 천천히 관찰하고 창의적으로 작업하며 물리적인 결과물을 만들도록 돕는 방향을 취한다. - Polaroid의 제품 철학은 AI를 사용하더라도 창작 경험을 지나치게 빠르고 자동화된 과정으로 만들지 않는 데 있다. - 이는 디지털 기술이 아날로그적 경험, 손으로 만드는 과정, 개인적인 의미와 공존할 수 있음을 보여준다. ## AI 시대의 새로운 태도 - Config 2025의 분위기는 AI에 대한 무조건적인 낙관이나 효율성 경쟁보다, 인간이 무엇을 아끼고 어떤 감정을 전달할지에 대한 성찰에 가까웠다. - 디자인의 핵심은 기능 구현이나 생산성 향상을 넘어 사람에게 특정한 감정과 경험을 전달하는 데 있다. - AI는 인간의 관심과 애정을 대체하기보다, 사람이 더 중요한 부분에 집중하도록 돕는 방식으로 사용되어야 한다. AI를 도입할 때는 “얼마나 빨라지는가”뿐 아니라 “무엇을 더 의미 있게 만들 수 있는가”를 함께 물어야 한다. 반복 업무는 자동화하되, 판단·배려·장인정신처럼 결과물에 인간적인 의미를 부여하는 과정은 의도적으로 보존하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)

FigmaAI프로덕트 디자인collaborative-design+2

line·2025년 5월 14일원문

코드 품질 개선 기법 11편: 반복되는 호출에 함수도 지친다 (새 탭에서 열림)

객체의 상태를 확인하고 그 결과에 따라 상태를 변경하는 로직은 호출자가 아닌 해당 객체 내부로 캡슐화하는 것이 코드 품질을 높이는 핵심입니다. 이를 통해 외부로 드러나는 상태 전이 로직을 단순화하고, 조건 확인 누락으로 인해 발생할 수 있는 잠재적인 버그를 효과적으로 방지할 수 있습니다. 특히 상태 변경 여부에 따른 후속 작업이 필요할 때는 복잡한 콜백보다 명확한 반환값을 활용하는 것이 코드의 가독성과 유지보수 측면에서 유리합니다. **상태 확인 로직의 내재화** * `if (receiver.a()) { receiver.b() }`와 같이 외부에서 객체의 상태를 묻고 동작을 결정하는 구조는 중복 호출의 번거로움과 확인 누락의 위험을 수반합니다. * 상태를 변경하는 함수(예: `markAsFriend`) 내부에서 직접 조건을 검사(예: `isFriend`)하도록 설계하면, 호출자는 객체의 내부 상태를 일일이 신경 쓰지 않고도 안전하게 기능을 수행할 수 있습니다. * 이러한 방식은 객체 내부의 상태 전이를 단순화하며, '이미 해당 상태인 경우 아무것도 하지 않는다'는 동작을 자연스럽게 보장합니다. * 만약 조건부 동작임을 명시적으로 드러내야 한다면 `markAsFriendIfNotYet`과 같이 함수 이름을 명확하게 짓거나 주석으로 보완하는 방법이 권장됩니다. **콜백 대신 반환값으로 결과 전달** * 상태 변경 성공 여부에 따라 팝업 노출과 같은 후속 작업이 필요할 때, 고차 함수를 통한 콜백(onSucceeded) 방식은 피하는 것이 좋습니다. * 콜백 방식은 의존성 순환을 일으킬 수 있고, 해당 로직이 동기적으로 실행되는지 비동기적으로 실행되는지 호출부에서 파악하기 어렵게 만듭니다. * 대신 `Boolean` 등의 반환값을 활용하면 호출자가 결과에 따라 후속 로직을 직접 제어할 수 있어 코드의 실행 흐름이 명확해집니다. * 이때 함수 이름에서 반환값의 의미가 명확히 드러나지 않는다면 문서화를 통해 보완하고, 호출자가 반환값을 반드시 확인하도록 강제하는 기법을 함께 사용할 수 있습니다. 객체 설계 시 "묻지 말고 시키라(Tell, Don't Ask)"는 원칙을 적용해 보시기 바랍니다. 객체 외부에서 상태를 묻고 판단하기보다, 객체가 스스로 자신의 상태를 확인하고 동작하게 함으로써 더 견고하고 읽기 쉬운 코드를 작성할 수 있습니다.

Kotlin코드 품질software-designrefactoring+1

google·2025년 5월 13일원문

검색 확대 생성에 대한 깊이 있는 통찰: 충분한 맥락의 역할 (새 탭에서 열림)

검색 증강 생성(RAG) 시스템의 성능을 최적화하기 위해 단순히 질문과 '관련된' 정보를 찾는 것을 넘어, 답변을 내기에 '충분한 문맥(Sufficient Context)'이 제공되었는지를 판단하는 새로운 관점을 제시합니다. 연구팀은 문맥의 충분성을 측정하는 자동 평가 도구(autorater)를 개발하여 RAG 시스템의 실패 원인을 분석하고 할루시네이션(환각)을 줄일 수 있는 방법론을 입증했습니다. 이를 통해 최신 대규모 언어 모델(LLM)이 충분한 정보 환경에서 어떻게 작동하는지 규명하고, 실제 서비스인 Vertex AI RAG 엔진에 해당 기술을 적용하여 정확도를 개선했습니다. **충분한 문맥의 정의와 필요성** * **관련성 vs 충분성**: 기존 RAG 연구는 질문과 문맥의 '관련성'에 집중했으나, 관련성이 높더라도 정답을 도출하기 위한 핵심 정보가 빠져 있으면 LLM은 잘못된 답변을 내놓을 위험이 큽니다. * **충분한 문맥**: 질문에 대해 확정적인 답변을 제공하는 데 필요한 모든 정보가 포함된 상태를 의미합니다. * **불충분한 문맥**: 질문과 관련은 있지만 정보가 불완전하거나, 결론을 내릴 수 없거나, 모순되는 정보가 포함된 경우를 말합니다. **LLM 기반 자동 평가 도구(Autorater)의 설계 및 성능** * **평가 메커니즘**: 질문과 검색된 문맥 쌍을 입력받아 해당 문맥이 답변에 충분한지 여부를 'True/False'로 분류하며, 체인 오브 쏘트(CoT) 및 1-샷 프롬프팅을 통해 성능을 최적화했습니다. * **높은 분류 정확도**: Gemini 1.5 Pro를 활용한 이 방식은 별도의 미세 조정 없이도 전문가가 직접 레이블링한 데이터와 비교했을 때 93% 이상의 높은 일치율을 보였습니다. * **기존 방식과의 비교**: 정답 키워드 포함 여부를 확인하는 방식이나 기존의 자연어 추론(NLI) 모델 기반 방식보다 Gemini를 활용한 프롬프팅 방식이 뛰어난 문맥 이해력을 바탕으로 더 정교한 판단을 내리는 것으로 나타났습니다. * **효율적 대안**: 계산 자원의 효율성이 필요한 경우, Gemini보다는 다소 성능이 낮지만 미세 조정된 FLAMe(PaLM 24B 기반) 모델이 대안이 될 수 있음을 확인했습니다. **RAG 시스템 성능 분석 및 실무적 통찰** * **SOTA 모델의 특성**: Gemini, GPT, Claude와 같은 최신 모델들은 충분한 문맥이 주어지면 정답률이 매우 높지만, 문맥이 불충분할 때 "모른다"고 답하며 할루시네이션을 방지하는 능력에는 차이가 있었습니다. * **성능 최적화 도구**: 이번 연구의 개념은 Google Cloud Vertex AI RAG 엔진의 'LLM Re-Ranker' 기능으로 구현되었습니다. 이는 검색된 스니펫을 질문과의 관련성 및 충분성에 따라 재정렬하여 nDCG와 같은 검색 지표 및 전체 시스템 정확도를 높입니다. * **실패 분석**: RAG 시스템의 실패는 단순히 검색 품질의 문제뿐만 아니라, 충분한 정보가 있음에도 모델이 이를 제대로 추출하지 못하거나 불충분한 정보에서 억지로 답을 지어내는 과정에서 발생함을 확인했습니다. RAG 시스템의 신뢰도를 높이기 위해서는 단순히 더 많은 문서를 검색하는 것보다, 검색된 결과가 질문에 답하기에 '충분한지'를 먼저 검증하는 단계가 필수적입니다. 개발자는 고성능 LLM을 활용한 자동 평가 단계를 파이프라인에 추가하거나, 리랭커(Re-ranker)를 도입하여 문맥의 질을 관리함으로써 할루시네이션을 획기적으로 줄일 수 있습니다.

AI대규모 언어 모델gemini프롬프트 엔지니어링+5

google·2025년 5월 12일원문

신뢰 그래프에서의 차분 (새 탭에서 열림)

구글 리서치가 발표한 '신뢰 그래프 기반 차분 프라이버시(Trust Graph DP, TGDP)'는 사용자 간의 다양한 신뢰 관계를 그래프로 모델링하여 데이터의 효용성과 개인정보 보호 사이의 균형을 맞춘 새로운 프라이버시 프레임워크입니다. 이 모델은 모든 사용자가 서로를 신뢰하지 않는 '로컬 모델'과 중앙 관리자만을 신뢰하는 '중앙형 모델' 사이의 간극을 메우며, 실제 인간관계의 복잡한 신뢰 구조를 수학적으로 반영합니다. 연구진은 지배 집합(Dominating Set) 개념을 활용한 데이터 집계 알고리즘을 통해, 신뢰 구조에 따라 기존 로컬 모델보다 높은 정확도를 달성할 수 있음을 증명했습니다. ### 신뢰 관계의 계층화를 반영한 TGDP 모델 * **신뢰의 가변성 모델링**: 기존의 차분 프라이버시는 신뢰할 수 있는 중앙 관리자가 있거나(중앙형), 아무도 믿지 않는(로컬) 이분법적 상황을 가정하지만, TGDP는 사용자가 가족이나 친구 등 특정 대상은 신뢰하고 낯선 사람은 신뢰하지 않는 현실적인 시나리오를 그래프의 정점(사용자)과 간선(신뢰 관계)으로 표현합니다. * **프라이버시 정의**: 특정 사용자 $u$의 데이터가 변경되더라도, $u$가 신뢰하지 않는 외부인이 관찰하는 메시지의 통계적 분포는 거의 변하지 않아야 한다는 원칙을 세워 프라이버시를 보장합니다. * **모델 간의 가교**: TGDP는 그래프의 형태에 따라 기존 모델들을 포함합니다. 모든 사용자가 중앙 관리자를 신뢰하는 '별 모양(Star)' 그래프는 중앙형 모델이 되고, 아무도 연결되지 않은 그래프는 로컬 모델과 동일해집니다. ### 지배 집합(Dominating Set) 기반 데이터 집계 알고리즘 * **알고리즘 메커니즘**: 그래프 내에서 모든 정점이 자신 혹은 인접한 정점 중 최소 하나를 포함하도록 구성된 '지배 집합 $T$'를 선정합니다. 각 사용자는 자신의 원본 데이터를 신뢰하는 이웃인 지배 집합 구성원에게 전송합니다. * **데이터 취합 및 노이즈 추가**: 데이터를 전달받은 지배 집합의 구성원들은 수집된 값을 합산한 뒤, 차분 프라이버시 조건을 충족하기 위한 적절한 노이즈를 추가하여 외부에 공개합니다. * **정확도 향상**: 이 방식은 각 사용자가 개별적으로 큰 노이즈를 더해야 하는 로컬 모델에 비해, 지배 집합을 통해 데이터를 묶어 처리함으로써 전체적인 오차(Mean-Squared Error)를 크게 줄일 수 있습니다. ### 이론적 한계치와 알고리즘의 효율성 * **오차의 하한선**: 연구진은 데이터 집계 작업에서 발생하는 오차가 그래프의 '지배 수(Domination Number, 지배 집합의 최소 크기)'와 직결됨을 수학적으로 증명했습니다. * **성능 최적화**: 지배 집합의 크기가 작을수록(즉, 소수의 신뢰할 수 있는 노드가 많은 사용자를 커버할수록) 알고리즘은 중앙형 모델에 가까운 높은 정확도를 보여줍니다. * **상호작용의 가치**: 이 모델은 사용자들이 서로 데이터를 공유할 수 있는 신뢰 환경이 조성될 때, 프라이버시를 유지하면서도 얼마나 더 정밀한 통계 분석이 가능한지를 정량적으로 보여줍니다. 이 연구는 위치 정보 공유나 소셜 네트워크 데이터 분석처럼 사용자 간의 신뢰 관계가 이미 형성되어 있는 서비스에서 특히 유용합니다. 데이터 분석가는 사용자의 신뢰 토폴로지를 파악하여 지배 집합 기반의 TGDP 알고리즘을 적용함으로써, 로컬 모델의 낮은 정확도 문제를 극복하고 보다 가치 있는 인사이트를 도출할 수 있을 것으로 기대됩니다.

AI머신러닝differential-privacygraph-theory+5