생성형 AI

125 개의 포스트

figma원문

앱 레이어는 AI가 가치를 (새 탭에서 열림)

현재의 인공지능 기술은 마치 명령어를 직접 입력해야 했던 MS-DOS 시대와 같으며, 진정한 대중화는 모델 그 자체가 아닌 '앱 계층(App Layer)'의 발전을 통해 이루어질 것입니다. 강력한 거대언어모델(LLM)의 잠재력을 일반 사용자가 체감할 수 있는 실용적인 도구로 전환하기 위해서는 인간 중심의 인터랙션 디자인이 필수적입니다. 결국 AI의 성공 여부는 기술적 성능보다는 사용자가 그 도구를 통해 얼마나 직관적이고 가치 있는 경험을 하느냐에 달려 있습니다. **역사적 사례로 본 앱 계층의 역할** - 개인용 컴퓨터의 보급은 MS-DOS가 아닌, 클릭과 드래그가 가능한 그래픽 사용자 인터페이스(GUI)의 등장으로 가능해졌습니다. - 인터넷 또한 브라우저와 검색 엔진 같은 앱 계층이 구축된 후에야 학술적 도구를 넘어 일상의 필수품이 되었습니다. - 스마트폰은 기기 자체보다 우버(Uber)나 인스타그램 같은 앱들이 새로운 기술을 삶을 개선하는 도구로 변모시키면서 비로소 우리 삶에 스며들었습니다. **LLM 래퍼를 넘어선 새로운 인터랙션 패턴** - 단순한 'LLM 래퍼(Wrapper)' 수준을 넘어, 기술의 원시적인 능력을 구체적인 행동으로 번역해주는 제품이 승리할 것입니다. - 스마트폰의 '핀치 투 줌(Pinch to zoom)'이나 '관성 스크롤'처럼 AI 시대에 걸맞은 새로운 인터랙션 표준이 정립되어야 합니다. - 사용자는 모델의 파라미터 수보다 모델 선택기의 UI 간소화 같은 디자인적 변화에 더 민감하게 반응하며, 이는 디자인 결정이 기술적 진보만큼 중요하다는 것을 시사합니다. **문제 해결에 최적화된 맥락 중심 디자인** - 육아 앱 '굿 인사이드(Good Inside)'의 사례처럼, 범용 챗봇보다 특정 문제(예: 아이의 취침 시간 갈등)에 공감하고 구체적인 카드 형태로 솔루션을 제시하는 인터페이스가 더 큰 가치를 제공합니다. - 전문가(변호사, 의사, 디자이너 등)의 각기 다른 필요에 맞춰 인터페이스가 튜닝되어야 하며, 이는 단순한 텍스트 답변 이상의 경험을 만들어냅니다. - 브라우저 역시 단순한 탭 관리 도구에서 벗어나 앱 간의 협업을 돕는 능동적인 AI 인터페이스로 진화하고 있습니다. **정서적 공명과 디자인의 디테일** - 기술적 기능보다는 해당 제품이 사용자에게 어떤 기분을 느끼게 하는지(지원받는 느낌, 영감, 자신감 등)가 새로운 경쟁 우위가 될 것입니다. - 폰트, 색상, 타이핑 애니메이션과 같은 작은 디자인 요소들이 모여 AI를 더 자연스럽고 즐겁게 사용할 수 있는 도구로 만듭니다. - 제품 빌더들은 AI의 출력을 매끄럽고 만족스럽게 전달할 수 있는 인터랙션을 설계하고, 이를 안정적으로 확장할 수 있는 시스템을 구축해야 합니다. 성공적인 AI 제품을 만들고자 한다면 단순히 모델의 성능을 높이는 데 그치지 말고, 사용자가 당면한 구체적인 문제를 어떻게 디자인적으로 해결할 것인지에 집중해야 합니다. 기술을 '도구'로 만드는 것은 결국 디자인의 힘이며, 사용자가 기술을 의식하지 않고 자연스럽게 목표를 달성하게 만드는 인터랙션이 AI 시대의 핵심 차별점이 될 것입니다.

figma3분 읽기큐레이션 요약

AI가 자동화할 수

AI가 프로토타입과 콘텐츠 제작을 빠르게 만들어내는 시대일수록, 좋은 결과와 훌륭한 결과를 가르는 요소는 인간의 ‘공예적 완성도’다. 호기심, 직관, 취향, 의도 같은 능력은 AI가 자동화하기 어렵고, AI의 산출물을 실제 사용자와 맥락에 맞게 조정하는 데 필수적이다. 따라서 AI는 아이디어 탐색과 반복을 가속하는 도구로 활용하되, 최종 방향과 품질 판단은 사람이 주도해야 한다. ## 호기심: 문제를 원점에서 다시 보기 - 호기심은 정해진 경로를 따르기보다 “왜 그런가?”, “만약 다르게 한다면?”을 질문하는 태도다. - Figma Make, Claude, ChatGPT 같은 도구를 활용하면 코딩 없이 프로토타입이나 캠페인 시안을 여러 방향으로 빠르게 탐색할 수 있다. - AI는 탐색 속도와 경우의 수를 늘려주지만, 다음과 같은 판단은 스스로 내리기 어렵다. - 기존 범위를 벗어나 새로운 가능성을 시험할지 여부 - 문제의 범위 자체를 다시 정의해야 하는지 여부 - 우연히 떠오른 아이디어나 직감이 더 깊이 탐구할 가치가 있는지 여부 - 초기에 폭넓게 탐색하면 이후 선택과 개선에 대한 확신이 커지고, 재작업과 팀 내 논의를 줄일 수 있다. - Figma 디자이너 Natasha Tenggoro는 Figma Make로 Figma Buzz의 동영상 기능을 여러 방식으로 프로토타이핑했다. - 다양한 방향과 예외 상황을 조기에 테스트했다. - 기능의 범위와 구현 가능성을 엔지니어링 팀이 더 명확히 이해할 수 있었다. - 개발 단계에서 발생할 수 있는 비용 큰 왕복 논의를 줄였다. ## 호기심의 실제 적용: 아이콘 체계 전체를 다시 설계하기 - Figma가 Figma Make, Figma Buzz, Figma Sites, Figma Draw를 출시하면서 Tim Van Damme은 네 제품의 아이콘을 새로 만들어야 했다. - 처음에는 새 제품별 아이콘 네 개를 만드는 작업처럼 보였지만, 작업 과정에서 기존 아이콘과 새 아이콘의 전체적인 통일성이 문제로 드러났다. - 그는 개별 아이콘만 설계하는 대신 Figma 아이콘 체계 전체를 재설계하는 방향으로 범위를 확장했다. - 이 결정으로 프로젝트 기간은 몇 주 늘었지만, 수백 가지 변형을 검토하며 다음 목표를 달성했다. - 각 아이콘이 개별 제품을 명확히 나타냄 - 전체 아이콘군은 일관된 시각 언어를 공유함 - 큰 광고 형식에서도 잘 확장됨 - Figma만의 정체성을 유지함 - 이는 주어진 과업을 빠르게 완료하는 것보다, 문제를 더 근본적인 수준에서 다시 정의하는 호기심이 더 나은 결과를 만들 수 있음을 보여준다. ## 직관: 기술적으로 작동하는 것 이상을 판단하기 - AI는 제품을 빠르게 출시 가능한 상태로 만들 수 있지만, 무엇이 고객에게 가장 잘 전달되고 공감될지는 스스로 확정하기 어렵다. - 사람은 프로토타입이 기능적으로는 정상이어도 다음과 같은 문제를 감지할 수 있다. - 사용자가 혼란을 느낄 수 있는 상호작용 - 정보가 모두 들어갔지만 지나치게 답답한 레이아웃 - 콘텐츠가 맞더라도 충분히 편안하거나 매력적으로 느껴지지 않는 경험 - CVS Health의 Eliel Johnson은 디자인을 직함이 아니라 행동으로 보며, “이것이 사용자에게 좋은 느낌을 주는가?”를 계속 질문해야 한다고 말한다. - 직관은 명확한 데이터나 규칙으로 즉시 설명되지 않더라도, 사용자 경험의 어색함과 개선 가능성을 먼저 포착하는 인간의 판단 능력이다. AI를 단순히 결과물을 자동 생성하는 수단으로 사용하기보다, 다양한 아이디어를 빠르게 실험하고 검증하는 탐색 도구로 활용하는 것이 바람직하다. 최종적으로는 사람이 문제의 범위를 다시 정의하고, 사용자의 감정과 맥락을 고려하며, “작동하는가”를 넘어 “좋은 경험인가”를 판단해야 한다.

원문 읽기(새 탭에서 열림)
figma원문

IDC 조사: 전 세계 (새 탭에서 열림)

글로벌 시장 분석 기관인 IDC의 최신 연구에 따르면, 소프트웨어 디자인 및 개발에 참여하는 인력은 2025년 107만 명에서 2029년 144만 명으로 약 30% 이상 급증할 것으로 전망됩니다. 이는 디자인이 기업의 핵심적인 경쟁 우위 요소로 자리 잡고 있음을 시사하며, 특히 사용자 경험(UX) 중심의 솔루션에 대한 수요가 폭발적으로 늘어나고 있음을 보여줍니다. 생성형 AI의 발전은 이러한 흐름을 가속화하여 더 정교하고 시각적으로 뛰어난 디지털 제품의 생산을 촉진할 것으로 보입니다. **소프트웨어 디자인 인력의 양적 팽창** - IDC는 디지털 제품 및 인터페이스 디자인에 참여하는 지식 근로자와 개발자의 수가 2025년 1억 7백만 명에서 2029년 1억 4천 4백만 명으로 증가할 것으로 예측했습니다. - 이러한 성장은 전 산업군과 기업 규모를 막론하고 소프트웨어 디자인의 중요성이 비즈니스 전략의 핵심으로 부상했음을 의미합니다. - 디자인 중심의 문제 해결을 위한 전문 인력에 대한 수요는 향후 몇 년간 지속적으로 강화될 것입니다. **UX 디자인 직무의 독보적인 성장세** - UX 디자인 전문가 집단은 2025년부터 2029년까지 연평균 성장률(CAGR) 7.6%를 기록할 것으로 보입니다. - 이는 다른 지식 근로자 하위 범주의 성장 속도를 앞지르는 수치로, 복잡한 기술을 사용자 친화적으로 풀어내는 디자인 집약적 솔루션의 중요성을 방증합니다. - 기업들은 단순한 기능 구현을 넘어, 차별화된 인터페이스와 사용자 경험을 제공하기 위해 UX 인력을 공격적으로 확충할 전망입니다. **생성형 AI가 가져올 개발 속도와 품질의 변화** - 생성형 AI는 소프트웨어 개발의 속도와 물량을 비약적으로 증가시켜 사용자에게 더 넓은 선택지를 제공하는 촉매제 역할을 할 것입니다. - 제품 내 AI 기능 통합이 보편화됨에 따라, 디자이너와 개발자는 고도로 사용 가능하고 시각적으로 매력적인 AI 인터페이스를 구현해야 한다는 도전에 직면하게 됩니다. - 결과적으로 AI는 디자인 과정을 보조하는 동시에, 더 높은 수준의 디자인 표준을 유지해야 하는 압박으로 작용하여 숙련된 디자인 인력의 가치를 높일 것입니다. 디자인은 이제 단순한 미적 요소를 넘어 제품의 성패를 가르는 전략적 자산이 되었습니다. 기업들은 증가하는 디자인 인력 수요에 대비하고, 특히 생성형 AI를 디자인 프로세스에 효과적으로 통합하여 고도화된 사용자 경험을 신속하게 제공할 수 있는 역량을 갖추어야 합니다. 이러한 변화의 흐름 속에서 디자인과 개발의 경계를 허물고 협업 효율을 극대화하는 것이 미래 소프트웨어 시장의 핵심 경쟁력이 될 것입니다.

google원문

구글 AI는 보건 의료 전문 (새 탭에서 열림)

구글은 전 세계적인 의료 인력 부족 문제를 해결하기 위해 AI를 활용한 보건 의료 교육 혁신 방안을 연구하고 있습니다. 최근 발표된 두 가지 연구에 따르면, 학습자 중심의 맞춤형 피드백을 제공하는 'LearnLM' 모델이 기존 AI 모델보다 뛰어난 교육적 성과를 보였으며, 이는 의료진 교육의 질을 높이는 강력한 도구가 될 수 있음을 시사합니다. 이러한 연구 결과는 실제 의료 교육 현장에서 AI가 단순한 정보 전달자를 넘어 숙련된 튜터와 같은 역할을 수행할 수 있다는 가능성을 입증합니다. **의료 학습자 중심의 디자인과 정성적 연구** * **참여형 디자인 워크숍:** 의료 학생, 임상의, 교육자, AI 연구자 등 다학제적 전문가들이 모여 의료 교육에 AI를 통합하기 위한 기회를 정의하고, 임상 추론 학습을 돕는 AI 튜터 프로토타입을 설계했습니다. * **학습자 니즈 파악:** 의대생 및 레지던트를 대상으로 한 정성적 연구 결과, 학습자들은 개인의 지식 수준과 학습 스타일에 맞춰 반응하는 도구를 선호한다는 점이 밝혀졌습니다. * **프리셉터(Preceptor) 행동의 중요성:** 학습자들은 인지 부하 관리, 건설적인 피드백 제공, 질문과 성찰 유도 등 실제 지도 교수와 유사한 AI의 행동이 임상 추론 능력을 키우는 데 필수적이라고 평가했습니다. **LearnLM의 교육적 역량 및 정량적 평가** * **비교 평가 수행:** 교육용으로 미세 조정(fine-tuning)된 'LearnLM'과 기본 모델인 'Gemini 1.5 Pro'의 성능을 비교하기 위해 의료 교육 주제를 아우르는 50개의 가상 시나리오를 설계했습니다. * **현장 중심의 시나리오:** 혈소판 활성화와 같은 기초 의학부터 신생아 황달 같은 임상 주제까지, 실제 의과대학의 핵심 역량 표준을 반영한 시나리오를 통해 모델의 실효성을 검증했습니다. * **블라인드 테스트 결과:** 의대생들은 LearnLM이 학습 목표 달성, 사용 편의성, 이해도 측면에서 더 우수하다고 평가했으며, 특히 실제 학습 상황을 가정한 290개의 대화 데이터를 통해 그 성능이 입증되었습니다. **AI 튜터로서의 교육학적 우수성** * **전문가 평가:** 전문의 교육자들은 LearnLM이 기본 모델에 비해 훨씬 더 나은 교육법(Pedagogy)을 보여주며, "매우 우수한 인간 튜터처럼 행동한다"고 분석했습니다. * **비판적 사고 유도:** 단순히 정답을 알려주는 것에 그치지 않고, 학생이 스스로 생각할 수 있도록 유도하고 부족한 부분을 정확히 짚어주는 능력이 탁월한 것으로 나타났습니다. * **최신 모델 적용:** 연구에서 검증된 LearnLM의 혁신적인 교육 기능들은 현재 'Gemini 2.5 Pro' 모델에 통합되어 실무에서 활용 가능한 상태입니다. 이러한 연구 결과는 AI가 의료 교육의 개인화를 실현하고, 바쁜 임상 현장에서 교육자들의 부담을 덜어주는 동시에 차세대 의료 인력의 역량을 효과적으로 강화할 수 있음을 보여줍니다. 향후 의료 교육 기관에서는 Gemini 2.5 Pro와 같은 모델을 도입하여 학생들에게 24시간 접근 가능한 맞춤형 임상 지도 서비스를 제공하는 것을 적극적으로 고려해볼 수 있습니다.

google원문

거대 모델에서 모바일의 마 (새 탭에서 열림)

YouTube는 지식 증류(Knowledge Distillation) 기술과 MediaPipe를 이용한 온디바이스 최적화 아키텍처를 통해 대규모 생성형 AI 모델을 모바일 환경에서 실시간으로 구현했습니다. 이 시스템은 거대 모델의 성능을 소형화된 학생 모델에 전이함으로써 사용자 정체성을 유지하면서도 초당 30프레임 이상의 속도로 카툰 스타일 변환 등의 복잡한 효과를 제공합니다. 결과적으로 유튜브 쇼츠 사용자들은 고성능 GPU 서버 없이도 자신의 기기에서 즉각적이고 고품질의 AI 효과를 경험할 수 있게 되었습니다. ### 고품질 데이터와 지식 증류 아키텍처 * **다양성을 고려한 데이터 구축**: 성별, 연령, 피부색(Monk Skin Tone Scale 기준) 등이 균형 있게 분포된 라이선스 기반 얼굴 데이터셋을 사용하여 모든 사용자에게 일관된 품질의 효과를 제공합니다. * **교사-학생(Teacher-Student) 모델**: StyleGAN2 또는 Google DeepMind의 Imagen과 같은 강력한 '교사 모델'이 시각적 효과를 생성하면, UNet 기반의 가벼운 '학생 모델'이 이를 학습합니다. * **모바일 최적화 백본**: 학생 모델은 모바일 기기에 최적화된 MobileNet 백본을 인코더와 디코더에 사용하여 연산 부담을 최소화하면서도 이미지 변환 효율을 높였습니다. ### 반복적 증류 프로세스와 최적화 * **데이터 생성 및 증강**: 교사 모델을 통해 수만 쌍의 '변환 전후' 이미지 쌍을 생성하며, 이때 AR 안경, 합성된 손에 의한 가려짐(occlusion) 등 다양한 증강 기법을 적용해 실제 촬영 환경에 대비합니다. * **복합 손실 함수 활용**: 학생 모델 학습 시 단순 수치적 정확도를 넘어 시각적 사실감을 높이기 위해 L1, LPIPS, 적응형(Adaptive) 및 적대적(Adversarial) 손실 함수를 조합하여 사용합니다. * **신경망 구조 탐색(NAS)**: 뉴럴 아키텍처 서치 기술을 통해 모델의 깊이와 너비를 조정하며 각 효과에 가장 최적화된 효율적인 구조를 자동으로 찾아냅니다. ### 사용자 정체성 보존을 위한 PTI 기술 * **인버전 문제(Inversion Problem) 해결**: 생성 모델이 이미지를 잠재 공간(Latent Space)으로 변환할 때 사용자 고유의 이목구비나 피부색이 왜곡되는 문제를 해결하기 위해 PTI(Pivotal Tuning Inversion)를 도입했습니다. * **개별 특성 학습**: 원본 이미지의 특징을 정확히 표현할 수 있도록 모델의 가중치를 미세 조정하여, 효과가 적용된 후에도 사용자가 누구인지 명확히 인식할 수 있도록 정체성을 유지합니다. * **일관성 유지**: 단순한 필터 적용이 아니라 프레임별로 정체성을 보존하며 전체적인 스타일을 재구성하여 자연스러운 변환 결과를 도출합니다. ### MediaPipe를 통한 실시간 온디바이스 실행 * **크로스 플랫폼 최적화**: Google의 MediaPipe 프레임워크를 활용하여 Android와 iOS 모두에서 동일하게 고성능 그래프 시뮬레이션을 실행합니다. * **하드웨어 가속**: TFLite와 GPU 가속(Vulkan, OpenGL, Metal)을 통해 모바일 기기의 하드웨어 성능을 극한으로 끌어올려 실시간 카메라 스트림 처리를 지원합니다. * **효율적인 파이프라인**: 입력 영상의 전처리부터 모델 추론, 최종 렌더링까지 이어지는 전체 공정을 모바일 GPU 내에서 완결하여 지연 시간을 최소화했습니다. 이 기술적 성과는 복잡한 생성형 AI를 클라우드 서버 없이 모바일 기기 자체에서 구동할 수 있음을 증명합니다. 개발자들은 MediaPipe와 같은 오픈소스 도구를 활용하여 유사한 온디바이스 AI 기능을 설계할 수 있으며, 특히 사용자 개인정보 보호와 실시간 응답성이 중요한 서비스에서 지식 증류와 PTI 기술은 핵심적인 해결책이 될 것입니다.

google원문

AMIE를 위한 의사 (새 탭에서 열림)

구글 딥마인드가 발표한 g-AMIE(guardrailed-AMIE)는 환자의 병력을 청취하고 진단 정보를 정리하는 의료용 AI 시스템으로, 의사의 최종 감독을 전제로 설계되었습니다. 이 시스템은 환자에게 직접적인 의료 조언을 제공하지 못하도록 엄격한 가드레일을 적용하되, 대신 의사가 검토하고 승인할 수 있는 상세한 임상 보고서를 생성합니다. 가상 임상 시험 결과, g-AMIE의 진단 정확도와 환자 소통 능력은 동일한 제약 조건 하의 인간 의료 전문가보다 우수한 것으로 평가되어 의료 AI의 안전한 도입 가능성을 제시했습니다. ### 의사 중심의 감독 체계와 비동기식 협업 * 의료 행위의 법적 책임과 전문성을 보장하기 위해 AI가 독자적으로 진단하는 대신, 전문의가 AI의 결과물을 검토하고 승인하는 '의사 중심 감독' 프레임워크를 채택했습니다. * AI가 환자와 대화하며 병력을 청취하는 동안 전문의는 다른 업무를 수행할 수 있으며, 이후 AI가 요약한 정보를 비동기적으로 검토함으로써 진료 효율성을 극대화합니다. * Gemini 2.0 Flash를 기반으로 구축되었으며, 의사가 진단 및 관리 계획을 수정·승인할 수 있도록 설계된 전용 웹 인터페이스인 '클리니션 콕핏(Clinician Cockpit)'을 제공합니다. ### 세분화된 멀티 에이전트 시스템 구조 * **대화 에이전트:** 일반적인 병력 청취부터 초기 진단 가설 검증을 위한 맞춤 질문, 환자의 궁금증 해소에 이르는 3단계 프로세스를 통해 고품질의 대화를 수행합니다. * **가드레일 에이전트:** AI가 환자에게 개별화된 의료 조언이나 진단을 직접 내리지 않도록 실시간으로 모든 답변을 감시하고, 규정을 준수하도록 문구를 재구성합니다. * **SOAP 노트 에이전트:** 수집된 정보를 주관적 기술(Subjective), 객관적 자료(Objective), 평가(Assessment), 계획(Plan)의 SOAP 형식으로 자동 생성하며, 의사가 환자에게 전달할 메시지 초안까지 함께 작성합니다. ### 임상 수행 능력 평가 (OSCE) 결과 * 60개의 환자 시나리오를 활용해 일반의(PCP) 및 간호사/의사 보조사(NP/PA) 그룹과 g-AMIE의 성능을 무작위 대조 시험으로 비교했습니다. * 감독 의사들과 독립적인 평가단은 g-AMIE가 도출한 차별 진단(Differential Diagnosis)과 환자 관리 계획이 인간 전문가 그룹보다 더 우수하다고 평가했습니다. * 환자 역할을 맡은 연기자들 또한 인간 의료진이 작성한 메시지보다 g-AMIE가 작성한 환자용 메시지에 대해 더 높은 선호도와 만족도를 보였습니다. g-AMIE는 AI의 데이터 처리 효율성과 전문의의 임상적 책임감을 결합한 새로운 의료 협업 모델의 이정표를 제시합니다. 비록 AI 시스템에 특화된 환경에서 도출된 결과라는 점을 고려해야 하나, 가드레일을 통해 안전성을 확보하면서도 의사의 업무 부하를 줄이는 이러한 기술적 접근은 향후 실제 진료 현장에 AI를 도입할 때 핵심적인 표준이 될 것으로 보입니다.

line원문

자네, 해커가 되지 않겠나? Hack Day 2025에 다녀왔습니다! (새 탭에서 열림)

LY Corporation의 'Hack Day 2025'는 19년째 이어져 온 전통 있는 사내 해커톤으로, 직무와 국적에 상관없이 구성원들이 자유롭게 아이디어를 기술로 구현하는 혁신적인 개발 문화를 상징합니다. 참가자들은 24시간 동안 몰입하여 프로토타입을 제작하며, 'Perfect the Details' 정신을 바탕으로 기술적 검증과 협업의 가치를 실현합니다. 이번 행사는 단순한 개발을 넘어 글로벌 동료들과의 네트워크를 강화하고 창의적인 시도를 장려하는 LY Corporation만의 독보적인 기술 축제로 자리매김했습니다. **자유로운 협업과 글로벌 팀 빌딩** * 과거 야후 재팬 시절부터 시작되어 19회차를 맞이한 Hack Day는 기획자, 디자이너, HR 등 사내 구성원 누구나 참여할 수 있는 열린 행사입니다. * 온/오프라인 밋업과 Zoom, Miro 등의 툴을 활용해 한국, 일본, 대만, 베트남 등 다양한 국가의 멤버들이 'Global Mixed Team'을 구성하여 협업합니다. * 하이브리드 워크 환경에 맞춰 이동 시간 및 업무 집중 시간을 보장하는 'Travel Day' 제도를 통해 원격 근무자들이 오프라인에서 밀도 있게 협업할 수 있는 환경을 제공합니다. **몰입을 돕는 환경과 해커톤의 문화** * 행사 기간 동안 오피스의 한 층을 통째로 사용하며, 팀별 독립 공간과 화이트보드, 모니터 등 개발에 필요한 인프라를 전폭적으로 지원합니다. * 1일 차 오전 9시, 전 참가자가 모여 "Hack Time!"을 외치는 개회 선언을 통해 행사의 본격적인 시작을 알리는 전통이 있습니다. * 에너지 소모가 큰 해커톤 특성을 고려하여 시간대별로 도넛, 컵라면 등 다양한 간식과 전 세계 법인에서 가져온 이색 먹거리를 무제한 제공하여 개발에만 집중할 수 있게 돕습니다. **AI 모델을 활용한 기술적 실천과 유연한 피보팅** * 실제 프로젝트 사례로 Slack 커뮤니케이션 기록과 AI 모델을 결합해 개개인의 협업 성향을 분석하는 '전투력 측정' 프로그램을 개발했습니다. * 성격 심리학 모델인 'Big 5 Personality'를 도입하여 데이터의 신뢰성을 확보하고, 이를 게임 캐릭터 능력치처럼 시각화하여 재미 요소를 더했습니다. * 개발 마지막 단계에서 포토 프린터 하드웨어 장애라는 변수가 발생하자, 실물 카드 출력 대신 파일 다운로드 방식으로 기획을 신속하게 변경하며 해커톤 특유의 유연한 문제 해결 능력을 발휘했습니다. **성과 공유를 위한 90초 발표와 부스 운영** * 3일 차에는 각 팀이 결과물을 공유하며, 90초라는 엄격한 시간 제한 속에서 핵심 기능과 데모를 선보이는 '라이브 피칭'을 진행합니다. * 발표 후에는 별도의 부스 운영 시간을 통해 심사위원과 다른 참가자들이 직접 서비스를 체험해 보고 기술적인 디테일에 대해 심도 있는 질의응답을 나눕니다. * 창의성, 기술적 완성도, 발표 전달력을 종합적으로 평가하여 시상하며, 이를 통해 사내 기술 트렌드를 공유하고 성취감을 고취합니다. Hack Day와 같은 사내 해커톤은 일상적인 업무에서 벗어나 최신 기술(AI 등)을 실험하고 동료와의 유대감을 쌓을 수 있는 최고의 기회입니다. 기술적 성장에 목마른 조직이라면, 결과물의 완벽함보다는 24시간 동안의 몰입 경험과 그 과정에서 발생하는 유쾌한 시행착오를 장려하는 문화를 구축해 보길 추천합니다.

figma4분 읽기큐레이션 요약

피그마의 IPO:

Figma의 IPO는 단순한 자금 조달이 아니라, “상상과 현실 사이의 간극을 없앤다”는 창업 비전을 장기적으로 실현하기 위한 전환점이다. 딜런 필드는 디자인이 더 이상 일부 전문가의 영역이 아니라 제품과 기업의 성패를 좌우하는 모두의 업무가 되었다고 강조한다. Figma는 단기 수익성보다 AI와 플랫폼, 인수합병 등에 대한 장기 투자를 우선하며 수십 년 단위의 성장을 추구할 계획이다. ## IPO를 선택한 이유 - 기업 공개의 일반적인 장점으로 다음을 제시한다. - 기업 운영의 투명성과 건전성 강화 - 브랜드 인지도 확대 - 기존 주주와 임직원의 유동성 확보 - 주식이라는 더 강력한 인수·보상 수단 확보 - 자본시장 접근성 확대 - 가장 중요한 이유는 Figma 커뮤니티가 회사의 소유권을 함께 나누도록 하기 위해서다. - 다만 IPO가 주가 상승을 보장하는 것은 아니며, 시장은 변동할 수 있다고 명확히 선을 긋는다. ## 효율성보다 장기 성장에 집중 - Figma의 최우선 목표는 단기적인 운영 효율성이 아니라 디자이너의 변화하는 요구를 지원하며 장기 성장하는 것이다. - 성장 과정에서 플랫폼 투자와 대규모 인수합병에 과감하게 나설 수 있다. - 일부 결정은 단기적으로 비합리적으로 보일 수 있고, 잘못된 판단도 발생할 수 있음을 인정한다. - 분기별 주가 상승보다 수십 년에 걸친 장기적인 복리 성장을 우선하겠다는 투자 철학을 제시한다. ## AI가 바꾸는 디자인과 Figma의 투자 - Figma는 AI에 이미 대규모로 투자하고 있으며 앞으로 투자를 더욱 확대할 예정이다. - AI 관련 지출은 몇 년 동안 효율성을 떨어뜨릴 수 있지만, 향후 디자인 워크플로의 핵심 요소가 될 것으로 본다. - Figma Make와 기존 AI 기능은 시작에 불과하며, AI가 다음과 같은 역할을 할 가능성을 제시한다. - 디자이너의 아이디어 구체화 지원 - 더 많은 사람의 디자인 프로세스 참여 - 디자인 작업의 자동화와 협업 강화 - AI를 단순한 기능 추가가 아니라 Figma 플랫폼의 미래를 결정할 핵심 기반으로 보고 있다. ## 디자인은 모두의 업무가 된다 - 과거에는 최소기능제품(MVP)을 먼저 만들고 디자인을 나중에 보완하는 경우가 많았다. - 이제는 제품을 쉽게 만드는 것보다, 어떤 관점과 완성도로 설계하느냐가 성공을 좌우한다. - 디자인은 단순히 외형이나 기능을 정리하는 작업이 아니라 다음을 결정하는 요소가 된다. - 사용자가 제품을 선택하는 이유 - 기업과 제품의 차별성 - 시장에서의 성공과 실패 - 디자인과 장인정신, 명확한 관점이 핵심 경쟁력이 되면서 디자이너뿐 아니라 다양한 직군과 사용자 페르소나가 디자인 과정에 참여하게 될 것으로 전망한다. ## 접근성과 전문성의 균형 - 새로운 사용자가 디자인 프로세스에 참여하려면 Figma는 접근하기 쉬워야 한다. - 동시에 전문 디자이너와 대규모 조직이 활용할 수 있는 강력한 기능도 유지해야 한다. - 따라서 Figma는 다음 두 목표 사이의 균형을 맞춰야 한다. - 비전문가도 쉽게 아이디어를 표현할 수 있는 접근성 - 전문가와 조직이 복잡한 작업을 수행할 수 있는 확장성과 제어력 - 조직이 함께 협업하고 대규모로 의사결정할 수 있는 포용적인 환경도 중요하다고 강조한다. ## AI 인터페이스의 진화 - 현재의 AI는 프롬프트가 사실상 사용자 인터페이스인 ‘MS-DOS 시대’에 가깝다고 설명한다. - 앞으로는 사용자가 긴 명령어를 직접 입력하지 않아도 AI의 능력을 활용할 수 있는 새로운 디자인 패턴이 등장할 것으로 전망한다. - 컴퓨터의 기능을 대중에게 전달했던 GUI처럼, AI의 복잡한 능력을 직관적으로 보여주는 도메인별 인터페이스가 확산될 수 있다. - 이 과정에서 뛰어난 디자인은 AI의 기능을 이해하고 실제 업무에 적용하게 만드는 핵심 수단이 된다. ## Figma가 지향하는 공간 - 기술 발전이 빠르고 미래가 불확실해지더라도, 변화는 창의적이고 즐거운 가능성을 제공한다고 본다. - 세상을 바꾸는 것은 도구 자체가 아니라 도구를 사용하는 사람이라고 강조한다. - Figma는 개인과 팀이 아이디어를 키우고 협력할 수 있는 ‘평화로운 정원’ 같은 플랫폼이 되기를 희망한다. - 궁극적으로 사용자가 Figma를 활용해 세상을 조금 더 나은 방향으로 바꾸는 것이 회사의 지향점이다. Figma의 전략은 단기 수익 극대화보다 AI와 디자인 생태계의 변화에 선제적으로 투자하는 데 있다. 따라서 이 글은 Figma를 평가할 때 현재의 효율성보다 디자인의 대중화, AI 기반 워크플로, 장기적인 플랫폼 확장 가능성을 중심으로 보아야 한다는 메시지를 전달한다.

원문 읽기(새 탭에서 열림)
line원문

LY의 테크 컨퍼런스, 'Tech-Verse 2025' 후기 (새 탭에서 열림)

LY Corporation(이하 LY)은 기술 컨퍼런스 'Tech-Verse 2025'를 통해 합병 이후의 플랫폼 통합 전략과 AI 기업으로의 전환 비전을 제시했습니다. LY는 자체 프라이빗 클라우드 구축을 통해 압도적인 비용 절감과 보안 강화를 실현하고, 모든 서비스에 AI 에이전트를 도입하여 사용자 경험을 혁신할 계획입니다. 특히 생성형 AI를 활용한 개발 프로세스의 전면적인 진화로 엔지니어가 서비스 본질에 집중할 수 있는 환경을 구축하는 것이 핵심입니다. **CatalystOne: 고효율 통합 플랫폼 구축** * **자체 클라우드 기반의 비용 최적화**: 퍼블릭 클라우드 대비 약 4배의 비용 절감 효과를 거두고 있으며, 50만 대의 서버와 3Tbps에 달하는 대규모 트래픽을 효율적으로 관리하고 있습니다. * **플랫폼 통합(CatalystOne)**: 합병 후 중복된 인프라를 'CatalystOne'이라는 이름 아래 통합하여 기술, 엔지니어, 시설 등 핵심 자원의 운영 집중도를 높였습니다. * **보안 및 혁신 가속화**: 통합된 플랫폼을 통해 거버넌스를 강화하고, 폭발적인 데이터 성장과 생성형 AI 수요에 기민하게 대응할 수 있는 차세대 프라이빗 클라우드 'Flava'를 구축했습니다. **전 서비스의 AI 에이전트화와 개발 혁신** * **퍼스널 에이전트 구현**: 현재 44개 서비스에 생성형 AI를 도입했으며, 수천만 개의 에이전트를 연계하여 개별 사용자의 니즈를 정교하게 지원하는 것을 목표로 합니다. * **AI 기반 개발 솔루션 도입**: 2025년 7월부터 모든 엔지니어에게 AI 개발 솔루션을 전면 도입하며, RAG(검색 증강 생성) 기술로 사내 지식을 활용해 코드 품질을 높입니다. * **생산성 지표의 획기적 개선**: PoC 결과 'Code Assist'는 96%의 정답률을 기록했고, 'Auto Test' 도입으로 테스트 시간을 97% 단축하는 등 압도적인 개발 효율성 향상을 확인했습니다. **실용적인 결론** LY의 전략은 대규모 인프라를 운영하는 기업이 단순히 AI를 도입하는 것에 그치지 않고, 인프라 통합을 통한 비용 효율화와 AI를 활용한 개발 문화 혁신이 병행되어야 함을 보여줍니다. 특히 엔지니어링 환경에 AI를 적극적으로 이식하여 확보한 리소스를 사용자 가치 증대에 재투자하는 선순환 구조는 기술 기업들이 참고할 만한 모델입니다.

microsoft원문

AI 기반 코드 리뷰를 통한 대 (새 탭에서 열림)

마이크로소프트는 사내 풀 리퀘스트(PR)의 90% 이상에 AI 코드 리뷰 어시스턴트를 도입하여 매월 60만 건 이상의 리뷰를 처리함으로써 개발 생산성과 코드 품질을 획기적으로 높였습니다. 이 시스템은 단순 반복적인 리뷰 작업을 자동화하여 엔지니어가 아키텍처나 보안 등 고차원적인 문제에 집중할 수 있게 돕고, PR 완료 시간을 최대 20% 단축하는 성과를 거두었습니다. 마이크로소프트 내부에서 검증된 이 혁신 모델은 현재 깃허브 코파일럿(GitHub Copilot)의 PR 리뷰 기능으로 확장되어 전 세계 개발 생태계에 기여하고 있습니다. ### 기존 PR 리뷰의 페인 포인트 해결 * **저부가가치 피드백의 과중:** 리뷰어가 구문 오류나 명명 규칙 같은 단순 작업에 시간을 쏟느라 정작 중요한 설계상의 결함이나 보안 취약점을 놓치는 문제를 해결하고자 했습니다. * **리뷰 지연 및 컨텍스트 부족:** PR 규모가 크면 맥락 파악이 어려워 리뷰가 며칠씩 지연되기도 하는데, AI가 즉각적인 피드백을 제공하여 병목 현상을 제거했습니다. * **휴먼 에러 방지:** 수천 명의 개발자가 참여하는 대규모 환경에서 발생할 수 있는 일관성 없는 리뷰 품질을 AI를 통해 일정 수준 이상으로 상향 평준화했습니다. ### AI 리뷰어의 핵심 기능과 작동 방식 * **자동화된 체크 및 코멘트:** 스타일 불일치부터 널 참조(Null Reference), 비효율적인 알고리즘 등 논리적 오류를 식별하며, 예외 처리나 민감 데이터 포함 여부 등의 카테고리로 분류된 코멘트를 남깁니다. * **코드 수정 제안 (Apply Change):** 단순한 지적에 그치지 않고 구체적인 수정 코드를 제안하며, 개발자가 승인 버튼을 클릭하면 즉시 반영되는 워크플로우를 제공해 투명성과 책임성을 유지합니다. * **PR 요약 및 대화형 Q&A:** 복잡한 코드 변경 사항을 한눈에 알 수 있게 요약해 주며, "이 매개변수가 왜 필요한가?"와 같은 구체적인 질문에 AI가 답하는 인터랙티브 기능을 통해 코드 이해도를 높입니다. * **워크플로우 통합:** 별도의 UI나 도구 설치 없이 기존 PR 스레드 내에서 동료 개발자와 대화하듯 AI와 상호작용할 수 있도록 설계되었습니다. ### 품질 향상과 개발 속도 가속화 * **리뷰 사이클 단축:** 약 5,000개의 저장소 데이터를 분석한 결과, AI 도입 후 PR 완료 시간 중앙값이 10~20% 개선되었습니다. * **코드 품질의 상향 평준화:** 런타임 에러를 유발할 수 있는 API 호출 순서 오류 등을 미리 잡아내어 실제 배포 후 발생할 수 있는 사고를 미연에 방지합니다. * **멘토링 효과:** AI가 코드 한 줄마다 개선 방향과 이유를 설명해 주므로, 특히 신입 개발자들이 조직의 코딩 표준과 베스트 프랙티스를 빠르게 학습하는 데 큰 도움을 줍니다. ### 맞춤형 설정 및 에코시스템으로의 확장 * **팀별 맞춤 가이드라인:** 각 팀의 특성에 맞는 리뷰 프롬프트를 설정할 수 있어, 과거의 크래시 패턴을 분석하거나 특정 배포 게이트(flight gates) 준수 여부를 확인하는 등 특화된 리뷰가 가능합니다. * **1P-3P 선순환 구조:** 마이크로소프트 내부(1P)에서 검증된 기능은 2025년 4월 정식 출시된 깃허브 코파일럿의 PR 리뷰 기능(3P)으로 이식되었으며, 외부 사용자들의 피드백이 다시 내부 도구의 발전으로 이어지는 구조를 확립했습니다. 개발 조직의 규모가 커질수록 리뷰의 일관성을 유지하고 속도를 높이는 것이 큰 과제입니다. 마이크로소프트의 사례처럼 AI를 단순한 도구가 아닌 '첫 번째 리뷰어'로 워크플로우에 깊숙이 통합한다면, 단순 반복 업무는 AI에게 맡기고 인간 개발자는 창의적인 설계와 비즈니스 로직에 더 집중할 수 있는 환경을 구축할 수 있을 것입니다.

google원문

MedGemma: 의료 AI 개발 (새 탭에서 열림)

구글 리서치가 발표한 MedGemma는 의료 AI 개발을 가속화하기 위해 설계된 오픈 모델 컬렉션으로, 높은 성능과 효율성, 개인정보 보호를 동시에 제공합니다. 이번 발표에서는 27B 멀티모달 모델과 경량 인코더인 MedSigLIP이 추가되어 복잡한 의료 기록 해석부터 영상 진단 지원까지 폭넓은 활용이 가능해졌습니다. MedGemma는 기존의 고성능 대형 모델에 필적하는 의학적 지식 능력을 갖추면서도 단일 GPU나 모바일 기기에서도 구동할 수 있는 최적화된 설계를 자랑합니다. **MedGemma 모델군의 주요 구성과 성능** * **MedGemma 4B 멀티모달:** 80억 파라미터 미만의 소형 모델 중 최고 수준인 MedQA 64.4%를 기록했습니다. 특히 흉부 X선 보고서 생성 실험에서 전문의로부터 81%의 보고서가 실제 환자 관리에 지장이 없을 정도로 정확하다는 평가를 받았습니다. * **MedGemma 27B 모델:** 텍스트 전용 및 멀티모달 변체가 포함되며, MedQA에서 87.7%의 높은 점수를 기록했습니다. 이는 선도적인 오픈 모델인 DeepSeek R1에 근접한 성능이지만, 추론 비용은 약 10분의 1 수준에 불과합니다. * **복합 데이터 처리:** 텍스트와 이미지는 물론, 장기적인 전자 건강 기록(EHR) 데이터까지 해석할 수 있어 복잡한 임상 상황에 대한 통찰을 제공합니다. **범용성과 전문성을 결합한 학습 방식** * **Gemma 3 기반 아키텍처:** 최신 Gemma 3 모델을 의료 데이터로 튜닝하여 의학적 전문성을 확보했습니다. 이 과정에서 일반적인 명령어 수행 능력과 다국어 성능을 유지하여 의료와 비의료 정보가 섞인 작업도 원활히 수행합니다. * **의료 최적화 인코더 결합:** 의료 영상에 특화된 MedSigLIP 인코더를 결합하여 시각적 질의응답(VQA) 및 보고서 생성 업무에서 정밀한 분석이 가능합니다. * **높은 유연성:** 개발자가 특정 의료 목적에 맞춰 미세 조정(Fine-tuning)하기 용이하며, 실제로 흉부 X선 보고서 생성 작업에서 SOTA(최고 수준) 성능인 RadGraph F1 30.3점을 달성했습니다. **경량 의료 영상 인코더 MedSigLIP** * **초경량 설계:** 4억 개(400M)의 파라미터로 구성된 효율적인 인코더로, 영상 분류, 검색, 임베딩 기반 작업에 최적화되어 있습니다. * **다양한 의료 모달리티 학습:** 흉부 X선, 조직 병리, 피부과, 안저 영상 등 광범위한 데이터를 학습하여 각 의료 분야의 미세한 특징을 정확히 포착합니다. * **범용성 보존:** 의료 영상뿐만 아니라 기존 SigLIP이 가진 자연물 이미지에 대한 성능도 유지하여 다양한 시각적 맥락을 이해할 수 있습니다. 의료 AI 연구자와 개발자는 프로젝트의 성격에 따라 모델을 전략적으로 선택할 수 있습니다. 자유로운 텍스트 생성이 필요한 보고서 작성이나 질의응답에는 MedGemma 모델군이 적합하며, 영상 분류나 데이터 검색과 같은 구조화된 작업에는 MedSigLIP이 권장됩니다. 특히 4B 모델과 MedSigLIP은 모바일 하드웨어에서도 구동이 가능하므로, 개인정보를 보호하면서 현장에서 즉시 활용 가능한 온디바이스 의료 AI 솔루션을 구축하는 데 강력한 토대가 될 것입니다.

line원문

테크 컨퍼런스 Tech-Verse 2025를 개최합니다 (새 탭에서 열림)

LY Corporation은 오는 6월 30일부터 7월 1일까지 양일간 글로벌 테크 컨퍼런스인 'Tech-Verse 2025'를 개최합니다. 이번 행사는 AI와 보안을 메인 테마로 하여 전 세계 그룹사 엔지니어들이 경험한 127개의 기술 세션을 온라인으로 공유할 예정입니다. 누구나 무료 사전 등록을 통해 참여할 수 있으며, 한국어, 영어, 일본어 실시간 통역이 제공되어 글로벌 기술 트렌드를 깊이 있게 파악할 수 있는 기회를 제공합니다. **Tech-Verse 2025 행사 개요 및 참여 방법** * **일정 및 방식**: 2025년 6월 30일(월)부터 7월 1일(화)까지 매일 오전 10시에서 오후 6시 사이에 진행되며, 전 세션 온라인 스트리밍으로 생중계됩니다. * **참여 대상**: 공식 사이트에서 사전 등록만 하면 누구나 무료로 시청할 수 있어 접근성이 높습니다. * **글로벌 협업**: 한국의 LINE Plus를 비롯해 일본, 대만, 베트남 등 LY Corporation 그룹사 전체의 엔지니어, 디자이너, 프로덕트 매니저가 참여하여 폭넓은 기술 생태계를 다룹니다. **12개 분야의 방대한 기술 세션 구성** * **일자별 트랙 구성**: 1일 차에는 AI, 보안, 서버사이드, 프라이빗 클라우드 등 인프라 중심의 세션이 배치되며, 2일 차에는 AI 유즈 케이스, 프론트엔드, 모바일 앱, 디자인 및 제품 관리 등 사용자 접점 기술을 중점적으로 다룹니다. * **다국어 지원**: 총 127개의 세션에 대해 3개 국어(한/영/일) 실시간 통역을 지원하여 언어 장벽 없이 기술적 디테일을 학습할 수 있습니다. * **핵심 테마**: 최근 IT 업계의 화두인 생성형 AI의 실무 적용과 고도화된 보안 전략이 전체 컨퍼런스의 중심축을 이룹니다. **분야별 주목해야 할 주요 기술 사례** * **AI 및 데이터 파이프라인**: 단순한 코드 작성을 넘어 전문적인 AI 코딩 프로세스로의 진화와 생성형 AI를 활용한 데이터 파이프라인 구축 및 분석 자동화 사례가 소개됩니다. * **인프라 및 서버사이드**: 'Central Dogma Control Plane'을 활용해 수천 개의 마이크로서비스를 연결하는 대규모 인프라 관리 기법과 LINE Call의 영상 품질 개선을 위한 서버 기술이 공유됩니다. * **앱 개발 및 사용자 경험**: 배달 서비스 '데마에칸(Demae-can)'의 개발 환경을 React Native에서 Flutter로 전면 교체한 과감한 이행 전략과 데이터 기반의 LINE Talk 사용자 인사이트 도출 과정이 포함되어 있습니다. **참여 권장 및 실용 가이드** 최신 기술 트렌드와 대규모 서비스 운영 노하우를 얻고 싶은 개발자라면 Tech-Verse 2025 공식 사이트를 통해 관심 있는 세션을 미리 타임테이블에 등록해 두는 것이 좋습니다. 특히 현업에서 AI 도입을 고민하거나 대규모 트래픽 처리를 위한 인프라 구조를 연구하는 엔지니어들에게 실질적인 기술적 영감을 줄 것으로 기대됩니다.

line원문

AI와 글쟁이의 동행: 코드 주면 API 레퍼런스 써드려요 (새 탭에서 열림)

기술 문서 부족 문제를 해결하기 위해 엔지니어링 관점에서 접근한 이 글은, 생성형 AI를 활용해 사내 기술 컨텍스트와 스타일 가이드가 반영된 API 레퍼런스를 자동 생성하는 프로젝트 과정을 소개합니다. 일반적인 코딩 어시스턴트의 한계를 극복하기 위해 프롬프트 워크플로를 최적화하고, 특정 IDE에 종속되지 않도록 MCP(Model Context Protocol)를 도입하여 범용성을 확보했습니다. 최종적으로 AI가 생성한 결과물은 높은 품질을 보였으나, 기술 문서의 특성상 정확성을 담보하기 위한 인간의 검토 단계가 필수적임을 강조하며 결론을 맺습니다. ## 기존 AI 도구의 한계와 도큐먼트 엔지니어링의 목표 * 기술 문서는 항상 부족하며, 개발자 교육만으로는 시간과 관심의 부재라는 근본적인 원인을 해결하기 어렵다는 판단하에 자동화 프로세스를 구축했습니다. * GitHub Copilot과 같은 기존 도구는 코드 파악 능력은 뛰어나지만, 사내 전용 기술 용어나 특수한 스타일 가이드, 프로젝트별 컨텍스트를 반영하지 못하는 단점이 있습니다. * '사내 정보를 참고해 스타일 가이드에 맞는 API 주석을 작성하고, 이를 한곳에서 배포하기'를 목표로 테크니컬 라이터의 노하우를 자동화 공정에 이식했습니다. ## 프롬프트 최적화와 단계별 워크플로 구성 * 초기에는 방대한 지시 사항이 담긴 긴 프롬프트를 사용했으나, LLM이 복잡한 지시를 놓치는 문제가 발생하여 실행 단계를 세분화했습니다. * 처리 속도와 정확도 사이의 타협점을 찾기 위해 '프로그래밍 언어 인식', 'API 파악 및 예제 작성', '설명 및 파라미터/응답 값 작성'의 3단계 워크플로로 압축했습니다. * LINE의 고유 식별자인 'MID'를 단순한 약어(Member ID 등)로 오해하지 않고 사내 정의에 맞게 설명하도록 컨텍스트를 주입하여 일반 AI 도구와 차별화된 품질을 구현했습니다. ## 범용성 확보를 위한 MCP(Model Context Protocol) 도입 * 초기 프로토타입은 VS Code 익스텐션으로 제작했으나, IntelliJ 등 다양한 IDE를 사용하는 개발자들의 요구를 수용하기 위해 MCP 기반으로 전환했습니다. * MCP 서버는 클라이언트와의 통신에만 집중하므로, UI 구현에 드는 비용을 줄이고 언어 판별이나 코드 블록 선택 같은 부가 기능을 MCP 호스트(IDE 등)에 위임할 수 있습니다. * 사용자가 AI와 대화하며 파라미터를 입력하는 방식은 현대적인 AI 사용 경험에 부합하며, 특정 도구에 종속되지 않는 범용적인 문서화 솔루션을 제공합니다. ## AI 문서화의 성과와 실질적인 한계 * 자체 평가 결과, 생성된 주석의 88%가 기준을 만족했으며 78%의 사례에서 GitHub Copilot보다 우수한 품질의 설명을 생성하는 성과를 거두었습니다. * 그러나 AI는 확률 기반으로 작동하므로 100%의 정확성을 보장하지 못하며, 단 한 줄의 오류가 문서 전체의 신뢰도를 떨어뜨리는 API 레퍼런스의 특성상 위험 요소가 존재합니다. * 따라서 AI를 '완벽하지 않은 동반자'로 정의하고, AI가 초안을 대량으로 빠르게 생산하되 마지막 단계에서는 반드시 담당 개발자가 내용을 검토하는 '사람 중심의 검증' 프로세스를 권장합니다.

figma원문

Figma Make 사용을 위한 (새 탭에서 열림)

Figma Make는 프롬프트 입력을 통해 아이디어를 실제 작동하는 프로토타입과 코드로 즉시 변환해주는 강력한 도구로, 설계 단계에서 상세한 맥락을 제공하는 것이 성공의 핵심입니다. 단순히 결과물을 생성하는 것에 그치지 않고 기존 디자인 자산을 최적화하고 복잡한 프로젝트를 단계별로 세분화하여 접근할 때 최상의 성과를 거둘 수 있습니다. 이를 통해 제품 팀은 단순한 시안 확인을 넘어 실제 앱과 유사한 수준의 인터랙티브한 사용자 경험을 신속하게 검증할 수 있습니다. **초기 프롬프트의 상세 정보 극대화** * 첫 번째 프롬프트에 구체적인 정보를 많이 포함할수록 사후 수정에 드는 시간을 획기적으로 줄일 수 있습니다. * 프롬프트 구성 시 작업 내용(Task), 디자인이 놓인 맥락(Context), 핵심 디자인 요소, 상호작용에 따른 기대 동작, 제약 사항(기기 종류, 레이아웃 등)을 명확히 정의해야 합니다. * Figma Make는 Anthropic의 Claude 3.5 Sonnet 모델을 기반으로 하므로, "수직 정렬"처럼 모호한 표현보다는 "요소를 20px 아래로 이동" 또는 "버튼 사이에 16px 간격 추가"와 같이 구체적인 수치를 사용하는 것이 효과적입니다. **디자인 파일의 사전 정리 및 최적화** * 백지상태에서 시작하는 것(0→1)뿐만 아니라 기존 디자인을 변환(1→1)할 때도 탁월하며, 이를 위해 오토 레이아웃(Auto Layout)과 레이어 명명 규칙을 철저히 정리하는 것이 중요합니다. * Figma의 '레이어 이름 변경(Rename layers with AI)'이나 '오토 레이아웃 제안' 기능을 활용해 정돈된 프레임을 전달하면 AI가 디자인의 의도와 구조를 훨씬 더 정확하게 파악합니다. * 생성된 결과물이 화면 밖으로 벗어날 경우 "내 화면 크기에 맞춰 반응형으로 만들어줘" 또는 "모바일 사이즈 유지"와 같은 후속 명령으로 레이아웃을 교정할 수 있습니다. **복잡한 프로젝트의 단계별 세분화** * 한 번의 프롬프트로 방대한 기능을 구현하려 하기보다, 작은 단위의 기능이나 페이지별로 나누어 점진적으로 빌드하는 것이 AI의 정확도를 높이는 방법입니다. * 예를 들어 금융 대시보드를 만들 때, 먼저 핵심 레이아웃을 잡은 뒤 '노트 추가 기능', '통화 선택 체크박스' 등을 순차적인 프롬프트로 추가하여 제어력을 유지해야 합니다. * 각 요소(예: 런던 아이, 빅벤 등 개별 오브젝트)를 별도의 코드 폴더로 분리하도록 명령하면, 전체 환경에 영향을 주지 않고 특정 컴포넌트만 정밀하게 수정하거나 유지보수하기 용이합니다. **동작 중심의 마이크로 인터랙션 구현** * 정적인 디자인을 넘어 "음악 재생 시 CD가 회전하게 해줘"와 같은 구체적인 동작을 지시하여 생동감 있는 프로토타입을 만들 수 있습니다. * 복잡한 로직이 필요한 인터랙션의 경우, 베이스가 되는 그리드 컴포넌트를 먼저 구축한 후 세부적인 마우스 효과나 호버 상태를 단계적으로 입히는 전략이 유효합니다. * 만약 반복적인 수정에도 결과가 만족스럽지 않다면, 이전 시도에서 배운 교훈을 바탕으로 새 파일에서 프롬프트를 다시 구성하여 시작하는 것이 더 효율적일 수 있습니다. 성공적인 Figma Make 활용을 위해서는 디자이너의 명확한 시각적 비전과 이를 논리적으로 전달하는 프롬프트 엔지니어링 역량이 결합되어야 합니다. 한 번에 완벽한 결과를 기대하기보다는 초기 생성물을 기반으로 수십 개의 미세 조정 프롬프트를 거치며 완성도를 높여가는 반복적(Iterative) 프로세스를 수용할 때 가장 강력한 결과물을 얻을 수 있습니다.

google원문

줌인: 생성형 AI를 활용 (새 탭에서 열림)

구글 리서치(Google Research)는 물리 기반 기후 모델링과 생성형 AI를 결합하여 지역별 환경 위험을 정밀하게 예측하는 ‘동적 생성 다운스케일링(Dynamical-generative downscaling)’ 기술을 발표했습니다. 이 방법은 기존 전 지구 기후 모델의 낮은 해상도(약 100km)와 실제 지역사회에 필요한 고해상도(약 10km) 정보 사이의 간극을 혁신적으로 메워줍니다. 확률적 확산 모델(Probabilistic Diffusion Models)을 활용해 물리적 현실성을 유지하면서도 기존 방식보다 훨씬 적은 비용으로 상세한 환경 위험 평가를 가능하게 한다는 점이 핵심입니다. **기존 기후 모델링의 해상도 한계** * 전 지구 시스템 모델(Earth System Models)은 미래 기후 변화를 예측하는 가장 강력한 도구이지만, 계산 비용 문제로 인해 해상도가 약 100km 단위에 머물러 있습니다. * 도시 단위(약 10km)의 정밀한 예측은 농업 전략, 수자원 관리, 홍수 및 폭염 대비 등에 필수적이지만, 이를 위한 기존의 ‘동적 다운스케일링’ 방식은 엄청난 컴퓨팅 자원을 소모합니다. * 상대적으로 빠른 ‘통계적 다운스케일링’ 방식은 계산은 빠르지만, 복잡한 국지적 기상 패턴이나 극단적인 기상 현상을 정확히 포착하지 못하고 미래 시나리오에 대한 일반화 능력이 떨어진다는 단점이 있습니다. **물리 모델과 생성형 AI의 결합: R2D2 모델** * 연구진은 물리적 사실성과 AI의 패턴 인식 능력을 결합한 2단계 하이브리드 접근법을 제시했습니다. * 1단계(물리 기반 통과): 지역 기후 모델(RCM)을 사용해 전 지구 데이터를 중간 해상도(약 50km)로 변환합니다. 이 과정은 다양한 글로벌 모델의 출력을 공통된 물리적 격자로 정렬하여 AI가 학습하기 좋은 환경을 만듭니다. * 2단계(AI 세부 묘사): 생성형 AI 모델인 ‘R2D2(Regional Residual Diffusion-based Downscaling)’가 중간 해상도 출력에 미세한 지형 효과 등 고해상도 디테일을 추가합니다. * R2D2는 중간 해상도와 고해상도 필드 사이의 차이인 ‘잔차(Residual)’를 학습함으로써 미처 보지 못한 환경 조건에서도 뛰어난 일반화 성능을 보여줍니다. **효율적이고 신뢰할 수 있는 지역 기후 예측** * 미국 서부 지역 데이터셋(WUS-D3)을 통해 평가한 결과, 이 방식은 기존 통계적 방식 대비 미세 규모 오차를 40% 이상 줄였습니다. * 전통적인 동적 다운스케일링 방식에 비해 약 100배 빠른 속도를 자랑하며, 덕분에 수많은 기후 시나리오를 동시에 분석하여 미래의 불확실성을 더욱 포괄적으로 평가할 수 있습니다. * 특히 단 하나의 동적 다운스케일링 모델 데이터로 학습된 R2D2가 서로 다른 여러 전 지구 모델의 결과물까지 성공적으로 처리할 수 있어 학습 비용을 크게 절감했습니다. 이 기술은 기후 변화로 인한 극단적인 기상 현상에 대비해야 하는 도시 계획가와 정책 입안자들에게 매우 실용적인 도구가 될 것입니다. 저비용으로 고해상도 위험 평가가 가능해짐에 따라, 각 지역 사회는 자신의 지역에 특화된 정밀한 기후 적응 전략을 더욱 신속하고 체계적으로 수립할 수 있을 것으로 기대됩니다.