한국 IT 용어 이야기 (12) - "주석"

REM 이 기억이 났다. 예전의 기억들부터..연식이 나와 버리지만, 꽤나 오래 전 초등학교 아니 국민학교 시절에 컴퓨터를 배웠다. 당시 삼성 SPC-1000 이었고, 뭐 이렇게 생긴 것을 학교에서 접했더랬다. 왼쪽의 플로피 디스크는 공용으로 썼던 기억이다.이후 Apple2 컴퓨터를 접하면서는 이런 것도 했었더랬다.for / if else / print 뭐 이런 것들이 제일 먼저 배우게 된 영어 단어였다. I am a boy 같은 것보다 먼저 배웠던 기억이다.서예 학원을 다녔어서 한자를 꽤 읽을 줄은 알았지만, 어려운 한글/한자인 '주석'을 접하게 되고, REM 이라는 충격적인 단어를 접하게 된다. 오늘의 기억 소재.. 아주 오랫동안 REMOVE , REMEMBER 등의 약자로 오해하고 있었더랬다. 프로그램에 줄 별로 친절한 설명을 달기 위함이였다고 하지만, 안 쳐도 실행에 지장 없고, 손으로 코딩을 하던 시절에는 더더욱 없는 셈 치려 했던 기억이다. 이런 걸 왜 만들었지? 왜 사람들은 주석이라 그랬지? 대학교 시절의 주석남들이 써 놓은 논문들을 제대로 접하면서 각주, 주석, 인용 등의 의미를 알게 되었다. 코영어로는 footnote, cite... REM 은 왜 안 쓰지 ? 미국 사람들은 remark 를 쓰는 건가 ? 코드를 계속 접하면서도 여전히 있으나 마나한 명령어로 인식하고 있었다. 내가 초절정 고수는 아니었지만, 그렇다고 남들한테 일일이 설명해야 하는 상황이 생길 일이 적었기도 했다. 컴파일러 혹은 어셈블러 과목에서 주석 처리는 제일 먼저 해결해야 하는 문제였다. parser 이런 거 처음 만들 때 당연히 잘 안 되고... 실제 주석만 처리하다 꽤 많은 시간들이 날아갔던 경험들이다. 다양한 주석들평생 프로그램/코딩을 가까이에 놓다 보니 다양한 언어들을 접하게 되고, 아주 다양한 comment 방법들을 접하게 된다. 여러 개를 닥치는 대로 쓰다 보니 거꾸로 Java 에서 # 을 쓴다든지 하는 실수들을 접하게 된다. windows shell 에 REM 을 쓰던 시절도 있었고, bash shell 에서 # 인지 // 인지 매번 헷갈려 한다. 최근의 꽤 충격적인 경험들은 -- 을 붙여 쓰던 것들이었다.. C, C++, C#, Java, JavaScript, golang : // , /* */어셈블리어 : ;HTML : Python : # , ''' ''', """ """SQL : -- , /* */CSS : /* */BASIC : REM annotation / comment예전에 배웠던 언어들의 최신 버젼들은 주석도 아닌 것들이 annotation 이라며 코드나 컴파일러에 영향을 주려 한다. Java , Python 에서 종종 보이고. 프레임워크 따라서 이름을 정하거나 외우거나 해야 할 수도 있게 되었다. 함수 이름만 고민하던 시절에 비해 왜인지 모르게 더 복잡해 진 거 같고, 문해력이 더 필요하게 되었다.바이브 코딩 등을 통하다 보면 comment를 통해 꽤 많은 의미를 주려 한다. 구글에서 코드 리뷰 등을 논할 때 여러 가치관을 가지고 함수 앞부분에 이야기를 많이 하라고 했고, 정작 코드 블럭에서는 설명이 필요한 코드들을 만들지 않도록 노력하라는 이야기들을 배웠더랬다. 빅테크에 조인하고 나서야 남에게 읽히기 위한 코드 만들기를 꽤 뒤늦게 시작했으니, 진정한 미국 영어들은 이 comment 들을 리뷰하면서 배웠던 기억들이다. a 냐 the 냐 , 마침표냐 쉼표냐 등등.. 이제 아무도 REM 을 쓰지는 않나 보다.. 그래도 주석이라고는 쓰겠지 ?

한국 IT 용어 이야기 (11) - "플랫폼"

내가 쓰는 플랫폼은 어떤 걸까..? 지금 돌이켜 보면 거짓말같은데, 빅테크에 있던 10여년 동안 딱히 신경 쓰지 않았었더랬지만, 밖에 나오면서 꽤 많이 '플랫폼' 이라는 말을 접하게 된다. 살짝 생각해 보면, 바깥이기도 하고 한국이라서 더 그랬던 거 같기도 하다. 플랫폼 기업이라는 말도 꽤 들리고, 국가 과제로 혹은 제안서 등에서 무슨무슨 플랫폼을 만들겠다고 하는 건 특히 많다. 회사마다 사내에 데이터 플랫폼이라는 걸 여러 곳에서 만들고, 뭔가 비슷비슷해서 또 다른 식의 구체화가 되는 등... 살짝 삐뚤게 보면, 뭔가 조금 더 있어 보이는 목적으로 꽤 남용되고 있는 단어라는 개인적인 생각이다.일단 10여년 전의 김수보 선배님의 글이 발견됨..https://subokim.wordpress.com/2013/01/31/platform-story/ 플랫폼 - 기차 / 터미널일반적인 사전적 의미부터... (누군가가) 플랫폼에는 길을 닦아 놓았으니 이 위에 운송 서비스를 하시오.. 버스든 기차든 어디로 가는 거든 등... 기본적으로 여행객과 운송 업체가 연결될 것이고, 사람이 아니고 물건들끼리 '자유로이' 서비스들을 운영하고, 아마도 수수료를 철도 유지비로 내는 등의 것들이 고려될 수 있겠다. 쉽게는 직행, 완행 등 다양한 서비스들이 구현될 수 있겠고. '쉽게' 라는 게 키워드이기도 하겠다. 그래서 플랫폼의 일부인 기차역은 도심에 대개 위치하게 되고, 주변의 숙박업, 외식업 등의 간접적인 효과를 끼치게 한다.여기서 일단 짚고 싶은 건 보이지 않는 곳에서 많은 일들이 벌어지고 정의되어야 한다는 부분이다. 최소 도시 혹은 나라 스케일의 판단이 있어야 하고, 땅을 사서 길을 만들고 광고나 운영비 등이 담보되거나 혹은 세금으로 처리되거나 등등의 일들이 있겠다. 기관차의 유지 보수는 해당 사업자들이 하겠지만, 철로의 유지 보수, 설계 등은 플랫폼 업체의 담당이고 이를 쓰는 사용자들에게는 보이지 않는 영역이어야 하겠다. 여기까지가 아주 원초적인 의미의 플랫폼. 모바일 플랫폼하드웨어 플랫폼이라는 걸로 살짝 지나간 기억이 있긴 한데, 리눅스냐 윈도우즈냐, OS 가 뭐냐 GUI 가 뭐냐 정도가 간단한 논의거리였더랬고, Symbian OS, S60 Platform 이라는 정도로 처음 제대로 접하게 된다. OS 위에 GUI layer, system layer, 각종 middleware 등이 깔린 상태를 다 담당하고, 그 위에 application 만 만들면 되게 해 놓은 상태까지..이 연장선 상에 아이폰과 안드로이드가 세상에 나왔을 때 모바일 플랫폼이라는 걸로 정리되었더랬다. 이름이 주는 오해가 있지만, S60 의 소멸 이후에 iOS 와 Android 는 꽤 오랫동안 모바일 플랫폼으로 불렸다. 모바일 장치를 구매한 사용자, 앱의 형태로 서비스를 제공하고 싶어 하는 개발사, 하드웨어를 만드는 업체들 등이 플랫폼을 만든 구글 혹은 애플이 이미 만들어 놓은 것들 위에 할 수 있게 한 것일테다. 플랫폼 을 담당하는 업체들은 아래의 것들을 모두 담당해야 하겠다.운영체제 + RuntimeApplication framework + APIs개발 도구들앱을 배포할 수 있게 만드는 장터 + 인스톨러들하드웨어 폼팩터 + 에코시스템 플랫폼 - 배달 앱살짝 놀랐지만, 쿠팡, 배달 음식 서비스에서 배달을 업으로 삼는 분들을 플랫폼 노동자들이라고 부르고 있었다. 우버 드라이버 = 플랫폼 노동자 의 개념이었던 것도 놓치고 있었던 부분이고, 개별 노동자들의 일감을 '쉽게' 만들어 줄 수 있게 하는 역할을 하고 있고, 우버와 쿠팡 등은 그 의미에서 플랫폼 기업이 맞겠고, 그 위에 차량 이용 서비스 , 차량 제공 서비스 등이 구현되는 모습이겠다. 살짝 까칠하게 엄밀하게 이야기하자면, 회사에 고용이 되어 버리게 되면 그건 '플랫폼'으로서의 의미가 아니겠다는 생각이다.위의 기찻길 플랫폼 만큼 일반적이거나 공공의 성격이 굳이 있진 않지만, 서로 제공하려는 서비스와 돈의 흐름들을 되게 만들어 주는 영향이 있다 하겠다. 우버 등의 경우 차량 이용자, 차량 제공자가 참여할 수 있게 하고, 배달 앱들의 경우, 식당 주인, 음식 주문자, 배달 서비스 제공자 들이 연결되겠다. 그 사이에서 필요한 배차, 물류, 주문 등등을 플랫폼 기업들이 담당하고 있겠다. 플랫폼 노동자 = 배달업 종사자 로 지나치게 일반화되는 건 많이 불편한데, 배달업 뿐 아니라 프리랜서, 가사도우미 등 불완전한 고용 형태들을 가진 사람들이 일을 찾는 곳들은 여러 의미로 플랫폼 노동자로 불리고 있다. 데이터 플랫폼 / 데이터 플랫폼 서비스 ?기업들 내부에 하나씩 있는 팀 혹은 프로젝트들 혹은 ### 구축 으로 불리는 여러 과제들의 경우 scope 들이 많이 달라진다. 요구 사항 특히 기대치가 다른 경우들이 대개 여기에 해당하는데, database 에 테이블 하나만 운영해도 되는 경우부터 UI 를 가지고 현란한 대시보드들을 자유자재로 만들 수 있게 기대하는 것까지 다양하다. 게다가 큰 꿈들을 가지고 사내에 모든 데이터들을, 혹은 버티컬/도메인 상관 없이 다 어떻게 해 주겠다.. 라고 하지만 실제 사용자들이 필요한 건 주문형으로 만들어 진 채팅 서비스이지 플랫폼이 아닌 경우가 꽤 많다. 앞의 플랫폼들을 참고한다면 공급자가 할 수 있는 것들, 수요자가 필요한 것들 혹은 수요자를 위해 누군가가 이 위에해야 하는 것들이 있는 경우 등 오해가 많이 생기는 영역이겠다.지난 사례들을 통해서 DX, AX 고민들을 할 때 꽤 나타나는데, 기껏 복잡한 걸 다 만들어 놓아도 결국 excel 로 다운로드 받기 위해 전용 화면들이 필요하다든지, 주문형 대시보드를 만들기 위해 현장에 있는 사람들이 새로운 교육들을 배워야 하는 일들이 벌어진다든지, 어차피 새로운 데이터들이 들어올 때 수동으로 할 거면서 뭔가 저절로 될 것처럼 포장되어 있다든지 등... 특히 플랫폼과 서비스가 동시에 보일 때 많이 불편함을 느낀다. 기억을 더듬어 보면 marketplace , framework , library , solution 등의 이름들이 꽤 많이 섞여서 나오게 된다. 서로 같은 이야기를 하고 있는 건가?상대적으로 서비스라고 하는 것도 사실 꽤 최근에 쓰이는 개념이리라.. 예를 들면 구글 검색은 서비스이고 유튜브는 플랫폼이고, 광고는 플랫폼이고 등등... 굳이 여기서 말 가르기를 해야 하나 싶다가도 서비스가 주는 명확함이 대화들을 이끌어 나가는 걸 지지하는는 편인데, 그래서인지 개인적으로는 플랫폼 자체는 실체가 없는 것이라는 선입견이 꽤 있다. 맨 처음 예제로 간다고 하면 플랫폼 사업의 근간은 도로 깔고 철도 연결하는 업인데, 서울에서 부산에 그래서 언제 뭘 타고 가야 하느냐와의 대화를 하고 있는 셈일테다. 용어들의 간극이줄어드면 하는 바램이다. 부록 : AWS / GCPAmazon은 Amazon Web Service로 쓰는데, Google은 Google Cloud Platform 으로 쓴다. 두 회사 솔루션의 경우 platform 도 맞고, service 도 맞을 거 같은데, MS 는 아예 Azure 라고 피해 간다. 다만 cli 의 경우 아래처럼 다른데, AWS 가 세련되어 보인다.$ aws login$ gcloud auth login$ az login 구글의 경우 Google Web Service 는 오래전부터 구글 검색 프론트엔드가 쓰던 이름이어서 GWS 를 쓰지 못했을 것 같은데, 지금은 GWS = Google Workspace 로 쓰이고 있다. Google Cloud Service 라고 쓰고 싶을 수도 있었겠으나 Google Cloud Storage 가 꽤 오래 전부터 GCS 를 잡고 있었을 테니... 밖에서는 gs:// 로 쓰고 있는 걸 보면... 이름 짓는 건 매우 어렵겠다. 특히 쓸만한 이름들은 이미 다 누군가가 쓰고 있어서 더 어려운 것도 그러하겠다.나를 포함한 엔터프라이즈에서 몇몇 주관적인 평가들로는 service 를 사용하는 고객의 만족도가 platform 을 사용하는 고객의 만족도가 높다 한다. 특히 뭔가가 잘 안 될 때 service 는 도움을 청할 곳이 있고, platform 의 경우 내가 스스로 풀어야 하나 등의 간극이 있다.

wikipedia 25주년을 맞이하며 - 나의 첫번째 백과 사전

Wikimedia 가 창립 25주년을 맞이하며( https://wikimediafoundation.org/wikipedia25/ ) 주요 BigTech 들과의 협업을 뉴스로 접하게 되었다. ( https://news.nate.com/view/20260116n08571 ). 주로 위키피디아지만, 검색 현업에 있을 때, 혹은 그 이전부터 접했으니 나도 20년 정도는 열혈 사용자였던 거 같고 여러 가지 연관된 생각과 이야기들. 사용자의 시각에서먼저 꽤 오랫동안 접속할 때마다 donation 을 강요(?)하는 배너를 보며 한편으로 마음이 많이 불편했는데, 먼저 그 걱정은 덜게 되어 다행이라는 생각이다.초기 미국 이민자의 삶을 살 때 가장 믿고 의지했던 사이트. 구글에서 검색을 하고, 그럴 듯한 위키피디아 페이지가 결과에 보이면 많이 안심하며 무조건 읽으면서 배워 나갔다. 연예계 소식, 역사 이야기, 각종 수학 공식들까지. 어린 시절 집 어딘가에 있었던 백과사전이 이런 것이었겠군 싶었던 내용들. 영어 공부도 이걸로 했었고, 인용된 링크들이 믿음직하던 것들도 덤.2026년 현재 여전히 방문자 수 세계 10위 이내에 드는 초대형 사이트. 사람들이 좋아하는 만큼 AI 들이 좋아하는 것도 당연하겠고, 아마도 나 같은 사용자 덕에 구글 같은 검색 엔진의 도움도 있었을 테니 그것도 당연함. 광고 없이 파트너십과 재단으로 운영된다는 것이 여전히 믿기지 않는다. 몇몇 예민한 내용들은 가짜뉴스의 소재로 사용되기도 한다지만, 특별한 정치적 소재가 아니고서는 믿고 보던 사이트. 개발자의 시각에서web page , dump , API 접근 , database export 지원까지.. 이렇게까지 친절해도 될 일인가 싶을 정도로 완벽한 방법들을 제공한다. 일단 영어권에 필요한 내용들은 다 있고, flat 한 directory 구조이지만 URL 과 문서의 제목을 잘 찾아 내기만 하면 자연스레 navigate 할 수 있다. 웹 페이지 펼쳐 놓고, 터미널 비교하기도 너무 수월하고.. 페이지 자체가 보통 너무 길지도 너무 짧지도 않게 되어 있는데, 이건 내가 훈련이 되어서 그렇다고 하겠다.구글 검색 현업에 있을 때 사내에 daily dump 가 있어서 공공재로 사용했던 기억들이 있고, 저 flat 한 구조는 freebase 와 엮이면서 시너지를 내고, 구글의 knowledge base / knowledge panel 에 근간으로 쓰였더랬다. 사이트 자체의 정보들이 다들 쓸모 있는 것들이어서 몇몇 버티컬을 같이 디자인하며 열심히도 들여다 본 기억이다. 물론 지금도 LLM 들 pretrain 에 commoncrawl 에 더해 제일 먼저 참조되는 소스로 이용된다. 별도의 유사 검색 엔진을 만든다고 한다면 당연히 처음으로 사용해야 할 데이터임에 틀림 없다. 구글 선수 시절 기억들정보들이 충돌이 날 때 그를 해결하는 source of truth 로 자주 이용되었고, '잘 된' 영어의 참조로 이용하였더랬다. no wikipedia index 는 좋은 baseline index 로 이용되었고, 뭔가 잘 모르겠다 싶으면 구글 검색에 물어 보거나 wikipedia dump 에서 찾는 방식으로 많이 이용되었다. 인용된 링크들도 의미가 있었고, 잘 만들어 진 고품질의 문서, 사이트에 해당했다.당연하게 App indexing 과제에서 처음으로 커버한 100개의 사이트에 포함되어 있었고, 웹 세상과 다르게, 모바일 세상에서 많이 쓰이지 않는 wikipedia 앱을 어떻게 다루어야 하는 고민을 했더랬다. 웹이 너무 잘 만들어져 있어서 앱이 쓸모없어진 그런 경우라 하겠다. 당시 검색 팀에서 경쟁적인 위치에 있던 mobile rendering , progressive web app 등도 앞다투어 제일 먼저 다루던 사이트였다.꽤 오래 만졌던 영화 같은 몇몇 도메인들의 경우에는 공공의 적으로 위치하기도 했던 기억이다. 제일 많이 쳤던 "Tom Hanks" , "Forrest Gump" 등의 쿼리에 대해 마음으로는 imdb.com 이 올라와 주기를 기대하며 어떻게 하면 저 wikipedia 를 이길 수 있을까 고민도 많이 했었더랬다. 한편으로는 그런 실험들을 돌리면, 여지없이 사용자들은 wikipedia 를 더 좋아했더랬다. 참고로 한국의 경우 나무위키와 시네 싸이드들이 더 위에 올라와 있다. 한글에 대한 아쉬움들눈높이가 영어에 있어 더 그렇겠지만, 한글 contents 는 많이 부족해 왔다. 위키피디아가 한국 사용자들에게 알려져 쓰였으면 하는 시기에 네이버 검색이 네이버 지식인과 네이버 원박스 들과 함께 흥했고, 당시에 구글 스타일의 검색이 고전을 하게 된 이유와도 닿아 있다. 당시에는 선수로 참여하면서 승부에서 진 셈이기에 아쉬운 마음이 많다. 당시 방법론으로 번역 품질을 고민하기에도 같은 내용을 여러 언어로 설명하기에 제일 표본이 되는 게 위키피디아였고, 그래서 EN-JA 가 EN-KO 보다 번역 품질이 높았던 것들도 연관이 있었다 하겠다.이후 살짝 다르지만 나무위키가 이 포지션을 잡게 되며, 거친 단어들이었지만 구글 검색의 품질이 올라가고, 그에 맞추어 한글 위키피디아 내용들도 좋아진 기억이다. 다행이기도 하고, 이제 원박스나 쇼핑 관련된 게 아닌 경우 검색 결과 페이지가 밀린다는 평가는 거의 없는 거 같다. 참고로 나무위키는 라이센스가 다르고 위의 개발자 친화적인 방법들이 제공되지 않는 일종의 민간 기업에 해당한다. 언제 어떻게 사라질 지 모르는... 아슬아슬하달까..최근 소버린 논의 등에서 '한글로 잘 정리된 문서' 영역에 대한 아쉬움이 많다. 영어의 경우 너무나 손쉽게 wikipedia dump, 한 달에 한 번씩 업데이트 되는 commoncrawl dump 등 공들여 만든 믿을 만한 데이터들이 너무 쉽게 접근 가능한데, 한글에 대해서는 '네이버에 있으니까', '블로그에 있다니까' 등에 synthetic 으로 만들어 낸 데이터들에 대한 이야기들만 조금씩 이야기하게 된다. language model 을 만든 이후 agent 나 RAG 등이 어딘가에 검색을 시도하려 한다 하면 그건 또 그것대로 같은 사이클을 돌게 되며 아쉬운 상황들이 벌어질 거 같다. 재단이 안 되면 세금/연구 기관들이나 기업들이 챙길 수 있을까..?

인공지능과 추천 시스템 - 마치며

들어가며 2025년 2학기 KAIST 경영대학원에서 Digital Finance MBA 과정에서 개설된 ‘인공지능과 추천시스템' 강의를 마쳤다. 3학점 16주의 일정이 끝났고, 지난 두 번의 느낌과는 또 다른 추가적인 아쉬움들이 든다.이번에도 금융의 영역과 문제 풀이의 본질인 공학의 테두리 안에서, 인공지능과 추천이라는 주제를 다른 트랙처럼 운용하려 했고, 제품과 서비스로서의 문제 정의와 풀어 나가려는 접근 등을 같이 고민하려 했다. 과목의 이름이 주는 방대함과 위압감은 지난 학기들 이상이었고, 변화하는 시대의 이슈들을 따라가고자 하는 게 버거움이 많았다. 준비한 것들교재 같이 읽기 - 박태웅의 AI 강의교재 같이 읽기 - 추천 시스템 입문코드 따라 하기 - MovieLens , 추천 알고리즘 - 기본 구현들 , 복잡한 구현들특강 - stateof.ai 2025특강 - Google(Playstore)에서 과제 런칭하기특강 - Search Quality with Google특강 - 실전에서 만나는 이슈들-데이터 기반 의사 결정, 서비스 설계 개발, 운영과 모니터링특강 - 인이지와 Digital Transformation with XAIㅏ기말 발표 주제 선정, 발표 자료 리뷰, 발표 리뷰추석 맞이 클립 모아 보기 Stat 들56명의 수강생4번의 remote 수업55개의 EDA 중간 과제, 44개의 기말 과제1번의 간담회 형식의 치맥 작년과 달랐던 점들토요일 오후 수업. 16주간 여의도로 토요일 오전 출근, 저녁 퇴근.공개적인 자료를 가지고 진행한 EDA 중간 과제들 추가강의 계획서부터 예고를 꽤 했었지만, 과목 이름에 대한 기대 때문에 편차가 심한 건 감내해야 했을 테고, 학생들의 리포트 내용이나 발표 내용도 아예 처음 보는 사람부터 거의 다 아는 사람들까지 편차가 커서 아쉬움이 많았다. 토요일이지만 물리적으로 하루 종일을 할애했었지만, 막상 학생들과 기억나는 interaction들이 많지 않은 것도 아쉽고, 내용들도 중구난방의 형태로 받아들이는 친구들이 많았다. 학기 초 한두번 수업 시간에 이야기를 했더랬지만, 끝까지 전달되지 않는 건 정말 내 문제만이었을까 싶은 생각까지 든다.중간 리포트와 기말 보고서의 품질이나 깊이 등이 작년 대비 많이 낮아졌다는 생각이다. 파트타임 MBA 라서 사정을 너무 봐 주어서인지 보고서들이 연말에 너무 몰리고, 복잡한 개인 일정 때문에, 피드백 자체를 몇 번 주지 못한 상태가 되었고, 그 결과가 전반적인 품질의 저하로 나타났다는 생각이다. 보고서들은 딱 보기에도 AI 들이 절반 이상은 만들었다는 생각이 들 정도이고, 그 행간을 읽어 보려 노력했지만 많이 힘겨웠던 시간들이었다.아울러 한학기를 통틀어 커피챗을 신청한 학생은 단 두명, 학생들의 질문은 다섯 손가락 안이었고, 같이 참여를 했으면 하는 공동 문서에 서로의 과제들에 대한 질문과 대답에 반응하는 학생들은 열명 미만이었다. 다른 레퍼런스가 없어 이렇게 질문들이 없는 걸까 싶기도 한데, 옆의 교수님께서는 매 수업 '내가 열심히 참여하고 있다'는 증거를 포스트잇에 써서 내라고 해서 점수화 시키시던데, 가르치는 사람과 배우는 사람 등의 방법 들에 대해 고민이 더 필요하다 싶다. 점수 매기기학과에서 준 몇가지 가이드가 있었고, spreadsheet 에 출석과 항목들을 체크했었지만, 이번에는 gemini 와 chatgpt 의 도움을 받아서 배점을 정했다. 아래는 사용한 스크립트. 배점을 설정하고 계산하는 데 유용하게 사용했다. ---60명이 듣는 과목을 성적을 매기려고 해. 아래의 기준들을 가지고 100점 만점의 평가표를 만들고 싶은데.. Spreadsheet 의 공식으로 만들고 싶어. 일단 출석+태도 50% , 중간 15% , 기말 35% 비중이고100점 만점으로 변환한 후에는 A+ = 4.3, A0 = 4.0, A- = 3.7 등으로 놓고평균으로는 어지간하면 3.7 정도를 놓고 싶어 16번의 수업에 24번의 출석 체크가 있었는데, 하루에 최대 2번 체크를 했어서 결석일수가 2개면 수업 하나를 안 들은 거야. 중간 과제는 리포트를 쓰는 과제인데일정을 잘 지켜 리뷰를 잘 받았는지 ( yes / no )기간 내에 제출을 잘 했는지 ( yes / no ) - no 는 late코드와 리포트의 양식을 지켰는지 ( yes / no ) - no 는 정리 정돈 안 됨.데이터를 분석의 난이도 ( A / B) - A 가 어려운 것들코드 있음 or graph ( yes / no ) - no 는 양이 부족해추가적인 제안한 게 있는지 ( yes / no ) - yes 는 조금 더 챙겨 주고 싶어.과제를 안 낸 학생은 하나가 있어 기말 과제는 15-20분 발표를 시켰어.일정을 잘 지켜 리뷰는 잘 받았는지 ( yes / no )기간 내에 제출을 잘 했는지 ( yes / no ) - no 는 late피드백을 반영했는지 ( yes / no )발표 시간은 잘 지켰는지 ( yes / 살짝 초과 / 많이 초과)영상의 품질은 어떤지 ( yes, no )추가적인 감동이 있는지 ( yes ) bonus논문 분석 , 타사 제품 설명 , 제품 기획 중 하나를 고르는데논문 분석은 논문 하나의 분석 이외의 견해가 있는지 ( yes, no )타사 제품 설명은 데이터 분석이 포함되었는지제품 기획은 조금 harsh 한데 타겟이 명확한지 ( yes / no ) , User study or data 가 있는지 ( yes / no ), Prototype을 실제 구현을 했는지 ( yes / no ) 마무리하며강의 평가 결과는 작년보다도 낮은 점수들이 나왔다. 꽤 실망스러운 점수여서 추스리는 데 에너지가 많이 든다. 리모트 몇 번이 어중간했고, 추석 등의 어중간한 시간에 이용하려 한 온라인 방송 송출과 대가들의 강의를 소개한 것들에 대해 부정적인 점들이 몇 있었다. 물론 날 선 피드백들과 더불어 새로운 시각들을 알게 되었다는 피드백들도 있었던게 위안이 되었다.원래의 취지와 달라져 버린 과목의 이름과 상대적으로 더 old 해 져 버린 개발 세상의 이야기들은 올해 정도까지일 거 같다. 내년 아니 올 가을에 어떤 내용들을 이 과목에 담을 수 있을지 학과 교수님들과 진지하게 고민하고 이야기 나눌 예정이다.

인공지능과 추천 시스템 강의 노트 (16/16) - 2025.12.20.

들어가며마지막 수업은 제출된 기말 과제들 중 여럿을 같이 보는 것으로 마무리를 지었다. 시간을 따로 잡았어야 했을까 하면서도 각 과제별로 나누었던 이야기들을 최대한 나누고 싶어 몇 개를 선정해서 진행했고, 그 결과로 마지막 수업은 조금 밋밋하게 끝이 나게 되었다. 준비한 내용들금융이 주가 되는 유명 AI 관련 학회는 없지만, AI 학회들에 꾸준히 workshop 한 세션들은 열리고 있어서 이들을 소개하는 것을 마지막 시간 소재로 이야기했다. 기말 과제들을 리뷰하며 몇 개는 진지한 논문의 형태로 가도 되지 않을까 생각도 했었지만, 여러 제약들이 가끔 아쉬울 때가 있다. 맺으며학점 제출 기간이 바로 있어서 연말까지 중간과 기말 과제를 채점해야 했고, 아래의 질문들을 적용했다.타임라인에 맞추어 리뷰들을 받았는가?제 시간에 제출하였는가?리포트의 형식을 갖추었는가?데이터와 분석하는 코드들을 같이 리뷰하고 있는가?추가적인 제안들을 담고 있는가?제안한 풀고 싶은 문제를 접근하고 있는가? 난이도는 어떠한가?각종 AI 도구들이 이미 가까이에 와 버린 세상에 현업에서는 혹은 수업에서는 어떤 의미들을 가지고 어디까지 적용해야 하는가 한 학기 내내 같이 고민하는 시간이었고, 각각의 도메인에서 해결할 수 있는 문제들과 해법의 형태로 세상을 이롭게 하는데 쓰이면 하는 바램이다.

인공지능과 추천 시스템 강의 노트 (15/16) - 2025.12.12.

들어가며강의장 사정으로 금요일 저녁에 수업을 진행하였다. 기말 과제를 녹화해서 발표 예정이었는데 제출된 양이 부족해서 이번 학기에 진행하고 있는 스탠포드 대학의 고수 교수님들의 강의들을 같이 보며 이야기를 나누었다. 준비한 내용들15주) 강의 update모든 플레이어들이 참여한 aaif.io 가 한편으로는 충격적이었다. 새시대의 foundation 으로 자리잡을 수 있을까 응원 반, 걱정 반의 마음이다.업권 전체, 직군 전체를 욕먹이는 사건이 발생했어서 내내 마음이 불편했다. 투자자의 입장에 조금 더 가까운 친구들이니 이런 것들을 잘 걸러냈으면 하는 바램으로 학생들에게 한소리 했더랬는데, 괜한 화풀이를 학생들에게 한 모습인 거 같기도 했다. 중간 과제 EDA report ( part 2 )IBM HR Attrition Analysis and Prediction디지털 연결성과 계좌 보유율 EDAKaggle 보험 이탈데이터 EDA학생 스트레스 예측 EDA 리포트Wine Quality Prediction음악의 장르/특성과 멀티플렛폼의 상관관계반도체가격 예측 EDA 및 결과분석요약서식당 방문목적X서비스만족도 상관성 분석FacebookAI-PersonaChat소셜미디어 사용과 개인 생산성의 관계 분석화물차 구입자금 대출의 채무불이행 요인 분석데이터 기반 고객 세분화: 연령과 소득이 소비 행동에 미치는 영향 분석Netflix 콘텐츠 데이터 EDADART 비재무 공시와 공시 시점 주가 반응 분석건강 요인이 보험금 청구액에 미치는 영향 분석고객 구매 행동 데이터를 활용한 구독 서비스 가입 예측 및 마케팅 전략 수립PUBG 초보 캠핑(존버) 전략의 순위(winPlacePerc) 영향: PSM 분석 보고서학생 성적 데이터 분석서울시 따릉이 대여량 예측신용카드 거래 이상거래 탐지아파트 경매 낙찰가 예측 EDA어떤 동물이 가족을 빨리 만날까뉴욕 숙박 공유 서비스 데이터 정합성 검증 및 운영 최적화 리포트Gold Price Time Series Data전 세계 행복도 결정요인 분석DART 공시 재무지표와 주가의 상관관계 분석공급망 데이터 분석호텔 예약 데이터를 활용한 예약 취소 가능성 예측 및 고객 유치 전략 제안한국 ETF EDA Report비디오 게임 산업의 흥행 결정 요인에 관한 연구글로벌 AI 직무 데이터 기반 핵심 기술(Hot Skill) 탐색적 분석Instacart Market Basket Analysis금가격 분석 및 예측 보고서Bitcoin개인대출 연체리스크 방지를 위한 예측시스템 준비한 대가의 강의들Deep learning 일반과 deep learning for computer vision 의 입문에 대한 최고수들의 최근 정리들 두 개를 보며 이야기들을 나누었다.Stanford CS230 | Autumn 2025 | Lecture 1: Introduction to Deep LearningStanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 1: Introduction FeiFei Li 교수의 강의는 컴퓨터 비전과의 역사에 해당하는 부분이 크다고 하겠고, Andrew Ng 교수님의 이야기는 현재와 미래에 대한 견해들이 많은데, 아래 두 그림의 요약은 내 생각과도 100% 닿아 있다. 맺으며연말의 정신 없이 어려운 일정들과 함께 학기 마지막에 몰아쳐지는 과제들은 매번 어렵고 버겁다. 과목이니 성적표를 받게 될테고, 학생들의 입장에서의 기대치와 그와 관련된 claim 들로 연말이 바쁘게 지나가게 될 거 같다.남은 다음 포스트들은 기말 과제 요약들과 마지막 강의 wrap up 등이 있겠다.

인공지능과 추천 시스템 강의 노트 (14/16) - 2025.12.6.

들어가며토요일 새벽에 공항에 도착했고, 간밤에 큰 눈이 왔다던 겨울의 서울 풍경이었다. 바로 여의도로 출근해서 이야기들을 진행했다.마지막 학기에는 학생들의 과제 발표를 나누는 시간으로 기획했었는데 시간이 비게 되어서 그 공간을 이번 학기 최근에 진행한 여러 대가들의 공개 강의들을 준비했다. 미처 준비가 되지 못한 시간들을 유튜브로 때우는 거 같은 미안함도 있었지만, 나름 돌발 변수가 생긴 상황에 어중간한 내용들을 보여 주기보다는 꽤 공들여서 최신의 의미 있는 내용들을 준비했다. 준비한 내용들14주) 강의 update여느 주와 다름 없이 다양한 영역에서 꽤 여러 일들이 일어난 한 주였고, Ilya Sutskever 를 비롯한 대가들의 다른 방식으로 AGI 에 접근하는 것에 대한 이야기들이 관심을 끌었으며, 은근히 SW 적으로 치고 나오는 NVidia 이야기들도 주목할 만하겠다. Stanford AI Club: Jeff Dean on Important AI Trends얼마전 Jeff Dean 이 구글에서 일어났던 프로젝트들 중심으로 AI trend 를 설명해 준 내용들이 담겨 있다. ‘내가 해 봐서 아는’ 것들 위주로만 모아 놓은 것인데도 깊이가 깊고, 덤으로 최근 Gemini 가 적용되는 제품들이 소개된다. 중간 과제 EDA report ( part 1 )Kaggle 등의 공개적으로 나와 있는 데이터들 중 일부를 골라 회사 상사 등의 관계자들에게 EDA 보고서를 쓰는 것을 개인 과제로 중간 과제로 놓았다. 각각 제한이 있는 데이터셋들이지만, 이들을 분석하는 과정에서 데이터들이 가르쳐 주는 내용들, 도메인에 대한 분석들을 꽤 잘 나누어 주는 내용들이었다. Syllabus 의 pre-requisite 에도 불구하고 몇몇 학생들은 처음 Python 을 접했지만, coding assistant 의 도움을 받든지, 구글링을 이용하든지 진행해 주기를 바랬고. 한계가 어떠한지, 분석하는 방법이 어떠했는지, 분석된 결과가 보고서의 형식이 어떠했는지 등을 피드백을 각각 주고 받았다. 각자 강점이 있는 도메인에 있는 내용들을 찾기를 이야기했고, 덕분에 많이 배우게 되었다. 아래는 학생들이 제출한 보고서의 제목들이다. Elon Musk 트윗 감정점수 및 트윗빈도가 Tesla 주가에 미치는 연관성 분석서울특별시 아파트 매매 실거래가(2016-2025) EDA 보고서사업자 등록 상호 데이터 분석 보고서스포티파이(이탈여부) 데이터카페인 섭취량이 건강에 미치는 영향도(상관관계) 분석전복나이 예측 EDA 및 회귀 모델링자동차 판매 데이터 분석럭셔리 뷰티 팝업 이벤트 성과 요인 분석 및 머신러닝 기반 예측 모형 연구학생 성적에 영향을 미치는 요인은 무엇이며,그중 가장 영향력이 큰 요인은 무엇인가한국 고속도로 톨게이트 통행량 기반 이동 흐름 분석데이터로 읽는 대구 부동산 시장: 입지와 시설 요인의 가치 분석고용형태에 따른 임금 격차 및 초과근무 구조 분석Loan Prediction Dataset EDA ReportStore Sale EDA Report2020년 시카고 대규모 폭동 이 도시 치안 시스템에 미친 영향 분석서울시 따릉이 대여량 예측 EDA 보고서주요경제지표(미국정책관련)에 따른 가상자산의 가격변화분석스타트업의 성공에 영향을 미치는 요인은 무엇이며, 그 중 가장 영향력이 큰 요인은 무엇인가 맺으며연말 여러 복잡한 일정과 함께 몰려 드는 과제 피드백들이 꽤 버겁지만 많은 걸 새로 알게 되어 소소한 기쁨이 있다. 하지만, 채점도 진행을 시작해야 하겠고, 정신 없는 12월이 될 거 같다.

인공지능과 추천 시스템 강의 노트 (13/16) - 2025.11.29.

들어가며 개인적인 사정으로 미국에서 온라인으로 진행하였다. 녹화 영상을 들으며 출석 처리가 되는 환경이라고 하면 그래도 조금은 가벼운 내용들이기를 기대하다가도 반대로 이참에 다른 데서 못 듣는 것들을 포함하자 싶은 서로 상반된 생각들이 있었다. 학기 초에 과목과 관련해서 준비한 내용들은 다 커버했고, 이번 시간에는 조금 더 일반적인 이야기들을 '실무에서 만나는 이슈들' 이라는 주제로 준비한 내용들을 상영하였다.아래는 시간차 어긋난 곳에서 진행한 미국 서부의 명절 스케치들.. 준비한 내용들13주) 강의 update알파고 이후에 알파스타가 스타크래프트 2 프로토스로 인간을 이겼다고 했는데, Grok 과 T1 과의 5:5 롤 대전은 그것대로 꽤 기대되는 게 있다. 실무에서 만나는 이슈들-강사 소개.pptx실전에서 만나는 이슈들-데이터 기반 의사 결정.pptx실전에서 만나는 이슈들-운영과 모니터링.pptx실무에서 만나는 이슈들-서비스 설계 개발.pptx 학기 시작하기 전에 녹화 영상으로 미리 준비해 놓았던 내용 중 마지막으로 아껴 놓았던 ‘실무에서 만나는…” 시리즈를 나누었다. 몇년 전에 FastCampus 에서 진행했던 “현실 세상의 컴퓨터공학 지식 with 30가지 실무 시나리오 초격차 패키지” 라는 강의 셋트( https://fastcampus.co.kr/dev_online_newcomputer ) 의 한 부분으로 준비했던 내용인데, 전공자의 시각에서 생각해 보니 필요했던 내용들 위주로, 비전공자가 이거라도 꼭 배워야 한다면 이라는 시각으로 준비한 내용들이었다. 굳이 금융으로 한정짓지는 않더라도 전공자들과 비전공자들이 일터에서 이야기하게 될 때 서로를 위해 알아 두면 하는 내용들을 모았더랬다. 다 합하면 5시간이 넘는 분량이어서 마지막 하나는 수업과 상관 없이 optional 로 시청할 수 있도록 하였다. 맺으며15분씩 발표 영상을 만들어 제출한 내용들로 이후를 구성할 예정인데, 숫자가 모자라면 그 시간들을 같이 나눌 이야기거리들이 더 필요하게 될 거 같다. 여전히 많은 일들이 벌어지는 세상이라 재미있는 배울 것들이 넘쳐나고, 한편으로는 연말에 리뷰하게 될 중간 기말 과제들이 몰려 오는 것들과 개인적인 내년 준비들에 대해 생각이 많아지게 되었다.

인공지능과 추천 시스템 강의 노트 (12/16) - 2025.11.22.

들어가며 추워진 날씨와 갑자기 다가온 연말 분위기 물씬 나는 여의도의 주말이고, 회사에서도 수업에서도 연말과 내년을 준비하느라 다들 분주한 상황이라 하겠다. 수업 시간 재료로 쓰려 했던 나눌 수 있는 기말 과제 발표들을 충분히 모으지 못한 상황에서 이야기하고 싶었던 몇몇 주제들을 모아 수업을 준비했다. 준비한 내용들12주) 강의 update추천시스템 - 5장 - 추천 알고리즘 상세 ( part 4 )지난 주에 Gemini를 전면에 내세운 구글의 본격적인 반격이 시작되었고, OpenAI 는 이에 기다렸다는 듯 코덱스 맥스로 반격하고 있다. 어떤 고귀한 뜻이 있을까 모르겠지만, anti-gravity를 보면서는 한편으로는 여전한 구글의 작명 센스에는 안타까움이 많다.먼저 similarweb 에서 발표한 GenAI + web 의 상황들에 대한 리포트를 같이 훑어 보았다. 유료는 아니지만 회원들에게 제공하는 리포트였고, 주로 AI 서비스와 검색 시장에 대한 작년 대비 변화에 대한 내용들이었다. SEO 이후 GEO 혹은 AEO 라는 이름으로 다양한 주장들과 논의들이 벌어지고 있고, 꽤 여러 전문가라 칭하고 있는 사람들이 말들을 얹고 있는 상황이지만, 좋은 스코어보드로서 similarweb 같은 데이터들이 중심을 잡아 주면 좋겠다는 생각이다. 아래는 간단 요약.‘Chatgpt’ 가 구글에서 ‘facebook’을 제치고 제일 많이 불리는 쿼리가 되었고deepseek strike 이후 구글의 AI mode 는 구글 검색 페이지에서의 배치 덕에 안착했다.전체 검색의 수는 줄어들고 있고, 구글 이외의 엔진들은 훨씬 더 많이 줄어들었다.여전히 구글 검색은 세션의 길이가 짧고, chatgpt 는 길게 물어본다. 세션 길이는 짧은 게 좋은 걸까? 긴 게 좋은 걸까 ?다음 파트에서는 스마트팩토리라는 토픽으로 지난 봄에 써 놓았던 글들을 같이 보면서 인이지(http://ineeji.com/) 와 관련된 이야기들을 나누었다. 피지컬 AI, 제조 공정 등의 키워드가 각광받고 있는데, 실제 현장에서 어떤 문제들을 어떻게 풀고 있는지에 대한 이야기들을 주로 정리했고, 수년 전 DX 이후 AX 라는 이니셔티브가 있지만, 실제 현장에서는 아직 오래된 공정, 잃을 게 많은 서비스 등의 이유로 많은 산업에서 일어나기 혁신이 일어나기 힘든 점들에 대해서 다양한 도메인들과 상황에 따른 이야기들을 나누었다. 새로운 장비들만 놓고 문제는 풀지 못하는 사례들도 있고, 여러 의미로 onpremise 를 고수해야 하는 상황 들도 꽤 강한 제약들로 여전히 작용하고 있는데, 최근에 팔런티어라는 새로운 공룡이 들어오면서 일어나는 변화들과 그 사이에서 역할을 찾으려는 크고 작은 기업들의 노력들이 앞으로의 관전 포인트라 하겠다. 클라우드 기반 스마트팩토리 - 용어들클라우드 기반 스마트팩토리 - 이슈들클라우드 기반 스마트팩토리 - 사례들 세번째 파트에서는 요즘 어딜 가나 듣게 되는 Agent / Agentic 이야기들을 거슬러 올라가서 LLM 이 처음 나왔을 때부터 어떻게 쓰면 좋을까 고민하던 업권의 노력들에 대해 정리를 하였다. prompt 잘 쓰기부터 fine tuning, RAG 를 이용하면서부터 생긴 정보 찾아 주기와 chain 로직을 이용한 다양한 답변 만드는 방법들에 이르기까지.. 한창 진행중인 논의들을 최근 정보들 위주로 다루었다. 여전히 변화무쌍한 상황들을 연결하는 역할을 하고 있는 MCP 까지.. 오늘은 키워드 중심으로 진행한 것이었지만 너무 간단하게 훑어서 이후에 어떤 것들을 조금 깊이 다뤄 볼까 고민이 된다.마지막으로 추천 시스템 파트에서는 교재에서는 남아 있던 부분인 행렬 분해와 자연어 처리를 이용하는 방법들에 대한 예제들을 나누었다. 고전적이지만, 사용자와 아이템의 거대한 행렬을 만들고 빈 칸을 예측하며 채워 나가는 꽤나 수학적 접근이고 사용자가 ‘좋아할 만한’ 아이템들을 예측하는 것으로 문제를 정의해 나가고 있다. 메타 정보들을 사용하기도 하고, 사용자들의 리뷰들을 풀어서 입력으로 사용하기도 하는 방법들이고, LDA 와 word2vec 을 적용하는 방법들에 대한 소개들이 있었다. 사용자의 purchase list 를 attribute 로 사용해서 user-user relation을 구현하는 방법들까지 정리가 되어 있다.교재로서 준비한 책에서 코드와 함께 다루는 내용들은 여기까지여서 더 깊은 이야기들을 마저 나누지 못하였고, 코드들은 링크들로 대체하며 조금 훑어 보긴 했다지만 아쉬운 마무리를 하게 되었는데, 조금은 고전적인 방법론들을 영감으로 각자 실무에 쓰임이 있는 내용들을 해 나갈 수 있길 약간은 무책임하지만 바래 본다. 맺으며중간 과제와 기말 과제들은 피드백을 부지런히 주고 받고 있지만, 아직 서로 읽어 보며 발표할 수 있을 정도의 글들이 많이 모이지는 않고 있다. 중간 과제인 EDA 리포트들은 다양한 주제들에 대해 기록들이 모이고 있어서 2주 후에 같이 정리할 수 있을 거 같고, 많은 기말 과제들은 마지막 시간에 몰리게 되는 것을 피할 수 없을 거 같다. 다음 주는 개인적인 사정으로 온라인 수업을 진행해야 하겠고, 진행했던 특강 중 하나를 담아 놓을 예정이다.

인공지능과 추천 시스템 강의 노트 (11/16) - 2025.11.15.

들어가며가까이, 멀리 단풍이 꽤 잘 보이는 몇번 없는 맑은 가을 날씨이고, 길거리에 두꺼운 외투들이 보이는 것으로 보아 금방 겨울이 될 것이리라 싶다. 캘리포니아에는 이제 우기가 시작되며 짧은 낮이 시작되었겠다.강의실 옆 공간에서 2026년 신입 DFMBA 선발 과정의 면접이 있어 많은 경영대학과 DFMBA 교수님들께서 오셨고, 지난 2월의 올해 기수 오리엔테이션 이후 반년만에 인사드릴 수 있었다. 겸임 교수의 제한적인 경험들로 부족함이 많지만, 다른 교수님들께서 챙기지 못하는 부분을 담당해 준다고 하여 고마워 해 주셔서 오히려 어찌할 바를 모르기도 하고, 한편으로는 여전히 강의 평가 평균을 깎아 먹는 것들에 대해서 죄송하고 불안한 마음이다. 많은 일들이 그렇지만, 열심히 하는 거랑 결과가 나오는 게 매번 일치하지는 않는 거 같긴 하고, 진인사대천명의 가르침만 다짐해 본다. 준비한 내용들11주) 강의 updateLessons from Google Search - part 2.pptx며칠 전의 수능 시험 이후 각종 AI 서비스들이 이 문제들을 풀고 있으면서 스스로를 단련하기도, 혹은 출제자 진형에 이의를 제기하기도 하고 있다. 재작년에는 이 AI 들이 얼마나 잘 맞추고 있는가가 관건이었다면 지금은 얼마나 덜 틀리는가를 비교하며 자랑한다. 여전히 인서울 대학은 못 간다는 둥, 킬러 문항 혹은 영어 문장의 한글 이해 등에 차이가 있어 보이는데, 한글을 조금 다르게 이해하고 있는 것은 여러 면에서 은근히 걱정 거리이기도 하다.인공지능 파트에서는stateof.ai에서 industry 부분을 같이 이야기 나누었다. 100페이지 정도에 해당하는 지난 한 해동안 벌어진 일들이 총망라되어 있는 내용들이었고, 갑자기 전력, 부동산 등에 대한 이야기들이 과하게 논의되는 느낌이었다. Agent 라는 이름으로 스피디한 변화들이 많이 벌어지고 있고, ROI 를 중심으로 하는 비지니스에서 adoption 이 과할 정도로 일어나고 있으며, 그에 따른 거품들도 꽤 걱정스럽긴 하다. ㄲ개인적으로는 similarweb을 인용한 검색의 총량이 줄어드는 변화들이 관심이 많고, 하루 아침에 일들이 벌어지는 것보다 여기저기서 끊임없이 변화들이 있으리라. 여전히 미국에서는 chatgpt 를 써 보지 않은 사람들도 많고, 이들을 재교육시키는 것부터 많은 사업들의 기회와 변화가 있고, 마지막으로 빅테크의 플레이어들이 회사들을 너무 과하게 옮겨다니는데 개인적으로 상도덕과 이해가 가지 않아 혼란스럽긴 하다. 이건 자격지심과 부러움 혹은 꼰데 마인드라 해 두자 싶기도 하다.추천 시스템 파트의 남은 부분, 조금 고급 난이도의 구현 등은 다음 주로 놓고, 이번 주에는 구글 검색에 대한 특강 부분을 마무리 지었다. web result UI , rich snippets ( 지금은 rich results ) , knowledge panel , 구글이 이미 10년 전에 했던 crazy project 들을 다루고 그 뒤에 내가 직접적으로 관여했던 universal search, app search, app indexing 등의 챌린지들을 나누었다. AI 시대에 얼마나 가치가 있을 것인가 라는 질문들이 있는 것도 사실인데, 예전부터 agent 를 만든다면 제일 먼저 나 대신 검색을 하게 했을 거라는 생각에는 변함이 없고, 공개 자료면 표준에 맞게 잘 해 놓아서 이들이 이전에 노력한 대로 따라가야 하지 않겠느냐 라는 시각에서 이야기들을 나누었다.학생들의 질문들이 있을 경우, 조금 더 심각하게 많은 이야기를 나눌 수 있는 내용들이기도 해서, 나름 많은 내용들을 나눌 수 있는 주제이긴 한데, 한편으로 audience 입장에서 진입 장벽 또한 높게 있다 싶다. 당시 구글이라는 소프트웨어와 데이터에 진심인 서비스라는 만들어 져 있는 토대 위에 내 노력들이 살짝 더해진 것이었을 것이고, 마냥 좋은 경험이었다 라고 두리뭉실하게 접어 놓기에는 이래저래 아쉬운 마음이 든다. 맺으며본격적인 숙제 검사의 시간들이 진행되고 있고, 시간이 허락할 때마다 신청하는 학생들의 진로 상담 등도 힘 닿는대로 거들고 있다. 과정의 특성 상 대부분 생짜 취준생이기 보다는 예비 이직러들에 가깝긴 하고, 길게 여러 일을 하고 싶어하는 학생들에게 20년 혹은 그 뒤를 바라보며 이야기를 나눈다는 게 얼마나 현실적일까 싶기도 하지만, 각자 걸러 들을 만큼 걸러 듣고 도움이 되는 이야기들만 담아 갈 수 있기를 바라며, 이 인연들이 조금이라도 내 덕을 볼 수 있기를 기도한다.