블로그

#2026-03 762#culture 283#deep-dive 275#kubernetes 262#career 233#ai 223#llm 217#devops 198#2026-04 158#security 149#observability 118#database 113#communication 108#history 107#architecture 101#productivity 98#performance 93#linux 90#networking 89#finance 87#economy 84#mindset 80#psychology 79#ai-papers 78#food 78#it 78#travel 78#japanese 76#deep-learning 75#english 74#gpu 74#ai-agent 69#business-travel 69#postgresql 67#cs-fundamentals 63#rag 63#systems 63#python 56#learning 54#self-improvement 53

• 워드·파워포인트 단축키 — 문서는 스타일로, 슬라이드는 개체로 다룹니다 ♪ 들을 수 있어요

  워드와 파워포인트는 같은 리본을 쓰지만 손버릇이 전혀 다릅니다. 워드는 텍스트 흐름과 스타일을 다루고 파워포인트는 캔버스 위의 개체를 다루기 때문입니다. 이 글은 두 앱을 각각 그 성격에 맞는 묶음으로 나누고, 묶음마다 개별 키가 아니라 그 묶음을 지배하는 규칙을 먼저 설명하면서 서식 복사 반복 적용과 스타일로 문서 전체를 다루는 것처럼 일하는 방식 자체를 바꾸는 항목을 앞세웠습니다. 같은

  2026-08-02 · 36 분 읽기 #word#powerpoint#shortcuts#office#productivity

• 엑셀 단축키, 진짜 시간을 아끼는 것들 — 외우지 말고 규칙을 이해하세요

  엑셀 단축키를 200개 나열하는 대신, 실제로 하고 있는 작업 단위로 묶어 정리했습니다. 방향키 가족이 왜 데이터의 끝을 정확히 아는지, 절대참조 순환이 어떤 순서로 도는지처럼 규칙을 이해하면 조합을 외울 필요가 없어집니다. 이동과 선택, 편집과 붙여넣기, 수식, 표와 필터, 서식, 시트 관리 여섯 갈래로 나눴고 Windows와 Mac 키를 함께 실었습니다. 마이크로소프트 공식 문서로 확인한

  2026-08-02 · 26 분 읽기 #excel#shortcuts#productivity#office#keyboard

• LLM 학습 스택 지도 2026 — 무엇이 무엇을 대신해 주고 무엇을 숨기는가

  LLM 학습 프레임워크를 세 개 층으로 나눠 계보를 정리했습니다. 아래층은 PyTorch 분산, DeepSpeed, Megatron-Core 같은 실행 엔진이고, 가운데는 torchtitan과 Megatron-Bridge 같은 학습 루프이며, 위층은 TRL과 Axolotl처럼 설정 파일로 파인튜닝을 돌려 주는 도구입니다. 각 층이 무엇을 대신해 주고 대신 무엇을 감추는지, 그리고 상위 프레임

  2026-08-02 · 23 분 읽기 #mlops#llm-training#pytorch#trl#framework

• 질문에 답하는 Prometheus 메트릭 설계 — 타입 선택, 카디널리티 예산, rate 와 분위수의 함정

  메트릭은 많을수록 좋은 것이 아니라 질문에 답할 수 있어야 쓸모가 있습니다. 카운터와 게이지와 히스토그램이 각각 어떤 질문에 답하는지, 잘못 고르면 어떤 계산이 원리적으로 불가능해지는지부터 정리합니다. 레이블 카디널리티를 감으로 다루지 않도록 숫자로 예산을 잡는 방법, rate 와 histogramquantile 이 조용히 틀린 답을 주는 조건, 그리고 레코딩 룰을 언제 어떤 이름으로 만드는

  2026-08-02 · 28 분 읽기 #observability#prometheus#promql#metrics#cardinality

• AI로 블로그 글 파이프라인 만들기 — 초안이 아니라 검증이 병목입니다

  AI로 블로그 글을 쓰는 과정을 주제 수집부터 성과 확인까지 일곱 단계로 나누고, 각 단계에서 모델이 실제로 도움이 되는 지점과 절대 맡기면 안 되는 지점을 구분했습니다. 이 파이프라인의 무게중심은 초안이 아니라 사실 검증입니다. 모델이 실제로 읽은 것만 인용하게 만드는 방법, 자신 있게 쓴 문장과 확인된 문장을 가르는 기준, 그리고 발행 직전에 돌리는 체크리스트를 실행 가능한 스크립트와 함

  2026-08-02 · 28 분 읽기 #ai-writing#content-pipeline#fact-checking#automation#blogging

• 읽히는 대시보드와 울릴 만한 경보 — 질문 정의, 변수 구성, SLO, 그리고 경보 피로

  대시보드는 예뻐 보이는 것이 아니라 정해진 질문에 순서대로 답해야 쓸모가 있습니다. 패널을 만들기 전에 답할 질문을 적는 방법부터, 데이터소스와 변수를 어떻게 구성해야 하나의 대시보드가 여러 환경에서 재사용되는지를 다룹니다. 경보는 원인이 아니라 증상에 걸어야 하는 이유를 사례로 보이고, SLO 와 에러 버짓, 멀티 번레이트 경보를 실제 규칙으로 작성합니다. 마지막으로 경보 피로를 줄이는 규

  2026-08-02 · 24 분 읽기 #observability#grafana#alerting#slo#dashboards

• 지금 허깅페이스에서 무엇이 뜨는가 — 2026년 8월 트렌딩 지도

  2026년 8월 2일 기준으로 허깅페이스 트렌딩 목록을 직접 훑고, 용도별로 실제 쓸 만한 모델을 정리했습니다. 범용 LLM, 코딩, 임베딩과 리랭커, 비전, 음성, 이미지·비디오 생성, 소형 온디바이스 순으로 만든 곳과 규모와 라이선스, 그리고 쓰기 전에 알아야 할 제약을 함께 적었습니다. 핵심은 트렌딩 목록의 상당수가 새 모델이 아니라 양자화 재업로드와 커뮤니티 파인튜닝이라는 점입니다.

  2026-08-02 · 30 분 읽기 #llm#huggingface#open-weights#model-selection#quantization

• Slurm으로 GPU 클러스터 쓰기 — 제출보다 중요한 것은 왜 안 도는지 아는 일

  GPU 클러스터에서 Slurm을 실무로 쓰는 데 필요한 것만 정리했습니다. 파티션과 QoS, 계정이라는 좌표계를 먼저 세우고, sbatch 스크립트에서 GPU와 CPU, 메모리를 요구하는 방법과 그 사이의 바인딩 함정을 다룹니다. 멀티노드 학습을 srun과 랑데뷰로 띄우는 두 가지 패턴을 실제로 도는 스크립트로 제시하고, 배열 작업과 의존성 체인으로 스윕과 재개를 스케줄러에 맡기는 방법도 넣

  2026-08-02 · 23 분 읽기 #mlops#slurm#hpc#gpu-cluster#distributed-training

• 영화 명작 추천 — 고전 영화 입문, 25편을 어떤 순서로 볼까

  고전 영화 목록은 많지만 순서를 알려주는 글은 드뭅니다. 이 글은 명작 25편을 순위가 아니라 초보 관객이 부딪히는 문제별로 나눕니다. 흑백이 견뎌지지 않을 때, 아무 일도 일어나지 않을 때, 장르의 원형이 궁금할 때, 형식 자체가 내용일 때, 그리고 세계 영화 지도의 빈칸을 메울 때. 작품마다 감독·연도·러닝타임과 함께 이 영화를 견디기 어려운 사람의 특징을 적었고, 언제 꺼도 되는지도 밝

  2026-08-02 · 32 분 읽기 #storytelling#film#classics#world-cinema#culture

• AI가 쓴 글이 무너지는 지점들 — 여섯 가지 실패와 각각의 가드레일

  AI가 쓴 글은 문장이 매끄러운 채로 틀립니다. 지어낸 출처, 컷오프 이후의 낡은 정보, 같은 말을 늘려 쓴 문단, 근거 없이 단정하는 문장, 검색만 노린 반복 표현, 그리고 표절과 저작권까지 여섯 가지 실패 유형을 탐지 방법과 수정 방법으로 나눠 정리했습니다. 자동화할 수 있는 검사는 실행 가능한 스크립트로 제시하고, 자동화할 수 없는 것은 그렇다고 명시했습니다. 독자와 검색엔진이 실제로

  2026-08-02 · 25 분 읽기 #ai-writing#content-quality#hallucination#seo#editing

• 로그를 검색 가능하게, 그리고 파산하지 않게 — 구조화, 매핑 폭발, 보존, 그리고 진짜 비용

  로그 비용이 컴퓨트 비용을 넘어서는 시점은 대부분의 조직에 옵니다. 그 시점을 늦추는 것은 압축률이 아니라 무엇을 필드로 만들 것인가에 대한 결정입니다. 구조화 로그의 필드 설계부터 OpenSearch 매핑 폭발이 실제로 클러스터를 죽이는 경로, 인덱스 템플릿과 ISM 으로 수명주기를 통제하는 방법, 원칙 있는 샘플링과 보존 계층을 다룹니다. 마지막으로 로그로 메트릭을 흉내 낼 때 드는 비용

  2026-08-02 · 24 분 읽기 #observability#logging#opensearch#elasticsearch#cost

• LLM Ops가 실제로 하는 일 — 재현, 오염, 체크포인트, 승격, 그리고 롤백

  LLM Ops를 도구 목록이 아니라 책임 목록으로 정리했습니다. 학습 실행을 다시 만들 수 있게 하는 실행 명세에 무엇이 들어가야 하는지, 평가 세트 오염을 어떻게 막고 감사하는지, 체크포인트 주기를 장애율에서 역산하는 공식과 보관 비용의 실제 숫자, 평가를 CI에 넣을 때 무엇을 게이트로 삼는지를 다룹니다. 후반부는 학습과 서빙 사이의 인수인계에서 실제로 깨지는 지점들과 배포 후 회귀 감지

  2026-08-02 · 23 분 읽기 #mlops#llmops#reproducibility#evaluation#model-registry

• 관측 데이터를 ClickHouse에 넣는다는 것 — 스키마, 롤업, TTL, 그리고 역할 분담

  트레이스와 로그가 하루 수 TB로 늘어나면 검색 엔진이나 시계열 DB 하나로 버티기 어려워집니다. ClickHouse 가 관측 데이터에 잘 맞는 이유를 컬럼 저장과 압축, 정렬 키의 관점에서 정리하고 트레이스와 로그 테이블을 실제 DDL 로 설계합니다. 속성을 Map 으로 둘 것인지 JSON 타입으로 둘 것인지의 판단 기준, 머티리얼라이즈드 뷰로 롤업을 만드는 방법, 파티셔닝과 TTL 로 비

  2026-08-02 · 25 분 읽기 #observability#clickhouse#opentelemetry#data-modeling#cost

• 모델 카드를 제대로 읽는 법 — 5분 안에 필요한 것만 뽑아내기 ♪ 들을 수 있어요

  모델 카드는 위에서 아래로 읽으면 필요한 정보를 못 찾도록 쓰여 있습니다. 벤치마크 표가 화면의 절반을 차지하는 동안 라이선스와 채팅 템플릿은 한 줄로 지나갑니다. 이 글은 카드를 읽는 순서를 뒤집어, 배포 판단에 실제로 필요한 일곱 가지를 5분 안에 뽑아내는 방법을 정리했습니다. 가중치 공개와 오픈소스가 어떻게 다른지, 카드의 점수를 왜 그대로 믿으면 안 되는지, 컨텍스트 길이 표기가 무엇

  2026-08-02 · 33 분 읽기 #llm#huggingface#model-card#license#tokenizer

• 멀티 GPU 학습의 네 가지 병렬화 — 무엇을 쪼개고 무엇을 통신하는가

  데이터 병렬, 텐서 병렬, 파이프라인 병렬, 컨텍스트 병렬이 각각 무엇을 쪼개고 그 대가로 무엇을 통신하는지를 숫자로 정리했습니다. 먼저 Adam 혼합정밀 학습의 파라미터당 16바이트 장부를 세우고, ZeRO 1~3단계가 그 장부의 어느 항을 GPU 수로 나누는지 계산합니다. 이어서 활성화 메모리 공식으로 체크포인팅이 왜 100GB를 1GB로 만드는지 확인하고, 각 병렬화의 통신량을 스텝당

  2026-08-02 · 23 분 읽기 #mlops#distributed-training#multi-gpu#fsdp#deepspeed

• GPU 커널을 직접 손본다는 것 — 전치 커널 하나를 5배 빠르게 만들기까지

  GPU 커널을 직접 수정한다는 것이 실제로 무엇을 뜻하는지, 스레드와 워프와 메모리 계층부터 짚습니다. 점유율이 왜 목표가 아니라 증상인지, 그리고 대부분의 커널이 연산이 아니라 메모리 대역폭에 묶여 있다는 사실을 루프라인 관점에서 설명합니다. 행렬 전치 커널 하나를 naive에서 코얼레싱, 셰어드 메모리 타일링, 뱅크 충돌 제거까지 네 단계로 고치면서 각 단계의 유효 대역폭을 직접 재는 하

  2026-08-02 · 32 분 읽기 #cuda#gpu-kernel#nsight-compute#memory-bandwidth#performance

• 맡기면서 잃는 것 — 자동화가 실력을 깎는 방식은 균일하지 않습니다

  계산기를 쓰면서 죄책감을 느끼는 사람은 없는데, AI가 써 준 문서를 보낸 뒤에는 대부분 조금 찜찜해합니다. 그 비대칭이 이 글의 질문입니다. 오프로딩이 순수한 이득인 영역, 실제로 능력을 깎는다고 측정된 영역, 그리고 지금 대부분의 지식노동이 놓여 있는 애매한 중간을 나눠 봅니다. 항공 분야의 자동화 의존 연구는 통념과 다른 것을 발견했고, 자동화 편향 연구는 훈련으로 막히지 않는다고 말합

  2026-08-02 · 26 분 읽기 #humanities#ai#cognition#automation#skill

• AMD와 NVIDIA, 무엇이 다른가 — 하드웨어보다 스택이 문제인 이유

  AMD GPU와 NVIDIA GPU의 차이를 하드웨어 구조, 소프트웨어 스택, 이식 경로, 생태계 성숙도의 네 층위로 나눠 감정 없이 정리합니다. SM과 CU, 텐서 코어와 매트릭스 코어의 대응 관계부터, 워프 32와 웨이브프론트 64가 코드에 실제로 어떤 버그를 만드는지 구체적으로 다룹니다. HIPIFY가 자동으로 옮겨 주는 것과 반드시 손으로 고쳐야 하는 것을 구분하고, cuBLAS와 r

  2026-08-02 · 27 분 읽기 #amd#rocm#hip#nvidia#cuda

• GPU 컴파일러와 프레임워크 지형 — 그래프를 받아 커널을 만드는 하나의 문제, 층마다 다른 답 ♪ 들을 수 있어요

  NVCC와 PTX부터 LLVM, MLIR, Triton, torch.compile, XLA, IREE, TVM까지를 하나의 지도 위에 올렸습니다. 이름이 다르고 소속이 다르지만 이들은 전부 같은 문제를 풉니다. 연산 그래프를 받아 실행 가능한 커널을 만드는 일입니다. 각 층이 그 문제의 어느 부분을 잘라 가져갔는지, 왜 층이 이렇게 많아졌는지, 그리고 엔지니어가 어떤 상황에서 어느 층까지 내

  2026-08-02 · 39 분 읽기 #gpu#compiler#mlir#triton#pytorch

• 기계가 주는 위로는 진짜인가 — 질문을 바꿔야 하는 이유

  사람들은 실제로 AI와 대화한 뒤 기분이 나아집니다. 그걸 착각이라고 잘라 말하는 것은 무례할 뿐 아니라 부정확합니다. 이 글은 반응성이 왜 돌봄처럼 느껴지는지, 챗봇 기반 정신건강 연구가 실제로 무엇을 보여 주고 무엇을 보여 주지 못하는지 임상시험 설계까지 들여다봅니다. 그리고 진짜 질문은 "이 위로가 진짜인가"가 아니라 "무엇을 대체하고 있는가"라고 제안합니다. 보완재로서의 위로와 대체재

  2026-08-02 · 27 분 읽기 #humanities#ai#psychology#loneliness#relationships