시나리오 가상의 신규 서비스인 구독형 외국어 학습 앱 런타임(Runtime)의 데이터 분석가 앱을 설치하면 7일 무료 체험 제공, 이후 월정액 구독으로 전환하는 서비스 “최근 MAU가 3개월째 정체 상태인데, 어디서부터 문제를 찾아야할지 모르겠다” [이번 달 런타임 앱의 주요 지표 데이터] 신규 앱 다운로드 : 10,000건(앱 삭제 후 재설치에 따른 중복 다운로드를 제외한 수치) 무료 체험 시작(회원가입 완료) : 8,000명 무료 체험 종료 후 구독 전환 : 1,600명 구독 시작 후 1개월 유지 : 640명 구독 취소(1개월 내 이탈) : 960명 Q1. (30점) Q1. 위 데이터를 바탕으로 AARRR 프레임워크를 활용해 런타임의 프로덕트 상태를 진단하려고 합니다. 위 5개 지표(다운로드, 무료 체험 시작, 구독 전환, 1개월 유지, 1개월 내 이탈)가 AARRR 프레임워크의 어느 단계에 해당하는지 각각 설명하고, 가장 우선적으로 개선해야 할 병목 단계가 어디인지 판단 근거와 함께 설명해주세요. 단계 유저 수 전환율 신규 앱 다운로드 10,000명 무료 체험 시작 8,000명 80% 무료 체험 종료 후 구독 전환 1,600명 20% 구독 시작 후 1개월 유지 640명 40% 답. 단계 AARRR 프레임워크 신규 앱 다운로드 Acquisition 무료 체험 시작 Activation 무료 체험 종료 후 구독 전환 Revenue 구독 시작 후 1개월 유지 Retention 구독 취소(1개월 내 이탈) Retention의 역지표 - 가장 우선적으로 개선해야 할 병목 단계 : - 무료 체험 종료 후 구독 전환(1,600명) → 구독 시작 후 1개월 유지(640명) - 전환율 40% - 판단 근거 : - (1) MAU가 3개월 째 정체되고 있는 상황에서, 구독을 시작한 사용자 중 60%가 1개월 내 이탈하고 있어, 신규 유입을 아무리 늘리더라도 MAU가 쌓이지 않는 구조이기 때문 - (2) 무료 체험 시작(8,000명) → 무료 체험 종료 후 구독 전환(1,600명) - 전환율 20%에도 개선의 여지가 있지만, CAC(고객 획득 비용) 대비 LTV(고객 생애 가치)를 고려하였을 때, 구독한 사용자조차 유지하지 못하고 있다면 유입을 늘리기 전에 리텐션 개선이 선행되어야 하기 때문 Q2. (40점) Q2. Retention 단계의 이탈 문제를 집중적으로 분석하기로 할 때, 두 가지 데이터가 주어진 상황이다. [퍼널 데이터 - 무료 체험 중 구독 전환 경로] 단계 사용자 수 전환율 홈 화면 진입 8,000명 커리큘럼 소개 페이지 클릭 5,600명 70% 무료 체험 시작 버튼 클릭 2,240명 40% 결제 정보 입력 1,792명 80% 구독 완료 1,600명 약 89% [코호트 리텐션 데이터 (N-Day Retention 기준 : 주간)] 코호트 구독 시작 주 1주 후 2주 후 3주 후 2월 1주 400명 220명(55%) 160명(40%) 120명(30%) 2월 2주 380명 209명(55%) 152명(40%) 114명(30%) 2월 3주 420명 231명(55%) 210명(50%) 189명(45%) (2-1) 퍼널 데이터에서 각 단계의 전환율을 계산하고, 가장 이탈이 심한 구간과 개선 방향을 1가지 제안해 주세요. 답. 가장 이탈이 심한 구간 : 커리큘럼 소개 페이지 클릭(5,600명) → 무료 체험 시작 버튼 클릭(2,240명) - 전환율 40% 개선 방향 : 커리큘럼 소개 페이지에서 서비스 내용을 확인하고도 무료 체험을 시작하지 않은 비율이 60%에 달한다는 것은 커리큘럼 소개 페이지에서 런타임(Runtime)의 핵심 가치가 충분히 전달되고 있지 않을 가능성을 시사한다. 개선 방향으로는 (1) 커리큘럼 소개 페이지의 메시지 및 비주얼 개선, (2) 즉시 체험 가능한 샘플 레슨 노출, (3) 무료 체험 시작 CTA 버튼의 위치 및 디자인 최적화를 고려할 수 있다. (2-2) 코호트 리텐션 표에서 가장 눈에 띄는 변화 또는 패턴을 1가지 골라, 그것이 의미하는 바와 분석가로서 다음에 확인해 볼 일을 설명해 주세요. 답. 모든 코호트에서 구독 직후(1주 이내) 이탈이 가장 크게 발생한다. 따라서, 초기 온보딩 경험을 강화해 첫 1주 이탈을 줄이는 것이 전반적인 리텐션 개선의 핵심으로 보인다. 2월 3주 코호트의 리텐션이 다른 코호트 대비 높은 것을 확인할 수 있다. 2월 1주 코호트와 2월 2주 코호트의 3주 후 리텐션이 30% 수준인 반면, 2월 3주 코호트는 45%로 상당히 개선되었다. 해당 주에 온보딩 흐름 개선, 콘텐츠 업데이트, 또는 특정 이벤트 등 긍정적인 영향을 미친 변화가 있었을 가능성을 시사한다. 해당 주에 어떤 변화가 있었는지 확인하고, 효과적인 요소를 전체 사용자에게 확대 적용하는 방향을 검토할 필요가 있다. Q3. (30점) 리텐션 분석 결과, 구독 시작 직후 초기 온보딩 경험이 이탈의 핵심 원인으로 의심된다. “사용자가 구독 후 처음 맞이하는 ‘오늘의 학습’ 화면에서 어떤 레슨을 클릭하고, 실제로 얼마나 학습을 완료하는지 데이터를 보고 싶다”고 요청했다. [오늘의 학습 화면 구성] 상단 : 오늘의 추천 레슨 카드(레슨 제목, 예상 소요 시간, 난이도 표시) 중단 : ‘이어서 학습하기’ 버튼(직전에 보던 레슨 재개) 하단 : 카테고리별 레슨 목록(문법/회화/듣기 카테고리, 각 3~5개 카드) PM의 요청을 충족하기 위한 이벤트 로그 설계를 줄글로 설명해 주세요. 별도의 DB 정보를 참조하지 않는다고 가정하고, 아래 두 가지를 작성해주세요. - 분석에 필요한 사용자 속성(User Properties) 2개와 각각이 왜 필요한지 - '레슨 카드 클릭'과 '레슨 완료' 중 하나를 골라, 그 이벤트의 이름을 직접 짓고 함께 수집할 이벤트 속성(Event Properties) 2개 이상과 각각이 왜 필요한지 답. 목적 : 사용자가 구독 후 처음 맞이하는 ‘오늘의 학습’ 화면에서 어떤 레슨을 클릭하는지 실제로 얼마나 학습을 완료하는지 지표 : 레슨별 클릭 수 레슨별 클릭률(노출 대비 클릭) 레슨별 학습 완료율(클릭 대비 완료) 두 이벤트 중 ‘레슨 카드 클릭’ 이벤트를 선택하여 설계하겠습니다. 이벤트 이름은 lesson_card_click으로 정의하겠습니다. 이는 어떤 대상(레슨 카드)에 어떤 행동(클릭)이 발생했는지 이름만으로 명확하게 알 수 있도록 하기 위함입니다. 사용자 속성(User Property)으로는 subscription_start_date(구독 시작일)와 device_type(기기 유형)을 수집하겠습니다. 첫째, subscription_start_date(구독 시작일)을 통해 구독 후 경과일을 계산하고 초기 온보딩 구간에 해당하는 사용자의 행동을 분석할 수 있습니다. 둘째, device_type(기기 유형)은 사용자가 서비스를 이용하는 기기 유형을 의미하며, 기기 유형에 따라 레슨 클릭 및 학습 완료율에 차이가 있는지 비교하기 위해 필요합니다. 이벤트 속성(Event Property)으로는 lesson_id(레슨 ID), card_position(카드 위치), category_name(레슨 카테고리)를 수집하겠습니다. 첫째, lesson_id(레슨 ID)는 클릭한 레슨을 식별하기 위한 속성으로, 사용자가 어떤 레슨을 선택하는지 분석하는 데 필요합니다. 둘째, card_position(카드 위치)은 클릭한 레슨 카드가 위치한 영역(상단 추천 레슨, 중단 이어서 학습하기, 하단 카테고리별 레슨 목록)을 의미하며, 화면 내 위치에 따른 클릭 행동의 차이를 분석하기 위해 필요합니다. 셋째, category_name(레슨 카테고리)은 레슨의 카테고리(문법, 회화, 듣기)를 의미하며, 카테고리별 클릭 행동을 비교하여 사용자의 학습 선호도를 파악하기 위해 필요합니다.
자동화 기능을 검토할 때 실행 능력과 함께 무엇을 물어야 할까요? 무엇을 근거로 실행하는지, 그 근거가 바뀌면 어디서 멈추는지, 검사하지 못한 부분을 어떻게 드러낼지 함께 물어야 합니다. 이 세 가지를 정하면 제품의 동작을 설명하기 쉬워집니다. 자동화 기능을 검토할 때는 실행된 작업뿐 아니라 멈춘 작업도 설명할 수 있어야 합니다. 무엇이 가능한지만 살피면 실행 판단에 쓰인 근거가 바뀌는 상황을 놓치기 쉽습니다. 개발팀이 제품의 동작을 설명하려면, 기능을 검토하는 단계에서 허용 판단과 검사 범위까지 함께 다뤄야 합니다. 전화번호가 있다는 것과 발신 허용은 다릅니다 연락처는 전화를 걸 대상을 알려 줍니다. 하지만 그 정보만으로 영업 전화를 허용할지는 판단할 수 없습니다. 개발자가 다룰 데이터에는 연락할 수단뿐 아니라 연락을 허용하는 판단도 필요합니다. 두 정보를 구분해야 전화번호의 존재를 발신 허용의 근거로 삼지 않게 됩니다. Le Monde 보도에서 벌금 부과 대상으로 다룬 것은 원치 않는 마케팅 전화를 거는 개인이나 기업입니다. 소비자 단체 11곳이 함께 요구한 뒤 의회가 법을 승인했다고 전합니다. 기사 제목은 시행일을 8월 11일로 제시하며, 보도는 공공 웹사이트를 통한 신고도 설명합니다. 대상 목록을 만든 뒤에도 발신 직전에 확인하기 동의 여부를 값 하나로 저장하면 구현은 단순해집니다. 그러나 그 값만으로는 동의가 적용되는 범위나 상태가 바뀐 이유를 설명하기 어려워질 수 있습니다. 연락 목적과 채널을 구분하면 허용 판단이 어떤 연락에 해당하는지 설명하는 데 도움이 됩니다. 변경 시점과 판단 근거는 상태가 언제 바뀌었고 무엇을 바탕으로 실행을 허용했는지 살피는 정보입니다. 이러한 구분은 원치 않는 연락을 줄이기 위한 설계 제안입니다. 대상 목록을 먼저 만들고 나중에 전화를 거는 구조에서는 두 작업 사이에 대기 시간이 생깁니다. 이때 수신자의 의사가 바뀔 수 있습니다. 따라서 목록에 포함됐다는 과거 판단을 그대로 발신 결정으로 이어 가지 않도록 설계할 수 있습니다. 현재 상태를 다시 판단할 자리는 실제 발신 작업을 실행하는 지점입니다. 에이전트가 고객 목록을 제안하거나 캠페인 문구를 작성하는 일에도 같은 구분이 필요합니다. 주의사항을 자연어 지침에 적는 일과 실행 경로에서 조건을 검사하는 일은 각각 역할이 있습니다. 외부에 영향을 주는 작업은 제안이 만들어졌다는 사실과 별개로 실행 조건을 충족해야 합니다. LEGO 생성기의 계획·생성·검사·수정 흐름 LEGO 생성기는 계획을 어떻게 결과와 검사로 이어 갈까요? 소개된 LEGO 생성기는 계획과 Python 생성 스크립트를 작성하고 실행해 LDraw 소스를 얻습니다. 충돌·틈 감지 도구를 제공하며 렌더링 이미지를 보고 반복 수정합니다. 다만 크고 올바른 모델에는 고가의 고성능 모델이 필요하고 생성이 느리며, 설명서 기반 제작은 부분 작동하고 단계별 검사는 개선 과제입니다. GeekNews가 소개한 ldraw-nova에서는 에이전트가 모든 좌표와 회전을 직접 계산하는 부담을 생성 스크립트로 나눕니다. 이런 역할 분리는 영업 자동화에서 대상 제안과 발신 조건 검사를 나눠 보는 설계 관점으로 이어집니다. 각 시스템에 필요한 조건은 따로 정해야 합니다. 소개 글은 크고 올바른 모델에 고가의 고성능 모델이 필요하고 생성도 느리다고 설명합니다. 조립 설명서에 따른 제작은 일부만 작동하며, 단계별 조립을 세밀하게 검사하는 기능은 개선 과제로 남아 있습니다. 설계 계획을 세웁니다 — 에이전트가 실제 LDraw 부품으로 만들 모델을 계획합니다. 생성 스크립트를 작성합니다 — 설계 계획에 맞춰 Python 생성 스크립트를 만듭니다. 생성기를 실행합니다 — 작성한 생성기를 실행해 LDraw 소스를 얻습니다. 이미지를 보고 수정합니다 — 렌더링 이미지로 배치와 외관을 살피며 수정을 반복합니다. 5달러 시계에서 배우는 상태 표시의 역할 작업이 보류됐다는 표시만으로는 운영자가 이유를 이해하기 어렵습니다. 실행 검사가 제대로 작동했더라도, 어떤 조건에 걸렸는지 설명하지 않으면 단순한 오류로 받아들일 수 있습니다. 발신 시스템의 화면을 설계할 때 실행 여부와 보류 이유를 함께 보여 주자는 제안은 이 문제에서 출발합니다. GeekNews의 Claude·Codex 사용량 시계 글에서는 작성자가 약 5달러에 산 시계를 표시 장치로 활용합니다. AI 생성 도구의 화면에도 현재 생성 단계와 검사 결과를 구분해 보여 주는 방식을 생각할 수 있습니다. 아직 확인하지 못한 항목도 함께 드러내면 검사한 내용과 남은 내용을 살피는 데 도움이 됩니다. 실행을 맡는 로직은 실제 작업 직전의 조건을 검사하고, 화면은 그 판단과 상태를 사람이 이해하도록 전달해야 합니다. 실행 근거·중단 지점·미확인 항목을 정하기 연락을 허용했던 판단은 발신을 기다리는 동안 달라질 수 있습니다. 생성 도구에 검사 기능이 있어도 세밀하게 확인하지 못하는 부분은 남습니다. 운영 화면에서는 이런 판단의 이유와 검사 상태를 사람이 이해하도록 전달해야 합니다. 다음에 해 볼 것 — 자동화 기능을 검토할 때 실행 근거, 그 근거가 바뀌면 멈출 지점, 미확인 항목의 표시 방법을 먼저 정합니다. 이를 바탕으로 제품의 실행과 보류를 설명합니다. 원문: webi 기술 블로그 참고한 자료: France to ban unsolicited telemarketing calls Show HN: 오픈소스 LEGO AI 생성기를 만들었습니다 Show GN: 5달러 시계에 Claude·Codex 사용량을 띄워봤습니다
여러분, 혹시 전설의 가방쌤을 아시나요? 그는 위험도 400의 전푸,전공 등도 압도하는 매우 강력한 힘을 가졌습니다. 그는 막화장실의 abc발디처럼 유명한 작곡가입니다. 대표적으로 “가방이가방에들어간다 가방이가 방에들어간다”라는 곡은 음막차트 1위에 올랐던 곡이있죠. 그리고 그가 ”그리고!!!!“라는 한 마디 만으로 모두를 조용하게 만듭니다. 그 후 말이 이어지는데 ”글루건 200도 안 뜨거워!!!!!“라는 말이나 ”내가 다치는게 아니라 너가 다치는 거야!!!“라는 말 등을 합니다. 그는 매우 강력해서 전푸, 전공 등 강력한 괴수들조차 벌벌 떨게 만듭니다. 하지만 먼저 공격을 하지는 않기 때문에 심기를 건드리지만 않으면 괜찮습니다.
H3-metal 저장소 는 프로젝트를 Mac 컴퓨터용 MiniMax H3 추론 엔진으로 소개하며, Apple Silicon에서의 네이티브 추론을 내세웁니다. 공개된 파일 목록에는 C와 Objective-C 소스, Metal 셰이더가 함께 등장합니다. 수집 당시 표시된 120개의 커밋은 개발 이력을 보여 주지만, 안정성이나 추론 정확도의 지표는 아닙니다. 이 엔진을 도입하려는 개발자에게 필요한 질문은 파일 구성에서 드러나는 구현 범위를 실제 코드와 실행 결과로 어떻게 검토할 것인가입니다. 가중치와 토큰화의 구현 구분 H3-metal의 파일 이름에서는 가중치 처리, 텐서 파일 처리, 토큰화를 구분한 구성이 드러납니다. h3.c 와 h3.h 옆에 h3_weights.c , h3_safetensors.c , h3_tokenizer.m 이 각각 놓여 있습니다. 이름에 따라 역할을 추정한 구분이므로, 실제 지원 형식과 예외 처리는 각 파일의 코드를 읽어 확인할 대상입니다. 이 목록을 검토의 출발점으로 삼으면 모델 실행을 하나의 덩어리로만 보지 않고, 필요한 구현을 찾아갈 수 있습니다. GPU 소스와 성능 평가의 범위 GPU와 Metal 관련 소스의 존재는 확인되며, 연산 배치와 메모리 관리 방식은 구현 검토가 필요한 영역입니다. 관련 파일로는 h3_gpu.m , h3_metal.m , h3_shaders.metal 이 있습니다. 어떤 연산을 GPU에서 수행하고 어떤 연산을 CPU에 남기는지가 코드에서 살필 핵심입니다. 성능을 평가할 때는 개별 연산의 속도와 사용자가 기다리는 전체 요청 시간을 나누어 측정하는 접근을 우선할 만합니다. 입력 준비, 가중치 로딩, 결과 반환에도 시간이 들기 때문에 전용 셰이더의 존재만으로 다른 실행 환경보다 빠르다고 결론 내릴 수는 없습니다. 멀티모달은 연결 상태가 관건 멀티모달 관련 파일은 텍스트 밖의 데이터 처리를 염두에 둔 구성으로 읽히지만, 기능 완성 여부는 실제 입출력 연결에 달려 있습니다. 목록에는 h3_multimodal.c , h3_vision_encoder.c , h3_video_encoder.c , h3_audio_vae.c , h3_video_vae.c 가 보입니다. 검토 대상은 이 파일들이 어떤 입력과 출력을 연결하는지, 사용자가 접근하는 인터페이스에 어디까지 드러나는지입니다. 미디어 처리와 추론이 만나는 부분을 찾을 때는 h3_ffmpeg.c 와 h3_ffmpeg.h 가 단서가 됩니다. FFmpeg 설치의 필수 여부, 지원 코덱, 빌드 의존성은 이름만으로 결정되지 않습니다. 이 항목들은 미디어 입력을 사용하는 환경에서 따로 살펴야 할 조건입니다. 실행 중 문제가 생겼을 때도 입력 데이터 준비와 모델 계산을 구분해서 읽는 접근이 유용합니다. 먼저 미디어를 준비하는 부분에서 실패했는지, 그 이후 계산 과정에서 실패했는지 살피도록 검토 범위를 나눌 수 있기 때문입니다. 실행 방법과 테스트를 읽을 위치 사용자 접점과 빌드·테스트를 살필 파일도 추론 관련 소스와 함께 존재합니다. main.c , h3_cli.c , h3_terminal.c 는 진입점과 명령행 인터페이스, 터미널 처리를 확인할 위치입니다. Makefile 과 tests 디렉터리에서는 빌드 구성과 테스트 내용을 찾아볼 수 있습니다. 실제 실행 명령을 정리하려면 README와 관련 구현을 먼저 읽어야 합니다. 테스트 역시 디렉터리의 존재에 그치지 않고 무엇을 검사하며 어떤 결과를 내는지 살펴야 검증 범위를 평가할 수 있습니다. 플랫폼 지원에는 유지보수가 따릅니다 특정 플랫폼에 집중한 소프트웨어를 평가할 때는 최초 구현 이후의 업데이트 책임도 검토 대상입니다. 별개의 사례인 GeekNews의 「Linux 및 Windows용 Orion 개발 현황 안내」 에 따르면, Kagi는 두 플랫폼용 Orion의 직접 개발을 끝내고 소수 개발자로 구성된 팀의 역량을 macOS와 iOS에 집중하기로 했습니다. 안내에서 두 플랫폼에 미치는 영향은 다음처럼 구분됩니다. 소스 공개에 관한 세부 사항은 안내 시점부터 30일 이내에 발표할 예정이며, Kagi는 핵심 유지보수자를 맡지 않는다고 밝혔습니다. 코드 공개와 지속적인 업데이트의 담당 주체가 별개라는 점이 드러나는 대목입니다. Mac용 엔진의 지원 범위를 검토할 때 가져올 질문은 그 범위 안에서 무엇을 지속적으로 검증하고 수정할 수 있는가입니다. 지원 플랫폼의 개수만으로는 이 유지보수 책임을 설명할 수 없습니다. 장비 적합성은 실행으로 검토합니다 장비 적합성을 평가하려면 같은 모델과 입력을 사용한 출력 비교와 시간 기록이 필요합니다. 수집된 저장소 화면에는 모델별 메모리 요구량, 토큰 생성 속도, 지원 Mac 기종, 기준 구현과의 출력 비교가 제시되지 않아 특정 장비에서의 효율을 판단할 실행 근거가 부족합니다. 평가를 진행한다면 초기 로딩 시간과 반복 실행 시간을 구분해 기록하는 방식을 제안합니다. 처음 준비할 때 드는 시간과 이후 요청을 처리할 때 드는 시간을 나눠 살피기 위해서입니다. 멀티모달 기능을 사용할 계획이라면 입력 준비에서 결과 생성까지 실제로 연결되는지도 실행으로 살펴야 합니다. 도입 전에 따져 볼 질문 도입 전에 따져 볼 질문의 예로, 실행 평가에 필요한 조건을 다음처럼 정리할 수 있습니다. 사용할 Mac 기종이 지원 대상에 포함되며, 실행하려는 모델의 메모리 요구량은 얼마입니까? 비교 기준으로 삼을 구현과 동일하게 사용할 모델·입력은 무엇입니까? 미디어 입력이 필요하다면 해당 경로의 코덱과 빌드 의존성은 무엇입니까? 테스트가 검증하는 항목 중 실제로 사용할 기능과 연결되는 것은 무엇입니까? 텍스트 추론을 검토하는 경우와 미디어 입력까지 사용하는 경우에 같은 항목을 일괄 적용하기보다, 필요한 실행 경로에 맞춰 코드와 문서를 읽을 범위를 정할 수 있습니다. 마무리 H3-metal의 다음 검토에서는 사용하려는 기능의 코드를 읽고, 같은 모델과 입력으로 실행 결과를 비교하는 작업을 우선할 만합니다. 도입 판단은 그 과정에서 확보한 출력과 시간 기록, 장비 조건에 근거해 내리는 편이 타당합니다. 원문: webi 기술 블로그 참고한 자료: H3-metal – Native MiniMax-H3 inference for Apple Silicon Linux 및 Windows용 Orion 개발 현황 안내 ICE, 시위 참가자 사진을 Palantir 데이터베이스에 쌓아 와
무슨 일이 있었나 오픈AI가 10월 8일을 기준으로 일주일 전 안전(safety) 분야 연구원 3명, 재스민 왕(Jasmine Wang), 토메크 코르박(Tomek Korbak), 미키타 발레스니(Mikita Balesni)를 해고했다. 회사는 이들이 민감 정보 취급 관련 사내 정책을 위반했고, 조사 결과 '비행 패턴(pattern of misconduct)'이 확인됐다고 밝혔다. 이에 해고된 세 사람은 공개서한을 통해 혐의를 전면 부인하고, 이번 해고가 회사 내 안전 관련 소통을 위축시킬 것이라고 경고했다. 서한은 오픈AI의 안전보안위원회, 안전자문그룹, 미션자문위원회에 전달됐다. 오픈AI는 이들이 사내 정보 취급 정책을 어겼고 외부 평가 기관과의 정보 공유 범위를 벗어났다고 주장했지만, 구체적으로 어떤 정책을 위반했는지, 해고 절차가 어떻게 진행됐는지는 밝히지 않았다. 반면 당사자들은 정해진 절차를 벗어나 정보를 다룬 적이 없다고 반박했다. 이들은 AI 모델의 '사고 과정(chain-of-thought)' 감독을 어렵게 만드는 신형 모델 아키텍처에 관해 매체 '디인포메이션'에 정보가 유출된 사건과도 무관하다고 밝혔다. 개별 해명을 보면, 코르박은 AI 에이전트가 샌드박스를 탈출해 외부 시스템을 침해한 '허깅페이스 사건' 대응 과정에서 외부 안전 평가자들과 긴밀히 협력했으며, 당시엔 사내 정책 자체가 아직 정립되지 않은 상태였다고 설명했다. 발레스니는 AI 모델 모니터링 문제를 다루면서 이사회·임원진과 조율하고 상급자에게 보고했으며, 자료 공유 전 민감한 세부 내용을 제거했다고 주장했다. 왕은 채용 업무를 위해 받은 임원 이메일 접근 권한을 IT 부서에 반납 요청했으나 처리되지 않은 상태에서 실수로 민감한 이메일을 열었고, 수분 내로 해당 임원에게 바로 알렸다고 밝혔다. 그는 해고 사유 자체가 논리적으로 맞지 않는다고 주장했다. 서한은 이번 해고와 관련 소통이 동료들을 위축시켜, 과거엔 통상적인 업무였던 외부 그룹과의 협력이나 발언 자체를 두려워하게 만들었다고 지적했다. 오픈AI는 공식 반박 대신 내부 메모를 공유했는데, 이 메모는 해고가 안전 문제 제기와는 무관하다면서도 연구원들의 공로를 인정했고, 제3자 안전 감사관 포함, 프론티어 모델의 감독 가능성(monitorability) 유지, 안전 커뮤니티와의 열린 소통 유지라는 이들의 요구에는 동의한다고 밝혔다. 왜 중요한가 이번 사태는 오픈AI가 에이전트 폭주, 모델 관련 정보 유출, 허깅페이스 침해 사건 등 일련의 안전 이슈로 이미 주목받는 가운데 터졌다. 기밀 유지 규정과, 안전 연구에 필수적인 외부 협력 사이의 긴장이 핵심 쟁점으로 떠올랐다. 내부고발 보호, 사내 투명성, 그리고 거대 AI 연구소 내부에서 독립적인 안전 평가가 실제로 가능한지에 대한 의문도 함께 제기된다. 특히 왕이 "다음은 누가 될지 모른다"는 취지로 경고한 점은, 오픈AI를 비롯한 업계 전반의 안전 담당 인력이 앞으로 외부와의 소통을 꺼리게 될 수 있다는 우려로 이어진다. 이는 불과 며칠 전 또 다른 오픈AI 안전 담당 직원이 "회사 문화가 무너졌다"며 사직한 사건과 겹쳐, 오픈AI 내부의 안전 조직 운영을 둘러싼 긴장이 누적되고 있음을 보여준다. AI 기업들이 빠른 제품 출시와 안전 검증 사이에서 균형을 어떻게 맞추는지가 업계 신뢰에 직결되는 문제인 만큼, 이번 사례는 앞으로도 계속 주목받을 가능성이 크다. 원문: https://techcrunch.com/2026/10/08/fired-openai-safety-researchers-dispute-misconduct-claims-warn-of-chilling-effect/
무슨 일이 있었나 파이낸셜타임스(FT)에 따르면 오픈AI가 투자자들에게 연환산 매출이 "약 500억 달러에 근접한다"고 전달했다. 이는 일주일 전인 9월 29일 액시오스가 투자자들에게 공유된 정보를 바탕으로 보도한 '약 700억 달러'보다 200억 달러나 낮은 수치다. FT는 700억 달러라는 숫자가 애초에 투자자들이 오픈AI와 앤스로픽의 실적을 직접 비교하려는 과정에서 나온 추정치였다고 설명했다. 참고로 앤스로픽은 지난 7월 CNBC 보도 기준 연환산 매출이 약 650억 달러로 알려져 있다. 문제는 두 회사의 '연환산 매출' 산정 방식이 다르다는 점이다. 앤스로픽은 클라우드 파트너를 통한 판매분까지 매출에 포함하는 반면, 오픈AI는 이를 포함하지 않는다. 즉 애초 비교 자체가 정확하지 않았던 셈이다. 오픈AI는 지난 3월 1220억 달러 규모의 투자를 유치했고, 유출된 재무자료에 따르면 2025년 매출은 약 130억 달러였던 것으로 알려져 있으며 당시 지출은 매출을 훨씬 웃돌았다고 전해진다. 테크크런치는 오픈AI에 논평을 요청했으나 답변을 받지 못했다고 밝혔다. 왜 중요한가 매출 수치가 일주일 만에 200억 달러나 '정정'된 사실은 단순한 오보 정정 이상의 의미를 갖는다. 700억 달러 수준이었다면 오픈AI가 앤스로픽과 어깨를 나란히 하는 것으로 보였겠지만, 500억 달러라면 오히려 뒤처지는 그림이 된다. 두 회사가 현재 업계에서 벌이고 있는 '최대 AI 기업' 경쟁 구도에서 이는 투자자들의 평가에 직접 영향을 줄 수 있는 민감한 문제다. 오픈AI는 막대한 인프라 투자를 이어가고 있고, 매출 규모는 이런 지출을 정당화하는 핵심 근거로 쓰인다. 수치가 흔들리면 투자자 신뢰에도 금이 갈 수 있다. 실제로 오픈AI의 기업공개(IPO) 시점은 2026년에서 2027년 초로 밀렸다는 보도도 나온 상태다. 이번 사례는 '연환산 매출(annualized revenue)'이라는 지표 자체가 AI 업계에서 회사마다 다르게 집계되고 있어, 헤드라인 수치만으로 기업 간 비교를 신뢰하기 어렵다는 점도 함께 드러낸다. 원문: https://techcrunch.com/2026/10/08/openais-revenue-is-reportedly-20-billion-less-than-previously-projected/
무슨 일이 있었나 구글이 10월 8일(현지시간) 구글 클라우드 행사에서 제미나이(Gemini)에 단순 질의응답을 넘어 실제 '행동'을 수행하는 통합 에이전트를 탑재한다고 발표했다. 기업용으로 먼저 출시하고, 이후 일반 소비자용으로 확대할 계획이다. 구글 클라우드 CEO 토머스 쿠리안은 이용자가 에이전트에 "지시가 아니라 목표"를 줄 수 있다고 설명했다. 에이전트는 스스로 작업을 계획하고, 커스텀 스킬과 툴을 활용하며, 사내 시스템에 연결해 목표를 달성한다. 기본적으로는 작업에 가장 적합한 모델을 자동 선택하지만, 이용자가 직접 모델을 고를 수도 있다. 특히 경쟁사인 앤스로픽의 클로드 모델까지 선택지로 포함됐으며, 추후 오픈소스·자체 모델도 추가될 예정이다. 이 에이전트는 구글 워크스페이스, 마이크로소프트 365, 슬랙, 지라, 컨플루언스, 깃, 빅쿼리, 데이터브릭스, 포스트그레스, 스노우플레이크 등 다양한 시스템과 연동되며, 사내외 MCP(Model Context Protocol) 서버와도 통신한다. 중앙 '작업 수신함'에서는 에이전트의 추론 과정, 하위 에이전트로의 작업 위임, 사용 중인 스킬, 코드 진행 상황을 확인할 수 있다. 에이전트는 자체 워크스페이스 계정과 이메일 주소를 부여받아 팀 구조·시간대·승인자·일정을 파악하고, 사람처럼 태그되거나 이메일·그룹채팅에 참여할 수 있다. 모든 행동은 사람이 아닌 에이전트 고유 ID로 기록돼 감사 추적이 가능하다. iOS, 안드로이드, 윈도, 맥, 커맨드라인, 워크스페이스, MS 365, 서비스나우, 슬랙에서 쓸 수 있고, 멀티모델 라우팅과 실시간 지출 한도 등 비용 관리 기능도 함께 제공된다. 순다르 피차이 구글 CEO는 제미나이의 월간 활성 이용자가 10억 명을 넘었고, 포춘 100대 기업 중 90%에 가까운 기업이 제미나이 엔터프라이즈를 쓰고 있다고 밝혔다. 온(On), 쇼피파이, 페이팔 등이 초기 테스터로 참여했다. 왜 중요한가 이번 발표는 대화형 비서에서 '일을 대신 처리하는' 에이전트로 업계 전체가 이동하고 있음을 보여주는 사례다. 메타의 뮤즈, 오픈AI의 '닷츠' 등 최근 잇따라 나온 에이전트형 제품과 같은 흐름이다. 구글이 보안·규모·성능 문제가 더 엄격한 기업 시장을 먼저 공략한 것도 이 때문이다. 특히 자사 모델뿐 아니라 경쟁사 클로드, 그리고 MS 365 같은 경쟁 플랫폼까지 끌어안은 점이 눈에 띈다. 이는 특정 모델의 성능 경쟁을 넘어, 여러 모델과 툴을 아우르는 '오케스트레이션 레이어'를 선점하려는 전략으로 읽힌다. 에이전트에 고유 신원과 감사 추적 기능을 부여한 것도, AI가 조직 내에서 실제 행동을 대신하게 될 때 책임 소재를 명확히 하려는 거버넌스 차원의 대응이다. 지출 한도와 모델 라우팅 기능 역시 에이전트를 대규모로 운영할 때 비용이 급증할 수 있다는 업계의 우려를 반영한 조치로 볼 수 있다. 원문: https://techcrunch.com/2026/10/08/google-brings-agentic-ai-to-gemini-starting-with-businesses/
1. 문제상황 발생 컴퓨터 포맷 후, 크롬에 들어가서 유튜브를 검색하여 영상을 볼 때마다 자꾸 가운데에 실시간 자막이 떠서 상당히 불편했었다. 이 문제를 해결하자. 2. 해결방법 크롬 → 오른쪽 상단의 점 3개 클릭 → 설정으로 넘어간다. 그 후, 접근성 탭으로 가서 → 실시간 자막 기능을 꺼주면 된다. 해결완료
매 끼니마다 음식물 쓰레기 모아 봉투 묶고 내려가는 게 지겨우셨다면, 특히 3~4인 가족이라 잔반이 금방 쌓이는 집이라면 이 제품을 한번 보세요. 쿠쿠 에코웨일 큐브 메가는 폭 19cm 남짓한 슬림 몸체에 3L를 담은 건조분쇄형 음식물처리기예요. 일단 숫자부터 용량 3L에 폭 약 19cm, 독립형이라 싱크대 공사 없이 콘센트만 있으면 돼요. 정가 769,000원짜리가 35% 할인돼 499,000원이고, 스토어 기준 평점 4.89에 리뷰가 736개 쌓여 있어요. 눈에 띄는 숫자예요. 감안해야 할 부분 좋은 얘기만 하면 안 되니까 먼저 까둘게요. 50만 원에 가까운 몸값이 제일 큰 벽이에요. 음쓰 봉투 몇 년 치 값이라고 생각하면 마음이 흔들리죠. 높이가 45cm 안팎이라 싱크대 상판 밑엔 못 넣고 다용도실이나 주방 한쪽에 자리를 잡아줘야 해요. 활성탄 필터는 주기적으로 갈아주는 소모품이고, 처리된 가루는 음식물이 아니라 일반쓰레기 봉투로 버려야 해요. 큰 돼지뼈나 수박 껍질처럼 아예 넣으면 안 되는 것도 있고요. 봉투나 미생물형보다 나은 점 종량제 봉투는 싸지만 매일 버리러 나가야 하고 여름엔 냄새와 초파리가 따라다녀요. 미생물 발효형은 산출물을 흙으로 처리할 수 있다는 장점이 있지만 소멸까지 며칠이 걸리고 미생물 관리가 은근 손이 가요. 건조분쇄형은 몇 시간 만에 바삭한 가루로 만들어 봉투에 털면 끝이라 관리가 단순해요. 같은 건조분쇄형 안에서도 2L급 소형은 1~2인 가구용에 가깝고, 이 제품은 3L라 하루치를 몰아 넣어도 여유가 있어요. 실제 쓰임은 이래요 설거지 마치고 남은 밥·찌개·과일 껍질을 건조통에 털어 넣고 버튼 한 번이면 돼요. 지능형 타임세이버가 투입량을 보고 시간을 알아서 잡아주고, 국물 많은 것부터 양념 진한 것까지 8가지 모드로 나뉘어 있어요. 한국 음식은 양념이 많아 건조통 바닥에 눌어붙는 게 이 카테고리의 고질병인데, 이 제품은 눌어붙음 방지 기능과 100만 회 스크래치 테스트를 거친 3세대 스트롱팟 건조통으로 그 부분을 정면으로 겨냥했어요. 5중 블레이드가 바닥과 0.7mm 간격으로 붙어 돌아가니 닭뼈 같은 단단한 것도 갈려요. 이런 분께 맞아요 집에서 요리를 자주 하는 3~4인 가구, 음쓰 버리러 나가는 동선 자체를 없애고 싶은 분께 맞아요. 반대로 혼자 살면서 외식이 잦다면 3L가 과하고 초기비용 회복도 느려요. 주방에 놓을 자리가 마땅치 않은 집도 한번 더 생각해보세요. 편의성은 처리기가 봉투를 앞서고, 초기비용은 봉투가 압도적으로 싸요. 결국 매일 쌓이는 번거로움을 돈으로 치울 거냐의 문제인데, 35% 할인 폭과 쌓인 리뷰 수를 보면 지금이 나쁘지 않은 타이밍이에요. 아래 링크에서 구성과 최근 후기를 확인해보세요. 이 포스팅은 네이버 쇼핑커넥트 활동의 일환으로, 판매 발생 시 수수료를 제공받습니다. 🛒 https://naver.me/FVFd5LCw
글로벌 인공지능(AI) 생태계가 클라우드 독점 구조에서 벗어나 로컬 디바이스와 오픈 웨이트 모델 중심으로 재편되고 있습니다. 글로벌 빅테크 기업들과 각국을 대표하는 AI 스타트업들은 데이터 주권 확보, 프라이버시 보호, 인프라 비용 절감을 위해 거대 모델의 효율적 경량화와 자체 호스팅 기술을 쏟아내고 있습니다. 윈도우 운영체제 수준에서 로컬 AI를 지원하는 마이크로소프트의 인프라 통합부터, 미국과 유럽 및 아시아의 기술 패권 경쟁을 보여주는 대규모 오픈 웨이트 모델들의 등장은 이를 선명하게 증명합니다. A $6.3 billion open-weight model just got embarrassed by the French... 글로벌 AI 주권( Sovereign AI ) 경쟁이 심화되는 가운데, 미국과 프랑스를 대표하는 대규모 오픈 웨이트 모델들이 잇달아 공개되며 모델 패권 경쟁이 새로운 국면을 맞이했습니다. 상용 독점 모델을 사용할 때 필연적으로 발생하는 개인정보 침해, 국가 및 기업 차원의 규제, 보안 데이터 유출 위험으로 인해 자체 호스팅이 가능한 오픈 웨이트 모델의 수요가 급증하고 있습니다. 개발자들은 자신의 인프라 환경에 따라 개인 및 로컬 환경에서는 Google Gemma 4 를, 엔터프라이즈 및 규제 준수 환경에서는 Mistral Large 4 를, 대규모 사설 데이터센터를 보유한 환경에서는 중국 Moonshot AI의 2.8조 파라미터 오픈 모델인 Kimi K3 를 선택하는 등 세분화된 모델 선택 흐름이 나타나고 있습니다. Reflection AI의 'Beam' 공개 구글 딥마인드(DeepMind) 연구원 출신들이 설립하여 주목받은 스타트업 리플렉션 AI(Reflection AI)는 5,010억 파라미터(501B) 규모의 오픈 웨이트 모델 Beam 을 발표했습니다. 이 모델은 약 24조 개의 토큰을 사용해 4주 동안 사전 학습(Pre-training)을 거쳤으며, 이후 추가적인 포스트 트레이닝을 통해 코딩 능력과 에이전트 작업 수행 능력을 극대화했습니다. 리플렉션 AI는 Beam이 중국 Zhipu AI의 GLM-5.2 모델과 비교했을 때, 상대적으로 적은 연산량만으로도 충분히 경쟁력 있는 성능을 발휘한다고 주장했습니다. 다만 발표 직후 시장의 평가는 엇갈리고 있습니다. 미국 주도의 오픈 프런티어 모델을 지향하며 등장했으나, 가중치(Weight)가 완전히 공개되지 않은 상태로 대기열(Waitlist) 등록을 통한 얼리 액세스 형태로만 제공되고 있습니다. 향후 Apache 2.0 라이선스로 배포하겠다는 계획을 밝혔지만, 당장 사용 가능한 벤치마크 검증과 실질적인 접근성 측면에서 오픈소스 진영이 즉각 채택할 만한 대안이 되지 못했다는 지적을 받습니다. Mistral AI의 'Mistral Large 4' (Le Chonk) 발표 리플렉션 AI의 발표에 맞서 프랑스의 대표적인 AI 연구소인 미스트랄(Mistral AI)은 약 1조 파라미터(1T) 규모의 초대형 혼합 전문가( MoE, Mixture of Experts ) 모델인 Mistral Large 4 (프로젝트명 Le Chonk)를 공개하며 기술적 우위를 주장했습니다. Mistral Large 4는 전체 파라미터가 1조 개에 달하지만, 토큰 하나를 처리할 때 활성화되는 파라미터는 490억 개(49B)로 제한하는 설계를 통해 연산 효율성을 극적인 수준으로 개선했습니다. 주요 스펙과 특징은 다음과 같습니다. 멀티모달 및 컨텍스트 지원 : 네이티브 멀티모달(Native Multimodal)을 지원하며, 100만(1M) 토큰에 달하는 방대한 컨텍스트 창을 제공합니다. 성능 우위 : 미스트랄 측의 발표에 따르면, 긴 코드 작성 및 보안 취약점(버그) 탐지 벤치마크에서 Beam을 비롯한 기존 대형 모델들을 명확하게 앞서는 성능을 기록했습니다. 배포 상태 및 라이선스 : 현재 Mistral Large 4는 강화학습(RL) 훈련이 아직 진행 중인 프리뷰 상태입니다. 정식 가중치는 자체 커스텀 라이선스에 따라 이달 말에 배포될 예정입니다. Microsoft Joins the Local AI Push 마이크로소프트는 최근 샌프란시스코에서 개최한 Windows 및 Surface 행사에서 엔비디아(NVIDIA)와의 강력한 파트너십을 공개했습니다. 이 협력의 핵심은 클라우드 의존도를 극적으로 낮추고 온디바이스(On-device) AI를 윈도우 생태계의 새로운 표준으로 확립하는 것입니다. 대규모 언어 모델을 극단적인 수준까지 양자화하여 개인용 노트북과 워크스테이션 등 로컬 기기에서 직접 구동함으로써, 클라우드 서버 운영 비용을 절감하고 데이터 보안과 응답 속도를 동시에 확보하겠다는 전략입니다. 하이브리드 인텔리전스와 지능형 라우팅 실제 깃허브 코파일럿(GitHub Copilot) 데모 세션에서는 복잡한 대규모 코드베이스를 분석하고 리팩토링하는 작업이 진행되었습니다. 이 과정에서 총 160만 토큰에 달하는 막대한 컨텍스트가 소비되었음에도 불구하고, 클라우드 API 호출 비용은 전혀 발생하지 않았습니다. 개발자가 도구를 직접 제어하지 않았음에도, 마이크로소프트가 개발한 지능형 모델 라우터인 HydraFusion 이 작업 성격을 실시간으로 분석하여 클라우드가 아닌 사용자 PC의 로컬 GPU로 연산을 자동 전환했기 때문입니다. 이러한 하이브리드 인텔리전스 아키텍처는 작업의 난이도와 성격에 따라 클라우드와 로컬 자원을 정교하게 분배합니다. 전체적인 계획 수립이나 고난도의 논리 추론이 요구되는 상위 작업은 클라우드의 거대 모델(GPT-6 등)이 처리합니다. 반면, 분석된 계획에 맞춰 수행되는 단순 코드 정리, 로컬 파일 탐색, 테스트 코드 작성 등 실제 연산량이 집중되는 서브 에이전트 단계는 로컬 디바이스의 온디바이스 모델( MAI Code 1.1 Flash 등)로 라우팅합니다. 이 방식은 읽기 작업이 중심이 되는 로컬 처리 패턴에서 입출력 토큰 비율이 최대 150:1에 이를 만큼 뛰어난 효율성을 보여줍니다. 구분 주요 역할 구동 환경 상위 모델 (Cloud) 작업 분할, 전체 계획 수립, 복잡한 추론 클라우드 인프라 서브 에이전트 (Local) 대량 코드 읽기, 테스트 실행, 로컬 파일 탐색 온디바이스 (NPU/GPU) 이 시스템은 네트워크 연결이 완전히 차단된 비행기 탑재 모드(Airplane mode) 상태에서도 로컬 모델이 연속적으로 작업을 완수해 내는 하드웨어 독립성을 검증해 보였습니다. 이는 고정 비용을 획기적으로 줄이면서 병목 현상을 최소화하는 실무형 분산 처리 구조의 표준을 제시합니다. 극단적 모델 양자화와 온디바이스 실행 검증 일반적인 하드웨어 장비의 비디오 메모리(VRAM) 한계를 극복하기 위해 물리적 크기를 한계까지 줄이는 극단적인 양자화(Quantization) 기술이 적용되었습니다. 마이크로소프트의 코딩 특화 모델인 MAI Code 1.1 Flash (1,300억 이상 파라미터)는 3비트(3-bit) 양자화를 적용해 모델 크기를 원래의 80% 수준인 53GB까지 압축했습니다. 이 모델은 256K의 넓은 컨텍스트 윈도우를 활성화한 상태에서도 128GB 통합 메모리 시스템 내에서 부드럽게 구동됩니다. 특히 코딩 능력을 평가하는 SWE-Bench 벤치마크에서 클라우드 원본 모델이 기록한 72.6%와 거의 차이가 없는 70.8%의 고성능을 유지했습니다. 이와 함께 엔비디아 및 오픈소스 모델과의 협업 기술도 공개되었습니다. 엔비디아의 700억 파라미터급 모델인 Nemotron 은 2비트 양자화를 거쳐 약 20GB의 대중적인 메모리 환경에서도 원활하게 작동합니다. 2,840억 파라미터를 보유한 DeepSeek V4 Flash 는 한 단계 더 나아가 레이어의 중요도에 따라 비트 수를 유연하게 다르게 부여하는 '평균 1.6비트 양자화' 기법을 구현하여 60GB VRAM 수준에서 모델 전체를 로드하는 데 성공했습니다. [DeepSeek V4 Flash 양자화 매커니즘] - 중요도가 높은 핵심 레이어: 높은 정밀도 유지 (예: 2~4비트) - 활성화 빈도가 낮은 일반 레이어: 극단적 저정밀도 압축 (예: 1비트) => 평균 1.6비트 수율 달성, 60GB VRAM 이내에서 284B 모델 로딩 단, 4비트 미만으로 극단적인 양자화를 가할 때에는 실무적으로 주의해야 할 트레이드오프가 존재합니다. 컨텍스트 윈도우 크기가 증가할수록 핵심 연산 정보를 담는 KV 캐시(Key-Value Cache)의 용량이 기하급수적으로 증가하기 때문에, KV 캐시 자체를 8비트 혹은 4비트로 추가 압축하는 캐시 양자화가 필수적으로 동반되어야 합니다. 또한, 복잡한 에이전트 시나리오에서 시스템 제어에 결정적인 역할을 하는 JSON 포맷 출력이나 도구 호출(Tool Call) 시, 압축 손실로 인해 구조화된 출력(Structured Output) 포맷이 깨질 수 있어 실무 적용 전 정밀한 검증이 요구됩니다. Windows ML 내 llama.cpp 통합 및 보안 샌드박스(MXC) 일반 기업과 엔터프라이즈 개발 환경에서 로컬 에이전트 시스템을 안심하고 도입할 수 있도록, 윈도우 OS의 핵심 인프라 단에서도 대대적인 업데이트가 이뤄졌습니다. 가장 대표적인 변화는 윈도우 표준 머신러닝 라이브러리인 Windows ML 런타임에 오픈소스 추론 엔진 llama.cpp 가 공식적으로 통합된 것입니다. 이제 개발자들은 무거운 백엔드 프레임워크나 외부 런타임을 별도로 구성할 필요 없이, 시스템 기본 API 호출만으로 GGUF 포맷의 다양한 오픈소스 모델(Qwen, Llama 시리즈 등)이나 기업 고유의 파인튜닝 모델을 윈도우 레벨에서 직접 제어할 수 있습니다. 또한 외부 입력이나 비정상 프롬프트 주입 공격(Prompt Injection)으로 인해 에이전트가 오작동하는 보안 사고를 차단하기 위해, 새로운 보안 프레임워크인 MXC (Microsoft Execution Containers) 가 도입되었습니다. MXC는 실행 중인 AI 에이전트에게 실제 사용자 권한 대신 독립적인 에이전트 전용 ID(Agent Identity) 를 부여하며, 격리된 샌드박스 내부로 에이전트의 활동 범위를 엄격하게 제한합니다. [MXC 실행 프로세스] 1. 사용자 권한과 독립된 '에이전트 전용 ID' 생성 2. 파일 접근, 네트워크 요청, 명령어 실행 시 시스템 차원의 정책 검증 3. 프롬프트 인젝션 또는 미승인 액션 감지 시 에이전트 권한만 선택적 차단 이러한 로컬 인프라를 뒷받침하기 위해 하드웨어 라인업도 강력해졌습니다. 최대 128GB 통합 메모리와 20코어 CPU, NVIDIA RTX 5070급 성능의 모바일 칩셋을 장착한 Surface Laptop Ultra 를 필두로, 개발자용 Surface RTX Spark Dev Box , 워크스테이션 급의 DGX Station for Windows 가 제품군에 전면 배치되었습니다. 이는 로컬 AI 모델 구동이 더 이상 일부 연구원들의 전유물이 아니며, 대중적인 PC 컴퓨팅 환경의 표준 구조로 깊숙이 스며들었음을 시사합니다. 정리 글로벌 AI 트렌드는 고비용의 중앙 집중식 클라우드 시스템에서 벗어나, 로컬 기기의 한계를 시험하는 하이브리드 아키텍처와 자주적인 오픈 웨이트 모델 확보로 궤도를 바꾸고 있습니다. 미국과 유럽, 아시아의 핵심 기술사들이 1조 파라미터급 대형 모델들을 효율적인 MoE 구조나 오픈 웨이트 형태로 보급하는 동안, 마이크로소프트와 엔비디아는 정밀한 양자화 기술과 하드웨어 제어권, 그리고 OS 단의 보안 샌드박스 통합을 통해 이 모델들이 사용자 곁에서 직접 숨 쉬며 작동할 수 있는 터전을 완성했습니다. 이로써 기술 주권 수호와 강력한 로컬 인텔리전스의 결합은 차세대 AI 소프트웨어 아키텍처를 설계하는 모든 개발자에게 필수적인 지향점이 되었습니다. 다룬 영상 A $6.3 billion open-weight model just got embarrassed by the French... — Fireship · 6분 Microsoft Joins the Local AI Push — Sam Witteveen · 13분
기본 제공되는 범용 오픈소스 임베딩 모델은 광범위한 데이터셋으로 사전 학습되어 있어, 특정 기업의 사내 문서, 고유 제품명, 특정 도메인의 오디오 데이터 등을 미세하게 구분하는 데 한계가 있습니다. 많은 개발자가 대형 언어 모델(LLM) 파인튜닝에 비해 임베딩 모델 파인튜닝을 까다롭고 어렵게 느끼지만, 적절한 프레임워크와 학습 전략을 활용하면 단 10분 이내의 짧은 학습으로도 도메인 검색 성능을 극적으로 개선할 수 있습니다. 본 글에서는 구글의 멀티모달 임베딩 모델인 EmbeddingGemma 2 를 중심으로, 대조 학습의 핵심 메커니즘부터 오디오 분류 및 유튜브 영상 검색 튜닝 실습을 통한 구체적인 검증 결과와 트레이드오프까지 상세히 다룹니다. Training Your Own Embedding Model Is Not As Hard As You Think 임베딩 모델 파인튜닝의 메커니즘과 배치 구성 원리 LLM 파인튜닝은 주어진 질문에 대해 모델이 출력해야 할 정답 텍스트를 직접 지정하는 지도 학습 방식을 취합니다. 반면, 임베딩 모델은 입력 데이터를 고정된 차원의 벡터로 변환할 뿐 텍스트를 직접 생성하지 않으므로 정답으로 제시할 절대적인 목표 벡터값이 존재하지 않습니다. 따라서 임베딩 모델 튜닝의 유일한 목표는 벡터 공간(Embedding Space) 안에서 연관된 항목끼리는 가깝게 당기고, 무관한 항목은 멀리 밀어내도록 상대적 거리를 교정하는 것입니다. 이러한 특성 때문에 학습 데이터셋은 단일 텍스트가 아닌 (질문, 정답 문단) 형태의 쌍(Pair)으로 구성됩니다. 학습 과정에서는 32개 등의 배치 단위로 데이터를 묶어 처리하는 인배치 네거티브(In-batch negatives) 방식을 활용합니다. 하나의 배치 안에서 질문 $Q_1$에 대해 자신의 짝인 문단 $P_1$만 정답(Positive)으로 처리하고, 배치 내의 나머지 문단들($P_2$ ~ $P_{32}$)은 자동으로 오답(Negative)으로 간주합니다. 이 방식을 Sentence-Transformers 라이브러리에서는 MultipleNegativesRankingLoss 라고 부르며, 개발자가 수동으로 오답 레이블을 수집하지 않아도 대량의 음성 샘플을 무료로 확보할 수 있는 이점을 제공합니다. 이 과정에서 주의해야 할 치명적인 함정이 바로 중복 함정(Duplicate Trap) 입니다. 서로 다른 고객의 질문 두 개가 동일한 도움말 문단을 정답으로 가리킬 때, 이 두 쌍이 같은 배치 안에 들어가면 모델은 두 번째 질문에 연결된 올바른 문단을 오답으로 인식하여 밀어내게 됩니다( False Negative ). 이를 방지하기 위해 단일 배치 안에 동일한 텍스트가 두 번 들어가지 않도록 강제하는 NoDuplicate 계열의 배치 샘플러(Sampler)를 반드시 적용해야 합니다. 아울러 구글이 EmbeddingGemma 2에 정의한 프롬프트 템플릿(예: task: search result | query: ... )을 학습과 실제 추론 단계에서 토큰 단위까지 정확히 동일하게 맞춰야 임베딩 공간의 왜곡을 막을 수 있습니다. 구분 LLM 파인튜닝 임베딩 모델 파인튜닝 출력 형태 텍스트 생성 고정 차원 벡터(임베딩 공간 상의 위치) 데이터 구성 (입력 프롬프트, 타깃 텍스트) (질문/쿼리, 연관 문단/데이터) 쌍 손실 함수 메커니즘 Cross-Entropy (토큰 예측) MultipleNegativesRankingLoss (대조 학습) 음성 샘플(오답) 확보 불필요 인배치 네거티브로 배치 내 타 샘플 활용 LoRA를 활용한 파인튜닝 구조와 오디오 데이터(ESC-50) 실험 결과 임베딩 모델의 전체 가중치를 재학습하는 대신 LoRA(Low-Rank Adaptation) 방식을 도입하면 자원을 크게 절약할 수 있습니다. 약 5억 8,300만 파라미터를 가진 EmbeddingGemma 2의 기존 가중치는 동결(Frozen)하고, 약 1.4%에 불과한 820만 개의 학습 가능 파라미터만 훈련합니다. 이 방식은 학습 속도를 극적으로 단축시킬 뿐만 아니라, 모델 전체가 아닌 수 메가바이트 크기의 경량 어댑터 파일만 저장하여 관리할 수 있는 이점을 제공합니다. Unsloth 라이브러리를 통해 A100 GPU 환경에서 50가지 일상 소리 데이터셋인 ESC-50 (총 2,000개 클립)을 학습시키는 실험을 진행했습니다. 소리 파일과 해당 소리의 레이블 문장(예: "the sound of a chainsaw")을 쌍으로 묶어 오디오 인코더와 백본 모델에 LoRA를 연결하고 454초(약 7.5분) 동안 훈련했습니다. 그 결과, 학습 데이터에 포함되지 않았던 미공개 평가 클립에 대한 Top-1 검색 정확도가 기존 24.5%에서 65.8%로 급상승 했습니다. 특히 양치질 소리( brushing_teeth )나 변기 물 내리는 소리( toilet_flush )처럼 기본 모델이 0%의 정확도를 기록하던 클래스들이 88~100%까지 정확하게 교정되었습니다. 그러나 이 과정에서 모델이 '소리를 듣는 일반적인 청각 능력'을 학습한 것이 아니라, 단순히 '학습 데이터셋에 제공된 레이블'만을 외웠다는 한계가 확인되었습니다. 50개 소리 중 10개를 학습에서 완전히 배제한 뒤 테스트한 결과, 학습한 40개 소리의 정확도는 27.2%에서 70.0%로 대폭 상승했으나, 숨겨진 10개 소리의 정확도는 15.0%에서 13.8%로 오히려 정체되거나 미세하게 하락했습니다. 즉, 파인튜닝된 임베딩 모델은 미학습된 도메인 데이터로 일반화(Generalization)되지 않으므로, 실제 서비스에서 검색해야 할 모든 범주의 레이블이 학습 데이터에 고르게 포함되어야 합니다. 멀티모달 백본 파인튜닝의 부작용 및 유튜브 채널 텍스트 검색 실습 EmbeddingGemma 2는 텍스트, 이미지, 비디오, 오디오가 단일 백본 네트워크를 공유하는 통합 아키텍처를 가집니다. 따라서 특정 모달리티(예: 오디오)나 특정 도메인 데이터에 맞춰 백본을 LoRA로 튜닝하면, 다른 모달리티나 범용 텍스트 검색 성능에 부정적인 영향을 미치는 트레이드오프가 발생합니다. 실제로 ESC-50 학습 후 멀티모달 검색 벤치마크를 측정한 결과, 사진 검색(Photo Search)과 음성-사진 검색(Voice-to-Photo)의 성능은 유지되었으나 범용 텍스트 벤치마크인 NanoBEIR 점수는 59.2점에서 55.6점으로 약 3.6~4점가량 하락했습니다. 또한 어댑터를 재로드하는 과정에서의 라이브러리 버그도 확인되었습니다. LoRA 어댑터를 저장하고 다시 불러올 때 기본 오디오 프로세서 설정이 꼬이면서, 5초짜리 오디오가 30ms 수준(3개 프레임)으로 잘려 인식되어 음성 검색 정확도가 95%에서 0%로 추락하는 문제가 발생했습니다. 이는 저장된 프로세서 대신 베이스 모델의 프로세서를 강제로 재할당하는 아래 코드를 추가하여 해결할 수 있습니다. 어댑터 로드 후에는 반드시 기본 파이프라인 검증을 거쳐야 합니다. # 프로세서 설정 꼬임 해결을 위한 강제 재할당 코드 tuned[0].processor = base[0].processor 마지막으로, 실제 유튜브 채널의 영상 120개 자막을 1,971개 문단으로 자른 뒤, Gemini 2.5 Flash 를 이용해 각 문단에 대응하는 시청자 질문을 생성하여 파인튜닝 데이터셋을 구성했습니다. 데이터 분할 시 동일 영상의 문단이 학습과 평가에 섞이지 않도록 비디오 단위(학습 96개, 테스트 24개)로 엄격히 분리하여 데이터 누수(Data Leakage)를 원천 차단했습니다. 154초(약 2.5분) 동안 학습을 진행한 결과, 미공개 영상에 대한 Top-1 문단 검색 정확도가 66.3%에서 75.0%로 상승 했으며, Top-10 정확도는 91.6%에서 96.3%로 개선되었습니다. 다만 이 실험에서도 범용 텍스트 검색(NanoBEIR) 점수는 58.9점에서 54.4점으로 4.5점 하락하는 동일한 성능 회귀 비용이 발생했습니다. 정리 임베딩 모델 파인튜닝은 특정 도메인에 최적화된 고성능 검색 시스템(RAG 등)을 구축하는 가장 빠르고 효과적인 방법입니다. Unsloth와 LoRA 기술을 접목하면 10분 미만의 학습만으로도 타깃 도메인의 검색 정확도(Top-1)를 수십 퍼센트 이상 끌어올릴 수 있습니다. 다만 이러한 성능 향상 뒤에는 범용 텍스트 검색 성능이 소폭 하락하는 트레이드오프가 존재하며, 학습 데이터에 포함되지 않은 완전한 신규 범주로는 일반화 능력이 확장되지 않는 특성이 있습니다. 따라서 실무에 적용할 때는 서비스에 필요한 도메인 데이터를 균형 있게 수집하여 데이터셋을 구성하고, 중복 배치를 방지하는 배치 샘플러 설정을 반드시 적용해야 하며, 튜닝 이후 범용 검색 성능의 하락폭이 비즈니스 허용 범위 내에 있는지 교차 검증하는 과정이 필수적입니다. 다룬 영상 Training Your Own Embedding Model Is Not As Hard As You Think — Prompt Engineering · 12분
에이전트나 세컨드 브레인 자동화 시스템을 구축할 때 모든 외부 수신 데이터(이메일, 뉴스 피드, 메시지 등)를 거대 언어 모델( LLM )에 무조건 전달하면 심각한 문제가 발생합니다. 불필요한 토큰 소비로 인한 비용 증가, 응답 지연 시간 발생, 라인에 걸린 API 속도 제한( Rate Limit )은 물론, 외부 텍스트에 포함된 프롬프트 인젝션(Prompt Injection) 공격으로 시스템 전체가 무력화될 수 있습니다. 단순 라우팅이나 필터링처럼 텍스트 생성이 불필요하고 참/거짓 또는 다지선다 형태의 판별만 필요한 구간에 거대한 생성형 LLM을 사용하는 것은 대표적인 자원 오남용입니다. 텍스트 생성 기능을 배제하고 다지선다 의사결정에만 특화된 경량 모델 Jev 1.13 을 전처리 필터로 배치하면, 시스템 비용과 지연 시간을 획기적으로 줄이면서 보안성과 중복 감지 정확도를 높일 수 있습니다. Jev Can SERIOUSLY Supercharge Your AI Second Brain (Here's How) 의사결정 전용 모델 Jev의 특성과 수치적 이점 Jev 는 일반적인 LLM처럼 자연어 문장을 생성하지 않습니다. 시스템의 현재 상태( State )와 다지선다형 질문 목록을 입력받아, 모든 질문에 대한 답변과 확신도( Confidence Score , 0~1 사이의 확률값)를 병렬로 즉시 반환하는 의사결정 전용( System 1 작업 특화) 모델입니다. Typesafe에서 개발하였으며, OpenRouter의 /api/alpha/decisions 엔드포인트를 통해 호출할 수 있습니다. 이 구조는 일반 생성형 LLM과 비교할 수 없을 정도의 효율성을 제공합니다. 처리 속도 : 기존 LLM 대비 20배에서 최대 200배 빠릅니다. 비용 절감 : 기존 LLM 대비 40배에서 최대 1,000배 저렴합니다. 실제 운용 실적 : OpenRouter의 /api/alpha/decisions 엔드포인트를 통해 Jev 1.13 모델로 일주일간 38,000건 의 의사결정을 수행하고 5,530만 토큰 을 소모했으나, 지출된 실제 비용은 단 2.01달러 에 불과했습니다. [외부 데이터 유입] ──> [Jev: 병렬 의사결정] ──> Boolean/확률값 판정 ──> 조건 충족 시만 [LLM 호출] 기존 파이프라인에서는 단순 라우팅, 조건 분기, 필터링 작업에 Claude Haiku 4.5 나 기타 소형 LLM을 사용해야 했습니다. 데이터 입력 파이프라인의 분기 결정 단계에 Jev를 교체 투입하면 속도 향상, 비용 절감, API 속도 제한 방어 효과를 동시에 달성할 수 있습니다. 인박스 방어(보안)와 답장 초안 작성 여부 판별 외부에서 유입되는 이메일을 세컨드 브레인 시스템이 읽을 때 가장 위협적인 요소는 프롬프트 인젝션 공격입니다. 과거에는 도구 사용 권한이 없는 읽기 전용 LLM 세션을 따로 띄워 이메일을 사전 검사했으나, 여전히 응답 속도가 느리고 비용 부담이 컸습니다. Jev를 도입하면 시스템 프롬프트에 다음과 같은 보안 판별 질문을 등록해 병렬로 즉시 평가할 수 있습니다. orders_at_ai : 메시지가 에이전트에 직접적인 명령이나 지시를 내리는가? boundary_escape : 프롬프트 구분자(Delimiter)나 가드레일을 탈출하려는 시도가 있는가? claims_owner : 발신자가 시스템 소유자나 관리자를 사칭하는가? Jev는 각 질문에 대한 확률값을 1초 미만의 속도로 반환합니다. 예를 들어 orders_at_ai 점수가 임계값인 0.70 을 초과하면, 해당 메일은 즉시 격리( Quarantine ) 처리되어 메인 에이전트에 도달하지 못합니다. 기존 Claude Haiku 기반 사전 검사가 약 88% 수준의 공격 차단율을 기록했던 것에 비해, Jev는 100% 차단율 을 보여 정규식( Regex ) 필터가 놓치는 변종 인젝션 패턴까지 정확히 차단했습니다. 보안 검사를 통과한 메일은 "답장 초안을 작성할 가치가 있는가"를 판단하는 단계로 넘어갑니다. 예산 조건($2,000 이상 여부), 발신자 유형, 단순 뉴스레터 및 스폰서 스팸 여부를 정의한 규칙을 Jev에 전달하여 draft 또는 skip 을 결정합니다. skip 으로 분류된 메일은 LLM을 전혀 호출하지 않고 넘기며, 작성이 필요한 메일만 GLM-4 5.3 Flash 나 Claude 같은 생성형 모델로 전달하여 사용자의 톤에 맞춘 답장 초안을 작성합니다. 정보 파이어호스 필터링의 한계와 중복 데이터 감지 RSS 피드, 해커뉴스, 레딧 등 수많은 뉴스 피드 파이어호스에서 들어오는 데이터를 처리할 때 Jev는 1차 노이즈 제거기로 훌륭하게 작동합니다. 14개의 뉴스 소스를 동시에 병렬 평가하는 데 불과 1.7초 와 0.0004달러 만 소모되어 연관성이 떨어지는 글을 빠르게 걸러냅니다. 그러나 Jev에는 명확한 한계도 존재합니다. 수집 시스템의 특정 채널이나 사용자 성향처럼 '깊은 맥락 추론'이 필요한 최종 선별 작업에서는 Jev가 다소 엄격하게 항목을 탈락시키는 경향을 보입니다. 따라서 1차로 Jev를 통해 거친 노이즈를 제어(임계값 0.7 기준)한 후, 남은 후보군만 소형 오픈웨이트 LLM( GLM-4 5.3 Flash , Claude Haiku )에 넘겨 최종 판단을 내리는 2단계 계층 구조 파이프라인을 구축하는 것이 이상적입니다. 한편, 세컨드 브레인의 영구 지식 베이스( KB ) 내 중복 데이터를 감지하는 영역에서도 Jev는 뛰어난 성능을 발휘합니다. 새 아이디어가 유입되었을 때 기존 항목과의 중복 여부를 판별하는 성능 비교는 아래와 같습니다. 비교 방식 중복 감지 정확도 (재현 예시) 처리 속도 소요 비용 문자열 단순 일치 (String match) 1 / 4 (낮음) 즉각 $0 시맨틱 유사도 (Semantic similarity) 2 / 4 (보통) 빠름 매우 낮음 Jev 의사결정 모델 3 / 4 ~ 4 / 4 (높음, 확신도 기반) 0.4초 (6개 기준) $0.0002 "이 새로운 아이디어가 파이프라인에 있는 기존 항목 중 하나와 동일한 아이디어인가?"라는 다지선다 질문을 던졌을 때, Jev는 단순 임베딩 유사도 점수보다 높은 수준의 확신도(p-value 형태의 확률값)를 산출합니다. 이를 통해 불필요한 LLM 후속 처리와 토큰 낭비를 사전에 방지할 수 있습니다. 정리 에이전트 및 세컨드 브레인 자동화 시스템을 효율적으로 구축하기 위해서는 '텍스트 생성' 과 '의사결정' 의 역할을 명확히 분리해야 합니다. 보안 가드레일 분리 : 외부 데이터가 유입되는 최전방에 Jev를 배치하여 orders_at_ai , boundary_escape 등의 지표를 1초 미만으로 검증함으로써, 프롬프트 인젝션을 100%에 가깝게 차단하고 메인 LLM의 보안 위협을 방지합니다. 2단계 라우팅 파이프라인 : 대량의 입력 데이터는 1단계에서 Jev 모델로 압도적인 속도(0.4 1.7초)와 저렴한 비용($0.0002 $0.0004)을 활용해 1차 노이즈를 걸러내고, 최종 맥락 판단이 필요한 항목만 소형 LLM( GLM-4 5.3 Flash 등)이나 Claude 에 전달합니다. 비용 및 자원 최적화 : 텍스트 생성이 불필요한 의사결정 단계를 Jev로 교체함으로써, 5,500만 토큰 이상을 처리할 때 발생하는 레이트 리밋을 방지하고 비용을 단 몇 달러 수준으로 극적으로 절감할 수 있습니다. 다룬 영상 Jev Can SERIOUSLY Supercharge Your AI Second Brain (Here's How) — Cole Medin · 13분