[ Essay - Technology, Essay - Intuition ] Chat GTP시대의 도래와 생각하는 방식에 대해 : 개발자의 미래에 대해

이미지
벌써 올해도 반쯤 지나 뜨거운 여름이 다가왔다. 굉장히 빠르게 지나간듯한 느낌이 드는데  아마 의미있는 시간을 보냈다는 이야기이기 때문에  그렇게 나쁜 신호는 아닐 것 이다. 괴로운 시간이였다면, 1초가 1년 같이 느껴졌을테니 말이다. 더위에 매우 약한 나에게 있어서는 지옥과 같은 시기이기도 하지만 늘 그렇던 것 처럼 에어컨 덕분에 어찌저찌 버틸 수 있을 것 같다. 어쨋든, 이번에는 저번의 에세이 주제, Chat GTP시대의 도래와 생각하는 방식에 대한 이야기에 이어서  과연 개발자의 미래는 어떻게 될 것인가에 대해 이야기를 나누어보려고 한다. 어쩌면 모두가 인식하고 있듯이 지금 2025년 현재,  꽤나 중요한 시기에 직면하고 있는지도 모른다. 왜냐하면, 생성AI의 발전 속도가 생각보다 빠르게 발전하고 있고,  그에 따라 실제 업무에서도 빠르게 사용되어지고 있기 때문이다. 이러한 상황에서 개발자에게 있어서 가장 두려운 점은  당연히 생성AI에 의해 개발자가 대체될 것 이라는 두려움일 것 이다. 이는 개발자에게만 한정된 이야기는 아니지만 말이다. 아마 필드에서 나와 같이 일하고 있거나  개발자로서 직업을 가지려는 생각이 있는 사람이라면  한번쯤은 생각해볼법한 주제라 생각 한다. 물론 미래가 정확히 어떻게 될 지는 알 수 없으나  이런 생각을 함으로써 몇 가지 힌트는 얻게 될지도 모르니  만약 얻게 된다면 미래에 대한 방향성을 조금이나마 올바른 쪽으로 돌릴 수 있을 것 이다. 이 글을 끝맽을 때는 조금이라도 힌트에 도달하기를 바란다. 과거의 역사 이러한 의문에 대한 해결책으로서 일반적으로 자주 사용하는 방법이 있다. 바로 역사를 보는 것 이다. 물론 이러한 역사를 해결책을 찾는거에 대한 전제조건은  우리가 '구 인류'라는 전제조건이 있었을 때 의미가 있다. 그러니깐 현대인도 기원전 8세기의 고대 로마인도  본질적으로 다르지 않다는 것을 인정해야만 한다. 예컨데...

[ Machine Learning by Andrew Ng ] Hypothesis Function and Cost Function(머신 러닝 - 가설 함수와 비용 함수)



Hypothesis Function and
Cost Function(가설 함수와 비용 함수)



데이터들의 집합인 가설 함수(Hypothesis Function)와 해당 데이터들의 값과 
가장 오차가 적은 즉, 최소값인 θ0, θ1를 구하는 것이 비용 함수(Cost Function)이다.

비용 함수를 이용하는 이유는 수 많은 데이터들을 분류할 기준이 필요하게 되는데,
그 기준에 해당하는 선을 구해야 한다. 

하지만 머신 러닝의 훈련 예제로 들어가는 데이터들이 많다.
따라서, 이 많은 데이터들을 고려했을 때의 가장 근접한 값을 구해야 한다.

이 근접한 값이 비용 함수(Cost Function) θ0, θ1이다.



따라서
가설함수의 매개변수에 해당하는 θ0, θ1 결정해야 하는데,
비용 함수(Cost Function)의 요소 θ0θ1 구해 =θ0+θ1x 그래프를 정하면 된다.

위의 그림과 같이 θ0, θ1값에 따라 그래프가 달라지기 때문에 
데이터들과 가장 근접하도록 θ0, θ1 결정해야 한다.

따라서 위에서 여러번 언급했듯이 θ0, θ1를 결정해야 한다.

단순히 오차를 구하게 되면 음수 값이 나올 수 있기 때문에 
그 값을 제곱 해 준 값을 비용 함수(Cost Function)로 한다.

비용 함수를 이용하는 이유를 다시한번 정리해보자면, 
분류를 하기 위해 선을 그어야 하는데, 선을 어디다 그어야 할지 정할 수 없다. 

따라서 데이터 집합들과 거리의 오차가 가장 적은 선을 구해야 하는데, 
이 선의 매개변수인 θ0(y절편), θ1(x절편)를 구하기 위해 사용한다.

이렇게 구한 값들을 이용해 
최종적으로 위의 그림의 가설 함수(Hypothesis Function)를 완성하면 된다.

그럼 이제 예를 들어 좀 더 쉽게 이해해보자.

가설 함수(Hypothesis Function) h를 θ0=0인 경우로 단순화시킨 hθ(x)=θ1x 의 
비용 함수(Cost Function) J(θ1), J(θ1) 에 대해 먼저 알아보자. 

예를 들어, (1,1),(2,2),(3,3)의 데이터 집합(Training Set)을 가지고
일 때의 비용 함수를 구해본다고 가정해보자.

그렇게 된다면 각 가설 함수(Hypothesis Function)의 값은 
아래의 그림과 같이 표현될 것 이다.


이 중 2번 째 가설 함수로 비용 함수를 구해본다면 아래의 그림과 같은 과정으로
비용 함수를 구할 수 있다.

동일 하게 나머지 비용 함수를 구해보면 θ0=0이고 θ1=1 일 때,
비용 함수(Cost Function)의 최소 값이 나온다.

추가적으로 많은 데이터 집합(Training Set)을
입력한다면 아래와 같은 그래프가 나온다.

위의 예보다 조금 더 복잡한 예를 살펴 보자. 

이번에는 θ0,θ1이 존재하는 경우를 
즉, 원래의 예시인 집의 크기와 가격이 주어진 상황이다.

θ0=50,  θ1=0.06 인 경우는 가설함수 h가 아래의 왼쪽의 그림과 같이 그려지며,
J(θ0,θ1) 의 값은 왼쪽의 초록색 선들을 통해 구한 것 처럼 
가설 함수와 모든 데이터 집합에 대한 길이 차이의 제곱을 합한 평균이 된다. 

이러한 비용함수(Cost Function)을 일반화시켜 표현하면  
θ0, θ1, J(θ0,θ1) 총 3가지를 표현해야 하므로,
아래의 그림에서 오른쪽과 같은 3차원의 그림이 된다.


그리고 이 3차원의 그림을 간단하게 바꾼다면 아래와 같은 등고선 그래프가 된다.

이 등고선 그래프는 아래와 같은 특징을 가진다.

・최소값을 갖는 θ0,θ1 는 가장 작은 타원의 중심좌표이다.
・같은 색의 곡선은 같은 J(θ0,θ1) 값을 갖는다. 

즉, 가장 안쪽의 값(min)이 우리가 찾고자 하는 최적의 비용 함수 이다.

위의 등고선 그래프에서 적당히 하나 골라 
가설 함수 h를 이 등고선 그래프와 비교해 최적의 비용 함수인지 확인해보자,


적당히 고른 J(θ0,θ1) 는 오른쪽 그래프의 빨간색 선과 같고, 
그에 해당하는 가설 함수는 위의 왼쪽 그래프와 같다.

한눈에 봐도 많은 데이터들과 만나는 선이 아닌 것을 확인 할 수 있다.

그렇다면 이번에는 가장 최적의 비용 함수의 그래프의 경우를 보자.





위의 그림은 등고선 그래프의 가장 안쪽에 있는 최적의 J(θ0,θ1) 를 고른 것이다.

오른쪽의 그래프의 빨간선이 최적의 비용 함수 J(θ0,θ1) 이고, 
왼쪽 그래프는 그의 가설 함수 h이다. 

한눈에 봐도 전의 예와 비교해보자면,
많은 데이터들이 인접해 있는 것을 확인 할 수 있다.

따라서 데이터 집합(Training Set)이 주어진다면,
데이터를 분류할 선인 가설 함수 h가 필요하다. 

우리는 이 가설 함수가 최적의 값이 되도록 J(θ0,θ1) 를 찾으면 된다.

이 블로그의 인기 게시물

[ Web ] 웹 애플리케이션 아키텍처 (Web Application Architecture)

[ Web ] 서버 사이드(Sever Side) ? 클라이언트 사이드(Client Side)? 1 [서론, 클라이언트 사이드(Client Side)]

[ Web ] 웹 애플리케이션 서버 아키텍처의 정의 및 유형 ( Define and Types of Web Application Server Architecture )