[ Essay - Technology ] 바이브 코딩의 허와 실

이미지
지금 우리는 가히 AI 시대라는 패러다임의 전환에 시대에 살고 있다고 해도 과언이 아니다. 특히, IT 업계에서 대다수의 작업량을 차지하는 프로그래밍의 영역에서 생성 AI를 이용한 생산성 향상의 가능성이 보이면서 어느 분야보다 가장 빠르게 괄목적인 성과를 이루고 있는듯 하다. 고작 몇 년전에는 커서에 의해 프로그래밍을 AI에게 프로그래밍을 위임하는 것이 더 나을 수 있다는 것이 어느정도 증명되면서, 작년에는 Claude Code의 영향으로 인해 이러한 이슈가 좀 더 가속화되지 않았나 싶다. 이러한 굉장히 빠르게 이루어지고 있는 생성형 AI 솔루션의 발달은 개발자의 종말론을 더더욱 부각시키면서 업계 전반이 큰 변화를 겪고 있는 것으로 보인다. 특히 이러한 변화 속에서 “프로그래밍을 몰라도 생성형 AI만 있으면 제품을 만들 수 있다”는  주장도 자연스럽게 힘을 얻고 있다. 최근에는 Saas 솔루션은 종말할 것이라는 다소 파격적인 이야기도 들리는 것으로 보면 소프트웨어 업계가 큰 격변의 시기가 온것임에는 틀림 없어 보인다. 허(虛): 빠르게 만들 수 있다는 환상 이런 상황에서 가장 주목받는 주장들은 서론에서 언급했다시피 ‘프로그래밍을 알지 못한다고 하더라도  생성형AI를 이용하면 빠르게 제품을 개발이 가능하다’라는 주장이고, 실제로 이는 어느 정도 타당성이 있어 보인다. 정말로 움직이는 결과물을 단 몇초 만에 보여주기 때문이다. 하지만, 이러한 ‘빠르게 제품 개발 가능하다’는 주장의 가장 큰 맹점이 있는데 개발자의 존재 이유가 단순한 제품이나 기능개발에 있지 않다는 점이다. 만약, AI를 통해 그럴듯 한 솔루션을 만들었다고 치자. 이것에 얼마만큼의 비지니스성과 지속가능성이 있을까? 예컨대 AI에게 넷플릭스나 트위터, 인스타그램과 같은 페이지를 만들어달라고 요청한다면, 아마 실제로 그럴듯 하게 만들어 줄 것 이다. 이러한 인기 서비스들은 토이 프로젝트로 다루기 쉽고, 하나의 트렌드로 자리 잡아 관련 자료를 찾기도 어렵지 않다. 코드 또한 깃허브에 충분...

[ Neural Network, Python ] Python에서 뉴런 네트워크는 어떻게 표현되는가? : 최적화와 라이브러리를 이용한 구현, 클래스 구현

이미지
앞선 글에서  가벼운 이론에 대한 설명, 그리고 단층 퍼셉트론(SLP)와 다층 퍼셉트론(MLP)에 대한 설명과 원시적인 코드 작성 까지 이야기를 나누었다. 다음으로 코드를 조금 정리할 필요가 있다. 왜냐하면, 프로그래밍 특성상 같은 데이터를 담을 변수를 일일이 선언하는 것은 나중에 코드를 수정할 때 시간을 잡아먹는 원인이 되기도 하며, 버그를 낳을 수 있는 리스크 또한 증가하게 된다. 따라서 특히 가중치(Weight) 부분은 손을 볼 필요가 있다. 코드 최적화 사실 최적화라고 해봤자  그리 대단한 것은 아니다. 단순히 같은 속성을 가지고 있는 데이터들을  하나의 변수로 묶을 뿐이다. 최적화 할 코드는 이전 포스팅에서 다루었던 다층 퍼셉트론의 예제 코드이다. 해당 코드는 아래와 같다. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 inputs  =  [ 3 ,  1 ,  5. 5 ]   weights11  =  [ 0. 3 ,  0. 4 ,  - 0. 7 ] weights12  =  [ 0. 5 ,  - 0. 33 ,  - 0. 26 ] weights13  =  [ - 0. 26 ,  - 0. 57 ,  0. 57 ] weights14  =  [ 0. 7 ,  - 0. 22 ,  0. 43 ]   weights21  =  [ 0. 5 ,  - 0. 3 ,  - 0. 2 ,  0. 4 ] weights22  =  [ 0. 33 ,  - 0. 33 ,  - 0. 34 ,  0. 2 ]   bias1  =   2   b...

[ Neural Network, Python, Perceptron ] Python에서 뉴런 네트워크는 어떻게 표현되는가? : SLP와 MPL 그리고 코드에 대해

이미지
뉴런 네트워크를 구현하기 앞서서  먼저 Python에서 실제로 어떻게 뉴런 네트워크를 표현하는가에 대해 확인해 볼 필요가 있다. 왜냐하면 내가 이전에 배울 때 사용했던 것은  Octave라는 툴 이지만 이것 자체로는 애플리케이션을 만들 수 없다. 따라서 뉴런 네트워크가 Python에서 어떻게 표현되는지에 대해 먼저 확인하고 넘어가보자. Python에서는 뉴런 네트워크에 대한  훌륭한 라이브러리들이 많다고 하니 기대해봄직하다. 뉴런 네트워크 아키텍처 바로 본론으로 넘어갈 수 있겠지만, 다시 한번 뉴런 네트워크 아키텍처에 대해 언급하고 넘어가보자. 위의 사진은 간단한 뉴런 네트워크 아키텍처를 보여 준다. 각 3개의 입력 레이어의 요소와 4개의 히든 레이어를 통해  2개의 출력 레이어를 산출 한다. 실제 계산들은 히든 레이어에서 계산되며, 히든 레이어의 수에 따라 혹은 내부 요소의 개수에 따라 해당 뉴런 네트워크는 비교적 좀 더 정확한 결과물을 산출해 줄 수 있으나 뉴런 네트워크에서 중요한 이슈 중 하나인  계산 비용이 증가한다는 단점이 있다. 따라서 뉴런 네트워크를 가동할 하드웨어에 따라 적절한 히든 레이어의 개수와 요소의 개수를 결정하는 것이 뉴런 네트워크라는 전체 시스템의 최적화를 결정한다고 말할 수도 있다. (최적화는 활성화 함수에서도 가능하다.) 위의 사진은 히든 레이어 내부의 계산식을 보여 준다. 히든 레이어 내부에서는 입력 레이어의 각 요소들을 매개변수로 삼아  가중치(Weights)를 곱해 값을 더하고, 마지막에 편향(Bias)을 더해 하나의 뉴런을 완성 한다. 편향에 대해서는 이전에 기술 에세이에서 다룬바가 있다. 하지만 여기에 한 가지 더 과정을 거쳐야만 하는데 바로 이 계산한 뉴런 값을 실제 전체 뉴런 네트워크에 ...

[ Essay - Technology, Neural Network, IT, Math] 왜 뉴런 네트워크에서 편향(bias)이 필요한가?

이미지
일반적으로 Input으로 부터 시작해  히든 레이어를 거쳐,  Output의 값을 추출해 내는 것이 뉴런 네트워크이다. 새로운 토이 프로젝트에 진행하기 앞서 나는 우선 Python에서 뉴런 네트워크가 어떻게  표현되는지에 대해 알아야 할 필요가 있었고, 이에 대한 튜토리얼을 포함해  과거에 배웠던 이론들과 연결시키는 작업을 하고 있었다. 그런 도중, 나는 갑자기 편향(Bias)값에 대해 의문점이 들었다. 왜 편향 값이 필요할까에 대한 의문이다. 물론 그런 것은 그냥 넘어 갈 수도 있다. 엄밀히 말하면  이런 의문들은 단순한 개발자로서는 필요 없다. 하지만 이는 탐구하는 것을 좋아하는  나의 입장에서는 무척이나 중요한 일이다. 그렇기에  이번에는 좀 더 나아가기에 앞서 이 편향(Bias)이라는 것이 왜 필요한지에 대해 이야기를 해보자. 편향에 대한 정의 한 가지 알아야할 것은 편향은  뉴런 네트워크에서 나온 용어가 아니라는 점일 것이다. 정확히 말하면, 이 편향이라는 개념은 뉴런 네트워크 이론이  대수학(Generic Algebra)에서 차용해온 용어(T erm )로서 뉴런 네트워크만의 개념은 아니다. 위키피디아 영문판에 따르면 통계에서 사용하는  편향에 대해 아래와 같이 설명한다. Statistical bias is a feature of a statistical technique or  of its results  통계적 편향은 통계적 기법 또는 통계의 결과에 대한  특징(feature)로서 where by the expected value of the results differs  실제 정량적인 매개변수와 다르게  from the true underlying quantitative parameter being estimated 결과의 예상 값이 추정하는 것을 말한다. 즉, 명확히 정략적으로 표현되는 것이 아닌 추정 값이라는 이...