AI

331 개의 포스트

figma3분 읽기큐레이션 요약

딜런 필드와 게리 탄

AI는 디자인을 대체하기보다 아이디어를 더 넓게 탐색하고 인간의 능력을 확장하는 도구로 자리 잡고 있다. Dylan Field는 빠른 피드백 루프가 사용자를 몰입 상태로 이끌지만, 현재 AI 도구는 프로토타입을 만드는 단계와 완성도 높은 결과물 사이에 간극이 있다고 말한다. 결국 소프트웨어의 경쟁력은 “작동하는가”를 넘어 “어떻게 작동하고 경험되는가”에 있으며, 디자인과 디자이너의 역할은 AI 시대에 오히려 중요해질 가능성이 크다. ## AI가 넓히는 디자인의 가능성 - 현재의 AI는 다양한 분야를 인간처럼 이해하는 AGI라기보다 특정 작업을 돕는 **도구**에 가깝다. - ChatGPT나 Midjourney 같은 도구는 특정 작업을 보강해 사람들이 더 많은 아이디어를 시도하도록 한다. - AI는 디자인의 진입 장벽을 낮추는 동시에, 숙련자가 도달할 수 있는 결과의 수준도 높인다. - 제품을 구상하는 과정은 여러 갈래로 나뉘는 ‘아이디어 미로’와 같다. - AI는 더 많은 경로와 가능성을 빠르게 탐색하게 해준다. - 그러나 각 경로를 깊이 있게 검토하고 좋은 방향을 선택하는 일에는 여전히 인간의 판단과 시간이 필요하다. ## 빠른 피드백 루프와 ‘몰입’ - 최근 사람들이 AI 활용을 두고 “락인됐다”, “요리 중이다”, “바이브 코딩을 한다”고 표현하는 것은 빠른 개발 과정에서 느끼는 몰입감과 관련이 있다. - 머릿속의 생각을 화면에 옮기고 결과를 확인하는 **호출과 응답의 피드백 루프**가 빨라질수록 사용자는 더 쉽게 플로우 상태에 들어간다. - Figma가 중요하게 여기는 ‘놀이’의 가치는 도구와 조직 문화를 재미있고 창의적으로 만드는 데 있다. - 이상적인 AI 도구는 전문가가 아니더라도 빠르게 아이디어를 만들고 실험하게 해야 한다. - 다만 현재 도구는 다음 단계에서 한계를 보인다. - 빠른 시작과 프로토타이핑은 가능하다. - 실제 제품 수준의 완성도와 마무리까지 연결하는 과정은 여전히 어렵다. - 이 문제는 디자인뿐 아니라 AI 기반 코드 생성에도 동일하게 나타난다. ## 작동하는 것과 잘 작동하는 것의 차이 - 창업자와 개발자가 디자인을 중요하게 여기는 정도는 해마다 높아지고 있다. - 제품은 단순히 기능이 구현되는 것만으로 충분하지 않다. - 사용자가 기능을 어떻게 경험하는지, 즉 인터랙션·맥락·완성도·사용성이 제품의 가치를 결정한다. - AI가 코드를 빠르게 생성하더라도, 결과물이 실제 사용자에게 자연스럽고 이해하기 쉬운지는 별도의 디자인 문제다. ## AI 시대의 디자이너 역할 - 디자인은 단순한 시각적 표현이 아니라 **문제 해결에 적용된 예술**로 볼 수 있다. - 현재 AI 모델은 이미지 생성 분야의 확산 모델과 코드 생성 분야의 LLM처럼 서로 다른 능력에 특화되어 있다. - 예술적 표현과 문제 해결 능력을 효과적으로 결합하는 방법은 아직 충분히 정립되지 않았다. - 실제 디자인에는 다음과 같은 폭넓은 맥락이 필요하다. - 현재의 문화적 분위기 - 브랜드 경험 - 제품이 놓인 사회적·시장적 환경 - 사용자의 구체적인 요구와 기대 - 따라서 디자이너는 단순히 화면을 만드는 사람이 아니라, 다양한 맥락을 통합해 문제의 본질과 제품 경험을 정의하는 역할을 맡게 된다. - Field는 소프트웨어를 만드는 미래에서 디자이너가 핵심적인 역할을 계속 수행할 것이라고 본다. ## 실용적인 시사점 AI를 활용할 때는 아이디어를 빠르게 많이 만들어보는 데서 멈추지 말고, 사용자 경험과 제품 맥락을 검토하며 완성 단계까지 다듬어야 한다. AI는 탐색 속도를 높이는 강력한 도구지만, 무엇을 만들지 결정하고 그것을 제대로 작동하게 만드는 판단과 디자인 역량은 여전히 중요하다.

원문 읽기(새 탭에서 열림)
microsoft원문

마이크로소프트 엔지 (새 탭에서 열림)

마이크로소프트는 자사 엔지니어들이 대규모 AI 애플리케이션을 구축하는 실제 방법론을 공유하기 위해 'How Microsoft engineers build AI' 비디오 시리즈를 새롭게 공개했습니다. 첫 번째 에피소드에서는 'Copilot for Azure' 내의 'Ask Learn' 플러그인 개발 사례를 통해 검색 증강 생성(RAG) 기술을 안정적으로 구현하고 확장하는 핵심 전략을 다룹니다. 이를 통해 개발자들은 기업 내부 데이터와 대규모 언어 모델(LLM)을 결합하여 정확하고 맥락에 맞는 AI 서비스를 구축하는 실질적인 통찰력을 얻을 수 있습니다. ### RAG 기술의 핵심과 활용 차별화 * RAG(검색 증강 생성)의 기본 개념을 정립하고, 모델의 가중치를 직접 수정하는 파인튜닝(Fine-tuning) 기술과 비교하여 RAG가 가진 차별적 우위를 설명합니다. * Copilot in Azure뿐만 아니라 Microsoft Security Copilot, Dynamics 365 Business Central 등 마이크로소프트의 주요 제품군에 RAG가 실제로 어떻게 적용되어 비즈니스 가치를 창출하는지 사례를 제시합니다. * 단순한 이론을 넘어, 실제 서비스 환경에서 LLM이 고유 데이터에 접근하여 답변의 신뢰도를 높이는 메커니즘을 상세히 다룹니다. ### 엔지니어링 단계에서의 도전 과제와 해결책 * RAG 시스템 구축 시 직면하는 주요 난관인 콘텐츠 선택, 데이터 전처리(Preprocessing), 그리고 성능 평가(Evaluation) 과정을 체계적으로 관리하는 방법을 공유합니다. * 플러그인이 사용자에게 최신 상태의 정확한 정보를 실시간으로 전달할 수 있도록 보장하는 혁신적인 엔지니어링 솔루션을 소개합니다. * 프로토타이핑 단계에서 흔히 발생하는 실수들을 짚어보고, 이를 방지하기 위한 데이터 관리 및 운영상의 베스트 프랙티스를 제안합니다. ### Ask Learn 플러그인 구현 사례 분석 * Azure 개발자들이 작업 흐름을 방해받지 않고 몇 초 만에 답을 얻을 수 있도록 설계된 'Ask Learn'의 실제 작동 시연을 포함하고 있습니다. * 제품 관리자(PM)와 수석 소프트웨어 엔지니어링 매니저 등 실제 개발 주역들의 인터뷰를 통해, 대규모 스케일에서 RAG 솔루션을 안정화하기 위해 사용된 구체적인 기술 스택과 의사결정 과정을 공개합니다. * 사용자의 질문 의도에 가장 적합한 문서를 검색하고 이를 기반으로 맥락에 맞는 답변을 생성하는 구체적인 워크플로우를 학습할 수 있습니다. 성공적인 AI 애플리케이션 구축을 위해서는 Microsoft Learn의 관련 문서와 가이드를 참고하는 것이 좋습니다. 또한, 현재 무료로 제공되는 GitHub Copilot이 포함된 Visual Studio IDE를 활용하면 RAG 기반 앱 개발을 더욱 효율적으로 시작할 수 있습니다.

figma3분 읽기큐레이션 요약

기술의 다음 장을 정의

AI와 자동화가 창작과 기술 경험을 바꾸는 가운데, Figma의 Config 2025는 기술을 더 인간적이고 사려 깊은 방향으로 이끄는 제작자들을 소개한다. Meta의 차세대 컴퓨팅, YouTube의 창작자 도구, Anthropic의 AI 인터페이스, 로봇과 인간의 관계를 탐구하는 연구가 주요 주제다. 이들은 기술의 발전뿐 아니라 접근성, 공감, 창의성, 새로운 상호작용 방식의 중요성을 강조한다. ### 차세대 컴퓨팅 플랫폼을 만드는 Andrew “Boz” Bosworth - Andrew Bosworth는 하버드에서 Mark Zuckerberg의 AI 수업을 가르친 뒤 Facebook의 10번째 엔지니어가 됐다. - 소셜 네트워크의 핵심 기능인 News Feed를 만든 인물로, 초기 반대에도 불구하고 소셜미디어 사용 방식을 크게 바꿨다. - 현재 Meta의 CTO이자 Reality Labs 책임자로서 다음 기술을 이끌고 있다. - AR 안경 - 혼합현실 헤드셋 - 메타버스 - AI 기반 기기와 개인화된 AI 비서 - Config에서는 Meta가 새로운 컴퓨팅 플랫폼을 구축하는 과정과 AI 네이티브 기기의 미래를 소개할 예정이다. ### 창작자를 위한 도구를 설계하는 Ebi Atawodi - YouTube Studio의 제품 관리 책임자인 Ebi Atawodi는 문학상 설립 경험을 바탕으로 창작자의 스토리텔링을 돕는 제품을 개발하고 있다. - YouTube Studio는 아이디어 생성과 새로운 시청자 도달을 지원하는 AI 기능을 확대하고 있다. - Atawodi는 제품이 특정 사용자만을 위해 만들어졌다고 느꼈던 경험을 바탕으로, 기술은 누구나 이용할 수 있어야 한다고 강조한다. - 그녀의 접근 방식은 제품의 기능적 완성도뿐 아니라 다음 요소를 중시한다. - 다양한 사용자의 경험 반영 - 접근성 - 창작자의 개성과 목소리 존중 - 사용자가 제품에 소속감을 느끼도록 하는 설계 ### AI에 맞는 새로운 인터페이스를 설계하는 Joel Lewenstein - Anthropic의 제품 디자인 책임자 Joel Lewenstein은 Claude와 같은 AI 시스템에 적합한 인터페이스를 탐구한다. - AI가 기존 소프트웨어보다 훨씬 유동적이고 예측하기 어려운 결과를 제공하면서, 전통적인 화면과 상호작용 방식만으로는 충분하지 않다는 문제의식이 있다. - 그는 AI의 능력이 성장하는 모습을 아이가 새로운 능력을 발견하는 과정에 비유하며, AI를 설계할 때 열린 태도와 관찰이 필요하다고 본다. - 뛰어난 디자이너는 특정 산업 경험의 양보다 문제를 바라보고 사고하는 방식으로 평가해야 한다고 주장한다. - 핵심 관심사는 AI의 복잡한 기능을 사용자가 자연스럽게 이해하고 활용할 수 있도록 만드는 것이다. ### 로봇에 생명감을 불어넣는 Madeline Gannon - 로봇공학자 Madeline Gannon은 연구 스튜디오 Atonaton을 통해 산업용 로봇을 살아 있는 기계적 생명체처럼 표현한다. - Knight Foundation의 창작 로봇공학 지원을 받아 자율 시스템과 인간의 관계를 예술적·감정적 관점에서 탐구하고 있다. - 그녀는 로봇이 생명감을 갖게 하려면 인간의 마음을 정교하게 모델링해야 한다는 통념에 의문을 제기한다. - 사람은 복잡한 인지 모델 없이도 움직임, 형태, 반응만으로 무생물에 의도와 감정을 부여할 수 있다는 점을 실험한다. - 이를 통해 로봇을 단순한 산업 장비가 아니라 공감과 상상력을 자극하는 존재로 바라보게 한다. ### Config 2025가 제시하는 공통된 방향 - AI와 자동화의 발전을 기술 성능만으로 평가하지 않고, 사람에게 어떤 경험을 제공하는지 함께 고려한다. - 새로운 제품과 인터페이스는 인간의 창의성, 접근성, 공감 능력을 강화해야 한다. - 기술의 미래는 거대한 시스템을 만드는 일뿐 아니라 사용자가 이해하고 신뢰하며 감정적으로 연결될 수 있는 방식을 설계하는 데 달려 있다. - Config 2025는 2025년 5월 샌프란시스코와 런던에서 열리며, 온라인 참석은 무료로 제공된다. 기술을 설계할 때는 “무엇을 만들 수 있는가”와 함께 “누구를 위해, 어떤 경험을 만들 것인가”를 물어야 한다. 이 글이 소개하는 연사들은 AI와 로봇의 발전 속에서도 접근성, 공감, 창의적 해석을 제품 설계의 중심에 둬야 한다는 점을 보여준다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

제너럴리스트

AI가 전문 영역의 작업을 빠르게 수행할수록, 인간에게는 여러 분야의 지식을 연결하고 무엇을 만들어야 하는지 판단하는 능력이 더 중요해진다. 글은 전문성을 버리자는 주장이 아니라, 한 분야의 깊이와 인접 분야의 역량을 결합한 ‘멀티 스페셜리스트’가 미래의 핵심 인재가 될 것이라고 말한다. 특히 디자인·엔지니어링처럼 경계가 흐려지는 영역에서 호기심을 따라 역량을 확장한 사람들이 새로운 직무를 만들어내고 있다. ## 스타트업을 넘어 확산되는 제너럴리스트 - 초기 스타트업에서는 한 사람이 성장 실험, UX 문구 작성, 사용자 온보딩, 마케팅 아이디어 구상 등을 동시에 맡는 일이 흔했다. - 최근에는 대기업과 기술 기업에서도 단일 직무에 갇히지 않고 여러 영역을 연결하는 인재를 찾고 있다. - 대표적인 사례는 다음과 같다. - 브랜드와 퍼포먼스 마케팅을 모두 이해하는 ‘풀스택 마케터’ - 디자인 시스템을 이해하는 프로덕트 매니저 - 다양한 규모의 기업에 판매할 수 있는 세일즈 담당자 - 운영, 인사, 소프트웨어, 3D, 브랜드 스토리텔링을 아우르는 제너럴리스트 직무 ## 전문성은 버리는 것이 아니라 조합하는 것 - 제너럴리스트의 부상은 특정 분야의 깊은 전문성이 더 이상 필요 없다는 뜻이 아니다. - 오히려 전문 지식에 보완적인 역량을 결합해 더 희소한 능력을 만드는 것이 중요하다. - 한 분야를 깊이 파고든 전문가는 해당 영역에서 무엇이 중요한지 직관적으로 판단할 수 있다. - 제너럴리스트는 서로 다른 전문가들의 지식과 관점을 번역하고 연결해 협업을 촉진한다. - 따라서 이상적인 인재는 모든 것을 얕게 아는 사람이 아니라, 하나 이상의 깊은 전문성을 갖고 인접 분야에도 능숙한 ‘멀티 스페셜리스트’에 가깝다. ## 디자인 엔지니어가 보여주는 하이브리드 직무 - 디자인 엔지니어는 디자인과 소프트웨어 엔지니어링 역량을 함께 활용하는 대표적인 하이브리드 직무다. - 아이디어를 실제 작동하는 프로토타입으로 빠르게 구현할 수 있어, 디자인과 개발 사이의 정보 손실을 줄인다. - 동시에 디자인 단계에서 기술적 제약과 구현 가능성을 고려하고, 개발 과정에서 새로운 제품 기회를 발견할 수 있다. - 비판하는 쪽에서는 디자인과 엔지니어링 모두를 희석한다고 보지만, 지지하는 쪽에서는 더 나은 제품을 만들기 위해 필수적인 역할이라고 평가한다. - 많은 디자인 엔지니어는 처음부터 해당 직무를 목표로 한 것이 아니라, 자신의 아이디어를 완성하고 싶다는 호기심을 따라 부족한 기술을 하나씩 익히며 성장했다. - 개인이 발견한 역량의 공백이 산업의 수요와 맞아떨어지면서, 이전에는 존재하지 않던 새로운 경력 경로가 만들어졌다. ## 협업이 직무의 경계를 허문다 - 제품 개발이 점점 더 협업 중심으로 바뀌면서 디자인, 엔지니어링, 콘텐츠, 기획 사이의 경계가 흐려지고 있다. - 제품 디자이너가 엔지니어링 제약을 이해하면 실제로 구현 가능한 해결책을 제안할 수 있다. - 작가나 콘텐츠 담당자가 구현 방식을 이해하면 더 일관성 있고 실행 가능한 문서와 메시지를 만들 수 있다. - 이런 사람들은 여러 분야를 얕게 건드리는 ‘잡다한 사람’이 아니라, 서로 연결되는 분야에서 깊이를 쌓아가는 인재다. - 한 분야의 언어와 사고방식을 다른 분야로 전달하는 능력이 이들의 핵심 경쟁력이다. ## AI 시대에 커지는 연결과 판단의 가치 - AI는 명확한 범위와 규칙이 있는 전문 작업을 점점 더 정교하게 처리하고 있다. - 따라서 단순히 특정 기술이나 지식을 보유하는 것만으로는 차별화하기 어려워질 수 있다. - 글이 말하는 ‘allocation economy’에서는 자원과 관심이 제한되어 있기 때문에, 중요한 문제를 선택하고 집중하는 능력이 경쟁력이 된다. - 인간에게 더 중요한 능력은 다음과 같다. - 서로 다른 분야를 연결하는 질문을 제시하는 능력 - 무엇이 가능한지뿐 아니라 무엇을 만들어야 하는지 판단하는 감각 - 여러 전문가의 관점을 통합하는 능력 - AI가 생성한 결과물 중 가치 있는 방향을 선택하는 능력 - 좋은 프롬프트가 AI의 능력을 끌어내듯, 분야를 넘나드는 좋은 질문은 예상하지 못한 해결책을 이끌어낼 수 있다. ## 경력 개발에 대한 시사점 - 제너럴리스트 역량은 정해진 직무명을 선택해 얻기보다, 호기심과 실제 문제 해결을 따라가며 형성될 수 있다. - 현재 업무에서 반복적으로 만나는 다른 팀의 문제를 이해하고, 그 분야의 기본 언어와 도구를 익히는 방식이 효과적이다. - 모든 분야를 동시에 배우기보다는 자신의 핵심 전문성을 기준으로 시너지가 큰 인접 분야를 선택해야 한다. - 이렇게 쌓은 조합은 기존 채용 공고에 없던 새로운 역할을 만들어낼 가능성도 있다. 한 분야의 깊이를 유지하면서 협업이 잦은 인접 영역을 확장하고, 여러 전문성을 연결하는 질문과 판단력을 길러야 한다. 앞으로는 ‘무엇이든 조금씩 하는 사람’보다 ‘깊이 있는 전문성을 바탕으로 분야 사이를 연결하는 사람’이 더 큰 가치를 만들 가능성이 높다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

제품 로드맵을 벗

제품 로드맵은 방향을 제시하는 도구이지, 반드시 지켜야 하는 계약서가 아니다. AI와 사용자 기대가 빠르게 변하는 환경에서는 사용자 피드백과 실험 결과에 따라 계획을 과감히 수정해야 하며, 이러한 우회와 전환이 오히려 좋은 제품을 만든다. Figma의 Dev Mode 사례는 초기 비전을 고집하기보다 실제 개발자의 문제를 해결하는 방향으로 피벗한 과정을 보여준다. ## 변화한 제품 개발 환경 - AI, 에이전트, 어시스턴트의 발전으로 제품 개발과 사용 방식이 빠르게 변하고 있다. - Claude, Cursor 같은 도구는 프롬프트만으로도 애플리케이션을 만들 수 있다는 기대를 높였다. - 기존의 6~12개월 단위 로드맵과 전통적인 개발 방식만으로는 변화 속도와 사용자 기대를 따라가기 어렵다. - 명확한 계획은 필요하지만, 로드맵을 지나치게 규범적으로 따르면 더 이상 유효하지 않은 방향을 계속 추진할 위험이 있다. ## 비전보다 중요한 유연성과 학습 - 신제품 개발은 계획대로 직선적으로 진행되지 않고, 실험과 실패, 재설계를 반복하는 비선형 과정이다. - 하나의 비전을 끝까지 고수해야 성공한다는 것은 기술 업계의 신화에 가깝다. - 사용자 조사, 내부 직원의 실제 사용(dogfooding), 베타 테스트를 통해 새로운 정보를 얻으면 기존 가정을 수정해야 한다. - 계획을 바꾸는 것은 실패가 아니라 더 나은 사용자 결과에 도달하기 위한 학습 과정이다. ## Dev Mode의 피벗 사례 - Figma는 처음에 Dev Mode를 디자인을 코드로 자동 변환하는 도구로 구상했다. - 초기 코드 생성 기능은 가능성을 보였지만, 개발자들은 생성된 코드가 실제 업무에 항상 유용하지 않다고 피드백했다. - 디자인 시스템을 사용하는 개발자들은 새 코드를 생성하기보다 이미 작성된 컴포넌트를 조합하는 데 더 많은 시간을 썼다. - Figma는 코드 생성에 계속 투자하는 대신 **Code Connect**를 개발했다. - 개발자가 디자인 시스템의 실제 코드 스니펫을 직접 연결할 수 있다. - Dev Mode에서 자동 생성 CSS가 아니라 팀이 사용하는 컴포넌트 코드를 보여준다. - 이 전환으로 출시가 늦어지고 기존 방향을 추진하던 팀원들이 좌절하는 비용이 발생했지만, 사용자에게 더 적합한 제품에 가까워질 수 있었다. ## 로드맵을 수정하는 데 따르는 비용 - 방향 전환은 이미 투입한 시간과 자원을 포기해야 하므로 조직적으로 쉽지 않다. - 기존 작업을 중단하면 출시 일정이 지연되고, 팀의 사기가 떨어질 수 있다. - 그러나 매몰비용 때문에 효과가 낮은 기능을 계속 개발하면 더 큰 손실로 이어진다. - Figma는 Dev Mode 베타 이후 로드맵보다 사용자 피드백을 우선했고, 한 달 동안 200개가 넘는 수정 사항과 신규 기능을 출시했다. ## 성공적인 제품은 전환을 통해 성장한다 - Loom은 기업에 제품 피드백을 제공하는 전문가 네트워크에서 출발했지만 여러 번 피벗한 끝에 현재의 비디오 녹화 플랫폼이 되었다. - Slack 역시 온라인 멀티플레이어 게임인 Glitch에서 시작해 협업 도구로 전환했다. - 이 사례들은 초기 아이디어를 끝까지 지키는 것보다, 새로운 학습을 바탕으로 사업과 제품의 방향을 바꾸는 것이 중요하다는 점을 보여준다. - 좋은 제품은 우여곡절 때문에 망가지는 것이 아니라, 그 우여곡절을 통해 정의된다. ## 실무에서의 적용 - 상세한 사양과 디자인을 확정하기 전에 빠른 프로토타입으로 가설을 검증한다. - 베타 사용자와 내부 사용자에게서 반복적으로 나타나는 문제를 로드맵보다 우선한다. - 제품이 시장이나 사용자에게 제대로 도달하지 못한다면 처음부터 다시 시작하는 결정을 고려한다. - 매몰비용이나 기존 방법론에 얽매이지 말고, 현재 환경에서도 유효한지 오래된 가정을 재검토한다. - 로드맵은 고정된 약속이 아니라, 언제 계획을 따르고 언제 방향을 바꿀지 판단하기 위한 기준으로 활용하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

2025년 직장에

2025년 업무에서 중요한 것은 정답이나 규칙을 따르는 것이 아니라, 경험을 바탕으로 자신만의 원칙을 세우고 상황에 맞게 적용하는 것이다. 글은 디자인 영감, AI 자동화, 사용자 온보딩, 회의 운영, 꾸준한 실행에 관한 업계 리더들의 조언을 소개한다. 공통적으로 반복되는 메시지는 핵심 가치에 집중하고, 불필요한 마찰을 줄이며, 실제 성과와 사용자 가치로 이어지는 활동에 힘을 쏟으라는 것이다. ## 디자인 밖에서 영감 찾기 Ableton의 수석 디자이너 Pablo Sánchez는 창작의 출발점을 디자인 영역에만 한정하지 말라고 조언한다. - 감정, 기억, 과학적 발견, 자연 등 다양한 분야에서 영감을 얻는다. - 다른 영역을 참고하면 창작 과정이 더 확장적이고 예측하기 어려우며 개인적인 방향으로 발전한다. - 디자이너 자신이 먼저 매력을 느끼는 방식으로 설계해야 최종 결과물에도 열정이 전달된다. - Ableton의 Note 앱은 기존 MIDI 편집기나 음악 제작 앱의 관습 대신 브루탈리즘 건축의 미니멀한 표현을 참고했다. - 그 결과 음악을 즉각적으로 만들 수 있는 단순하고 직관적인 UX를 구현했다. ## 업무를 방해하는 일을 자동화하기 Meta, Reddit, Twitch, X 등에서 제품 업무를 담당했던 Peter Yang은 제품 관리자의 핵심 역할이 문서 자체를 만드는 데 있지 않다고 말한다. - OKR, 내부 문서, 제품 리뷰는 필요하지만 제품 관리자의 본질적인 책임은 고객을 공감하고 고객 가치를 전달하는 것이다. - 중간 산출물 작성에 실제 제품 개발만큼의 시간이 든다면 업무 방식을 재검토해야 한다. - 반복적인 작업은 다른 사람에게 위임하거나 AI로 자동화할 수 있다. - Peter Yang은 AI를 활용해 다음 업무를 처리한다. - 브레인스토밍 결과 종합 - 고객 피드백 요약 - 제품 요구사항 문서 정리 - 자동화의 목적은 업무를 줄이는 것 자체가 아니라, 고객 문제를 이해하고 중요한 의사결정을 내리는 데 더 많은 시간을 쓰는 것이다. ## 사용자가 빠르게 ‘마법의 순간’에 도달하게 하기 Snapchat Lens Studio의 Charmaine Lee는 처음부터 많은 튜토리얼과 도움말을 제공하기보다 사용자가 직접 만들기 시작하는 순간을 앞당겨야 한다고 강조한다. - 신규 사용자가 교육 과정을 모두 이수하는 것보다 도구를 실제로 사용하고 창작하는 것이 중요하다. - 사용자가 “아하”라고 느끼는 순간은 단순한 사용자를 창작자로 전환시키는 계기가 된다. - 좋은 온보딩은 사용자가 스스로 배울 수 있을 때까지 필요한 최소한의 발판만 제공한다. - Lens Studio 팀은 FigJam에서 사용자 여정을 시각화했다. - 앱 다운로드부터 첫 프로젝트 제출까지 19단계였던 과정을 4개의 핵심 마일스톤으로 줄였다. - 온보딩을 개선할 때는 기능과 설명을 추가하기보다 첫 번째 성공 경험까지의 단계를 줄이는 것이 효과적이다. ## 목적에 맞는 회의 유형 조합하기 Coda의 공동 창업자이자 CEO인 Shishir Mehrotra는 모든 회의를 같은 방식으로 운영해서는 안 된다고 설명한다. 회의는 목적에 따라 세 유형으로 나눌 수 있다. - **Cadence 회의** - 스탠드업, 정기 팀 회의, 프로젝트 동기화 회의 등이 해당한다. - 목표를 설정하고 실행한 뒤 결과를 돌아보는 일정한 리듬을 만든다. - 핵심 질문은 “설정한 목표대로 진행되고 있는가?”이다. - **Catalyst 회의** - 의사결정 회의, 제품 리뷰, 디자인 크리틱 등이 해당한다. - 방향을 바꾸고 진전을 만들어내는 데 목적이 있다. - 핵심 질문은 “논의한 질문에 대한 답을 얻었는가?”이다. - 지나치게 많으면 구성원의 피로와 소진을 유발할 수 있다. - **Context 회의** - 전사회의, 오프사이트, 오리엔테이션 등이 해당한다. - 정보와 통찰을 공유하고 팀 간 연결을 강화한다. - 핵심 질문은 “업무를 더 잘할 수 있는 맥락과 준비를 얻었는가?”이다. - 효과적인 조직은 세 가지 회의를 균형 있게 운영하며, 각 회의의 목적을 명확히 해야 한다. ## 어려워도 계속 전진하기 Design System University의 창립자 Dan Mall은 목표가 가치 있더라도 목표에 도달하는 과정은 지루하고 고통스러울 수 있다고 말한다. - 결과만 짧게 보여주는 영화 속 훈련 장면과 달리, 실제 성장은 반복적이고 긴 시간을 요구한다. - 지루한 과정을 견디려면 스스로 추진력을 만들어야 한다. - 큰 목표를 한 번에 해결하려 하기보다 작업의 각 부분을 시작해 진행감을 쌓는 방식이 도움이 된다. - 완벽한 동기나 이상적인 조건을 기다리기보다 작은 진전을 반복해 momentum을 유지해야 한다. 결국 2025년의 업무 방식은 더 많은 일을 하는 것이 아니라, 중요한 일에 집중하는 방향이어야 한다. 불필요한 문서와 절차는 자동화하고, 사용자의 첫 성공 경험을 앞당기며, 회의 목적을 구분하고, 디자인과 업무의 경계를 넘어 새로운 영감을 찾는 것이 실용적인 출발점이다.

원문 읽기(새 탭에서 열림)
figma원문

피그마 2024 (새 탭에서 열림)

2024년 피그마(Figma)는 전 세계 커뮤니티의 피드백을 바탕으로 180회 이상의 업데이트를 진행하며 디자인 도구를 넘어 협업 플랫폼으로서의 완성도를 높였습니다. UI3로 불리는 대대적인 인터페이스 개편부터 AI를 활용한 워크플로우 효율화, 그리고 새로운 프레젠테이션 도구인 '피그마 슬라이즈(Figma Slides)' 도입까지, 사용자의 제작 과정을 더 빠르고 정교하게 만드는 데 집중했습니다. 결과적으로 피그마는 단순히 화면을 그리는 도구에서 아이디어 구상부터 개발 전달까지 전 과정을 아우르는 에코시스템으로 진화했습니다. **사용자 피드백으로 완성된 UI3와 인터페이스 혁신** * 2019년 이후 가장 큰 규모의 디자인 개편인 UI3를 출시했으며, 베타 기간 중 접수된 피드백을 반영해 플로팅 패널 대신 고정 및 크기 조절이 가능한 패널 시스템으로 최종 조정했습니다. * 디자인 캔버스의 공간 확보를 위해 레이어 패널을 숨길 수 있게 개선하고, 타이포그래피 및 아이콘 시스템을 현대적으로 일신했습니다. * 스포이드 도구를 개선하여 스타일과 변수(Variables)를 쉽게 재사용하고 여러 컬러 포맷을 탭으로 전환하며 빠르게 관리할 수 있도록 했습니다. **핵심 기능 고도화 및 성능 최적화** * **멀티 에디트(Multi-edit):** 여러 프레임에 걸친 디자인 요소를 한 번에 편집할 수 있는 기능을 도입하여 반복 작업 시간을 획기적으로 단축했습니다. * **고급 타이포그래피:** 텍스트 스타일 내에서 기울임꼴, 굵게, 밑줄 등을 개별적으로 재정의(Override)할 수 있으며, 단일 텍스트 노드 내에서 혼합 단락 간격을 설정할 수 있습니다. * **성능 향상:** 대규모 파일을 효율적으로 관리하기 위해 동적 페이지 로딩(Dynamic page loading)과 메모리 최적화 시스템을 도입했으며, 유럽 지역 로컬 파일 호스팅을 통해 인프라 안정성을 강화했습니다. * **오토 레이아웃 제안:** 복잡한 디자인을 반응형으로 더 쉽게 변환할 수 있도록 오토 레이아웃 추천 기능을 강화했습니다. **워크플로우의 마찰을 줄이는 AI 기능** * **비주얼 및 에셋 검색:** 이미지 업로드나 영역 선택을 통해 필요한 컴포넌트를 찾고, 이름이 일치하지 않아도 맥락에 맞는 에셋을 찾아주는 AI 검색 기능을 도입했습니다. * **콘텐츠 생성 및 편집:** 더미 데이터를 채워주는 텍스트 생성, 다국어 번역, 이미지 배경 제거 기능을 캔버스 내에서 즉시 실행할 수 있습니다. * **First Draft:** 기존의 'Make Designs'를 개선한 기능으로, 아이디어를 시각화하는 첫 단계에서 디자인 초안을 빠르게 생성하여 디자이너의 초기 탐색 과정을 돕습니다. * **레이어 정리:** AI가 레이어 이름을 자동으로 정리해주는 기능을 통해 파일 관리의 번거로움을 줄였습니다. **협업의 확장: 개발 생산성과 프레젠테이션** * **데브 모드(Dev Mode):** 코드 커넥트(Code Connect)를 통해 디자인 시스템의 컴포넌트를 실제 코드와 연결하여 개발자가 문맥 전환 없이 디자인을 구현할 수 있도록 지원합니다. * **피그마 슬라이즈(Figma Slides):** 디자인과 프레젠테이션의 경계를 허물어, 피그마의 정교한 디자인 툴을 그대로 활용하면서 고품질의 발표 자료를 제작하고 공유할 수 있게 했습니다. 실무 디자이너와 팀은 새롭게 도입된 AI 기반 검색과 레이어 정리 기능을 활용해 관리 리소스를 줄이고, 코드 커넥트를 도입해 개발자와의 협업 효율을 극대화하는 것을 권장합니다. 특히 UI3의 변경된 패널 시스템에 익숙해진다면 더 넓은 작업 영역에서 창의적인 업무에 몰입할 수 있을 것입니다.

coupang원문

기계 학습 모델을 활용한 물류 입고 프로세스 최적화 (새 탭에서 열림)

쿠팡은 물류 센터 입고 과정에서 발생하는 자원 낭비를 최소화하고 배송 효율을 극대화하기 위해 머신러닝 기반의 트럭 수량 예측 모델을 도입했습니다. 입고 예약 단계에서 필요한 슬롯(트럭 하역 시간 단위) 수를 정확히 예측함으로써, 자원 부족으로 인한 입고 지연과 유휴 자원 발생 문제를 동시에 해결했습니다. 이를 통해 쿠팡은 직매입 제품의 풀필먼트 센터 입고 프로세스를 최적화하고 고객에게 더 빠른 배송 서비스를 제공하는 기반을 마련했습니다. **물류 입고 프로세스의 병목 현상과 자원 낭비** * 풀필먼트 센터의 한정된 도크(dock)와 시간당 사용 가능한 슬롯은 물류 효율의 핵심 자원입니다. * 입고에 필요한 슬롯을 과소 예측할 경우 하역 작업이 지연되어 전체 물류 흐름에 차질이 생기며, 과대 예측 시에는 다른 업체가 사용할 수 있는 소중한 자원이 낭비되는 문제가 발생합니다. * 이를 해결하기 위해 업체 및 제품 특성을 반영한 데이터 기반의 정교한 예측 시스템이 필요했습니다. **도메인 지식과 데이터 분석을 통한 특징 추출** * 약 2년간 축적된 80만 건의 입고 신청 데이터를 분석하여 학습 데이터 세트를 구성했습니다. * 탐색적 데이터 분석(EDA)뿐만 아니라 물류 현장 전문가들과의 심층 인터뷰를 병행하여 현장의 실질적인 입고 패턴을 파악했습니다. * 피처 엔지니어링 단계에서는 단순 통계 수치를 넘어 업체 특성, 제품군별 물성 등 트럭 수량에 영향을 미치는 다수의 범주형(categorical) 특징들을 도출해 냈습니다. **LightGBM을 활용한 고성능 모델 학습** * 대량의 데이터 세트를 빠르게 처리하고 범주형 특징에 대해 우수한 성능을 보이는 LightGBM 알고리즘을 채택했습니다. * 기존 트리 기반 알고리즘의 수평적 확장(Level-wise) 방식 대신 수직적 확장(Leaf-wise) 방식을 사용하는 LightGBM의 특성을 활용해 학습 속도를 높이고 손실을 최소화했습니다. * 모델의 성능을 극대화하기 위해 베이지안 최적화(Bayesian Optimization) 기법을 적용하여 하이퍼 파라미터 튜닝을 효율적으로 수행했습니다. **시스템 연계 및 운영 최적화** * 학습된 모델을 실제 입고 예약 시스템과 실시간으로 연계하여 업체가 예약을 신청하는 즉시 최적의 트럭 수량을 확인할 수 있도록 자동화했습니다. * 단순히 정확도만 높이는 것이 아니라, 현장의 안정성을 위해 과소 예측과 과대 예측 사이의 트레이드 오프(Trade-off)를 정교하게 관리하여 운영 리스크를 방어했습니다. 데이터에 기반한 입고 프로세스 자동화는 물류 운영의 가시성을 높이고 인적 판단 오류를 줄이는 데 큰 기여를 합니다. 특히 물류와 같이 변동성이 큰 산업군에서는 LightGBM과 같은 고성능 알고리즘과 현장 도메인 전문가의 통찰을 결합하는 것이 실질적인 비즈니스 성과를 내는 핵심 전략이 될 수 있습니다.

coupang원문

쿠팡의 머신러닝 플랫폼을 통한 ML 개발 가속화 (새 탭에서 열림)

쿠팡은 검색, 가격 책정, 물류 등 비즈니스 전반에 머신러닝(ML)을 적극적으로 활용하며, 개발 효율을 극대화하기 위해 통합 ML 플랫폼을 구축했습니다. 이 플랫폼은 데이터 준비부터 모델 배포 및 모니터링까지의 전 과정을 자동화하고 표준화하여, 개발자가 인프라 관리보다는 모델 로직에 집중할 수 있는 환경을 제공합니다. 이를 통해 쿠팡은 대규모 컴퓨팅 자원을 효율적으로 관리하면서도 고객 경험을 개선하기 위한 혁신적인 기능들을 빠르게 시장에 선보이고 있습니다. **ML 개발 가속화를 위한 도전 과제** * **Time-to-Market 단축:** 아이디어 단계에서 모델을 실제 서비스에 적용하기까지 발생하는 복잡한 인프라 설정 과정을 간소화해야 함. * **표준화된 CI/CD 통합:** 머신러닝 모델의 학습, 검증, 배포 과정을 소프트웨어 공학의 지속적 통합 및 배포 체계와 결합하여 운영 안정성을 확보. * **확장성 있는 컴퓨팅 자원:** 대규모 데이터와 복잡한 딥러닝 모델 학습을 위해 GPU 및 CPU 자원을 효율적으로 할당하고 확장할 수 있는 시스템 필요. **효율적인 파이프라인 및 피처 관리** * **노트북 및 워크플로우:** 주피터 노트북(Jupyter Notebook) 환경과 Kubeflow 기반 파이프라인을 제공하여, 데이터 탐색부터 모델 학습까지의 워크플로우를 코드 형태로 관리하고 자동화함. * **피처 스토어(Feature Store):** 실시간 추론과 배치 학습 환경 간의 데이터 불일치를 방지하고, 검증된 피처를 재사용할 수 있는 중앙 집중형 저장소 운영. * **일관성 유지:** 온라인과 오프라인 환경에서 동일한 피처 엔지니어링 로직을 적용하여 모델 성능의 신뢰성을 높임. **모델 훈련 및 실시간 추론 인프라** * **분산 훈련 지원:** 고성능 GPU 클러스터를 활용한 분산 훈련 환경을 구축하여 Ko-BERT와 같은 대규모 언어 모델의 학습 시간을 획기적으로 단축. * **안정적인 추론 서비스:** 실시간 트래픽 처리를 위한 고가용성 서빙 환경과 대량의 데이터를 한 번에 처리하는 배치 추론 시스템을 동시에 지원. * **자동화된 배포:** 훈련된 모델을 검증한 후 클릭 몇 번으로 실제 운영 환경에 배포할 수 있는 셀프 서비스 기능 제공. **지속적인 모니터링 및 자원 최적화** * **가시성 확보:** 모델의 성능 지표뿐만 아니라 입력 데이터의 분포 변화(Data Drift)를 실시간으로 감지하여 모델 재학습 시점을 파악. * **Kubernetes 기반 관리:** 모든 ML 워크로드를 컨테이너화하여 Kubernetes 환경에서 실행함으로써 하드웨어 자원 활용도를 최적화하고 운영 부담을 최소화. **플랫폼 도입을 통한 주요 성과** * **검색 품질 향상:** 한국어에 특화된 Ko-BERT 모델 학습 과정을 플랫폼을 통해 최적화하여 검색 쿼리 이해도와 검색 결과의 정확도를 개선. * **실시간 가격 예측:** 수백만 개의 상품에 대해 시장 상황을 즉각적으로 반영하는 가격 예측 모델을 안정적으로 운영하여 비즈니스 민첩성 확보. 대규모 조직에서 ML 모델 개발 속도를 높이려면 개별 모델의 성능만큼이나 전체 생애주기를 관리하는 플랫폼의 역할이 중요합니다. 쿠팡처럼 다양한 서비스 도메인을 가진 환경에서는 표준화된 ML 플랫폼을 통해 인프라 복잡성을 추상화하고, 데이터 사이언티스트가 비즈니스 가치 창출에만 몰입할 수 있는 환경을 구축하는 것이 가장 효과적인 전략입니다.

coupang원문

머신러닝 모델을 (새 탭에서 열림)

쿠팡은 물류 센터 입고 프로세스의 효율성을 극대화하기 위해 머신러닝 모델을 활용하여 벤더사가 예약해야 할 최적의 트럭 대수(슬롯)를 예측합니다. 한정된 물류 센터 도크 자원을 효율적으로 배분함으로써 자원 낭비를 줄이고 입고 지연 문제를 동시에 해결하는 것이 이 시스템의 핵심 목표입니다. 데이터 기반의 자동화된 예측 시스템은 입고 예약 단계에서부터 정확한 가이드를 제공하여 전체 공급망의 흐름을 개선하고 있습니다. **물류 입고 프로세스의 병목 현상과 과제** - 물류 센터의 도크(Dock)와 시간당 사용 가능한 슬롯은 물리적으로 제한된 자원입니다. - 벤더사가 실제 필요량보다 많은 슬롯을 예약하면 도크 자원이 낭비되어 다른 물품의 입고 기회가 박탈됩니다. - 반대로 실제보다 적은 슬롯을 예약할 경우, 트럭 대기 시간이 길어지고 하역 작업에 병목이 발생하여 전체 물류 흐름이 지연되는 문제가 발생합니다. - 이를 해결하기 위해 상품의 종류, 수량, 벤더의 과거 이력 등을 종합적으로 고려한 정교한 예측 모델이 필요해졌습니다. **머신러닝 기반의 트럭 대수 예측 모델링** - **피처 추출(Feature Extraction):** 수년간 축적된 방대한 물류 데이터와 입고 요청 이력을 분석하여 실제 투입된 트럭 대수에 영향을 미치는 핵심 변수들을 도출했습니다. - **LightGBM 알고리즘 활용:** 대용량 데이터 세트에서도 학습 속도가 빠르고 예측 정확도가 높은 LightGBM 알고리즘을 채택하여 효율적인 모델을 구축했습니다. - **베이지안 최적화(Bayesian Optimization):** 모델의 성능을 극대화하기 위해 하이퍼파라미터 탐색 과정에서 베이지안 최적화 기법을 적용하여 최적의 설정값을 찾았습니다. **예약 시스템 통합 및 최적화 전략** - **실시간 예약 가이드:** 구축된 모델을 입고 예약 시스템에 통합하여, 벤더가 입고 요청을 하는 즉시 필요한 적정 트럭 대수를 자동으로 제시합니다. - **예측 오차의 관리(Trade-off):** 과소 예측으로 인한 입고 지연(Delay)과 과대 예측으로 인한 자원 낭비(Waste) 사이의 균형점을 찾기 위한 최적화 로직을 적용했습니다. - **운영 효율성 증대:** 자동화된 시스템 도입을 통해 사람이 수동으로 예측할 때 발생할 수 있는 주관적 오차를 줄이고 슬롯 가동률을 높였습니다. 이러한 데이터 중심의 접근 방식은 한정된 물류 인프라 내에서 더 많은 상품을 적시에 처리할 수 있게 함으로써, 결과적으로 고객에게 더욱 빠른 배송 서비스를 제공하는 밑거름이 됩니다. 물류 현장의 복잡한 변수들을 머신러닝으로 정교화하는 과정은 기술이 어떻게 실질적인 비즈니스 가치를 창출하는지 잘 보여주는 사례입니다.

coupang원문

LLM을 통한 쿠 (새 탭에서 열림)

쿠팡은 검색, 광고, 물류 등 서비스 전반에 걸쳐 머신러닝(ML) 기술을 적극적으로 활용하고 있으며, 최근에는 대규모 언어 모델(LLM)을 도입해 AI 혁신을 가속화하고 있습니다. LLM은 다국어 환경과 방대한 상품 데이터를 처리하는 데 탁월한 성능을 보이며, 효율적인 모델 학습과 추론을 위한 플랫폼 인프라의 최적화가 이 과정의 핵심 동력이 되고 있습니다. 쿠팡은 이를 통해 고객 경험을 개선하고 운영 효율성을 극대화하는 성과를 거두고 있습니다. **쿠팡의 머신러닝 활용 영역** * **추천 시스템:** 사용자 클릭, 구매 이력, 장바구니 담기 등 대규모 상호작용 데이터와 사람이 직접 라벨링한 관련성 판단 지표를 기반으로 홈 피드, 검색, 광고의 개인화를 구현합니다. * **콘텐츠 이해:** 상품 카탈로그(텍스트, 이미지), 사용자 리뷰, 검색어 등 방대한 데이터를 딥러닝으로 분석해 상품과 고객에 대한 표현(Representation)을 학습하고 이를 쇼핑 경험 개선에 활용합니다. * **예측 모델링:** 100개 이상의 물류 센터(FC) 내 수백만 개 상품에 대한 수요, 가격, 배송 경로를 예측하며, 기존 통계적 기법에 딥러닝 기술을 점진적으로 결합하고 있습니다. **멀티모달 기반의 이미지 및 언어 이해** * **Vision-Language Transformer:** 이미지와 텍스트 데이터를 별개로 처리하던 기존 방식에서 벗어나, 두 데이터를 동시에 모델링하는 트랜스포머 모델을 통해 더욱 정교한 임베딩(Embedding)을 생성합니다. * **검색 및 추천 고도화:** 생성된 임베딩은 광고 검색, 유사 상품 찾기 및 추천 모델의 핵심 피처로 활용되어 사용자에게 더 적합한 결과를 제공합니다. * **다양한 서비스 적용:** 한국어와 대만어 간의 상품명 번역, 쇼핑 피드 이미지 품질 개선, 사용자 리뷰 요약, 상품 및 판매자 키워드 자동 생성 등 다양한 영역에서 대규모 모델이 성공적으로 적용되었습니다. **데이터 레이블링 및 속성 추출 혁신** * **대규모 약지도 학습(Weak Label) 생성:** 사람이 직접 수행하기에 비용과 시간이 많이 드는 다국어(한국어, 영어, 중국어 등) 레이블링 작업을 LLM이 수행하여, 모델 학습을 위한 기초 데이터를 대규모로 확보합니다. * **데이터 부족 문제 해결:** 학습 데이터가 부족한 새로운 카테고리나 세그먼트에서 LLM이 생성한 레이블을 통해 모델의 성능을 빠르게 안정화하고 관련성 모델의 품질을 높입니다. * **통합 모델링으로의 전환:** 과거에는 상품 카테고리별로 개별 ML 모델을 구축해야 했으나, 이제는 통합된 LLM을 통해 상품 분류 및 속성 추출 프로세스를 간소화하고 효율성을 높이고 있습니다. 쿠팡은 LLM을 단순한 기술 도입을 넘어 인프라 최적화와 결합하여 실제 비즈니스 가치를 창출하는 핵심 도구로 활용하고 있습니다. 특히 다국어 지원과 대규모 데이터 처리가 필수적인 글로벌 이커머스 환경에서, LLM 기반의 플랫폼 전략은 향후 AI 경쟁력을 좌우하는 중요한 기반이 될 것입니다.

coupang원문

쿠팡의 머신러 (새 탭에서 열림)

쿠팡의 머신러닝 플랫폼은 데이터 탐색부터 모델 배포에 이르는 전체 ML 생애주기를 가속화하여 개발 생산성을 혁신적으로 높이는 것을 목표로 합니다. 이를 통해 검색, 가격 책정, 물류 최적화 등 쿠팡의 다양한 서비스에 머신러닝을 효율적으로 적용하고 있으며, 인프라 관리 부담을 줄여 엔지니어들이 모델 고도화에만 집중할 수 있는 환경을 제공합니다. 결과적으로 이 플랫폼은 복잡한 비즈니스 문제를 해결하는 핵심 기술 기반으로서 쿠팡의 비즈니스 성장을 견인하고 있습니다. **플랫폼 구축의 동기와 목표** * **생산 모드 전환 시간 단축**: 실험 단계의 모델을 실제 서비스 환경에 배포하기까지 걸리는 시간을 줄여 비즈니스 요구사항에 빠르게 대응합니다. * **ML 개발의 CI/CD 도입**: 소프트웨어 공학의 지속적 통합 및 배포(CI/CD) 개념을 ML에 접목하여, 모델 학습과 배포 과정을 자동화하고 일관된 품질을 유지합니다. * **컴퓨팅 자원의 효율적 확장**: 하부 인프라에 대한 개입 없이도 대규모 학습 및 추론을 수행할 수 있도록 유연한 확장성을 제공하여 비용과 성능을 최적화합니다. **플랫폼의 핵심 기능 및 구성 요소** * **관리형 노트북 및 파이프라인 SDK**: 데이터 과학자들이 익숙한 Jupyter 기반 환경에서 작업할 수 있도록 지원하며, 전용 SDK를 통해 복잡한 ML 파이프라인을 손쉽게 정의하고 실행할 수 있습니다. * **피처 스토어(Feature Store)**: 학습과 추론 단계에서 동일한 피처 데이터를 재사용하고 공유할 수 있는 중앙 저장소를 제공하여, 데이터 정합성 문제를 해결하고 개발 효율을 높입니다. * **모델 학습 및 추론 서비스**: 다양한 ML 프레임워크를 지원하는 매니지드 학습 환경과, 대규모 트래픽을 처리할 수 있는 실시간 및 배치 추론 인프라를 운영합니다. * **모니터링 및 관측 가능성**: 배포된 모델의 성능 저하(Drift)나 이상 징후를 실시간으로 추적하여 모델의 신뢰성을 보장하고 신속한 재학습 여부를 결정합니다. **주요 성공 사례** * **Ko-BERT를 통한 검색 고도화**: 한국어 특화 언어 모델인 Ko-BERT를 학습시켜 고객의 검색 쿼리 의도를 더 정확하게 파악하고 상품 검색의 질을 향상시켰습니다. * **실시간 가격 예측**: 수백만 개의 상품에 대해 시장 변화를 즉각적으로 반영하는 실시간 가격 예측 모델을 성공적으로 배포하여 비즈니스 의사결정을 지원하고 있습니다. 쿠팡 ML 플랫폼은 단순히 도구의 집합을 넘어, 데이터 과학자가 비즈니스 가치 창출에만 전념할 수 있도록 돕는 강력한 엔지니어링 생태계입니다. 대규모 데이터와 복잡한 모델을 다루는 조직이라면 쿠팡의 사례처럼 파이프라인 자동화와 피처 정합성을 보장하는 통합 플랫폼 구축을 통해 개발 사이클을 획기적으로 단축할 수 있습니다.

figma4분 읽기큐레이션 요약

요약하자면: 제6

AI를 제대로 활용하는 일은 기술 습득을 넘어 인간의 판단력과 창의성을 이해하는 과정이라는 것이 글의 핵심 주장이다. Figma의 잡지 《The Prompt》는 디자인, 엔지니어링, 검색, 휴머노이드 로봇, 인쇄 매체를 통해 AI가 인간의 역할과 창작 방식을 어떻게 바꾸는지 탐구한다. AI가 작업을 자동화하더라도 문제를 정의하고 의미를 부여하는 능력, 호기심과 판단력은 여전히 인간의 중요한 차별점으로 남는다고 강조한다. ## 《The Prompt》의 기획 의도 - Figma가 Story Studio와 Brand Studio의 협업으로 제작한 80쪽 분량의 디지털·인쇄 잡지다. - AI가 디자인과 디지털 제품 개발을 활성화할 가능성뿐 아니라, 현재의 한계와 앞으로의 성장 방향을 다룬다. - 디자인·엔지니어링·제품 개발 분야 리더들에게 질문을 던지고, 각자의 기술과 창의성에서 무엇을 지키고 싶은지 살펴본다. - 인쇄본은 벨럼지, 색상, 일러스트레이션, 레이아웃 등 물질적 요소를 활용해 AI 시대의 주제를 시각적으로 해석한다. ## AI 시대의 좋은 디자인 - AI가 제품 개발을 대중화할수록 단순한 구현 능력보다 디자인의 질이 중요한 차별점이 된다고 본다. - Figma의 제품 디자인 부문 리더 Noah Levin과 팀은 AI를 활용하더라도 오랫동안 지켜 온 디자인 원칙과 장인정신이 필요하다고 말한다. - 좋은 디자인은 기능을 만드는 데 그치지 않고, 사용자의 맥락과 경험을 이해하며 명확한 의도와 판단을 반영해야 한다. - AI가 다양한 결과물을 빠르게 생성할수록 무엇을 선택하고 왜 선택하는지 설명하는 디자이너의 역할이 커진다. ## 코드가 상품화될 때 엔지니어의 역할 - Figma CTO Kris Rasmussen은 엔지니어링이 단순히 코드를 출력하는 일이 아니라고 주장한다. - 엔지니어에게는 다음과 같은 고유한 역할이 있다. - 해결할 문제를 올바르게 정의하기 - 여러 해결책 중 적절한 방법을 선택하기 - 시스템의 구조와 장기적 영향을 판단하기 - AI가 코드 작성 속도를 높이더라도 문제의 중요도, 기술적 트레이드오프, 제품과 사용자에 미치는 영향을 판단하는 일은 여전히 어렵다. - 따라서 “AI가 엔지니어의 일자리를 없앨까?”보다 “엔지니어가 AI로 무엇을 더 잘할 수 있으며, 인간만이 해결할 수 있는 영역은 무엇인가?”를 묻는 것이 생산적이라고 제안한다. ## 판단 없는 질문과 인간의 호기심 - Perplexity 공동창업자 겸 CEO Aravind Srinivas는 AI 검색 서비스를 인쇄 백과사전과 위키의 계보에 놓는다. - Perplexity는 질문하기를 망설이게 만드는 사회적 판단이나 부담을 줄이고, 누구나 답을 탐색할 수 있게 하는 도구로 설명된다. - AI 검색은 정보를 제공하는 데서 그치지 않고 사용자의 호기심을 확장하는 보조자가 될 수 있다. - 다만 좋은 답변을 얻으려면 질문의 의도와 맥락을 명확히 하고, AI가 제시한 정보를 비판적으로 검토해야 한다. ## 휴머노이드 로봇과 구현된 AI - 영화와 소설 속에서 반복적으로 등장한 휴머노이드 로봇이 현실의 기술로 다가오고 있다는 점을 조명한다. - 로봇은 AI를 화면 속 소프트웨어가 아니라 물리적 공간에서 행동하는 존재로 만든다. - 구현된 AI는 다음과 같은 새로운 문제를 제기한다. - 인간과 기계의 경계는 어디에 있는가 - 로봇의 행동을 누가 통제하고 책임지는가 - 인간형 외관이 사용자 기대와 신뢰에 어떤 영향을 미치는가 - 휴머노이드의 발전은 기술적 가능성뿐 아니라 인간이 AI에 투영해 온 기대와 두려움을 다시 마주하게 한다. ## 인쇄 매체가 제공하는 경험 - 《The Prompt》는 디지털 기술을 다루면서도 인쇄물의 물성과 느린 읽기 경험을 적극적으로 활용한다. - 종이의 질감, 색, 편집 구성, 일러스트레이션은 AI에 관한 추상적 논의를 감각적인 경험으로 바꾼다. - 효율성과 즉시성이 강조되는 AI 시대에 인쇄물은 의도적으로 속도를 늦추고, 창의성과 사유의 과정을 강조한다. - 이는 효율이 항상 창의성을 높이는 것은 아니며, 제약과 물리적 경험이 오히려 새로운 사고를 촉진할 수 있다는 관점을 보여준다. AI를 업무에 도입할 때는 반복 작업 자동화에만 집중하기보다 문제 정의, 판단, 검증, 사용자 이해처럼 인간의 강점이 필요한 단계에 더 많은 시간을 투자하는 것이 바람직하다. AI를 대체자가 아니라 창의적 사고와 호기심을 확장하는 협업 도구로 바라볼 때 그 잠재력을 더 효과적으로 활용할 수 있다.

원문 읽기(새 탭에서 열림)
figma3분 읽기큐레이션 요약

'디자인 제작' 기능

Figma는 AI 기능 ‘Make Designs’가 실제 앱과 유사한 디자인을 생성하는 문제를 발견해 일시적으로 중단했다. 원인은 모델 자체가 아니라, 충분히 검토되지 않은 디자인 시스템의 컴포넌트와 예시 화면이었다. Figma는 관련 자산을 제거하고 QA 절차를 개선한 뒤, 기능을 ‘First Draft’라는 이름으로 재출시했다. ## Make Designs의 작동 방식 - 사용자의 프롬프트, AI 모델, 디자인 시스템의 컴포넌트와 예시를 결합해 초기 UI 시안을 생성한다. - OpenAI의 GPT-4o와 Amazon Titan 등 상용 모델을 사용했으며, 별도 학습이나 파인튜닝은 진행하지 않았다. - 모바일·데스크톱용으로 제작한 두 개의 디자인 시스템에 수백 개의 컴포넌트와 조합 예시를 포함했다. - 모델은 버튼, 헤드라인, 이미지 등 컴포넌트를 선택·배치하고, 속성과 스타일을 설정해 완성된 화면을 구성한다. - Amazon Titan의 확산 모델이 디자인에 필요한 이미지를 생성한다. - 결과물은 완성품이 아니라 디자이너가 수정하고 발전시키기 위한 ‘첫 초안’을 목표로 했다. ## 실제 앱과 유사해진 원인 - Config 2024 직전 디자인 시스템에 새 컴포넌트와 예시 화면이 추가됐다. - 일부 자산이 실제 서비스의 UI 요소와 충분히 유사했지만, 추가된 자산을 철저히 검토하지 못했다. - 특정 프롬프트를 입력하면 해당 자산이 결과물에 포함될 수 있었다. - 한 디자이너가 날씨 앱을 생성했을 때 Apple의 기본 앱과 유사한 화면이 나온 것을 지적하면서 문제가 드러났다. - Figma는 문제의 원인이 기반 모델의 학습 데이터가 아니라 자체적으로 제공한 디자인 시스템과 예시 자산에 있다고 판단했다. ## Figma의 대응 - 문제를 확인한 즉시 관련 디자인 시스템 자산을 제거했다. - Make Designs 기능을 일시적으로 비활성화했다. - 기능 재개를 보류하고 디자인 시스템에 대한 개선된 QA 프로세스를 마련하기로 했다. - Visual Search, 레이어 이름 변경, 텍스트 번역 등 다른 Figma AI 기능은 제한적 베타로 계속 제공했다. ## 향후 방향과 디자이너의 역할 - Make Designs의 초기 이름은 ‘First Draft’였으며, 완성된 디자인보다 작업을 시작하기 위한 출발점을 의미한다. - 향후에는 기업이 자체 디자인 시스템을 연결해 컴포넌트 검색·조합·설정에 드는 시간을 줄이는 것이 목표다. - AI는 초기 아이디어와 구조를 제시할 수 있지만, 의미 있는 사용자 경험을 만들고 완성하는 일은 여전히 디자이너의 역할이다. - Figma는 제한적 베타를 통해 실제 사용 과정에서 문제를 배우고 개선하겠다고 밝혔다. - 편집자 주에 따르면 기능은 이후 개선 사항과 함께 ‘First Draft’라는 새 이름으로 재활성화됐다. AI 기반 디자인 생성 기능은 모델 성능뿐 아니라 입력되는 디자인 시스템과 예시 자산의 품질 관리가 중요하다. 따라서 자동 생성 결과를 완성품으로 신뢰하기보다, 철저한 QA와 디자이너의 검토를 거치는 초안 생성 도구로 활용하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)
figma4분 읽기큐레이션 요약

AI 시대의 좋은 디자인이란 무엇

AI가 제품 개발을 대중화할수록 제품을 차별화하는 요소는 디자인이 된다. 모바일 시대에 데스크톱 경험을 작은 화면에 그대로 옮겼던 것처럼, 초기 AI 제품도 단순한 챗봇과 템플릿에 머물고 있지만 새로운 상호작용 패턴을 발견할 가능성이 크다. 따라서 AI 시대의 좋은 디자인은 기술 자체를 좇기보다 공감, 창의성, 실제 사용자 문제 해결이라는 변하지 않는 원칙을 바탕으로 AI와 디자이너의 역할을 재정의하는 것이다. ## AI 시대에 디자인이 더 중요해지는 이유 - AI는 간단한 프롬프트만으로 코드, 디자인, 애플리케이션 전체를 생성할 수 있어 아이디어에서 구현까지의 속도를 크게 높인다. - 더 많은 사람이 제품 제작 과정에 참여할 수 있게 되지만, 결과적으로 비슷한 제품이 빠르게 양산될 가능성도 커진다. - 제품의 차별화는 기능 구현보다 다음과 같은 디자인 경험에서 나타날 수 있다. - 풍부한 상호작용 - 직관적인 제스처 - AI라는 매체에 적합한 새로운 사용 패턴 - 2007년 아이폰 등장 직후 많은 기업이 기존 데스크톱 화면을 모바일에 단순히 축소했던 것처럼, 현재의 단순 챗봇과 템플릿형 AI 제품도 새로운 기술에 적응하는 초기 단계로 볼 수 있다. - 새로운 기술의 잠재력을 실현하려면 충분한 시간과 반복적인 실험이 필요하다. ## 좋은 디자인의 원칙을 AI가 이해하도록 만들기 - Figma는 디자인 시스템을 활용해 UI의 첫 시안을 생성하는 AI 기능을 개발하면서, 먼저 “좋은 디자인”이 무엇인지 정의해야 했다. - LLM은 본질적으로 텍스트 기반 모델이므로 글쓰기나 코딩에는 강하지만, 시각적·구조적 판단이 필요한 UI 디자인을 생성하는 일은 더 어렵다. - 모든 디자인 규칙을 AI에 전달하는 방식은 현실적이지 않다. - 좋은 디자인의 모든 세부 사항을 유한한 규칙으로 정의하기 어렵다. - 방대한 규칙을 하나의 프롬프트에 넣으면 토큰 제한에 걸린다. - 상황에 따라 달라지는 디자인 판단까지 규칙화하기도 어렵다. - 이에 따라 어떤 UI에도 대체로 적용할 수 있는 작지만 강력한 원칙으로 디자인 지식을 압축해야 한다. - 디자인을 가르치는 과정처럼, 디자이너의 직관을 다른 사람이 실행할 수 있는 명확한 원칙으로 분해하는 작업이 중요하다. - 좋은 원칙은 다음 조건을 갖춰야 한다. - 명확할 것 - 구체적일 것 - 실제 제작 과정에서 적용 가능할 것 - 다양한 UI 상황에 일반화될 것 ## 디자인에서 코드까지의 순환 고리 단축 - AI는 디자인 결과물을 코드로 옮기는 시간을 줄여 제품 제작 주기를 단축할 수 있다. - 디자인과 개발 사이의 간극이 줄어들면 더 많은 시안을 빠르게 구현하고 검증할 수 있다. - 중요한 것은 단순히 코드를 자동 생성하는 것이 아니라, 디자인 의도와 사용자 경험이 구현 단계에서도 유지되도록 하는 것이다. - 빠른 생성 능력은 한 번에 정답을 얻는 수단이라기보다 실험과 반복을 늘리는 수단으로 활용해야 한다. ## 실용주의와 반복적인 실험 - AI 기술이 빠르게 변하는 상황에서는 완벽한 미래상을 기다리기보다 현재 가능한 도구로 실제 문제를 해결하는 접근이 필요하다. - 기술을 사용하기 위한 기능보다 사용자에게 실질적인 가치를 주는 경험을 우선해야 한다. - 초기 AI 제품의 어색함은 실패라기보다 새로운 상호작용 방식을 발견하기 위한 실험의 일부다. - 디자이너는 생성된 결과를 그대로 받아들이기보다 사용자 맥락에 맞는지 검토하고, 반복적인 수정과 검증을 통해 품질을 높여야 한다. ## 디자이너와 AI의 공동 창작 - AI는 디자이너를 단순히 대체하는 자동화 도구가 아니라 아이디어를 확장하고 제작 속도를 높이는 협업 파트너가 될 수 있다. - AI가 초안과 반복 작업을 담당하면 디자이너는 문제 정의, 사용자 공감, 우선순위 설정, 창의적 판단에 더 집중할 수 있다. - 공동 창작 모델에서는 인간과 AI의 강점을 결합하는 작업 분담이 중요하다. - AI: 빠른 생성, 변형, 탐색, 반복 작업 - 디자이너: 목적 설정, 맥락 이해, 품질 판단, 사용자 관점의 의사결정 - AI가 발전할수록 디자이너의 역할이 사라지는 것이 아니라, 무엇을 만들고 왜 만들어야 하는지 결정하는 능력이 더욱 중요해진다. AI를 도입할 때는 생성 속도 자체보다 사용자 문제와 디자인 원칙을 먼저 정의하는 것이 좋다. 작은 원칙을 명확히 정리하고, AI로 여러 시안을 빠르게 만든 뒤 사람의 판단과 사용자 검증을 통해 반복 개선하는 방식이 가장 현실적인 접근이다.

원문 읽기(새 탭에서 열림)