초오오오오오짜개발자의낙서장

데이터베이스 시스템에서 동시성을 제어하는 방법

코딩하는곰팅이 — Sun, 29 Mar 2026 22:46:14 +0900

데이터베이스 시스템에서의 동시성 제어: MVCC와 Lock-Based 접근 방식

데이터베이스 시스템은 다수의 트랜잭션이 동시에 실행되는 환경에서 **일관성(consistency)**과 **무결성(integrity)**을 보장해야 합니다. 이를 위해 동시성 제어(concurrency control) 기법이 사용되며, 대표적으로 **MVCC(Multi-Version Concurrency Control)**와 Lock-Based Concurrency Control이 있습니다. 두 방식은 서로 다른 철학과 장단점을 가지고 있으며, 실제 시스템에서는 이들을 적절히 결합하여 활용합니다.

MVCC (Multi-Version Concurrency Control)

MVCC는 데이터의 여러 버전을 유지하여 트랜잭션이 동시에 데이터를 읽고 쓸 수 있도록 하는 방식입니다. 핵심 아이디어는 트랜잭션마다 독립적인 스냅샷(snapshot)을 제공한다는 점입니다.

읽기 작업의 독립성
트랜잭션은 시작 시점의 데이터 상태를 기반으로 읽기 작업을 수행합니다. 따라서 다른 트랜잭션의 변경 사항을 보지 못하고, 읽기 작업이 쓰기 작업과 충돌하지 않습니다.
잠금 없는 읽기
읽기 작업 시 별도의 잠금을 사용하지 않으므로, 읽기 중심 애플리케이션에서 높은 성능을 발휘합니다. 이는 OLAP 시스템이나 조회가 많은 서비스에서 특히 유리합니다.
저장 공간 비용
여러 버전의 데이터를 유지해야 하므로 저장 공간이 더 필요할 수 있습니다. 오래된 버전은 결국 Garbage Collection 과정을 통해 정리됩니다.
팬텀 리드 방지
갭락(Gap Lock)과 넥스트키 락(Next-Key Lock)을 통해 팬텀 리드를 방지합니다. 이는 단순히 버전 관리만으로는 해결되지 않는 문제를 보완합니다.

Lock-Based Concurrency Control

Lock-Based 방식은 데이터에 접근할 때 **잠금(Lock)**을 걸어 동시성을 제어합니다. 이는 가장 직관적인 방식으로, 데이터의 무결성을 직접적으로 보장합니다.

잠금의 종류
- 공유 잠금(Shared Lock): 읽기 작업 시 사용. 여러 트랜잭션이 동시에 읽을 수 있지만 쓰기는 제한됩니다.
- 배타 잠금(Exclusive Lock): 쓰기 작업 시 사용. 해당 데이터에 대해 읽기와 쓰기를 모두 제한합니다.
장점
데이터 무결성을 강력하게 보장합니다. 특히 쓰기 작업이 많은 환경에서 충돌을 확실히 제어할 수 있습니다.
단점
- 잠금 경합(lock contention)이 심해지면 성능 저하가 발생합니다.
- 잘못된 잠금 순서나 설계로 인해 **교착 상태(Deadlock)**가 발생할 수 있습니다.
- 읽기 작업도 잠금에 의해 지연될 수 있어, 읽기 중심 시스템에서는 비효율적입니다.

실제 데이터베이스 시스템에서의 활용 (MySQL InnoDB 예시)

현대적인 데이터베이스 엔진은 두 방식의 장점을 결합하여 사용합니다. 대표적인 예가 MySQL InnoDB입니다.

읽기 트랜잭션 → MVCC 활용
읽기 작업은 MVCC를 통해 스냅샷 기반으로 수행됩니다. 잠금을 최소화하여 높은 동시성을 유지할 수 있습니다.
쓰기 트랜잭션 → Lock 활용
쓰기 작업은 잠금을 통해 충돌을 방지하고 데이터 무결성을 보장합니다. 동시에 갭락과 넥스트키 락을 통해 팬텀 리드를 방지합니다.

즉, InnoDB는 MVCC와 Lock-Based 방식을 혼합하여 읽기 성능과 쓰기 안정성을 모두 확보합니다.

어떤 방식을 선택해야 할까?

읽기 중심 시스템 (예: 로그 분석, 리포트 생성)
→ MVCC 기반 접근이 유리합니다. 읽기 작업이 잠금에 의해 지연되지 않으므로 성능이 뛰어납니다.
쓰기 중심 시스템 (예: 은행 거래, 재고 관리)
→ Lock-Based 접근이 더 적합합니다. 데이터 무결성을 강력하게 보장할 수 있기 때문입니다.
일반적인 트랜잭션 처리 시스템 (예: 전자상거래, SNS)
→ MVCC와 Lock을 혼합한 방식이 최적입니다. 대부분의 상용 DBMS가 이 전략을 채택하고 있습니다.

✨ 결론

MVCC와 Lock-Based Concurrency Control은 각각의 장단점이 뚜렷합니다.

MVCC는 읽기 성능 극대화에 강점이 있고,
Lock-Based는 데이터 무결성 보장에 강점이 있습니다.

실제 시스템에서는 두 방식을 적절히 결합하여 사용하며, MySQL InnoDB가 대표적인 사례입니다. 결국 애플리케이션의 특성과 트랜잭션 패턴에 따라 어떤 방식을 더 강조할지가 결정됩니다.

SSR(Server Side Rendering) 정리

코딩하는곰팅이 — Sun, 22 Mar 2026 23:45:13 +0900

프론트엔드 개발에서 SSR(Server Side Rendering) 은 빠른 초기 로딩과 SEO 최적화에 강점을 가진 렌더링 방식입니다. 최근에는 Next.js 같은 프레임워크를 통해 SSR과 CSR을 혼합하여 사용하는 경우가 많습니다. 오늘은 SSR의 장점과 단점을 블로그 형식으로 정리해보겠습니다.

SSR이란?

SSR(Server Side Rendering): 서버에서 완성된 HTML을 내려주고, 클라이언트는 이를 파싱하여 화면을 그립니다.
CSR(Client Side Rendering): 클라이언트가 비어있는 HTML 뼈대를 받은 뒤, 자바스크립트 번들을 다운로드 및 실행하여 화면을 동적으로 구성합니다.

Next.js에서는 SSR로 초기 화면을 빠르게 렌더링한 뒤, hydration 과정을 통해 이벤트 리스너를 붙이고 동적인 화면으로 전환합니다.

✅ SSR의 장점

SEO 최적화
- 크롤러가 완성된 HTML을 바로 인식할 수 있어 검색 엔진 노출에 유리합니다.
- 블로그, 커머스 사이트처럼 검색 노출이 중요한 서비스에 적합합니다.
빠른 초기 로딩 속도
- CSR처럼 번들을 다운로드하고 실행할 필요 없이, 서버에서 완성된 HTML을 바로 보여줍니다.
- 사용자는 화면이 빠르게 뜨는 경험을 하게 됩니다.

⚠️ SSR의 단점

클라이언트 사이드 라우팅 제약
- 전통적인 SSR은 페이지 전환 시마다 서버 요청이 필요해, CSR만큼 매끄러운 전환 경험을 제공하기 어렵습니다.
서버 비용 증가 가능성
- 요청마다 페이지를 동적으로 구성해야 하는 경우, 서버 부하와 비용이 늘어날 수 있습니다.
Next.js SSR의 추가 단점
- Hydration 지연: 화면은 보이지만 상호작용이 초기화되기 전까지 버튼 클릭 등이 동작하지 않는 구간(TTV와 TTI의 격차)이 발생합니다.
- 구현 복잡도: SSR과 CSR을 혼합하는 경우, 클라이언트와 서버 로직을 구분해야 하므로 개발 난이도가 높아집니다.

정리

SSR은 SEO와 초기 로딩 속도에서 큰 강점을 가지며, 검색 노출이 중요한 서비스에 특히 적합합니다.
하지만 서버 비용 증가, 상호작용 지연, 구현 복잡도라는 단점도 존재합니다.
따라서 서비스 특성과 요구사항에 따라 SSR, CSR, 혹은 둘의 혼합 방식을 적절히 선택하는 것이 중요합니다.

Video Transformer?

코딩하는곰팅이 — Sun, 15 Mar 2026 23:17:33 +0900

블로그 글: Video Transformer란 무엇인가?

비디오 인식 분야는 오랫동안 CNN 기반 모델이 주도해왔습니다. 하지만 최근에는 Transformer 구조를 비디오에 적용한 Video Transformer가 주목받고 있습니다. 오늘은 Video Transformer가 무엇인지, 어떤 특징을 가지고 있는지, 그리고 대표적인 모델들을 소개해보겠습니다.

Video Transformer 개요

Video Transformer는 비디오 데이터를 프레임 단위로 나누어 시퀀스로 처리합니다. 마치 NLP에서 문장을 단어 단위로 나누어 Transformer에 입력하는 것처럼, 비디오도 시공간적 토큰으로 변환해 self-attention을 적용합니다.

핵심 목표: 비디오 속 공간(Spatial) + 시간(Temporal) 정보를 동시에 학습
강점: CNN보다 더 전역적인 관계를 포착할 수 있음

대표적인 모델

1. Video Transformer Network (VTN, 2021)

3D CNN 대신 Transformer를 사용해 비디오 분류 수행
Optical flow 같은 추가 입력 없이 RGB 비디오만으로 학습 가능
Kinetics-400 데이터셋에서 성능 검증

2. Video Vision Transformer (ViViT, 2021)

이미지 분야에서 성공한 **ViT(Vision Transformer)**를 비디오로 확장
공간과 시간 차원을 분리해 효율적으로 학습
사전 학습된 이미지 모델을 활용해 작은 데이터셋에서도 적용 가능

CNN vs Transformer 비교

특징 CNN 기반 (3D ConvNet) Video Transformer

데이터 처리 방식	지역적 필터로 공간·시간 특징 추출	Self-attention으로 전역적 관계 학습
추가 입력 필요성	Optical flow 등 보조 정보 자주 필요	RGB 비디오만으로도 가능
장점	계산 효율성, 작은 데이터셋에서도 잘 작동	더 강력한 시공간 관계 학습, 확장성
단점	전역적 관계 학습에 한계	대규모 데이터셋 필요, 계산량 많음

⚠️ 한계와 고려사항

데이터 요구량: Transformer는 대규모 학습 데이터셋에서 성능이 잘 발휘됨
계산 비용: Self-attention은 시퀀스 길이에 따라 계산량이 급격히 증가
실용적 접근: 작은 데이터셋에서는 사전 학습된 이미지 모델 활용이 필수

✨ 마무리

Video Transformer는 비디오 인식 분야에서 CNN을 대체할 수 있는 강력한 후보입니다. 특히 대규모 데이터셋과 사전 학습을 활용할 때 뛰어난 성능을 보여주며, 앞으로 행동 인식, 추천 시스템, 영상 분석 등 다양한 분야에서 활용될 가능성이 큽니다.

이미지 인식에 적용이 가능한가?

왜 이미지 인식에 적용할 수 있을까?

공통 구조: Video Transformer는 비디오를 프레임 단위로 나누어 시퀀스로 처리합니다. 이미지는 단일 프레임이므로, 구조적으로는 훨씬 단순한 입력을 다루게 됩니다.
Self-Attention: 이미지 내 픽셀 패치 간의 관계를 전역적으로 학습할 수 있어, CNN보다 더 넓은 문맥을 포착 가능.
사전 학습 활용: Video Transformer는 종종 이미지 기반 ViT를 사전 학습 모델로 사용합니다. 즉, 이미지 인식 성능이 곧 Video Transformer의 기반이 됩니다.

적용 방식

이미지 → 패치 분할
이미지를 작은 패치로 나누고, 이를 토큰으로 변환해 Transformer에 입력.
Transformer 인코딩
Self-attention을 통해 패치 간 관계를 학습.
분류 헤드 연결
최종적으로 이미지 분류, 객체 탐지, 세분화(segmentation) 등 다양한 태스크에 활용 가능.

CNN vs Transformer (이미지 인식 관점)

특징 CNN Transformer

강점	지역적 특징 추출에 강함	전역적 관계 학습에 강함
데이터 요구량	상대적으로 적음	대규모 데이터셋 필요
확장성	구조 단순, 계산 효율적	다양한 태스크로 확장 용이
대표 모델	ResNet, EfficientNet	ViT, DeiT, Swin Transformer

✨ 결론

Video Transformer는 본질적으로 이미지 인식에 사용되는 Transformer 구조를 비디오로 확장한 것입니다. 따라서 이미지 인식에도 그대로 적용할 수 있고, 실제로 ViT, Swin Transformer 같은 모델들이 이미지 인식에서 이미 널리 쓰이고 있습니다.

즉, Video Transformer를 이미지 인식에 쓰는 것은 "비디오용 모델을 다시 이미지로 단순화"하는 과정이라고 볼 수 있습니다.

불량 검출 능력 향상을 위한 이미지 전처리 단계의 필터링 방법

코딩하는곰팅이 — Sun, 1 Mar 2026 23:17:40 +0900

전처리용 필터링 방법 정리 ️

불량 검출을 위한 이미지 처리 과정에서 가장 먼저 수행되는 단계가 **전처리(Preprocessing)**다. 전처리 단계에서는 영상 획득 과정에서 생긴 다양한 잡음을 제거해 결함 인식률을 높이고, 이후 특징 강조나 딥러닝 기반 분석이 더 정확하게 이루어지도록 돕는다. 대표적인 전처리용 필터링 방법은 다음과 같다.

1. 가우시안 필터 (Gaussian Filter)

영상 전체를 부드럽게 블러 처리해 랜덤 노이즈를 줄인다.
픽셀 값 주변을 가우시안 분포에 따라 평균화하기 때문에 자연스러운 흐림 효과를 만든다.
주로 영상 전반적인 노이즈 제거에 활용된다.

2. 미디언 필터 (Median Filter)

주변 픽셀 값의 중간값을 사용해 새로운 픽셀 값을 만든다.
Salt-and-pepper 노이즈(흰/검은 점 형태의 노이즈) 제거에 특히 효과적이다.
경계선을 비교적 잘 보존하기 때문에 결함 경계 검출 전 단계로 적합하다.

3. 양방향 필터 (Bilateral Filter)

노이즈를 제거하면서도 가장자리(Edge) 정보는 유지한다.
픽셀 간 공간적 거리와 색상 차이를 동시에 고려해 필터링한다.
정밀한 부품 표면의 결함 검출에 유리하다.

요약

전처리 단계에서는 가우시안 필터 → 미디언 필터 → 양방향 필터 같은 방법을 상황에 맞게 선택해 사용한다.

가우시안 필터: 전체적인 노이즈 제거
미디언 필터: 점 형태 노이즈 제거 및 경계 보존
양방향 필터: 노이즈 제거 + 가장자리 유지

이렇게 전처리 필터링을 적용한 후에 특징 강조, 영역 기반 분석, 딥러닝 기반 검출 같은 후속 단계로 이어지게 된다.

여기서 양방향 필터에 대해 좀더 자세히 알아보자

양방향 필터는 비선형(Non-linear) 필터로, 영상의 노이즈를 줄이면서도 가장자리(Edge) 정보를 보존하는 특징을 가진다. 일반적인 블러링 필터(예: 가우시안 필터)는 노이즈를 줄이는 대신 경계선까지 흐려지게 되는데, 양방향 필터는 이 문제를 해결하기 위해 고안된 방법이다.

원리

양방향 필터는 각 픽셀 값을 주변 픽셀들의 **가중 평균(Weighted Average)**으로 대체한다.
가중치는 두 가지 요소를 동시에 고려한다:

공간적 거리 (Spatial Kernel)
강도 차이 (Range Kernel)

중심 픽셀과 주변 픽셀의 밝기(강도) 차이에 따라 가중치를 부여한다.
색상이나 밝기가 비슷한 픽셀일수록 더 큰 영향을 준다.

이 두 가지를 곱해 최종 가중치를 계산하기 때문에, 경계선 근처에서는 색상 차이가 큰 픽셀은 평균에 거의 반영되지 않아 경계가 흐려지지 않는다.

수식 표현

양방향 필터는 다음과 같이 정의된다:

I(x): 중심 픽셀 값
I(x_i): 주변 픽셀 값
f_r: 강도 차이에 따른 가중치 (Range Kernel)
g_s: 거리 차이에 따른 가중치 (Spatial Kernel)
W_p: 정규화 상수 (가중치 합)

장점

노이즈 제거: 평탄한 영역에서는 효과적으로 잡음을 줄인다.
엣지 보존: 경계선은 흐려지지 않고 선명하게 유지된다.
정밀한 표면 결함 검출: 금속, 반도체, 디스플레이 같은 산업용 영상에서 미세한 스크래치나 균열을 잘 드러낸다.

단점

계산량이 많아 처리 속도가 느리다.
파라미터(공간 시그마, 강도 시그마)를 잘못 설정하면 효과가 떨어진다.

여기서 우리 팀은 단점에 주목을 하게 되었다.

계산량이 많아 처리 속도가 느린것은 결국 제품의 텍타임이 늘어난다는 것. 과연 쓸수 있을까 싶지만 모델의 성능 테스트 통과를 위해 시도해 본다.

위 내용은 양방향 필터를 찾는 과정과 양방향 필터에 대해 간략히 정리한 내용이다.

openclaw-설치 트러블 슈팅

코딩하는곰팅이 — Sun, 22 Feb 2026 22:08:24 +0900

mac mini에 설치하기 전에 ubuntu에 설치를 시도했으나 설치가 되지 않아 삽질한 경험을 적어보고자 한다.

로컬에 설치하는 방법은 위와 같다.

맞다 굉장히 심플하다.

요구하는 nodejs 와 npm을 우선 설치하고 위 명령어를 입력하면

이와같이 path 가 없다고 onboard 가 실행되지 않는다.

copilot을 이용해 문의하니 위와같이 답변을 해준다.

vim ~/.bashrc 에 위와 같이 경로 설정을 해주었으나 openclaw는 반응이 없다.

위의 방법보다는 docker로 하는 방법이 더 쉬울것 같아 도커로 설치를 시도했으나 다음과 같은 에러에서 막혔다.

트러블 슈팅이지만 트러블만 만나고 제대로된 슈팅을 하지 못했다..
해결되면 방법을 정리하여 보완할 계획이다.

---02/23-- 추가

원인을 얼추 찾은것 같다. npm 과 node가 이상하게 깔려있는데 이걸 지울 방법을 도저히 모르겠다.

한번 쓱 밀어볼까 고민중이다.

mac mini에 전원을 연결하여 켯다.

오픈클로

코딩하는곰팅이 — Sun, 8 Feb 2026 21:53:24 +0900

요새 뜨고있는 램값 이슈로 인하여 맥미니를 슥 사버렷다.

아직 배송중인 맥미니이지만 홈서버의 우분투 환경에 설치가 가능하다는 이야기를 듣고 올해로 13살이되신 홈 서버님께 오픈 클로 설치를 부탁드렸지만 npm 에러가 나면서 설치를 거부하셧다.

시간이 많이 없어서 에러 분석은 하지못했지만 시간이 나면 설치를 계속 진행할 것이다.

그래서 오픈클로는 무엇인가?

오픈클로는 최근 급부상한 오픈소스 AI 에이전트 플랫폼으로, 단순히 대화만 하는 챗봇이 아니라 실제로 사용자의 컴퓨터와 인터넷 환경을 직접 조작해 업무를 수행할 수 있는 도구입니다.

주요 특징

실행력 있는 AI
단순히 답변을 주는 것이 아니라, 브라우저를 열고 웹에서 정보를 수집하거나 이메일을 작성·전송하는 등 실제 행동을 수행합니다.
멀티플랫폼 지원
슬랙(Slack), 디스코드(Discord), 왓츠앱(WhatsApp), 텔레그램 등 다양한 메신저와 연동해 원격으로 내 PC 작업을 지시할 수 있습니다.
모델 확장성
이름은 Claude(클로드)에서 비롯되었지만, OpenAI GPT 시리즈나 로컬 LLM(Ollama 등)도 연결 가능해 범용성이 뛰어납니다.
지속적 메모리 기능
사용자의 행동 패턴을 학습해 맞춤형 작업을 수행할 수 있습니다.

보안 및 논란

오픈클로는 강력한 자동화 능력 때문에 보안 위험도 큽니다.
이메일, 캘린더, API 키 등 민감한 정보를 다루기 때문에 잘못 사용하면 유출 위험이 있습니다.
그럼에도 불구하고, 깃허브에서 수만 개의 스타를 기록하며 개발자들 사이에서 폭발적인 인기를 얻고 있습니다.

핵심 요약

오픈클로는 **“실제로 일을 해내는 AI”**라는 점에서 기존 챗봇과 차별화됩니다.
하지만 보안 관리 능력이 없는 일반 사용자에게는 위험할 수 있어, 신중한 활용이 필요합니다.

gpt 에게 물어본 오픈 클로는 다음과 같다.

간단하게 정리하자면 로컬 컴퓨터에 로컬 모델을 돌리는것과 로컬 컴퓨터에서 외부 모델을 통해 작업을 수행하는 agent 이다.

앞으로 최소한의 권한을 주면서 메신저로 테스트를 진행해볼 계획이다.

웹 표준

코딩하는곰팅이 — Sun, 1 Feb 2026 22:39:22 +0900

웹 표준?

웹 표준은 다양한 웹 기술들이 브라우저나 기기와 상관없이 일관되게 동작하도록 보장하기 위한 규약들의 집합.
HTML, CSS, JavaScript 와 같은 핵심 기술뿐만 아니라 접근성, 통신, 보안 등 여러 영역까지 다룬다.
웹 표준의 목적은 다양한 브라우저, 기기, 플랫폼에서 웹 페이지가 동일하게 작동하도록 보장하는것.
개발자는 웹 표준을 따름으로 특정 브라우저에 종속되지 않는 코드를 작성할 수 있다(진짜??) -> (크롬 또는 파폭에서만 돌아가는 프로그램들은 종속적으로 만든게 아닌것 같다)
웹 접근성 : 모든 사용자가 신체적 환경적 조건에 관계 없이 웹에 접근하여 이용할 수 있도록 보장하는 것.
스크린 리더는 웹페이지의 내용을 분석하지 못하기 때문에 이미지 대신 소스 코드에 내용을 그대로 담는 것이 권장.
웹 콘텐츠 접근성 지침 :

인지성: 정보와 사용자 인터페이스 요소는 그들이 인지할 수 있도록 사용자에게 표시될 수 있어야 한다.

운용성: 사용자 인터페이스 요소와 탐색은 운용 가능해야 한다.

이해성: 정보와 사용자 인터페이스 운용은 이해할 수 있어야 한다.

내구성: 콘텐츠는 보조 기술을 포함한 넓고 다양한 사용자 에이전트에 의존하여 해석될 수 있도록 충분히 내구성을 가져야 한다.

웹 표준을 따르지 않을때 발생할 수 있는 문제는?

몇몇 브라우저 환경에서 웹사이트가 의도한 대로 동작하지 않음
레이아웃 깨짐
특정 기능이 브라우저에서 비활성화, 보안 취약점으로 이어질 가능성 존재
모바일 환경은 종류가 다양함으로 표준을 지키지 않으면 유저 경험성이 매우 낮아짐.

개발 방법론 - 애자일 방법론

코딩하는곰팅이 — Sun, 18 Jan 2026 21:17:26 +0900

애자일 방법론?

- 애자일 개발 방법론은 짧은 반복 주기(스프린트)를 통해 고객 피드백을 빠르게 반영하고, 변화에 유연하게 대응하는 소프트웨어 개발 방식입니다.

- 문서보다 작동하는 소프트웨어와 팀 협업을 중시하며, 워터폴(순차적 개발) 방식의 한계를 극복하기 위해 등장했습니다.

개요
- 정의: 빠르게 변화하는 요구사항에 적응하며, 반복적·증분적 방식으로 개발하는 방법론
- 출발점: 2001년 발표된 Agile Manifesto (애자일 선언문)
- 핵심 철학: 계획보다 변화 대응, 문서보다 작동하는 소프트웨어, 계약보다 고객 협력, 도구보다 사람 중심

핵심 특징
- 반복적 개발: 1~2주 단위 스프린트로 기능을 점진적으로 완성
- 고객 중심: 지속적인 피드백 반영, 고객 만족도 향상
- 팀 자율성: 팀이 스스로 책임지고 의사결정
- 경량 문서화: 불필요한 문서보다 실제 동작하는 결과물 중시
- 변화 수용: 프로젝트 중간에도 요구사항 변경을 적극 반영

장점
- 빠른 피드백 수용 → 고객 만족도 향상
- 위험 요소 조기 발견 → 리스크 감소
- 유연한 일정 조정 가능 → 변화 대응력 강화
- 팀워크 중심 → 개발 효율성 증가

유의할 점
- 애자일은 단순한 개발 프로세스가 아니라 팀 문화와 가치 체계까지 포함된 철학
- 문서화가 부족하면 장기 유지보수 시 어려움 발생 가능
- 고객 참여가 적으면 효과가 반감

방법론	특징
Scrum	정해진 역할(스크럼 마스터, PO, 개발팀)과 스프린트 주기로 운영
Kanban	작업 흐름을 시각화하고, 일의 진행 상황을 한눈에 보기 쉽게 만듦
XP (Extreme Programming)	테스트 주도 개발, 페어 프로그래밍 등 기술적 실천법 중시

출처

- https://blog.naver.com/cerans/223950408597

Agile(애자일) 방법론 및 에자일 뜻과 개념 정리

Agile(애자일)이란? Agile은 소프트웨어 개발 방식의 하나로 빠르게 변화하는 요구사항에 유연하게 대응...

blog.naver.com

1월 둘째주

코딩하는곰팅이 — Sat, 10 Jan 2026 17:08:08 +0900

근황?

- 생일이 있었지만 큰 이벤트 없이 무난하게 흘러갔다.

- 감기에 걸려서 회사일 외에 다른 연락에 답장을 하나도 하지 못하고 집 회사 집 회사만 반복하였다.

- 컨디션 회복후 감사인사 연락을 돌렸지만 마음이 편치 못하다.

Keep

- 회사에서 프로젝트 개발에 대한 가이드라인을 잡아가는 과정을 맡아서 진행중이다.

- 스트레스 관리가 잘 안되는것 같아 상담 신청하여 내면을 보는 시간을 가지게 되었다. 이로인해 스트레스에 직면할때 어떻게 대처를 해야되는지 도움이 되었으면 한다.

Problem

- 회사업무를 진행하며 느낀바로 모든 프로젝트에 라벨링을 ai 팀이 진행하게 되었는데 이게 맞는지 잘 모르겠다. 생각했던 ai 팀은 모델 튜닝을 주로 하고 라벨링은 고객사에서 지정해 주는 줄 알았는데 그게 아닌게 생각보다 충격이였던것 같다. (라벨링 하는데 스트레스를 받는게 큰거같다.)

- 생각보다 회사에 체계가 덜 잡혀있는것 같다 체계를 잡는 과정이 필요하여 다른 동료 한명과 같이 계획 수립이 필요해보인다.

Try

- 구캉이님의 일일회고가 인상적이였다. 하루하루 일과를 정리하고 인사이트를 개발하는 모습을 따라 배워야하지만 본인이 게으른 탓인지 귀찮은 탓인지 계속 미루기 때문에 보다 극약처방을 하여 스스로 강제하는 방법은 어떨까 생각해본다

- 팀에서 개발에 대한 컨벤션 지식이 부족해서 WBS 양식을 공유함과 동시에 관련 자료 작성하기 (이번주말에 진행)

2025년 회고

코딩하는곰팅이 — Sun, 4 Jan 2026 23:01:17 +0900

2025년은 나름 파란 만장했다.

1월 : 회사 경영 어려움으로 권고 사직 이야기가 돌고 연구 개발 부서가 해당 되었다고 통보 들음.

2월 : 대상자가 나임을 알고 퇴사를 진행, 집에 알리기가 싫어서 방황을 많이 함.

3월 : 부트캠프 신청을 하고 간단한 면접을 거쳐서 부트캠프 진행.

4월 : 부트캠프 진행

5월 : 부트캠프 진행 3월부터 5월 까지 이론 수업기간으로 공부만 내내 했던것 같다. js와 java, react, spring boot 까지 많은 지식들을 단기간에 때려 넣었다.

6월 : 부트캠프 진행 슬슬 후반기 프로젝트를 진행하게 되었다 방식은 팀 프로젝트 위주로.

7월 : 부트캠프 진행 최종 프로젝트를 진행하기위한 조를 편성하고 기획서부터 작성하였다. 기획서 제작하는 과정에서 적절한 아이템을 찾는게 가장 오래 걸린것 같다 3주정도 소모, 자료조사 열심히 한것들이 많이 빠꾸 당함.

8월 : 부트캠프 진행 기획서 진행한 것을 바탕으로 기능 구현,개발 진행

9월 : 부트캠프 진행 최종 프로젝트로 발표를 진행하였다. 결과는 최우수상. 위 과정을 통해서 LG CNS에 지원했으나 서탈, 중소 si 면접 2개 봄 그중 하나가 바로 결과가 나와서 입사.

10월 : 백엔드 개발자로 들어가서 업무 파악 진행후 슬슬 업무 로딩된거 시작 하려 했으나 2번째 면접본 회사에서 합격 소식을 듣고 이직

11월 : 비전 전문 SI 회사에 AI 개발팀으로 입사를 하게 되었다. ai 업무에 손을 놓은지 오래라서 감을 찾는데 시간을 많이 쓴것 같다.

12월 : 1달 반정도 지났다고 출장을 2주간 보냈다. 평소에도 바빠서 다른 일정들을 챙기기가 어려웠다면 이기간에는 기존에 소화하던 일정들도 전부 스톱되어서 진땀을 뺏다.

월간으로 보면 큰 변곡점이 몇개정도 있었던것 같다. 2026년에는 큰 변곡점 없이 우상향 했으면 좋겠다.