[비지니스 경영] [CEO 심리학] 리더가 거짓말하면 직원들 무기력해져

부모가 습관적으로 거짓말을 하는 모습을 보게 되는 자녀에게는 어떤 안 좋은 습관이 일어날까? 자녀들도 거짓말을 따라하는 것? 지극히 상식적인 예상이다. 하지만 심리학 연구들을 종합해 보면 더 큰 두 가지 악영향이 일어난다. 첫째, 매사에 무기력해진다. 둘째, 특정한 시점에 특정한 일에 임하는 동기의 수준이 현저히 떨어진다. 그러니 좋은 사람으로 성장하기에 최악의 조건이 형성됨은 두말할 필요가 없어진다. 왜 그럴까? 거짓말의 목적에 존재하는 근본적 특징 때문이다.

표면적으로 볼 때 사람들은 크게 두 가지 상황에서 거짓말을 하게 된다. 첫째, 나에게 묻는 책임을 피하고 싶을 때이다. 둘째, 무언가 힘들게 해야 하는 것을 피하고 쉽게 얻고 싶을 때다.

그런데 이 표면적 두 상황의 공통점은 무엇인가? 바로 ‘시간’을 줄이고 싶다는 인간의 근본적 욕망이다. 나에게 오는 책임에 정면으로 맞서든 아니면 무언가를 정상적인 방법으로 얻기 위해서든 필연적으로 일정 수준 이상의 시간을 필요로 한다. 그리고 거짓말은 그 시간을 매우 짧게 단축시키는 역할을 한다. 그러니 부모의 거짓말을 자주 목격하게 되면 자녀들은 정상적인 시간 개념을 가지기가 매우 어려워지며 이로 인해 거의 대부분 참을성이 부족해질 뿐만 아니라 일정한 길이의 시간이 필요한 일을 만나면 무기력해지거나 열심히 하려고 하는 동기의 수준이 떨어지게 마련이라는 것이다. 심리학 150년 역사를 통해 거의 예외 없이 관찰되는 인과관계라고 볼 수 있다.

그런데 흥미롭고 더 나아가 가슴 서늘한 것은 이것이 조직의 리더-폴로어 관계에서도 거의 같은 양상으로 나타난다는 것이다. ‘설득의 심리학’의 저자로도 잘 알려진 애리조나대학의 로버트 치알디니 교수에 의하면, 크든 작든 간에 리더의 거짓말을 목격하게 되면 구성원들이 매우 유사한 상태를 향하게 된다. 즉 일반적인 대부분의 상황에서 무기력이 가중되며 특정한 일을 시작하려 할 때 동기의 수준이 떨어진다. 그리고 시간을 보는 관점이 짧아져 ‘근시안적’ 혹은 ‘단기적 관점’에 해당하는 모습을 더 많이 보이더라는 것이다. 무슨 일이든 그 실적이 저조해지는 것 역시 당연하다.

그렇다면 역으로 한 번 되짚어 볼 필요가 있다. 나의 조직에 단기적 관점이 지배적이며 무기력감이나 저조한 동기와 관련된 모습이 자주 눈에 띈다면 그것은 바로 리더에 해당하는 누군가가 거짓말을 일삼는 모습을 다수의 구성원들이 목격하고 있다는 것이 되지 않겠는가. 다양한 분야의 심리학 연구들과 실제 사례들을 종합해 보면 사실인 것으로 나타난다. 사소한 거짓말이라도 리더가 하게 되면 더 나아가 그로 인해 ‘시간’을 줄이고 있다는 것이 목격되면 조직의 장기적 관점은 크게 손상된다. 누군가가 거짓말로 이득을 보고 있고 그것을 사람들이 지켜보고 있어야 하는가를 오늘부터 한 번 돌아보라. 정치, 교육, 기업 어떤 분야든 조직이면 예외가 없는 것으로 나타나고 있다.

[김경일 아주대학교 심리학과 교수]

[출처] https://m.mk.co.kr/news/business/7740817

[자유게시판] 같이 일하기 힘든 뛰어난 개발자 – 입개발자, 손개발자, 뇌개발자 

프로그래머란 직업으로 오래 일하다보니 여러 성향의 수많은 개발자들을 만나게 됩니다. 특히 창업 후에는 회사는 작지만 20년이 넘다보니 직원으로서 개발자를 채용하여 일을 맡겨보면서 다양한 경험을 하게 됩니다. 그런데 제 능력이 부족해서인지 아직도 면접만으로는 그 사람의 실력이나 저하고 같이 일하기에 어울리는 개발자인지 알기 어렵습니다.

오늘은 그동안 겪었던 프로그래머들 중 나름 뛰어난데 같이 일하기에는 힘들었던 개발자 유형에 대해 적어보겠습니다. 물론 저하고 맞지 않거나 제가 하고 있는 일에는 맞지 않았다는 것이지 개발자를 가르는 기준이 아니라는 점을 오해해서는 안됩니다. 또한 순전히 개인적인 경험이라는 점에서 일반적인 경우가 아닐 수도 있습니다.

1. 입개발자

아는 게 많은 개발자입니다. 박식하고 달변이다보니 동료들이 물어보면 막힘이 없습니다. 말만 들으면 틀림없는 고수입니다.

문제는 프로그램을 맡겼을 때 답이 없습니다. 아무리 기다려도 제대로된 성과를 얻을 수 없습니다. 코드를 보고 깜짝 놀라게 됩니다. 말하는 것하고 너무 다르기 때문입니다.

물론 이런 분들이 프로그램을 못 짠다고 뛰어나지 않은 것은 아닙니다. 조금 큰 회사나 규모있는 프로젝트에서 기획이나 분석, 사양서 작성 등 직접 코딩하지 않는 일에 능력을 발휘할 수 있습니다.

아는 것과 짜는 것은 다릅니다.

2. 손개발자

코딩하는 키보드 소리가 경쾌하고 빠릅니다. 물론 동료들은 이 소리에 집중이 안될 수도 있습니다. 프로그램 만드는 속도도 빠릅니다. 물론 초보는 아닙니다. 경력이 제법 되어야 합니다. 신입이라면 회사에서 일한 경력이 없을 뿐 어릴 때부터 오랫동안 프로그램을 해온 개발자일 수 있습니다. 이른바 SI 프로젝트에서 이런 분들은 보배입니다. 주어진 시간 안에 빨리 만들어내는게 최곱니다.

문제는 버그 없고 완성도 높은 제품을 만들 때 일어납니다. 실행 속도는 느리고 끝없이 버그를 만들어 내다가 결국 다른 사람이 처음부터 다시 개발하게 됩니다. 생각할 틈이 없이 먼저 키보드를 두드리는 습관이 몸에 배어있고, 결과를 빨리 확인하고 싶은 마음에 copy와 paste가 계속 빠르게 이어집니다. 역시 코드를 보면 깜짝 놀라게 됩니다. 잠재한 버그가 수두룩하고 copy & paste에 의한 정리되지 않은 코드가 어지럽습니다.

SI 프로젝트는 검수만 통과하면 됩니다. 검수에서 나온 문제는 바로 땜질하면 통과됩니다. 누구도 코드를 들여다 보고 잠재적 문제를 찾아내지는 않습니다. 더군다나 검수 당시에는 극소수의 자료만 입력하여 테스트하는 경우가 대부분이어서, 요행히 성능 이슈는 발생하지 않습니다.

회사에서 이런 직원들에게는 습관을 바꾸도록 계속 잔소리를 해줍니다. 종이에 로직을 그리고 생각을 적은 다음 천천히 코딩하고 코딩한 내용을 종이에 인쇄하여 정독하고 될 수 있으면 키보드를 멀리 하라고. 물론 이런 잔소리에 회사를 그만두기도 합니다. 습관만 바꾼다면 정말 좋은 개발자가 될 수 있습니다.

프로그램은 생각으로 짭니다. 키보드는 천천히 두드려도 됩니다.

3. 뇌개발자

정말 머리가 좋은 개발자입니다. 하나를 가르치면 열을 알고 그 명석함에 무릎을 칩니다. 어떻게 저런 생각을 할까 신기할 정도입니다.

문제는 아무리 기다려도 프로그램이 100% 완성되지는 않는다는 점입니다. 명석함을 요하는 핵심 로직만 가지고 프로그램이 완성되는지는 않기 때문입니다. 지엽적이고 지루하게 허드렛일로 보이는 코딩이 훨씬 많을 수도 있습니다. 폼나는 코딩만 하고 싶지 이런 지겨운 코딩은 견디지 못합니다. 그렇다고 해서 그 사람의 코드에 살을 붙이는 작업을 다른 사람에게 맡기는 방식으로 영역을 나누기도 애매합니다.

대개 이런 분들은 동료들과 협력해서 프로그램하기가 어렵습니다. 특히 저희 회사처럼 업무용 프로그램을 개발하는 경우, 고객이 요구하는 일반적인 비지니스 로직이 기본으로 담겨야 하는데 본인의 명석함으로 만든 창작이 문제가 되기도 합니다. 아마 본인하고 맞는 분야의 프로그램에는 뛰어난 재능을 발휘할 수 있을 것입니다.

좋은 프로그램은 끈기와 인내로 완성됩니다.

[산업] “주식 뭐 살까?” AI에 물어보니

 

이번 주 위클리비즈엔 인공지능(AI)과 관련한 기사를 두 건 실었습니다. 각국에서 AI 규제가 본격화되고 있다는 소식(B8면)과 저명한 노동경제학자인 데이비드 오터 MIT 교수 인터뷰(B11면)입니다. AI 관련 기사를 많이 실은 건 그만큼 이 분야에서 놀라운 일들이 연달아 벌어지고 있기 때문입니다. 특히 지난해 말 발표된 대화형 AI ‘챗GPT’는 놀라움을 넘어 충격적인 수준입니다. 전문가들도 구분해낼 수 없는 수준으로 논문 초록을 써내는가 하면, 셰익스피어 스타일의 시(詩)나 노래 가사도 뚝딱 만들어냅니다. 프로그램 코딩도 할 줄 압니다.

저도 시험 삼아 챗GPT에 몇 가지 질문을 던졌더니, 과연 어떤 질문이든 막힘없이 술술 대답합니다. 가령 한국의 주적은 누구인지 물었더니 “한국의 주적은 북한”이라며 남북한 관계의 약사(略史)를 서술합니다. UAE의 주적은 누구냐고 묻자 “UAE는 특정한 주적을 갖고 있지 않으나, 이란과는 영토 분쟁으로 긴장 관계를 유지하고 있다”고 하는군요. 지금 어떤 주식을 사는 게 좋겠냐고 묻자 “미안하지만 투자 관련 조언은 할 수 없다”며 “최고의 주식은 개개인의 투자 성향이나 시장 상황에 따라 다르므로 알아서 연구하고 전문가 도움을 받으라”는 모범 답안을 내놓습니다.

이런 놀라운 성능 때문에 챗GPT가 조만간 튜링 테스트를 통과할 수 있을 것이라는 관측도 나옵니다. 기계가 인간에 필적하는 지능을 가졌는지 판별하는 시험인데, 지금까지 이 테스트를 통과한 AI는 없습니다. 챗GPT에게 직접 물어보니 이렇게 답변합니다. “제가 튜링 테스트를 통과하려면 인간 같은 양심과 자의식, 정서지능, 그리고 인간 정신의 복잡성을 이해하는 능력이 필요합니다. 하지만 저는 훈련받은 패턴에 근거해 텍스트를 생성하는 AI일 뿐입니다.”

내친김에 AI가 언젠가 인간의 일자리를 대체할 수 있을 것 같냐고 묻자 “창의력이나 판단력이 필요한 일들은 인간의 고유 영역이며, 쉽사리 기계로 대체되지 못한다”고 합니다. 영리한 데다 겸손하기까지 한 AI에 감탄하다 문득 이 녀석이 거짓말인들 못 하겠나 싶어 조금 섬뜩했습니다. 좋든 싫든 아마 올해는 AI 관련 뉴스를 계속해서 보고 듣게 될 것 같습니다.

[출처] https://www.chosun.com/economy/mint/2023/01/20/KAJID6DQR5GKXBRZYUMBFOXVL4/

인공지능(AI)과 로봇 기술이 급속히 발전하면서 일자리의 미래에 대한 걱정도 커지고 있다. 전국경제인연합회가 2021년 20·30세대 829명에게 미래사회가 도래하면 일자리가 어떻게 변하게 될 것으로 생각하는지 물었더니 10명 가운데 8명(83%)은 일자리가 줄어들 것이라고 우려했다. 최근엔 ‘미드저니’ ‘달리’ 등 그림 그리는 AI와 대화형 AI인 ‘챗GPT’가 잇따라 등장해 ‘AI가 인간의 일자리를 앗아갈 것’이라는 우려가 더욱 커졌다. 실제로 로봇 한 대가 늘어나면 인간 일자리가 0.1%포인트 줄어든다는 분석(한국은행·2021년)도 있다.

이런 현상에 대해 오랜 기간 자동화와 노동의 관계를 연구해온 데이비드 오터(56) 미국 매사추세츠공대(MIT) 교수는 어떤 생각을 갖고 있을까. MIT 부속 ‘미래의 일자리’ 연구소 공동 의장이자 저명한 노동 경제학자인 오터 교수를 WEEKLY BIZ가 화상으로 인터뷰했다.

 

◇“AI가 인간 대체한다는 건 과장”

-코로나 팬데믹이 노동시장을 어떻게 바꿨나.

“예상치 못한 구인난이 발생하면서 저학력 근로자에게 매우 좋은 노동시장이 형성되고 있다. 지난 40년간 고학력자가 혜택을 독식해온 노동시장에 극적인 역전이 일어난 것이다. 이런 변화는 고임금 근로자보다 저임금 근로자 임금을 많이 올려 불평등을 줄인다는 점에서 긍정적이다. 다만 이런 상황이 얼마나 지속할지는 불확실하다. AI가 발전하는 속도도 내가 예상했던 것보다 더 빠르다.”

-결국 AI나 로봇의 발전 속도를 인간이 따라갈 수 없는 것 아닌가.

“‘따라간다’는 말은 경쟁을 전제로 한다. 하지만 인간은 AI 같은 기계와 경쟁하는 관계가 아니다. 지난 200여 년간 인간은 놀랄 만한 기술을 개발하고 자동화를 도입했는데, 대부분 인간을 도와주는 역할을 했다. AI도 마찬가지다. 가령 AI가 사람 대신 완전한 글을 쓰지는 못하지만, 보조적인 역할은 충분히 할 수 있다. AI가 만들어주는 문장을 초안 삼아 글을 쓰면 시간을 절약할 수 있을 것이다.”

-그렇다면 AI가 인간의 일자리를 대체할 것이라는 걱정은 기우인가.

“물론 지금까지 기술 발전이 그랬듯 AI도 일부 일자리에 손해를 끼칠 것이다. 예를 들어 미국에서는 매년 세금을 낼 때 모든 수입 내역과 증빙 서류를 당국에 제출해야 하는데, 이 절차가 너무 복잡해서 많은 사람들이 이 일을 세무사에게 맡겼다. 그런데 지금은 이를 처리하는 AI 프로그램이 개발되면서 사람들이 값싼 비용으로 전문적인 서비스를 이용할 수 있게 됐다. 자연히 세무사 수요는 줄어든다. 하지만 아무리 AI가 대세이고 중요한 기술이라고 해도 사람이 하는 모든 일을 완전히 대체할 정도는 아니다. 노동 시장을 완전히 바꾸는 수준은 더더욱 아니다.”

오터 교수는 “AI나 로봇은 인간의 판단에 따라 쓰임새가 결정된다는 점을 기억해야 한다”고 했다. 예를 들어 중국은 전 세계에서 감시나 콘텐츠를 검열하는 데 가장 뛰어난 기술을 갖고 있는데, 이건 중국 당국의 선택과 투자로 인해 가능한 것이지 AI의 고유한 속성 때문은 아니라는 것이다. 그는 “현재로서 우리는 AI가 정확히 어떤 목적으로 사용될지 알 수 없다”며 “그러므로 어느 직업에서 어느 정도까지 인간의 일자리를 빼앗아 갈지 속단하기도 어렵다”고 했다.

 

◇미래에도 읽기·쓰기·말하기·분석이 중요

오터 교수는 다양한 실증 연구를 통해 자동화가 일자리를 빼앗는 게 아니라 오히려 늘린다는 주장을 펴왔다. 2015년 ‘왜 아직도 그렇게 많은 일자리가 있는가’라는 제목의 논문에서도 그는 “자동화와 노동이 상호 보완 작용을 하면서 생산성을 높이고 수입을 증가시키고, 이로 인해 전체 일자리도 늘어날 것”이라고 주장했다. 그런 그도 자동화와 AI가 가져올 양극화에 대해서는 상당한 우려를 갖고 있다. 그는 “현재 소매점 같은 단순 서비스 업종이 구인난에 시달리고 있지만, 장기적으로 이런 일자리는 살아남기 어렵다”며 “전문 지식이 필요 없는 단순 일자리를 줄이고, 법률이나 의료 분야 등 전문 지식을 요구하는 분야에서 일하는 사람을 늘리는 방향으로 가야 한다”고 말했다.

-미래 세대는 어떤 직업이나 전공을 가지는 게 좋을까.

“기계를 잘 활용할 수 있는 사람이 돼야 한다. 의사를 예로 들어 보자. 의사는 전문 지식을 가지고 있지만, 동시에 환자와 꾸준히 소통하는 사람이다. 사람들이 요구하는 것을 지식을 활용해 일종의 ‘번역’을 해야 하는 직업이다. 나는 이를 ‘가치 있는 일’이라고 표현하고 싶다. 이런 일은 기계가 해내지 못한다. 이처럼 앞으로는 전문적인 지식과 사람의 요구를 함께 받아들이고, 자신만의 가치를 만들어낼 수 있는 사람에게 많은 기회가 갈 것이라고 본다. 어떤 전공이 유망할 것이라고 말하기는 어렵다. 사람들이 각자 다른 적성을 갖고 있기 때문이다. 다만 근본적인 것은 바뀌지 않는다. 미래에도 읽기·쓰기·말하기·분석하기가 매우 중요할 것이다. 학교에서 분석적 사고방식을 길러야 하고, 더 나은 추론을 하고 의사 결정을 내릴 수 있도록 정보를 분석하는 능력을 키워야 한다.”

-일각에서는 빅테크 기업들이 AI와 저개발국 노동력을 활용해 이익을 극대화하고 노동력을 착취한다고 비판한다.

“과거 무역이 활발해졌을 때도 부자 나라가 자신들의 이익을 위해 가난한 나라를 착취한다는 비판이 나왔다. 하지만 무역은 한때 개도국이었던 한국이나 중국, 일본 등 많은 나라를 부자로 만들었다. 물론 현재 개도국들이 아마존이나 테슬라 같은 빅테크 기업이 발주하는 단순 업무를 하다 보니 일부 학대당하거나 낮은 임금을 받는 경우도 있다. 하지만 모두가 그런 것은 아니며, 그것이 플랫폼 노동의 본질도 아니다.

오히려 기술이 부족한 나라는 기술력 있는 나라가 무역하고 싶지 않을 정도로 자급자족하는 상황을 경계해야 한다. 예를 들어 선진국이 방글라데시에 ‘우리는 옷을 만들어줄 로봇이 있으니까 더는 당신네 나라에서 옷 살 필요가 없다’든지 ‘이제는 로봇 간호사에게 일을 시키면 된다’며 필리핀에 간호사 수입을 하지 않겠다고 나설 수 있다. 이렇게 되면 하고 싶어도 무역을 하지 못하는 상황이 발생한다. 실제로 미국 의회에서는 로봇이 발전하고 있기 때문에 이민자가 필요 없다는 주장을 하는 사람들이 있다. 이것이 진짜 비극이다.”

-자동화 시대에 정부는 어떻게 대응해야 하나.

“AI와 로봇이 가져올 변화에 대처하려면 교육, 건강, 안전 등 사회안전망을 잘 구축해야 한다. 이런 점에서 미국은 초·중등 교육 시스템에 많은 문제가 있다. 지난 40여 년간 미국은 사람에 대한 투자를 정부가 아닌 민간 기업에 맡겨야 한다는 생각에 이끌렸다. 그러다 보니 교육이나 의료 서비스 부족에 직면해 있다. 안정성이 부족하다 보니 국민은 자신의 잠재력을 발휘하지 못한다. 시장이 중요하고, 정부가 모든 걸 통제해선 안 된다는 말은 맞다. 하지만 현재 미국은 비간섭주의에 지나치게 경도돼 있다고 생각한다.”

[ 一日30分 인생승리의 학습법] 일 안 해도 생기는 수입? 그런 ‘패시브 인컴’은 없다

코칭을 하다 보면 ‘패시브 인컴’ 얘기를 가끔 듣습니다.

“매일 같은 일을 반복하는 게 힘들다. 그간 진짜 열심히 일해서 사업은 좀 안정된 것 같은데, 이젠 여유를 갖고 싶다. 패시브 인컴을 만들 수 있으면 좀 나아질 것 같다.”

패시브 인컴에 관한 ‘착각’ 

패시브 인컴(Passive Income, 수동 소득)이란 잠자는 동안에도 들어오는, 일을 하지 않아도 따박따박 들어오는 수입을 얘기합니다. 자본 소득, 저작권료, 임대료, 로열티 등이 여기에 속합니다. 많은 사람들의 로망이죠.

마치 휴양지 해변에 누워서 가만히 쉬고 있어도 돈이 계속 들어오는 걸 생각합니다. 그래서 사람들은 패시브 인컴을 일 안 해도 들어오는 돈이라고 착각을 합니다.

근데, 가만히 생각해보면 그런 의미의 패시브 인컴은 존재할 수가 없습니다. 자본 소득과 금융 소득에 중요한 은행 이자만 봐도 고정되어 있지 않고 계속해서 변합니다. 높아질 때도 있고 낮아질 때도 있습니다. 그리고 펀드나 주식은 원금 손실의 리스크가 있습니다.

한마디로 끊임없이 관리하지 않으면 안 됩니다. 임대료 수익도 건물 관리, 공실 관리, 임차인 관리 등 기본적인 관리에 들어가는 노력이 만만치 않습니다. 로열티는 당연히 지급 회사의 실적에 따라 좌우되며, 음악과 서적 등과 같은 저작권료도 지속적인 활동을 하지 않으면 점점 잊히면서 감소할 수밖에 없습니다.

그렇기 때문에, 우리가 막연하게 생각하는 불로소득 같은 패시브 인컴은 존재하지 않습니다. 단기적인 패시브 인컴은 가능하겠지만 지속적인 패시브 인컴은 불가능합니다. 패시브 인컴처럼 보이는 수익 대부분은 물 위에 떠있는 백조와 같습니다. 겉으로는 우아하게 떠 있지만, 물밑에서는 부지런히 발을 움직이고 있습니다.

물속에서도 우아한 백조는 없습니다.

스트레스 없이 돈 버는 방법? 

사람들이 패시브 인컴을 추구하는 이유는 하기 싫은 일을 돈 때문에 억지로 하고 싶지 않기 때문입니다. 나아가 돈에 대한 스트레스 없이 살고 싶기 때문입니다. 그래서 스트레스 없이 일상을 보내는데 돈은 꼬박꼬박 들어오는 것. 모두가 이걸 생각합니다.

그러면 어떻게 하면 스트레스를 받지 않으면서도 돈이 꼬박꼬박 들어올 수 있을까요? 그것은 돈 버는 일이 일상이 되면 됩니다. 스트레스 없이 내가 하고 싶은 일을 하며 사는 데 돈이 들어오는 것입니다. 스트레스란 의식적으로 뭔가를 할 때 발생합니다. 그런데 루틴이 생기고, 어떤 일이 익숙해지고 나면 그부분에 대한 스트레스가 없어집니다.

어릴 때는 밥을 먹는 일, 처음으로 걸음마를 떼는 일, 아침에 일어나 이를 닦는 일, 이런 것들이 다 스트레스였습니다. 그래서 이런 일에 익숙해지기 위해 생활 습관 훈련을 했습니다. 그러다 그게 익숙해지면 그냥 무의식적으로 하는 일상이 되어버립니다.

어릴 때는 양치질도 스트레스였습니다. 하지만 습관을 통해 익숙해졌죠. 지금은 가끔 귀찮을 수는 있지만, 양치질에 스트레스를 받진 않습니다. 그냥 하는, 해야 하는 일상이니까요. 일도 마찬가지입니다.

일도 마찬가지입니다. 우선은 내가 하는 일이 돈으로 바뀔 수 있는 비즈니스 시스템을 만들고, 그 시스템을 돌리는 일을 일상으로 만드는 것이 중요합니다.

창업해서 성공한 후 엑시트(Exit, 탈출) 하려는 이유는 그 일을 내가 일상으로 할 수 없거나, 그렇게 만들지 못했기 때문입니다. 사업이 잘돼서 돈을 좀 벌고 나면 그 돈으로 여기저기 투자해 놓고 편안하게 살고 싶어집니다. 하지만 투자하는 일 역시도 또 하나의 일입니다. 투자에 대해서 배워야 하고, 투자 대상을 지속해서 관리해야 합니다. 투자에 익숙해지기까지 또 다른 스트레스를 견뎌야 합니다.

창업해서 돈 좀 벌고 나면 다른 곳에 투자해서 마음 편히 살자! ‘엑시트’를 꿈꾸시는 여러분, 그런 탈출은 대개 허상입니다.

패시브 인컴이란 결국 마음의 문제입니다. 내가 돈을 벌고 있는 행위를 패시브하게 만들면 패시브 인컴이 됩니다. 그런 관점에서 보면 취업도, 창업도, 투자도 패시브 인컴으로 만들 수 있습니다. 직장 생활도 루틴이 잡히면 월급이 따박따박 들어오는 패시브 인컴입니다.

패시브 인컴을 얻는 방법은 내가 하고 싶은 일을 찾고, 그 일을 통해서 돈을 벌 수 있는 방법을 찾아 익숙한 일상으로 만들어 버리는 것입니다. 그것이 취업이든, 창업이든, 투자든 상관없습니다.

저는 지속 가능성과 주도권을 위해 나만의 시스템을 만드는 사업을 권장하지만, 그 형태는 결국 내 스타일에 맞는가 아닌가의 문제일 뿐입니다. 다른 곳에서 패시브 인컴을 찾지 말고, 현재 내가 하는 일을 패시브 인컴으로 만들어 보길 바랍니다.

[ 一日30分 인생승리의 학습법] 파이토치로 딥러닝해야 하는 5가지 이유

파이토치가 최근 1.3 및 1.4 릴리스를 통해 풍부한 성능 개선과 모바일 플랫폼용 개발자 친화적인 지원을 제공하면서 강력하게 부상하고 있다. 과연 MX넷, 체이너(Chainer), 텐서플로우(TensorFlow) 등의 다른 프레임워크 대신 파이토치를 선택할 만한 이유가 있을까? 파이토치를 사용해야 할 5가지 이유를 살펴보자.
 
먼저, 기사를 시작하기도 전에 분노의 트윗과 이메일을 보내려 준비하고 있는 텐서플로우 사용자들에게 할 말이 있다. 물론 파이토치가 아닌 텐서플로우를 선택할 이유는 많고, 특히 모바일 또는 웹 플랫폼을 대상으로 작업할 경우에는 텐서플로우가 확실히 유리하다. 이 기사의 주제는 “텐서플로우가 열등하고 파이토치가 뛰어나다”는 것이 아니라, 필자가 파이토치를 가장 먼저 선택하는 이유를 정리하는 것이다. 텐서플로우가 그 나름대로 훌륭하다는 점은 필자도 인정하므로, 너무 분노하지 말기를 바란다.
 

파이토치는 파이썬이다

사람들이 파이토치를 선택하는 주된 이유 중 하나는 코드를 이해하기가 쉽기 때문이다. 파이토치 프레임워크는 파이썬과 씨름하는 것이 아니라, 함께 작동하도록 설계, 제작되었기 때문이다. 모델과 계층뿐 아니라 다른 모든 것, 옵티마이저, 데이터 로더, 손실 함수, 변환 등도 다름아닌 파이썬 클래스다.
 
파이토치는 전통적인 텐서플로우의 정적 실행 그래프가 아닌 즉시 실행 모드로 작동하므로(텐서플로우 2.0은 즉시 실행을 제공하지만 매끄럽지 않은 부분이 있음) 맞춤형 파이토치 클래스를 추론하기가 매우 쉽고 텐서보드(TensorBoard) 또는 print() 문에 이르기까지의 표준 파이썬 기법으로 디버깅하고 스택 트레이스 샘플에서 플레임(flame) 그래프를 생성할 수 있다. 덕분에 판다스(Pandas), 사이킷-런(Scikit-learn)과 같은 다른 데이터 과학 프레임워크에서 딥 러닝으로 넘어온 사람들에게도 상당히 친숙하게 느껴진다.
 
초기 릴리스에서 버전 1.3에 이르기까지 중대한 변경이 하나뿐인(변수에서 텐서로의 변화) 안정적인 API도 파이토치의 장점이다. 물론 가장 큰 이유는 파이토치가 아직 젊은 프레임워크라는 데 있지만, 어쨌든 작성된 버전에 관계없이 대다수 파이토치 코드를 알아보고 이해할 수 있다.
 

파이토치는 즉시 사용할 수 있다

 “바로 사용 가능” 철학이 파이썬의 전유물은 아니지만 파이토치를 설정하고 실행하기는 무척 쉽다. 파이토치 허브를 사용하면 다음과 같은 한 줄의 코드로 된 사전 학습된 ResNet-50 모델을 얻을 수 있다.
 

model = torch.hub.load('pytorch/vision', 'resnet50', pretrained=True)

또한 파이토치 허브는 여러 영역에 걸쳐 통합되므로 텍스트와 오디오, 비전을 모두 다룰 수 있는 원스톱 아키텍처로 적합하다.
 
파이토치에는 모델 외에 풍부한 손실 함수와 옵티마이저도 기본으로 제공된다. 특징은 데이터를 로드하고 내장 변환을 연결하기가 쉽다는 점이다. 또한 자기만의 로더 또는 변환을 만들기도 비교적 간단하다. 모든 것이 파이썬이므로 표준 클래스 인터페이스를 구현하기만 하면 된다.
 
한 가지 사소하지만 주의할 점은 파이토치에 포함된 많은 편의 기능이 비전 문제(토치비전 패키지에서 발견된 문제)에 편향되며 텍스트 및 오디오 지원 중 일부는 부족하다는 점이다. 다행히 1.0 이후부터 토치텍스트와 토치오디오 패키지가 상당히 개선되고 있다.
 

연구에 주도적으로 사용되는 파이토치

파이토치는 연구자들에게는 천국과 같다. 모든 주요 딥 러닝 컨퍼런스의 자료에서도 그 사실을 알 수 있다. 파이토치는 2018년에도 빠르게 성장했지만 2019년에는 CVPR, ICLR, ICML 등의 주요 프레임워크로 부상했다. 이러한 전면적인 도입의 이유는 위에 언급한 점, 즉 파이토치가 곧 파이썬이라는 데 기인한다.
 
표준 파이썬 클래스의 간편하고 안정적인 하위 클래스로 새 맞춤형 구성요소를 만들 수 있으므로 새로운 개념을 실험하기가 훨씬 더 쉽다. 또한 유연하므로 텐서보드, 일래스틱서치(ElasticSearch) 또는 아마존 S3 버킷으로 매개변수 정보를 보내는 계층을 간단히 만들 수 있다. 난해한 라이브러리를 가져와서 네트워크 학습과 함께 사용하거나 학습 루프에서 특이한 새로운 시도를 하고자 하는가? 여기서도 파이토치가 걸림돌이 되는 경우는 없다.
 
그동안 파이토치의 발목을 잡은 한 가지는 연구에서 프로덕션에 이르는 명확한 경로의 부재다. 파이토치가 연구 분야에서 강세라 해도, 실제로 프로덕션 용도는 여전히 텐서플로우가 주도하고 있다. 그러나 파이토치 1.3이 나오고 토치스크립트가 확장되면서 JIT 엔진을 사용해 연구 코드를 그래프 표현으로 컴파일하는 파이썬 주석을 사용하기가 쉬워졌으며 그 결과 속도가 향상되고 C++ 런타임으로 쉽게 내보낼 수 있게 됐다. 또한 지금은 파이토치와 셀던 코어(Seldon Core), 큐브플로우(Kubeflow)의 통합이 지원되므로 텐서플로우에 미치진 못해도 거의 필적할 만큼 간편하게 쿠버네티스에 프로덕션 배포가 가능하다.
 

딥 러닝을 쉽게 배울 수 있다는 장점

딥 러닝 교육 과정은 많지만 그 중에서 fast.ai 과정이 가장 좋다. 게다가 무료다! 과정의 첫 해에는 케라스(Keras)에 상당히 집중했지만 fast.ai 팀(제레미 하워드, 레이첼 토마스, 실바인 구거)은 두 번째 해에 파이토치로 전환했고 그 이후 지금까지 이어오고 있다. (참고로 fast.ai는 텐서플로우용 스위프트에도 상당히 긍정적이다.)
 
fast.ai의 최근 교육 과정에서는 텍스트 및 비전 영역에서 분류, 세그먼테이션, 예측과 같은 작업에 대한 최신 결과를 달성하는 방법을 알아보고, GAN에 대한 모든 것을 배우고 전문가도 눈이 번쩍 뜨일 만한 풍부한 트릭과 통찰력을 찾을 수 있다.
 
fast.ai 과정은 파이토치 위에서 부가적인 추상화를 더 제공하는 fasi.ai의 자체 라이브러리를 사용하지만(덕분에 딥 러닝을 배우기가 더욱 쉬움), 기초적인 부분에 대해서도 심층적으로 다루면서 파이토치와 비슷한 라이브러리를 처음부터 새로 만든다. 따라서 파이토치가 내부적으로 어떻게 움직이는지 잘 이해할 수 있게 된다. fast.ai 팀은 이 과정에서 주 파이토치의 몇 가지 버그도 수정한다.
 

우수한 커뮤니티도 장점

마지막으로, 파이토치 커뮤니티는 정말 유익하다. pytorch.org 웹사이트에는 파이토치 릴리스와 충실히 보조를 맞추는 문서와 함께, 파이토치의 주 기능부터 맞춤형 C++ 연산자를 통해 라이브러리를 확장하는 세부적인 방법에 이르기까지 모든 주제에 관한 자습서도 준비돼 있다. 이 자습서는 학습/검증/테스트 스플릿과 학습 루프 등에 대한 표준화 측면에서 다소 아쉬운 면이 있지만 특히 새로운 기능이 도입될 때 매우 유용한 리소스로 활용할 수 있다.
 
공식 문서 외에, discuss.pytorch.org의 디스코스(Discourse) 기반 포럼은 핵심 파이토치 개발자와 손쉽게 대화하고 도움을 받을 수 있는 훌륭한 리소스다. 매주 1,500개 이상의 글이 올라오며 분위기가 우호적이고 활발하다. 이 포럼에서는 주로 fast.ai의 자체 라이브러리지에 대해 토론하지만 forums.fast.ai에 있는 비슷한 포럼 역시 텃세(슬픈 일이지만 많은 딥 러닝 토론장의 문제) 없이 초보자를 적극적으로 도와주는 훌륭한 커뮤니티이며, 다른 주제도 많이 다룬다.
 

파이토치의 현재와 미래

여기까지 파이토치를 사용할 5가지 이유를 살펴봤다. 처음에 언급했듯이 이 중에는 경쟁 프레임워크 대비 파이토치의 전유물이 아닌 요소도 있지만 이러한 모든 이유의 조합은 필자가 딥 러닝 프레임워크로 파이토치를 선택하는 근거가 된다. 파이토치가 현재 부족한 영역도 있다. 예를 들어 모바일, 희소 네트워크, 쉬운 모델 양자화 등이다. 그러나 빠른 개발 속도를 감안하면 올해 말 정도면 이러한 영역에서도 파이토치가 지금보다 훨씬 더 강세를 보이게 될 것이다.
 
마무리하기에 앞서 두 가지 예만 더 살펴보자. 첫째, 지난 12월에 실험적 기능으로 도입된 파이토치 일래스틱이다. 파이토치의 기존 분산 학습 패키지를 확장해서 대규모 모델 학습을 더 강화한다. 이름에서 알 수 있듯이 이를 위해 탄력성 있는 여러 머신에서 실행되며, 전체 작업을 멈추거나 중단하지 않으면서 언제든 학습 작업에서 노드를 넣고 뺄 수 있다.

두 번째는 오픈AI가 주 개발 플랫폼으로 파이토치를 도입한다고 발표한 것이다. 파이토치에는 매우 중대한 성과다. 오픈AI가 파이토치를 채택했다는 것은 GPT-2(질문에 답하기, 기계 번역, 독해, 요약을 위한 최신 언어 모델)를 만든 사람들이 아이디어를 반복 개발하는 데 있어 파이토치가 텐서플로우보다 더 생산적인 환경을 제공한다고 여긴다는 것을 의미하기 때문이다.
 
프리퍼드 네트웍스(Preferred Networks)가 딥 러닝 프레임워크인 체이너를 유지보수 모드로 전환하고 파이토치로 이전한 데 이어 오픈AI가 파이토치를 도입하기로 결정한 것은 파이토치가 지난 2년 사이 얼마나 많이 발전했는지 잘 보여주며, 파이토치가 앞으로도 계속 개선을 거듭하면서 사용자를 흡수할 것임을 예고한다. AI 영역을 주도하는 이들이 파이토치를 선호한다면 다른 사람들에게도 파이토치가 좋다는 의미일 것이다. editor@itworld.co.kr 

[출처] https://www.itworld.co.kr/news/144936