Sungjoo Ha

Aim High

2025-09-07T00:00:00Z

Aim high는 말 그대로 더 높은 수준을 추구하는 것을 의미합니다. 이 또한 마인드셋입니다. 흔히 move fast와 aim high는 서로 tradeoff 관계에 있는 것이 아닌가 하는 생각을 합니다. 빨리 결과를 내면 퀄리티가 낮아질 수밖에 없고 퀄리티를 내려면 빨리 결과를 낼 수 없는 것이 아닌가 하는 생각이 들죠. 어떤 측면에서 보면 맞는 말이지만 이 또한 본질을 생각해볼 필요가 있습니다. Move fast가 latency와 throughput에 대한 이야기인 것처럼 aim high도 문제를 바라보는 시각에 대한 이야기입니다. Aim high는 스스로에게 더 높은 수준의 결과물을 기대하는 것을 의미합니다. 본인 스스로 얼마나 높은 수준의 기준을 가져다 대는가? 그리고 그러한 기준을 계속해서 올리고 있는가?를 aim high의 본질로 생각할 수 있습니다.

최고의 성과를 내는 직원들은 무엇이 다른가를 서베이 해봤을 때 도전적인 목표를 잡고 스스로에게 높은 기준을 요구하는 것이 가장 중요한 요소였습니다. 조직이 OKR을 사용하면서 도전적인 목표를 잡는 것을 이와 같은 맥락에서 생각할 수 있습니다.

Set stretch goals and adopt high standards for themselves. This was the single most powerful differentiator. The best individual contributors set — and met — stretch goals that went beyond what others thought were possible. They also encouraged others to achieve exceptional results. And yet when we asked raters to select the four skills they thought were most important for an individual contributor to have, less than one in 10 chose high goals. It appears that setting stretch goals, since it’s not necessarily expected, is a behavior that separates top performers from average.

The Behavior that Defines A-Players

높은 성취를 내는 가장 효과적인 방법은 스스로에게 높은 잣대를 요구하고 도전적인 목표를 잡는 것입니다. 이에 대해 더 알고 싶다면 Goal Setting에 대해 더 알아보시길 권합니다.

Aim high가 스스로에게 높은 수준의 잣대를 가져다 대는 것이라면 그 수준의 위치에 의해 많은 것이 달라질 수 있습니다. 그렇기 때문에 내가 평소에 가지고 있는 틀을 깨어줄 수 있는 환경 을 갖추는 것이 중요합니다. 이는 좋은 동료일 수도 있고 나를 한게까지 밀어줄 수 있는 코치일 수도 있으며 대회와 같은 경쟁적인 상황일 수도 있습니다. 좋은 환경에 기를 쓰고 가는 것은 signaling의 의미도 있지만 그보다 그 환경에서 나의 틀을 부숴줄 경험을 더 많이 할 수 있기 때문이기도 합니다. 저는 학부 1학년 때부터 LaTeX을 사용해서 모든 과제를 제출했었는데 이건 주변에 그렇게 하는 친구들을 보고 자연스레 그렇게 할 수 있다고 생각했기 때문입니다. 비슷하게 학부 때 시스템 프로그래밍 수업 들은 동기가 바이너리만 주어진 게임의 동작 방식을 어셈블리 코드 인젝션을 통해 바꾸는 것을 보며 저런 것이 아예 손에 닿지 않는 곳에 위치한 것이 아니라 나도 할 수 있는 것이라는 자극을 받았던 기억이 납니다.

우리가 운동 할 때에 코치를 두는 이유는 이러한 틀을 체계적으로 부숴줄 수 있기 때문입니다. 조직은 그렇기 때문에 이러한 틀을 부숴주는 높은 기준을 요구하는 환경을 제공할 수 있도록 노력해야 합니다. 저희가 늘 리터러쳐 서베이를 100편씩 일주일이면 할 수 있어야 한다고 이야기하는 이유는 이를 해본 적이 없는 사람은 상상조차 하지 못하지만 막상해보고 숙달되면 실제로 할 수 있는 그런 종류의 작업이기 때문입니다.

팀과 무관하게 개인의 레벨에서도 더 도전적인 목표를 잡고 나 스스로의 기준을 더 높일 수 있는 방법은 무엇인지를 꼭 고민해보길 바랍니다. 내가 평소에 하던 것보다 한 단계 더 나아간다면 어떨까? 이런 질문을 던지고 그 답을 찾아보길 권합니다. 평소에 업무의 완료라고 생각한 시점에 조금 더 품질을 높인다면 무엇을 할 수 있는지 한 번 더 생각해보시길 바랍니다. “이렇게까지 해야 돼?”라는 생각이 들 때까지 한계를 밀어붙이고 그러한 한계에 도달했을 때 한 발 더 나아가는 방법을 다시금 생각하는 것이 핵심 중 하나라 생각합니다. 모르는 사람이 생각하기에는 그렇게까지 해야해?로 보일 수 있는 정도의 높은 기준을 스스로에게 요구해야만 그 정도 경지에 오를 수 있는 것이라고 생각합니다.

제가 활용했던 몇 가지 테크닉을 공유드립니다.

제가 늘 하는 이야기 중 추상화 단계를 넘나들어야 한다는 것이 있습니다. 문제에 대한 고민을 할 때 내가 친숙한 추상화 단계 아래와 위에서 어떤 일이 일어나고 있는지 궁금해하고 알아보도록 하세요. 뉴럴넷 밑바닥에 돌아가는 GPU는 어떤 방식으로 동작하고 커널을 어떻게 활용하는지 공부해보세요. 내가 만든 소프트웨어 컴포넌트가 보다 큰 그림에서 어떤 방식으로 다른 컴포넌트와 연결되어 회사에 기여하고 있는지 알아보세요.

Pre-mortem을 진행하세요. 나의 과업이 실패했다고 가정하고 그 원인이 무엇인지 생각해보고 가장 값싸게 이러한 리스크를 관리할 수 있는 방법에 대해 고민하세요. 리스크 요소가 될 수 있는 것들을 내 생각보다 조금 더 쥐어짜는 노력을 해보세요. 저는 과거 논문을 쓰다가 제출 직전이 되어 도무지 더 고칠 곳이 없다는 생각이 드는 시점에 한 번 더 마음을 가다듬고 논문 제출 후에 리젝되어 타임머신을 타고 다시 이 시점으로 돌아왔다는 생각을 하며 한 번 더 논문을 수정하는 작업을 했었습니다.

본인이 업무하는 것을 기록하세요. 저는 심지어 제가 연구실에서 일 하던 화면을 모두 녹화한 뒤에 이를 다시 살펴보며 도구 사용이나 업무 습관에서 개선할 수 있는 부분이 있는지 살펴보곤 했습니다.

문제 풀이 기법을 완전히 내 것으로 만들기 위해 노력하세요. 문제를 다 풀어낸 뒤에 이를 다시 푼다면 어떻게 할지가 명확하게 보이도록 노력하세요. 조금 더 일반화된 문제 셋팅이나 풀이를 고민해보세요.

In my own experience of designing difficult algorithms, I find a certain technique most helpful in expanding my own capabilities. After solving a challenging problem, I solve it again from scratch, retracing only the insight of the earlier solution. I repeat this until the solution is as clear and direct as I can hope for. Then I look for a general rule for attacking similar problems, that would have led me to approach the given problem in the most efficient way the first time. Often, such a rule is of permanent value.

Robert Floyd

Another mental gimmick for aid in research work, I think, is the idea of generalization. This is very powerful in mathematical research. The typical mathematical theory developed in the following way to prove a very isolated, special result, particular theorem – someone always will come along and start generalization it. He will leave it where it was in two dimensions before he will do it in N dimensions; or if it was in some kind of algebra, he will work in a general algebraic field; if it was in the field of real numbers, he will change it to a general algebraic field or something of that sort. This is actually quite easy to do if you only remember to do it. If the minute you’ve found an answer to something, the next thing to do is to ask yourself if you can generalize this anymore – can I make the same, make a broader statement which includes more – there, I think, in terms of engineering, the same thing should be kept in mind. As you see, if somebody comes along with a clever way of doing something, one should ask oneself, “Can I apply the same principle in more general ways? Can I use this same clever idea represented here to solve a larger class of problems? Is there any place else that I can use this particular thing?”

Claude Shannon

호기심을 따라가세요. 내가 무엇을 좋아하는지, 어떤 것에 관심있는지 알고 호기심이 일어나는 것을 따라가다보면 생산적일 수 있습니다. 새로운 것을 배울 수도 있고, 부족하던 부분을 자연스레 채울 수도 있어요. 그런 방식으로 본인의 행운을 키울 수 있습니다.

Aim high를 해야 정말 탁월한 수준에 도달할 수 있습니다. 뛰어난 성취를 달성하는 사람들은 상상 이상으로 열심히 일하고 상상 이상으로 그라인딩하고 있습니다. 이를 염두에 두고 한 발 더 나아가는 것을 늘 생각하시길 바랍니다.

I find these “shorter work weeks are just as effective” articles to be nonsense, at least for knowledge workers with some tactical discretion.

John Carmack

High Standard

Prioritize

2025-06-16T00:00:00Z

우선순위를 정한다는 것은 단순히 일의 순서를 정하는 것이 아닙니다. 그것은 불확실성 속에서 최적의 의사결정을 내리는 문제와 같습니다. 우리는 종종 쉬운 것부터 하자low-hanging fruit와 같은 휴리스틱에 의존하지만, 이런 접근은 최적이 아닐 때가 많습니다. AI를 연구하는 우리에게는 이 문제를 해결할 더 강력한 도구가 있습니다. 바로 결정 이론decision theory이라는 렌즈로 우선순위를 바라보는 것입니다. 이 관점에서, 우선순위를 정하는 행위는 기대 효용expected utility을 극대화하는 선택을 하는 것과 같습니다. 우리가 주된 도구로 사용하는 AI/ML/통계학도 결국 이러한 기대효용 극대화를 어떻게 풀 것인가에 대한 답을 베이지안 결정이론이나 강화학습, 온라인 러닝 기법 등의 다양한 모양새로 제시하고 있습니다. 이 글에서는 이 핵심 프레임워크를 바탕으로, 저희 AI 조직이 어떻게 중요한 업무에 집중하고 큰 임팩트를 내는지 공유하고자 합니다.

결정 이론의 핵심은 기대 효용을 극대화하는 것입니다. 그렇다면 실제 업무에서 기대 효용이 높은 선택이란 무엇일까요? 이것이 바로 High Output Management에서 강조한 레버리지leverage의 개념입니다. 레버리지가 높은 업무에 집중하라는 원칙은, 결국 기대 효용을 극대화하라는 이론을 현실에 적용한 훌륭한 휴리스틱인 셈입니다. 매니저의 아웃풋은 본인 조직의 아웃풋과 본인이 영향을 끼칠 수 있는 모든 조직의 아웃풋의 총합이라고 하였습니다. 아웃풋의 크기는 결국 수행하는 행동과 그 행동의 레버리지의 곱으로 구성됩니다. 그렇다면 아웃풋의 크기를 늘리기 위해서는 수행하는 행동의 수를 늘리거나 레버리지 자체를 늘리거나 혹은 레버리지가 낮은 업무의 비중을 줄이고 레버리지가 높은 업무를 많이 수행해야 합니다. 이러한 단순한 프레임워크를 머릿속에 넣고 업무를 대하는 것이 우선순위를 잘 설정하고 의사결정을 잘 하는 기본적인 방법입니다. 해당 책에서 매니저가 수행하는 업무 중 레버리지가 큰 업무로 한 명의 매니저가 여러 사람에게 영향을 주거나, 매니저의 짧은 인풋으로 한 사람의 퍼포먼스가 긴 시간 향상될 수 있거나, 한 사람이 큰 그룹의 업무에 영향을 줄 수 있는 지식이나 정보를 제공할 수 있는 경우 등을 꼽고 있습니다.

레버리지 높은 업무에 집중하라는 것은 뻔해 보이지만 이를 잘 지키면서 행동하면 얼핏 드는 생각보다 훨씬 큰 성과 차이를 만들어 낼 수 있습니다. 그 이유는 여러 측면에서 생각해볼 수 있습니다. 일단 파레토 법칙을 생각해볼 수 있습니다. 흔히 80:20 법칙이라고도 불리는데, 80%의 성과가 20%의 업무에서 나옴을 의미합니다. 만약 이 법칙이 사실이라면 20%의 중요한 업무가 아닌 곳에 집중되는 거의 대부분의 노력은 기회비용을 생각해보면 버려지는 것과 크게 다르지 않습니다. Proactive에 대한 이야기를 할 때에도 언급이 되었지만 나 혼자 최선을 다 하는 것이 아니라 실제 성과를 달성하기 위해 조직 전체를 활용하는 것이 레버리지가 높은 행동입니다. 당연하게도 나 혼자 열심히 하는 것과 회사 전체를 활용할 수 있는 것은 인풋 대비 그 결과의 크기가 훨씬 커질 여력이 많이 있겠죠.

이처럼 레버리지는 기대 효용을 극대화하는 강력한 지침입니다. 하지만 현실의 문제는 더 복잡하며, 이론적 최적을 늘 계산할 수는 없습니다. 따라서 우리는 더 넓은 의사결정을 돕는 도구를 갖추어야 합니다. 이 도구는 크게 두 가지, 즉 행동 규칙인 휴리스틱과 상황을 이해하는 틀인 멘탈 모델로 나뉩니다.

휴리스틱(원칙/규칙)은 복잡한 계산을 하는 대신 보통 잘 통하는 미리 정해둔 규칙을 따라가는 것을 의미합니다. 의사결정을 빠르면서도 효과적으로 잘 수행하는 분들은 잘 동작하는 여러 휴리스틱과 해당 휴리스틱의 약점을 알고 있기 때문에 그렇게 행동할 수 있다고 생각합니다. 이러한 휴리스틱에 대한 생각을 해보기에 가장 좋은 소개 자료는 Ray Dalio의 원칙이라는 책을 살펴보시길 권합니다. 만약 내가 어떠한 의사결정을 해야 하는 순간이 왔을 때 잘 모르겠다 혼란스럽다와 같은 생각이 든다면 내가 이러한 원칙/휴리스틱이 없는 것은 아닌지 생각해보고 만약 그렇다면 해당 상황에 적용 가능한 휴리스틱을 만드는 것을 고려하길 바랍니다.

몇 가지 휴리스틱을 예시로 들어보자면 Jeff Bezos는 의사결정은 두 가지 종류로 나뉜다고 하였습니다. 양방향의 의사결정이 가능한 경우에는, 그러니까 결정을 되돌리는 것이 비싸지 않다면 빠르게 현재 있는 정보만을 바탕으로 의사결정을 합니다. 반면 단방향의 의사결정만 가능한 경우에는, 그러니까 결정을 되돌리는 것이 비싸거나 불가능하다면 최대한 천천히 의사결정을 내립니다. 번복할 수 있는 종류의 결정은 고민을 더 하기보다는 최대한 빠르게 행동을 하여 불확실성을 명확하게 줄이도록 하자는 휴리스틱입니다. Ray Dalio는 동료들의 전문성에 기반한 가중 평균 투표 제도를 활용하여 의사결정을 하는 것으로 유명합니다. 이는 앞서 잠깐 언급한 ML 분야의 하나인 온라인 러닝 분야에서 활용하는 최적 의사결정 알고리즘의 열화판으로 볼 수 있습니다. Online learning에서 어떤 방식으로 최적 포뮬레이션을 하는지에 대해 알고 싶다면 Prediction, Learning, and Games를 살펴 보시길 권합니다.

멘탈 모델은 현재 상황을 정확하게 파악하고 어떤 휴리스틱을 적용할지 판단하게 돕는 생각의 틀입니다. 멘탈 모델에 대한 기본적인 시각은 Charlie Munger의 Poor Chalie's Almanack을 살펴보시길 권합니다. Charlie Munger의 제안대로 세상의 다양한 분야에 존재하는 기본적인 생각의 도구를 숙지하고 이를 렌즈 삼아 현상을 바라보는 습관이 중요합니다. 제가 AI 조직에서 자주 언급하는 멘탈 모델을 예시로 들어보자면 프로그래밍을 통한 조직 구조의 이해(콘웨이의 법칙), Shapley value를 비롯한 게임이론의 다양한 아이디어, 시스템적 사고 등이 떠오릅니다.

하이퍼커넥트 AI 조직에서는 늘상 이러한 원칙과 멘탈 모델의 활용이 일어납니다. 예를 들어, 데이터를 더 깊게 분석하는 것과 빠르게 행동하여 데이터를 얻는 것 사이에서 고민을 할 때 이 결정이 대부분 쉽게 되돌릴 수 있는 양방향 문이기에 해당 휴리스틱을 적용하는 경우가 많습니다. 이런 경우 긴 분석을 통해 완벽을 기하기보다 빠르게 행동하여 불확실성을 줄이는 선택을 합니다. 이처럼 의사결정에 있어서 명확한 원칙이 존재하면 팀은 왜 특정 선택을 하는지 이해하게 되며 매우 효과적으로 행동할 수 있습니다.

물론 언제나 수학적으로 최적인 계산을 수행하는 것은 무리입니다. 하지만 이론적으로 탄탄한 도구를 갖추고 있는 것은 무척이나 유용합니다. 필요에 따라 문제를 바라보는 해상도를 달리할 수 있기 때문입니다. 내가 어떤 것을 가정하고 있는지, 그 가정의 불확실성은 얼마인지, 이를 얼마나 쉽게 줄일 수 있는지 등에 대한 감을 얻기에 매우 유용합니다.

이러한 접근 방법을 더 깊이 알고 싶으시다면 Douglas Hubbard의 How To Measure Anything이라는 책을 읽어보시길 권합니다. 별다른 수학적인 훈련 없이 베이지안 결정이론을 어떻게 현실 세계에서 사용할 수 있는지에 대한 설명을 책 한권으로 알려주는 책입니다. 본인이 AI를 진지하게 공부하시는 분이라면 Kevin Murphy의 0번째 책의 챕터 5, 6과 함께 Mathematicalmonk의 ML 강의 챕터 11을 살펴보시고 체화하시길 권합니다.

우선순위를 잘 설정하자는 뻔한 문구 아래에는 AI를 공부하는 사람으로서 반드시 이해하고 있어야만하는 합리적 의사결정 이론이 깔려있습니다. 의사결정의 근본이 되는 결정 이론의 프레임워크를 이해하고, 그에 대한 현실적인 접근법으로서 행동 규칙인 휴리스틱을 활용하며, 다양한 상황을 꿰뚫어 보기 위해 여러 종류의 멘탈 모델을 갖추는 것. 이처럼 구조적으로 문제를 바라보고 불확실성을 고려한 의사결정을 하는 방법의 이해와 이를 배경삼아 만들어낸 다양한 종류의 멘탈 모델 및 의사결정 원칙이 하이퍼커넥트 AI 조직이 중요한 업무에 집중하여 큰 임팩트를 내는 방법입니다.

Move Fast

2025-06-09T00:00:00Z

앞서 소개한 하이퍼커넥트의 일곱 가지 핵심가치 proactive에 이어 move fast를 소개합니다. 하이퍼커넥트를 가장 강하게 대표하는 가치임과 동시에 move fast가 가장 오해를 많이 사는 가치이기도 하다고 생각합니다. 이에 제가 이해하고 있는 move fast에 대해 설명 드립니다. 적어도 저희 조직에서는 다음과 같은 방식으로 move fast를 해석하고 업무에 임하고 있습니다.

하이퍼커넥트의 7가지 일하는 방식 중 하이퍼커넥트를 가장 강하게 대표하는 것이 move fast라 생각합니다. 과거 제가 처음 디렉터가 되었을 때에도 여러 디렉터들께 여쭈어 보았을 때에 모든 디렉터들이 입을 모아 이야기했던 하이퍼커넥트의 가장 중요한 가치는 move fast였습니다. 저는 move fast가 우리의 가장 중요한 가치 중 하나라고 생각합니다.

하지만 하이퍼커넥트를 가장 강하게 대표하는 가치임과 동시에 move fast가 가장 오해를 많이 사는 가치이기도 하다고 생각합니다. 문자 그대로 해석하면 빠르게 일하라는 것이며 너무나도 당연한 이야기이기 때문입니다. 특히 하이퍼커넥트의 다른 가치인 aim high와 서로 모순적이지 않느냐는 질문도 종종 받았습니다. 이에 제가 이해하고 있는 move fast에 대해 설명 드립니다. 적어도 저희 조직에서는 다음과 같은 방식으로 move fast를 해석하고 업무에 임하고 있습니다.

제가 생각하는 move fast는 "짧은 레이턴시latency를 높은 쓰루풋throughput보다 선호한다" 입니다. 레이턴시는 지연속도/지연시간을 의미하죠. 어떤 액션을 하고 결과를 다시 받아보기까지 걸리는 시간이라고 해석하면 됩니다. 쓰루풋은 처리량을 의미하는데, 단위 시간 당 얼마나 많은 결과를 만들어 냈느냐를 의미합니다. 짧은 지연과 많은 결과는 둘 다 중요한 가치입니다. 가능하면 두 마리 토끼를 다 잡는 것이 좋겠죠. 그러나 둘 중 하나를 선택해야 하는 상황이 만약 생긴다면, 더 짧은 레이턴시를 먼저 선택하라고 이야기하는 것이 move fast입니다. 물론 밸런스가 중요합니다. 극단적인 레이턴시의 선택으로 쓰루풋이 터무니 없이 낮아진다면 이는 올바른 선택이 아닐 것입니다. 다만 쓰루풋을 높일 방법을 고민하기에 앞서 먼저 레이턴시를 줄일 방법을 먼저 고려하자는 것이 move fast라 생각하면 좋을 것 같습니다.

우리가 이렇게 레이턴시를 줄이고자 하는데에는 이유가 있습니다.

기본적으로 우리 하는 모든 행위는 회사가 사용자에게 더 많은 가치를 전달하고 이로인해 돈을 더 많이 벌기 위함입니다. 이 과정 전체는 생각보다 느리고 그렇기 때문에 불확실성이 높은 상황에서 미래를 예측하며 여러 행동을 해야 합니다. 문제는 특히 이러한 불확실한 상황에서 미래 예측을 하는 것은 대단히 어렵다는 것입니다. 그렇기 때문에 불확실성을 다루기 위한 다양한 수단을 활용합니다. 그 중 한 가지가 행동으로부터 결과까지의 레이턴시를 줄이는 것입니다. 이러한 원칙 하에 많은 조직이 기능 조직보다 목적 조직을 선택하게 되는 것입니다. 기능 조직이 레버리지의 측면에서 목적 조직보다 많은 면에서 우월하지만 레이턴시의 측면에서 불리하며, 그 한가지 불리함이 너무나도 중요한 역할을 하기 때문에 목적 조직을 선택하는 것이죠. 그렇기 때문에 언제나 쓰루풋을 높이는 것보다 레이턴시를 줄이는 것을 먼저 고민하시길 권합니다. 불확실성을 줄이기까지의 레이턴시, 가치를 창출하고 이를 전달하기까지의 레이턴시, 학습의 레이턴시, 피드백을 받는 레이턴시, 이러한 모든 종류의 유의미한 레이턴시를 줄이는 것을 고민해야 합니다.

몇 가지 예시를 들어볼까요? XKCD의 아주 유명한 컴파일러 코믹이 있습니다. 당연하게도 이런 상황에서 칼싸움하며 시간을 보내는 것은 이상적이지 않습니다. 보통 다들 먼저 생각하시는 것이 그 시간에 다른 중요한 업무를 하면서 시간을 보내는 것입니다. 그것도 물론 의미있지만 저는 더 좋은 방법은 컴파일 시간을 줄일 수 있는 더 나은 도구를 사용하거나 컴파일링을 아예 안 해도 되는 도구를 사용할 수는 없는지 고민해보고 선택하는 것이라 생각합니다.

특히 ML 모델의 관점에서 생각해보면 모델 학습에 긴 시간이 걸리니 그 사이에 다른 것을 하자는 것도 좋은 접근이지만 더 move fast할 수 있는 접근은 학습을 통해서 우리가 확인하고자 하는 것을 더 빠르게 볼 수 있는 방법을 선택하는 것입니다. 더 적은 데이터로 최대한 feasibility를 본다든지, 공격적인 분산 학습을 통해 모델 학습 완료까지의 시간을 줄이는 선택 등을 언제든 권장합니다.

타 부서와 협업을 할 때에 자주 있는 일로, 어떤 요청 처리에 일주일이 걸린다는 답변을 들을 수 있습니다. 물론 다들 바쁘고 해야 할 일이 많기 때문에 그럴 수 있습니다. 이 때에 그 시간 동안 다른 업무를 수행하겠다고 생각하는 것도 좋지만, 더 빠르게 할 수 있는 방법은 없을지, 도와드릴 수 있는 것은 없는지, 정말 방법이 없는지 여쭤보는 것이 보다 능동적인 접근이며 이로인해 업무가 더 빨라지는 경우가 깜짝 놀랄 정도로 자주 있는 접근 방법입니다.

코드의 리팩토링에 대해서도 비슷한 시각을 적용할 수 있습니다. 우리가 리팩토링을 하는 이유는 기술 부채를 갚기 위함입니다. 기술 부채를 갚는다는 것은 미래에 있을 변화에 사용될 비용을 줄이기 위해 지금 비용을 들여서 기술 부채를 갚아버리는 것을 의미합니다. 이런 접근의 어려움은 우리가 미래 예측을 잘 못한다는데에 있습니다. 지금 갚아버린 비용이 미래에 ROI가 나오는 선택이 아닐 수도 있다는 것이지요. 그렇기 때문에 저는 한 번에 큰 규모로 리팩토링을 수행하는 것보다 기능을 구현하면서 필요한 작은 수정을 그때그때 하는 것을 훨씬 선호합니다. 캐싱의 원리를 생각해보면 최근에 바뀐 코드와 자주 바뀐 코드가 다음 번에도 다시 바뀔 가능성이 높으리라 생각할 수 있습니다. 그러므로 이번에 수정하는 부분의 작은 부채를 그리 크지 않은 비용을 들여서 갚아버리는 것은 현명한 부채 청산이라고 볼 수 있는 것이죠. 이 또한 투자의 가치를 보기까지의 레이턴시를 줄이는 선택이라 할 수 있겠습니다.

어떤 종류의 업무는 아주 복잡해서 대단히 다양한 각도로 고려하고 깊은 생각이 필요한 경우가 있습니다. 이런 경우에도 한 번에 생각을 다 끝내서 완벽하게 정리된 내용을 공유하려고 하기 보다는 데드라인을 정해놓고 그 기간 안에 할 수 있는 정리를 최대한 한 뒤에 한 번 공유하고 이후 팔로우업 아이템을 추적하는 것이 좋은 방법이라고 생각합니다. 애초에 얼라인이 잘 안되어 있는 상황이었다면 잘못된 문제에 대한 고민을 하고 있었을 수도 있고, 얼라인이 잘 되어 있는 상황이었다 하더라도 완벽하게 생각을 마치는 사이에 환경이 변해서 문제가 변해버렸을 수도 있습니다. 피드백의 레이턴시를 줄이면 이러한 문제를 빠르게 대응할 수 있습니다.

큰 프로젝트를 수행할 때에 끝 그림을 생각해보는 것은 반드시 필요합니다. 이런 경우에도 여러 접근이 있을 수 있겠죠. 가령 일 두 번 하지 않을 수 있도록 한 번에 완성도가 높은 것을 만들겠다는 방식으로 진행할 수도 있고, 두 번 작업 하더라도 빠르게 이터레이션을 돌면서 불확실성을 줄이는 접근을 택할 수도 있습니다. 제가 생각하는 move fast란, 두 가지 선택지 중 후자를 선택하는 것을 의미합니다. 물론 항상 그렇게 하는 것이 옳지는 않을 수 있습니다. 개발자들은 APIs are forever라는 이야기를 합니다. 즉, 어떤 결정은 무르기가 어렵기 때문에 깊게 고민해서 결정해야 한다는 것이죠. 보통 불특정 다수에게 제공하는 플랫폼 선택이 이러한 특징을 갖는 경우들이 있습니다. 이런 것은 깊게 고민하기는 해야 합니다. 그러나 저는 이러한 문제들 조차도 사람들이 생각하는 것보다 이터레이션을 통한 접근이 더 우월한 경우가 많다고 생각합니다. 구글의 Jeff Dean도 구글 내부 크롤러를 세 번은 넘게 만들었던 걸로 알고 있습니다. 한 번 만들고 완성하자마자 문제가 생겨서 다시 만들고 또 다시 만드는 경험을 몇 번 한 뒤에야 이 문제를 제대로 풀어냈다는거죠. 단순히 생각만 깊게 해서 인프라를 만든다는 아이디어는 신화에 가깝다고 생각합니다.

Move fast 정신은 빠르게 움직여서 빠르게 불확실성을 줄이고 빠르게 피드백을 받고 빠르게 성장하는 것을 의미합니다. 서두에 이야기했다시피 move fast는 하이퍼커넥트의 가장 핵심적인 가치라 생각합니다. 저희 AI 팀에게 이 원칙은 단순한 슬로건이 아니라, 급변하는 기술 환경 속에서 꾸준히 사용자의 문제를 해결하고 임팩트를 만들어내는 핵심적인 운영 체제입니다. 이와 관련된 글귀 몇 개를 공유드립니다.

What are some of the advantages of organizing much of a company in a mission-oriented form? There is only one. It is that the individual units can stay in touch with the needs of their business or product areas and initiate changes rapidly when those needs change. That is it. All other considerations favor the functional-type of organization. But the business of any business is to respond to the demands and needs of its environment, and the need to be responsive is so important that it always leads to much of any organization being grouped in mission-oriented units.

Andy Grove

When someone says "Let's have a follow up conversation", what is the implicit unspoken understanding of when that should happen? What will be considered early, appropriate and late in a way that violates cultural norms? In companies I've been at, that has ranged from a few hours to the next day to the next week to …perhaps never. This little test usually tells me a lot about how fast your organization/company works.

Sriram Krishnan

All systems are created incrementally, one character typed at a time. The choice is length and scope of feedback loops.

Big changes are an illusion. All changes are small. There are only longer and shorter feedback cycles.

When you try to make fewer mistakes by making fewer mistakes you slow feedback, learn less, and make more mistakes. When you speed feedback you learn more and make fewer mistakes.

Kent Beck

Proactive

2025-06-04T00:00:00Z

하이퍼커넥트에서 AI 팀을 맡으면서 지난 몇년간 수십편의 내부 뉴스레터를 작성했습니다. 이러한 뉴스레터는 회사가 돌아가는 상황을 팀원 모두에게 공유하기 위한 플랫폼이기도 하였고 현재 저의 관심이 집중된 것들이 어떤 것인지 팀 모두에게 알릴 수 있는 정렬(alignment)을 위한 장치이기도 하였습니다. 앞으로 때때로 이러한 내용을 모두와 공유하고자 합니다.

첫 번째로 하이퍼커넥트의 일곱 가지 핵심가치 중 하나인 Proactive에 대해 공유하고자 합니다. 능동성은 어떤 상황에서나 중요한 가치이지만 특히 발전이 빠르고 불확실성이 큰 AI 분야에서 성과를 내기위해 저희 팀이 중시하는 중요한 가치입니다.

스타트업과 같은 불확실성이 큰 환경에서는 직원에게 모든 것을 지시하는 방식으로 일이 진행되지 않습니다. 그보다는 개인이 적절하게 상황 판단을 하고 업무를 수행하길 기대합니다. 그렇게 해야지만 빠르게 움직이면서 좋은 의사결정을 하는 것이 가능합니다. 이를 설명하는 키워드는 능동성입니다. 하이퍼커넥트의 핵심가치 중 하나인 proactive가 이러한 행동양식을 설명합니다.

저는 저희 팀 사람들에게 proactive함에 대한 이야기를 할 때 극한의 오너십(extreme ownership)과 높은 주체성(high agency)을 자주 언급합니다. 본질적으로 상황에 대해 능동적이기 위해서는 일종의 주인의식이 있어야 합니다. 그렇지 않으면 일이 흘러가는대로 두고 수동적인 자세로 대응하기 십상입니다. 주인의식이란, 이 문제가 정말 '나의 문제'라면, '나밖에 이 문제를 해결할 수 있는 사람이 없다'면, 이 게임에 사람이 조종하는 캐릭터(PC, player character)가 '나 하나뿐'이라면 어떻게 해야 하는가 하는 질문을 스스로에게 계속 던지며 해결책을 찾아가는 자세라고 생각합니다.

내가 어떤 문제의 오너라면 진짜로 풀고 싶은 문제가 무엇인지 정확히 이해하려고 할 것입니다. 아무리 내가 일을 빠르고 완벽하게 처리하더라도 원래 풀고자 했던 문제를 해결해주는 것이 아니라면 큰 의미가 없습니다. 문제가 무엇인지 정말 이해하기 위해서는 문제를 둘러싸고 있는 문맥, 배경이나 구조 등을 고려해야만 합니다. 그렇기 때문에 나는 주어진 일만 잘 처리하면 내 할 일은 다 했다는 생각은 전혀 오너십이 없는 생각입니다. 오너십을 갖고 업무를 살펴봐야 숨겨진 문제를 표면으로 드러낼 수도 있습니다. 결국 세부적인 내용은 실제 업무를 수행하는 분들이 가장 잘 알고 있으므로 이러한 현장의 구체적인 상황을 리더에게 전달할 의무도 있습니다. 나의 리더가 잘못된 결정을 내린다면 그것 또한 나의 책임입니다.

극한의 오너십에 대한 이야기를 하면 자주 듣는 반박 중 하나가 내가 회사의 주인이 아닌데 어떻게 극한의 오너십을 발휘할 수 있는가입니다. 어떤 관점에서는 맞는 말이기도 합니다. 그러나 저는 이러한 시각이 생산적인 시각은 아니라고 생각합니다. 일차적으로 나를 제외한 요소에 책임을 묻는 것은 보통의 경우 큰 의미가 없습니다. 내가 절벽 아래로 떨어지고 중력을 탓해봤자 아무 의미가 없습니다. 내가 바꿀 수 있는 것은 나 자신의 행동뿐이며 결국 나의 행동을 바꿔서 성공을 이끌어내야 합니다. 내가 주인이 되어야만 오너십이 발휘된다면 다른 모든 것에 있어서도 오너십을 발휘할 수 있는 것이 지극히 한정적일 것입니다. 즉 나는 거의 항상 오너십이 없는 사람인 셈이죠.

거기에 그치지 않고 저는 "마인드셋은 습관"이라고 생각합니다. 다른 모든 종류의 마인드셋처럼 오너십이라는 것이 필요할 때 갑자기 생겼다가 필요 없으면 사라지는 것은 아니라고 생각합니다. 마인드셋은 나의 행동 원칙으로 늘 몸에 배어 있어야만 필요할 때에 실행할 수 있습니다. 내가 습관처럼 극한의 오너십을 발휘할 수 있어야만 정말 필요한 때에도 오너십을 발휘할 수 있다고 생각합니다.

업무 상황에서 능동성을 발휘하는 모습의 예시를 몇 가지 들어보면 다음과 같습니다.

조직 전체를 활용합니다. 주변 동료들을 활용하고 상사를 활용합니다. 가령 내가 어려움을 겪고 있는 문제가 있으면 혼자 끙끙 앓기보다는 문제가 있음을 적극적으로 주변에 알리고 도움을 요청합니다. 최선을 다하는 것이 목적이 아니라 문제 해결이 우리의 목적임을 기억해야 합니다. 목적 달성을 위해 도움을 받아야 한다면 기꺼이 이를 요청하고 받아야 합니다. 거꾸로 주변 동료와 상사가 나를 활용할 수 있도록 포지셔닝 해주기도 해야 합니다. 가령 나의 보스가 어떤 고민을 하고 있는지, 이를 어떻게 풀어낼 수 있을지 고민을 반드시 해야 합니다.

주위에서 나를 쉽게 활용할 수 있도록 의사결정을 요청할 때에 거기에 단순히 어떻게 할까요를 매니저에게 묻기 보다는 '이러이러한 이유로 이렇게 진행하려 합니다'라는 구체적인 방안을 만들어 가는 것이 업무를 더 효과적으로 진척시키는 방법입니다. 내가 핸즈온에 더 가까운 사람으로서 전장의 디테일을 더 잘 알고 있기 때문에 이를 고려한 의사결정을 더 잘 내릴 수 있는 위치에 있습니다. 나의 매니저는 정렬을 더 명확하게 해줄 수 있을 것이고 이전에 겪어본 문제라면 관련 정보를 줄 수는 있겠으나 결국 내가 이에 대한 오너라는 생각을 해야 합니다. 해당 문제에 대한 오너십을 내가 갖고 있다면, 이를 대신 풀어줄 사람이 없다면 어떻게 했을지 생각해보면 결국 여러 사항을 고려한 의사결정의 초안을 내가 만들어야 한다는 것을 알 수 있습니다.

동료들이 수행한 업무에 대해서도 '알아서 잘 했겠지'라고 넘기기보다 '내가 보기에는 좀 이상한데 왜 저런 선택을 했을까?'라는 질문으로 접근하는 것이 바람직합니다. 그 과정에서 나는 해당 내용에 대해 잘 모르고 저 사람이 전문가이니까 어련히 알아서 잘 했겠지는 극한의 오너십이 추구하는 방향이 아닙니다. 조금이라도 도메인이 달라지면 너무도 쉽게 동료의 이상한 의견을 무비판적으로 수용하기 쉽습니다. 특히 AI 도메인의 경우 매일같이 쏟아지는 새로운 테크닉 등으로 인해 내가 모든 것을 알고 있는 상태로 논의를 나누는 것이 무척 어렵습니다. 이런 경우에도 잘 이해가 되지 않는 부분은 반드시 문제를 제기하거나 명확히 확인하고 진행해야 합니다. 인생이라는 게임에 PC가 나밖에 없고 주변 사람들이 전부 NPC라면 어떨지의 가상의 상황을 상상해보세요. 기본적으로 NPC에게 책임을 묻는 것은 큰 의미가 없습니다. 이러한 관점에서 주변 동료들을 탓하는 것은 의미 없는 일입니다. 다만 동료들을 정말 PC로서 대한다면 제대로 된 책임감(accountability)을 요구해야 합니다. 그 의미를 곱씹어보세요. 팀이 더 나은 성과를 내기 위해 서로가 서로에게 책임감을 요구할 필요가 있습니다.

안된다는 말에서 멈추지 않고 어떻게 하면 안 되던 것이 되게 할 수 있을지 고민하고 행동하는 것을 염두에 두어야 합니다. AI 조직은 필연적으로 데이터 및 모델 개발과 관련된 다양한 개인정보 및 법적 제약을 준수하는 것을 고민해야만 합니다. 이런 경우 단순히 '가능한가요?'라고만 법무팀에 문의하면 매우 위험 회피적인 답변을 듣기 쉽습니다. 능동적이지 못한 경우 매우 쉽게 안된다는 이야기를 들었다는 것만으로 포기하는 경우가 생기곤 합니다. 보다 능동적인 방법은 내가 달성하고자 하는 목표가 무엇인지 법률 담당자들에게 명확히 설명하고 가능과 불가능의 경계가 어디인지 파악하여 '되는 방법'을 함께 모색하는 것입니다. 법률 담당자가 기술을 나만큼 깊게 이해하고 있을 수는 없습니다. 나의 기술적 이해도를 토대로 제약조건을 만족하는 방법을 찾으면 방법이 존재하는 경우가 너무나도 많습니다.

극한의 오너십과 높은 주체성으로 대표되는 능동성에 대한 강조는 단지 듣기 좋은 말을 반복하는 것에 불과하지 않습니다. 되려 이는 저희 AI 조직이 임팩트있는 솔루션을 제공하는데에 가장 중요한 내재적인 힘이라 할 수 있겠습니다. 저는 이러한 마인드셋이 어떤 영역에서든 개인이 높은 성취를 이루는 데 가장 중요한 가치라고 생각합니다.

Proactive는 하이퍼커넥트의 일곱 가지 핵심가치 중 하나에 불과합니다. 나머지 다양한 가치에 대한 저의 해석도 앞으로 공유할 수 있도록 해보겠습니다.

Fantasy Walls and GPT-3

2020-08-01T00:00:00Z

There is a Korean fantasy fiction called "The bird that drinks tears." It's a rare example of a fantasy fiction that got rid of many of the cliches in Western fantasies and replaced them with Korean concepts and cultures.

In the story, there is a particular artifact whose name translates to fantasy steps or illusion steps. They are artifacts that respond to your expectation and materialize your imagination. The catch is that the materialized object can only affect the person that imagined them. Only those who imagined them can see the objects, and only those who conjured them can feel the objects. Some people figured out that they could use the artifact to crystalize their thoughts and discover unrecognized implications. You could write on the wall just by imagination and edit them as needed.

전체 문장을 자유자재로 변화시킬 수 있게 된다면 그 다음은 행간의 의미들을 보다 뚜렷하게 하고 그 의미들을 이용하여 전체 논리를 체계화하십시오. 예. 아마도 책을 정독하는 것과 비슷하다고 생각하실 겁니다. 저도 그렇게 생각합니다. 다른 방법이 있을지도 모르겠습니다만 제가 터득한 것은 이 방법뿐입니다. 책을 읽는다는 것은 그 책을 그대로 암기하는 것이 아니라 책을 이용하여 자신의 머릿속에 또 한 권의 책을 만들어내는 것과 비슷하다고 생각됩니다. 다만 당신이 만들어낸 구조물은 그 머릿속의 책을 현실로 시각화시켜줍니다. 그러다가 당신이 예상치 못한 문장들이 등장하게 되는 것을 보게 될 겁니다. 그것은 아마도 당신의 직관력이 찾아낸 문장이거나 결론일 겁니다. 그렇잖으면 문장들 자체가 스스로 이끌어낸 결론일 수도 있지요. 그런 문장들을 이용하여 다시 전체의 일을 반복하십시오. 당신은 당신이 알고 있는 것들을 완벽하게 체계화할 수 있을 겁니다.

The process is oddly similar to my method of writing. I've used the technique frequently, but I never really gave a lot of thought into how it worked. It just did. After encountering GPT-3, I see some of the essences behind the process.

For those of you who are not familiar with GPT-3, it is a large language model recently created by OpenAI. They trained to predict the next word given the previous words. This exceedingly simple method produced a "dumb" language model that has demonstrated an astonishing amount of capabilities. People created demos of using GPT-3 to create Figma designs, chart generation, and of course, for different kinds of writings.

Albeit impressive results, GPT-3 still is a basic pattern matching model. GPT-3 has no memory, cannot learn anything new, nor does it perform proper reasoning. It just predicts which word should come after the given words. But it is still remarkable that this simple model knows a lot about the world. You see an illusion or, rather, evidence of intelligence.

It now seems to me that much of my thoughts are basic pattern matching. One of the core elements of my writing process seems to be sampling sentences conditioned on the growing ingredients. While I still learn from my writings and perform reasoning, the sampling process is also a significant part of my thinking process. I can easily imagine a future where people use powerful language models as exploration machines to interrogate themselves for ideas unnoticed within themselves. Some people even called GPT-3 "a racecar for the mind," just as Steve Jobs described computers as "bicycles for the mind." I don't know whether such large language models would become a racecar for the mind, but I strongly agree with the sentiment.

Beginning

2020-07-13T00:00:00Z

About six years ago, I started writing every day and published them online¹. When I began writing, I chose to write about things that my former self would have liked to know about. It went on for about 100 days, during which I learned a lot about myself. Some people found the articles helpful, which was a satisfying experience. But what got me really excited was the realization that writing helps me explore and organize my thoughts.

I'd jot down random things related to the topic that I wanted to talk about². After the initial setup, I'd start editing the post, adding and removing ideas as necessary. It almost felt like I was having a conversation with myself. I'd posit a question, then answer it. Ask the following question then answer it again. I'd scribble a bunch of loosely related ideas and talk to myself about them. Repeat the process over and over again until I have enough material to complete a piece. Then I'd throw away almost all of the contents, refining them to a few core ideas.

Now that a few years have passed, I'd like to start writing again to reflect on myself and organize my thoughts. The process itself will be my prize, but hopefully, the byproducts will help other people as well.

You can still visit the blog. Unfortunately, it's written in Korean.↩
Picking the subject is another fascinating topic worth exploring, which I intend to visit later with another post.↩