Nothing New Under the Sun

패스키를 쓰자 - 복잡한 비밀번호보다 PIN 여섯 자리가 안전한 이유

이동련 — Sat, 10 Oct 2026 07:00:00 GMT

며칠 전 쓴 시스템 보안 글에서 언급했지만 금융권 해킹, 개인정보 유출 등으로 보안에 대해 다시 한번 경각심을 가질 시기인 것 같다. 이번 글에서는 개인 사용자로서 보안의 기본이 되는 비밀번호 안전에 대해 알아보려고 한다.

웹사이트에서 로그인 비밀번호를 저장할 때는 원래의 비밀번호를 알 수 없는 해시값으로 저장한다. 이를 공격자가 탈취하면 해싱된 문자열에서 무차별 대입 방식(브루트 포스)으로 원래 비밀번호를 알아내야 하는데 GPU 등 컴퓨터 성능이 좋아지면서 맞추는 시간이 크게 단축되고 있다.

“How Secure Is My Password” 같은 웹사이트에서 비밀번호를 테스트해보자. 단순 추정이지만 비밀번호를 깨는 데 걸리는 시간이 아래와 같다.

비밀번호 예시	깨는 데 걸리는 시간
영단어 - `advanced`	5초
한국어 단어 - `dyrnfmxm` (“요구르트”)	5초
한국어 단어 + 숫자 + 기호 - `dyrnfmxm1*`	1개월
대소문자 + 숫자 + 기호 12자리 - `vfBGr4T%hyJU`	3만4천년
의도적으로 틀린 소문자 문구 14자리 - `random sambles`	10만년

비밀번호에 기호를 넣고 길이를 늘리면 깨는 시간이 급격히 늘어난다. 그러면 비밀번호만 길고 복잡하게 만들면 안전할까?

비밀번호 유출은 문제의 시작일 뿐이다

비밀번호를 깨는 작업이 생각보다 쉽지 않으니 공격자는 지난 글에서도 언급한 다른 방법들을 사용하여 계정을 탈취한다.

유출된 비밀번호 재사용(크리덴셜 스터핑): 다른 사이트에서 유출된 아이디와 비밀번호를 그대로 넣어본다.
피싱: 가짜 사이트에 피해자가 직접 입력하게 만든다.
키로깅: 악성코드가 키보드 입력을 기록한다.

즉, 사용자가 입력하는 비밀번호 자체를 알아낸다. 따라서 비밀번호가 8자리든 30자리든 차이가 없다. 특히 대부분의 사람들이 비밀번호 하나로 여러 웹사이트에 로그인하니 한 곳이 뚫리면 다른 곳도 쉽게 털리게 된다.

결국 비밀번호는 아무리 길고 복잡하게 만들어봤자 일단 털리면 끝이다. 구조적인 문제인 것이다. 나만 알아야 하는 비밀을 로그인할 때마다 상대방에게 넘겨주는 과정을 거치니 악의적인 해커가 끼어드는 여지가 생긴다.

OTP는 어떨까?

요즘엔 2단계 인증도 많이 쓰인다. 비밀번호뿐 아니라 문자 메시지나 OTP 앱에 뜨는 여섯 자리 숫자를 추가로 입력한다. 크리덴셜 스터핑은 이 방식으로 거의 막을 수 있다.

하지만 OTP 번호도 결국 내가 입력해서 넘겨야 한다. 일정 시간(30초)마다 갱신될 뿐 넘겨준다는 구조는 같다.

해커가 가짜 사이트를 만들어 놓고 사용자가 잘못 들어와 비밀번호와 OTP를 입력하게 만든다.
악성 앱, 원격 제어 등 다양한 방법으로 가로챌 수 있다.
문자 인증의 경우는 유심 칩 복제 등으로 가로챌 수 있다.

OTP는 비밀번호보다 훨씬 안전하지만 약점을 보완할 뿐 없애지는 않는다.

소셜 로그인은 위험 지점을 옮겼다

“구글로 로그인”, “카카오로 로그인” 같은 소셜 로그인은 방식이 다르다. 대개 OAuth 로그인이라고 부르는 방식으로 웹사이트에 비밀번호를 만들지 않고 구글 같은 알려진 업체가 사용자를 대신 확인해준다.

로그인하려는 사이트가 내 비밀번호를 갖고 있지 않으니 그곳의 데이터가 털려도 유출될 비밀번호가 없다. (물론 개인정보가 털리는 건 다른 문제다.) 사이트마다 다르게 비밀번호를 만들 필요도 없다. 큰 회사의 보안 수준을 믿으면 되니 대체로 안심하게 된다.

하지만 위험을 없앤 게 아니라 위험 지점을 좀더 안전한 곳으로 옮긴 것이다.

구글 계정 하나가 뚫리면 그 계정으로 가입한 모든 사이트가 위험하다.
구글 로그인 방식이 여전히 비밀번호라면 가짜 구글 로그인 화면이나 다른 공격에 털릴 수 있다.
계정이 정지되거나 서비스에 장애가 나면 연동한 사이트 전부 못 들어간다.

소셜 로그인은 인증 방식을 바꾸긴 했지만 비밀번호나 다른 인증 정보를 넘기는 방식은 여전히 남아 있다.

그럼 패스키는 뭐가 다를까?

나는 패스키를 컴퓨터 로그인할 때 처음 봤는데 웹에서도 사용되는 걸 보고 'PC에서 사용하던 걸 어떻게 웹에서 쓰지?'라고 신기해했다. 알고 보니 플랫폼에 상관없는 표준이 정립돼 있고 웹에서도 WebAuthn으로 이미 수년 전에 API가 나와 있다.

윈도 로그인 방식 중 PIN이라는 여섯 자리 숫자를 입력하는 방식이 있는데 그게 패스키와 같은 방식이다. PIN은 기기 안의 보안 칩에 들어 있는 패스키를 사용하도록 여는 수단이며 웹사이트로 보내는 비밀번호가 아니다. 직접 기기를 가지고 있어야 하며 기기 밖으로 나가지 않기 때문에 안전하다. 또한 시도 횟수 제한이 있어서 몇 번 실패하면 기기가 잠기니 무작정 재시도할 수가 없다.

패스키를 등록하면 내 기기에는 개인키가, 웹사이트에는 짝이 되는 공개키만 저장된다. 로그인할 때는 웹사이트가 보낸 값을 내 기기가 개인키로 서명해 돌려준다.

그래서 앞서의 방법에서 발생하던 구조적인 문제가 풀린다.

서버로 보내는 비밀번호가 없으며 서명을 가로채더라도 다음 로그인에 재사용할 수 없다.
사이트마다 키가 다르니 한 곳에서 유출돼도 다른 곳에 쓸 수 없다.
사이트에는 공개키만 있으니 DB가 털려도 유출된 공개키만으로는 로그인할 수 없다.
패스키는 등록한 사이트의 주소와 묶여 있어 가짜 사이트에서는 동작하지 않는다.

마지막이 가장 큰 차이다. 비밀번호나 OTP는 사람이 속으면 같이 뚫리지만 패스키는 기기가 주소를 확인하기 때문에 사람이 속더라도 같은 패스키로 열리지 않는다.

기기를 갖고 있어야 하고 지문이나 PIN도 통과해야 하니 그 자체로 다중 인증이기도 하다.

현재는 패스키가 가장 추천된다

방법	무차별 대입	유출된 비밀번호 재사용	피싱	사이트 DB 유출	약점
짧은 비밀번호	✕	✕	✕	✕	기본적으로 보안에 취약
30자리 비밀번호	○	△	✕	△	무차별 대입 외에는 취약
비밀번호 + OTP	○	○	△	△	실시간 피싱, 문자 가로채기
소셜 로그인	○	△	△	○	계정 하나 털리면 다른 곳도 위험
패스키	○	○	○	○	기기 분실, 복구 경로

현재 많이 권장되는 방법은 소셜 로그인 + 패스키 방식이다. 구글, 카카오 같은 인증 수단 자체에 패스키를 걸어놓으면 해당 인증을 사용하는 웹사이트들도 같이 안전해지는 효과가 있다. 소셜 로그인을 사용하지 않는 사이트라면 패스키를 우선 설정하되 그것도 안 되면 OTP 등의 2단계 인증, 그것도 안 되면 길이가 긴 비밀번호를 사용하도록 한다.

당장 내 휴대폰, 컴퓨터에서 패스키를 설정하자. 구글이나 삼성, 카카오 등에서 패스키 설정을 찾아 기기와 연동하면 된다. 인증 제공자마다 방식이 다르지만 이미 기기에 인증하고 있을 것이므로 설정은 간단하게 끝난다. 구글의 경우 도움말을 참고하면 되며 패스키 설정 페이지에서 등록할 수 있다.

FIDO 얼라이언스에 따르면 이미 2024년에 전 세계적으로 150억 개 이상의 계정이 패스키를 사용할 수 있다고 한다. 국내에서도 빠르게 확산하고 있다.

패스키의 약점

패스키는 비밀번호 같은 직접적인 인증 정보를 서버에서 내 기기로 옮긴 것이니 위험을 내 기기가 지게 된다. 핸드폰에만 패스키가 있는데 그걸 잃어버리면 로그인할 방법도 사라진다.

대부분의 사이트는 비밀번호 로그인과 문자 등을 사용한 계정/비밀번호 찾기가 있는데 이게 양날의 검이다. 핸드폰을 잃어버렸을 땐 이걸 사용해야 하지만 비밀번호가 서버에 저장되는 문제가 있다. 따라서 공격자가 패스키 대신 비밀번호의 취약점을 악용할 뒷문을 열어놓는 셈이 된다.

그래서 비밀번호는 없애고 패스키만 사용한다면 다음과 같이 대비해두는 게 좋다.

패스키를 한 기기에만 두지 않는다. 구글 비밀번호 관리자나 아이클라우드 키체인으로 동기화하거나 폰과 PC에 각각 등록한다.
복구 코드가 있으면 별도 보관한다. 서비스에서 복구 코드를 제공한다면 안전하게 보관해둔다.

복구 정보를 받을 복구용 메일과 전화번호는 당연히 현재 잘 사용 중인 것이어야 한다.

그래도 문제가 있다면 안드로이드나 아이폰에 따라 기기 자체의 보안, 복구 수단이 있으니 활용해야 한다.

정리

패스키가 확산되면서 그동안 다양하게 발전해온 인증 수단에 또 하나의 안전한 장치를 추가했다고 볼 수 있다. 다른 인증 수단과 달리 비밀 정보를 내 기기와 계정에만 넣어두기 때문인데 내 기기는 그만큼 더 중요한 물건이 된다.

오늘부터 패스키를 사용해보자. 그리고 패스키를 사용하는 핸드폰이나 노트북은 더욱 소중히 가지고 다니자.

시스템이 있다면 어딘가는 뚫린다

이동련 — Sun, 04 Oct 2026 04:30:00 GMT

일반인도 알 만한 보안 관련 뉴스가 갈수록 자주 뜨는 것 같다. 쿠팡 개인정보 유출 사태가 있었고 어제는 국내 금융회사 여러 곳에서 개인정보 유출 사고가 발생했다. 얼마 전에는 OpenAI가 공개한 AI Astra가 사람의 단계별 지시 없이도 취약점을 찾아 악용할 수 있는 수준에 도달했다는 발표도 있었다.

기업들은 방화벽, 백신, 침입탐지시스템 같은 보안 제품에 계속 투자하고 모든 IT 프로젝트에도 보안은 빠지지 않는 요구사항이다. 그런데 왜 계속 뚫릴까?

뚫을 곳이 많으니 뚫는 방법도 많다

웹사이트 하나를 만들어도 구성 요소가 엄청 많다. API 서버와 데이터베이스가 있다. 개발자는 다양한 개발 도구를 사용하고 배포 서버가 결과물을 운영 환경에 올린다. 사내/사외 클라우드를 사용할 수도 있고 오픈소스 라이브러리도 수십, 수백 개는 들어간다.

이 모든 것들이 공격 지점이 될 수 있다.

뚫는 방법도 다양하다. 남의 계정을 탈취하는 방법만 해도 이렇게 많다.

피싱: 가짜 사이트나 메일로 사람을 속여서 로그인 정보를 입력하게 한다.
무차별 대입(브루트 포스): 가능한 모든 비밀번호를 넣어보며 맞는 것을 찾는다.
유출된 비밀번호 활용(크리덴셜 스터핑): 다른 사이트에서 유출된 비밀번호를 그대로 넣어본다.
키로깅: 악성코드를 설치해 키보드 입력을 기록한다.
로그인 상태 가로채기(세션 하이재킹): 비밀번호를 몰라도 이미 로그인된 브라우저의 정보를 훔쳐 그 사람인 척한다.

심지어는 같은 사무실에 있는 다른 사람의 키보드 소리를 분석해 어떤 키를 눌렀는지 추정하는 방법도 가능하다고 한다. 또한 Timing Attack이라고 해서 서버가 로그인을 처리하는 미세한 시간 차이를 분석해 비밀번호를 알아내는 방법도 있다.

계정 탈취는 한 가지 예일 뿐이다. 웹 개발자라면 한 번쯤 들어봤을 OWASP Top 10은 웹에서 가장 흔한 취약점 유형만 추린 목록이다. 공격자가 실제로 사용하는 기법을 200여 가지로 분류한 MITRE ATT&CK도 있고 제품이나 소프트웨어에서 발견된 취약점을 모아둔 CVE 데이터베이스는 현재 38만 건이 넘었다.

작은 구멍 하나가 전체 시스템을 무너뜨릴 수 있다

공격 지점이 많다 보니 아주 작은 취약점 하나가 전체 시스템을 뚫는 데 사용될 수 있다.

내 시스템만 잘 지킨다고 되는 일도 아니다. 시스템에서 사용하는 라이브러리나 개발 도구, 업데이트 서버가 공격당하면 그 프로그램을 사용하는 수많은 시스템으로 공격이 퍼진다. 이른바 공급망 공격이다. 2020년 SolarWinds 사건에서는 공격자가 네트워크 관리 프로그램의 정식 업데이트에 악성코드를 심었고 그 업데이트를 믿고 설치한 약 1만 8천 곳의 기업과 정부 기관이 한꺼번에 위험에 노출됐다.

영화에서는 해커가 키보드 몇 번 두드리고 서버를 장악하지만 실제로는 목적 달성을 위해 상당한 공을 들이는 경우가 많다. 2024년의 xz 백도어 사건이 예시다. 공격자는 리눅스에서 많이 사용되는 압축 라이브러리 프로젝트에 2년 가까이 성실한 기여자로 활동하며 신뢰를 쌓았는데 관리 권한을 얻은 뒤 원격 접속을 뚫는 코드를 심었다고 한다. 로그인이 0.5초쯤 느려진 것을 이상하게 여긴 개발자 한 명이 아니었다면 그대로 전 세계 서버에 배포될 뻔했다.

공격자가 뚫고 들어와도 바로 사고를 일으키는 것이 아니라 오랫동안 숨어 있으면서 한 단계씩 더 중요한 시스템으로 옮겨간다. 사고가 터지기 전까지는 공격자가 들어왔는지조차 모르고 있다가 나중에 한 번에 크게 당한다. 이렇게 특정 대상을 노리고 오래 공을 들이는 공격을 지능형 지속 위협(APT) 이라고 한다.

보안은 막는다는 개념을 벗어난 지 오래다

시스템의 목적은 데이터를 주고받고 처리하는 것이다 보니 그 목적 자체가 보안과 상충된다. 아무도 들어오지 못하게 완전히 막아버리면 시스템을 쓸 수 없다.

도시에 비유하면 이렇다. 100% 자급자족하는 도시가 아니라면 어떤 식으로든 바깥과 왕래해야 한다. 방어를 위해 성벽을 둘러싸도 성문은 열어둬야 하고 땅굴을 파거나 담을 넘어오는 것까지 다 막을 수는 없다.

어디도 위험하다

얼마 전 <오디세이> 관련 글도 썼지만 그 배경이 되는 트로이 전쟁도 결정적인 예시다. 그리스군은 10년 동안 공격하고도 트로이의 성벽을 뚫지 못했다. 결국 성을 무너뜨린 것은 성벽을 부수는 공격이 아니라 트로이 사람들이 제 손으로 성 안에 들여놓은 목마였다.

/ Universal Studio" loading="lazy" decoding="async" data-src="../../static/uploads/2026/troy-horse.jpg" src="https://abcbox.kr/static/resp-img/uMMJBRgqL0-360.jpeg" width="1600" height="865" srcset="https://abcbox.kr/static/resp-img/uMMJBRgqL0-360.jpeg 360w, https://abcbox.kr/static/resp-img/uMMJBRgqL0-720.jpeg 720w, https://abcbox.kr/static/resp-img/uMMJBRgqL0-800.jpeg 800w, https://abcbox.kr/static/resp-img/uMMJBRgqL0-1200.jpeg 1200w, https://abcbox.kr/static/resp-img/uMMJBRgqL0-1600.jpeg 1600w" sizes="(max-width:800px) 100vw, 1200px" />

트로이의 목마

정상적인 프로그램인 척 들어오는 악성코드를 지금도 "트로이 목마"라고 부른다. 앞에서 본 SolarWinds의 업데이트도 사용자가 믿고 제 손으로 들여놓았다는 점에서 같은 구조다.

그래서 요즘 보안은 막는 것을 포함해 관리하고 대응하는 범위로 확장된다. 침투할 수 있는 지점 전체를 공격 표면이라고 부르는데 이 표면이 어디까지인지 파악하고 줄이는 것이 출발점이다.

미국 국립표준기술연구소(NIST)의 사이버보안 프레임워크는 보안 활동을 여섯 가지로 나눈다.

관리 체계(Govern), 식별(Identify), 보호(Protect), 탐지(Detect), 대응(Respond), 복구(Recover)

— NIST Cybersecurity Framework 2.0

여섯 가지 중 우리가 흔히 생각하는 "막는다"에 해당하는 것은 보호 하나뿐이다. 나머지는 무엇을 지켜야 하는지 아는 것, 뚫렸다는 사실을 찾아내는 것, 그리고 뚫린 뒤에 수습하는 것이다.

뚫리지 않는 것보다 뚫린 뒤가 더 중요하다

뉴스에는 개인정보 유출 사고가 많이 보도되지만 보안 사고의 피해는 정보 유출에만 그치지 않는다.

금융 자산을 훔치거나 서버를 장악해 다른 곳을 공격하는 경유지로 이용할 수도 있다. 기업의 설계도나 연구 자료를 빼갈 수도 있고 데이터를 암호화한 뒤 돈을 요구할 수도 있다.

내 경우 윈도 서버에 원격으로 작업하다가 그 서버의 데이터베이스가 랜섬웨어에 당한 것을 발견한 적이 있다. 테이블을 열어보니 "암호화를 풀려면 비트코인을 보내라"는 메시지가 들어 있었다. 리눅스 서버에 루트킷이 설치된 것을 발견한 적도 몇 번 있다. 루트킷은 침입한 흔적을 숨기면서 관리자 권한을 계속 쥐고 있게 해주는 악성 프로그램이다. 눈에 띄는 피해가 없었던 걸 보면 아마도 다른 곳을 공격하는 경유 서버로 쓰였던 게 아닐까 싶다.

더 찾아내기 어려운 것은 데이터를 조작하는 공격이다.

계좌번호나 거래 금액, 제품 검사 결과를 조금씩 변경한다면 한동안 발견하지 못할 수도 있다. 시험 성적 시스템에서 점수를 바꾸는 것도 그렇다.

보안의 세 가지 목표에 기밀성, 무결성, 가용성이라는 개념이 있다. 정보가 새지 않아야 하고 데이터가 몰래 바뀌지 않아야 하고 필요할 때 시스템을 쓸 수 있어야 한다는 뜻이다. 정보를 훔치는 것뿐 아니라 데이터를 바꾸거나 시스템을 못 쓰게 만드는 것 역시 보안 침해다.

중요한 것은 모든 침입을 100% 막겠다는 목표보다 뚫렸을 때 피해를 어디까지 잡을 것인가다.

예를 들어,

계정 하나가 탈취되더라도 모든 시스템에 접근할 수는 없게 한다. (최소 권한)
PC 한 대가 감염되어도 다른 서버로 자유롭게 이동하지 못하게 한다. (네트워크 분리)
데이터베이스가 유출되어도 중요한 데이터는 바로 읽을 수 없게 한다. (암호화)
시스템 하나를 격리하더라도 다른 시스템으로 서비스를 계속할 수 있게 한다. (이중화)
운영 시스템이 망가져도 복구할 수 있게 한다. (백업)

이런 식으로 한 지점의 침해가 전체 시스템의 붕괴로 이어지지 않게 만드는 것이 중요하다. 보안에서는 이를 폭발 반경(Blast Radius)을 줄인다고 표현한다.

쿠팡 사태도 알려진 바로는 퇴사한 직원이 갖고 있던 인증 키가 계속 유효했던 것이 원인이었다. 열쇠 하나가 새는 일은 어느 회사에서나 일어날 수 있다. 문제는 그 열쇠 하나로 열리는 문이 너무 많았다는 것이다.

보안은 위험을 없애는 일이 아니라 관리하는 일이다

새로운 소프트웨어와 서비스가 등장할수록 공격할 곳도 늘어난다. 이제는 AI까지 공격과 방어에 사용되기 시작했으니 공격 방법과 취약점은 계속 늘어날 것이다.

모든 시스템을 똑같은 수준으로 보호할 수도 없다. 중요한 시스템에는 더 많은 자원을 쓰고 그렇지 않은 곳에는 그만큼 적게 쓸 수밖에 없다. 결국 보안은 한정된 비용과 인력 안에서 공격 가능성과 피해 규모를 관리하는 일이 될 것이다.

시스템이 있는 한 어딘가는 뚫릴 수 있다. 중요한 것은 그 작은 구멍 하나가 전체 시스템을 무너뜨리는 구멍이 되지 않게 만드는 것이다.

두 번 일하지 않도록 라벨링 도구 설계하기

이동련 — Tue, 29 Sep 2026 05:00:00 GMT

지난 글에서 AI의 두뇌를 만들려면 사진마다 정답을 붙이는 "라벨링"이 필요하고 이 작업은 손이 많이 간다고 했다.

AI 코딩이 일반화됐기 때문에 라벨링 도구 자체는 금방 만들 수 있다. 사진을 하나씩 보면서 라벨을 고르는 화면이고 라벨 종류는 뭐가 있고 저장은 어떻게 하도록 만들어 달라고 하면 된다.

문제는 화면을 만든 뒤에 나왔다. 경험이 부족한 상태로 사진을 리뷰하면서 라벨 기준과 기록 방식을 바꾸다가 이미 봤던 수천 장을 다시 리뷰하는 일이 반복됐다. 이번 글에서는 그런 시행착오를 줄이기 위한 라벨링 도구 설계 방안을 정리해본다.

1. 수천 장을 왜 몇 번이나 다시 봤나

솔직히 말하면 이 프로젝트에서 이미지 수천 장 리뷰를 열댓 번은 반복했다. 이유는 크게 네 가지였다.

설계가 흔들렸다. 라벨을 어떻게 나눌지, 리뷰 결과를 어떻게 저장할지 등이 몇 번 바뀌었다. "부적합"과 “기타” 라벨은 처음에는 학습에서 뺐다가 나중에는 다시 넣기로 했다. 리뷰 결과도 처음에는 JSON 파일에 저장하다가 하루에 등록되는 건수를 파악하고 나서야 DB로 옮겼다. 이것 자체가 리뷰를 다시 하게 만든 건 아니지만 여러 방침과 형식으로 만든 결과가 섞이면서 어느 결과를 믿어야 할지 가려내기 어려워졌다. 라벨 체계, 라벨별 학습 사용 여부, 하루 유입량과 그에 맞는 저장 방식은 리뷰를 시작하기 전에 정해야 한다.

라벨링 기준이 흔들렸다. 제일 큰 문제는 라벨 하나로 구별하기 모호한 사진이었다. 차량 앞과 차량 옆을 구별하는 라벨링이 있다고 하자. 차량 앞과 옆이 다 보이게 비스듬히 찍은 사진이면 어떤 기준으로 앞, 옆으로 판정할까?

사람에게는 명확하지 않은 라벨이라도 납득할 수준의 일관된 추론 결과가 나온다면 모델 성능이 좋아질 것이라 판단하여 라벨링 기준을 몇 번 바꿔봤다. 앞과 옆 중 더 넓게 나온 걸 답으로 하기도 하고 사진 가운데에 잡힌 면을 답으로 하기도 하고 아예 학습에서 제외해보기도 했다.

또한 이런 문제 자체가 먼저 리뷰를 해봐야 파악되니 닭이 먼저냐 달걀이 먼저냐의 문제가 되기도 했다. 리뷰를 하다 보면 기준이 나중에 나오고 반대로 기준을 먼저 정한 뒤 리뷰를 하다 보면 기준이 흔들린다.

그러다 보니 기준이 바뀔 때마다 전체를 다시 리뷰하는 우매한 작업을 했다. 기준이 바뀌어서 영향을 받는 것만 구분해놓으면 될 걸 말이다. 헷갈리는 사례에 플래그를 달아두고 기준이 정해지거나 재학습할 때 플래그가 달린 것부터 다시 봤으면 됐다.

고객도 답을 모른다. 헷갈리는 사례는 업무 담당자에게 물어도 명확하지 않은 경우가 많다. 그래서 비슷한 사진인데 어떤 건 "모호함"으로 학습에서 배제되고 어떤 건 "기타"로 학습되는 식으로 처리가 갈렸다. 시간이나 사람을 많이 들인다고 효율적이지 않아서 우리는 리뷰어를 한 명으로 정하기로 했다. 개발자나 고객 사이에 의견이 달라도 리뷰 수행 자체는 리뷰어 한 사람에게 맡기기로 한 것이다. 리뷰어가 여럿이면 같은 사진을 서로 다르게 판정해서 나중에 맞추느라 다시 보는 혼란을 피하도록 했다.

모델이 바뀌고 추론 판정이 바뀐다. AI 모델을 재학습해서 버전이 올라가면 일부 사진의 예측 결과가 달라진다. 이 역시 새 모델에 따른 차이만 리뷰하면 되는데 그런 체계가 준비되지 않은 상태에서 모든 사진을 다시 사람이 리뷰했다.

네 가지 모두 도구만으로 혼란이 해결되지는 않는다. 상황이 바뀌어 다시 리뷰할 때 볼 개수를 줄이도록 도구를 만들어 두는 것이 필요하다. 아래는 그런 관점에서 챙겨야 할 것들이다.

2. 라벨링 도구의 목적은 정답 목록을 사람이 확정하는 것이다

사람이 리뷰하는 이미지는 일부 또는 전부에 AI 모델이 예측한 라벨이 붙어 있을 수 있다. 이때 모델의 예측은 참고값일 뿐 정답이 아니기 때문에 사람이 정답을 맞춰 넣는 것이고 아래와 같이 리뷰 상태를 관리하게 했다.

상태	의미	학습 사용
미검토(Unreviewed)	아직 사람이 보지 않음	제외
승인(Approved)	사람이 최종 라벨을 확정함	사용
모호함(Ambiguous)	사진은 정상이나 판단 불가 또는 기준 보완 필요	제외
건너뜀(Skipped)	리뷰 대상에서 보류 또는 학습 제외	제외

라벨링 도구의 목적에 따라 이런 기준을 정해야 하고 명확히 사람이 승인한 이미지만 학습 데이터로 사용해야 한다.

3. 리뷰할 땐 한 번에 한 가지만 판단하라

프로젝트 초기에 나와 동료는 사전 라벨링된 사진 9,000장을 반씩 나눠서 리뷰했다. 그런데 중간에 보니 동료가 훨씬 빨리 진행하고 있었다. 알고 보니 동료는 전체를 순서대로 보는 게 아니라 유형별로 필터를 걸어서 한 유형씩 리뷰했다.

순서대로 보면 사진마다 “이건 차량 앞인가 옆인가…” 등 라벨의 선택값을 매번 새로 판단해야 한다. 반면 "차량 앞"으로 예측된 사진만 모아서 보면 질문이 “이게 차량 앞이 맞나?” 하나로 줄어든다. 대부분은 맞으니 빠르게 넘기고 튀는 사진만 눈에 들어온다. 사람의 인식은 여러 가지를 동시에 판단할 때보다 한 가지만 판단할 때 훨씬 빠르다.

필터 기능은 처음부터 화면에 넣었던 기능이다. 나는 그걸 검색용으로만 생각했고 동료는 작업에 활용했다는 차이가 있다. 그래서 리뷰 화면은 처음부터 “필터로 줄인 목록을 순서대로 처리하는” 흐름으로 설계하는 게 좋다.

아래와 같이 여러 필터와 키보드 단축키 등 편의 기능을 넣도록 한다.

모델 예측 라벨, 리뷰 상태, 품질 문제, 고객·파일 기준 필터와 검색
필터 결과를 목록으로 표시하고 위아래 화살표 키로 이동
라벨 각각에 숫자 키 지정, 승인·모호함·건너뜀·회전 각각에 대해 알파벳 키 지정
필터 결과 전체를 한 번에 변경하는 일괄 처리 기능

실제 우리가 만들어 쓴 리뷰 화면

4. 이미지를 확대·축소·이동해서 볼 수 있어야 한다

리뷰 대상 사진은 가급적 원본 수준으로 확대해서 볼 수 있어야 한다. 사람이 리뷰하므로 좀 더 잘 판단할 수 있어야 하기 때문이다. 반면에 학습 모델에 투입하는 이미지는 300x300 등 상당히 작은 이미지로 줄이게 되므로 사람과 기계가 보는 이미지의 크기가 차이가 날 수 있다. 사람이 보는 이미지와 모델이 보는 이미지는 목적이 다르다.

우리의 경우 리뷰 이미지는 긴 변 기준 1,600픽셀 정도로 따로 저장했고 UI에서는 마우스 휠로 확대, 축소하고 끌어서 이동할 수 있게 했다. 원본 이미지는 크게는 7,000~8,000픽셀까지도 자주 나왔는데 1,600이면 확대로 충분히 세부 영역 판별이 가능했기 때문이다.

5. 회전은 생각보다 자주 필요하다

프로젝트 요건상 카메라로 찍은 사진을 받다 보니 사진이 옆으로 누워 있거나 거꾸로 보이는 일이 흔했다. 예를 들어,

사진의 방향 정보(EXIF orientation)가 누락되거나 무시된 경우
서류를 책상 위에 놓고 비스듬히 찍는 경우(스마트폰 방향이 맞지 않게 된 경우)

그래서 리뷰 화면에서 키 하나를 눌러 90도씩 돌릴 수 있게 했다.

여기서 신경 쓸 점은 회전이 화면 표시에서 끝나면 안 된다는 것이다. 방향을 바로 잡은 사진이 학습에도 바로 잡은 상태로 들어가야 한다. 그래서 리뷰어가 회전하면 원본은 그대로 두고 회전된 이미지를 새로 저장한 뒤 리뷰 결과가 새 이미지를 가리키게 했다. 원본을 덮어쓰지 않아야 나중에 무슨 일이 있었는지 추적할 수 있다.

6. 품질을 기계적으로 판단하여 마커 붙이기

기본적으로 사진 분류 모델이 하는 일은 "이 사진이 어떤 유형인가"지 "이 사진이 판단할 만한 사진인가"는 아니다. 예를 들어 차량 앞, 차량 옆이라는 라벨링을 해야 한다면 백지 사진을 줘도 차량 앞 또는 옆 중 하나의 결과 밖에 나오지 않는다.

그래서 모델 추론과 별개로 이미지 자체의 품질을 계산하는 품질 마커를 붙였다. 밝기, 채도, 선명도, 여백 같은 단순한 수치로 판정하는 규칙이다. 이때 대상 업무와 이미지의 종류에 따라 마커가 달라야 한다. 모든 사례에 적용할 규칙은 없다.

대상	품질 마커 예시	판정 방법
일반 사진	흐림	윤곽선이 얼마나 분명한지 수치화함
일반 사진	어두움	평균 밝기가 기준 미만
일반 사진	흑백, 저채도	RGB 채널 간 차이가 거의 없음
일반 사진	빈 이미지	거의 한 가지 색으로 채워짐 (렌즈 가림 등)
일반 사진	문서 촬영	흰 종이 여백이 사진 가장자리 3면 이상에 닿음
서류	빈 페이지	글자(잉크) 비율이 기준 미만
서류	서류가 아닌 이미지	흰 용지 픽셀 비율이 기준 미만
공통	저해상도, 방향 보정됨	해상도 기준 미달, 자동 회전 적용 여부

같은 "흰 여백"이라도 일반 사진에서는 문제 신호지만 서류에서는 정상일 수 있다. 반대로 서류인데 흰 용지가 거의 없으면 서류가 아닌 사진일 가능성이 높다. 그래서 사진용 마커와 서류용 마커를 따로 설계해야 한다.

이렇게 붙인 품질 마커는 리뷰 도구에서 필터 조건으로 사용하면 편리하다. "흑백 사진만 보기"로 걸러서 한꺼번에 "부적합"으로 처리할 수 있다. 한편 품질 마커가 잘못 판정한 경우도 있을 수 있으니 품질 마커의 신뢰성을 고려해서 처리해야 한다. 예를 들어 빈 페이지로 판정된 서류가 실제로는 글자가 연하게 인쇄된 정상 서류였을 수 있다.

7. 모든 사진을 볼 수 없다면 위험한 것부터 본다

프로젝트 초기에는 학습용 사진 몇천 장이 주어져서 나와 동료가 전부 리뷰했다. 그런데 운영을 시작하니 하루 2,000개가 넘는 이미지가 들어왔고 리뷰어 한 명이 매일 전부 보는 건 불가능했다. 그래서 위험 기반 리뷰로 설계를 바꿨다.

예를 들어 예측 확률이 낮은 사진, 이전 모델과 판정이 달라진 사진, 품질 마커가 붙은 사진, 새로 등장한 유형을 우선 보도록 이미지를 분류하는 방식이다.

핵심은 모든 건을 동등하게 보지 말고 문제가 있을 가능성이 높은 건부터 보는 것이다. 이 내용은 길어지기 때문에 다음 기회에 다시 다뤄보기로 한다.

8. 정답만 저장하지 말고 판단 근거도 저장하기

라벨은 당연히 저장하지만 "왜 그렇게 판단했는지"도 남기는 것이 좋다. 우리는 처음에 사유를 선택사항으로 했는데 나중에 원인별로 분석하려고 보니 사유가 빈 사진이 400장이 훨씬 넘었다. 결국 다시 한 장씩 사유를 채우게 됐다.

지금은 “부적합”, “기타” 같은 분류 라벨, “모호함”, “건너뜀” 같은 리뷰 상태에 대해 사유를 필수로 넣게 하고 필터로 나중에 다시 찾아볼 수 있게 했다.

그 밖에도 누가 언제 판단했고 이전 판단은 무엇이었는지(변경 이력), 회전한 경우 원본과 보정 이미지의 위치, 학습용으로 내보낸 라벨 묶음의 버전과 메모를 남겼다.

정리: AI가 코딩은 쉽게 해도 사람이 원하는 건 모른다

리뷰 화면은 AI가 빠르게 코딩해줄 수 있다. 하지만 AI는 사람이 수천 장을 리뷰할 때 무엇이 문제고 무엇이 불편한지 모른다.

라벨링 도구를 만든다면 아래를 먼저 정리하길 권한다.

라벨 체계, 라벨별 학습 사용 여부, 하루 유입량에 맞는 저장 방식을 정한다.
헷갈리는 사례는 "모호함"이나 사유로 표시해 두고 기준이 바뀌면 그것만 다시 본다.
예측 유형, 상태, 품질로 필터링해서 한 번에 한 가지만 볼 수 있게 구현하고 단축키, 일괄 처리 등 편의 기능을 넣는다.
리뷰 이미지를 확대, 축소, 이동, 회전해서 볼 수 있게 하고 회전 결과는 학습 데이터로까지 사용할 수 있게 한다.
유형별 품질 마커를 기계적으로 계산해 필터에 사용한다.
리뷰할 양이 많다면 위험 기반 리뷰와 같은 전략을 세워서 순서를 정한다.
결정에 대한 사유와 이력을 남기도록 한다.

처음 몇백 장은 설계한 사람이 직접 리뷰해보는 게 좋다. 도구의 문제는 직접 써봐야 보이고 그걸 일찍 발견할수록 다시 하는 일이 줄어든다.

AI로 돈 벌기 실험 2 - 첫 번째 제품 markbit 출시, 아직은 조용

이동련 — Sun, 27 Sep 2026 03:00:00 GMT

지난 글에서 예고한 대로 돈 벌기 첫 실험으로 내가 만들었던 코드를 제품으로 만들어 보기로 했다. 여러 후보 중 웹페이지 캡처/마킹 도구를 선택했고 markbit이라는 결과물로 공개했다.

markbit이란

간단히 말해 스크린샷 이미지에 주석을 마킹하는 도구다. 이미지를 붙여 넣거나 웹페이지를 캡처할 수 있고 그 위에 여러 가지로 마킹한 다음 다운로드나 공유가 가능한 JavaScript 패키지와 웹 페이지다.

SI 프로젝트를 하다 보면 매번 테스트 단계 때마다 테스터들이 하는 작업이 있다. 화면을 캡처해서 그림판이나 PPT에 붙이고 이런저런 표시나 텍스트를 입력하고 문서에 넣거나 공유하는 것이다. 이 과정을 테스트 중인 사이트 안에서 끝낼 수 있게 하려는 것이다.

웹페이지 캡처 또는 이미지 불러오기
사각형, 자유 그리기, 형광펜, 텍스트, 블러, 자르기
결과 이미지를 클립보드에 복사, 다운로드, 공유
회원 가입은 없고 서버에 올리지도 않는다. 스크린샷 처리는 브라우저 안에서만 이루어진다.

데모 페이지를 캡처해 형광펜, 텍스트, 블러 등을 표시한 모습

이미 비슷한 도구들이 있지만(Marker.io, BugHerd 등) 이건 JavaScript 패키지라 직접 웹사이트에 넣을 수 있다는 점이 다르다. 즉, <script> 태그를 통해 웹페이지에 넣으면 단축키를 눌러 화면을 캡처하고 바로 주석 마킹이 가능하다.

<script
  type="module"
  src="https://markbit.abcbox.kr/loader.js"
  data-hotkey="ctrl+shift+m"
></script>

작업 과정

원래 이 마킹 도구는 예전에 이슈 관리 시스템을 만들면서 구현했던 기능이었다. 이슈 관리도 이미 다양한 제품이 나와 있고 특히 Jira라는 상용 제품이 시장을 장악한 상태라 경쟁이 아니라 틈새 수요를 노리기 위해 만든 것이었다. 그런데 이렇게 다시 그중 작은 부분 하나를 제품으로 만들게 됐다.

하지만 독립 제품으로 만들기 위해서는 자잘한 일이 많다.

원래 프로젝트에서 해당 코드만 떼어내기
UI, 사용 방법 등 범용성 있게 수정하기
테스트 강화하기
랜딩 페이지, 데모 페이지 만들기

이런 일은 AI에게 맡기기 딱 좋았다. Claude를 사용해 하루 한 두 시간씩 며칠 만에 준비가 끝났다.

인프라는 공짜로

랜딩 페이지를 올리려면 서버가 필요한데 도메인은 이미 있으니 공짜 호스팅 서비스를 찾았다. abcbox.kr 도메인에 Cloudflare를 붙여 markbit.abcbox.kr로 올렸다. 정적 파일은 Cloudflare Pages가 서비스하고 필요한 API는 Pages Functions로 구현하고 데이터는 D1(SQLite)에 저장한다. 이 정도 규모에서는 비용이 거의 들지 않는다.

Cloudflare 말고도 Vercel, AWS Lambda 등 몇 곳을 이용할 수 있는데 이미 abcbox.kr 블로그도 Cloudflare를 사용하고 있어 같은 패턴으로 작업했다.

방문 통계는 개인 식별 정보 없이 날짜별 이벤트 건수만 D1에 저장한다.

돈을 벌 방법

일단 소스를 GitHub에 MPL 2.0 라이선스로 공개했다. MPL은 파일 단위 카피레프트라서 markbit을 각자의 소스에 포함해서 사용하는 것은 자유롭다. 하지만 소스를 고쳐서 그 수정 내용을 공개하고 싶지 않거나 아예 MPL 조건을 신경 쓰고 싶지 않은 사용자에게는 상업용 라이선스를 판매하려고 한다. 지난 글에서 본 fullPage.js처럼 제품은 공짜로 풀고 권리를 파는 방식이다. fullPage.js는 GPL이라 상업적으로 쓰려면 라이선스를 살 수밖에 없지만 MPL은 그대로 쓰면 사지 않아도 된다. 그래도 진짜 필요한 도구라면 수정 자유나 커스터마이징 등 지원 때문에 돈을 낼 거라고 봤다.

솔직히 이게 당장 돈을 벌 수 있을 거라고 기대하지는 않는다. 말 그대로 실험으로 생각하고 있고 (내가 볼 때) 쓸 만한 기능 하나를 제품으로 내놨을 때 수요가 있는지 확인하는 게 목표다. 수요가 보이면 그때 팀 기반 관리나 이슈 트래커 연동 같은 기능으로 확장할 수도 있을 것이다.

GeekNews Show

9월 24일에는 GeekNews의 Show 게시판에 소개 글을 올렸다. 개발자들이 주로 보는 사이트라 혹시나 관심이 생길까 은근히 기대가 됐다.

하지만 며칠 지난 지금까지 추천도 댓글도 0개로 조용히 묻히고 있다.

현재 성적표

랜딩 페이지에 붙여 둔 카운터를 확인해보니 이렇다. 날짜는 UTC 기준이고 재방문은 간단한 localStorage 플래그로 구분한다.

날짜	페이지 조회	이미지 불러오기	재방문
9/24	26	3	1
9/25	5	1	-
9/26	6	-	-

9월 24일은 약간 반짝했지만 아마도 내가 배포하고 확인하느라 들어간 것도 있는 것 같고 실제로 해본 사람이 거의 없이 점점 수치가 떨어지고 있다.

별개로 문의라든가 피드백 링크가 붙어 있으므로 이를 통해 들어오는 건수는 따로 집계하는데 전체 0건이다.

Google에서는 "markbit"만 쳐서는 안 나오고 "markbit geeknews"로 검색해야 겨우 보인다. 한마디로 아직은 적막하다.

실전 투입

마침 지금 참여하고 있는 SI 프로젝트가 테스트 단계라 여기도 적용하려고 한다. markbit을 만들게 된 이유가 이런 테스트의 불편함이었으니 실전에도 딱 맞다.

다만 서브시스템에 따라서 모두 적용할 수는 없고 내가 작업한 시스템에만 일단 붙여서 고객과 테스터의 반응을 보고자 한다. 이들의 피드백이 중요한 자산이 될 수 있고 또 이런 고객사가 상업용 라이선스를 살 잠재 고객이기도 하다.

실험은 계속된다

크게 기대한 건 아니었으니 실망할 것도 없다. 짧은 시간에 제품화라는 과정을 거쳐 보고 피드백을 받는 데 만족할 수도 있다. 정말 상용화가 필요하다면 뭘 해야 할지 알고 그에 대응할 수 있다는 게 실험의 의미라고 생각한다.

앞으로 3주 정도는 랜딩 페이지 반응을 보려고 한다. 이미지 불러오기 이후 복사나 다운로드까지 이어지는지, 현장 테스터는 어떻게 사용하는지, 의견은 어떤지, 도입이나 라이선스 문의가 생기는지가 핵심이다. 이 결과는 다음 글에서 정리해 보자.

AI로 돈 벌기 실험 1 - 성공 사례 배우기

이동련 — Thu, 24 Sep 2026 02:00:00 GMT

월급이란 건 따박따박 들어와 안정적이지만 한편으로는 큰돈을 벌 방법을 꿈꿨다. FIRE족 얘기도 듣고 벼락부자 얘기도 들으니 싱숭생숭했다. 난 어떤 사업을 해야 할까? 사업에 성공하려면 뭘 잘해야 할까?

하지만 주변의 사장님들을 보면 사업이란 게 결코 쉽지 않았다. 시작은 그럴싸해도 사장님은 늘 노심초사 회사를 걱정하고 직원들을 챙겨야 하며 고객도 상대해야 한다.

다시 생각했다. 이제 AI가 사람보다 뛰어난 능력을 발휘하고 있으니 나에게 돈 벌 거리를 꿰뚫어보는 혜안을 줄 수 있지 않을까?

AI야, AI야, 돈 버는 방법을 알려다오~

과거에 프로그래밍 부업은 종종 했었다. 하지만 일을 할 때만 돈을 버는 것이고 작곡가의 저작권료처럼 들어오는 패시브 인컴은 아니다. 결과물을 재활용하는 방법은 없을까 고민했지만 딱히 구체화된 건 없었다.

그러다 전지전능한 AI에게 내가 이러저러한 프로젝트 경험이 있고 어떤 기술을 가지고 있는데 직장 외의 사이드 프로젝트로 부수입을 얻을 수 있는 1인 사업거리가 뭐가 있을지 상의했다.

그러자 AI를 활용한 업무 자동화, 보안 취약점 등 상금 사냥, 마이크로 SaaS, 소상공인 마케팅 자동화 같은 다양한 아이디어를 제시했다. 가짓수도 많고 아이디어도 참신해 보여 역시 똑똑하다 생각했지만 하나씩 들여다보니 성공하려면 결국 그만큼 노력과 투자가 필요한 것들이었다.

예를 들어 보안 취약점은 내 전문 분야가 아니다. AI를 시키더라도 내가 공부를 많이 해야 한다. 취약점 발표 자료를 계속 주시하고 여기저기 취약점을 찾아내는 노력을 해야 한다. 소상공인 마케팅은 주변 상인들을 공략해야 하는데 우리나라 시장에서는 이미 웬만한 업종이 다 플랫폼화돼 있다. 그들과 경쟁하려면 뭔가 더 특화되거나 니치를 찾아야 한다.

결국 대상 고객을 어떻게 잡아야 할지, 고객이 실제로 가려워할 지점이 어딘지, 이미 누군가 사업을 하고 있는 아이디어는 아닌지, 어떻게 구현할지 등은 계속 연구, 조사해야 하는 것이었다. 계속해서 질문을 던지면 사업 아이디어가 줄줄이 이어졌지만 딱 이거다 싶은 건 없어서 방향을 바꿔 보기로 했다. 작게 시작해 크게 돈을 번 성공 사례를 조사해보자.

선배님들, 한 수 전수해주십시오!

AI에게 인디 해커, 레딧, 유튜브, X, 창업자 블로그 등 다양한 웹사이트를 조사해서 돈을 벌었다는 아이템을 찾아 수집하고 그게 실제인지 근거를 확인하고 정말 타당한 아이템인지, 어떻게 돈을 버는지 분석하게 했다. 그다음 한국 시장에서 잘 먹힐 만한 아이템인지, 잘 된다는 근거는 무엇인지 등도 조사하게 했다.

몇 차례 조사한 결과 85개의 후보를 모았고 그중 65개의 사업 구조를 분석했다. 39개는 한국 시장의 경쟁 제품과 대체재, 구매 의사까지 더 조사했다. 한국에서 실제 구매까지 확인된 건 1개(아래 표의 간단), 강한 수요 신호는 6개였다.

거창한 기술이나 완전히 새로운 아이디어로 돈을 버는 것이 아니라 틈새 시장을 노렸거나 혼자 운영할 수 있는 디지털 상품을 만들었거나 검색, 무료 제품, 기존 독자를 통해 고객이 스스로 찾아오게 만드는 사례들이었다.

아래는 그 예시와 내가 배울 점을 적은 것이다. 매출은 대부분 창업자가 공개한 수치라 참고용으로 봐야 한다.

사례	무엇으로 돈을 버는가	배울 점
간단	간헐적 단식 타이머 앱. 무료로 풀고 프리미엄 구독(연 9,900원)을 판다. 1인 개발자가 이런 앱 15개를 운영하며 누적 250만 다운로드.	작은 앱 여러 개로 위험을 나누고 앱스토어 검색으로 고객을 모은다. 한국에서 이미 검증됨.
Photo AI	셀카로 AI 프로필 사진을 만들어주는 구독 서비스. 1인 운영으로 한때 월 매출 약 13만 달러.	매출을 공개하는 빌드 인 퍼블릭이 신뢰와 마케팅을 겸한다.
Easlo	무료 노션 템플릿으로 독자를 모은 뒤 유료 템플릿을 판다. 2022년 한 해 약 24만 달러.	코딩 없이 무료 콘텐츠에서 유료 상품으로 이어지는 구조를 만든다.
ScreenshotOne	웹페이지를 이미지로 바꿔주는 API. 월 7달러에서 시작해 3년 만에 월 2만 달러.	귀찮고 지루한 문제 하나에 집중하고 무료 도구와 검색으로 고객을 모은다.
Bannerbear	마케팅 이미지와 영상을 자동 생성하는 API. 2025년 연 매출 100만 달러 돌파.	영업 대신 Zapier, Make 같은 자동화 플랫폼 연동으로 고객 유치.
Postiz	오픈소스 SNS 예약 발행 도구. 코드는 무료로 공개하고 관리형 구독(월 29~99달러)을 판다.	오픈소스 공개 자체가 GitHub 스타와 입소문이라는 유입 채널.
fullPage.js	무료 오픈소스(GPLv3) 라이브러리를 배포하고 상업용 라이선스와 확장 기능을 판다. 과거 창업자 기준 월 1만 2천 달러.	제품은 공짜로 풀고 '상업적으로 쓸 권리’만 판다.

막연히 사업 아이템을 묻는 게 아니라 실제 사례를 조사시키니 훨씬 생동감이 있고 구체적인 그림이 보여서 내가 할 수 있는 게 어떤 건지 가늠해 볼 수 있었다. 아이템을 그대로 따라 하기보다는 강점을 배워 내 아이템을 찾아야겠다는 생각이 들었다. 그리고 무엇보다 고객 수요를 확인해야 한다. 작은 문제인데 고객이 돈을 낼 만한 것이 뭐가 있을까?

첫 실험으로 내가 만들었던 코드를 활용해보자

오랫동안 코딩으로 먹고 살았는데 소프트웨어 제품부터 실험해보면 되지 않을까? 위의 사례를 보면 고객이 찾아오는 유입 경로가 필요한데 내 경우 GitHub와 블로그에서 찾아오는 고객을 잡으면 어떨까? 또, 내가 참여하는 SI 프로젝트 고객도 중요한 잠재 고객이 아닐까? 그래, 오픈소스를 제품화해서 소스는 공개하지만 상업용으로도 판매해보자!

몇 가지 과거 결과물이 떠올랐다. 다양한 개인 프로젝트를 했었는데 그중 뭘로 시작하면 좋을까 생각해봤다.

카카오, 네이버 지도 등 지도 API를 활용한 도구
WebRTC를 활용한 비디오, 음성 스트리밍 도구
웹페이지 캡처/어노테이션 도구
한국어 텍스트 처리 도구

이 중 웹페이지 캡처/어노테이션 도구부터 독립적인 제품으로 만들기로 했다. SI 프로젝트에는 테스트 단계가 있고 테스트 때마다 이런 도구의 필요성을 느껴서다.

수요 조사로 일단 랜딩 페이지를 만들어 방문자들의 반응이 얼마나 오는지 확인할 생각이다. 또한 SI 프로젝트의 테스터, 사용자에게도 권유하여 기존에 테스트 이슈를 정리하는 방법과 비교해 이런 도구에 돈을 낼 만한지 알아보려고 한다. 경쟁 제품도 조사해 나만의 강점을 찾아 제품에 반영해야 한다. 이 과정에서 AI의 도움이 필수적일 것 같다.

과연 유료 고객을 잡을 수 있을까?

적립식 투자, 월초/중순/월말 언제 사야 할까?

이동련 — Sun, 20 Sep 2026 09:00:00 GMT

지난 글에서 일시 거치와 적립식 투자(DCA)를 비교했는데 적립식으로 갈 경우 궁금증이 생겼다.

매달 초에 한 번 사는 걸로 비교했는데 다르게 사면 어떻게 될까?

예를 들어 월 중순, 월말에 산다면? 또 두 달에 한 번 200만원씩 사서 거래 횟수를 줄인다면? 반대로 한 달 투자금을 두 번으로 나눠 산다면? 이런 궁금증을 해결하기 위해 지난번과 마찬가지로 KODEX 200의 과거 데이터로 백테스트를 수행해 봤다.

비교 조건

지난번과 달리 아래와 같이 다양한 매수 시점을 비교 조건으로 정했다. 월급을 실제 받는 시점은 다 다르겠지만 어느 때든 살 수 있는 걸로 가정한다.

매월 월초: 매월 첫 거래일에 100만원 매수
매월 중순: 매월 15일 이후 첫 거래일에 100만원 매수
매월 월말: 매월 마지막 거래일에 100만원 매수
격월 매수: 홀수월 또는 짝수월에 200만원 매수. 각각 월초, 중순, 월말 비교
월 2회 분할: 월초와 15일 이후 첫 거래일에 50만원씩 매수
무작위 매수: 매월 거래일 하나를 무작위로 골라 매수하는 실험을 1,000회 반복

격월 매수에서는 매수하지 않는 달의 100만원을 현금으로 보관했다가 다음 매수월에 합치는 걸로 한다. 대기 현금에는 이자가 붙지 않는 것으로 계산했다.

백테스트 전제와 조건

대상: KODEX 200(069500)
전체 기간: 2013년 1월 ~ 2025년 6월, 총 150개월
월 납입액: 100만원, 총 납입액 1억 5,000만원
체결가: 매수일의 고가와 저가의 중간값
매수 단위: ETF 1주, 남은 현금은 다음 매수로 이월
거래비용: 매수 금액의 0.015%
대기 현금 이자: 없음
분배금: 코스피200 NTR과 가격지수의 차이로 세후 재투자 효과를 가격에 반영
무작위 실험: 각 기간에 대해 1,000회 반복
견고성 확인: 시작 월을 한 달씩 옮겨가며 3년 구간 115개를 추가 비교

이 실험은 과거 데이터에서 유리한 조건을 골라낸 것 아니라 달력의 날짜만 정해서 실험하고 비교한 것이다.

상승장에서는 월초 매수가 가장 좋았다

2013년 1월부터 2025년 6월까지의 결과를 먼저 보자. 2025년 하반기부터 시작된 급등이 특정 전략에 유리하게 작용하지 않도록 그 직전에서 기간을 끝냈다. 아래 그래프는 모든 전략의 최종 평가액을 매월 월초 매수와 비교한 것이다.

KODEX 200 DCA 매수 시점과 빈도별 전체 기간 결과

월초 매수가 2억 7,745만원으로 가장 높았다. 월 2회 분할은 0.04%, 중순 매수는 0.08% 낮아 차이가 매우 작았다. 월말 매수는 월초보다 0.51% 낮았다.

전략	최종 평가액(잔여 현금 포함)	월초 대비	MDD	매수 회차
매월 월초	₩277,449,518	0.00%	-35.6%	150
월 2회 분할	₩277,340,093	-0.04%	-35.5%	300
매월 15일 이후	₩277,220,792	-0.08%	-35.4%	150
격월(홀수) 월초	₩277,121,574	-0.12%	-35.4%	75
격월(짝수) 15일 이후	₩276,730,695	-0.26%	-35.2%	75
격월(짝수) 월초	₩276,361,356	-0.39%	-35.4%	75
격월(홀수) 15일 이후	₩276,284,441	-0.42%	-35.4%	75
매월 월말	₩276,041,993	-0.51%	-35.2%	150
격월(짝수) 월말	₩275,611,902	-0.66%	-35.1%	75
격월(홀수) 월말	₩274,966,794	-0.89%	-35.0%	75

월초 투자가 유리한 결과가 여러 곳에 나타나는데 절대적인 차이로 보이지는 않는다. 전체 기간은 넓게 봐서 상승장이었고 아마도 조금이라도 일찍 투자금이 들어가서 나타난 효과가 아닐까 싶다. 다시 말해 대체적으로 상승장이었다면 조금이라도 일찍 투자하는 게 더 유리했고 월말이나 두 달에 한 번 매수할 경우 월초보다 상승한 뒤 매수하는 경우가 많아서일 것 같다.

그런 관점에서 월 2회 분할 역시 상승장에 일찍 참여하는 효과가 떨어지기 때문에 월초 1회 매수보다 수익이 떨어지는 것으로 보인다. 수수료는 매수 금액에만 비례하게 했으므로 거래 횟수에 따른 페널티는 없는 것으로 계산했지만 거래 횟수가 늘어나면 그만큼 원하는 가격(호가)과 체결 가격에 차이가 나서 손실이 날 수 있으므로 주의해야 한다.

MDD(고점 대비 최대 하락률)는 모든 전략이 약 -35%로 비슷했다. 150개월을 동일한 ETF로 적립하고 총액이 커지니 분산 매수 효과가 작아지므로 위험이 점점 비슷해진 걸로 판단된다.

무작위 날짜로 매수했을 때와 비교해보자

150개월 기간을 통짜로 한 번에 비교했을 때만 우연히 월초가 유리한 가격이 많이 나타났을 수 있으니 이번엔 매월 거래일 하나를 무작위로 골라 1,000회 반복 실험하고 그 분포를 차트로 나타내 봤다.

KODEX 200 무작위 월 매수일 1,000회 결과

매달 기분 내키는 날짜에 투자했을 경우 최대 2억 7,840만원, 최소 2억 7,590 정도가 될 수 있으며 중앙값은 2억 7,714이 된다는 뜻이다. 무작위기 때문에 실험 때마다 다른 결과가 나올 것이므로 이걸 절대적인 결과로 보면 안 된다.

다만 이런 범위에 대해 앞서의 각 실험을 대조해보면 아래와 같다.

매월 월초, 월 2회, 매월 중순 매수는 무작위 결과의 중앙값보다 좀 더 결과가 좋긴 한데 차이가 크지 않다.
매월 월말 매수는 유독 하위권이다.

장기간 우상향한 시장에서는 하루라도 빨리 산 쪽이 유리하다는 예상과 잘 맞는 결과로 보인다.

그럼 기간을 잘라 실험하면 어떨까

전체 기간 하나만으로 실험을 끝낼 수는 없다. 이번엔 3년(36개월)짜리 적립식 투자를 하는 것으로 가정하고 시작 월을 한 달씩 옮겨가며 115개 구간을 비교했다. 즉 2013년 1월부터 3년, 2013년 2월부터 다시 3년을 정하는 식으로 3년짜리 구간을 115개 정해 실험했다는 뜻이다.

아래 상자 그림은 각 전략의 최종 평가액이 같은 구간의 월초 매수보다 얼마나 높거나 낮았는지를 보여준다.

KODEX 200 DCA 매수 규칙 3년 롤링 비교

월 2회 분할은 월초보다 중앙값이 0.01% 낮아 사실상 차이가 없었고 115개 중 46.1%의 구간에서는 월초를 이겼다. 중순 매수도 47.8%의 구간에서 월초보다 좋았다. 월말 매수는 월초보다 중앙값이 0.46% 낮았지만 15.7%의 구간에서는 월초를 이겼다. 아래는 결과 중 대표 전략 5개만 표시한 것이다.

전략	월초 대비 승률	중앙값 차이	10~90% 범위
월 2회 분할	46.1%	-0.01%	-0.58% ~ +0.24%
매월 15일 이후	47.8%	-0.03%	-1.15% ~ +0.47%
매월 월말	15.7%	-0.46%	-1.06% ~ +0.25%
격월(홀수) 월초	47.0%	-0.08%	-0.64% ~ +0.32%
격월(짝수) 월초	5.2%	-0.43%	-0.77% ~ -0.08%

115개 구간으로 나눠서 실험했지만 각각이 완전히 독립적인 구간이 아니고 겹치는 구간이 있다는 데 주의해야 한다. 예를 들어 시작 월이 한 달밖에 차이가 나지 않는 두 구간은 35개월이 겹치니 거의 비슷한 결과일 것이다. 구간별 결과가 100% 독립적이지는 않으므로 이 결과는 절대적인 경향이 아니라고 생각해야 한다.

마지막 급등 구간이 월초 효과를 키운다

25년 하반기부터의 코스피 급등을 실험에 포함시키면 어떻게 될까? 마지막 1년의 가격 상승이 전체 결과에 큰 영향을 주지 않았을까? 종료일을 26년 6월까지로 바꿔 비교하니 월초 매수의 우위가 조금 더 보인다.

지표	2025년 6월까지	2026년 6월까지
월초 대비 월 2회 분할 차이	-0.04%	-0.11%
월초 대비 중순 매수 차이	-0.08%	-0.22%
월초 대비 월말 매수 차이	-0.51%	-0.74%
3년 구간 중 중순 매수 승률	47.8%	43.3%
3년 구간 중 분할 매수 승률	46.1%	41.7%

역시나 월초 매수가 상승 기간 동안 다른 조건보다 항상 먼저 매수하므로 좀 더 유리한 것으로 보인다. 월초라는 날짜 자체의 효과보다 종료 시점의 시장 상황이 결과에 더 크게 작용한 것이다.

확인하기 위해 별도로 하락장 구간을 정해 실험해 봤는데 결과가 반대로 된다. 즉, 하락장에서는 늦게 사는 게 유리하므로 월말 매수가 월초 매수보다 약간 유리했다. 하락장에서는 월초에 사면 월말에 사는 것보다 하락 구간이 길기 때문이다.

아래는 2018년 1월부터 2020년 3월까지 27개월 동안 총 2,700만원을 납입한 결과다.

전략	최종 평가액(잔여 현금 포함)	누적 수익률	MDD
격월(짝수) 월말	₩23,811,702	-11.8%	-33.3%
격월(홀수) 월말	₩23,804,619	-11.8%	-32.4%
격월(홀수) 15일 이후	₩23,762,321	-12.0%	-33.7%
격월(짝수) 15일 이후	₩23,724,521	-12.1%	-33.9%
매월 월말	₩23,696,083	-12.2%	-33.4%
격월(홀수) 월초	₩23,665,482	-12.4%	-34.5%
매월 15일 이후	₩23,639,228	-12.4%	-34.4%
월 2회 분할	₩23,571,585	-12.7%	-34.7%
격월(짝수) 월초	₩23,536,834	-12.8%	-35.0%
매월 월초	₩23,496,156	-13.0%	-35.5%

격월 짝수월 전략은 마지막 달인 2020년 3월에 매수하지 않아 약 100만원이 현금으로 남았다는 점을 감안해야 한다(하락 영향을 받지 않음). 매월 매수 전략끼리 비교해도 월말 매수의 평가액이 월초 매수보다 약 20만원 높았고 MDD도 2.1%포인트 낮았다.

결국 중요한 건 꾸준한 매수다

실험 결과에서 봤듯이 매수일의 결과 차이가 크지 않았고 있더라도 전체적인 시장의 상승, 하락 방향과 실험 기간 막판의 시장 방향 영향이 커 보였다. 상승, 하락을 미리 알 수 없기 때문에 우리는 위험을 줄이고자 적립식 투자를 하는 것이고 그렇다면 날짜에 연연해서는 좋은 투자가 되지 않을 것 같다.

중요한 건 꾸준한 매수다. 월급이 들어온 뒤 감당할 수 있는 금액을 빼먹지 않고 꾸준히 투자하는 규칙이 더 중요해 보인다. 최고의 매수 타이밍은 역시 월급날이 아닐까.

척추협착증 경과 - 오르내림 끝에 완만한 상승장으로

이동련 — Mon, 14 Sep 2026 15:00:00 GMT

허리가 안 좋아진 뒤로 내가 허리 상태를 판단하는 방법은 양치질이다.

세면대에서 이를 닦으면 허리를 약간 숙이게 되는데 이게 허리에 통증을 줬다. 그래서 그 통증 정도로 상태를 판단하고 안 좋은 날은 한 팔로 세면대를 짚고 있어야 한다. 지금은 통증이 좀 약해져서 짚지 않는 날도 있지만 다시 아파질까 싶으면 짚는다.

양말을 신을 때도 비슷하다. 아침에 앉아서 허리를 숙여 양말을 잡아당길 때면 허리가 얼마나 뻣뻣한지, 통증이 얼마나 있는지 다른 날과 비교한다. 양치질과 양말 신을 때의 느낌으로 봐도 몇 달 전보다 분명히 좋아졌다.

그렇다고 매일 좋아지기만 한 것은 아니다. 전날보다 안 좋아진 날도 많았다.

시작은 연초였다. 달리기를 하거나 턱걸이를 할 때 꼬리뼈 안쪽 어딘가에 둔한 얼얼함 같은 것이 느껴졌다. 운동이 과했나, 별거 아니겠지 하고 넘겼다.

그렇게 두어 달을 지내면서 그런 느낌이 거의 없어진 것 같았는데 어느 날부터 허리가 안 좋아졌다. 이 역시 한 달 정도 좋아지겠지 하다가 결국 병원 가서 MRI를 찍어보니 L4-L5 부위에 척추협착증과 디스크 문제가 있고 신경을 누르고 있다고 했다.

당시에는 근력 운동도 하고 일요일마다 산에도 다녔다. 또 재택근무 중이었는데 책상 아래 짐 때문에 몸을 앞으로 숙여 일하는 시간도 길었던 것 같다.

이런 것들이 허리에 부담을 줬을 수 있지만 실제 원인인지는 알 수가 없다. 분명한 건 4월 초부터 허리가 많이 안 좋아졌다는 것이다. 그래서 문제 될 만한 행동은 하나씩 조심하기로 했다.

30분 앉아 있기도 힘들었다

안 좋을 때는 책상 앞에 30분 앉아 있는 것도 힘들었다. 그럴 땐 일어나 허리를 펴고 잠깐 움직여야 했다. 다시 앉아 있다가 또 불편해지면 일어났다.

우리 집은 거실 바닥에 밥상을 놓고 앉아 밥을 먹는데 이때도 같은 자세로 오래 앉아 있기가 힘들었다. 중간에 자세를 바꾸거나 잠깐 일어나야 할 때도 있었다.

어느 날은 평소처럼 동네 공원으로 산책을 나갔다. 그런데 걸은 지 10분도 안 돼 허리가 불편해 멈추고 잠깐이나마 쉴 수밖에 없었다. 평소 자주 다니던 산책길에서 그런 일이 일어나니 당황을 넘어 공포스럽기까지 했다. 다행히 이런 일은 그날밖에 없었다.

병원에서는 일단 주사를 맞아보자 해서 1주일 간격으로 3주 동안 치료를 받았다. 척추 주사라 수술대 같은 데 엎드려 맞았는데 잠깐 따끔한 정도였다.

그런데 주사 맞고서 과연 좋아졌냐 하면 별로 그렇지도 않은 것 같았다. 더 악화되는 걸 막아줬는지도 모른다. 다만 느끼기에는 "주사 맞고 좋아졌다"라고 할 만한 분명한 변화는 없었다.

여전히 30분 이상 앉아 있기가 힘들었고 2주 가까이 휴가처럼 집에서 쉬면서 지냈다.

스트레칭도 열심히 했다

어떻게든 좋아지게 해보려고 이것저것 해봤다. AI에게 물어보거나 유튜브를 찾아보고 스트레칭도 매일 했고 바닥에 엎드려 누워 신전 운동 비슷하게도 했다.

산책을 다녀오면 30분 정도 엎드려 쉬었다. 그리고 나서 원래 타던 실내 자전거는 다른 근력 운동을 못하는 대신 매일 탔다. 다행히 내 경우 자전거는 허리에 큰 무리가 되지 않았다.

처음에는 뭐가 도움이 되는지 신경을 써가며 이런저런 행동을 했다. 하지만 시간이 지나도 딱 이것 때문이라고 할 게 없었다.

실내 자전거도 어떤 날에는 아주 편했지만 어떤 날에는 좋지 않은 느낌이 들었다. 산책도 마찬가지였다.

스트레칭도 어느 순간부터 거의 하지 않게 됐다. 그렇다고 그 뒤로 회복이 더 느려진 것 같지도 않다.

출퇴근이 걱정됐다

그러던 중 5월 말부터 새 프로젝트로 출근하게 됐다. 사실 새로운 일에 대비하는 것보다 출퇴근이 더 걱정됐다.

흔들리는 만원 버스에 균형 잡고 서 있는 게 더 안 좋은 건 아닐까 지레 겁먹고 일도 못하면 어쩌나 걱정했는데 막상 출근하니 생각과 달랐다.

버스에 서 있는 것 자체는 부담이 적게 느껴졌다. 오히려 가끔 자리가 나서 앉아 있을 때 엉덩이 쪽에 둔한 통증 같은 것이 느껴지는 경우가 있었고 자세를 자꾸 바꿔야 했다.

회사에서 일하는 것도 마찬가지였다.

처음에는 한 시간 정도 일하면 일어나 허리를 폈다. 실제로 불편하기도 하고 의도적이기도 했다. 그런데 한 달, 두 달이 지나면서 그 횟수가 차츰 줄었다.

집에서 일할 때보다 자세가 좋아진 영향도 있는 것 같다.

사무실의 책상과 의자는 기본적으로 잘 맞춰 나와서인지 집에서 일할 때보다 자세가 편하다. 특히 이번에는 책상 밑에 납작한 모니터 박스를 세워놓고 한 번씩 다리를 올려놓곤 하는데 상당히 편했다.

계속 지내다 보니 허리에 부담을 주지 않도록 자세를 바꾸는 습관이 중요하게 느껴졌다.

하루가 아니라 몇 달을 봐야 했다

회복은 계속 좋아지기만 하는 과정이 아니었다.

며칠 동안 상태가 괜찮아서 이제 좀 좋아졌구나 싶으면 어느 날 다시 아침에 뻣뻣하고 의자에 앉아 있기가 힘들어진다. 또 그러다 며칠 차츰 괜찮아지나 싶으면 그다음 며칠은 산책하는 동안 허리가 안 좋은 느낌이 든다.

매일 상태를 들여다봐도 좋아지고 있는지 알기 어려웠다. 한두 달 전과 비교해야 확실히 알 수 있었다. 아, 그동안 조금씩 좋아지고 있었구나.

아직 완전히 좋아진 것은 아니지만 통증을 느끼는 빈도나 강도가 확실히 약해졌다.

그래서 오늘 이 글을 척추협착증이 나았다고 쓰는 것은 아니다. 몇 달이 지난 지금은 그래도 좋아지고 있음을 기록하기 위해 쓴다.

현재는 어떻게 하고 있나

내가 현재 하고 있는 건 대략 이 정도다. 뭐가 실제로 효과가 있었는지는 모른다.

앉아 있을 때 등받이에 등을 대고 약간 뒤로 기대도록 한다. 90도 직각으로 앉거나 앞으로 숙이거나 누워 있다시피하는 자세는 피한다.
앉아서 오래 있지 않도록 한다. 한 번씩 일어나 허리를 편다.
걷기는 출퇴근과 산책 두 번 합쳐서 7천 ~ 만1천 보, 실내 자전거는 땀이 꽤 날 정도로 하루 25분씩 탄다.
RDL 같은 무거운 덤벨을 드는 운동을 포함해 근력 운동을 아예 중단했다.
여전히 바닥에 앉는 좌식 생활을 많이 하지만 가급적 피하려고 한다.
반은 의도적으로, 반은 다른 이유로 최근 4kg 이상 몸무게가 빠졌다. 허리 부담이 조금은 줄었을 것 같다.

몇 달 전에는 30분 앉아 있기도 힘들었고 버스로 출퇴근할 수 있을지가 걱정일 정도였다. 지금은 그런 걱정이 거의 없다.

주식 차트로 치면 중간중간 조정은 있었지만 아직까지는 완만한 상승장이다.

앞으로도 계속 상승장이었으면 좋겠다.

나비에-스토크스 방정식이 뭐길래

이동련 — Sun, 13 Sep 2026 03:30:00 GMT

OpenAI가 새 AI 모델인 GPT‑6 Astra를 발표했는데 얼마 후 중요한 추가 소식이 나왔다. 오랫동안 풀리지 않은 "나비에-스토크스 존재성과 매끄러움 문제"의 해법을 내부 AI 시스템으로 구했다고 발표한 것이다.

대학 때 유체 역학을 배우면서 나비에-스토크스 방정식을 간단히 배우긴 했는데 전공과 거리가 있는 일을 하는 현재는 호기심으로 다시 알아보기로 했다. 예전에 Verlet 적산법에 대해 쓴 글 이래로 이제는 개인용 컴퓨터에서 유체 애니메이션 정도야 쉽게 하는 시대니까 말이다.

나비에-스토크스 방정식도 $F = ma$에서 나왔다

알다시피 뉴턴의 운동 법칙은 물체에 힘을 가하면 가속도가 생긴다는 것으로 힘을 물체의 질량으로 나누면 가속도를 구할 수 있다거나 질량에 가속도를 곱한 값이 힘이다 등으로 표현한다. 힘이 여럿일 경우 아래와 같이 표현할 수 있다. 가속도와 힘은 벡터, 질량은 스칼라다.

m\mathbf{a}=\sum \mathbf{F}

공기, 물 같은 유체도 같은 법칙을 따르지만 고체처럼 하나하나 독립적인 형태가 아니기 때문에 유체가 차지하는 공간의 각 위치에 벡터가 있다고 보고 이를 속도장이라고 한다.

나비에-스토크스 방정식은 여러 사람이 공동으로 기여하여 정립된 것인데 그 이름은 프랑스의 클로드루이 나비에, 영국의 조지 스토크스에서 유래한 것이다. 밀도가 일정하고 압축되지 않는 유체의 나비에-스토크스 방정식은 아래와 같다.

\rho\left( \frac{\partial\mathbf{u}}{\partial t} +(\mathbf{u}\cdot\nabla)\mathbf{u} \right) =-\nabla p +\mu\nabla^2\mathbf{u} +\mathbf{f}, \qquad \nabla\cdot\mathbf{u}=0

좌변이 $m\mathbf{a}$에 해당하여 유체의 질량밀도에 가속도를 곱한 것이고 우변은 $\sum \mathbf{F}$에 해당하여 유체에 작용하는 여러 힘을 나타낸다.

기호 및 항	의미
$\rho$	유체의 밀도(부피당 질량). 밀도가 일정한 경우이므로 상수다.
$\mathbf{u}$	유체의 위치마다 계산되는 속도 벡터
$\partial\mathbf{u}/\partial t$	시간에 대한 속도 변화율, 즉 (국소) 가속도
$\nabla$	“나블라” - 그레이디언트/발산을 만드는 미분 연산자
$(\mathbf{u}\cdot\nabla)\mathbf{u}$	유체가 이동하면서 다른 위치의 속도에 영향 주는 가속도. 속도 자체가 속도의 변화를 결정하는 비선형 항.
$-\nabla p$	압력이 높은 곳에서 낮은 곳으로 유체를 미는 힘
$\mu\nabla^2\mathbf{u}$	점성의 힘. $\mu$는 점성 계수를 의미하며 유체의 끈적한 정도를 나타냄
$\mathbf{f}$	중력($\rho\mathbf{g}$)이나 부력 등 기타 다른 힘
$\nabla\cdot\mathbf{u}=0$	유입, 유출 유량이 같아 0이 된다는 것으로 유체 부피가 줄거나 팽창하지 않는다는 조건.

압축이 가능한 유체인 경우는 밀도도 시간 함수가 되어 또 다른 비선형 항이 추가되기 때문에 복잡해진다.

어떤 난제가 있었는가

나비에-스토크스 방정식으로 유체의 다양한 면모를 계산할 수 있다. 항공기 설계나 일기 예보 등에서 유체의 흐름을 계산하여 우리 일상에까지 영향을 주는 결과는 수없이 많다. 그럼 OpenAI가 해법을 구한 난제란 건 어떤 것일까?

클레이 수학연구소라는 단체에서 선정한 21세기 수학계에 기여할 수 있는 난제 7개 중 하나를 말하며 방정식이 쓰인 19세기 이래로 아직도 우리의 이해도는 낮다는 데서 출발한다.

공식적인 문제 설명에서는 방정식의 3차원 적용 시 가정한 몇 가지 조건을 만족하는 해가 존재하는지에 대해 네 가지 중 하나는 증명하라고 요구하고 있다.

(A) Existence and smoothness of Navier–Stokes solutions on $\mathbb{R}^3$
(B) Existence and smoothness of Navier–Stokes solutions in $\mathbb{R}^3/\mathbb{Z}^3$
(C) Breakdown of Navier–Stokes solutions on $\mathbb{R}^3$
(D) Breakdown of Navier–Stokes solutions on $\mathbb{R}^3/\mathbb{Z}^3$

OpenAI에서는 문제에 대해 아래와 같이 설명한다.

Specifically, can the Navier–Stokes equations for a three-dimensional incompressible fluid with constant density develop a “singularity,” even when the motion starts smoothly? Here, a singularity means the dynamics lead to speeds in the fluid growing without bound within a finite amount of time.

즉, 유체 속도가 유한한 시간 안에 무한히 빨라지는 특이점이 만들어질 수 있냐는 것이다. 현실에서 유체 속도는 무한대가 될 수 없기 때문에 이 지점부터 방정식은 유체 해석에 적합하지 않다. 클레이 연구소는 이를 붕괴(breakdown)라고 표현했다.

OpenAI는 앞서 C, D에 해당하는 증명, 즉 특이점이 생길 수 있다는 쪽으로 발표했다. 처음에는 정지해 있던 매끄러운 유체에 매끄러운 외력을 가했을 때 전체 에너지는 유한하게 남아 있는데도 유한한 시간 안에 유체의 속도가 무한히 커지는 예를 구성했다고 설명한다.

OpenAI는 “Astra보다 강력한 내부 모델을 사용하여” 이 문제를 증명했다고 발표했지만 실제로 해결한 게 맞는지에 대해서는 수학계 검증에 상당 시간이 필요하다고 한다.

나비에-스토크스 애니메이션 갤러리

일반인 입장에서 나비에-스토크스 방정식을 연구하는 게 목적은 아니고 그래서 방정식으로 뭘 할 수 있는지가 더 큰 관심사라 AI를 사용해 몇 가지를 구현해봤다.

3차원은 2차원보다 훨씬 복잡해지기 때문에 단순화한 2차원 실험으로 만들었고 마우스나 터치로 인터랙션이 가능하게 했다. 위 난제에서 특이점은 3차원인 경우이기 때문에 이 데모들에서는 특이점이 안오니 안심.

인터넷으로 찾아보면 나비에-스토크스 방정식 기반으로 다양한 유체 애니메이션 라이브러리와 알고리듬이 있는데 아래 구현은 그중 유명한 Jos Stam의 논문을 바탕으로 한 것이다.

소용돌이치는 연기 연기의 흐름을 보여 준다. 박스 안을 클릭, 드래그하여 연기를 추가해보자.

점성이 다른 잉크 왼쪽은 점성이 낮아 움직임이 빠르고 오른쪽은 점성이 높아 빨리 둔해진다.

따뜻한 연기와 부력 연기가 상방향 외력을 받아 위로 올라간다. 약간의 흔들림이 더해져 연기 흐름이 좌우로 휜다.

참고로 동작 줄이기 설정을 사용하는 기기에서는 애니메이션이 정지된 그림으로 표시된다.

인터넷에는 본격적으로 구현한 애니메이션이 꽤 있다. 마치 기름이 퍼지는 것 같은 현상을 화려하게 표현한 예시도 그중 하나.

나비에-스토크스 방정식을 시각적으로 확인할 수 있어 재미있는 기회였다. 개발자로서 업무적으로 사용할 영역은 아니지만 옛날 배웠던 전공 과목 내용이 뉴스에 나와 반가웠다.

방정식에서 말하는 "특이점"과는 다르지만 AI가 차츰 사람의 능력을 넘어서 이해할 수 없는 영역까지 도달하는 사례가 계속 나오는 것 같다. AI가 자체적으로 발전, 진화하는 특이점이 오는 날이 멀지 않았다고 하는데 과학은, 인류는 어떻게 영향받을까?

<오디세이>로 본 크리스토퍼 놀란의 공통 주제

이동련 — Sun, 06 Sep 2026 15:00:00 GMT

한동안 벼르다가 어제 가족과 함께 <오디세이>를 봤다. 명불허전으로 3시간 넘는 동안 지루할 틈 없이 흥분하고 감동했는데 도대체 오디세우스의 이 치열한 귀향 의지는 왜 번번이 막히는 것인가! 감독이 말하려던 게 무엇이길래 주인공을 이렇게 고생시킬까? (영화 자체의 스포일러는 없지만 <오디세이아> 원전에 대한 이야기는 약간 포함돼 있으므로 주의)

감독의 주제 의식 - 선택의 무게에 짓눌리는 주인공

<오디세이>의 원전은 그리스 고전이지만 당연하게도 감독은 현대적인 시선으로 해석했고 관객도 본인의 시각에서 감독이 하려는 이야기를 보게 된다. 감독이 말하려는 몇 가지 주제 의식이 보이는데 생각해보니 감독의 과거 영화에서도 보이는 것들이 있다.

그동안 내가 놀란 감독 영화를 본 게 꽤 된다.

<메멘토> - 아내를 잃고 복수에 집착하는 남자
<프레스티지> - 최고의 마술사가 되기 위해 모든 것을 내건 두 남자
<다크나이트> - 어두운 도시 고담의 정의를 위해 희생하는 남자
<인셉션> - 가족에게 돌아가기 위해 위험한 임무를 선택한 남자
<인터스텔라> - 인류의 미래를 위해 가족을 떠나간 아버지
<오디세이> - 전쟁의 대가를 짊어지고 집으로 돌아가는 영웅

이 영화들을 보면 그 서사에서 대부분 아래 공통점이 보인다.

주인공들이 어떤 목표만을 바라보며 여러 가지를 희생하고 때로는 집착한다.
주인공이 원하는 건 평범한 행복이다. 영웅도 나오지만 세상을 구원하는 게 최고 목표는 아니다.
선택에 대해 고민이 크지만 결과는 예상치 못한 방향이고 대가가 크다.

마치 이렇게 말하는 것 같다. “그래, 주인공이 죽자살자 뭔가를 했어. 그런데 그 결과를 감당할 수 있을까?”

<오디세이> 역시 비슷하다. 오디세우스는 전쟁을 승리로 이끈 영웅이지만 처음부터 영웅이 되려던 게 아니다. 이타카에 가족과 함께 남고 싶었으며 전쟁이 끝난 후에는 이타카의 집에 돌아가는 것이 가장 큰 목표다. 하지만 전쟁이 남긴 피해와 신과 믿음에 대한 혼란, 귀향길에서 잘못된 판단에 따른 고난과 전우의 희생 등은 주인공이 전혀 원한 결과가 아니었다.

<오디세이> / 출처: IMDb

위 사진은 오디세우스 일행이 “라이스트뤼고네스” 거인족을 마주치고 놀란 장면이다.

식량과 휴식을 위해 낯선 섬에 내리는 결정을 했는데 그 선택이 예상치 못한 재앙으로 이어진다. 놀란 영화의 주인공답게 의도는 좋았으나 결과는 마음대로 되지 않았다.

감독이 처음부터 오디세우스 역으로 맷데이먼을 염두에 두진 않았고 각본 완성 후 맷 데이먼이 작품에 가치를 높여 줄 거라고 생각했다는데 정말 공감된다. 놀람과 고뇌, 리더로서 상황을 통제하려는 모습, 전진과 후퇴를 반복하며 지쳐가는 모습 등을 잘 표현한다.

<오뒷세이아>(또는 오디세이아)는 호메로스의 원전 이래로 다양한 책과 극으로 형상화됐지만 이번 <오디세이> 영화는 상업적으로 가장 성공한 작품이다. 개봉 두 달도 되지 않아 전 세계 흥행 수입이 15억 달러를 넘어섰다.

원전은 같아도 어떻게 해석하고 표현하느냐에 따라 결과가 전혀 달라질 수 있다.

놀란 감독은 여러 영화에서 비슷한 질문을 관객에게 던졌던 것 같다. <오디세이>도 그런 주제 의식 아래 감독 특유의 영화적 표현으로 이야기를 전달했고 관객은 크게 호응했다.

오디세우스는 자신의 선택과 그 결과에 대해 고뇌했고 전우와 가족의 희생에 죄책감을 느꼈다. 후반부에 사냥개 아르고스가 오디세우스를 알아보는 순간, 그동안 오디세우스의 어깨에 얹혀 있던 짐이 잠시 내려가는 것 같았다. 나는 그 장면에서 먹먹해졌다.

감독의 다음 영화에서는 누구를 고생시킬지 궁금하다.

어린 시절을 소환할 수 있다면 100만 원쯤이야?

이동련 — Sat, 05 Sep 2026 04:00:00 GMT

<오디세이> 영화가 개봉하고 나서 그리스 로마 신화 관련 책이 다시 인기를 끈다고 한다. 중고 시장에서는 특정 작화가의 책이 100만 원에 올라왔다는 소식이 화제가 됐다.

그리스 로마 신화, 디오니소스 편의 한 장면

오래된 어린이 책을 100만 원에 판다고? 처음엔 신기하고 살 사람이 있을까 생각이 들었다. 그런데 생각해보니 나도 어렸을 때 가지고 있던 기억나는 책들이 있다. 동화책, 학습 백과, 월간 잡지 여러 가지가 있는데 그중 단연코 향수가 모락모락 피어나는 책 하나가 있으니 바로 <안데르센 동화 전집>이다.

동화 자체의 환상적인 이야기가 아련한데 많이들 알고 있는 <인어공주>를 비롯해 <성냥팔이 소녀>, <주석 병정>, <엄지공주>, <눈의 여왕>, <미운 오리 새끼> 등 아름다우면서 신기하고 때로는 슬픈 이야기도 많다. 난 <작은 클라우스와 큰 클라우스> 같은 블랙 유머도 좋아서 참 재미있게 읽었던 기억이 난다.

그런데 위 그리스 로마 신화도 그렇지만 사람들의 마음을 더 사로잡은 건 책 속의 삽화다.

왕자님과 공주님은 동화에 무조건 나와야지

마차의 마님이 뭔가 이상하다

어디를 이렇게 사색하며 걷는 것일까

웅크린 자세와 시선이 참 안쓰럽다

동화적이고 몽환적인 분위기를 참 잘 살렸다. 어렸을 때는 그저 동화 나라의 그림이라고만 생각했는데 지금 와서 보면 그림의 섬세한 감성과 스타일이 새삼 눈에 들어온다. 작화가는 김광배님으로 그림책, 역사화 등 분야에서 활동한 분이다.

우리 집은 여러 번 이사하면서 책을 많이 버려 안데르센 동화는 오래전에 없어졌는데 지금 찾아보니 신진출판사에서 나온 책이며 100만 원에 매물이 올라온 경우가 있다. 왜 이렇게 높은 가격이 붙었을까? 그리스 로마 신화와 달리 이 책은 나에게 의미가 있고 선뜻 사지는 못하더라도 이해는 할 수 있었다.

성인이 돼서 구매력이 생긴 사람들이 어린 시절을 추억하며 그 향수를 되살리고 싶은 마음이 아닐까 싶다. 동화책 내용이야 어디서든 사서 볼 수 있지만 이 삽화로 나온 책은 더 이상 나오지 않는다. 귀중한 기억을 현실에 다시 살릴 수 있다는 건 매력적이지 않은가?

철학서인 <카오스의 아이들> “무엇이 실제인가” 절에 이런 내용이 있다.

디지털 방식으로 저장되고 전자 매체를 통해 확산되는 데이터가 등장함으로써 구식 인쇄 매체의 중요성이 더해졌다.
…
인쇄 매체는 단지 정보만 가지고 있는 것이 아니라 형체와 중량을 가진 손에 잡히는 대상들이고 작가와 주제에 물리적으로 연결되어 있다는 느낌을 준다.

그렇다. 책을 직접 가지면 작가와 좀더 가까워지는 느낌이다. 그 작가가 들려주는 이야기와 그림에서 나의 어린 시절과도 연결되는 느낌을 받는다.

컴퓨터 화면으로도 삽화를 보고 PDF로 책을 볼 수도 있다. 하지만 어린 시절 그대로의 책장을 넘기고 누렇게 변한 종이 사이 글을 읽으며 익숙한 그림을 다시 만나는 것은 분명 다른 경험일 것이다. 그 물건 자체가 기억의 일부이기 때문이다.

지금 우리 주변에 너무 흔해서 별생각 없이 놔둔 것들 중에도 훗날 내 일부로 기억되는 게 있을까?

어쩌면 내가 다시 만나고 싶은 것은 오래된 동화책을 펼쳐 보던 어린 시절의 나인지도 모르겠다.

맥 미니 M4에서 M6로 갈아탈 가치가 있을지 고민했다

이동련 — Sun, 30 Aug 2026 08:00:00 GMT

난 24년 12월에 맥 미니 M4를 사고부터 거의 2년 동안 맥 미니를 주력 컴퓨터로 사용하고 있다. 2년 동안 프리랜스 활동도 꽤 했고 재택 근무, 사이드 프로젝트, 취미 활동 등에 맥 미니를 사용한다. 아직도 윈도의 익숙한 UI가 더 낫다고 생각할 때가 있지만 쾌적한 성능은 다시는 윈도로 돌아갈 일이 없게 만들었다.

그런데 최근 새 맥 미니 모델로 M6와 M5 Pro가 발표되면서 업그레이드가 필요할까 알아보기로 했다. CPU, GPU, AI 성능이 많이 좋아졌다는데 AI 개발도 하고 가끔 무거운 작업을 돌리는 나한테 얼마나 이득이 있을까?

결론부터 말하자면 아직은 아니라는 것이다. 지금 새로 맥 미니를 산다면 M6의 장점이 충분하지만 이미 M4를 사용 중인 입장에서 M6는 아주 매력적으로 보이지는 않는다. M5 Pro는 299만원부터라 고민도 안 했다.

M4 성능은 아직도 차고 넘친다

내가 맥 미니 M4를 사용하면서 가장 좋았던 것은 Java 프로젝트의 maven 또는 gradle 빌드 속도였다. 이미 다른 사람의 M1 노트북에서 빌드 속도를 보면서 빠르다는 걸 알고 있었지만 M4는 한 차원 더 높아진 수준이었다.

당시 i9 CPU, 32GB 메모리의 윈도 노트북을 사용하고 있었는데 한 프로젝트를 빌드하는 데 약 12초가 걸렸다. 같은 노트북에 리눅스를 깔고 똑같은 소스를 빌드해보니 7~8초 정도로 줄었는데 16GB 메모리의 맥 미니 M4에서는 3~4초 정도밖에 걸리지 않았다.

CPU 하나만의 차이는 아니고 운영체계, JVM 등 여러 가지가 복합적이겠지만 맥 미니 M4의 성능은 엄청난 만족을 줬다. 개발하다 보면 코드 수정, 빌드, 배포를 하루에도 수십 번 반복하는데 빌드가 몇 초 만에 끝난다는 것은 거부할 수 없는 매력이었다.

이후에도 VS Code, Xcode 등의 도구와 Java, Python, JavaScript 등을 개발했는데 16GB 메모리임에도 Spring Boot 프로젝트나 Docker 컨테이너, 모바일 시뮬레이터 등을 띄워 사용하는 데 성능 때문에 답답했던 적은 없었다.

그런데 2년 가까이 지난 지금은 성능 체감 지점이 좀 달라졌다.

전에는 코드 수정, 빌드, 재실행을 반복했기 때문에 빌드 시간이 몇 초 줄어드는 것도 꽤 중요했다. 요즘은 AI 에이전트 기반으로 코딩하면서 그런 반복적인 작업이 많이 줄었다.

그래서 12초가 3초로 줄어든 차이가 하루 종일 누적되는 데 따른 효과보다는 다른 작업에서 효과를 본다. 현재 프로젝트에서는 한 번 실행하면 20분 정도 GPU를 사용해 결과를 내는 딥러닝 개발을 하고 있다. 이미지 7~8천 장 이상을 기반으로 모델을 학습시키는 것인데 20분이면 역시 상당히 빠른 것이다. 같은 작업을 GPU가 없는 운영 환경의 쿠버네티스 CPU 노드에서 실행하면 8~9시간 정도가 걸리기 때문에 모델을 로컬에서 개발하고 운영 환경으로 옮기는 방식을 취하고 있다.

그렇다면 M6는 얼마나 좋아졌을까?

이번 새 맥 미니는 CPU 성능도 좋아졌지만 GPU와 AI 연산 성능이 대폭 좋아졌다니 관심이 간다. Java 프로젝트 빌드가 3~4초에서 2초로 줄어든다고 해도 별로 관심이 가지 않지만 20분 걸리는 이미지 학습 작업이 10분 이하로 줄어든다면 살 만하지 않을까?

이미지 학습 같은 건 하루에 몇 번만 돌려도 수십분 차이가 날 수 있기 때문에 꽤 큰 차이로 볼 수 있다.

하지만 실제 사양을 들여다보면 20분이 10분으로 줄어들 것이라고 쉽게 기대하기는 어렵다. 딥러닝에서는 GPU 성능뿐 아니라 메모리 대역폭도 중요하다. 대량의 데이터를 GPU가 얼마나 빨리 읽고 쓸 수 있느냐가 영향을 주기 때문이다.

M4의 메모리 대역폭은 120GB/s이고 M6는 16GB 모델 기준 153GB/s, 24GB 이상 구성이면 170GB/s까지 올라간다. 분명 M4보다는 좋아졌다.

그런데 2년 전 나온 M4 Pro의 메모리 대역폭은 무려 273GB/s나 된다.

CPU	GPU 코어 수	메모리 대역폭
M4	10	120GB/s
M6 16GB	12	153GB/s
M6 24/32GB	12	170GB/s
M4 Pro	최대 20	273GB/s
M5 Pro	최대 20	307GB/s

애플 발표로는 M6에 GPU 코어마다 AI 연산을 위한 Neural Accelerator가 추가됐고 M4 대비 AI 성능이 최대 4배, 그래픽 성능은 최대 2배라고 한다. 그럼 딥러닝 학습 시간이 반 이하로 줄어들까? 유튜브에 올라온 M4, M4 Pro의 GPU 작업 비교에 의하면 M4 Pro의 작업 시간이 대략 반 가까이 줄어드는 걸 볼 때 M6가 M4 Pro에 얼마나 필적할까에 달려있다고 본다.

아직 M6는 사전 주문 시점이라 실사용 경험이 안 나왔으니 이 부분은 조금 더 지켜볼 필요가 있다.

가격은 어떨까?

성능만큼 중요한 것이 가격이다.

내가 산 M4 모델은 메모리 16GB, SSD 512GB 구성이고 2024년 말 119만원이었다. 그런데 현재 중고 시장을 보면 같은 구성이 대략 120만~130만원 정도에 올라와 있고 단순 개봉 제품은 140만원대에 올라오기도 한다.

2년 가까이 사용한 컴퓨터가 중고 가격이 더 높게 된 신기한 상황이다. 메모리 가격 상승에 따른 애플의 가격 인상이 있었고 M4 단종에 따른 품귀 등 부수적인 효과인 것 같다. 지금이 갈아타기는 좋은 시점일 것 같기는 한데 M6의 가격이 얼마일까?

같은 16GB 메모리, 512GB SSD로 구성하면 183만 9천원이다. 내 M4를 120만원 정도에 판다면 60여 만원을 더 내고 M6로 바꿀 수 있다.

60만원을 투자해서 바꾸는 게 좋은 선택일까?

내 결론은 M4 유지다

딥러닝 성능 향상은 아직 확인해야 하겠지만 내 결론은 60만원의 가치로는 투자하지 않겠다는 것이다. 이유는 이렇다.

윈도에서 맥 미니로 바꿨을 때 Java 빌드 성능 향상으로 얻는 10초는 의미가 있었다. 10초 동안 다른 일은 못하기 때문에 막연히 기다리기만 해야 했고 그게 하루 종일 누적되면 차이가 크다. M4에서 M6로 바꾸는 것은 그 정도 체감은 안 될 것 같다.
딥러닝은 시간이 꽤 길기 때문에 기다리는 동안 다른 일을 할 수 있다. 개발자는 한 시간에 최소 5분은 스트레칭도 해야 하지 않나?
프로젝트에 따라 다양한 작업이 있음을 감안할 때 여전히 M4로 느리거나 답답함을 느낄 일이 별로 없다.
60만원이면 중고 태블릿 가격이다. 그 돈을 다른 곳에 투자하는 게 낫겠다.

M4가 처음 출시됐을 때 엄청난 가성비를 보고 샀던 나로서 M6는 그런 임팩트가 확 체감되지 않는다. 지금 시점에 새로 산다면 M4에 비해 M6의 가격 인상이 상대적으로 작지만(M4로 같은 구성이 6월부터 134만 9천원이었다) 내 경우 중고를 처분하고 60만원을 투자하기는 쉽지 않다.

지금은 M4를 더 쓰기로 했다. M6가 별로라서가 아니다. 돈도 돈이고 M4가 아직 너무 충분하기 때문이다.

다음 업그레이드는 또 다른 차원의 업그레이드이길 기대해본다. 예상컨대 로컬 LLM이 일반화되는 시점은 아닐까?

뭣이 중헌디~ 엉뚱한 돌 다리를 건너는 건 아닌가?

이동련 — Fri, 28 Aug 2026 16:00:00 GMT

일은 보통 먼저 큰 그림을 잡고 점차 세부 사항으로 진행하게 된다. 서울에서 부산으로 여행을 간다면 여행 계획을 세우고 교통편, 숙박, 할 일 등 세부 사항을 정하고 하나씩 실행하는 식이다.

사람은 중요한 일일수록 꼼꼼히 잘 확인하고 진행한다. 그런데 나는 꼼꼼해야 할 것을 잘못 짚은 경우가 있다. 각 단계는 문제가 없어 보여도 한참 진행하다가 생각지도 못했던 곳에서 상황이 뒤집어진 것이다.

열심히 했는데 다시 하란다

프로젝트에서 일의 방향이 뒤집히는 경우가 종종 있다. 우리 팀은 A 업무 영역과 B 업무 영역을 잘 만들고 이미 테스트도 한참 진행 중이었는데 고객 담당자가 내부 보고회에서 나온 대표님의 말씀을 전했다. “A 영역보다는 B 영역이 더 중요한 업무 아닌가? B 영역을 메인으로 하고 A 영역 일부를 B에 끼워 넣어!”

그나마 이 경우는 메인 화면 하나에 영향이 그쳤지만 다른 프로젝트에서는 임원 한마디에 전체 프로세스가 영향을 받은 적도 있었다. 화면 하나의 기능을 보완하라는 요청인데 그러려면 프로그램 설계, 화면 시안부터 다시 잡고 개발도 추가 작업이 필요한 경우였다.

이런 사례는 누구의 잘못을 따지기보다 문제 원인이 그 전에 있었다. 눈앞의 담당자들과 메뉴, 버튼, 화면 배치를 자세히 협의하면서도 더 중요한 일의 목적이나 고객 편의성, 최종 결정권자 등을 깊게 고려하지 않은 것이다.

비유하자면 돌다리의 돌 하나하나는 열심히 두드렸는데 정작 이 다리가 맞는 다리인지 잘 알아보지 않았다.

열심히 꼼꼼히 일하는 것보다 중요한 것

그래서 나는 깨닫는다. 디테일보다 먼저 확인할 것은 목표라는 것, 목표에 따른 조건들이라는 것.

일을 잘하려다 보면 세부적인 것을 신경 쓰기 마련이지만 일에 영향을 주는 변수는 다양하다. 모든 변수를 다 고려할 수는 없지만 디테일로 빠지기 전에 해야 할 질문들이 있다.

우리가 정말 해결하려는 문제가 이것인가?
지금 이야기하고 있는 사람이 실제 결정권자인가?
원하는 결과물의 형태가 이 일의 목표에서 가장 최선인가?
당연하다고 생각한 전제가 바뀌지는 않을 것인가?

이런 질문은 쉽게 놓치게 된다. 세부 사항은 눈앞에 보이지만 이런 질문의 답은 바로 분명하게 보이지 않기 때문일 것이다.

기획자가 고객과 화면 방향에 대해 얘기할 때 나는 이미 머릿속에서 코딩을 하고 있었다. 디테일에 먼저 빠진 것이다.

가족여행도 마찬가지였다

일이 아니더라도 비슷한 경험이 있다. 어쩌다 여행을 가게 되면 난 아이들이 여행에 대해 잘 모를 테니 내가 먼저 계획을 잘 세우고 얘기해보자고 생각했다.

해외여행인 경우 비행기 시간, 숙소도 알아보고 이동 방법, 관광할 곳, 식당까지 찾아본다. 그리고 아내와 아이들에게 일정을 보여주면서 마음에 드는지, 바꿀 건 없는지 등을 물어본다.

그런데 막상 여행을 가보면 가족들이 내가 기대했던 만큼 여행을 즐기지 못한다.

분명 계획을 세울 때 다 물어보고 확인했는데 왜 그럴까? 생각해보니 질문을 잘못한 것이었다.

이러저런 데 갈 건데 괜찮아?
이런 음식 어때?
언제 일어나서 나가야 되는데 괜찮아?

이렇게 물으면 당연히 계획만 보고 대답한다. “괜찮아요”, “좋아요”, “그렇게 해요”. 여행 자체에 대한 대답이 아닌 것이다.

누군가는 구경 다니는 것보다 편안하게 먹고 쉬는 걸 좋아하고 누군가는 놀이기구 여러 개를 타는 것보다 하루 종일 물놀이하는 걸 좋아한다. 가족들이 정말 원하는 것부터 확인하는 게 아니라 계획 검토만 시킨 것이다.

중요한 건 이런 질문일 것이다.

어떤 여행을 가고 싶어?
여행에서 해보고 싶은 게 있어?
어떤 걸 할 때 제일 즐거울까?

뭣이 중헌디

당장 벌여 놓은 일에 집중하는 것은 일의 성공을 위해 꼭 필요하다. 하지만 이제는 이렇게 자문하려고 한다.

지금 내가 열심히 하는 일이 정말 중요한 게 맞는가, 아니면 혹시 디테일에 매몰된 것은 아닌가?

돌다리도 두들겨 보고 건너야 한다. 그런데 열심히 두들기다가도 한 번 고개를 들어보는 것이 필요하다.

이 다리가 내가 건널 다리가 맞는지 말이다.

두 도시 이야기 새로운 번역 비교 - AI와 내가 번역한다면

이동련 — Sun, 23 Aug 2026 06:00:00 GMT

몇 년 전 두 도시 이야기 번역본을 비교한 글을 쓴 적이 있다. 여러 판본이 있지만 다들 장단점이 있어 원문과 번역 내용을 직접 비교해볼 수 있게 정리한 글이었다.

그 뒤 작년 2025년에 현대지성, 2026년에 문학동네에서 새 번역본이 나왔고 현재는 AI가 자연스러운 번역이 가능하니 다시 비교해봐야겠다는 생각이 들었다. 거기에 하나 더 - 차라리 나도 직접 번역해보자.

AI는 챗GPT를 사용했다. 개인적으로는 가장 번역이 우수한 AI라고 생각했다.

1. 최고의 시대, 최악의 시대

It was the best of times, it was the worst of times, it was the age of wisdom, it was the age of foolishness, it was the epoch of belief, it was the epoch of incredulity, it was the season of Light, it was the season of Darkness, it was the spring of hope, it was the winter of despair, we had everything before us, we had nothing before us, we were all going direct to Heaven, we were all going direct the other way — in short, the period was so far like the present period, that some of its noisiest authorities insisted on its being received, for good or for evil, in the superlative degree of comparison only.

현대지성

최고의 시절이었고 최악의 시절이었다. 지혜의 시대였고 어리석음의 시대였다. 믿음이 솟구치던 시기였고 불신이 드리우던 시기였다. 빛의 계절이었고 어둠의 계절이었다. 그리고 희망의 봄이었고 절망의 겨울이었다. 사람들 앞에는 모든 것이 놓여 있었고, 또한 아무것도 없었다. 모두가 천국을 향해 나아가는 듯했고, 동시에 모두가 정반대 방향으로 달려가고 있는 것 같았다. 요컨대, 그 시대는 우리의 현재와 너무 흡사하여, 목소리 큰 일부 권위자들은 좋은 쪽으로든 나쁜 쪽으로든 극단적으로 비교해야만 당대의 상황을 알 수 있다고 주장했다.

디킨스의 만연체 문체를 끊어놨다. “믿음이 솟구치던”, “불신이 드리우던”, "우리의 현재"라고 의역을 해놨다.

문학동네

최고의 시절이었고 최악의 시절이었다. 지혜의 시기였고 어리석음의 시기였다. 믿음의 시대였고 불신의 시대였다. 빛의 계절이었고 어둠의 계절이었다. 희망의 봄이었고 절망의 겨울이었다. 우리 앞에는 모든 것이 있었고 아무것도 없었다. 우리 모두가 천국으로 직행하고 있었고 또 그 반대편으로 직행하고 있었다. 요컨대 그 시대는 지금의 시대와 너무도 비슷했으며, 그 결과 그 시대의 가장 목소리 큰 권위자들 가운데 일부는 그 시대가 좋은 쪽으로든 나쁜 쪽으로든 최상급의 묘사로만 이해될 수 있다고 주장했다.

역시 만연체 문체를 끊어놨다. 그리고 "최상급의 묘사"는 무엇인지 잘 이해가 안된다.

AI 번역

최고의 시대였고 최악의 시대였다. 지혜의 시대였고 어리석음의 시대였다. 믿음의 시대였고 불신의 시대였다. 빛의 계절이었고 어둠의 계절이었다. 희망의 봄이었고 절망의 겨울이었다. 우리 앞에는 모든 것이 있었고, 아무것도 없었다. 우리는 모두 곧장 천국으로 가고 있었고, 모두 곧장 그 반대편으로 가고 있었다. 한마디로 그 시대는 지금과 너무나 닮아 있어서, 목소리 큰 권위자들은 좋게 보든 나쁘게 보든 오직 가장 극단적인 말로만 그 시대를 평가해야 한다고 우겨댈 정도였다.

역시 만연체 문체를 끊어놨다. AI는 오역은 아니지만 사족을 좀 붙이는 것 같고 읽기는 쉬운 것 같지만 전체적으로는 마음에 들지 않는다.

내 번역

최고의 시절이었고, 최악의 시절이었고, 지혜의 시기였고, 우둔함의 시기였고, 믿음의 시대였고, 불신의 시대였고, 광명의 계절이었고, 암흑의 계절이었고, 희망의 봄이었고, 절망의 겨울이었고, 사람들은 앞에 모든 걸 가지고 있었고, 아무것도 가지고 있지 않았고, 모두 천국으로 향하는 중이었고, 모두 저 세상으로 향하는 중이었다 — 간단히 말해 당대는 현 시대와 너무 비슷했기에 목청 큰 일부 권위자들의 주장은 좋든 나쁘든 극단적인 비교로 평가해야 한다는 것이었다.

나는 원문의 문체를 살리면서 우리말 표현으로 번역해야 한다고 생각한다. 그래서 문단을 끊지 않았고 대시도 넣었다. 우리말에서 콤마는 명사 나열에만 사용하는 게 관례지만 역시 문체를 살리느라 일부러 일일이 넣었다.

앞의 극단적인 대비가 다음 문장까지 한 호흡으로 이어지는 느낌을 살리고 싶었다.

2. 사우스콧 부인과 예언자

Mrs. Southcott had recently attained her five-and-twentieth blessed birthday, of whom a prophetic private in the Life Guards had heralded the sublime appearance by announcing that arrangements were made for the swallowing up of London and Westminster.

현대지성

얼마 전 사우스콧 부인이 스물다섯 번째 생일을 맞이했는데, 예지력을 지녔다는 근위 기병대 병사 하나가 런던과 웨스트민스터를 집어삼킬 재앙이 머지않아 닥칠 거라고 공언하며 그녀의 숭고한 등장을 미리 알렸다.

"재앙"이 어디서 나왔지?

문학동네

사우스콧 부인이 막 스물다섯번째 축복받은 생일을 맞이했으니 예언 능력을 지닌 근위 기병대 사병 하나가 런던과 웨스트민스터를 집어삼킬 재앙이 준비되어 있다는 예언을 통해 그녀의 숭고한 출현을 일찌감치 알렸더랬다.

역시 "재앙"이 어디서 나왔지? 재앙이 준비돼 있다는 표현도 어색하다.

AI 번역

사우스콧 부인은 얼마 전 복된 스물다섯 번째 생일을 맞았다. 이에 앞서 근위기병대의 한 예언자 같은 사병은 런던과 웨스트민스터가 집어삼켜질 준비가 되어 있다고 선언함으로써 그녀의 숭고한 등장을 예고했다.

AI도 “집어삼켜질” 같은 어색한 표현을 쓰는군. 하긴 요즘 유행하는 “~했어서” 같은 표현도 AI가 하더군.

내 번역

사우스콧 부인이 이제 스물다섯 번째 복된 생일을 맞이하는 때였는데 근위기병대의 예지력 있는 사병 하나가 그녀의 대단한 출현을 예고하면서 장차 런던과 웨스트민스터를 집어삼킬 것이라고 단언했다.

우리나라 옛날식 표현이라면 런던과 웨스트민스터를 "종묘사직"이라고 하고 싶었는데 직역이 더 적당한 것 같다.

원문에서는 누가 집어삼키는 지가 불분명한데 나는 사우스콧이라고 봤다. 말하자면 종교 운동으로 많은 사람을 끌어들였으니 집어삼킨 주체가 사우스콧이라는 건 나만의 생각일까? 원문처럼 주체가 애매하다면 번역에 어울리진 않지만 아래처럼 표현하고도 싶다.

장차 런던과 웨스트민스터가 꼴딱 넘어갈 것이라고 단언했다.

그렇게 본다면 "집어삼킬"이란 표현도 사실 좀 어색하고 "현혹할"이 더 맞을 거 같다. 하지만 의역으로 너무 간 것 같아 그대로 두었다.

3. 프랑스의 만행

Under the guidance of her Christian pastors, she entertained herself, besides, with such humane achievements as sentencing a youth to have his hands cut off, his tongue torn out with pincers, and his body burned alive, because he had not kneeled down in the rain to do honour to a dirty procession of monks which passed within his view, at a distance of some fifty or sixty yards.

현대지성

게다가 프랑스에서는 50미터쯤 떨어진 곳에서 비를 맞으며 지나가는 수사들의 초라한 행렬을 보고 무릎 꿇고 경의를 표하지 않았다는 이유로 한 젊은이의 양손을 자르고 집게로 혀를 뽑는 것도 모자라 산 채로 불태운 사건도 있었다.

"Under …"로 시작하는 문구는 아예 번역을 안했다. “humane achievements” 같은 반어적 표현도 핵심인데 빠뜨렸고.

문학동네

게다가 기독교 사제들의 지도하에 한 젊은이의 양손을 자르고 혀를 집게로 뽑아내고 몸을 산 채로 불살라버리도록 선고하는 것 같은 지극히 인도적인 성취를 즐기고 과시하기까지 했는데, 그가 50미터쯤 떨어진 거리에서 수도사들의 너저분한 행렬이 지나가는 걸 보고도 빗속에서 무릎을 꿇고 경의를 표하지 않았다는 것이 그 이유였다.

어순은 내가 생각하는 것과 같이 잘 됐다.

AI 번역

게다가 프랑스는 기독교 성직자들의 인도 아래, 비 오는 날 오십에서 육십 야드쯤 떨어진 곳을 지나가는 지저분한 수도승들의 행렬에 경의를 표하려 무릎 꿇지 않았다는 이유로 한 젊은이의 두 손을 자르고, 집게로 혀를 뽑고, 산 채로 불태우라는 형을 내리는 등의 인도적인 업적을 즐기고 있었다.

내 번역

게다가 프랑스는 기독교 성직자들의 지도 하에 나름의 즐거움을 추구하고 있었으니 한 청년에게 양손 절단, 집게로 혀 뽑기, 산 채로 화형이라는 선고를 한 인도적인 업적 달성이 그것이었다. 이유는 50~60야드(50여 미터) 거리에서 남루한 수도사 행렬을 보고도 빗속에서 무릎을 꿇어 경의를 표하지 않았다는 것이었다.

나는 "sentence"가 상당히 법적인 단어이므로 형벌에 대해서는 풀어쓰는 것보다 명사형으로 쓰는 게 낫다고 생각했다. 그리고 어순도 중요하다고 생각했다.

AI와 내가 번역해보니

세 문단을 봤는데도 그 짧은 문장들의 번역이 다 다르다. AI가 많이 발전해서 자연스러운 한국어가 되긴 하지만 아직도 글의 분위기에 맞는 표현은 부족해 보인다.

하지만 번역본 책들은 어떤가. 지난 번 글에서도 여러 번역본이 만족스럽지 않음을 지적했지만 최근에 나온 두 책조차 아직도 부족한 면들이 많이 보인다. 특히 1부 1장은 다른 장의 사건 묘사형 내용보다 작가의 문체나 풍자가 많이 들어가는 장인데 최신 번역임에도 글의 맛이 잘 살아나지 않는 것 같다.

시간만 되면 내가 완역해보는 것은 어떨까 생각까지 든다.

적립식 투자 다음엔? 자산배분!

이동련 — Sat, 22 Aug 2026 08:00:00 GMT

지난 글에서 직장인의 투자 방법으로 매달 일정 금액으로 자산을 매수하는 정액 적립식(DCA) 투자에 대해 얘기했다. 상승장에서는 일시 거치가 유리하지만 직장인의 투자 성향을 고려하고 하락장, 횡보장의 손실 분산 측면에서 적립식이 장점이 있음을 봤다.

그런데 적립식을 몇 년간 계속하면 계좌에 쌓이는 금액이 커지고 상대적으로 매달 새로 넣는 금액(월 납입액)은 전체 금액에 비해 작아지므로 매수 분산 효과도 약하게 된다. 다시 말해 점차 일시 거치와 비슷한 상황이 되므로 위험 분산을 위해서는 자산배분에 대해 고민하는 것도 필요하다.

계좌 평가액이 커질수록 월 납입액의 영향은 작아진다

아래는 코스피 200 ETF에 대한 백테스트로 매월 납입액의 비중이 어떻게 줄어드는지 확인한 차트다. 점선은 수익/손실이 없이 그대로 적립됐을 때 납입액이 전체 금액에서 차지한 비중이고(“n분의 1”) 실선은 자산 증감에 따라 실제로 납입액이 차지한 비중이다. 전체 금액이 변동한 결과 2년째에는 4.0%, 3년째에는 2.1%, 10년째에는 0.6%까지 줄어든다.

월 납입액이 차지하는 비중의 변화

시간이 흐를수록 매달 납입액의 비중이 작아지므로 가격 변동에 대한 분산 효과도 줄어든다. 3년째의 납입액 비중이 2.1%면 꽤 낮아져서 아래 백테스트에서는 자산배분 전환 시점으로 선택해보았다.

목돈 투자 위험을 줄이는 가장 흔한 방법은 주식과 채권으로 나누는 것

목돈에 대한 투자 위험을 줄이는 일반적인 방법은 자산배분인데 그중에서도 가장 흔한 것이 주식과 채권으로 배분하는 것이다. 주식은 기업 성장을 반영하여 가격 변동이 크고 채권은 상대적으로 변동성이 작으며 때로는 주식과 반대로 움직이기 때문에 주가 하락 시 충격을 완화하는 역할을 기대할 수 있다.

자산배분의 원칙은 구성 자산의 비율을 일정하게 유지하는 것이다. 예를 들어 주식 80%, 채권 20%를 목표로 잡았는데 주가 상승으로 비중이 85:15가 됐다면 일부 주식을 팔고 채권을 사서 80:20으로 다시 맞춘다. 이걸 리밸런싱이라고 한다.

백테스트

자, 그럼 이제 백테스트 결과를 알아보자. 2015년 1월부터 2024년 12월까지 10년 기간에 대해 아래 세 가지 전략을 비교했다.

주식 100% - 10년 내내 주식 100%로 DCA 유지
3년 후 80:20 - 3년 동안 주식만 적립하고 2018년 1월에 주식 80% + 채권 20% 적립 포트폴리오로 전환
처음부터 80:20 - 첫 달부터 주식 80%, 채권 20%로 적립

2, 3번의 경우 매달 목표 비중에 가깝도록 매수하고 매년 1월에 리밸런싱하는 것으로 테스트했다.

아래 차트를 보면 "주식 100% 유지"가 상승 폭이 크지만 하락 폭도 크다. 반면에 이 기간 말미의 수익은 셋 다 비슷해보인다.

주식 100%와 80:20 자산배분 비교

아래 수치로 확인해보자.

전략	최종 평가액	누적 수익률	MDD	변동성	최악 월간 수익률
주식 100% 유지	₩157,544,306	31.3%	-35.6%	17.4%	-12.7%
3년 후 80:20 전환	₩159,904,233	33.3%	-28.0%	14.3%	-10.2%
처음부터 80:20	₩156,966,111	30.8%	-28.0%	13.8%	-10.2%

결과를 보면 "주식 100% 유지"와 “3년 후 80:20 전환” 중 후자가 높은 수익률을 보이고 있다. 중요한 건 MDD다. MDD는 고점 대비 저점까지의 최대 하락률로 -35.6%에서 -28.0%로 7.6%포인트 낮아졌다. 즉, 최대 손실 정도가 낮아진 것이다. 주가가 하락하더라도 조금은 더 편안한 투자가 될 수 있다.

한편 처음부터 80:20으로 투자한 경우와 3년 뒤 전환한 경우의 MDD는 같지만 최종 평가액은 3년 뒤 전환한 쪽이 약 294만원 많았다. 이 특정한 기간 동안의 수익 차이일 수 있으므로 일반화할 수는 없다.

참고: 백테스트 전제 및 조건

기간: 2015년 1월 ~ 2024년 12월, 총 120개월
월 납입액: 100만원, 매월 첫 거래일 매수. 총 투자액은 100만 원 x 120개월 = 1억 2천만원
주식: KODEX 200(069500)
채권: KIWOOM 국고채3년(114470, 옛 KOSEF)
체결가: 매수일의 고가와 저가의 중간값
ETF를 사고 남은 자투리 현금은 이자 없이 다음 달로 이월
매수/매도 거래비용 0.015% 반영
국고채/금 등 과세 대상 ETF의 매도 차익과 채권 분배금에 배당소득세 15.4% 반영 (KODEX 200은 국내 주식형 ETF라 매매차익 비과세, 분배 재투자 효과는 코스피200 NTR/가격지수 괴리율로 근사)
실제 과표기준가 대신 매매차익 전액에 과세하는 보수적인 근사 사용
종료일까지 계속 보유하는 것으로 가정해 청산 비용과 미실현 세금은 제외
MDD와 변동성은 투입한 납입액 때문에 수익률이 왜곡되지 않도록 매수 전후를 나눠 계산함

누적 수익률은 최종 이익을 총 납입액으로 나눈 단순 수익률이다.

채권이 얼마나 영향을 줄까

그럼 채권의 비중에 따라서는 어떻게 달라질까? 시작 3년 뒤 채권 비중을 20% 외에도 여러 가지로 바꿔 추가로 실험해봤다.

전환 후 채권 비중	최종 평가액	누적 수익률	MDD	변동성
0% (주식 100%)	157,544,306	31.3%	-35.6%	17.4%
10%	158,824,939	32.4%	-31.4%	15.8%
20%	159,904,233	33.3%	-28.0%	14.3%
30%	160,683,228	33.9%	-24.6%	12.9%
40%	161,330,987	34.4%	-21.8%	11.5%
50%	161,757,971	34.8%	-19.0%	10.3%

역시 MDD가 가장 눈에 띄는 차이로서 채권 비중이 높을수록 MDD가 낮아졌다. 채권 비중이 높으면 MDD가 낮아져 하락에 덜 반응한다는 것이 대체적인 경향이다.

그런데 수익률 또한 상승했다. 위험은 줄고 수익은 높아졌으니 좋은 결과지만 채권 비중이 수익을 높여준다는 일반화는 할 수 없다. 2018년 조정, 2020년 코로나 폭락, 2022년 주식/채권 동반 상승/하락이 모두 있었던 기간이고 국고채 3년 채권과 주식이 잘 맞물린 결과이므로 다른 기간이나 금리 상황으로 일반화할 수는 없다.

자산배분으로 내 목돈을 지키자

주식과 채권 혼합을 대표적인 자산배분으로 얘기했는데 유명한 투자 전문가들이 그 외 다양한 방법을 거론했다.

60/40 포트폴리오: 주식 60%, 채권 40%의 고전적 조합이다.
쓰리 펀드 포트폴리오: 국내 또는 미국 주식, 해외 주식, 채권으로 지역까지 분산한다
영구 포트폴리오: 주식, 장기채, 현금, 금을 25%씩 보유해 여러 경제 국면에 대비한다
올웨더: 위험 균형을 고려하여 주식보다 채권 비중이 크고 금, 원자재도 포함
글라이드 패스: 주식, 채권을 조합하되 목표 시점을 정해두고 그 시점에 가까워지면 채권을 늘린다. TDF가 사용하는 방식

"영구 포트폴리오"와 같이 금이나 현금을 섞을 수도 있다. 금은 최근 몇 년간 급등했기 때문에 수익이 더 높을 수 있다. 하지만 자산배분에서 중요한 것은 수익률이 높은 조합을 찾는 게 아니다. 약간 수익이 낮을 수 있더라도 위험과 변동성을 내가 감당할 수 있는 정도로 조절하는 것이 목표기 때문에 배분 비중을 정하고 그에 따라 꾸준히 투자하는 것이다.

어떻게 실행할까

100% 주식 적립 3년 후에 자산배분으로 전환하는 예시로 봤는데 실제 실행하려면 목표 시점을 두고 그에 맞춰 자산을 배분하는 것이 좋다. 예를 들어 집을 산다든지, 은퇴하는 시점에 돈이 필요할 것이므로 그에 맞춰 내 자산의 변동성이 줄도록 단기채나 현금 자산의 비중이 높도록 자산배분을 고려해야 한다. 일찍 돈이 필요하다면 자산배분도 일찍, 더 나중에 필요하다면 그만큼 주식 위주의 공격적 투자를 좀 더 유지해볼 수 있다.

목표 시점과 목표 금액 정하기
예상 수익률과 위험을 감안해 자산배분 정하기
자산배분 목표에 따라 적립하고 1년에 한 번 정도 리밸런싱하기

알아서 해주는 ETF

직접 자산배분과 리밸런싱을 하는 건 재밌다면 재밌지만 번거로워하는 사람들도 많기 때문에 알아서 해주는 ETF가 나와 있다.

TRF(Target Risk Fund) ETF는 자산 비중을 목표치로 설정한다. ETF 상품명에 7030, 5050, 3070 같은 TRF가 있는데 글로벌 선진국 주식과 국내 채권을 70:30처럼 유지하는 것이다.
TDF(Target Date Fund) ETF는 목표 은퇴 연도에 맞춰 위험을 낮춘다. 상품명에 2040, 2050 등의 연도가 붙은 것들이 있는데 목표 연도에 가까워지면 주식 비중을 줄이고 채권 비중을 점차 늘린다. 위에서 글라이드 패스라고 한 것이 이것이다.
채권혼합 ETF는 특정 종목 또는 주가지수와 채권을 알아서 혼합 투자해주는 상품이다. 특정 종목에 집중된 상품인 경우 위험이 상대적으로 더 높을 수 있다.

이런 ETF는 운용사가 알아서 자산을 배분해주고 리밸런싱하므로 관리가 쉽다. 적은 돈으로도 목표 비중을 맞출 수 있고 개인 투자자가 시장 상황에 동요돼 원칙을 깨는 일도 줄일 수 있다. 여러 상품이 있으므로 자신의 투자 목표, 상품의 비용, 과거 실적 등을 잘 확인하고 선택해야 한다.

참고 1 - 국고채 3년물을 선택한 이유

국고채 10년은 금리에 민감하다. 최근 몇 년간 금리 상승과 인플레이션 영향이 있었기 때문에 국고채 3년물만큼의 수익은 거두지 못했다.

아래는 KIWOOM 국고채10년(148070)에 대해서도 2015년 ~ 2024년 같은 조건으로 테스트한 것이다. 이 역시 해당 기간의 특수 상황임을 감안해야 한다.

전환 후 채권 비중	최종 평가액	누적 수익률	MDD	변동성
0%	₩157,544,306	31.3%	-35.6%	17.4%
10%	₩157,840,403	31.5%	-31.4%	15.8%
20%	₩158,058,083	31.7%	-29.3%	14.4%
30%	₩158,010,598	31.7%	-27.5%	13.0%
40%	₩157,841,501	31.5%	-25.8%	11.7%
50%	₩157,575,592	31.3%	-24.5%	10.6%

참고 2 - 최근 상승장에서는…

2023년부터는 코스피가 급격한 상승과 하락을 경험한 시기다. 아래는 2023년부터 시작하여 1년 후 국고채3년 20%로 전환하고 2026년 8월 현재까지 44개월 동안 4,400만원을 투자하는 경우의 결과다. 상승장에서는 역시 주식 비중이 높을수록 수익과 MDD 모두 높음을 볼 수 있다.

전환 후 채권 비중	최종 평가액	누적 수익률	MDD	변동성
0%	128,392,002	191.8%	-40.8%	35.3%
10%	117,636,978	167.4%	-37.7%	32.1%
20%	107,433,761	144.2%	-35.3%	29.4%
30%	98,488,080	123.8%	-33.0%	26.9%
40%	90,017,588	104.6%	-30.2%	24.2%
50%	82,007,809	86.4%	-27.0%	21.4%

변동성은 수익과 손실의 양면을 가지고 있다. 많이 벌 수 있다는 것은 많이 잃을 수도 있다는 것이다. 적립식 투자를 통해 자산이 모인 후에는 지키는 것도 중요하다. 자산배분으로 내 투자의 수익과 손실 위험을 조절하고 하락을 대비하는 마음이 편안한 투자자가 되자.

사고도 없는데 왜 막히지? 교통 정체를 시뮬레이션해보자

이동련 — Sun, 16 Aug 2026 04:30:00 GMT

운전하다 보면 잘 이해가 안 가는 정체 상황이 있다. 사고도 없고 차선이 줄어든 것도 아닌데 오르막이나 터널 앞에서는 서행하는 경우가 많다. 또한 합류 도로는 차량이 늘어나므로 정체가 이해되긴 하지만 두 차로가 한 차로로 합쳐진 만큼만 속도가 줄어야 할 것 같은데 실제로는 훨씬 심하게 막힌다. 왜일까?

결론부터 말하자면 두 상황 모두 작은 감속이 정체를 일으킨다. 뒤차는 앞차 상황에 따라 반응하는 데 약간이라도 시간이 걸리므로 안전거리를 만들려고 좀 더 감속할 수 있다. 감속이 차례로 증폭되면 차의 진행 방향과 반대로 정체는 파동처럼 뒤로 전달된다.

아래에 이러한 시뮬레이션 두 개를 만들어봤다. 여러 조건을 바꿔 상황을 만들 수 있고 속도를 바꿔가며 관찰할 수 있다. 도로의 길이는 400m라고 가정한 상황이다.

평균 속도-

최저 속도-

현재 상태-

유입량

오르막 영향

시뮬레이션 속도

감속 파동 표시

평균 속도 변화

오르막에서 차 몇 대의 속도가 약간 줄어도 뒤차는 더 반응할 수 있다. 오르막 정상에 다다른 차는 다시 빨라지지만 감속 파동은 상류로 전파된다. 그래서 원인 지점보다 앞까지 정체가 이어지게 된다.

정체는 뒤로 전파한다

난 비전공자지만 교통공학에 대해 찾아보니 차들은 모두 앞을 향해 움직이지만 감속 지점은 반대 방향으로 이동한다고 한다. 반응이 전파되는 방향이 차량 진행 방향과 반대가 된다는 것이다. 이를 충격파(shock wave) 또는 유령 정체(phantom traffic jam) 라고 부른다.

그래서 그게 맞는지 위 시뮬레이션을 만들어 확인해봤다. 느리게 가는 차들(빨간색)이 나타나는 위치를 보면 감속 파동이 차들의 진행 방향과 반대로 이동하는 걸 볼 수 있다.

교통량이 적을 때는 앞차가 느려져 뒤차도 느려졌을 때 계속 진행할 여유가 있다. 하지만 차가 많은 상황에선 같은 감속에도 여유 공간이 없다. 한 차의 살짝 브레이크가 뒤에서는 급제동이 될 수 있다. 급제동한 차가 다시 속도를 높이는 동안 차 간격도 벌어져 도로를 통과할 수 있는 차량 수가 줄어든다.

오르막과 터널 앞에서 감속이 발생한다

기본값 상태에서 시뮬레이션을 지켜보면 20초가 지났을 때 이미 최저 속도가 30킬로 아래로 떨어진다. 그리고 좀 더 지켜보면 정체차들이 쭉 늘어서게 된다.

오르막에서는 가속 페달을 더 밟아야 속도를 유지할 수 있다. 그런데 실제로는 운전자가 그만큼 밟지 않는 경우가 많다. 그래서 오르막 구간 전체의 흐름이 조금씩 느려지고 교통량이 많다면 차선이 줄지 않아도 이 정도 교란만으로 정체가 시작된다.

어느 오르막이나 그럴 수 있지만 특히 서해대교나 인천대교처럼 경사를 오래 타고 올라가는 오르막일수록 이런 정체가 많았다. 명절 때처럼 교통량이 많을 때는 대교 한참 전부터 정체가 시작되곤 한다. 가속 페달을 더 밟지 않으면 속도가 조금씩 줄고 그게 누적되면 뒷차는 브레이크를 밟는 상황까지 가게 된다. 그래서 오르막 정상에서는 제 속도가 나더라도 오르막 한참 전부터 정체가 이어질 수 있다.

터널도 비슷하다. 특히 우리나라는 오르막에 터널이 있는 경우가 많아 더 그렇다. 터널 입구가 가까워지면 시야가 좁아지고 조명이 바뀌면서 운전자는 가속 페달을 덜 밟아 결과적으로 감속하는 경우가 많다. 오르막처럼 눈에 보이는 경사가 없더라도 정체가 발생하는 과정은 같다.

중요한 건 교통량이다. 시뮬레이션의 유입량을 20 정도로 바꾸고 [초기화]를 눌러보자. 일부 감속은 있지만 정체가 발생하지는 않는다.

합류 자체가 정체다

난 합류 도로를 보면 이런 의문이 들었다. 두 차로에서 오던 차가 한 차로로 합쳐지니 속도도 그 정도만 줄어야 하는 거 아닌가? 시속 80킬로로 달리다가 10킬로 미만으로 떨어지는 건 너무 심하잖아. 하지만 한 번 정체가 발생하면 이건 아주 흔한 일이다.

일단 합류차는 본선 속도에 맞춰 합류하는 게 원칙이지만 본선 차량 흐름도 봐야 하고 차로 변경도 해야 하므로 속도가 흔들리게 된다. 이런 속도 저하가 결국 앞서 오르막처럼 파동을 일으키게 된다.

이 역시 교통량이 문제로, 본선이 한산하면 합류차가 들어와 속도가 흔들리더라도 충분히 정상 소통이 된다. 하지만 본선이 이미 어느 정도 차가 지나가고 있다면 서로 양보하면서 끼어들 수 있도록 브레이크를 밟게 된다.

위 시뮬레이션에서 유입량을 낮추면 합류점에서 느려지더라도 계속 원활히 소통이 되지만 유입량을 늘리면 어느 순간 평균 속도가 완만하게가 아니라 급격하게 떨어진다. 도로가 감당할 수 있는 임계치를 넘는 것이다. 차량 수가 두 배가 된다고 속도가 반으로 줄어드는 게 아니라 이 임계치를 넘으면서 도로의 수용 능력이 무너지는 것이다. 그래서 일단 정체가 시작되면 오르막과 마찬가지로 뒤로 길게 정체가 이어진다.

한 번 정체가 시작되면 잘 안 풀린다

한 번 정체가 시작되면 도로가 처리할 수 있는 임계치를 넘은 것이기 때문에 정체가 계속 유지된다. 정체가 풀리려면 정체 구간에서 빠져나가는 차량 수가 새로 들어오는 차량 수보다 많아야 하는데 유출량이 적다 보니 유입량이 더 많은 상황이 계속되는 것이다.

그래서 위 시뮬레이션에서 정체가 발생한 후에는 인위적으로 유입량을 확 낮춰 줘야 정체가 풀린다.

처음 궁금했던 두 가지 의문 해소! 여러분은 혹시 다른 궁금증이 있는가?

아파트 상속 등기 직접 하기: 필요 서류, 취득세, 국민주택채권

이동련 — Tue, 11 Aug 2026 15:30:00 GMT

엄마가 돌아가신 지 두 달이 넘었다. 갑작스러운 이별이라 아직도 실감이 나지 않고 문득 엄마 보러 가야할 것 같은 기분이 들 때가 있다. 무거운 마음을 다잡고 상속 등기를 진행한 이야기를 해본다.

동생들이 법무사에 맡기고 알아서 진행할 줄 알았더니 위임장 받고 서류 발급받아 넘겨주는 거 자체가 일이라고 잘 안되는 모양이었다. 아버지 돌아가신 후 내가 상속 등기를 이미 해봐서 이번에도 법무사에 맡기지 않고 셀프 등기를 하기로 했다.

상속 등기 어렵지 않다

이미 우리나라는 전자정부를 표방하고 있어 여러 민원 업무가 인터넷으로 가능한데 3년 전 아버지가 돌아가셨을 때와 비교해도 또 다르다.

인터넷 발급이 가능한 서류가 많다. 등기부등본, 건축물대장, 토지대장, 등본 등 개인 관련 서류는 대부분 인터넷으로 발급된다. 다만 본인서명사실확인서(인감 대신할 경우), 사망자의 제적등본과 주민등록 초본, 친양자입양관계증명서는 여전히 주민센터 방문이 필요하다.
등기소가 생각보다 많다. 등기 서류 제출은 부동산 소재지 등기소를 방문해야 하는데 등기정보광장에서 쉽게 확인 가능하다. 우리 집 상속의 경우 전에는 오산 등기소로 가야했는데 이제 수원·화성 등기소(수원지방법원등기국)도 새로 생겨서 가깝게 갈 수 있다.

이 글은 내가 직접 처리하며 겪은 경험담이며 2026년 8월 기준 사항이다. 상속 등기 자체를 해설한 생활법령정보가 따로 있으니 보다 세부적인 내용은 확인이 필요하다.

주택 상속등기 절차 6단계

상속은 부동산만 있는 게 아니라 예금, 보험, 주식, 자동차, 심지어 세금 체납까지 다 포함이다. 정부24에서 "안심상속 원스톱서비스"로 검색하면 금융, 부동산, 자동차, 세금, 국민연금 등을 한 번에 조회할 수 있는 서비스가 있다. 아래는 그 중 주택(아파트) 등기 상속에 관한 절차만 나열해봤다. (채무가 재산보다 많거나 그 규모를 모를 경우는 등기 전에 상속 포기, 한정승인을 검토해야 한다.)

지분을 어떻게 나눌 것인지 결정해야 한다. 법적으로 배우자의 상속분은 자녀 하나의 상속분의 1.5배로 정해져있다(1.5:1 비율). 이와 다르게 하려면 상속인 전원이 협의서를 작성하고 인감 증명(또는 본인서명사실확인서)을 첨부해야 한다. 우리는 아버지 유산 상속 때 엄마와 자식 하나의 지분을 2:1로 하느라 협의 상속으로 진행했다.
필요한 서류를 발급받는다. 아래 "필요 서류"에 정리했다.
취득세를 신고하고 납부한다. 취득일자는 피상속인 사망일 기준이고 등기 신청 전에 납부를 마쳐야 영수증을 첨부할 수 있다. 자세한 내용은 아래 "취득세"에 정리했다.
국민주택채권을 매입한다. 등기 신청서에 채권 매입 영수증의 발행번호를 기재해야 해서 접수 전에 미리 계산해서 사둬야 한다. 계산법은 아래 "국민주택채권 매입"에 정리했다.
등기신청서를 작성해 관할 등기소에 접수한다. 준비한 서류와 등기신청서, 취득세 영수증을 함께 제출한다. 직접 등기소 방문이 필요하며 별도의 등기 수수료도 납부해야 한다.
등기필정보와 등기완료통지서를 받으면 끝난다. 접수할 때 처리 기간을 안내받게 되며(대개 열흘) 우편으로 받을 것인지 직접 찾으러 올 것인지 선택한다.

여기서부터는 필요 서류와 취득세, 채권 매입에 대해 좀더 자세히 정리해본다.

주택 상속등기 필요서류

서류들이 발급 사이트가 여러 곳으로 분산돼있어 한 번 들어갔을 때 다 받아야 한다. 안 그러면 왔다 갔다를 반복하느라 번거롭다.

부동산 등기부등본(등기사항증명서)
등기부등본은 제출용은 아니고 부동산 정보를 파악하기 위한 용도다. 아래 건축물대장, 토지대장만으로 충분할 수 있으므로 필수는 아니다. 대법원 인터넷등기소 또는 무인민원발급기에서 가능하며 열람 700원, 발급 1,000원이다.
건축물대장, 토지대장(대지권등록부)
정부24에서 발급. 아파트는 건물 유형에서 "집합(아파트, 연립 등)"을 선택하고 동/호수까지 정확히 입력해야 한다. 또한 토지대장은 대지권등록부로 선택해서 발급한다.
상속인, 피상속인(돌아가신 분) 전원의 가족관계증명서, 기본증명서, 주민등록초본
가족관계증명서, 기본증명서는 대법원 가족관계등록시스템에서 발급받을 수 있고 초본은 정부24에서 발급받는다. 단, 사망자의 초본은 말소 상태라 주민센터 방문이 필요하다.
피상속인의 제적등본(전 제적등본 포함), 친양자입양관계증명서, 입양증명서, 혼인관계증명서
친양자입양관계증명서는 엄격한 개인정보라 주민센터 방문이 필요하고 나머지는 가족관계등록시스템에서 발급받는다. 하지만 돌아가신 분의 제적등본은 왜인지 인터넷에서 선택할 수 없었다. 전 제적등본도 필요하고 관계 확인, 호주 정보 등 다양한 이유로 안될 수가 있다고 하여 난 주민센터에서 발급 받았다.
협의 상속인 경우 인감증명서 또는 본인서명사실확인서
난 인감 도장을 잃어버려서 인감증명 대신 본인서명사실확인서를 뗐는데 이게 인감증명과 동일한 효력을 가지고 서로 병용도 가능하다는 걸 이번에 알았다. 본인서명사실확인서는 주민센터를 직접 방문해야 하며 인감증명도 상속등기용이라면 주민센터 방문이 필요하다.
협의 상속인 경우 상속재산분할협의서
상속 지분을 법적 비율이 아닌 별도로 정하는 경우 작성하여 날인/서명하고 제출해야 한다. 형식은 자유이며 협의 사실을 명확히 알 수 있도록 또박또박 작성하면 된다.
등기신청서
신청서를 직접 작성해야 한다. 등기소에 가면 등기 신청 유형에 따라 적절한 양식을 주므로 그에 맞춰 작성하면 쉽다. 등기부등본 표제부의 주소, 면적, 구조를 그대로 작성해야 하며 국민주택채권 발행 번호, 취득세 금액 등을 정확히 입력해야 한다.

서류는 아니지만 당연히 신청자의 신분증이 필요하고 아래 취득세 납부 영수증과 등기신청 수수료 영수필확인서도 제출해야 한다.

상속 취득세율과 납부

취득세는 상속 등기 단계 중 좀 헷갈린 부분이다.

취득일자는 피상속인의 사망일로 본다. 또한 사망일이 속한 달의 말일부터 6개월 이내에 신고, 납부해야 한다.
위택스에서는 공동으로 소유했던 주택의 일부 지분을 상속받는 경우 신고가 안 된다. 구청 세무과를 직접 방문해야 했다. 반대로 전체 지분을 상속받는다면 위택스로 신고, 납부하면 된다.
위택스를 보면 취득세 감면 사유가 많이 있는데 대부분 농어촌 관련이다. 해당 여부 확인이 필요하다.
주택을 공동으로 상속받으면 지분이 많은 사람을 소유자로 본다. 지분이 다 같다면 해당 주소지 거주자, 그것도 같다면 연장자 순으로 판단한다. 그 상속인이 상속으로 1가구 1주택 소유가 되는 경우 취득세 0.8%의 세율 특례를 받을 수 있다. 지방교육세 0.16%가 추가되므로 결과적으로 0.96%가 된다.

우리의 경우 과세표준 1억 7천만 원에 거주자인 동생이 소유자로 판단되면서 1주택자 요건으로 2.8%에서 0.8%로 세율 특례를 받고 지방교육세 0.16%로 27만 원을 더해 총 163만 원을 납부했다. 적용 요건은 사람마다 다를 수 있으니 관할 구청 세무과에 납부하면서 확인이 필요하다.

납부 후 영수증 또는 납부확인서를 받아 서류에 첨부해야 한다.

국민주택채권 매입

국민주택채권은 부동산을 상속·취득할 때 의무적으로 사야 하는데 직접 계산해서 매입해야 한다. 거래 은행 웹사이트에서 국민주택채권 매입 메뉴를 찾아들어가면 된다.

취득세 납부서에 기재된 시가표준액을 확인한다.
시가표준액에 지역별 요율을 곱해 매입 금액을 계산한다. 요율은 예를 들어 시가표준액이 5천만 원 이상 1억 5천만 원 미만인 경우 서울 및 광역시는 2.8%, 그 외 지역은 2.5%다. 자세한 사항은 생활법령정보를 참고한다.
계산한 금액만큼 채권을 매입한다.

채권을 몇 년씩 들고 있는 건 부담이라 보통은 매입 즉시 매도한다. 이때 매도가격은 매입가격과 차이가 발생하는데 매일 변동하는 채권 할인율 때문이며 결과적으로 매도하더라도 일부 비용 부담이 발생한다. 내가 거래하는 은행은 이미 자동으로 매도하도록 만들어져 있어서 매도 후 부담 비용만 내면 되게 돼 있었다.

채권을 매입했으면 영수증의 발행번호를 등기소의 등기신청서에 기입하면 된다.

참고 사항

등기소에 “등기 신청 안내” 사무실이 있다. 등기신청서 양식을 인쇄해주고 작성, 준비한 서류를 검토해주므로 거쳐가면 편리하다.
등기 수수료는 등기신청서 제출 전에 수수료 납부 기계에 납부하고 확인 서류를 발급받아 내야 한다. 금액은 상속의 경우 부동산별로 2만원이라고 안내 직원분이 알려주셨는데 기계에는 선택에 없기 때문에 직접 입력하고 납부했다.
근거: 수수료 규칙

서류 하나하나는 별거 아닌데 발급 방법이 다 다르고 형제들과 맞춰야 하는 일정까지 겹치니 생각보다 오래 걸린다. 비슷한 상황이라면 서두르지 말고 필요 서류부터 목록으로 정리해두는 걸 추천한다. 한 번 잘 해보면 생각보다 어렵지 않다는 걸 알게 될 것이다.

12년 전과 비교한 아파트 매매가, 벌어진 격차

이동련 — Sun, 09 Aug 2026 10:00:00 GMT

12년 전인 2014년에 지역별 아파트 실거래가 분석이라는 글을 쓴 적이 있다. 국토교통부가 공개한 실거래가 데이터를 바탕으로 전국 시군구, 수도권 법정동의 아파트 매매가를 지도 위에 색깔로 나타낸 것이었다. 그때는 데이터도 내려 받기 쉽지 않았고 분석도 여러 과정을 힘들게 거쳤는데 이번엔 AI의 도움을 받아 인터랙티브한 방식의 웹페이지를 만들어봤다. 2014년 5, 6, 7월 거래가와 2026년 5, 6, 7월 거래가는 어떻게 달라졌는지 눈으로 확인해보기 바란다.

아파트 실거래가 2014년 vs 2026년

제작 참고 사항

2014년 글을 쓸 때는 국토교통부 실거래가 사이트에서 데이터를 긁어오는 것부터 고생이었는데 이번엔 데이터는 국토교통부 실거래가 공개시스템에서 CSV로 받아 집계했다. 시각화 웹페이지는 d3.js로 새로 만들었다.

지역별 가격은 각 거래의 매매가를 전용면적으로 나눈 3.3m²당 평균 가격이다. 12년이 흘렀으니 물가도 많이 올랐기 때문에 절대 가격만으로 비교하는 건 해석이 어려우므로 상대 가격을 비교할 수 있게 해놨다. 또한 2026년 8월 9일에 다시 받은 자료라 7월 데이터는 계속 집계 중인 데이터이므로(계약일로부터 30일 이내 신고) 최종 데이터는 아님을 감안해야 한다. 물론 전체 경향을 보는 덴 문제가 없어서 비교해 본 것이다. 2014년 데이터 역시 이번에 새로 받아 산출한 것이라 원글을 쓸 때와 약간은 데이터 차이가 있다.

전국 시군구 - 여전한 강남 불패

먼저 전국 시군구 기준 상위 10곳이다.

2014년 5~7월

시군구	매매건수	3.3m²당 가격(만원)
서울특별시 강남구	1,191	3,324.1
서울특별시 서초구	990	2,995.6
경기도 과천시	94	2,903.8
서울특별시 송파구	1,026	2,670.9
서울특별시 용산구	260	2,377.6
서울특별시 광진구	305	2,113.0
서울특별시 마포구	518	2,021.6
경기도 성남시 분당구	1,351	1,988.7
서울특별시 종로구	122	1,974.7
서울특별시 중구	138	1,974.5

2026년 5~7월

시군구	매매건수	3.3m²당 가격(만원)
서울특별시 강남구	779	11,520.6
서울특별시 서초구	640	10,644.2
경기도 과천시	84	9,478.2
서울특별시 송파구	1,062	8,781.9
서울특별시 용산구	263	8,362.8
서울특별시 성동구	411	7,963.0
경기도 성남시 분당구	1,319	7,245.3
서울특별시 마포구	507	6,600.0
서울특별시 광진구	336	6,500.2
서울특별시 강동구	884	6,335.1

상위권은 강남, 서초, 과천, 송파, 용산, 분당까지 그대로다. 12년이 지나도 "강남 불패"라는 속설이 여전하다는 것이다. 성동구가 새로 10위 안에 들어온 것도 눈에 띈다. 성수동 주변에 아파트도 많이 들어오고 최근 몇 년간 힙한 동네로 소문 나면서 비싸진 걸까?

문제는 12년 동안 가격이 강남구 기준 3.3m²당 3,324만원에서 11,521만원으로 3.5배 가까이 뛰었다는 것이다. 가격만 보면 복권 당첨이라고 할 만하다. 연간 상승률이 대략 11% 정도 된다.

수도권 법정동 - 상위권 안에서도 벌어진 격차

동 단위로 내려가면 거래 한두 건이 평균에 영향을 많이 줄 수 있다. 그래서 아래는 20건 이상 거래된 법정동을 대상으로 상위 7곳을 비교한 것이다.

2014년 5~7월

동	매매건수	3.3m²당 가격(만원)
서울특별시 강남구 개포동	198	4,372.7
서울특별시 강남구 압구정동	78	4,123.5
서울특별시 서초구 반포동	201	3,938.5
서울특별시 송파구 잠실동	213	3,738.1
서울특별시 강남구 대치동	173	3,413.4
서울특별시 강남구 청담동	64	3,359.2
서울특별시 강남구 도곡동	150	3,298.3

2026년 5~7월

동	매매건수	3.3m²당 가격(만원)
서울특별시 강남구 압구정동	67	18,163.1
서울특별시 서초구 반포동	122	16,226.8
서울특별시 서초구 잠원동	105	15,897.2
서울특별시 송파구 잠실동	200	13,242.5
서울특별시 강남구 개포동	138	13,150.4
서울특별시 강남구 수서동	50	12,422.6
서울특별시 강남구 대치동	83	12,038.0

2014년 1위였던 개포동은 2026년엔 5위로 밀렸고 대신 압구정동이 1위에 올라왔다(3.3m²당 1억 8천만원). 12년 전엔 1위와 7위가 약 1.3배 차이였는데(4,372만원 대 3,298만원), 2026년엔 약 1.5배로 커졌다 (1억 8,163만원 대 1억 2,038만원). 즉, 상위권 안에서도 차이가 더 벌어지는 것이 보인다.

지도로 보면 더 확실하게 보인다

지도로 보면 숫자로 보는 것보다 아래 두 가지가 더 잘 보인다. "연도별 상대값"을 체크해 놓고 연도를 눌러 비교해보자.

하나, 수도권과 지방의 격차가 크게 벌어졌다. 2014년 지도에서도 수도권이 진하게 나오긴 했지만 지방 주요 도시들도 어느 정도 색이 진하게 보였다(즉, 가격이 높았다). 2026년 지도는 수도권만 진하고 나머지 지역은 상대적으로 훨씬 옅어졌다. 12년 동안 수도권만 훨씬 더 가파르게 올랐다는 것이다. 시군구별 중간값을 비교하면 수도권은 3.3m²당 약 1,163만원에서 2,574만원으로 2.2배 오른 반면 비수도권은 549만원에서 894만원으로 1.6배 올랐다. 이에 따라 수도권 중간값이 비수도권의 2.1배였던 것이 지금은 2.9배로 벌어진 것이다. (단순 평균은 가격이 높은 지역의 영향을 많이 받아서 이 비교를 위해서는 평균값들의 중간값을 사용했다.)

둘, 수도권 안에서도 강남, 서초, 송파, 과천, 분당과 타지역의 차이가 벌어졌다. 수도권 법정동 지도를 들여다보면 강남 3구와 과천, 분당은 진한 색으로 뭉쳐 있고 나머지 수도권 지역과의 색 차이가 2014년보다 훨씬 커졌다. 위 표에서 본 것처럼 상위권 안에서의 격차도 벌어졌지만 상위권과 그 바깥 지역의 격차는 그보다 더 크게 벌어진 것으로 보인다.

국가 균형발전은 어디로 가고 있는 것인가?

이 결과를 보며 의문이 생긴다. 국가 균형발전 계획을 수립하고 꽤 장기 추진해왔는데 실제로 고루 발전하고 있는 게 맞는지.

집값만으로 정부와 정치권의 균형발전 정책이 실패했다고 단정할 수는 없지만 결과적으로 주택 가격에 영향을 주는 일자리, 교통, 의료, 교육 등 주요 요인들이 사람들이 체감하는 만큼 충분히 골고루 발전하지 않았다는 것이 아닌가.

하루가 멀다 하고 집값 안정/공급 대책, 교통 대책, 경제 정책 등을 내놓고 있지만 왜 집값은 이렇게 된 것일까? 전국 어디에 살든 일자리와 교통, 의료, 교육의 기회가 비슷한 수준으로 제공되고 그에 따라 사는 곳을 각자의 현실에 맞게 선택할 수 있는 여건이 돼야 집값이 안정화되지 않을까? 앞으로도 서울 위주로 사람과 자본이 모이고 다시 생활 인프라가 집중되는 구조를 끊지 못한다면 이러한 격차는 더 커질 것이고 지방 소멸의 위험도 마찬가지로 커질 것이다.

12년 뒤 이런 비교를 다시 한다면 지역 간 격차가 조금이라도 줄어드는 걸 확인할 수 있으면 좋겠다.

요즘엔 차 배터리도 집에서 받아 직접 교체한다

이동련 — Sat, 08 Aug 2026 08:00:00 GMT

쏘나타 브레이크 등을 교체한 지 얼마 안 돼 배터리가 말썽이 났다. 전에는 배터리가 나가면 시동이 아예 안 걸리더니 이번엔 좀 지나서 다시 되길래 카센터에 끌고 갔는데 사장님이 확실하지 않다고 좀 더 두고 보자고 했다. 그러나 다음 날 영 시동이 안 걸렸고 보험사 서비스를 호출할 수밖에 없었다. (감사합니다!)

결국 배터리 이상을 확신하고 쇼핑몰을 검색해보니 요즘엔 공구도 대여해주고 설명서도 보내준다는 게 아닌가. 자동차 배터리는 처음 교체하는데 막상 해보니 단자 두 개와 고정쇠만 풀면 되는 간단한 작업이었다. 배터리가 무거워서 허리만 좀 조심하면 어렵지 않게 끝날 수 있고 가격도 생각보다 훨씬 저렴한 작업이다.

배터리 모델 확인, 주문

배터리를 교체하려면 먼저 새 제품부터 알아봐야 한다. 차에서 보닛을 열고 기존 배터리의 모델을 확인하도록 한다. 쇼핑몰에서 차량별로 배터리를 나열해 놓기도 하는데 난 기존 사용 제품과 같은 걸 사기로 했다. 내 차에 있던 제품은 아래 사진의 1번 위치에 적힌 DF80L, 12V 80Ah 배터리였다.

내 배터리는 왼쪽이 양극, 오른쪽이 음극인데 차량에 따라서는 위치가 반대인 경우도 있는 것 같았다. 모델을 잘 확인하도록 한다.

쏘나타 배터리 확인 및 분리 순서

작업 과정은 위 사진과 같다.

배터리 모델 확인: 기존 배터리 제품명을 보고 주문했다.
음극(-) 단자 분리: 새 배터리가 도착해서 교체할 때는 음극 단자부터 푼다.
양극(+) 단자 분리: 양극 보호 덮개를 열고 단자를 푼다.
고정볼트 분리: 배터리 앞쪽 아래의 볼트를 풀어 고정쇠를 뺀다.

쇼핑몰에서 주문할 때 보니 단순히 배터리만 보내는 게 아니라 공구 대여와 폐배터리 수거가 기본 옵션으로 돼 있다. 그러고도 가격은 62,700원. 그만큼 DIY가 일반적이라는 거겠지. 아래가 실제로 배송돼 온 배터리와 공구 사진이다.

배송된 새 배터리와 대여 공구

배터리 갈겠다고 스패너 같은 공구를 살 필요도 없고 폐배터리도 알아서 수거해가니 참 편리한 세상이다.

교체 작업

위 배송 박스에 보니 배터리 교체 안내문도 포함돼 있다. 설명에서 사진이 좀 작긴 하지만 배터리 교체가 얼마나 간단한 건지는 알 수 있다.

교체 작업의 핵심은 단자 순서다.

기존 배터리를 뺄 때는 음극(-)을 먼저, 그다음 양극(+)을 분리한다.
새 배터리를 연결할 때는 반대로 양극(+)을 먼저, 그다음 음극(-)을 연결한다.

시동을 끄고 차 키도 뺀 뒤 작업해야 한다. 보닛을 열고 앞서의 순서 사진에서 기존 배터리의 음극 단자에서 너트를 풀고(2번) 배터리에서 떼어 놓은 다음 양극 보호 덮개를 열고 다시 양극 단자의 너트를 푼다(3번).

작업 중 공구가 양극 단자와 차체 금속에 동시에 닿으면 합선될 수 있다니 주의한다. 분리한 단자는 작업 중 다시 배터리 단자에 닿지 않도록 옆으로 치워둔다.

단자를 모두 분리했으면 4번에 표시한 고정쇠의 볼트를 긴 공구로 푼다. 볼트와 고정쇠를 엔진룸 안쪽으로 떨어지지 않도록 조심해서 꺼내야 한다. 난 한 번 떨어뜨리긴 했으나 바로 아래 떨어져 괜찮았는데 잘못하면 배터리 받침 바깥으로 떨어질 수도 있을 것 같았다.

다음으로 배터리를 들어내는데 다 쓴 거라고 생각이 되는데도 새 배터리나 마찬가지로 무거웠다. 가운데 손잡이가 있으니 잡고 들어올리는데 무리가 가지 않도록 자세를 조심해야 한다.

배터리 양극 단자를 분리한 상태

기존 배터리를 들어낸 자리

배터리를 들어낸 뒤에는 분리해둔 단자와 케이블이 새 배터리를 넣을 때 걸리지 않도록 옆으로 잘 치워두도록 한다.

새 배터리 장착

아래 사진과 같이 새 배터리를 빈 자리에 그대로 안착시켰다. 이때 쇼핑몰 안내문에 있는 대로 배터리 좌우에 누수 방지용으로 붙어있는 작은 테이프를 뗀 후 설치해야 한다.

새 배터리 안착

그리고 배터리가 움직이지 않도록 아래쪽 고정쇠를 제자리에 맞춘다.

배터리 아래쪽 고정쇠 위치

고정쇠 볼트 체결

고정쇠에 볼트를 끼워 체결하고 배터리가 움직이지 않는지 고정쇠 상태를 잘 확인한다.

분리할 때와 반대로 양극 단자를 먼저 끼우고 너트를 조인 뒤 음극 단자를 연결하고 너트를 조인다.

새 배터리 양극 단자 체결

다 됐으면 시동을 걸어본다. 이미 배터리를 연결하면서 비상등이나 계기판 불이 들어와 연결이 된 건 알 수 있었는데 시동을 걸 때는 약간 긴장되긴 했다. 당연히 시동은 잘 걸렸다.

폐배터리는 다시 상자에

작업이 끝나면 기존 배터리를 새 배터리가 왔던 상자에 넣는다. 배터리 양쪽 구멍은 안내문에 나온 대로 막고 대여한 공구도 택배 상자 안에 함께 넣는다. 박스를 테이프로 마감하고 집 현관문 앞에 내놓으니 3일 후 회수해 갔다.

폐배터리와 공구를 반납하지 않으면 추가 비용이 생길 수 있으니 주문할 때 옵션이나 회수 방법을 잘 확인해야 한다.

배터리 교체가 이렇게 쉽고 가격도 싼 줄 알았으면 진작 이렇게 했을 걸 싶다. 배터리 무게와 단자 순서만 조심하면 작업 자체는 복잡하지 않았다. 브레이크 등에 이어 배터리도 직접 교체 성공.

40도 폭염은 피할 수 없다고 즐길 일이 아니다

이동련 — Tue, 04 Aug 2026 14:50:00 GMT

요즘 세계 곳곳에서 40도가 넘는 폭염이 이어지고 있다. 에어컨이 보편적이지 않은 유럽에서는 사람도 많이 사망했다고 한다.

어제 서울도 엄청 더웠다. 36.7도.

퇴근 시간에 1호선 만원 전철을 탔는데 에어컨 이상으로 냉방 상태가 좋지 않다는 안내방송이 나왔다. 밖에서 이미 열을 잔뜩 받은 사람들이 꾸역꾸역 밀려 들어왔고 움직이기 힘들 정도로 빽빽했다.

내 앞에 있던 남자는 손 선풍기를 쐬면서도 땀을 줄줄 흘렸다. 옷도 많이 젖어 있었다.

그러다 누군가에게 걱정스럽게 말하는 중년 여성의 목소리가 들렸다.

괜찮아요? 어디까지 가요?
어쩌면 좋아. 내려야 하는 거 아니에요?
여기 앉을래요?

아무래도 누군가 탈진한 모양이었다. 사람이 많아 가렸지만 얼핏 여자분이 멍하니 앉아 있는 게 보였다.

밖에서 이미 지친 상태로 전철을 탔는데 안에서도 열을 식히지 못했으니 쓰러질 만했다. 전철의 냉방 문제가 단순한 불편이 아니라 사람을 쓰러뜨릴 수 있는 위험 상황이 된 것이다.

더위로 사람이 쓰러지는 건 처음 보는 일이었지만 내일은, 내년에는 더 많은 사람이 그럴 수 있다.

1994년의 더위

내가 아직도 생생하게 기억하는 더위는 1994년 여름이다.

그때는 가정집에 에어컨이 별로 없었다. 은행으로 피서 간다는 얘기가 있을 시절이었고 대학생이던 나는 여자친구와 까페나 극장에 가지 않는 이상 방학 동안 에어컨을 접할 일이 없었다.

길을 걸으면 아스팔트와 건물에서 올라오는 열기가 얼굴에 후끈하게 닿았다. 밤새 선풍기를 켜고 자도 더워서 수시로 깼다. 한밤중에 샤워하고 다시 자는 경우도 종종 있었다. 아침에 눈을 떴을 때도 이미 땀을 흘리고 있었다.

그해 더위는 수십 년이 지난 지금도 기억할 만큼 이례적이었다. 지금은 집에 에어컨이 있어 그렇게 살지는 않지만 그래서, 여름 내내 에어컨을 상시로 켜야만 평범하게 생활할 수 있는 상태가 과연 정상인가? 에어컨이 없는 사람은 어떻게 살까?

1994년에는 한 번의 끔찍한 여름으로 기억됐던 더위가 이제는 일상적인 여름이 됐다.

사람이 쓰러지는 것만 문제가 아니다

폭염의 직접적인 피해는 개인이 아프고 죽는 것이지만 조금만 넓게 봐도 인류 생존의 문제로 연결된다.

사람은 에어컨을 켜고 더위를 피할 수 있지만 논과 밭, 과수원과 축사는 그렇지 못하다. 기온이 너무 높으면 작물이 제대로 자라지 못하고 개화기라면 열매가 잘 맺히지 않는다. 가뭄이 이어지다가 갑자기 폭우가 쏟아지면 어렵게 키운 작물이 한꺼번에 망가진다.

가축은 더위에 사료를 덜 먹고 성장이 늦어진다. 우유와 달걀 생산량이 줄고 심하면 집단 폐사한다. 바닷물 온도가 올라서 양식장 폐사가 발생했다는 소식도 자주 들었다.

한 지역의 흉작은 수입으로 버틸 수 있다. 그러나 여러 나라에서 동시에 폭염과 가뭄을 겪으면 생산량이 줄고 각국은 식량 수출을 제한할 수 있다. 결국 돈이 없는 나라와 가난한 사람부터 먹을 것을 구하기 어려워진다.

영화 《인터스텔라》에서는 환경 변화로 작물이 하나씩 사라지고 대부분 지역이 사막화되며 농업이 인류에게 남은 가장 중요한 산업이 된다. 극단적인 설정일 수 있지만 먹을 것을 안정적으로 생산하지 못하면 다른 산업이 아무리 발전해도 문명을 유지할 수 없다는 점은 현실적이다.

기술이 아무리 발전해도 먹고 사는 문제 자체를 대신할 수는 없다.

왜 이렇게 더워졌을까

익히 알고 있는 대로 가장 큰 원인은 산업화 이후 쌓여온 온실가스다. 석탄과 석유, 가스를 태우며 생긴 온실가스가 지구의 열을 밖으로 배출하기 힘들게 막고 있다. 여기에 도시의 아스팔트와 콘크리트가 열을 쌓아놓으면서 밤에도 잘 식지 않는다.

폭염일수록 냉방 전력은 더 필요하고 그 전기를 화석연료로 만들면 다시 기후 영향이 커질 것이다.

혹시 최근에는 AI도 영향을 주지 않았을까? 재작년부터 올해에 이르기까지 AI가 일반화되면서 사용이 폭증했고 그에 따라 전기 소모가 상당하다고 들었다. 전체 에너지 사용량 중 AI 비중이 아직은 미미한 수준일 수 있지만 분명 AI 사용이 늘수록 전기 사용량이 늘어나고 거기에 화석 연료를 사용한다면 온실가스도 늘어날 것이다.

나도 AI를 쓰고 관련된 일을 한다. 그래서 묻게 된다.

AI가 주는 편리함만큼 우리는 더 잘 살 수 있을까?

이미 비용을 치르고 있다

기후위기에 대응하려면 막대한 돈이 든다고 한다.

그런데 대응하지 않아도 비용은 더 나가게 된다. 이미 폭염으로 인한 의료비와 냉방비, 홍수와 산불 비용, 식품 가격과 보험료로 비용을 내고 있다.

또한 불공평한 것은 원인을 만든 사람과 먼저 피해를 보는 사람이 다르다는 점이다. 냉방이 잘되는 집과 자동차를 가진 사람보다 야외 노동자와 농민, 노인과 저소득층이 먼저 쓰러진다. 온실가스를 적게 배출한 가난한 나라가 가뭄과 홍수에 더 취약하고 아직 태어나지 않은 세대가 지금 우리가 사용한 에너지의 비용을 떠안는다.

대응 비용이 아깝다고 미루는 동안 우리는 더 큰 비용이 될 위기를 쌓아가고 있다.

시험 공부 벼락치기처럼 대응할 수 있을까

사람들은 종종 그러지 않나? 시험 공부는 코앞에 닥쳐서야 한다.

문제는 국가와 기업도 그러는 상황이라는 것이다. 기후위기도 정말 위험해진 뒤에야 꽁지에 불이 난 것처럼 허둥지둥댈 것 같아 보인다.

그때라도 늦지 않으면 다행이다. 기후위기는 시험 전날 밤을 새는 것처럼 만회할 수 있는 일이 아니다. 이미 데워진 바다는 바로 식지 않고 녹아버린 빙하와 사라진 숲도 쉽게 돌아오지 않는다.

나는 대학 때 배운 엔트로피와 비가역성이라는 개념을 종종 떠올린다. 한 번 일어난 변화는 저절로 원래 상태로 돌아가지 않는다. 인간의 에너지 소모는 비가역성의 대표적인 사례고 그걸 완전히 처음으로 돌리는 건 마법 세상에서나 가능하다.

인간은 더 편하고 행복하게 살기 위해 문명을 발전시켰다. 그 과정에서 매연은 공기 중으로, 폐수와 폐열은 강과 바다로, 쓰레기는 도시 밖으로 쏟아냈다. 그게 어디로 가나. 결국 거기가 거기지. 우리 지구일 뿐이다.

어쨌든 할 일을 해야 한다

그렇다고 에어컨과 자동차, 컴퓨터와 AI를 버리고 과거로 돌아갈 수는 없다. 익히 많이들 얘기하던 것들부터 실행해야 한다.

전기는 더 깨끗하게 만들고 건물과 도시는 적은 에너지로도 운영할 수 있게 바꿔야 한다. 온실가스 배출을 줄이고 자원 소모를 줄여야 한다.

개인의 절약도 필요하다. 하지만 개인들의 역할로 해결할 문제가 아니다. 정부와 기업이 더 큰 책임을 져야 한다.

어제 전철에서 누군가 쓰러졌을 때 사람들은 걱정하며 말을 걸고 자리를 내주려 했다.

괜찮아요?
여기 앉을래요?

당장 쓰러지는 사람을 챙기는 일도 중요하지만 사람이 쓰러지는 이런 환경을 절실하게 바꿔야 한다.

사람이 쓰러지고 가축이 죽고 작물이 말라간다. 우리는 이미 비용을 치르고 있다.

40도 폭염은 피할 수 없다고 즐길 수 있는 일이 아니다. 피할 수 없으면 사람은 쓰러질 것이다.

사진 인식 AI는 어떻게 만들까 - 도시 사진 인식을 예시로

이동련 — Sat, 01 Aug 2026 06:00:00 GMT

예를 들어 여러분이 세계 여러 도시를 다니며 사진을 많이 찍어서 사진을 보고 어떤 도시인지 맞히는 AI를 만든다고 생각해보자. 에펠탑이나 자유의 여신상을 보고 도시를 쉽게 맞힐 수 있을 거 같은데 그런 랜드마크가 없이 간판의 글자, 건물 모양, 도로와 자동차, 심지어 날씨와 옷차림까지 단서로 맞힐 수 있을까? 이 글에서는 개발을 모르더라도 이런 AI 시스템을 어떻게 구성하고 내부에서 어떤 일이 일어나는지 설명해보려고 한다.

시스템 안에는 크게 세 개의 흐름이 있다. 사진과 정답을 모아 두뇌(모델)를 만드는 학습 흐름, 완성된 두뇌로 실제 사용자의 사진에 답하는 서비스 흐름, 그리고 이 둘을 이어주는 모니터링+피드백 흐름이다. 서비스하면서 나온 결과를 모니터링하다가 문제를 발견하면 다시 정답을 달고 그 정답이 다시 학습 흐름의 재료가 되어 두뇌를 더 똑똑하게 만든다.

아래 그림에서 세 흐름이 어떤 단계로 진행되고 어떻게 맞물리는지 보자.

사진을 보고 도시를 맞히는 AI 시스템의 두뇌 만들기, 서비스하기, 모니터링+피드백 흐름

1. 두뇌 만들기: 학습을 통해 머리 좋은 AI 만들기

AI 학습은 컴퓨터에게 다양한 도시별 사진을 보여주는 과정이다. 사람은 도시를 구분할 때 그 도시의 랜드마크를 위주로 기억하는 경우가 많다. AI에게도 그런 랜드마크를 보여주면 랜드마크를 통해 도시를 구분하는 방법을 배우게 된다. 한편 도시 특유의 분위기가 있을 수도 있다. 간판의 언어라든가 건물 스타일, 사람들의 복장, 거리 풍경 등. 이런 것들도 AI에게 보여주면 학습이 된다.

그래서 두뇌 만들기의 주요 과정은 학습 자료가 되는 사진을 수집하고 사진별로 어떤 도시인지 정답을 붙여 "학습용 데이터셋"을 만드는 것이다. 이 사진은 서울, 이 사진은 로마, 이 사진은 시드니와 같이 수백, 수천 장의 사진과 정답을 매핑하고 사진과 정답 파일을 모아 컴퓨터에게 주는 것이다. 이 과정을 "라벨링"이라고 하며 학습 자체는 다양한 알고리듬을 활용한 프로그램이 수행한다.

말은 간단한데 실제로 해보면 손이 많이 간다. 이 때문에 ChatGPT 같은 외부 AI를 활용해 1차 분류 작업을 하기도 한다.

여행 사진을 수천 장 모아도 그중 상당수는 음식, 인물, 자연 풍경처럼 애초에 도시와 무관한 사진이라 먼저 걸러내는 것부터가 일이다. 또한 골목길이나 오래된 성당처럼 여러 도시에 비슷하게 있는 풍경이면 사람도 사진만 보고는 확신하기 어렵다. 이럴 때 사람은 사진을 찍은 날짜나 위치 정보(EXIF)를 참고해서 정답을 달 수 있지만 정작 서비스에 올라오는 사진에는 그런 정보가 없거나 믿을 수 없는 경우가 많다. 그래서 이런 사진은 학습 자료에서 아예 빼거나 별도 검토 대상으로 돌려서 판단하기 어려운 경우에 대한 대처가 필요하다.

학습 코드를 짜는 것 자체는 요즘 AI 덕분에 빨라졌다. 하지만 그 코드를 서버에 올리고 실제로 학습을 돌리는 데는 여전히 시간이 걸린다. 수천 장의 사진을 GPU가 있는 서버로 옮기고 학습이 끝날 때까지 한참을 기다려야 하니 코딩 속도가 빨라진 만큼 전체 작업이 빨라지는 건 아니다.

모든 사진을 학습에 사용해서도 안 된다. 일부는 모델이 학습하는 데 사용하고 일부는 시험 문제로 남겨서 모델이 만들어진 후 평가하는 데 사용한다. 학습에 쓰지 않은 사진까지 잘 맞혀야 새로운 사진도 제대로 인식한다고 볼 수 있기 때문이다.

모델 평가는 학습 자료, 학습 방법 등에 따라 다양하게 결과가 나오기 때문에 모델을 바로 서비스에 사용하는 게 아니라 평가한 성능에 따라 베타 모델, 정식 모델 식으로 나누고 계속 테스트하여 테스트를 통과한 정식 모델을 서비스로 넘기게 된다.

2. 서비스하기: 사용자가 AI를 사용하도록 제공하기

서비스 모델로 확정된 정식 모델이 있으면 이제 시스템에 배치하여 실제 사용할 수 있는 환경으로 서비스를 제공한다. 예를 들어 사용자가 앱에 에펠탑 사진을 올리고 답을 받는 과정이 가능하게 된 것이다.

이 과정에서 AI 모델을 사용자와 연결시켜 주려면 접수 창구 역할을 하는 서비스(앱)이 있어야 하고 사진을 받아 기본적인 검증과 전처리를 수행한 후 모델에게 전달하게 된다. 마치 공공기관에 서류를 제출하면 담당자가 서류를 확인하고 접수하는 것과 비슷하다.

이제 모델은 사진을 보고 답을 내는데 창구는 모델의 답을 그대로 사용자에게 전달하지 않는다. 여기에 업무 규칙을 얹어서 최종 답을 만든다. 예를 들어 확률이 충분히 높으면 바로 "파리네요!"라고 알려주고 사진 자체가 너무 흐릿하거나 특정 도시로 확정할 수 있는 답이 없으면 "다시 찍어주세요"라고 요청할 수 있다.

파리라는 답도 필요에 따라 다양한 형태로 사용자에게 전달할 수 있다. 예를 들어:

"파리일 확률 92%, 로마일 확률 5%"처럼 다른 가능성도 제시한다.
사진 안에서 어떤 요소가 판단에 중요한 단서였는지 알려준다.
학습한 자료 중 비슷한 사진을 찾아 보여준다.

사용자는 답을 받아 끝이더라도 시스템은 그대로 끝나지 않는다. 다음 흐름인 모니터링+피드백을 통해 계속된다.

3. 모니터링+피드백: 두뇌를 더 똑똑하게 만들기

이 흐름은 AI의 답변 결과를 계속 확인해서 얼마나 정답을 잘 맞히는지 확인하고 학습 자료를 보완하거나 학습 방법을 개선하는 과정이다.

모델이 학습할 때 봤던 사진과 사용자가 실제로 올리는 사진은 차이가 많다. 계절이 바뀌고, 사람들이 쓰는 카메라가 바뀌고, 여행지의 모습도 바뀔 수 있기 때문에 학습 때와 성격이 다른 사진이 들어온다. 모델은 그대로인데 현실이 변화할 수도 있는 것이다.

따라서 문제로 보이는 사례를 사람이 확인해서 정답을 다시 맞춰주는 과정이 필요하다. 예를 들어 모델이 "로마 확률 80%"라고 답한 사진이 사실은 미국 뉴욕이었다면 이걸 찾아내고 답을 다시 붙이는 작업이 필요하다. 이 확인 과정이 두뇌 만들기의 "학습 자료 수집"과 이어지는 지점이다.

즉, 사진과 정답을 다시 저장소에 쌓아 다음 학습의 재료로 만드는 것이다. 서비스 흐름에서 나온 경험이 학습 흐름으로 돌아가면서 세 흐름이 하나의 순환 구조를 이룬다.

부록 1: 개발자를 위한 관련 도구

독자가 개발자인 경우 혹시 "실제 개발에서는 뭘 쓰는데?"가 궁금할까봐 정리해본다.

구성요소	역할 및 설명
`image-validation-service`	직접 개발이 필요한 접수 창구. 입력 검증과 전처리, 모델 호출, 업무 규칙 적용, 이력 저장 담당.
Kubeflow Pipelines	데이터 준비, 학습, 평가 작업을 정해진 순서로 실행해주는 관리자
KServe	승인된 모델을 실제 서비스가 부를 수 있는 형태로 배치해주는 서빙 계층
MLflow	모델의 학습 정보를 기록하고 베타/정식(실제로는 candidate/champion) 상태 관리
공유 스토리지	원본 사진, 정답, 데이터셋, 모델 산출물을 함께 보관하는 저장 공간
Container Registry	추론 서비스와 학습 작업을 실행할 컨테이너 이미지(가상 머신 바이너리)를 보관하는 곳
Prometheus/Grafana	요청량, 응답 시간, 오류, 답변 분포 등 운영 상태를 지켜보는 관제실
`service-console`	직접 개발이 필요한 관리 기능: 학습 데이터 검토, 학습 실행, 모델 승인 등 전체 흐름 관리

이 도구들을 다 그대로 써야 하는 건 아니다. 작은 프로젝트라면 일부는 간단한 배치 작업이나 저장소로 대신할 수 있다.

부록 2: 이미지 학습 도구

"두뇌 만들기"에서 다양한 알고리듬의 학습 프로그램이 있다고 언급했는데 아래와 같은 관련 도구들이 있다.

구성요소	역할 및 설명
PyTorch / torchvision	학습 코드를 작성하고 실행하는 대표적인 프로그래밍 라이브러리
EfficientNet	사진에서 특징을 뽑아내는 모델 구조(아키텍처) 자체
ImageNet 사전학습 가중치	수백만 장의 일반 사진을 미리 학습한 “기초 지식”. 도시 사진 같은 특정 주제를 학습하기 위한 기반으로 사용.
Albumentations 같은 증강 라이브러리	사진을 돌리거나 밝기를 바꾸는 등 변형을 줘서 학습 자료를 늘려주는 도구
timm	다양한 사전학습 모델을 골라 쓸 수 있게 모아둔 라이브러리

여기서 EfficientNet처럼 사진에서 특징을 뽑아내는 모델은 내부적으로 어떻게 동작할까. geeksforgeeks 설명에 따르면 EfficientNet은 구글 연구팀이 2019년에 발표한 논문에서 비롯됐으며 이전 아키텍처에 비해 적은 컴퓨터 자원으로 높은 성과 달성을 목표로 한다. 핵심 개념은 깊이, 너비, 해상도를 정해진 비율로 함께 키우는 것이라고 한다.

사진 전체를 한 번에 이해하는 것이 아니라 작은 영역을 차례로 살펴보며 선, 모서리, 색의 변화 같은 특징을 찾아내는 층을 여러 겹 쌓아둔다. 그 결과가 다음 층으로 넘어가면 단순한 패턴들이 조합되어 창문 모양, 지붕의 곡선, 간판의 배치 같은 좀 더 복잡한 패턴이 된다. 이렇게 층을 거듭할수록 패턴은 점점 구체적인 형태로 조립되고 맨 마지막 층에 이르러서야 "이 조합이면 에펠탑에 가깝다"는 식의 판단이 나온다.

부록 3: AI 개발은 여전히 사람 손이 많이 간다

AI에 대해 한참 설명했는데 보다 보면 아직도 사람 손이 가는 부분이 많다. 라벨링, “접수 창구”, “서비스 콘솔” 개발 등. 그래서 이런 영역에 특화된 서비스를 제공하는 스타트업이 있다.

골드러시 때 금을 캐던 사람보다 곡괭이, 삽, 텐트 같은 도구를 만들어 판 사람이 더 큰 돈을 벌었다는 얘기가 생각나는 지점이다.