joonyoungyi 하이퍼커넥트에서 AI를 총괄하고 있습니다. https://brunch.co.kr/@@ifQf 2025-10-07T05:38:22Z https://brunch.co.kr/@@ifQf/15 2025-11-01T06:42:09Z 2025-11-01T06:42:09Z

벡터 저는 사람의 능력을 일종의 벡터로 봅니다. 누구나 잘하는 게 있으면 못하는 것도 있습니다. 그건 저도 마찬가지입니다. 능력은 벡터이기 때문에 누가 역량이 더 좋다 나쁘다 이야기 하는 것은 어렵습니다. 벡터는 대소 비교가 불가능하기 때문입니다. 하지만 성과는 스칼라입니다. 개인과 팀의 성과는 비즈니스 임팩트로 치환해서 스칼라 값으로 만들어낼 수 있고

https://brunch.co.kr/@@ifQf/14 2025-10-16T00:56:23Z 2025-10-14T02:40:52Z

논문을 읽지 않으면 AI 문제를 제대로 정의할 수 없다 문제를 풀 때 가장 중요한 건 ‘문제 정의’입니다. 우리가 문제를 잘 정의했다면 이미 절반은 푼 것이나 다름없습니다. 그래서 빠르게 해결책을 찾는 것보다, 충분한 시간을 들여 문제를 제대로 정의하는 것이 오히려 전체 속도를 높이는 일입니다. AI 연구에서도 마찬가지입니다. 문제 정의가 명확하지 않으면

https://brunch.co.kr/@@ifQf/13 2025-11-01T10:08:10Z 2025-10-12T00:01:12Z

AI 문제에서 최적화하고자 하는 지표는 하나여야 합니다 현실에서 AI로 비즈니스 문제를 풀다보면, X와 Y 두 지표를 동시에 올려야 하는 상황을 흔하게 마주합니다. 실험군은 X 지표에서 100, Y 지표에서 90을 나타냈고, 대조군은 X에서 90, Y에서 100이 관측되었다고 해봅시다. 우리는 실험군을 배포해야 할까요? 말아야 할까요? 지표가 2개인 상황

https://brunch.co.kr/@@ifQf/8 2025-11-01T09:43:18Z 2025-10-08T10:44:03Z

새로운 시장을 키워 나가기 위해서는 마케팅, 제품, AI 로직 등 여러 요소가 하나의 팀처럼 유기적으로 움직여야 합니다. 그중에서도 AI 기반 추천 시스템은 새로운 시장을 침투(penetration)하는 데 있어 인프라와 같은 핵심 역할을 담당합니다. 랜덤 추천은 제품을 성장시킬 수 없습니다. 작은 사고 실험을 해보겠습니다. 예를 들어 A 국가 사용자가

https://brunch.co.kr/@@ifQf/9 2025-10-12T00:02:07Z 2025-10-08T10:43:57Z

혹시 알고 계셨나요? 인스타그램 앱의 첫 번째 탭(홈)과 두 번째 탭(탐색)은 스크롤 방식이 다릅니다. 홈 탭은 손가락을 움직이는 만큼 화면이 따라 내려가지만, 탐색 탭(상세 게시글 누른 후)은 스크롤 후 손을 떼면 자동으로 특정 게시물이 화면 상단에 맞춰지도록 동작합니다. 직접 해보시면 두 탭의 차이를 확실히 느낄 수 있습니다. 왜 이런 차이가 있을까

https://brunch.co.kr/@@ifQf/4 2025-10-08T10:43:12Z 2025-10-08T10:43:12Z

제품에 기여하는 AI 조직은 연구 안하지 않나요? 이런 질문, 정말 자주 듣습니다. 왜 이런 말씀하시는 지 이해도 됩니다. 하지만, 저희 조직에서는 반드시 연구가 필요합니다. 솔직히 연구 없이 비즈니스에 기여할 수 있다면 그렇게 하고 싶습니다. 효율적이니까요. 하지만, 연구 없이는 제품에서 임팩트 내기가 어렵습니다. 처음 한 두번은 운이 좋아서 임팩트가

https://brunch.co.kr/@@ifQf/5 2025-10-27T06:22:30Z 2025-10-08T10:42:19Z

A/B 테스트가 없이는 ‘개선’을 측정할 수 없다 AI 조직에서는 매일, 그리고 매주 새로운 모델이 만들어집니다. 하지만 새로운 모델이 정말 더 좋은 모델일까요? 많은 AI 연구자들은 오프라인 메트릭의 향상으로 모델의 성능을 판단합니다. 하지만 이는 충분하지 않습니다. 오프라인에서 성능이 향상된 모델이 실제 서비스에 올라갔을 때 오히려 지표가 떨어지는

https://brunch.co.kr/@@ifQf/1 2025-11-01T02:21:34Z 2025-10-08T10:40:57Z

저는 조직의 AI 업무를 크게 두 가지로 봅니다. 바로 정렬과 스케일링입니다. 이런 관점은 LLM에만 국한되는 이야기가 아닙니다. 저는 추천 업무에서도, Trust & Safety 업무에서도 똑같이 정렬과 스케일링의 관점으로 접근합니다. 정렬이란, 우리가 만드는 모델이 실제 비즈니스 지표와 연결되게 만드는 과정을 의미합니다. 추천 시스템을 이야기할 때,

https://brunch.co.kr/@@ifQf/2 2025-10-20T13:54:35Z 2025-10-08T10:40:36Z

Q. 저는 NLP밖에 안 해봤는데(혹은 vision밖에 안 해봤는데), Hyperconnect AI에서 좋은 성과를 낼 수 있을까요? 커피챗이나 면접 자리에서 종종 받는 질문입니다. 제가 늘 드리는 대답은 이렇습니다. "충분히 가능합니다" Hyperconnect AI에서는 지금까지 어떤 분야를 해왔는지는 크게 중요하게 보지 않습니다. 그것보다는 지금까

https://brunch.co.kr/@@ifQf/12 2025-11-01T02:26:38Z 2025-10-08T10:39:06Z

Pessimism vs Optimism 여러 액션들 중 현재 어떤 액션을 먼저 실행해야 할지 고민일 때, 이론적으로는 UCB(Upper Confidence Bound) 전략으로 선택하는 것이 최적에 가깝다는 이야기를 많이 합니다. 액션마다 얻을 수 있는 gain의 불확실성을 평가하고 upside가 높은 액션일수록 먼저 수행하는 전략입니다. Optimist