최근 저는 대학교에서 머신러닝 강의를 시작하게 되었습니다. 특강이나 대중 강연 형태로는 익숙하지만, 학부와 석·박사생을 대상으로 하는 15주짜리 정규 강의는 처음이라 더욱 효과적인 교수법을 찾고자 여러 자료를 살펴보고 있습니다. 그 중에서도 특히 인상 깊게 느껴진 세 가지 교수법을 여러분과 공유하고자 합니다. 바로 셰이핑(Shaping), 체이닝(Chaining), 청킹(Chunking)입니다. 두 개의 수업을 하고 있는데 생각보다 가르치면서 배우는 것도 많더라구요. 좋은 기회가 되고 있습니다. 겸임이긴 하지만... 교수 소리 듣는 것도 나름 신기하구요. 1. 셰이핑(Shaping): 전체 흐름을 보여주며 따라 하게 하기 셰이핑은 전체적인 흐름이나 프로세스를 처음부터 끝까지 한 번에 시연하고 학생들이 이를 모방하도록 유도하는 방법입니다. 머신러닝 수업에서도 굉장히 효과적일 수 있죠. 예를 들어, 학생들에게 처음으로 로지스틱 회귀 모델을 가르친다고 할 때, 저는 먼저 전체 워크플로우를 간단한 예제로 직접 시연합니다. 데이터 전처리부터 모델 학습, 평가까지 한눈에 볼 수 있도록 구성하여 학생들이 전체 과정을 직관적으로 이해하도록 돕는 것이죠. 이후 학생들이 같은 프로세스를 스스로 수행하게 하고, 그 과정에서 발생하는 문제에 대해 즉각적으로 피드백을 제공하면 더욱 효과적입니다. 2. 체이닝(Chaining): 복잡한 과정을 단계적으로 연결하기 체이닝은 복잡한 작업을 여러 작은 단계로 나누고 각 단계별로 명확히 학습한 후, 점진적으로 전체 과정을 연결하는 방법입니다. 이는 머신러닝처럼 복잡한 프로세스가 많은 분야에서 특히 효과적이죠. 가령 신경망 모델 구축을 예로 들면, 데이터 전처리, 모델 설계, 학습 및 평가 단계를 각각 별개로 가르친 후, 학생들이 이 개별 단계를 잘 이해하게 되면 전체적인 프로세스를 하나의 완성된 파이프라인으로 연결시킵니다. 특히, 최종 평가 결과를 먼저 보여주고 "이 결과가 나오기까지 어떤 단계들이 있었는지" 역순으로 접근하는 역방향 체이닝 방식을 활용하면, 학생들의 학습 동기와 이해도를 더욱 높일 수 있습니다.

최근 삼성전자 반도체 부문(DS)이 메타의 최신 대규모언어모델(LLM) LLaMA4를 전 조직에 전격 도입했다는 기사를 보았습니다. 개인적으로는 왜, 굳이 성능 논란과 벤치마크 조작 의혹까지 불거진 LLaMA4를 선택했을까요? 삼성전자 DS의 선택과 그 배경 삼성전자가 도입한 LLaMA4는 Scout(경량 모델)와 Maverick(기본 모델)으로 구성된 멀티모달 AI입니다. 문서뿐만 아니라 이미지·음성·영상까지 한 번에 처리할 수 있는 뛰어난 모델로 알려져 있습니다. 게다가 무려 10M 토큰이라는 압도적인 컨텍스트 길이를 제공하기 때문에, 반도체 공정 데이터와 같이 대규모 데이터를 다루는 삼성 입장에서는 큰 매력을 느낀 듯합니다. 그러나 실제로 이 선택이 최선이었는지는 의문이 남습니다. 몇 가지 현실적인 이유를 살펴보면 다소 아쉬운 점들이 보입니다. 성능과 벤치마크 신뢰성 논란 LLaMA4는 출시 직후부터 성능에 대한 여러 논란이 있었습니다. 일부 연구자와 개발자 커뮤니티에서는 LLaMA4가 제출한 벤치마크 모델이 실제 공개된 가중치와 다르다는 의혹이 제기됐습니다. 심지어 내부 직원으로부터 "벤치마크 점수를 끌어올리기 위한 무리한 조정이 있었다"는 폭로까지 나왔습니다. 이러한 논란은 기업이 중요한 업무 데이터를 다룰 때 고려할 수밖에 없는 중대한 이슈입니다. 삼성처럼 공정 최적화 및 신뢰성이 필수인 기업이 선택한 모델로서는, 꽤나 위험 부담이 큰 결정이었다는 느낌을 지울 수 없습니다. 사실 개인적으로는 이번 LLaMA4 도입 자체가 그냥 직원용으로 선택지 중 하나를 만든 것인데 뭔가 언론에서 침소봉대 한게 아닌가 하는 생각이 있습니다. 더 효율적인 대안들: Gemma3 QAT의 존재 사실 시장에는 LLaMA4 외에도 뛰어난 성능과 효율성을 보여주는 대안들이 존재했습니다. 예를 들어 Gemma3 QAT(27B)는 상대적으로 적은 하드웨어 자원으로도 뛰어난 성능을 발휘하는 모델로 평가받습니다. 물론 애초에 QAT 자체가 일반 소비자 레벨의 컴퓨팅 파워에서도 원활하게 돌릴 수 있는 LLM 인 것을 감안해도... 뭔가 메버릭을 돈 내고 쓰기엔 아쉬워 보이는게 사실이죠. 삼성정도 되는 기업이면 커뮤니티판을 쓸 것도 아니고 유료 모델을 쓸 것 같고요.(결국.. 그돈씨)

"화려한 색상 팔레트와 애니메이션으로 가득한 정교한 문서 페이지는 이제 지쳤습니다(Tired). 반면, 간단한 단일 마크다운(.md) 파일과 '클립보드 복사' 버튼 하나가 새로운 대세입니다(Wired)." 최근 카파시의 글을 읽으며 깊이 공감한 이유는 간단합니다. 우리가 만드는 제품과 서비스, 라이브러리의 주요 대상 고객이 이제는 더 이상 사람이 아니라 바로 인공지능이 되었기 때문이죠. LLM 시대의 도래: 기계 친화적 인터페이스의 부상 최근 OpenAI의 MCP(Model Context Protocol)나 ChatGPT의 데스크탑 앱에서 제공하는 공동 작업 기능('Work with')을 사용해 본 분들이라면 느끼셨겠지만, UI가 사람보다는 기계, 즉 LLM이 이해하기 쉬운 형태일수록 훨씬 더 효과적으로 활용됩니다. 이는 전통적인 사용자 경험(User Experience, UX) 개념을 새롭게 정의하는 흐름입니다. 그동안 우리는 아름다운 인터페이스와 친절한 설명으로 사람에게 최적화된 UI를 만들어왔습니다. 그러나 이제는 상황이 달라졌습니다. 점점 많은 일들이 사람 대신 LLM이나 에이전트를 통해 이루어지고 있기 때문이죠. 왜 LLM은 사람을 위한 UI를 싫어할까요? LLM이 사람을 위한 복잡하고 화려한 인터페이스를 꺼리는 이유는 명확합니다. LLM은 탐색이 아닌 스크래핑(Scraping)을 원합니다. 복잡한 메뉴나 내비게이션보다 단순하고 명료한 텍스트 구조가 필요합니다. LLM은 시각적 자극이 아닌 텍스트를 선호합니다. 애니메이션이나 동영상보다 간결한 텍스트로 정보를 제공받는 편이 더 효율적입니다. LLM은 클릭(Click)이 아닌 컬(Curl)을 좋아합니다. 링크를 따라다니며 클릭하기보다는 API 형태로 제공되는 데이터에 직접 접근하는 것을 선호합니다. 이러한 특징은 LLM이 점점 더 다양한 분야에서 상용화되며 우리 일상에 깊숙이 자리 잡을수록 더욱 중요해집니다. 제품 개발자와 서비스 제공자의 새로운 과제 이제 개발자와 서비스 제공자들은 자신들의 제품과 서비스를 LLM 친화적으로 바꾸어야 할 때가 왔습니다. 이는 UI의 본질적 변화를 요구합니다.