기본 콘텐츠로 건너뛰기

11월 15일 기쁨이가 아빠 엄마와 인사를 한 지 100일 되는 날..

어제 11월 15일은 제 첫 아들인 기쁨이(본명은 기현이지만 모든 식구들이 기쁨이로 부릅니다. 주님과 부모와 모든 사람에게 기쁨을 주고 기쁨이 되어달라는 의미에서 원래는 태명을 기쁨이로 했던건 아들이 저희 부부에게 기쁨이라는 의미로 지은 거였지만 지금은 태명이 아명이 되었습니다.)가 이 세상과 부모에게 인사를 한 지 100일이 되는 날이었습니다.

어제 아내와 아기가 처음 태어나서 엄마가 젖이 잘 나오지 않아서 시간마다 깨어서 울었던 일, 밤새도로 자지도 못하고 덥디 더웠던 병원 병실에서 날밤을 지새웠던 일도 이제 겨우 100일이 지났을 뿐인데 기억이 잘 나지 않고 먼 과거의 일처럼 느껴진다는 얘기를 주고 받으면서 사람이라는 것이 참 간사하다는 생각이 들었습니다.

인간이 망각의 동물이라는 건 어찌 보면 축복인것도 같습니다.

그동안 기쁨이가 저희 부부를 힘들게 했던 기억만 남는다면 아마 아들 녀석이 이렇게 이쁘지는 않겠죠.

100일을 기념해서 교회에 가서 유아 세례식도 했습니다.

저희 부부의 주례를 서주셨던 목사님께 부탁드려서 세례를 받았습니다.

우연치 않게 저번주는 추수감사절이더군요. 저희 부부에게 주님이 허락해 주신 첫 소산물을 드리게 되는 우연치 않은 우연이.. 태어날때도 8월 8일에 태어나더니.. 웬지 복덩이일것 같은...ㅡㅡ

세례를 받고 마리스꼬 사당점에서 양가 부모님과 식구들이 모여 조촐히 늦은 점심을 했습니다.

그런데 인터넷 평과는 달리 음식이 약간 짜로 디저트로 나오는 과자나 빵이 텁텁한데다 가짓수가 부족해서 식당 섭외를 잘 못 했던 것 같은 후회가..

모처럼의 외식에 제 아내는 양껏 먹었습니다. 먹는 걸 옆에서 지켜보고 있자니 저리 좋아하는 거 맘껏 먹여주지 못하는게 맘에 참 아팠습니다.

능력 없는 남편 만나 저 고생인가.. 싶어 고맙기도 하고 미안하기도 하고...

뒤에 있는 아들을 보니.. 내가 정말 정년까지 일한다고 해도 저 녀석이 20살이 되면 애비는 백수가 될 텐데.. 저 녀석을 어케 키워야 할지 걱정도 앞섰지만..

100일이 돌이 되고 돌이 성인식이 되고 아기가 아무 사고 없이 무럭 무럭 자라기만을 주님께 소원해 봅니다.

우리 아가의 100일 기록은 인터넷의 한쪽에 살포시 남겨봅니다.

기쁨아 아빠가 많이 많이 사랑해요..

댓글

이 블로그의 인기 게시물

'자동화 편향'과 '대중적 불신' 을 고려한 AI 테스팅 시나리오 설계

최근 생성형 AI나 자율주행, 에이전트 기술의 테스팅 시나리오를 작성할 때 우리가 당연하게 전제(Assumption)로 깔고 가는 중요한 인간 행동 방식이 하나 있습니다. 바로 '자동화 편향성(Automation Bias)'입니다. 인간은 시스템이 자동화되고 스마트해질수록 기술을 과도하게 신뢰하고 주의력을 놓아버립니다. 차량을 운전하면서 운전자 보조 시스템을 켜고 전방 주시를 태만히 하고 스마트폰을 보거나 영상을 시청하는 운전자라던지 AI 의료 진단 보조 도구가 내놓은 결과를 의사가 깊은 의심 없이 그대로 승인해 버리는 현상이라던지 AI 챗봇이 추천한 잘못된 정보를 사용자가 사실로 믿고 행동하는 케이스 같은 게 있을 겁니다. 우리는 항상 이러한 "사람들이 AI를 너무 믿어서 발생하는 위험"을 핵심 리스크로 정의하고, 이를 검증하기 위한 안전장치(Safety Guardrail)나 경고 알림, 오용 방지(Misuse) 테스팅 시나리오를 도출해 왔습니다. 그런데 최근 Gizmodo에 보도된 미국 설문조사 결과는 매우 흥미로운 사실을 보여줍니다. (출처: Gizmodo - Survey Finds Americans See AI as Comparable to Humans—It’s Making Them Trust It Less )   기사에서 언급된 설문조사의 결과는 AI가 사람을 닮아갈수록 완벽함에 대한 기대와 실수가 충돌하고 책임이 모호해져 대중의 신뢰는 오히려 떨어진다는 것이었습니다.  자세히 살펴보면 해당 조사는 일반 대중을 대상으로 AI에 대한 인지적 반응을 측정했습니다. AI가 인간과 유사한 대화/추론 능력을 보일 때 유저가 느끼는 '인지적 불쾌한 골짜기(Uncanny Valley)' 현상을 정량 지표로 포착해 냈다는 점에서 의미가 있다고 생각합니다. 단순히 "AI가 좋다/나쁘다"를 넘어, 의인화(Anthropomorphism)의 수준과 신뢰도(Trust) 사이의 음(-)의 상관관계를 입증했기 때문...

확률을 다루는 AI 시대, 시스템의 상호작용 능력과 사용 품질을 어떻게 측정할 것인가?

 20년 넘게 소프트웨어 품질과 테스팅, 그리고 UX를 다루어 오면서 최근처럼 "측정(Measurement)"이 모호해진 시기가 없었던 것 같습니다. 과거의 정적인 시스템은 '클릭 몇 번으로 목표 과업을 완료했는가(성공률)', '화면이 직관적인가'처럼 사용성(Usability)의 측정 공식이 비교적 명확했습니다. 하지만 입력값은 물론 출력값마저 매번 달라지는 생성형 AI 시대에, 도대체 "AI 제품의 UX가 좋다"는 것은 어떻게 정량화하고 평가해야 할까요? UX 리서치 및 측정 분야의 권위자인 Jeff Sauro와 Jim Lewis가 MeasuringU에 올린 "Measuring the UX of AI"는 이 매듭을 풀 수 있는 아주 실질적이고 구조적인 힌트를 제공합니다. (출처: MeasuringU - Measuring the UX of AI / Jeff Sauro, PhD & Jim Lewis, PhD ) 아티클에서는 기존 소프트웨어 사용성 평가의 표준 틀이었던 SUS(System Usability Scale)나 SUPR-Q 같은 지표만으로는 AI 시스템의 UX를 완벽히 담아낼 수 없다고 말합니다. AI 시스템은 단순한 수동적 도구가 아니라 "스스로 판단하고 결과를 생성하는 자율적인 주체(Agent)"에 가깝기 때문입니다. 따라서 AI 제품의 UX를 측정할 때는 일반적인 지표 외에 다음과 같은 AI 특화 요소들이 반드시 함께 측정되어야 합니다. 정확성과 신뢰성 (Accuracy & Trust): AI가 내놓은 답이 얼마나 정확한가? 그리고 사용자가 그 결과물을 믿고 실제 업무에 활용할 수 있는가? (환각 현상 감지) 투명성과 설명 가능성 (Transparency & Explainability): AI가 왜 이런 결론을 내렸는지 사용자가 이해할 수 있도록 과정을 보여주는가? 제어 가능성 (Controllability): AI가 잘못된 방향...

AI 에이전트의 환각과 프롬프트 폭증을 막는 '컨텍스트 엔지니어링(Context Engineering)'과 아키텍처의 미래

AI 코딩 에이전트나 생성형 LLM을 소프트웨어 개발에 접목하는 시도가 늘어나면서, 엔지니어들이 마주하는 가장 큰 기술적 병목 중 하나는 바로 '컨텍스트(Context)'의 관리입니다. 저 역시 최근 AI와 바이브 코딩(Vibe Coding)을 활용해 여러 프로젝트를 진행하고 있는데, 하나의 대화창(세션)을 오래 켜둔 채 작업을 계속 이어가다 보면 AI가 초기 맥락을 잊어버리거나 이전에 지켜달라고 했던 제약조건을 놓치며 실수를 저지르는 경우를 자주 겪곤 합니다. 그래서 저는 목적별로 대화창을 명확하게 분리해서 작업하거나, 어느 정도 작업 단계가 진행되면 지금까지의 구현 내용과 의사결정을 요약 정리한 뒤 새 대화창에서 AI에게 이를 다시 학습시키는 방식으로 맥락을 관리하고 있습니다. 그렇다면 엔지니어링 아키텍처 차원에서는 이 문제를 어떻게 접근하고 있을까요? InfoQ의 발표 아티클 "Architecture / Context Engineering"에서는 바로 이 지점, 즉 단순한 프롬프트 엔지니어링을 넘어 시스템 아키텍처 수준에서 컨텍스트를 제어하는 '컨텍스트 엔지니어링(Context Engineering)'의 필요성과 구체적인 프레임워크를 다루고 있습니다. (출처: InfoQ - Architecture / Context Engineering) https://www.infoq.com/presentations/architecture-context-engineering/ 발표자들은 코딩 에이전트나 자율형 에이전트가 현장에서 실패하는 가장 큰 이유로 '비대해진 컨텍스트 윈도우(Bloated Context Windows)'와 무분별하게 채워진 프롬프트(Stuffed Prompts)를 꼽습니다. AI에게 너무 많은 정보를 한 번에 주면, 모델의 주의력(Attention)이 분산되거나 논리적 우선순위를 놓치는 현상이 발생합니다. 마치 인간 엔지니어에게 백과사전 수십 권을 던져주고 "이거 다 읽고 10초 ...