눈부셔님의 서재 (눈부셔 서재)https://blog.aladin.co.kr/724781112ko-krAladdin RSS(Alss) v0.9Sat, 04 Apr 2026 20:54:45 +0900눈부셔http://image.aladdin.co.kr/img/blog2/manage/profileimg.jpghttps://blog.aladin.co.kr/724781112100100눈부셔눈부셔리뷰/페이퍼AI가 짠 쿼리, 그대로 운영 서버에 반영하시겠습니까? - [퀵스타트 SQL with 챗GPT - AI와 협업해 빠르게 배우는 SQL 작성·최적화·튜닝 실전 가이드]https://blog.aladin.co.kr/724781112/17017571Tue, 13 Jan 2026 00:39:00 +0900https://blog.aladin.co.kr/724781112/17017571퀵스타트 SQL with 챗GPT - AI와 협업해 빠르게 배우는 SQL 작성·최적화·튜닝 실전 가이드
정미나 지음 / 한빛미디어 / 2025년 12월

북리뷰-IT] 퀵스타트 SQL with 챗GPT (한빛미디어, 2025)

은행 IT에서 SQL은 단순한 조회 언어가 아니다.
SQL 한 줄이 곧 성능이고, 안정성이고, 때로는 장애의 시작점이 된다.

온라인 승인 트랜잭션이 몰리는 시간대,
수백만 건이 쌓인 거래 테이블을 여러 개 JOIN 해야 하는 상황에서
“일단 돌아가니까”라는 이유로 작성된 SQL은
언젠가 반드시 시스템을 배신한다.

그래서 SQL을 볼 때, 문법보다 먼저 떠오르는 건 이것이다.“이 쿼리,
실행계획은 봤을까?
인덱스는 제대로 타고 있을까?
이걸 운영계에 올려도 괜찮을까?”

그런 관점에서 이 책,
『퀵스타트 SQL with 챗GPT』는
요즘 유행하는 “AI가 다 해줍니다” 식의 가벼운 책은 아니었다.

오히려 이 책은 한 문장으로 요약하면 이렇다.

“AI를 SQL 사수로 만들되,
튜닝의 최종 책임은 사람이 져야 한다는 걸 끝까지 놓치지 않는 책”

이 책은 무엇을 말하려하는가?

요즘 ChatGPT를 이용한 SQL 책이나 강의는 정말 많다.
대부분 이런 흐름이다.자연어로 질문하면SQL을 만들어주고“와, 편하다”에서 끝하지만 실무 환경에서는 이 방식이 그대로 통하지 않는다.데이터는 크고테이블은 많고JOIN은 복잡하고무엇보다 성능이 생명이기 때문이다.이 책의 저자 정미나 님은 20년 차 SQL 전문가답게 이 지점을 정확히 짚는다.

이 책은 단순히 “챗GPT에게 SQL을 시키는 법”을 알려주는 책이 아니다.
SQL 기본기 → AI 이해 → 프롬프트 설계 → 실행계획 → 튜닝
이라는 흐름을 끊기지 않게 한 권으로 연결한다.
AI의 한계부터 먼저 인정하고 시작한다.
“AI가 쿼리는 대신 써줄 수 있지만,
쿼리를 이해하고 최적화하는 건 여전히 사람의 일이다.”


AI를 '도구'가 아니라 '협업자'로 만드는 과정

SQL 기본기를 다시 붙잡는 방식이 좋다.

이 책의 초반부는 의외로 차분하다.
바로 SQL 문법부터 다시 짚는다.

SELECT, WHERE, JOIN, GROUP BY…
이미 다 아는 내용처럼 보이지만,
“AI에게 정확히 시키기 위해서 사람이 더 정확해야 한다”는 메시지가 계속 반복된다.

은행 시스템에서도 마찬가지다.요구사항이 모호하면SQL도 모호해지고결과는 반드시 틀어진다.책에서 설명하는
비즈니스 요구사항 → SQL 구조로 변환하는 사고 과정은
현업 개발자에게 특히 공감이 간다.

프롬프트 엔지니어링을 ‘실무 언어’로 설명한다.

많은 AI 책들이 프롬프트를 마치 마법 주문처럼 다룬다.

하지만 이 책은 다르다.좋은 질문 vs 나쁜 질문컬럼 정보, 데이터 특성, 건수, 목적을 어떻게 포함시킬 것인지JOIN 대상이 많은 경우 어떻게 단계적으로 나눌 것인지..실행계획도 안 보고 튜닝한다고요?
이 문장은 실무에서 수없이 듣는 말이다.

“이거 느린데요?”
“인덱스 하나 추가하면 되지 않을까요?”

하지만 실행계획 없이 이뤄지는 튜닝은 대부분 운에 맡기는 도박에 가깝다.

이 책은 튜닝의 시작을 명확히 말한다.
실행계획을 이해하지 못하면, 튜닝을 논할 자격이 없다

DBMS_XPLAN을 통한 실행계획 확인부터
Predicate Information 해석까지
설명이 과하지도, 부족하지도 않다.

옵티마이저의 COST 계산 방식을 AI 튜닝과 자연스럽게 연결한다.JOIN 튜닝, SORT 튜닝 사례에서실행계획  → 문제 지점  → 개선방향을 AI와 대화하듯 풀어가는 구조는 인상 깊었다.





인덱스 설계 챕터 좋다

“인덱스 = 무조건 빠르다”는 착각을 깨준다

실무에선 테이블에 인덱스가 많다. 너무 많아서 문제다.

이 책은 인덱스를
구조 → 손익분기점 → 스캔 방식 순서로 풀어간다.Index Range ScanIndex Skip ScanIndex Fast Full Scan이런 내용이 AI 추천과 함께 설명되니 이해가 훨씬 쉽다.

인덱스를 못 타게 만드는 SQL 패턴 정리가 좋다.

이 부분은, 실무 개발자라면 “아…” 하고 웃게 된다.인덱스 컬럼에 함수 사용묵시적 형변환LIKE ‘%값’IS NULL 조건실무에서 정말 자주 보는 실수들이다. ㅋ

이 책의 좋은 점은 단순 나열이 아니라,
“이걸 AI에게 어떻게 지적하게 할 것인가”까지 연결한다는 점이다.

마무리

SQL을 오래 다뤄온 사람일수록, AI 앞에서 두 가지 감정이 든다.
“이제 내 역할이 줄어드는 건 아닐까?”
“그래도 결국 책임은 내가 지는구나”

이 책은 그 사이에서AI를 믿되, 판단은 사람이 하는 길을 보여준다.
"SQL 실력은 AI 이전과 이후로 나뉘는 것이 아니라, AI를 다룰 줄 아는 자와 모르는 자로 나뉜다."

『퀵스타트 SQL with 챗GPT』는 변화하는 시대에 개발자가 갖춰야 할 '강력한 무기'를 쥐여주는 책이다.대용량 데이터를 다루는 법, 그리고 그 데이터를 가장 효율적으로 요리하는 법을 배우고 싶다면 주저 말고 이 책을 집어 들길 바란다.

지금 바로 챗GPT를 '최고의 SQL 튜너'로 변신시켜 보는 건 어떨까? 우리의 생산성이 200% 이상 도약하는 경험을 하게 될 것이다. ^^]]>https://image.aladin.co.kr/product/38193/8/cover150/k182034606_1.jpghttps://www.aladin.co.kr/shop/wproduct.aspx?ItemId=381930886눈부셔리뷰/페이퍼AI의 마법을 걷어내고, 구조를 보게 만드는 책 - [AI를 움직이는 수학 이야기 - 실생활 예제로 배우는 기술 속 수학의 비밀]https://blog.aladin.co.kr/724781112/17000095Sun, 04 Jan 2026 23:07:00 +0900https://blog.aladin.co.kr/724781112/17000095AI를 움직이는 수학 이야기 - 실생활 예제로 배우는 기술 속 수학의 비밀
후루시마 도오루 지음, 하승민 옮김 / 한빛미디어 / 2025년 12월

[북리뷰-IT] AI를 움직이는 수학 이야기 (한빛미디어, 2025)

아침에 출근해 전산 배치를 확인하고, 전일 마감 오류 로그를 훑어보며 하루를 시작하는 은행 IT 개발자의 일상은 겉으로 보기엔 숫자와 코드의 세계처럼 보입니다. 하지만 조금만 깊이 들어가 보면, 그 모든 시스템 뒤에는 “왜 이렇게 설계되었는가”라는 질문이 늘 따라옵니다. 
저는 은행 IT부서에서 20년간 코어뱅킹 개발자로 일하며 수신·여신·펀드·카드 등 은행업무 전반을 경험했고,디지털전략부서에서 현업 관점도 함께 겪어 왔습니다.최근 디지털 채널을 중심으로 가장 자주 마주치는 화두는 단연 “AI 기반 추천”입니다.
이 질문 앞에서 만난 책이 바로 한빛미디어의 『AI를 움직이는 수학 이야기』였습니다.이 책은 단순히 AI를 소개하는 교양서도 아니고, 코드를 앞세운 기술서도 아닙니다.오히려 그 중간 어딘가에서, 우리가 매일 쓰는 서비스의 “뼈대”가 되는 수학을 정면으로 마주하게 만듭니다.

AI의 마법을 걷어내고, 구조를 보게 만드는 책

이 책이 다루는 주제는 매우 익숙합니다. 검색, 상품 추천, 이미지 인식, 문장 생성, 음성 분석, 위치 측정. 우리가 하루에도 수십 번 사용하는 기술들입니다. 하지만 이 책은 “이 기술을 어떻게 쓰는가”가 아니라, “왜 이런 방식으로 작동할 수밖에 없는가”를 묻습니다.

구글 검색이 왜 벡터와 행렬의 문제인지, 유튜브 추천이 왜 코사인 유사도와 미분으로 설명되는지, 챗GPT의 문장 생성이 왜 확률과 행렬 연산의 조합인지, GPS가 왜 상대성 이론까지 끌어와야 정확해지는지를 차근차근 풀어냅니다. 
중요한 점은, 이 모든 설명이 코드 없이도 이해 가능하다는 점입니다. 수식은 많지만, 맥락 없는 공식 암기가 아니라 “문제를 해결하기 위해 수학이 등장하는 순간”을 보여 줍니다.

전체 구성 요약 : 서비스 → 수학적 모델 → 사고의 확장

책은 총 6개의 챕터로 구성되어 있어요.
● CHAPTER 01 정보 검색 : 검색 품질을 평가하는 정밀도·재현율부터 TF-IDF까지, 검색이라는 행위가 사실은 벡터 공간에서의 거리 계산이라는 점을 이해하게 합니다.

●  CHAPTER 02 상품 추천 : 평가 행렬, 협업 필터링, 코사인 유사도, 행렬 인수 분해, 경사 하강법까지 추천 시스템의 핵심을 깊이 다룹니다.

●  CHAPTER 03 이미지 분류 : CNN과 합성곱, 오차 역전파를 수학적으로 해석합니다.

●  CHAPTER 04 문장 생성 : 트랜스포머와 어텐션을 행렬 연산 관점에서 설명합니다.

●  CHAPTER 05 음성 분석 : 푸리에 변환이라는 고전 수학이 AI 음성 인식의 기반임을 보여 줍니다.

●  CHAPTER 06 위치 측정 : GPS가 왜 상대성 이론까지 고려해야 하는지 설득력 있게 풀어냅니다.
이 중에서 은행원인 저에게 가장 강하게 와닿은 챕터는 단연 CHAPTER 02 ‘상품 추천을 가능하게 하는 수학’이었어요.

은행원 시선에서 본 챕터2 "추천"은 윤리와 수학의 문제다

은행에서 상품 추천은 단순히 “많이 팔기”의 문제가 아닙니다. 고객에게 적합하지 않은 상품을 추천하는 순간, 그것은 민원과 불완전판매, 나아가 금융사고로 이어질 수 있기 때문입니다.그래서 저는 늘 이렇게 생각해 왔습니다.

“추천 알고리즘은 기술 문제가 아니라 철학과 책임의 문제다.”

이 책의 2장은 바로 이 고민을 많이 하게된 챕터입니다.

1) 평가 행렬 : 고객을 숫자로 환원하는 첫 단계
책은 가장 먼저 평가 행렬을 소개합니다. 사용자 × 상품의 행렬로, 각 칸에는 평가값이 들어갑니다.
은행 업무로 치면,
고객 × 예금상품
고객 × 카드
고객 × 펀드
와 같은 구조입니다.

여기서 중요한 사실은 대부분의 칸이 비어 있다는 점입니다. 고객은 모든 상품을 경험하지 않습니다. 이 “결손값”을 어떻게 예측할 것인가가 추천의 핵심입니다.

2) 협업 필터링과 코사인 유사도 : “나와 비슷한 고객은 누구인가”
책은 사용자 기반 협업 필터링을 통해 “비슷한 사용자”를 찾는 방법을 설명합니다.이때 등장하는 개념이 내적과 코사인 유사도입니다.

이 설명을 읽으며 저는 자연스럽게 은행의 CRM 데이터가 떠올랐습니다.
연령, 소득, 거래 빈도, 상품 보유 현황, 디지털 채널 이용 패턴…
이 모든 것은 결국 다차원 벡터입니다.

코사인 유사도는 “크기”가 아니라 “방향”을 비교합니다. 이는 금융에서 매우 중요한 통찰을 줍니다.
자산 규모가 크다고 해서 반드시 같은 성향은 아니라는 점,
거래 금액이 작아도 패턴이 유사하면 같은 군집에 속할 수 있다는 점 말입니다.

3) 중심화와 편향 제거 : 불완전판매를 막는 수학적 장치
책에서 인상 깊었던 부분 중 하나는 중심화(centering)입니다.사용자마다 평가 기준이 다르기 때문에 평균을 제거해 비교해야 한다는 설명입니다.

이 개념은 금융상품 추천에 그대로 적용됩니다.
어떤 고객은 보수적인 상품만 선택하고, 어떤 고객은 공격적인 상품만 선택합니다. 이를 그대로 비교하면 왜곡이 발생합니다. 중심화는 이런 개인적 편향을 제거하고, “성향” 자체를 비교하게 만듭니다.

저는 여기서, 수학이 단순한 계산 도구가 아니라 금융 윤리를 지키는 장치가 될 수 있음을 느꼈습니다. ㅋ

4) 행렬 인수 분해와 최적화 : 추천은 결국 ‘추정’이다
책 후반부에서는 행렬 인수 분해와 손실 함수, 경사 하강법이 등장합니다.
여기서 중요한 메시지는 이것입니다.

“추천은 정답을 맞히는 문제가 아니라, 오차를 최소화하는 문제다.”

은행 IT에서 모델을 설계할 때 가장 위험한 태도는 “이 모델이 맞다”라고 확신하는 것입니다. 이 책은 끊임없이 잔차와 오차를 드러내며, 모델이 가진 한계를 인식하게 합니다. 이는 현업에서 AI를 다루는 데 반드시 필요한 태도입니다.

5) 세런디피티 : 수학 너머의 인간
2장의 마지막에서 다루는 세런디피티는 특히 인상 깊었습니다.
아무리 수학적으로 완벽해도, 사용자가 “의외의 발견”을 하지 못한다면 추천은 재미없고 위험해질 수 있습니다.

금융 상품 추천에서도 마찬가지입니다.
고객의 과거만 반복하는 추천은 안전해 보이지만, 성장을 막을 수 있습니다.
수학 모델을 이해해야만, 어디까지 자동화하고 어디서부터 사람의 판단을 개입시켜야 하는지도 판단할 수 있습니다.

"왜" 에 끝까지 답한다

이 책의 가장 큰 장점은 일관되게 “왜”를 놓치지 않는다는 점입니다.
시중의 많은 AI 원리 책들은 “이런 알고리즘이 있다”에서 멈춥니다.
혹은 코드 예제로 넘어가며 이해하지 못하면 따라 치기만 하게 만듭니다.

반면 이 책은,
왜 벡터로 표현해야 하는지
왜 내적이 필요한지
왜 미분이 등장하는지
왜 최적화 문제가 되는지
를 끝까지 설명합니다.특히 중간 계산 과정을 생략하지 않는 점은, 학창 시절 수학에서 좌절했던 독자에게도 큰 배려입니다. 저처럼요 ㅎ

다른 AI 원리 책과의 차이점

목차만 보면 대학 전공서처럼 보이지만, 실제로는 서비스 사례 중심으로 전개됩니다. 각 장의 ‘Lesson’과 ‘Column’은 숨 고르기 역할을 하며, 생각을 확장하게 만듭니다. 특히 부록의 상대성 이론과 푸리에 변환은 “여기까지 설명한다고?” 싶을 정도였어요.코드 없음 : 구현이 아닌 이해에 집중수학의 흐름 강조 : 공식 암기 최소화범위의 넓이 : 추천 → 이미지 → 언어 → GPS → 상대성 이론블랙박스 해체 : “설명 불가능하지 않다”는 용기

코어뱅킹 개발자의 시선이 바뀌다

20년간 코어뱅킹을 다루며 저는 늘 안정성과 정확성을 최우선으로 생각해 왔습니다. AI는 어딘가 불안정하고 통제하기 어려운 존재처럼 느껴지기도 했습니다. 하지만 이 책을 읽으며, AI 역시 우리가 익숙한 수학과 최적화의 연장선에 있다는 사실을 다시 확인했습니다.

특히 상품 추천을 다루는 2장은, 앞으로 금융 IT에서 AI를 어떻게 받아들여야 할지에 대한 기준점을 제시해 주었습니다. “도입할 것인가 말 것인가”가 아니라, “어디까지 맡기고, 무엇을 감시할 것인가”를 고민하게 만들었습니다.
『AI를 움직이는 수학 이야기』는 AI를 잘 쓰기 위한 책이 아니라, AI를 두려워하지 않기 위한 책입니다.
은행원, 개발자, 기획자 모두에게 이 책은 단순한 지식이 아니라 사고의 틀을 제공합니다.
AI 시대라고 해서 수학이 사라진 것은 아닙니다. 오히려 더 깊숙이, 더 넓게 우리 일상과 업무 속으로 스며들었습니다. 이 책은 그 사실을 정직하게 보여 줍니다.

만약 여러분이
AI 추천 결과를 그대로 믿기 불안하다면,
금융 상품 추천의 책임을 고민하고 있다면,
기술을 도구가 아니라 구조로 이해하고 싶다면,
이 책을 직접 펼쳐 보시길 권합니다.그리고 읽으며 떠오른 생각을, 여러분의 경험과 함께 나눠 보시길 바랍니다.그 대화 자체가, 이미 AI 시대에 필요한 가장 중요한 역량일 테니까요. ^^

]]>https://image.aladin.co.kr/product/38103/11/cover150/k112034180_1.jpghttps://www.aladin.co.kr/shop/wproduct.aspx?ItemId=381031107