csapp 를 받아보고, 컴퓨터과학 인상

일부지만 수학과 물리 쪽을 보다가, 대표적인 컴퓨터과학 과목인 csapp를 빠른 속도로 한번 보고나서 든 느낌은, 정말 젖과 꿀이 흐르는 땅 이라는 생각이다. 

수학과 물리 둘을 비교할 때, 논리적인 증명에 초점이 맞춰진 수학은 마치 퍽퍽한 닭가슴살을 뜯는 기분이고, 물리는 물리적 내용이라는 건더기가 확실한 수학을 취하기 때문에 수학에 비하면 좀 차려진 식사를 한 기분이다. 그래도 컴퓨터과학의 총망라인 이 cssapp는, 가는 곳마다 진수성찬이 발에 채이는 느낌이다.

책 속의 적힌 대부분 지식이 실용성의 끝판왕인거 같다. 

올리버샘 유투브

올리버샘 유투브를 보면 영어회화는 물론이고, 정말 말이 통하는 미국인 친구가 한명 생긴 느낌이다. 한국문화를 깊이 이해하고 한국어 구사도 능숙한 올리버샘이 반가웠다. 마침 책도 내서 관심이 간다.

일상 영어회화를 소재로 미국인 친구가 미국문화 얘기를 한국어로 편하면서 위트있게 전달한다. 이 정도면 웬만한 외국인 한국역사 전공자와 버금가지 않을까 생각이 들었다. 학문과 대중문화로 대상만 다를 뿐이지 그 파급력은 만만치 않은 거 같다. 

유투브의 영상에서 영어말하기 연습으로 쉐도잉을 설명해주는데, 딱 지금하면 좋겠다는 생각이 든다. 듣고 따라하기를 하루 30분정도 같은 내용을 여러번 반복하면 효과가 있다고 한다.

Platform 이야기

Platform 이라는 개념으로 요새 여러 경제 현상들을 분석하는 책을 소개받아 읽게 되었다. '집값 예측과 빅데이터' 세미나 강사가 집값변동에도 플랫폼 개념으로 접근할 수 있다고 하면서 이 책을 소개했다. 

플랫폼은, 정말 예전에 봤던 피터 드러커의 어떤 책에서 봤던 '기업'이라는 개념과 비교할만 하고, 책논증의 여러부분이 그럴듯하다는 생각이 계속 들었다. 다만 각 기업의 구체적인 성장과정을 전부 보여주지는 않아서 부침을 모두 고려하기는 쉽지 않아서 조금 아쉬웠다.

이런 류의 새로운 관점을 들으면, 우리나라에 얼마나 적용할 수 있을까라는 궁금증이 생기기 마련이다. 예전부터 들어온 빌 게이츠, 스티브 잡스, 마크 주크버그 가 우리나라 대학생들이었으면 택도 없었을 거라는 말도 생각나고, 엄두는 안나지만, 플랫폼 관점에서 우리나라가 제공하지 못하는 환경은 무엇일까 하는 생각도 들었다(위의 책으로 어느 정도는 기업분석을 시도할 수 있을듯)

현장에서 가까운 실리콘밸리의 우리 국민들의 얘기들은 어떨까라는 관점도 있다. 요새 한국인 개발자들의 삶은 어떨까해서 책들이 보이면 살살살 보는데, 때마침 실리콘밸리를 겪은 이들의 얘기도 있었다.

5인의 공동저자의 책이라 개념화같은 것은 다소 약하지만, 현장성만큼은 훌륭해 보였다. '기술의 대한민국 vs. UX(사용자경험)의 실리콘밸리' 라는 제목으로 플랫폼과 관련된 현실을 설명해주었다. 기업문화가 다르다는 결론이었다.

배열이라는 관점, 차원이라는 관점.

머신러닝 수업이나 세미나 를 들으면서 느꼈던 제일 재밌던 점은, 그동안 배웠던 내용들을 조금은 색다르면서 알차게 꿸수있는 실이 생겼다는 점이다. 낮은 차원에서 안보이는 것들이 높은 차원에서는 보일 수 있다는 것이다. 가장 흔한 예는 2차원에서 XOR 을 표현하는 네점(0,0), (1,0), (1,1), (0,1)을 직선하나로 2범주로 나눌 수 없다. 그런데 이 네점을 3차원으로 데려가면 2범주로 나눌 수 있는 방법이 생긴다. 이렇게 다른 차원으로 오고가는 방식은 굉장히 많은데, 그래도 좀 가깝게 관련있다 싶은 거는 실수와 복소수 사이다. 

기계적으로 복소수 계산을 해온 것을, 저차원인 실수와 고차원인 복소수로 놓고 보면 좀 느껴지는 것이 있다. 

선형대수도 그렇게 볼 수 있는데, 선형대수책 보통 앞에 나오는 (연립)방정식풀기에 집중할 필요없이, 사각형 배열을 다루는 흥미로운 방식이라고 볼 수 있다. 계산 결과에만 몰두하다보면, 이 사각형배열로 무엇을 하고 있는지 감잡기 어려운데, 이 배열의 변화양상에 좀 더 집중할만한 가치가 있는 거 같다.

사실 딥러닝으로 접근해서 괜찮은 효과를 내는 영역도 전부다는 아니다. 데이터들의 배열을 표시하면 엄청난 고차원이어서 큰 그림을 갖기는 힘들지만 효과를 내는 분야들은 어떤 특징들이 있다. 그 고차원의 대부분영역이 성기지만, 아주 일부에 데이터가 빽빽한 경우 효과가 있다고 한다.

시스템 엔지니어링

공학의 두 축은 공학의 기능을 디자인하는 영역과 하드웨어 구현영역으로 거칠게 나눌 수 있다. 두 영역의 전문가들은 보통 상대방 영역의 깊이있는 이해를 갖기힘든데, 예를 들면, 통신분야에서 학부과목인 '신호 및 시스템'과 '회로이론'을 바라보는 각 분야의 시선이다. 이 둘은, 두 영역의 핵심 기둥이라고 할만한데, 상대방의 핵심기둥을 작고 초라하게 생각하는 경우가 가끔씩 있다(별로 할 것도 없잖아요, 금방 배우지 ...등등으로). 그런데 가끔 이 두분야를 모두 아우르면서 특별한 전문성을 갖는 공학분야들이 있는데, 그 중 하나가 시스템 엔지니어링이다. 

컴퓨터 구현을 흔히 받아들여 사용하는 '아키텍처' 개념보다, 훨씬 구체적이고 다양하면서 실무적이고 생각지도 못하게 최신 성과를 반영해 계속 업데이트되는 영역이, 시스템 엔지니어링이었다.

요새 유행하는 머신러닝과 딥러닝도 알고리즘 개발같은 설계영역과 이를 실제 컴퓨터언어로 구현하는 영역이 있다. 머신러닝과 딥러닝 세미나와 수업을 간간히 들으러 다니다 보니까, GPU얘기를 꾸준히 듣게 되는데, 원래는 컴퓨터 그래픽 표현을 좀 더 수월하게 할 목적으로 탄생한 GPU가 유사한 계산과정을 겪는 머신러닝 영역에 활발히 활용되고, 한걸음 더 나아가 훨씬 딥러닝계산에 적합한 GPU들이 새롭게 디자인되는 지경에까지 이르게 된다고 한다. 

많은 시간은 아니었지만 기회가 생겨, 좀더 근원적인 접근인 GPU 설계 측면에서 딥러닝을 바라보고 이와 유사하게 분산시스템도 적용할 수 있다는 말을 들으면서 눈이 좀 트이는 느낌이 들었다.

그런 시스템 엔지니어링 분야를 가장 친절하고 체계적으로 소개한 것이 위 책이다. 카네기 멜론 대학에서 이 책을 교재로 진행하고 있는 수업도 있고 구글링하면 관련 자료들이 꽤 뜬다. 

이 컴퓨터 시스템공부를 해보려면 기본 선수과목은 리눅스, C언어, 운영체제이론 등인거 같다. 예전에 잠깐씩 보고 말았던 리눅스 책들이, 굉장히 흥미롭게 다가왔다. 

운영체제나 컴퓨터 구조도 마찬가지다.

확실히 자연과학분야가 직관적인 그림을 그리기에는 약간은 수월한 것에 비하여, 공학분야는 어떻게 연결되고 구성되는지 직관적으로 전체 그림을 짜기가 어려운 거 같다. 두 분야의 교집합이 적지 않지만, 처음부터 끝까지 자연현상을 설명하는 자연과학과 공학적인 목적에 좀 더 부합하는 의도와 관점을 갖는 공학은 생각보다 결이 많이 달라 보인다. 거기다 그 공학적인 개념들은, 다시 사람마다 쉽게 받아들이는 정도도 영역도 달라서, 공학의 분야의 작업들이 갖는 특유의 효율성을 깨닫는 것이 중요한 과제이면서 재미인거 같다.