알고는 있었지만 쓸 일이 없었다git worktree를 처음 본 건 꽤 오래전이다. Git 2.5에 들어왔으니 2015년부터 있던 기능이고, 어딘가에서 읽고 "이런 게 있구나" 하고 넘어갔던 기억이 있다.그리고 그게 끝이었다. 회사 프로젝트는 브랜치 기준으로 협업했다. 티켓을 하나 잡고, 브랜치를 파고, 작업하고, PR을 올리고, 머지하고, 다음 티켓으로 넘어간다. 이 흐름에서는 작업 공간이 하나면 충분하다. git switch 한 번이면 되는데 폴더를 따로 만들 이유가 없었다.바뀐 건 AI 에이전트로 코딩하기 시작하면서였다. 터미널을 여러 개 띄우고 에이전트를 동시에 돌리는 일이 많아졌고, 그러다 이런 메시지를 보게 됐다.로컬 main은 다른 디자인 작업용 worktree가 사용 중이라, 현재 디렉터리..

들어가며면접에서 이 질문을 받았다. 알고 있다고 생각했는데, 막상 말로 풀어내려니 생각보다 정리가 안 됐다.면접이 끝난 뒤 다시 정리한 기록.질문의 진짜 의도"AI Agentic Coding 시대에 개발자가 프로그래밍 언어를 배워야 할까요?"이 질문은 단순히 "배워야 한다 / 안 배워도 된다"를 묻는 게 아니다. 면접관이 보고 싶은 건 AI 시대에 개발자로서 본인의 가치를 어떻게 재정의하고 있는가에 대한 사고 프레임이다."그래도 기본은 알아야죠"라고 답하면 무난하지만 인상에 남지 않는다. "AI가 다 해주니까 안 배워도 됩니다"는 위험한 사람으로 보인다. 이 질문에는 확실한 입장 + 그 입장을 뒷받침하는 구조화된 논거가 필요하다.내 결론: 반드시 배워야 한다다만 배우는 이유가 달라진다.기존에는 "코드를 ..

※ 본 썸네일은 나노바나나 AI를 통해 생성된 합성 데이터입니다."손상된 옷 이미지가 100장밖에 없는데, 어떻게 학습시키지?"들어가며의류 품질 검사 AI 프로젝트를 진행하면서 만난 현실적인 문제다.데이터 현황:- 정상 의류: 10,000장- 손상 의류: 100장- 오염 의류: 50장문제: 극심한 클래스 불균형팀 회의에서 나온 해결책들:A: "회전시키고 노이즈 주면 되지 않나요?"B: "나노바나나로 생성하면 되잖아요."C: "그냥 복사해서 늘리면 안 돼요?"다들 맞는 말인데, 정확한 용어를 몰라서 소통이 어려웠다.오늘은 AI 데이터 처리에서 가장 헷갈리는 3가지 개념을 정리한다.핵심 용어 3가지1. Data Augmentation (데이터 증강)정의:기존 데이터를 "변형"해서 다양성을 늘리는 기법핵심:❌..

의류 검수 AI 시스템을 설계하면서 깨달은 Object Detection 모델 선택의 기준들어가며"객체 탐지? 그럼 YOLO지."솔직히 이게 그동안 내 접근 방식이었다. 차량 번호판 인식 프로젝트에서 YOLO를 써본 이후로, Object Detection이 필요하면 자연스럽게 YOLO를 꺼내 들었다. 빠르고, 정확하고, 레퍼런스도 많으니까.그런데 최근 의류 품질 검수 AI 시스템을 설계하면서 생각이 바뀌었다. 이 글에서는 왜 YOLO 대신 RT-DETR을 선택했는지, 그 과정에서 알게 된 두 모델의 근본적인 차이를 정리해보려 한다.과거 경험: 번호판 인식에서의 YOLO이전에 차량 번호판 인식 시스템을 개발한 적이 있다. 당시 YOLO를 선택했고, 결과는 대만족이었다.번호판 인식은 "쉬운" 문제다번호판 검..