읽을 가치가 있는 기사만, 짧고 또렷하게.

LLM 에이전트가 장기적인 상호작용에서 일관성을 유지하기 위해 메모리가 필요하지만, 기존 시스템은 메모리 관리를 위해 추가적인 LLM 호출을 사용하며 이는 토큰과 시간 비용을 발생시킵니다. 이러한 중간 기록 생성 및 검색 과정은 원본 증거를 모호하게 만들 수 있다는 문제가 제기되었습니다.

Zero-Mem은 이러한 문제를 해결하기 위해 중간 표현을 생성하지 않고도 구조화된 메모리 접근을 수행하는 제로 토큰 메모리 연산을 도입합니다. 이 방법은 최종 질문 답변 단계 외에는 LLM을 호출하거나 LLM 입력 및 출력 토큰을 소비하지 않으며, 메모리 연산의 시간 비용을 기존 최적화된 기준 대비 57.6% 절감합니다.

Zero-Mem은 상호작용 흔적을 엔티티-컨텍스트 그래프와 시간적 계층이라는 두 가지 보완적인 방식으로 조직하여 메모리를 보존합니다. 이 구조를 통해 시스템은 두 관점을 모두 활용하여 관련 정보를 검색하고, 충돌하는 증거를 제거한 후 답변을 도출합니다.

연구 결과는 구조화된 에이전트 메모리가 과거의 중간 표현을 생성할 필요가 없음을 보여주며, 이는 LLM 호출과 토큰 소비 없이도 경쟁력 있는 성능을 달성할 수 있음을 시사합니다. 이는 장기 기억 및 장기 컨텍스트 질문 답변 벤치마크에서 LLM 호출과 메모리 연산에서 발생하는 토큰 소비를 제거하면서 메모리 연산 시간을 크게 줄이는 데 기여합니다.

$8 ESP32-S3 칩에서 처음부터 학습된 문자 레벨 트랜스포머 모델을 구현한 프로젝트가 공개되었습니다. 이 프로젝트는 추론(inference)이 아닌 칩 내부에서 전체 학습 루프와 역전파(backprop)를 C 언어로 직접 구현하여 엣지 디바이스에서 모델을 훈련하는 것을 목표로 합니다.

이는 모델 훈련이 일반적으로 GPU나 데이터 센터가 필요하다는 통념을 깨고, 작고 저렴한 마이크로컨트롤러만으로도 처음부터 모델을 훈련할 수 있음을 보여줍니다. 기존의 TinyML 프로젝트들이 주로 엣지 디바이스에서 사전 훈련된 모델을 구동하는 추론에 초점을 맞췄다면, 이 프로젝트는 데이터가 없는 환경에서도 학습이 가능하게 하는 새로운 접근 방식을 제시합니다.

개발자들은 이 실험을 통해 모델이 훈련되는 과정에서 발생하는 통계적 반영과 실제 일반화 사이의 관계를 탐구하고 있습니다. 특히, 실제 언어와 방대한 코퍼스를 사용하여 칩 위에서 모델을 학습시키는 것은 엣지 AI의 한계를 확장하고, 하드웨어의 제약 속에서 모델이 어떻게 학습하고 적응할 수 있는지에 대한 근본적인 질문을 던집니다.

이 프로젝트는 오픈 소스이며 Apache 2.0 라이선스를 따르며, 학습에 사용된 코퍼스는 자유롭게 라이선스가 부여된 소스에서 가져왔습니다. 이는 하드웨어 제약 속에서 AI 모델을 훈련하는 방법론에 대한 연구와 교육적 가치를 제공하며, 향후 엣지 컴퓨팅 환경에서의 모델 개발 방향에 중요한 시사점을 제공할 것입니다.

자동차 산업이 과거로 돌아갈 수 없는 미래를 위해 구축하고 있다는 내용입니다. 이 기사는 자동차 산업이 현재의 패러다임을 넘어선 새로운 미래를 준비하고 있음을 다루고 있습니다.

이는 자동차 산업이 기존의 제조 방식과 기술을 넘어선 새로운 방향으로 전환하고 있음을 시사합니다. 구체적으로 어떤 변화가 일어나고 있으며, 이러한 변화가 개발자나 관련 분야에 어떤 영향을 미칠지 상세한 내용이 담겨 있습니다.

해당 기사를 통해 자동차 산업의 미래 방향성과 그 변화의 맥락을 이해할 수 있습니다. 자세한 내용은 원문을 참고하여 확인하시기 바랍니다.

미국 육군은 5개월간의 이란 전쟁에서 장거리 정밀 미사일인 ATACMS와 PrSM 재고 대부분을 사용했습니다. 이러한 사용으로 인해 향후 분쟁에 대비한 미국의 태세에 대한 우려가 커지고 있습니다.

이 두 지대지 미사일은 조종사를 위험에 노출시키지 않고 원거리 표적을 정밀 타격하는 수단으로 활용되었습니다. 이는 장거리 정밀 타격 능력을 전략적으로 소모했음을 의미합니다.

관계자들은 현재 남아있는 미사일의 정확한 수량을 공개하지 않고 있습니다. 따라서 현재 미국의 장거리 정밀 타격 자산이 어느 정도 남아 있는지에 대한 구체적인 정보는 알 수 없습니다.

문서를 청크 단위로 잘라 벡터 검색을 수행하는 RAG 방식보다 서로 링크된 마크다운 위키를 구축하고 에이전트가 네비게이션하는 LLM Wiki 방식이 더 우수하다는 실증 벤치마크 논문이 발표되었습니다. 이 연구는 복잡한 추론 및 지식 검색 작업에서 LLM Wiki 방식이 RAG 방식보다 더 나은 성능을 보임을 입증합니다.

기존의 청크 검색 기반 RAG 방식은 문서를 잘게 나누어 유사한 조각 몇 개만을 추출하여 결합하는 방식입니다. 반면 LLM Wiki 방식은 문서를 구조화된 마크다운 위키 형태로 연결하고, 에이전트가 이 위키를 탐색하며 필요한 정보를 찾아내는 방식으로 작동합니다.

이러한 비교 결과는 단순한 정보 검색을 넘어, LLM이 복잡한 지식을 이해하고 추론하는 과정에서 구조화된 연결성이 단순한 벡터 유사도 검색보다 더 중요한 역할을 한다는 것을 시사합니다. 따라서 개발자는 LLM 기반 시스템에서 지식 검색 및 추론 기능을 구현할 때, 단순히 문서를 청크로 나누는 것을 넘어 지식 간의 관계와 구조를 명시적으로 연결하는 아키텍처를 고려해야 합니다.

캠핑 준비에 특화된 날씨 서비스 앱인 캠씨가 개발되었습니다. 이 서비스는 일반적인 날씨 정보인 기온과 강수 여부를 확인하는 것을 넘어, 실제 캠핑을 준비하는 데 필요한 구체적인 정보를 제공하는 데 중점을 둡니다.

기존의 일반 날씨 서비스만으로는 캠핑 시 발생할 수 있는 실제적인 문제들을 예측하기 어렵다는 점을 해결하고자 합니다. 캠씨는 타프 설치 가능 여부를 판단할 수 있는 바람의 강도나 밤사이 결로 발생 가능성 등 캠핑 환경에 특화된 정보를 제공합니다.

이러한 세부 정보는 캠핑객들이 장비 준비나 숙박 환경을 결정하는 데 실질적인 도움을 줄 수 있습니다. 따라서 캠씨는 단순한 기상 예측을 넘어 사용자가 야외 활동을 계획할 때 필요한 실용적인 준비 정보를 제공하는 데 의미가 있습니다.

AI 시대의 디자인 시스템은 디자인을 코드로 넘기는 기존의 흐름을 넘어 새로운 방식으로 확장되고 있습니다. 이제 디자인 시스템은 AI가 생성한 제품을 역설계하여 일관된 코드와 캔버스로 되돌리는 코드 중심 워크플로로 진화하고 있습니다.

이러한 변화는 AI가 생성하는 결과물의 안정성을 확보하는 데 필수적입니다. 안정적인 AI 결과물을 위해서는 단순히 시각적인 디자인뿐만 아니라 검증된 컴포넌트, 토큰, 문서, 접근성 속성을 아우르는 충분한 맥락(context)이 요구됩니다.

따라서 개발자와 디자이너는 AI 기반 디자인 시스템을 구축할 때, 결과물의 일관성과 안정성을 보장하기 위해 이러한 맥락 정보를 코드 중심 워크플로에 통합하는 방안을 고려해야 합니다. 이는 AI가 제공하는 디자인을 실제 개발 환경에서 활용 가능한 일관된 코드로 전환하는 데 중요한 역할을 합니다.

거의 모든 사용자 인터페이스는 버튼, 폼, 메뉴, 링크, 대화상자, 알림, 아이콘, 체크박스 및 라디오 버튼, 탭, 검색이라는 열 가지 상호작용 알파벳으로 구성됩니다. 이러한 요소들은 수십 년간 축적된 관례를 기반으로 하며, 이는 사용자가 새로운 인터페이스를 학습하는 비용을 현저히 줄여줍니다.

이러한 GUI 디자인 요소들은 단순히 시각적인 구성만을 의미하는 것이 아니라 각기 다른 핵심적인 역할을 수행합니다. 예를 들어, 버튼은 행동 실행을, 폼은 입력 수집을 담당하며, 메뉴와 링크는 사용자의 이동을 돕습니다.

또한, 각 요소는 행동 실행, 입력 수집, 이동, 시스템 피드백, 의미 전달이라는 구체적인 기능을 가지고 있습니다. 개발자와 디자이너는 이러한 기본적인 상호작용의 역할과 관례를 이해함으로써 사용자 친화적이고 효율적인 인터페이스를 설계할 수 있습니다.

따라서 사용자 인터페이스를 구축할 때 이러한 표준화된 디자인 요소들의 기능적 역할을 고려하는 것이 사용자 학습 비용을 줄이고 일관성 있는 경험을 제공하는 데 매우 중요합니다.

생성형 AI의 발전으로 PM, 디자이너, 데이터 과학자들이 프로토타입과 코드 작성까지 수행하게 되면서 직무의 변화에 대한 논의가 활발해지고 있습니다. 넷플릭스는 이러한 변화를 직무의 소멸이 아닌 역할이 재편되는 ‘storming 단계’로 인식하고 있습니다.

이는 AI가 단순한 도구를 넘어 실제 작업 흐름에 깊숙이 통합되면서 기존의 직무 정의와 역할이 근본적으로 재구성되고 있음을 의미합니다. 더 많은 사람과 에이전트들이 여러 시스템에서 효율적으로 작업하기 위해서는 새로운 시스템적 접근이 필수적입니다.

이를 위해 더 많은 주체와 에이전트가 여러 시스템에서 빠르게 협업하기 위해서는 공통 인프라, 신뢰할 데이터, 설계 템플릿, 그리고 보안과 품질 관리 체계가 중요해집니다. 개발자들은 이러한 변화에 대응하여 시스템 설계와 인프라 구축에 더욱 집중해야 할 필요가 있습니다.

애플이 자사 기술을 활용한 인공지능 기기 및 제품 개발을 막기 위해 예비금지명령을 요청하며 영업비밀 유출 사건의 범위를 확대했습니다. 이는 애플의 핵심 기술이 경쟁사로 넘어가는 것을 방지하고 기술 보호를 강화하려는 조치입니다.

이번 조치와 관련하여 영업비밀 유출에 연루됐을 가능성이 있는 전 직원의 범위가 확대되었는데, 기존 피고인 창 류(Chang Liu)와 탕 예우 탄(Tang Yew Tan) 외에도 총 11명의 전 애플 직원들이 사건을 목격하거나 관여했을 가능성이 제기되었습니다.

이러한 정보는 애플의 기술 기밀이 외부로 유출된 사건의 규모와 관련 인물의 범위를 보여주며, 기술 산업 내에서 영업비밀 보호의 중요성을 다시 한번 부각시킵니다. 애플은 이러한 법적 조치를 통해 자사의 기술적 우위를 보호하고 향후 AI 분야에서의 경쟁 환경을 관리하고자 합니다.

Kubernetes 플랫폼을 모범 사례 기반으로 부트스트랩하고 운영하는 도구인 Opionated CLI가 소개되었습니다. 이 도구는 GitOps-first 워크플로우를 기반으로 Kubernetes 환경 구축 과정을 자동화하는 데 중점을 두고 있습니다.

Opionated CLI는 플랫폼 스캐폴딩, 환경 구성, 프로덕션 기본값 설정 등의 복잡한 작업을 Go 기반의 단일 바이너리 CLI로 통합하여 처리합니다. 이를 통해 개발자는 여러 단계를 거쳐야 하는 플랫폼 설정 과정을 효율적으로 관리할 수 있습니다.

이 CLI는 특히 멀티 클러스터 및 멀티 테넌트 환경을 대상으로 설계되어 복잡한 분산 환경에서의 일관된 플랫폼 운영을 지원합니다. 이는 여러 클러스터와 테넌트 간의 환경 구성 및 기본값 관리를 표준화하여 운영 효율성을 높이는 데 기여합니다.

Canva는 초당 수십만 건의 요청을 처리하며 수억 명의 사용자 세션을 빠르고 안전하게 유지하는 데 중점을 두고 있습니다. 이러한 대규모 트래픽 환경에서 시스템의 안정성과 효율성을 확보하기 위해 데이터 처리 병목 현상을 해결하는 것이 핵심 과제였습니다.

이 과정에서 Canva는 배포 시점에 게이트웨이 수백 개가 MySQL에서 100만 건 이상의 취소 기록을 읽는 문제를 해결했습니다. 이는 대규모 사용자 세션과 관련된 데이터 처리에서 발생하는 심각한 병목 현상을 해소하여 시스템의 확장성을 개선하는 데 기여했습니다.

구체적으로 Canva는 최근 12시간 동안의 기록을 30분 단위의 S3 객체로 나누어 저장하고 각 기록을 16바이트로 압축 및 처리하는 방식을 적용했습니다. 이러한 데이터 분할 및 압축 기법은 대규모 로그 데이터를 효율적으로 관리하고 접근 속도를 높이는 데 중요한 역할을 합니다.

사물 인터넷(IoT) 환경에서 신뢰성, 효율성, 상호 운용성을 결정하는 통신 프로토콜의 성능 비교에 대한 실험 결과가 제시되었습니다. 이 연구는 널리 사용되는 저전력 무선 기술인 지그비(Zigbee)와 IP 기반 아키텍처를 도입한 매터 오버 스레드(Matter over Thread)를 실제 네트워크 조건에서 비교 분석했습니다.

연구 결과에 따르면, 지그비는 정적이고 소규모의 배포 환경에서 더 낮은 기본 오버헤드와 빠른 경로 복구 속도를 보여주어 반응성이 높다는 장점이 있습니다. 반면, 매터 오버 스레드는 다중 홉(multi-hop) 시나리오에서 안정적인 처리량과 예측 가능한 지연 시간을 유지하며 뛰어난 확장성과 견고함을 입증했습니다.

결론적으로 두 프로토콜은 민첩성, 효율성, 확장성 측면에서 뚜렷한 상충 관계를 보여줍니다. 개발자는 시스템의 요구 사항에 따라 특정 환경에서 반응성과 효율성을 우선할지, 아니면 광범위한 확장성과 안정성을 우선할지 선택해야 합니다.

OpenAI는 Apple이 전직 직원의 기밀정보 취급을 문제 삼아 제기한 소송에 대해 공개적으로 반박했습니다. OpenAI는 해당 소송이 부정확한 사실관계와 사전 협의 부족에 기반하고 있다고 주장하며 주장을 펼쳤습니다.

이러한 반박은 소송의 근거 자체에 대한 이견이 있음을 시사하며, 양 당사자 간의 사실관계 설정에 중요한 쟁점이 있음을 보여줍니다. 특히 소송 과정에서 발생한 특정 통화 기록에 대한 사실관계 오류가 지적되었습니다.

구체적으로 Apple 측 외부 변호사가 2026년 2월에 OpenAI 법무책임자와 통화했다고 잘못 기재했으며 수신인을 잘못 지정했다고 지적되었습니다. 이는 소송의 세부적인 사실관계에 오류가 있었음을 의미하며, 소송의 맥락과 주장에 대한 신뢰도에 영향을 미칠 수 있습니다.

버그트래크(Bugtraq) 메일링 리스트가 다시 시작되었습니다. 보안 연구자들이 검열이나 정치적 필터 없이 취약점을 공개할 수 있도록 1993년에 설립된 이 목록이 재개되고 있습니다. 이 리스트는 한때 보안 연구 분야의 핵심이었으나, 시간이 지나면서 소유권이 변경되고 기록이 사라져 많은 연구자들이 그 역사를 잃어버렸습니다.

이번 부활은 보안 분야의 역사를 보존하고 재개하기 위한 목적으로 이루어졌습니다. Jonathan Brossard가 securityfocus.com과 버그트래크 이름을 인수하여 이 커뮤니티를 재시작하는 것을 목표로 하며, 핵심 임무는 여전히 완전한 공개, 연구자 우선, 기업의 필터 배제입니다. 새로운 목록은 [email protected] 주소로 운영되며, 취약점 공개나 공개 방식에 대한 의견을 공유할 수 있습니다.

이는 사이버 보안 분야에서 수십 년간 축적된 공격 기법, 기술, 심층 분석 등의 역사가 사라지는 것을 막는 데 중요합니다. 인공지능 시대에 사실과 실제 작동했던 내용을 보존하는 것이 더욱 중요해지면서, 이 목록에 게시하는 행위는 해당 작업의 영구적인 보존을 의미합니다. 보안 커뮤니티의 역사를 지키고 기록을 보존하는 데 기여하고자 하는 모든 연구자에게 이 목록은 중요한 아카이브 역할을 할 것입니다.

Lua 라이브러리 유지보수자들이 지원이 종료된 과거 버전을 계속 유지해야 하는 상황에 놓여 있습니다. 이는 지원 종료된 버전까지 호환성을 유지해야 한다는 관행 때문에 발생하며, 결과적으로 유지보수자들이 20년이 넘는 레거시 코드를 계속 떠안고 있는 부담이 되고 있습니다.

이러한 상황은 Lua/LuaJIT가 5.2 무렵 분리된 이후 양쪽 버전을 지원하기 위해 Lua 5.1을 공통 기준으로 삼았기 때문에 발생했습니다. 따라서 새로운 버전이 출시되었음에도 불구하고, 커뮤니티는 이 Lua 5.1 기준점에서 벗어나지 못하고 있습니다.

결국, 라이브러리 유지보수자들은 새로운 버전으로의 전환보다는 과거의 호환성 유지에 집중하게 되어 기술적 진보를 위한 노력을 제약받고 있습니다. 이는 레거시 코드를 정리하고 최신 표준으로 전환하는 관행을 수립해야 할 필요성을 시사합니다.

Soppo는 Go 문법과 도구를 그대로 유지하면서 타입 안전성과 개발 편의 기능을 추가한 새로운 언어입니다. 이 언어는 기존 Go 라이브러리와 완전히 상호 운용이 가능하여 Go 생태계와의 호환성을 확보합니다.

Soppo는 특히 구조체 변형을 지원하는 태그드 유니온과 패턴 매칭 기능을 제공합니다. 이를 통해 개발자는 복잡한 데이터 구조를 더 안전하고 간결하게 다룰 수 있습니다.

이러한 기능은 컴파일러가 처리하지 않은 분기(branch)를 실행 전에 검사하도록 하여 런타임 오류의 가능성을 줄여줍니다. 이는 코드의 안정성을 높이고 개발 편의성을 향상시키는 데 중점을 둡니다.

Flowise 프로젝트가 서비스 종료를 결정했습니다. 개발자들이 복잡한 AI 애플리케이션을 구축하는 방식의 변화에 따라 Flowise의 운영을 중단하기로 결정했습니다. 이는 AI 모델의 추론 능력이 향상되면서 개발자들이 Claude Code/OpenClaw와 같은 새로운 코딩 에이전트를 사용하여 복잡한 작업을 처리하는 데 더 의존하게 되면서, 기존의 저코드 접근 방식이 한계에 도달했기 때문입니다.

Flowise 팀은 사용자들에게 코드 포크를 통해 자체 업데이트를 진행할 수 있도록 코드를 공개하고 유지할 것을 권장하고 있습니다. 구체적인 일정은 2026년 7월 29일에 코드 동결이 시작되며, 8월 10일에는 GitHub 저장소가 공개 보관 상태로 이동하고 이슈 및 PR이 잠금 처리됩니다. 최종적으로 2026년 8월 31일에 서비스가 종료되며, 공식 팀의 활동은 마무리됩니다.

Flowise의 소스 코드는 GitHub에 계속 남아 있으며 Apache 2.0 라이선스가 적용되어 누구나 계속해서 코드를 빌드하고 커뮤니티 기반으로 포크할 수 있습니다. 개발자들은 이 기회를 통해 Flowise 코드를 유지하고 다음 단계를 진행할 수 있습니다.

연구진은 슬라이딩 윈도우 어텐션을 일반화하면서도 훈련 중 병렬 처리가 가능한 고정 크기 메모리를 갖는 순환 트랜스포머 아키텍처인 Maglev를 소개합니다. 이 모델은 두 개의 결합된 모델로 구성되는데, 사전 채움(prefiller) 모델인 Q는 전체 어텐션을 활용하여 메모리 목표 $m'_t$를 생성하며 전체 기록에 접근할 수 있어야 합니다.

디코더(decoder) 모델인 P는 오직 슬라이딩 윈도우 어텐션과 순환 K/V 주입만을 사용하여 다음 토큰 예측을 위한 디코더 메모리 $m_t$를 생성합니다. 이 두 모델은 메모리 일관성 손실(memory consistency loss)을 사용하여 $m_t$와 $m'_t$를 정렬하도록 훈련되며, 이를 통해 추론 시 P만으로도 작동할 수 있게 됩니다.

실제 적용에서는 Q에 전체 어텐션과 슬라이딩 윈도우 어텐션을 교차하여 사용했을 때 더 강력한 성능을 보였습니다. 이 방법은 슬라이딩 윈도우 및 잠재적 순환 트랜스포머 기준 모델보다 검증 손실과 다운스트림 사전 훈련 벤치마크를 개선했습니다.

또한 P와 Q 사이에 파라미터를 공유함으로써 파라미터 메모리를 줄이면서도 대부분의 성능 향상을 유지할 수 있습니다. 이는 모델의 효율성을 높이는 동시에 메모리 사용량을 절감하는 데 기여합니다.

Meta AI 연구팀이 터미널 코딩 에이전트인 Muse Code를 Muse Spark 1.2 모델로 출시하며 개발자들에게 공개했습니다. Muse Code는 변경 사항 계획, 코드 작성, 결과 검증 등 복잡한 소프트웨어 엔지니어링 작업을 수행하며 여러 영구적인 서브 에이전트를 조정하여 문제를 더 빠르고 정확하게 해결합니다. 이 에이전트는 비동기 백그라운드 에이전트를 사용하여 세션 내내 활성 상태를 유지함으로써 정보 수집의 중복을 피하고 복잡한 다단계 작업을 처리할 때 지연 시간을 줄입니다.

Muse Code는 실행 시 모든 모델 호출, 도구 실행, 승인, 편집 기록을 기록하는 로컬 이벤트 로그를 사용하여 런타임이 정확하고 재시작 안전하도록 설계되었습니다. 또한, /plan, /grill, /goal과 같은 기본 스킬을 제공하여 사용자가 터미널 환경에서 비디오를 해석하여 마케팅 페이지를 생성하는 등 다양한 작업을 수행할 수 있습니다. 이는 Muse Spark 1.2가 코드 생성, 복잡한 디버깅, 코드베이스 이해 및 엔드투엔드 개발 워크플로우에서 성능을 개선하도록 코딩 작업에 대한 훈련 컴퓨팅을 대폭 확장했기 때문에 가능했습니다.

Muse Spark 1.2는 전체 리포지토리 생성이나 대규모 엔드투엔드 프로젝트와 같은 장기 목표에 대한 훈련을 위해 설계되었으며, 계획, 목표 조건화, 컨텍스트 압축을 활용하여 진행 상황을 유지하는 데 중점을 두었습니다. 실제로 이 모델은 1,000개 이상의 도구 호출을 통해 GPU 커널을 반복적으로 최적화하는 사례를 보였는데, 이는 NVIDIA Hopper GPU의 KDA 및 MLA 커널에서 상당한 성능 개선을 달성했습니다.

이러한 최적화 과정에서 모델은 Triton을 사용하여 알고리즘을 구현하고 커널 퓨전 및 타일링과 같은 기술을 결합하여 KDA 및 MLA에 특화된 최적화를 적용했습니다. Muse Code와 Muse Spark 1.2의 공동 훈련은 이러한 코딩 사용성과 최고의 성능을 보장하기 위해 수행되었으며, 이는 개발자들이 AI 모델을 활용하여 실제 코딩 및 시스템 최적화 작업을 수행하는 데 중요한 기반을 제공합니다.