업무를 쪼개서 시분할(Time Sharing)로 관리하면 생각보다 많은 일을 할 수 있다.

최근 들어, 일을 하다보면 시간이 너무 부족하다는 이야기를 여러 사람에게 듣는다.. 나도 누군가에게 업무를 요청받을 때, 습관적으로 부족하다는 이야기를 많이 들었다. 최근 들어서는 업무가 너무 많아서 멀티태스킹으로 하는 경우도 심심치 않게 본다. 최근에는 메일을 보다가 어느새 메일의 스레드를 따라 다른 업무를 하는 등, 하나의 업무에 대한 집중력이 크게 결여된 상황에 처해져 있는 경우도 많이 보았다.

이런 상황에서 출근을 하던 어느 날, 시분할 엔지니어링이 기억났다. 위키피디아에 따르면 시분할 시스템이란 다음과 같다.

시분할 시스템(時分割 system, 영어: time-sharing)은 컴퓨터를 대화식으로 사용하려는 시도에서 탄생하였다. 시분할 운영 체제CPU 스케줄링다중 프로그래밍을 이용해서 각 사용자들에게 컴퓨터 자원을 시간적으로 분할하여 사용할 수 있게 해 준다.

신체적으로 우리는 동시에 하나의 일을 할 수가 없다. 다만 일처리 속도를 빠르게 함으로써 동시에 여러 일을 처리하는 것처럼 보이는 것이다. 이른바 멀티태스킹(Multi Tasking)이 그러한 방식을 활용한 것이다. 결국 어떤 일이든 동시에 하나의 일 밖에 할 수가 없다는 것이 핵심이다.

이렇게 시분할 시스템의 정의를 되새겨보면서 "시간을 분할하는 정책을 직접 개입해보면 어떨까?" 라는 생각이 들었다. 그리고 각각의 시간을 길게 가져가는 것은 어떨까 하는 생각이 들었다. 여기까지만 보면 포모도로 기법(Pomodoro Technique)과 큰 차이가 없을 것이다. 하지만 포모도로는 어디까지나 수동적으로 시간을 관리하는 기법이고, 업무에 대해서 이 컨셉을 차용해보기로 한 것이다.

예를 들어 "공부 열심히 하기"라는 과제가 있다면, 우리는 이 과제에 대한 목표를 정할 것이다. 예를 들어 Toefl이면 Toefl 100점 이상 달성, 이런 식으로 목표를 세울 수 있을 것이다. 그러면 이 목표에 대한 세부 Task를 최대한 나눌 수 있는 만큼 나눈다. 그렇게 나누다 보면 뭔가 책상에서 앉아서 해야할 것같은 공부의 일부는 출근 중에도 가능하고, 심지어 누군가와 대화하면서도 가능하다는 사실을 알게 된다.

이렇게 과제를 나누는 방식은 끝도 없는 일 깔끔하게 해치우기, GTD(Get Things Done)의 고전에서도 언급된 바 있다. 이렇게 업무를 나누다 보면 업무 자체의 진척도를 끌어올리는 것은 이전보다는 훨씬 더 가능해지게 된다.

물론 이 과정에서 우리는 어떤 업무가 중요한지 고민을 할 필요가 있고(링크), 자연스럽게 휴식시간도 삶에서 가지면서 업무의 중간 중간 속에 휴식을 찾을 수도 있게 될 것이다.(링크)  물론 하루 아침에 이뤄질 수 는 것은 아니다. 머리 속에 있는 과제를 최대한 털어내서 쪼개고 쪼개고 쪼개야 한다. 처음에는 하루 종일이 걸릴 수 있다. 하지만 시간이 지나면 나아질 것이다. 그리고 매일, 매주, 매년 점검하면서 잘 나눠지고 있는지 고민을 해야할 것이다.

이런 생각을 하다보면 요즘 느끼는 것은 업무의 맥락을 이해하고(링크) 분석하는 것은 정말 중요한 능력이다. 그래야 이런 활용도 가능하기 때문이다. 나아가서 업무에 대해서 공통적으로 목표를 이해해야 하는 능력이 중요하다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서