너무 많은 생산성 툴이 나오고 있고 여기에 휘둘려서는 안되는 이유

너무 많은 생산성 툴이 나오고 있고 여기에 휘둘려서는 안되는 이유
Photo by Matt Ragland / Unsplash

정말 수많은 생산성 도구가 범람하는 시대이다. 현재 쓰고 있는 옵시디안(Obsidian)도 PKM(Personal Knowledge Management) 관련 생산성을 늘리기 위한 목적으로 등장한 툴이고, 이 외에도 Roam Research, Reflect, UpNote 등 너무 많아서 정말 열거하기 어려울 정도로 지금도 끊임없이 나오고 있다. 여기에 AI가 접목되면서 새로운 생산성 도구의 출시 속도는 더욱 더 빨라지고 있고 있다.

이런 툴을 보면서 종종 현혹이 되어, 몇시간 또는 며칠을 투자해서 그간 쌓았던 내용들을 옮기거나, 또는 고민하는 시간을 갖는 이들을 종종 볼 때가 있다. 그리고 매번 하나의 툴만을 써야 하는 것처럼 Reddit 등의 커뮤니티에 가면 Migrate 관련 질문이 끊임없이 올라오고 있다. 그런데 여기에 나는 휘둘려서는 안된다고 생각한다.

첫 째, 왜 툴을 써야 하는지 이유를 고민해본다면, 생각보다 툴간의 차이점은 적을 수 있다. 왜 툴을 써야 하는가? 개인적인 이유를 둔다면, 기억의 여유를 갖고, 보다 창의적이고자 하는 측면이다. 기억의 역할을 생산성 도구에게 위임함으로써 보다 생각할 수 있는 공간을 크게 갖기 위함이다. 이 관점에서 생산성이 가지고 있는 부분은 대체로 핵심적인 역량에서는 크게 차이가 없을 수 있다. 즉 도구를 비교하기 보다는, 얼마나 도구를 익히는데 시간이 소요될 것인가가 더 중요할 수 있다는 것을 의미한다.

둘 째, How가 오히려 더 핵심일 수 있다. 이동이 많은 사람은 키보드를 통해 메모하는 것이 어렵기 때문에 이 경우 음성 메모나, 필기 메모 등의 기능이 중요할 수 있다. 이 경우 여러 툴을 섞어서 쓰는 방법을 고민하는 것이 낫지 하나의 완벽한 툴을 쓰는 것은 앞서 언급한 메모의 주 목적보다는 덜 중요할 수 있다. 어디까지나 생산성 툴은 도구이기 때문이다. 도구에 목매달기 전에 우리에게 알려진 오래된 명언을 먼저 스스로에게 상기시켜볼 필요가 있다.

장인은 도구 탓을 하지 않는다.

이런 부분은 사실 모든 책에서 한번쯤은 등장했던 이야기이다. 에센셜리즘이 그러했고, GTD도 그러하였으며 Start with WHY도 그러하였다. 결국 우리에게 중요한 부분은, 왜 그 툴을 사용해야 하는가이다. 물론 이 상황에도 계속 툴이 나오니 새로운 제품을 쓰는 것 자체에 흥미를 느끼는 사람이 있을 수도 있다. 그렇다면 그 사람에게 있어서는 이렇게 새로운 툴을 쓰는 것 자체가 스스로에게 목적이 될 수 있는 지를 고민해볼 필요가 있다고 조언해주는 것이 옳을지도 모른다.

이러한 이야기를 쓰는 이유는 내 자신도 그렇기 때문이다. 그리고 매번 이유를 상기시키기 싫어서 이렇게 회고 형태로 이야기를 써보는 것이기도 하다. 부디 미래의 나에게 이런 고민을 더하지 않도록 이 이야기가 도움이 되었으면 좋겠다고 생각하며 이 글을 마무리한다.

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