성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.

성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.
Photo by Christina @ wocintechchat.com / Unsplash

최근 들어 1:1 면담에 대한 다양한 책을 읽어보고 있다. 그러면서 공통적으로 떠오른 질문이 있었다. "3년뒤의 나, 5년 뒤의 나"를 면접 때 물어보는데 이러한 질문을 도와줄 수 있는 리더가 되려면 어떻게 해야할 것인가였다.

회사의 업무에 치이다보면 이런 사이클은 생각하지도 못한 상황에서 반복된 운영업무로 치일 수도 있는 것이 회사생활이다 .자칫하면 나의 시간을 회사에게 적당한 가격에 후려쳐서 팔고 나에게는 남는 것이 없는 상황이 될 수도 있다. 그렇기에 경험에 대한 코칭을 신경써야 하는 것이 리더라고 생각한다.

그래서 이전에는 "실리콘밸리에선 어떻게 일하나요"를 보고 강점을 아래와 같이 다섯가지 요소로 나는 부분을 참고하여 5주에 걸쳐 1:1을 하였다.

  • 다음과 같은 요소들을 통합적으로 고려해야 한 사람의 강점을 제대로 이해하고 정의할 수 있다.
    • 기술: 어떤 소질과 능력을 갖고 있는가?
    • 문제 접근법: 남들과 다르게 보는 관점이 있는가
    • 행위: 어떤 일을 할 때 즐거움을 느끼는가
    • 관심분야나 가치관: 어떤 주제가 심장을 두근거리게 하는가
    • 업무스타일: 어떤 스타일로 일할 때 가장 효율이 높은가?
  • 이러한 요소들을 통합적으로 고려하면 이런 사람이 해야할 프로젝트나 업무가 대충 감이 잡힐 것이다

이후에는 일반적인 코칭 대화 프레임워크인 GROW 등을 이용해서 코칭 세션을 진행하듯이 1:1을 진행하기도 하였다. GROW는 Goal - Reality - Option - Will의 앞 글자를 딴 모델로 목표를 세우고(Goal), 현황을 살핀후(Reality), 대안을 탐색하고(Option), 실행의지(Will)를 일깨우는 형태의 대화형태를 띈다.

그런데 여기까지 작성하고 나니, 이를 1회 끝나고 나면 다음에는 무엇을 해야 할지 고민이 되었다. 지금 돌이켜보니 이 때 잘못 생각한 것이, 1:1을 이벤트의 개념으로 바라보고 있었다. 대화의 목표가 뚜렷하지 않았다. 물론 리더로서 팀원의 성장을 이끈다라는 측면이 있었지만 측정에 대해 고민하지 않았고 그냥 좋은 시간이 되자..라는 생각이 가득했던 것같다.

따라서 연속성을 크게 고려하지 않은 것같다. 물론 돌이켜보면 그렇다고 대화에서 연속성이 아예 제외되었던 것은 아닌 것 같지만, 명확하지 않았다. 이를 반복하지 않기 위해서는 어떻게 해야 고민하던 차에 회사의 비전과 미션에 대한 중요성을 종종 언급했던 모습이 생각났다.

위의 이미지에서 볼 수 있듯이, 비전과 미션으로 비롯되어 각 개인의 해야 할 업무와 일들이 구성되는 것이 일반적이다. 이는 회사의 생명주기와 함께 영속적인 요소이다. 여기에 GROW 모델을 결합하면 1:1이 연속적일 수 있겠다는 생각이 들었다. 지속해서 비전과 미션을 상기시면 문제를 바라보는 범위나 도메인 지식도 함께 성장할 수 있을 것이다.

덧붙여 최근에 읽은 "평가보다 피드백"을 포함해서 AAP(After Action Plan)이나, AAR(After Action Review)를 GROW의 W(Will) 단계에서 결합하면 보다 포트폴리오까지 자연스럽게 연결되어 구성원의 생산성이 더욱 향상되지 않을까 생각된다.

이렇게까지 적고 나면 질문의 양이 상당히 많아질 수 있기 때문에 적절한 취사선택이 필요한 것은 당연하겠지만, 중요한 것은 이러헥 할 경우 1:1의 사이클이 반복되는 것은 하나의 스토리 텔링 형태로 간주할 수 있을 것이기에 리더 입장에서도 1:1의 목표를 명확히 세울 수 있을 것이라곳 생각한다. 목표 달성기준과 회사 업무에 대한 성과로 보면 될 듯하고, 위 내용을 하나의 테이블로 만들면 1:1 성장 진척도 체크를 위한 템플릿도 만들 수 있을 법하다.

Read more

ML 코드 작성시 유의사항

ML 코드 작성시 유의사항

유의사항 * 코드의 작성방식: 다른사람이 코드를 읽고 이해할 수 있는가? * 코드의 성능: 의도치 않은 부작용이 발생하는가? * 코드의 복잡성: 유스케이스에 비해 설계가 과도하고 부족한가 * 개선의 용이성: ML코드가 지속적으로 리팩토링 되는가? 코드 작성방식에 따른 개발자(+데이터과학자)의 유형 분류 출처 * 머신러닝 엔지니어링 인 액션

ELPD는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 보여주는 지표입니다.

ELPD는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 보여주는 지표입니다.

기본 개념 * ELPD(Expected Log Predictive Density)는 모델이 새로운 데이터를 얼마나 잘 예측하는지를 나타내는 지표로, 주어진 데이터 포인트에 대해 모델이 예측한 확률의 로그 값(로그확률)을 합산한 것입니다. $$\text{ELPD} = \sum_{i=1}^{n} \log p(y_i \mid \text{data})$$ * $n$: 데이터 포인트의 수 * $y_i$ : 실제 관측된

잭나이프 샘플링은 표본의 변동성 추정 방법중 하나입니다.

잭나이프 샘플링은 표본의 변동성 추정 방법중 하나입니다.

잭나이프 샘플링이란? * 잭나이프 샘플링은 표본 데이터에서 하나의 관측치를 제거한 여러 하위 샘플을 만들어, 이들 샘플에 대해 통계량을 계산한 후 그 결과를 바탕으로 전체 표본의 변동성을 추정하는 방법입니다. 잭 * 나이프는 주로 표본의 분산을 추정하거나 통계량의 편향을 줄이기 위해 사용됩니다. 예시 * 주어진 표본이 [x1, x2, x3, x4]라면, 잭나이프 샘플링은 다음과 같은

정확한 단위로 대화를 하는 것이 중요합니다.

정확한 단위로 대화를 하는 것이 중요합니다.

자전거를 타고 약속장소로 이동하는 중이었습니다. 근처 과일 가게에 이런 문구가 적혀있었습니다. "한 상자에 X,000원" 과일을 직접 사먹지는 않는 편이기 때문에 가격은 모르지만 꽤 매력적인 가격대였습니다. 그래서 잠시 "살까?" 망설였습니다. 하지만 이내 자전거를 타고 다시 가던 길을 갔습니다. 한 상자 안에 몇개가 들어가 있을지를 몰랐기 때문입니다.