2019.03.25

김진철의 How-to-Big Data | 빅데이터 조직과 시스템 (6)

김진철 | CIO KR

데이터과학자는 어떻게 만들어지는가? – 필자의 사례
최근 필자에게 조언을 구하는 많은 분이 가장 어려워하고 관심이 많은 문제는 좋은 데이터 과학자를 어떻게 찾고 채용할 수 있는가, 그리고 곧이어 같이 고민하게 될 이미 일하고 있는 구성원들을 어떻게 데이터 과학자로 양성할 수 있는가다. 빅데이터를 활용하는 주체이고, 빅데이터를 이용한 실질적인 업무를 수행할 최전선에 서 있는 데이터 과학자들을 어떻게 찾고 일하게 할 것인가 하는 문제는, 최근 빅데이터 트렌드가 떠오르면서 빅데이터를 활용하고 싶어 하는 많은 기업이 여전히 난처해하는 문제인 듯하다.
 

ⓒGetty Images Bank


지난 스물여섯 번째 글에서 자세히 살펴보았듯이, 데이터 과학자에게 요구되는 역량은 일반 기업에서 쉽게 얻을 수 있는 것도 아니고 하루 이틀, 또는 몇 주 데이터 과학 과정을 교육을 받거나 데이터 과학이나 빅데이터 과정을 유학을 다녀온다고 해서 얻을 수 있는 것도 더더욱 아니다.  빅데이터 기술로 유명한 하둡(Hadoop)과 같이 클라우데라(Cloudera, Inc.)와 같은 소프트웨어 업체가 일정 시간 교육해서 그 기술과 역량을 어느 수준 이상으로 키워줄 수 있다면 차라리 나을 것이다. 이렇게 데이터 과학자로서 역량을 키우는 것 자체가 어려운 일이라 좋은 데이터 과학자를 찾아 기업에 합류시키기가 더더욱 어려운 일이 되어가는 것 같다.

이번 글에서는 좋은 데이터 과학자를 찾고 기업에 합류시키기 위한 대안을 같이 고민해보자. 먼저 데이터 과학자로 일할 수 있는 인력을 어디에 가면 가장 잘 찾을 수 있는지부터 생각해보자.

많은 기업이 빅데이터를 이용해 성과를 내야 한다는 마음이 급하다 보니, 데이터 과학자라는 타이틀을 가지고 일하고 있는 사람들을 먼저 찾게 된다. 어느 분야든 이건 당연한 일이지만, 문제는 데이터 과학자라는 말이 새로운 IT 직업으로 자리 잡은지 불과 10년정도 밖에 되지 않는다는 것이다. 데이터 과학이라는 말이 등장하고 사용된 것은 사실 1960년대부터이지만, 현재 우리가 사용하고 있는 맥락과 의미로 사용되기 시작한 것은 필자가 이전 글에서 소개한 그리드 컴퓨팅 기술이 발전하면서 2005년에서 2008년 경에 ‘데이터 집중 과학(data-intensive science)’이라는 말이 등장하기 시작하면서 부터였다.

이후 2012년경 하버드 비즈니스 리뷰(Harvard Business Review)에 “데이터 과학자: 21세기의 가장 각광받을 직업(Data Scientist: The Sexiest Job of the 21st Century)”이라는 글을 쓴 디제이 파틸(DJ Patil)에 따르면 현 클라우데라의 공동 창업자이자 수석 과학자이기도 한 제프 해머바커(Jeff Hammerbacher)가 자신들이 링크트인과 페이스북에서 하는 일을 설명하기 위해 쓴 말이 ‘데이터 과학자’라고 하며, 이후 오늘날 우리가 이해하는 의미의 말로 업계에 자리 잡게 되었다.

이렇듯, 현대적인 의미의 데이터 과학자라는 말이 IT업계에 등장한 것이 불과 7년여밖에 되지 않았고, 데이터 과학자가 어떤 일을 하는지, 어떤 역량을 가져야 하는지 조금이나마 구체적으로 논의되기 시작한 것은 불과 3~4년에 불과하다. 하둡과 같이 특정한 기술 하나만 잘 익히면 전문가로 통용될 수 있는 성격의 직업도 아니고, 데이터 과학자 한 사람이 어느 정도 역량을 갖추기에 3~4년은 짧은 시간이기 때문에 ‘데이터 과학자’라는 타이틀을 가지고 활동하고 있는 사람을 찾기가 쉽지 않은 것이다.

그래서 현재 시점에서 우리나라 기업들이 데이터 과학자를 영입할 수 있는 가장 최선의 방법으로 필자가 권하는 것은 데이터 과학자로 일할 만한 소양과 경험을 갖춘 사람을 찾아낼 수 있는 안목을 가지고 잠재적 데이터 과학자들을 찾아서 기업에 영입하는 것이다. 실무자급 데이터 과학자들은 이런 방법으로 어느 정도 영입이 가능하다. 리더급 데이터 과학자는 우리나라에 절대적으로 부족하며, 리더급 데이터 과학자를 찾는 문제에 대해서는 별도로 같이 생각해보자.

왜 이런 방법이 가능한지에 대해서는 필자의 경험을 공유하는 것이 좋을 것 같다. 필자의 경험을 토대로 좋은 데이터 과학자를 찾기 위한 방법을 같이 한번 살펴보자. 

필자는 물리학을 전공하기 시작하면서, 당시 빠르게 발전하고 있던 컴퓨터 기술을 이용하면 물리학 문제를 더 잘 풀 수 있지 않을까 하는 생각을 하게 되었다. 그래서, 물리학을 공부하면서 컴퓨터 과학과 공학에 관련된 공부도 열심히 하였고, 이런 과정에서 자연스럽게 물리학적 사고방식과 함께 컴퓨터 및 정보 기술에 관한 소양도 쌓을 수 있게 되었다.

필자가 대학원에 진학하여 박사 학위를 밟게 될 즈음 요즘 딥러닝으로 불리는 인공신경망(Artificial Neural Network; ANN) 기술이 주목 받고 있었고, 대학 4학년 때 ‘생물인지심리학(biological cognitive psychology)’이라는 과목을 들었던 필자는 인공신경망을 전공하기로 마음을 먹고 뇌과학과 인공신경망에 대한 연구를 시작하게 되었다. 이렇게 뇌과학과 인공신경망을 전공하면서 자연스럽게 요즘 데이터 과학자들에게 중요하게 여겨지는 데이터 마이닝, 머신러닝과 인공지능 기술에 대해서도 깊이 있는 소양을 쌓을 수 있는 기회를 가질 수 있었다.

박사 과정중에 가속기 물리학으로 전공이 바뀌게 되면서 CERN에서 추진하는 LHC 실험에서의 빅데이터 문제를 만나게 되었고, 가속기 물리학을 전공하기 전에 필자가 연구했던 인공신경망을 비롯한 인공지능 기술이 이 LHC실험 빅데이터의 수집과 처리에 중요한 역할을 하겠다는 것을 알아차렸다. 당시 오늘날의 클라우드 컴퓨팅이나 빅데이터 기술과 같이 사회에서 차세대 정보기술로 주목받던 그리드 컴퓨팅 기술을 활용한 실험 데이터 분석 연구를 하게 되면서 인공지능 기술을 이용해 실험 데이터의 수집과 처리를 자동화하고, 이를 그리드 컴퓨팅 기술을 이용해 대용량 데이터 처리로 확장하면 새로운 과학 분야를 개척할 수 있겠다는 생각이 들었다. 요즘 얘기하는 소위 ‘빅데이터’ 문제를 풀기 위한 연구를 시작했던 것이다. 

필자가 위와 같이 빅데이터 기술에 대한 일을 개인적인 확신을 가지고 시작할 당시에는 ‘빅데이터’라는 말이 없었다. 당시 필자가 하려는 일을 가장 잘 설명해주는 말이 ‘지능형 대용량 데이터 처리(Intelligent Large-scale Data Processing)’이었고, 얼마 지나지 않아 ‘데이터 집중 과학’이라는 말이 튜링상을 받은 짐 그레이(Jim Gray)와 그리드 컴퓨팅 분야의 대가인 토니 헤이(Tony Hay)에 의해 쓰이기 시작하였다. 당시 필자가 하려는 일을 다른 사람들과 필자의 경력에 중요한 역할을 할 분들에게 소개 하기 위해 ‘데이터 집중 과학’을 연구한다는 말로 필자의 경력을 소개하곤 했다.

2010년경 빅데이터라는 말과 데이터 과학자라는 말이 등장하면서 필자가 하는 일을 가장 잘 설명해주는 말이 바로 이 ‘빅데이터’와 ‘데이터 과학자’라는 것을 알게 되었다. 그 이후로 필자는 필자가 하는 일을 ‘빅데이터’ 전문가, 또는 ‘데이터 과학자’라고 주변 지인들에게 소개하기 시작하였다. 필자가 빅데이터 전문가, 데이터 과학자로서 일을 시작하게 된 것은 데이터 과학자라는 말이 사용되기 훨씬 전인 2001년부터였지만, 데이터 과학자라는 말로 필자의 경력을 소개하기 시작한 것은 2011년부터인 8년여밖에 되지 않은 것이다. 그러니까 필자의 경우는 필자의 경력을 키우던 와중에 만난 문제를 해결하고 더 잘 하려는 와중에 자연스럽게 ‘빅데이터’ 전문가로서, ‘데이터 과학자’로서 경력과 실력이 쌓이게 된 것이다. 

사실 빅데이터 문제는 과학계에서는 꽤 오래전부터 이슈가 되어왔던 문제였고, 슈퍼컴퓨팅 기술 분야에서 해결하여야 하는 중요한 연구주제이기도 했다. 거대한 입자 가속기와 영상 빅데이터를 쏟아내는 최첨단 검출기를 실험 장비로 사용하는 고에너지 물리학, 거대한 우주 현상을 연구할 수 있도록 우주에 대한 방대한 영상 데이터를 쏟아내는 허셜 우주 망원경, 전 세계의 각종 천문대와 아레시보 전파 망원경 등의 다양한 천문 관측 장비를 활용하는 천문학과 천체물리학, 유전자 염기 서열과 단백질 아미노산 서열과 구조, 단백질 결정을 해석할 수 있게 돕는 X선 결정 사진 등의 빅데이터를 쏟아내고 분석해야 하는 생물정보학과 현대 분자생물학에 이르기까지 현대 과학은 다양한 형태의 빅데이터를 처리해야 하는 문제에 직면하고 있다.

위와 같이 현대 과학에서 빅데이터를 처리해야 하는 문제는 사실 1980년대 후반부터 이미 과학계에서 부각이 되고 있었고, 이를 위해 다양한 수퍼컴퓨팅 기술과 분산 컴퓨팅 기술이 개발되어 왔다. 다만 산업계에서는 이를 모르고 있었을 뿐인데, 웹 기술이 발전하면서 웹 데이터를 이용한 광고 비즈니스 모델을 처음으로 사업화하던 야후와 구글 같은 인터넷 검색 서비스 사업자들이 처음으로 빅데이터를 이용한 수익을 내기 시작한 것이 오늘날의 빅데이터 산업과 트렌드의 시작이다.

위와 같은 필자의 경력 성장의 과정을 좋은 데이터 과학자를 찾는데 적용해볼 수 있을 것이다. 현재 이공학 분야에는 잠재적인 데이터 과학자들이 많다. 위에서 간단히 언급했듯이, 현대 과학은 다양한 실험 장비에서 쏟아져 나오는 빅데이터를 적절하게 처리할 수 있어야만 과학자들이 실험 데이터를 해석하고 새로운 과학적 돌파구를 만들어낼 수 있었기에, 이들 과학자는 빅데이터 문제에 대해서 고민을 하지 않을 수밖에 없었다. 

위의 필자 사례에서 살펴보았듯이, 빅데이터 문제는 산업계에서 먼저 시작된 것이 아니라 기초과학 분야에서 먼저 시작되었다. 이들 빅데이터 문제를 해결하기 위해 노력했던 과학자, 공학자들은 자연스럽게 빅데이터를 다루어 연구 대상을 연구하고 조사하여 새로운 지식과 통찰을 밝혀내는 데이터 과학의 프로세스와 기술을 자연스럽게 익히게 되었다. 비록 데이터 과학자라는 말로 자신들을 소개하지는 않지만, 데이터 과학자로서 소양과 기술은 이미 충분히 가지고 있는 것이다.
 


그렇다면, 과학, 공학의 어떤 분야에서 데이터 과학자로서 소양과 기술을 갖춘 잠재적인 데이터 과학자 후보자들을 찾을 수 있을까? 좀더 구체적으로 같이 살펴보자.

 




2019.03.25

김진철의 How-to-Big Data | 빅데이터 조직과 시스템 (6)

김진철 | CIO KR

데이터과학자는 어떻게 만들어지는가? – 필자의 사례
최근 필자에게 조언을 구하는 많은 분이 가장 어려워하고 관심이 많은 문제는 좋은 데이터 과학자를 어떻게 찾고 채용할 수 있는가, 그리고 곧이어 같이 고민하게 될 이미 일하고 있는 구성원들을 어떻게 데이터 과학자로 양성할 수 있는가다. 빅데이터를 활용하는 주체이고, 빅데이터를 이용한 실질적인 업무를 수행할 최전선에 서 있는 데이터 과학자들을 어떻게 찾고 일하게 할 것인가 하는 문제는, 최근 빅데이터 트렌드가 떠오르면서 빅데이터를 활용하고 싶어 하는 많은 기업이 여전히 난처해하는 문제인 듯하다.
 

ⓒGetty Images Bank


지난 스물여섯 번째 글에서 자세히 살펴보았듯이, 데이터 과학자에게 요구되는 역량은 일반 기업에서 쉽게 얻을 수 있는 것도 아니고 하루 이틀, 또는 몇 주 데이터 과학 과정을 교육을 받거나 데이터 과학이나 빅데이터 과정을 유학을 다녀온다고 해서 얻을 수 있는 것도 더더욱 아니다.  빅데이터 기술로 유명한 하둡(Hadoop)과 같이 클라우데라(Cloudera, Inc.)와 같은 소프트웨어 업체가 일정 시간 교육해서 그 기술과 역량을 어느 수준 이상으로 키워줄 수 있다면 차라리 나을 것이다. 이렇게 데이터 과학자로서 역량을 키우는 것 자체가 어려운 일이라 좋은 데이터 과학자를 찾아 기업에 합류시키기가 더더욱 어려운 일이 되어가는 것 같다.

이번 글에서는 좋은 데이터 과학자를 찾고 기업에 합류시키기 위한 대안을 같이 고민해보자. 먼저 데이터 과학자로 일할 수 있는 인력을 어디에 가면 가장 잘 찾을 수 있는지부터 생각해보자.

많은 기업이 빅데이터를 이용해 성과를 내야 한다는 마음이 급하다 보니, 데이터 과학자라는 타이틀을 가지고 일하고 있는 사람들을 먼저 찾게 된다. 어느 분야든 이건 당연한 일이지만, 문제는 데이터 과학자라는 말이 새로운 IT 직업으로 자리 잡은지 불과 10년정도 밖에 되지 않는다는 것이다. 데이터 과학이라는 말이 등장하고 사용된 것은 사실 1960년대부터이지만, 현재 우리가 사용하고 있는 맥락과 의미로 사용되기 시작한 것은 필자가 이전 글에서 소개한 그리드 컴퓨팅 기술이 발전하면서 2005년에서 2008년 경에 ‘데이터 집중 과학(data-intensive science)’이라는 말이 등장하기 시작하면서 부터였다.

이후 2012년경 하버드 비즈니스 리뷰(Harvard Business Review)에 “데이터 과학자: 21세기의 가장 각광받을 직업(Data Scientist: The Sexiest Job of the 21st Century)”이라는 글을 쓴 디제이 파틸(DJ Patil)에 따르면 현 클라우데라의 공동 창업자이자 수석 과학자이기도 한 제프 해머바커(Jeff Hammerbacher)가 자신들이 링크트인과 페이스북에서 하는 일을 설명하기 위해 쓴 말이 ‘데이터 과학자’라고 하며, 이후 오늘날 우리가 이해하는 의미의 말로 업계에 자리 잡게 되었다.

이렇듯, 현대적인 의미의 데이터 과학자라는 말이 IT업계에 등장한 것이 불과 7년여밖에 되지 않았고, 데이터 과학자가 어떤 일을 하는지, 어떤 역량을 가져야 하는지 조금이나마 구체적으로 논의되기 시작한 것은 불과 3~4년에 불과하다. 하둡과 같이 특정한 기술 하나만 잘 익히면 전문가로 통용될 수 있는 성격의 직업도 아니고, 데이터 과학자 한 사람이 어느 정도 역량을 갖추기에 3~4년은 짧은 시간이기 때문에 ‘데이터 과학자’라는 타이틀을 가지고 활동하고 있는 사람을 찾기가 쉽지 않은 것이다.

그래서 현재 시점에서 우리나라 기업들이 데이터 과학자를 영입할 수 있는 가장 최선의 방법으로 필자가 권하는 것은 데이터 과학자로 일할 만한 소양과 경험을 갖춘 사람을 찾아낼 수 있는 안목을 가지고 잠재적 데이터 과학자들을 찾아서 기업에 영입하는 것이다. 실무자급 데이터 과학자들은 이런 방법으로 어느 정도 영입이 가능하다. 리더급 데이터 과학자는 우리나라에 절대적으로 부족하며, 리더급 데이터 과학자를 찾는 문제에 대해서는 별도로 같이 생각해보자.

왜 이런 방법이 가능한지에 대해서는 필자의 경험을 공유하는 것이 좋을 것 같다. 필자의 경험을 토대로 좋은 데이터 과학자를 찾기 위한 방법을 같이 한번 살펴보자. 

필자는 물리학을 전공하기 시작하면서, 당시 빠르게 발전하고 있던 컴퓨터 기술을 이용하면 물리학 문제를 더 잘 풀 수 있지 않을까 하는 생각을 하게 되었다. 그래서, 물리학을 공부하면서 컴퓨터 과학과 공학에 관련된 공부도 열심히 하였고, 이런 과정에서 자연스럽게 물리학적 사고방식과 함께 컴퓨터 및 정보 기술에 관한 소양도 쌓을 수 있게 되었다.

필자가 대학원에 진학하여 박사 학위를 밟게 될 즈음 요즘 딥러닝으로 불리는 인공신경망(Artificial Neural Network; ANN) 기술이 주목 받고 있었고, 대학 4학년 때 ‘생물인지심리학(biological cognitive psychology)’이라는 과목을 들었던 필자는 인공신경망을 전공하기로 마음을 먹고 뇌과학과 인공신경망에 대한 연구를 시작하게 되었다. 이렇게 뇌과학과 인공신경망을 전공하면서 자연스럽게 요즘 데이터 과학자들에게 중요하게 여겨지는 데이터 마이닝, 머신러닝과 인공지능 기술에 대해서도 깊이 있는 소양을 쌓을 수 있는 기회를 가질 수 있었다.

박사 과정중에 가속기 물리학으로 전공이 바뀌게 되면서 CERN에서 추진하는 LHC 실험에서의 빅데이터 문제를 만나게 되었고, 가속기 물리학을 전공하기 전에 필자가 연구했던 인공신경망을 비롯한 인공지능 기술이 이 LHC실험 빅데이터의 수집과 처리에 중요한 역할을 하겠다는 것을 알아차렸다. 당시 오늘날의 클라우드 컴퓨팅이나 빅데이터 기술과 같이 사회에서 차세대 정보기술로 주목받던 그리드 컴퓨팅 기술을 활용한 실험 데이터 분석 연구를 하게 되면서 인공지능 기술을 이용해 실험 데이터의 수집과 처리를 자동화하고, 이를 그리드 컴퓨팅 기술을 이용해 대용량 데이터 처리로 확장하면 새로운 과학 분야를 개척할 수 있겠다는 생각이 들었다. 요즘 얘기하는 소위 ‘빅데이터’ 문제를 풀기 위한 연구를 시작했던 것이다. 

필자가 위와 같이 빅데이터 기술에 대한 일을 개인적인 확신을 가지고 시작할 당시에는 ‘빅데이터’라는 말이 없었다. 당시 필자가 하려는 일을 가장 잘 설명해주는 말이 ‘지능형 대용량 데이터 처리(Intelligent Large-scale Data Processing)’이었고, 얼마 지나지 않아 ‘데이터 집중 과학’이라는 말이 튜링상을 받은 짐 그레이(Jim Gray)와 그리드 컴퓨팅 분야의 대가인 토니 헤이(Tony Hay)에 의해 쓰이기 시작하였다. 당시 필자가 하려는 일을 다른 사람들과 필자의 경력에 중요한 역할을 할 분들에게 소개 하기 위해 ‘데이터 집중 과학’을 연구한다는 말로 필자의 경력을 소개하곤 했다.

2010년경 빅데이터라는 말과 데이터 과학자라는 말이 등장하면서 필자가 하는 일을 가장 잘 설명해주는 말이 바로 이 ‘빅데이터’와 ‘데이터 과학자’라는 것을 알게 되었다. 그 이후로 필자는 필자가 하는 일을 ‘빅데이터’ 전문가, 또는 ‘데이터 과학자’라고 주변 지인들에게 소개하기 시작하였다. 필자가 빅데이터 전문가, 데이터 과학자로서 일을 시작하게 된 것은 데이터 과학자라는 말이 사용되기 훨씬 전인 2001년부터였지만, 데이터 과학자라는 말로 필자의 경력을 소개하기 시작한 것은 2011년부터인 8년여밖에 되지 않은 것이다. 그러니까 필자의 경우는 필자의 경력을 키우던 와중에 만난 문제를 해결하고 더 잘 하려는 와중에 자연스럽게 ‘빅데이터’ 전문가로서, ‘데이터 과학자’로서 경력과 실력이 쌓이게 된 것이다. 

사실 빅데이터 문제는 과학계에서는 꽤 오래전부터 이슈가 되어왔던 문제였고, 슈퍼컴퓨팅 기술 분야에서 해결하여야 하는 중요한 연구주제이기도 했다. 거대한 입자 가속기와 영상 빅데이터를 쏟아내는 최첨단 검출기를 실험 장비로 사용하는 고에너지 물리학, 거대한 우주 현상을 연구할 수 있도록 우주에 대한 방대한 영상 데이터를 쏟아내는 허셜 우주 망원경, 전 세계의 각종 천문대와 아레시보 전파 망원경 등의 다양한 천문 관측 장비를 활용하는 천문학과 천체물리학, 유전자 염기 서열과 단백질 아미노산 서열과 구조, 단백질 결정을 해석할 수 있게 돕는 X선 결정 사진 등의 빅데이터를 쏟아내고 분석해야 하는 생물정보학과 현대 분자생물학에 이르기까지 현대 과학은 다양한 형태의 빅데이터를 처리해야 하는 문제에 직면하고 있다.

위와 같이 현대 과학에서 빅데이터를 처리해야 하는 문제는 사실 1980년대 후반부터 이미 과학계에서 부각이 되고 있었고, 이를 위해 다양한 수퍼컴퓨팅 기술과 분산 컴퓨팅 기술이 개발되어 왔다. 다만 산업계에서는 이를 모르고 있었을 뿐인데, 웹 기술이 발전하면서 웹 데이터를 이용한 광고 비즈니스 모델을 처음으로 사업화하던 야후와 구글 같은 인터넷 검색 서비스 사업자들이 처음으로 빅데이터를 이용한 수익을 내기 시작한 것이 오늘날의 빅데이터 산업과 트렌드의 시작이다.

위와 같은 필자의 경력 성장의 과정을 좋은 데이터 과학자를 찾는데 적용해볼 수 있을 것이다. 현재 이공학 분야에는 잠재적인 데이터 과학자들이 많다. 위에서 간단히 언급했듯이, 현대 과학은 다양한 실험 장비에서 쏟아져 나오는 빅데이터를 적절하게 처리할 수 있어야만 과학자들이 실험 데이터를 해석하고 새로운 과학적 돌파구를 만들어낼 수 있었기에, 이들 과학자는 빅데이터 문제에 대해서 고민을 하지 않을 수밖에 없었다. 

위의 필자 사례에서 살펴보았듯이, 빅데이터 문제는 산업계에서 먼저 시작된 것이 아니라 기초과학 분야에서 먼저 시작되었다. 이들 빅데이터 문제를 해결하기 위해 노력했던 과학자, 공학자들은 자연스럽게 빅데이터를 다루어 연구 대상을 연구하고 조사하여 새로운 지식과 통찰을 밝혀내는 데이터 과학의 프로세스와 기술을 자연스럽게 익히게 되었다. 비록 데이터 과학자라는 말로 자신들을 소개하지는 않지만, 데이터 과학자로서 소양과 기술은 이미 충분히 가지고 있는 것이다.
 


그렇다면, 과학, 공학의 어떤 분야에서 데이터 과학자로서 소양과 기술을 갖춘 잠재적인 데이터 과학자 후보자들을 찾을 수 있을까? 좀더 구체적으로 같이 살펴보자.

 


X