[나는리뷰어다 2025] AI 엔지니어링

 

 

 

 

 

 

"한빛미디어 서평단 <나는리뷰어다> 활동을 위해서 책을 협찬 받아 작성된 서평입니다."

 

 

 

 

 

 

 

 

      책 소개

 

 

 

 

 

 

 

 

 

 

 

https://www.hanbit.co.kr/store/books/look.php?p_code=B3535685426

AI 엔지니어링

 

 

 

 

 

이번 책은 성윤님이 번역하신 책이여서 특히나 당첨이 되기를 바란 책이였다

책 내용이 너무나 좋아서 번역을 하셨다고.. 내용은 이름 그대로 AI/LLM 에 대해 엔지니어링을 다루는 책

저자인 칩 후옌은 이전 책 '머신러닝 시스템 설계' 도 쓰셨는데 이 책도 언젠가 보면 좋겠다 라고 생각만 하고 있었다

 

먼저 책의 초반부를 보는데 좋았던 점은 이 책은 어떤 책이고 어떤 목적으로 활용하면 좋으며 어떤 개념들을 알고 있으면 더 좋을지, 어디를 중점적으로 보면 좋을지, 대상 독자와 학습 방법을 잘 설명해주었다는 점이다

물론 대부분의 개발책이 어떤 목적이고, 내용을 다루고, 대상 독자인지 서론에서 다루지만 이 책에서는 더 명확하게 짚어주었다는 점이 인상깊었다

 

 

 

 

맘 같아선 여유롭게 책에 집중해서 보고 싶지만... 다른 공부들, 봐야할 책들이 너무나 많기에 성윤님이 앞에 적어주신 내용대로 핵심적인 내용을 담고있는 특정 챕터들 위주로만 살펴보려 한다

 

옮긴이의 말에서 책의 핵심 내용들을 잘 정리해주셔서 참고하면 좋은 문단들을 가져와봤다

 

 

...
책은 총 10장으로 구성되어 있고, AI 애플리케이션의 정의와 파운데이션 모델을 활용해 쉽게 애플리케이션을 만들 수 있다는 이야기로 시작합니다.
이어서 파운데이션 모델의 핵심 개념을 정리하고 평가에 대해 자세히 다룹니다. 실무에서 가장 어려운 부분이 평가인데, 저자를 포함해 수많은 엔지니어의 경험을 토대로 평가 전반을 잘 정리했습니다. 
그 후 프롬프트 엔지니어링, RAG, 에이전트, 파인튜닝을 다루고, 데이터셋 엔지니어링, 추론 최적화, AI 아키텍처 설계, 사용자 피드백까지 이어집니다. 특히 좋았던 부분은 평가와 추론 최적화, AI 엔지니어링 아키텍처입니다.
거시적인 이해부터 시작해 실무에서도 도움이 될 내용이 있어 세 번 이상 읽었습니다.

이 책을 읽을 때, 독자 여러분이 겪고 있는 문제가 무엇인지 먼저 고민해보고 해당 고민을 기반으로 이 책을 읽길 권합니다.

...
각자 겪는 문제를 기준으로 책의 순서를 재구성해서 읽어도 괜찮습니다. 현재 겪고 있는 문제를 다루는 장이 있다면 그 부분부터 읽어도 분명 많은 도움이 될 것입니다.

만약 시간이 한정돼 있다면, 다음 장들을 꼭 읽기를 권합니다.

1장, 2장, 3장, 4장, 10장. 이 다섯 장은 특히 핵심적인 내용을 담고 있습니다.
이 분야를 하고 있다면 꼭 알아야 할 내용입니다. 3장과 4장은 평가를 다루는데, 평가가 매우 중요하지만, 많이들 간과하는 부분이므로 꼭 읽는 것을 추천합니다.
10장은 아키텍처의 발전 상황을 실용적으로 다루는데, 자신이 만들고 있는 서비스가 어떤 아키텍처를 따르고 있는지 보는 것도 의미가 있습니다.

...
전통적인 ML에서는 데이터 파이프라인 구축, 특성 공학, 모델 학습, A/B 테스트가 주요 고민이었다면, LLM에서는 프롬프트 엔지니어링, 컨텍스트 관리, 토큰 비용 최적화, 환각 대응 같은 새로운 문제들이 생겼습니다. 특히 평가 방법은 훨씬 까다로워졌습니다.
정확도나 F1 점수로 명확히 판단되던 것들이, LLM에서는 '이 답변이 정말 좋은 답변인가?' 라는 모호한 질문과 마주치게 됩니다.

 

 

해당 책은 코드를 직접 다루는 실습이나 예제는 없고 구현과 기술 숙달보다는 엔지니어링에 집중되어 있는 책이다

주로 LLM, LMM을 포함한 파운데이션 모델을 애플리케이션에 적용하는 방법을 다루고 있다

책이 답해줄 수 있는 질문에는 여러 가지가 있다

- 이 AI 애플리케이션을 왜 만들어야 할까? 어떻게 평가할까?
- 환각은 왜 발생하고 어떻게 탐지해서 완화할 수 있을까?
- RAG가 왜 효과 있을까? 사용 전략은?
- 에이전트란? 어떻게 만들고 평가해야 할까?
- 모델을 언제 파인튜닝 해야하고 하지 말아야할까?
- 애플리케이션을 지속적으로 개선하기 위한 피드백 루프는 어떻게 만들까?
...

 

 

 

 

이론서가 아니기에 어떤 개념이나 모델을 처음부터 학습시키는 방법을 설명하지 않는다

AI 애플리케이션을 만들면서 마주칠 수 있는 문제와 거기에 따른 해결책과 도구를 알려주는 방법론을 알려준다

물론 ML 관련 지식들을 알고 있다면 이 책을 더 적절하게 활용할 수 있을 것이다

• 샘플링, 결정론, 분포 등 확률론적 개념
• 지도학습, 자기 지도 학습, 로그 우도, 경사하강법, 역전파, 손실 함수, 하이퍼파라미터 튜닝 등 ML 개념
• 피드포워드, 순환, 트랜스포머를 포함한 다양한 신경망 아키텍쳐
• 정확도, F1 점수, 정밀도, 재현율, 코사인 유사도, 교차 엔트로피 같은 지표

위의 개념들을 내가 다 이해하고 설명할 수 있을까 생각해보면 아니요.. 안다고 착각하고 넘어갔던, 비어있는 부분들이 많이 느껴졌다

 

 

그 외에도 대상 독자로는 AI/ML 엔지니어, 데이터 사이언티스트, 엔지니어링 매니저, PM 등 기술 직군에서도 어떤 상황에 해당하면 도움이 될지도 알려주고 있다

학습 방법까지 세세하게 적기엔 내용이 너무 길어질 듯하니 직접 구매해서 읽는 걸 추천드린다

 

 

아래는 책 깃허브 주소이다

https://github.com/chiphuyen/aie-book

GitHub - chiphuyen/aie-book: [WIP] Resources for AI engineers. Also contains supporting materials for the book AI Engineering (C

 

 

여기서 리소스라는 이름의 md 파일을 들어가보면

https://github.com/chiphuyen/aie-book/blob/main/resources.md

aie-book/resources.md at main · chiphuyen/aie-book

 

책을 쓰기위해 참고했던 수많은 논문과 자료들이 챕터별로 정리되어있다

꼭 읽어야한다, 좋은 자료다 등등 자료에 대한 저자의 소감이나 설명들도 달려있으니 필요에 따라 골라서 공부하기에 좋은 가이드로도 활용 가능하다

 

 

 

 

 

 

아래 유튜브 영상들은 한국어 번역 출판 이전, 원서로 스터디한 내용들인데 같이 봐도 좋을 것 같다

 

https://www.youtube.com/playlist?list=PLLohac-Sw2xPRXZXf0bzhslHjqD6NmAPD

AI Engineering

 

 

 

 

 

 

 

 

 

 

 

 

 

---

 

 

 

 

 

 

 

 

 

 

 

     목차

 

1장. 파운데이션 모델을 활용한 AI 애플리케이션 입문

- 1.1 AI 엔지니어링의 부상

- 1.2 파운데이션 모델 활용 사례

- 1.3 AI 애플리케이션 기획

- 1.4 AI 엔지니어링 스택

 

2장. 파운데이션 모델 이해하기

- 2.1 학습 데이터

- 2.2 모델링

- 2.3 사후 학습

- 2.4 샘플링

3장. 평가 방법론

- 3.1 파운데이션 모델 평가의 어려움

- 3.2 언어 모델링 지표 이해하기

- 3.3 정확한 평가

- 3.4 AI 평가자

- 3.5 비교 평가를 통해 모델 순위 정하기

 

4장. AI 시스템 평가하기

- 4.1 평가 기준

- 4.2 모델 선택

- 4.3 평가 파이프라인 설계하기

 

 

5장. 프롬프트 엔지니어링

- 5.1 프롬프트 소개

- 5.2 프롬프트 엔지니어링 모범 사례

- 5.3 방어적 프롬프트 엔지니어링

 

6장. RAG와 에이전트

- 6.1 RAG

- 6.2 에이전트

- 6.3 메모리

 

7장. 파인튜닝

- 7.1 파인튜닝 개요

- 7.2 파인튜닝이 필요한 경우

- 7.3 메모리 병목 현상

- 7.4 파인튜닝 기법

 

8장. 데이터 엔지니어링

- 8.1 데이터 큐레이션

- 8.2 데이터 증강 및 합성

- 8.3 데이터 처리

 

9장. 추론 최적화

- 9.1 추론 최적화 이해하기

- 9.2 추론 최적화

 

10장. AI 엔지니어링 아키텍처와 사용자 피드백

- 10.1 AI 엔지니어링 아키텍처

- 10.2 사용자 피드백

 

 

 

 

 

 

 

---

 

 

 

 

 

 

 

      내용

 

 

 

 

1장. 파운데이션 모델을 활용한 AI 애플리케이션 입문

 

 

목차를 보면 알겠지만 1장에서는 모델에서 AI 엔지니어링으로 이어지게 된 배경과 역사, 파운데이션 모델의 여러 활용 사례들과 기획은 어떻게 이루어지는지, 엔지니어링 스택의 구성이 어떻게 이루어져 있는지 등등 입문을 위한 내용을 다루고 있다

뒤의 내용들도 그렇겠지만 각 장의 모든 내용들을 다룰 수는 없고 일부 내용들만 간략하게 정리하면서 넘어가고자 한다

 

 

언어 모델 특징과 자기 지도 학습의 조합 ➡️ 거대 모델의 출현

시작은 언어 모델로 특히 자기 지도 학습이 현재의 거대 모델들이 성장하는데 큰 기여를 하였다

많은 다른 모델들은 지도 학습을 필요로 하지만, 언어 모델은 자기 지도 학습으로 학습할 수 있다는 점이 모델이 학습할 수 있는 더 큰 데이터셋, 이로 인해 모델의 규모가 점차 커질 수 있었다

 

 

구분	지도학습 (Supervised)	자기지도학습 (Self-Supervised)
데이터	사람이 직접 레이블링한 데이터 필요	입력 데이터 자체로 레이블 생성 가능
예시	"이미지 → 고양이" 라벨	"문장 일부 → 나머지 문장 예측"
학습 방식	명시적 정답으로 지도	입력 데이터의 일부를 예측하도록 학습
비용	레이블링 비용 높음	매우 저렴 (인터넷 텍스트만으로 가능)
확장성	데이터 한계로 확장 어려움	데이터 무한 확장 가능

 

 

자기 지도 학습으로 가능하다는 것은 즉 데이터 레이블링에 드는 많은 비용과 시간, 리소스를 줄임으로써 데이터 레이블링 병목 현상을 극복하는데 도움이 되었다

자기 지도 학습에서는 명시적인 레이블이 필요하지 않고 모델이 입력 데이터에서 레이블을 추론할 수 있다는 것인데 언어 모델링은 각 입력 시퀀스가 레이블과 모델이 이런 레이블을 예측하는데 사용할 수 있는 컨텍스트를 제공하기에 자기 지도 학습이 가능하다

 

 

언어 모델이 자기 지도 학습이 가능한 이유는 언어 데이터는 내재적 구조와 문맥이 풍부해서, 모델이 스스로 학습할 “문맥 기반 예측 문제”를 만들 수 있다.

예를 들어 문장

 

“오늘은 날씨가 ☐☐☐ 좋다.”

 

 

➡ 모델은 “☐☐☐” 자리에 들어갈 단어를 예측하면서 자연스럽게 문법, 의미, 맥락을 동시에 학습한다

이게 바로 Masked Language Modeling (BERT) 이나 Next Token Prediction (GPT) 의 기본 원리다

 

대규모 언어 모델에서 이제는 이미지를 포함한 다양한 형태까지 다루는 멀티 모달 형태의 파운데이션 모델로 확장되고 있다

이렇게 모델의 규모가 점점 커지면서 단순히 데이터를 수집하고 학습시키는 것에서 더 나아가 AI 엔지니어링을 요구하게 되었다

 

 

 

파운데이션 모델에서 AI 엔지니어링

모델 자체를 개발하는 전통적인 ML 엔지니어링과 달리 AI 엔지니어링은 이미 존재하는 모델을 활용하는데 강력한 파운데이션 모델의 이용 가능성과 접근성은 여기에 필요한 조건을 만드는 세 가지 요인으로 이어진다

- 범용 AI 능력

- AI 투자 증가

- AI 애플리케이션 개발에 대한 낮아진 진입 장벽

 

책에서 짧게 용어에 대해 설명해준 부분이 있다

기존에 이미 MLOps, AIOps, LLMOps 등 많은 용어가 있는데 왜 AI 엔지니어링이라 칭했는가 하니 Ops, 운영적인 측면보단 파운데이션 모델을 원하는대로 조정하는 엔지니어링 자체에 집중하고자 해당 용어로 정의했다고 한다

 

 

 

AI 애플리케이션 기획

파운데이션 모델을 통해 AI 애플리케이션을 만드려는 기획에는 4단계 스텝들을 거친다

 

1. 활용 사례 평가

• 왜 AI 애플리케이션을 만들고 싶은지를 먼저 정의한다
• 그리고 만들었을 때의 시장 경쟁력을 보고서 외주를 맡기거나 자체 개발, 솔루션 구매 등의 선택을 고려하는 것이 필요하다
• 또한 애플리케이션에서 AI가 어떤 역할을 맡는가에 따라 개발 방식과 요구사항이 달라진다
  이 부분에 대한 내용은 애플의 제품에 AI를 활용하는 방법 정리한 문서가 있어서 참고하면 좋을 것 같다
  https://developer.apple.com/design/human-interface-guidelines/machine-learning

Machine learning | Apple Developer Documentation

 

 

 

2. 기대치 설정

• 직접 개발을 선택했다면 다음 단계는 성공이 어떤 모습일지 파악하는 것이다
• 이 성공을 어떻게 측정할 것인가?? 가장 중요한 지표는 AI 애플리케이션이 회사의 비즈니스에 어떤 영향을 미칠지이다
• 고객 지원 챗봇을 예시로 들면 아래와 같은 지표들을 사용할 수 있다
  • 챗봇으로 자동화하고 싶은 고객 메시지의 비율은 얼마인가?
  • 챗봇을 통해 얼마나 더 많은 메세지를 처리할 수 있어야 하는가?
  • 챗봇이 얼마나 많은 인력을 절감할 수 있는가?
• 또한 실제 서비스를 제공하기 위한 최소 성능이 어느 정도인지도 명확히 정하는 것이 필요하다
  • 챗봇 응답의 품질을 측정하는 품질 지표
  • 첫 토큰까지 걸리는 시간, 출력 토큰당 시간, 전체 지연 시간을 포함한 지연 시간 지표 등.. 
  • 추론 요청당 비용 같은 비용 지표

 

3. 마일스톤 계획

 

위에서 측정 가능한 목표들을 세웠다면 이제 이를 달성하기 위한 계획이 필요하다

목표 달성 방법은 시작점에 따라 달라지는데 이미 존재하는 모델의 성능을 평가해 그 능력을 파악해야 한다

 

기존 모델의 성능에 따라 목표가 바뀔 가능성이 높아지는데, 성능이 부족할 경우 이를 올리기 위한 파인튜닝 등의 비용에 따라 프로젝트나 개발이 엎어지거나 변경될수도 있다

또한 파운데이션 모델을 활용할 경우 모델 자체의 기본 성능이 이미 좋아서 괜찮은 MVP를 빠르게 뽑아낼 수 있으나 실제로 비즈니스 요구에 부합하는 수준까지 올리는데 더 많은 시간과 비용이 드는 경우가 많다

 

 

 

4. 유지보수

 

제품 기획은 목표 달성에서 끝나지 않는다

그 이후의 제품이 시간에 따라 어떻게 변할 수 있고 유지보수해야 할지를 생각해야 하는데 AI 특성인 매우 빠른 변화 속도로 AI 제품의 유지보수가 매우 어렵다고 한다

책에서는 이런 파운데이션 모델 위에 무언가를 만드는 것을 총알 열차에 올라타는 것으로 비유하고 있다

 

모델의 성능이 빠르게 올라가고 있다는 것은 매순간마다 개발에 사용할 비용과 투자, 비용-편익 분석을 업데이트해줘야함을, 발빠르게 움직여야 하는 것을 시사한다

오늘의 최선의 선택이 내일이 되면 레거시가 되버리기도 한다

 

 

 

 

 

AI 애플리케이션 스택

 

AI 애플리케이션 개발을 위해선 어떤 계층으로 이루어져 있는지를 잘 아는 것이 필요하다

상위부터 3개의 계층으로 구성되어 있다

 

 

 

 

애플리케이션 개발

• 모델에 적절한 프롬프트와 필요한 컨텍스트를 제공하는 것을 포함한다
• 이 계층에는 철저한 평가가 필요하며, 좋은 애플리케이션에는 좋은 인터페이스가 필요하다

모델 개발

• 모델링, 학습, 파인튜닝, 추론 최적화를 위한 프레임워크를 포함해 모델을 개발하기 위한 도구를 제공한다
• 데이터가 모델 개발의 핵심이므로 데이터셋 엔지니어링도 포함한다
• 모델 개발 또한 철저한 평가가 필요하다

인프라

• 맨 아래에는 모델 서빙, 데이터와 컴퓨팅 관리, 모니터링을 위한 도구를 포함하는 인프라가 있다

 

 

위의 내용 외에도 ML 엔지니어링과 AI 엔지니어링을 비교하고 어떤 차이점이 있는지, 어떤 영역들을 포함하고 있는지에 대해서도 다룬다

1장은 두 가지 목적을 가지고 있다고 하는데 하나는 파운데이션 모델의 등장으로 이제 AI 엔지니어링이 하나의 분야로 자리 잡게 된 배경을 설명하는 것이고 두번째는 이런 모델을 기반으로 애플리케이션을 만드는데 필요한 과정을 전반적으로 설명하는 것이다

 

또한 자기 지도 학습을 통해 언어 모델이 대규모 언어 모델로 발전하게 된 것부터 언어 모델에 다른 데이터 형태를 통합해 파운데이션 모델이 되는 과정, AI 엔지니어링의 등장으로 이어진 과정을 다루었다

 

 

 

 

 

---

 

 

 

 

2장. 파운데이션 모델 이해하기

 

파운데이션 모델 기반 애플리케이션을 만들려면 먼저 모델이 필요하다

모델을 사용하기 위해선 모델에 대해 하나부터 열까지 어떻게 구성되어 있는지 다 아는 것까지는 아니여도 모델이 어떤 구조이고 어떻게 구성되어 있는지, 어떤 기능을 통해 동작하는지 등등 전반적인 작동 원리를 이해하면 어떤 모델을 선택하고 어떻게 활용할지 결정하는데 도움이 된다

 

파운데이션 모델을 학습시키는 것은 매우 복잡하고 비용이 많이 들며 기밀 유지 사항이기도 하다

해당 장에서는 경쟁력있는 모델 학습 방법이 아닌 실제 서비스 개발할 때 중요한 영향을 미치는 설계 요소들에 대해 다룬다

 

주요 초점을 맞추는 부분은 당연하게도 데이터와 모델, 그 중에서도 학습 데이터를 수집하는 방법과 데이터의 분포를, 현재 대부분 LLM 모델 기반 구조가 되는 트랜스포머이다

 

 

 

 

학습 데이터

AI 모델은 학습한 데이터의 특성에 따라 할 수 있는 일이 정해진다

한영 번역을 하고 싶다면 데이터에 한국어와 영어가 포함되어 있어야하고, 이미지 분류를 하려면 타겟팅한 대상이 이미지 데이터 내에 포함되어야 한다

 

하지만 데이터를 수집하고 가공하여 학습할 수 있게끔 구축하는 과정은 돈..돈... 전부 다 비용이다

이미지의 경우 특수한 상황이나 도메인이나 회사마다 보안상의 이유로 수집하기 어려운 경우가 빈번하며 구매하는 것도 라벨링을 맡기는 것도 모두 비용이다

 

언어 모델이 이러한 데이터 수집 차원에서 큰 장점을 가진다

오늘날까지 인터넷에 축적되어온 수많은 텍스트들을 전부 크롤링해서 긁어올 수 있으니 엄청난 양의 데이터를 가지고 있다고 할 수 있다

물론 이렇게 수집해온 텍스트들 중에도 많은 허위 정보와 에러, 비문들이 있으니 이를 적절하게 가공 및 처리해주는 과정을 필요로 한다

 

텍스트 데이터 중 어떤 언어로 이루어져 있는지도 중요하다

아래 표는 커먼 크롤 데이터셋을 분석한 결과로 영어, 러시아어, 독일어, 중국어, 일본어 순이며 특히 영어가 45%라는 절반에 달하는 비중을 차지하고 있음을 확인할 수 있다

 

 

 

따라서 모델의 최상의 성능을 끌어내는데에는 영어를 사용하는 것을 기본으로 한다

그럼 한국어를 번역해서 영어로 인풋을 주고 나온 아웃풋을 다시 한국어로 번역하는건 어떨까? 라는 생각이 들수도 있고 실제로도 이러한 방법을 많이 사용하지만 여전히 아쉬운 부분이 존재한다

먼저 이러한 방식은 번역을 해줄 수 있는 추가적인 모델이 필요하고 번역 과정에서 정보가 손실될 수도 있다

 

또한 영어가 아닌 언어에서 예상치 못한 성능 문제가 발생하기도 하며, 품질 문제 외에도 모델이 더 느리고 비용이 많이 들 수 있다

 

 

 

모델

 

 

오늘날 언어 기반 파운데이션 모델에서 가장 널리 쓰이는 아키텍처는 트랜스포머이다

트랜스포머에 대한 설명을 다 적기에는 너무 많고 잘 정리된 설명들이 많기에 아래 글들을 참고

 

 

https://login-data.tistory.com/35

Transformer, 도대체 그게 뭔데 - Transformer 편 (1)

 

 

https://wikidocs.net/31379

16-01 트랜스포머(Transformer)

 

 

 

 

 

 

 

 

 

 

---

 

 

 

 

 

 

      마무리

 

 

 

지금까지 책의 개요와 1장, 2장 일부분에 대해서만 간단하게 다뤄보았다

이 리뷰글은 책이 초반부와 대략 어떤 내용인지, 누가 보면 좋을지에 대해서만 적었기에 관심이 생긴다면 구매해서 읽어봐도 좋을 것 같다

이 책의 내용 일부를 보면서 꽤 어렵게 느껴지는 부분이나 이해가 어려웠던 부분들도 있었는데 나중에 회사를 다니면서 참고할 핸드북으로 자리에 두고 두고 읽으면 좋을 것 같다는 생각이 들었다

 

특히 작은 태스크를 다루다가 어느 정도 실무를 겪고 모델 뿐 아니라 관련된 다양한 부분들을 고려할 정도로 시야가 조금씩 트이는 시기에 보면 기초를 잡아줄 수 있는 책이라 느껴졌다

주니어는 주니어대로, 연차가 어느정도 쌓인 중니어와 시니어는 아는만큼 더 보이는, 그런 매력이 있는 책이지 않을까

아직 기술적으로도 너무나 부족하고 시야가 좁은 나로써는 어떻게 책의 내용들을 직접 적용하고 녹이면 좋을지가 떠오르지 않았다

 

시간상 다 읽지 못해 아쉽지만 부스트캠프에서 나중에 프로젝트를 하게 된다면 가이드북으로 또는 베이스라인과 설계, 기획 등에 참고할만한 근거로 사용할 수 있지 않을까싶다

 

 

 

성윤님께서 책 같이 보는 인프런 챌린지를 열어주셨다!! 많관부!!

 

 

 

[완독 챌린지] 『AI 엔지니어링』 5주만에 함께 읽기!

[완독 챌린지] 『AI 엔지니어링』 5주만에 함께 읽기! 챌린지 | 카일스쿨 - 인프런

 

 

 

 

---

 

 

 

 

 

 

언제쯤 산처럼 쌓여있는 개발책들을 다 볼 수 있을까...? 새 것처럼 깨끗한 채로 쌓여만 간다... 올해 연말까지는 한 권이라도 완독해보자.. 😇