어차피 하드웨어마다 컴파일러를 다시 작성해야 한다면, JVM이 가지는 이점이 무엇인가
parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.
None
from : 과거의 어떤 생각이 이 생각을 만들었는가?
- 9_2. title: 추상이란 복잡도와 오해가능성 사이의 트레이드오프가 있는 도구이다.
- 앞의 글에서는 추상화가 주는 장점과 단점을 위주로 다룬다. 이 글에서는 재추상화라는 행위를 구체화한다.
- 9_2.1_1. title: 이미 존재하는 도구들이 어떤 추상화 수준에 존재하는지 이해하려고 노력하면 빠른 학습과 응용이 가능하다.
- 이미 존재하는 도구들을 새로운 기준으로 묶어내는 것도 재추상화다.
- aa2_1. title: 패러다임 변화는 문제정의를 다시 함으로써 온다.
- 추상화 수준을 다시 정의하는 분해는 패러다임과 밀접한 연관이 있다.
- bb2. title: CMake와 같은 높은 추상의 도구들이 나타나기 전에는, 빌드관계를 정의하고 간단한 변수를 선언할 수 있는 스크립트 수준의 간단명료한 Makefile이 있었다.
- Makefile이라는 도구가 있었지만 CMake이라는 도구가 나온 것도 비슷한 맥락이라고 할 수 있다. 이것은 크고 복잡하게 정의된 추상화 수준에 삽질을 때려박아 하나의 더 나은 추상화 수준을 만드는 일이었다.
- bc2_1.1_2. title: 컨테이너 기술은 표준을 위해 계층적으로 구성되어 있다. 도커도 마찬가지다. 도커 엔진은 표준을 지키는 도커 데몬(고수준 컨테이너 런타임)에게 일을 시키고, 도커 데몬은 표준을 지키는 도커 런타임(저수준 컨테이너 런타임)에게 일을 시킨다. 도커 런타임은 컨테이너를 실행한다.
- 도커는 원래 고수준 컨테이너 런타임과 저수준 컨테이너 런타임이라는 존재에 대한 구분이 없을 때 만들어진 크고 복잡한 추상화 수준이었다.
supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?
- ba7.7. title: 인공 신경망의 뉴런은 90%의 시냅스와 가지돌기를 따라 흐르는 스파이크를 전혀 모델링하지 않았다. 만약 이들이 예측 피드백 역할을 수행하는 것이 사실이라면, 현재의 뉴런 구조로 비디오를 학습하거나 3D 표현을 준지도학습하는 것이 매우 비효율적인 셈이다. 신경세포가 어떻게 예측을 수행하는지와 어떻게 피드백을 전달받는지를 밝혀내면 비지도학습, 결합 문제, 센서퓨전 문제에 새로운 패러다임이 열릴 것이다.
opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?
None