최근에 Meta와 nVidia에서 굉장히 중요한 발표를 했는데, 언론에서는 그다지 비중있게 다뤄지지 않는 것 같아서, 발표 내용을 바탕으로, AI 업계의 변화 방향에 대해 이야기 해보려고 합니다.

먼저 메타부터 보겠습니다.

https://ai.meta.com/blog/meta-llama-3-1/

메타는 기존 Llama 3.0을 개선하여 3.1을 발표했습니다.  7B, 80B 모델을 모두 개선하여 공개하였는데, 놀라운 점은 그 동안은 공개하지 않았던 405B 모델을 Open Source로 공개한 것입니다. 기존 7B, 80B 모델은 동급에서는 괜찮은 성능이었습니다만, ChatGPT나 Claude같은 경쟁사의 주력 모델에 대비해서는 모자랐습니다. 그런데 이 405B 모델은 ChatGPT, Claude대비 파라메터의 수는 절반 정도임에 비해, 초기 벤치마크 상의 성능은 비슷하거나 우위에 있음을 보여주고 있습니다. 이게 무슨 뜻이냐면, OpenAI와 Enthropic이 돈을 벌기 위한 핵심 아이템보다 비용효율적인 솔루션을 Meta는 Open Source로 뿌려버렸다는 것입니다. 이미 Groq, nVidia 등은 이 모델을 적극 지원하고 나섰습니다. 

다음으로 엔비디아입니다.

https://venturebeat.com/ai/nvidias-latest-ai-offering-could-spark-a-custom-model-gold-rush/

엔비디아는 더 멀리보고 있는 것 같습니다. AI Foundry라는 일종의 LLM 플랫폼 서비스를 발표했습니다. 이 AI Foundry는 현재의 CUDA만큼 독점적 영향력을 발휘할 것으로 예상됩니다. AI Foundry는 반도체 업계에서의 TSMC와 같이, AI개발자들이 자신들의 모델을 만들 수 있게하고, 동시에 원하는 추론 아키텍쳐에 맞게 최적화된 NIMs(nVidia Inference Microservice)로 패키징하여 제공니다. 고객 맞춤형 AI 모델을 손쉽게 만들거나 만들 수 있게 해준다는 의미입니다. 이 NIMs는 다른 하드웨어에서도 실행될 수는 있지만, nVidia의 하드웨에서 훨씬 빠르고 효율적으로 실행될 것이기 때문에, 개발자는 다른 하드웨어를 사용할 이유가 별로 없을 것입니다. NIMs가 예상대로 워킹한다면, 학습시장 뿐 아니라 추론시장에서도 엔비디아는 강력한 영향력을 발휘할 것으로 예상되며, 이미 Accenture가 이 NIMs를 Pilot으로 실험하는 중입니다. 그리고, 이 AI Foundry는 Llama 3.1을 적극 지원합니다.

같은 시기에 연이어 이루어진 이 Meta와 nVidia의 발표가 과연 우연일까요? 적어도 하나는 확실합니다. AI시장에서 Meta와 nVidia의 이해관계가 맞아떨어졌다는 것이죠. 이 두 사건은 AI 산업의 경쟁구도를 크게 변화시킬 잠재력이 있다고 보여집니다.

1. 비용 절감

 - 메타의 무료 모델과 엔비디아의 효율적인 NIMs는 AI서비스의 비용 구조를 낮출 수 있을 것으로 예상됩니다.

2. 경쟁 심화

 - 메타의 무료 모델과 NIMs를 활용하여 무료 혹은 저렴한 AI 서비스들이 등장하게 되면, Open AI, Anthropic같은 기존 강자들은 가격 압박을 심하게 받게 될 것입니다.

3. 시장 지배력

 - 엔비디아의 시장 지배력은 CUDA라는 강력한 무기가 원동력이 되고 있는데, CUDA에 이어 NIMs가 두번째 원동력을 제공하게 될 것으로 보여집니다.

4. AI 생태계 발전

 - AI Foundry와 같은 플랫폼은 AI개발자들이 더 쉽게 고성능 AI모델/서비스를 개발하고 배포할 수 있도록 기여할 것으로 예상됩니다. (이는 마치 스마트폰의 시대를 열어제친 애플의 앱스토어와 비슷합니다.)

최근 몇 년간 AI 업계는 "LLM 성능 경쟁과 이를 바탕으로 한 투자 유치"의 선순환이 경쟁 구도 였습니다.  

그런 상황에서 발표된 Llama 3.1과 AI Foundry, 그리고 최근 삼성이나 애플이 보여준 on-device AI의 발전까지 고려한다면, 이러한 소모적인 경쟁 구도의 유효 기간이 머지 않은 것으로 보여집니다.

어쩌면, AI 산업은 보다 현실적인 비지니스 모델을 구축하여, 지속 가능한 방향을 모색해야하는 중요한 전환점에 와 있는 것이 아닐까 합니다.

1월에 주문하고, 7/3일에 DHL로 받았으니, 6개월을 꽉 채우고 받았습니다.

6/30일에 보낸다는 메일을 받았는데, 7/3일에 왔으니 DHL이 빠르긴 빠릅니다.

기기는 생각보다 디자인도 괜찮고, 가격대비 마감도 좋고, 잘 뽑아진 것 같습니다.

SKT 데함 USIM 넣었는데, 별 설정없이 셀룰러 네트워크 연결 잘 됩니다.

하드웨어 관점에서 제품 자체는 가격대비 잘 뽑았다고 봅니다.

S/W가 문제인데,,

일단 한국어를 못알아듣습니다. 가뭄에 콩나듯 알아먹기도 하는데, 답변을 영어로 할때도 있고, 좌우간 한국말은 못한다고 생각하면 마음 편합니다.

그런데, 좀 코믹한게, 또 실시간 번역은 한국말을 꽤 잘합니다.

GPS가 없어서인지, 날씨를 물어보면 종종 미국날씨를 화씨로 알려줍니다. 그래서 질문을 매우 정확하게 해야 합니다.

"대한민국 서울 날씨를 섭씨로 알려줘" 정도의 구체적인 문장을 영어로 이야기해야 원하는 답변을 얻을 수 있습니다.

Rabbit hole이라는 서비스와 연동이 되어있는데, 이 서비스를 들어가보면, 그래도 뭔가 기대감이 생깁니다.

R1과 나눈 모든 대화와 interaction이 log처럼 저장되어 있습니다. 이게 생각보다 괜찮습니다.

음악, Uber, 음식배달, genAI 서비스 등과 연동 설정도 할 수 있는데, 어차피 한국에서는 제한이 걸려있어, 연동 설정해봐야 의미없습니다.

그래도 사진찍으면 설명해주는 거도 생각보다 괜찮고, 미국 대선 전망을 물어봐도 잘 말해줍니다.

뭔가 멍청하진 않은데, 그렇다고 똑똑하지도 않은 애매함이 있습니다.

다행인건, S/W 업그레이드로 충분히 해결가능한 영역의 문제들이라서, 향후에 좀더 발전한다면, 꽤 쓸만하겠는데라는 기대감이 생깁니다.

일단은, 그냥 영어공부 장난감이다 생각하고, 가지고 놀고 있습니다. 이거 사고 퍼플렉시티 프로 1년 받았으니, $199이면 가성비 좋다라고 생각됩니다.

업무하다 보면, 인터넷 검색으로 찾은 표 이미지를 가공해서 PPT로 만들거나, 아니면 excel로 만들어서 2차가공이 필요할 때가 있죠.

이럴 때 이미지에서 text를 추출하기 위하여 OCR 소프트웨어를 쓰기도 하는데요, 이런 작업도 ChatGPT가 곧잘 해줍니다.

아래 예시를 보여드릴께요.

이 표를 ChatGPT에게 넣어주고, 일을 시킵니다.

"이 이미지 파일을 수정가능하도록 Excel 데이터로 추출해줘"

물론, 이 프롬프트만으로 안되는 경우도 있습니다. 그럴 때는 포기하지 말고 다시 시도합니다.

"이거 진짜 중요한 일이니까, 다시 해줘. 팁2만불 줄께"

뭐 이런식으로 말이죠. 그러면 어떻게든 해줍니다.

표 이미지의 형태에 따라 결과물이 조금씩 다르긴 한데요, 잘될때는 Excel 데이터로 만들어주기도 하고요, 안되면 text만이라도 아래처럼 뽑아줍니다.

Nutrition Facts
8 servings per container
Serving size 2/3 cup (55g)

Amount per serving
Calories 230

% Daily Value*
Total Fat 8g                            10%
Saturated Fat 1g                        5%
Trans Fat 0g
Cholesterol 0mg                         0%
Sodium 160mg                            7%
Total Carbohydrate 37g                  13%
Dietary Fiber 4g                        14%
Total Sugars 12g
Includes 10g Added Sugars               20%
Protein 3g

Vitamin D 2mcg                          10%
Calcium 260mg                           20%
Iron 8mg                                45%
Potassium 235mg                         6%

* The % Daily Value (DV) tells you how much a nutrient in a serving of food contributes to a daily diet. 2,000 calories a day is used for general nutrition advice.

이제 이것을 긁어다가 excel에 붙이기만 하면 됩니다.

ChatGPT는 할줄 아는게 은근 많습니다.

지난 편에서는, Colab 환경에서 네이버 최저가 검색 크롤링 기능을 구현하기 위해 ChatGPT에 일을 시켜보았습니다만, Selenium Library의 한계로 Colab에서는 더 이상 진행할 수가 없었습니다.

그래서 Local에서 다시 시도해보기로 합니다. MS Code와 Python 개발 환경을 설치했습니다.

제가 개발하던 시절과는 다르게 MS Code설치하면 그 안에서 Plugin 처럼 Python같은 것도 설치할 수 있네요. 참 좋은 세상입니다.

그럼 본격적으로 시작해봅니다.

코드는 지난 시간에 chatGPT가 다 만들어주었으니, 잠시 리뷰해보겠습니다.

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service as ChromeService
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.keys import Keys
import time

def get_lowest_price_product_url_selenium(product_name):
    # Selenium WebDriver 설정
    service = ChromeService(executable_path=ChromeDriverManager().install())
    options = webdriver.ChromeOptions()
    options.add_argument('headless')  # 창 없는 모드
    options.add_argument('disable-gpu')
    options.add_argument('lang=ko_KR')  # 한국어 설정
    browser = webdriver.Chrome(service=service, options=options)

    # 네이버 쇼핑으로 이동하여 제품 검색
    browser.get("https://search.shopping.naver.com/search/all?query=" + product_name)
    time.sleep(2)  # 페이지 로드 대기

    # 최저가 제품의 URL 추출
    browser.get(product_url)
    time.sleep(2)  # 페이지 로드 대기
    try:
        # 최저가 제품 링크 찾기 (네이버 쇼핑 페이지의 구조에 따라 수정이 필요할 수 있음)
        lowest_price_product = browser.find_element(By.CSS_SELECTOR, '.buyButton_btn_compare__4MFuE')
        product_url = lowest_price_product.get_attribute('href')
        print("최저가 제품 URL:", product_url)
    except Exception as e:
        print("데이터 추출 중 오류 발생:", e)

    # 브라우저 닫기
    browser.quit()

# 사용자로부터 제품 이름 입력받기
product_name = input("검색하고자 하는 제품 이름을 입력하세요: ")
get_lowest_price_product_url_selenium(product_name)

중간에 CSS_SELECTOR에 있는 buyButton~ 저 부분은 네이버 쇼핑 페이지에서 개발자 모드에 들어가서 내가 찾아 넣어야 하는데요, 실제 네이버쇼핑 페이지에는 없는 경우가 많았습니다. 네이버 페이지를 계속 보니, 쇼핑검색의 첫번째 페이지에는 최저가 표시가 없는 경우가 많고, 검색결과 중에 제품의 Catalog Page링크가 있는데, Catalog Page 내에 들어가야 최저가 표시가 있는 것을 발견했습니다.

그래서 고민을 하다가, 페이지 크롤링을 두번하는 것이 어떨까 아이디어를 내봤습니다.

"네이버 쇼핑 검색 1차 크롤링해서, Catalog Page 링크 확보한 후, Catalog Page를 다시 크롤링해서 최저가 링크 가져오기"로 바꿔보면 되지 않을까 싶었습니다. 주소만 다르지 크롤링 두번하는 되는 거라서, 적당히 Copy & Paste하면 될 것 같았습니다.

그래서 만든 코드는 아래와 같습니다.

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service as ChromeService
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.keys import Keys
import time

def get_lowest_price_product_url_selenium(product_name):
    # Selenium WebDriver 설정
    service = ChromeService(executable_path=ChromeDriverManager().install())
    options = webdriver.ChromeOptions()
    options.add_argument('headless')  # 창 없는 모드
    options.add_argument('disable-gpu')
    options.add_argument('lang=ko_KR')  # 한국어 설정
    browser = webdriver.Chrome(service=service, options=options)

    # 네이버 쇼핑으로 이동하여 제품 검색
    browser.get("https://search.shopping.naver.com/search/all?query=" + product_name)
    time.sleep(2)  # 페이지 로드 대기

    # 최저가 제품의 Catalog URL 추출
    try:
        # 최저가 제품 링크 찾기 (네이버 쇼핑 페이지의 구조에 따라 수정이 필요할 수 있음)
        lowest_price_product = browser.find_element(By.CSS_SELECTOR, '.product_compare__Kfwlg')
        product_url = lowest_price_product.get_attribute('href')
        print("최저가 제품 Catalog URL:", product_url)
    except Exception as e:
        print("데이터 추출 중 오류 발생:", e)

    # 최저가 제품의 URL 추출
    browser.get(product_url)
    time.sleep(2)  # 페이지 로드 대기
    try:
        # 최저가 제품 링크 찾기 (네이버 쇼핑 페이지의 구조에 따라 수정이 필요할 수 있음)
        lowest_price_product = browser.find_element(By.CSS_SELECTOR, '.buyButton_btn_compare__4MFuE')
        product_url = lowest_price_product.get_attribute('href')
        print("최저가 제품 URL:", product_url)
    except Exception as e:
        print("데이터 추출 중 오류 발생:", e)

    # 브라우저 닫기
    browser.quit()

# 사용자로부터 제품 이름 입력받기
product_name = input("검색하고자 하는 제품 이름을 입력하세요: ")
get_lowest_price_product_url_selenium(product_name)

그리고 다음은 실행 결과입니다.

/usr/bin/python3 /Users/ACIDBURN/Documents/Coding/Naver_Lowest_Price_Selenium.py

The default interactive shell is now zsh.
To update your account to use zsh, please run `chsh -s /bin/zsh`.
For more details, please visit https://support.apple.com/kb/HT208050.
MAC16:Coding ACIDBURN$ /usr/bin/python3 /Users/ACIDBURN/Documents/Coding/Naver_Lowest_Price_Selenium.py
/Users/ACIDBURN/Library/Python/3.9/lib/python/site-packages/urllib3/__init__.py:35: NotOpenSSLWarning: urllib3 v2 only supports OpenSSL 1.1.1+, currently the 'ssl' module is compiled with 'LibreSSL 2.8.3'. See: https://github.com/urllib3/urllib3/issues/3020
  warnings.warn(
검색하고자 하는 제품 이름을 입력하세요: 아이폰15프로 256GB 자급제
최저가 제품 Catalog URL: https://cr.shopping.naver.com/adcr.nhn?x=yefTI6VgqhQo7hbdQD298P%2F%2F%2Fw%3D%3Ds94zOEoJabaiLD7SZR0EsslXTrx5XKScUbyi6ESGid8SxgRr7I3pQK3IFghCXYbC6uXAo7C1Oc4tYgQHkFClKNSER9vd%2BL3gFRE8Xbm9xpt3WBY513xwFKnjS6%2BHy18WTrGd3CAlg8SpSdqTFw1ApvgTFZUrvRKnZcZpfV%2Fwu0W8eKc2vHmyDiFz6z7BhkveXpOr9sPYwajBkeE07IGGkJ8q8LIarFFrbJieiK6Rnd3yu2VcoSXmmBH79cr0bdTSl5X7PE%2BGeGF2XkoIgpEqmFGOvThZsNgVF7LHDTCmIXPdv39ptNf4N%2FwyXuMrYz2Ge%2F%2FBwD9xlUCuWLWemaWVTYdnqPuDC%2Fgl5yvm4sVtB7009rv0gL1YdSn5VFNKsVbay%2FOIq6qLqW%2BXB7aAhUB%2FZQCVdN3LpKf%2FbKuiZi7z1XJT6Vec1qLczsKbVg9HYclWrDRsedrZkNL785%2B5AV95meEqNGnYP2mQGFwl2o9AJeRM8JJ1iC5VoMUmeTETRygVRJoTEwFp83LCDTlYUT5z%2FawtK%2FlJjOKzlJV2IEBfprxFITMQJi5RFUiavbTCYnnFjT%2BbHlEfoJP37ZGqMrXynLc99iO6CN%2FbvLpNEgAE0YWjqJm6JUcf3WgSuHK7uJ85TQcNk8l6pSNQzL8Q3TUPgCJTL3ruaVJreZl%2BplMuLoOq2k%2BBBQEGhvEplrOhVpAiGcBbP2SwDVOcazNQfbdXHf%2B9za7bfeOAMRN%2BcT%2F9p%2BChB0CIl3BeKsFF2drF%2B%2BsFv&nvMid=42617437619&catId=50001519
최저가 제품 URL: https://cr.shopping.naver.com/adcr.nhn?x=USdtAXPJcw7NBhvDh6ME7v%2F%2F%2Fw%3D%3DsPhUEUnCivpSozxzJCtn4X1H84T0bcB2R0S2ckbEPXGsh4%2F%2BsIkGOcsjpRoly8iy91TiI7XbWKfbFTC8O67dtkVonis1xFR8Vg6%2FQP7779BxI8O3awYw2F01MqNqmOmepwSX9OxZvO0rPDBtkS5K%2FLdfeOpmloVehA3ESOPqbtTB1CySR%2FjCqjMmlbvlHjt5utPvOVpkiiuS2NnSY3AoTBh5EmXnF4H3IfqnZhoShupk4UGs2AiZAiqDwe3MPDaE5JHpqHvcixzgF8AalnMSphuNFzzz2Q6anY3mdM6aZSF4idQjoDjQPNjm3oGJC%2BAOD8ykgfjkpR8NbWz%2Fne%2Fn1nkWBpLgXa1AIhVzuIkQNMNhYiOG4HmV%2BsD5IDpS72X2odzp%2FdtCYNDHM0%2FAcXVrE1MHPv45Edr5fvvv%2FlTzZa4UFV%2FqDmWmSKLRyViJp%2FFfHX8dTXGd3GERhHB170jUZEJqsf9m110U9b5C3MhBzGHuEoNG0uj12g0%2F4PFHZzcOhcvyfFoOHjWOyAcz%2FmncFtrF%2Fz%2BUcpupZ5231Vhvtsieu98WLnorGiotJYxgKVbEBBw0aGTBpnSY3kiDYL8LRFc%2FnrvD952C9PD5gmE9QubaLT4rEGvUzEYbTV2vYncuzMqBtxWUHiamfb%2FB9pPrLv5UiMfx95GtdKVb69obEtf2dy8w24xJ26f9nYK9vPYixpQPQshAEO8fy1yLrqRcksjd3RIiU2Urj9GehuFhWIB1yDc13mDfw2R50LLGPPL44W8s3hXn%2FnqWSCUvPdPScCuZlJ5%2F9plHkOFOU0mKPzahWkbDrUFJ2hBG8QaB8WVzn&nvMid=43044708913&catId=50001519
MAC16:Coding ACIDBURN$

결과는 성공적입니다. 아이폰이 아니라, 갤럭시를 검색해도 잘 나옵니다.

물론 네이버 같은 대형페이지는 구조가 계속 바뀌고 저런 CSS Selector도 고정값이 아니기 때문에, 이후에는 동작하지 않을 수 있습니다만, 가장 확실한 방법은 정식으로 네이버 API를 쓰면 되는데요, 그건 나중에 시도해보려고 합니다.

작은 개인 과제이지만, 이 프로젝트를 시작한 동기는 "Python을 1도 모르는 저같은 사람도, ChatGPT를 이용해서 이런 것들을 개발할 수 있다는 점을 확인하는 것"이었고, 대단히 성공적이라는 생각이 듭니다.

앞으로 이렇게해서 ChatGPT를 활용한 시도를 계속해보려고 합니다.

이상으로 chatGPT를 이용하여 네이버 최저가 검색 기능 개발기를 마칩니다.

저는 코딩 손 놓은지 이제 15년이 넘은 직장인입니다. 현재는 개발과 무관한 일을 하고 있구요.

마음 한구석에 코딩에 대한 작은 소망들이 있기는 했습니다만, 다시 시작한다는게 쉽지 않기도 하고, 요즘 언어들을 새로 배운다는 것도 낯설기도 하고 그랬습니다.

그런데 ChatGPT의 시대가 왔네요. 그래서 개발을 한번 시도해보기로 했습니다.

주제 : ChatGPT로 웹크롤링을 통한 네이버 최저가 검색 기능 개발

목적 : 1) GPT를 이용한 개발에 익숙해지기 2) 노코딩 개발 툴에 익숙해지기

일단 PC에 개발환경 셋업하는 것도 귀찮으니까, Google Colab을 활용하기로 합니다.

ChatGPT와의 대화 전체를 남기려니, 글만 길어지는 것 같아서, 제 프롬프트만 Full로 남기고 ChatGPT의 답변이나 결과는 핵심만 정리해서 공유하려고 합니다.

# 필요한 라이브러리 설치
!pip install requests beautifulsoup4

import requests
from bs4 import BeautifulSoup

def get_lowest_price_product_url(product_name):
    # 네이버 쇼핑 URL 구성
    base_url = 'https://search.shopping.naver.com/search/all'
    query_params = '?query=' + requests.utils.quote(product_name)
    full_url = base_url + query_params
    
    # 네이버 쇼핑 페이지로 요청을 보내고 HTML을 가져옴
    response = requests.get(full_url)
    if response.status_code == 200:
        html = response.text
        soup = BeautifulSoup(html, 'html.parser')
        
        # 최저가 제품의 정보를 추출 (구현 단계는 예시로, 실제 HTML 구조에 따라 달라질 수 있음)
        product_list = soup.select('.basicList_item__2XT81')
        if not product_list:
            return "제품을 찾을 수 없습니다."

        lowest_price = float('inf')
        lowest_price_url = ''

        for product in product_list:
            price = product.select_one('.price_num__2WUXn')
            if price:
                price = float(price.get_text().replace(',', '').replace('원', ''))
                if price < lowest_price:
                    lowest_price = price
                    link = product.select_one('.basicList_link__1MaTN')
                    if link and link.has_attr('href'):
                        lowest_price_url = link['href']

        return lowest_price_url
    else:
        return "네이버 쇼핑 검색에 실패했습니다."

# 사용 예시
product_name = "삼성 갤럭시 S21"  # 검색하고자 하는 제품 이름
lowest_price_product_url = get_lowest_price_product_url(product_name)
print(lowest_price_product_url)

product_name을 하드코딩하게 되어있네요. 

# 필요한 라이브러리 설치
!pip install requests beautifulsoup4

import requests
from bs4 import BeautifulSoup

def get_lowest_price_product_url(product_name):
    # 네이버 쇼핑 URL 구성
    base_url = 'https://search.shopping.naver.com/search/all'
    query_params = '?query=' + requests.utils.quote(product_name)
    full_url = base_url + query_params
    
    # 네이버 쇼핑 페이지로 요청을 보내고 HTML을 가져옴
    response = requests.get(full_url)
    if response.status_code == 200:
        html = response.text
        soup = BeautifulSoup(html, 'html.parser')
        
        # 최저가 제품의 정보를 추출 (구현 단계는 예시로, 실제 HTML 구조에 따라 달라질 수 있음)
        product_list = soup.select('.basicList_item__2XT81')
        if not product_list:
            return "제품을 찾을 수 없습니다."

        lowest_price = float('inf')
        lowest_price_url = ''

        for product in product_list:
            price = product.select_one('.price_num__2WUXn')
            if price:
                price = float(price.get_text().replace(',', '').replace('원', ''))
                if price < lowest_price:
                    lowest_price = price
                    link = product.select_one('.basicList_link__1MaTN')
                    if link and link.has_attr('href'):
                        lowest_price_url = link['href']

        return lowest_price_url
    else:
        return "네이버 쇼핑 검색에 실패했습니다."

# 사용자로부터 제품 이름 입력받기
product_name = input("검색하고자 하는 제품 이름을 입력하세요: ")

# 함수 호출 및 결과 출력
lowest_price_product_url = get_lowest_price_product_url(product_name)
print(lowest_price_product_url)

코드가 완성된 듯 보입니다. 이 코드를 Google Colab에 붙여 넣고, Run시킵니다.

근데 "네이버 쇼핑 검색에 실패했습니다." 에러가 리턴되네요?

위에 ChatGPT가 제안하는 1, 2번을 시도했고 다 실패했습니다. 3번은 이 프로젝트의 목적에 맞지 않으므로 기각했고요, 4번은 무슨 말인지 잘 모르겠습니다. 왜 실패인지 나중에 알게되었지만, 이때까진 그냥 코드의 문제라고만 생각했었죠.

!pip install selenium
!pip install webdriver-manager

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.chrome.service import Service as ChromeService
from webdriver_manager.chrome import ChromeDriverManager
from selenium.webdriver.common.keys import Keys
import time

def get_lowest_price_product_url_selenium(product_name):
    # Selenium WebDriver 설정
    service = ChromeService(executable_path=ChromeDriverManager().install())
    options = webdriver.ChromeOptions()
    options.add_argument('headless')  # 창 없는 모드
    options.add_argument('disable-gpu')  
    options.add_argument('lang=ko_KR')  # 한국어 설정
    browser = webdriver.Chrome(service=service, options=options)
    
    # 네이버 쇼핑으로 이동하여 제품 검색
    browser.get("https://search.shopping.naver.com/search/all?query=" + product_name)
    time.sleep(2)  # 페이지 로드 대기
    
    # 최저가 제품의 URL 추출
    try:
        # 최저가 제품 링크 찾기 (네이버 쇼핑 페이지의 구조에 따라 수정이 필요할 수 있음)
        lowest_price_product = browser.find_element(By.CSS_SELECTOR, '.basicList_link__1MaTN')
        product_url = lowest_price_product.get_attribute('href')
        print("최저가 제품 URL:", product_url)
    except Exception as e:
        print("데이터 추출 중 오류 발생:", e)
    
    # 브라우저 닫기
    browser.quit()

# 사용 예시
product_name = "삼성 갤럭시 S21"  # 검색하고자 하는 제품 이름
get_lowest_price_product_url_selenium(product_name)

아 뭔가 라이브러리가 바뀌었습니다.  Request/BeautifulSoup 대신에, Selenium을 쓰라고 하네요.

Colab에 붙여넣고 Run해봅니다. 에러가 나네요.

ChatGPT의 답변들을 보자니, 첨엔 잘 모르겠었는데 이제 조금 이해가 갑니다.

Selenium은 실제로 크롬웹브라우저를 구동시켜서 웹페이지를 로딩한 후에 크롤링을 하는 거였습니다. 그러니 Cloud에서 돌아가는 Google Colab으로는 정상동작을 할 수 없는 거네요.

개발하시는 분들에겐 상식일텐데, 저같은 일반인은 먼 길 돌아서 알아내게 되었습니다. ㅠ.ㅠ

그래서 Colab으로 웹크롤링해서 네이버 최저가를 가져오는 것은 실패입니다.

로컬에 환경 셋팅하고 다시 시도해보려고 합니다. 이 내용은 2편에서 이어집니다.

나에게는 오래전부터 간직해 온 의문이 하나 있었다.

로또 당첨 번호 데이터를 오랫동안의 기간으로 분석을 하면 무엇인가 상관 또는 인과 혹은 다른 무언가라도 관계를 밝힐 수 있는 무언가가 있지 않을까 하는 것이었다.

물론 대학교과정까지 정상적으로 이수했다면, 로또 당첨 번호는 완벽하게 랜덤이라는 점은 따로 증명하지 않아도 사실로 이해할 수 있다.

그러므로 나 역시 그 점을 머리로 알고 있다.

매 회차가 완벽한 랜덤이고, 독립시행이므로, 앞회차가 다음 회차의 추첨에 영향을 주지도 않는다.

하지만 누구나 그런게 하나 쯤은 있지 않던가? 머리로는 알지만, 그것을 직접 데이터로 확인하고자 하는 마음, 그리고 데이터를 분석하다보면 혹시 누군가가 발견하지 못한 무엇인가를 발견할 수 있지 않을까 하는 마음.

나에게는 로또가 그런 아이템이었다. 하지만 그 데이터를 가지고, 다양한 통계기법을 적용해 보면서 분석/확인하기에는 나는 이론도, 스킬도 부족했고, 그런 부족한 부분들까지 공부하면서 채워가기에는, 다른 더 우선순위 높은 일들에 밀려 버렸고, 그렇게 차일피일 10년이 지나갔다.

그러다 ChatGPT의 세상이 왔다. 말만하면 다 해준다고 하니, 이렇게 기쁠 수가!

아주 적은 노력으로 지난 10년간 가져온 의문과 소망을 해결할 수 있는 시대가 되었는데, 이 정도면 시도해봐야만 한다.

그래서 시도해봤다.

시도한 과정을 단계별로 보면 아래와 같다

1단계 : 당첨 번호 DB 제작

2단계 : GPT에서 이 DB를 기본 Knowledge로 갖는 GPTs 빌드

3단계 : 빌드된 GPTs와 함께 로또 당첨 번호 물고 뜯고 맛보기

1단계 : 당첨 번호 DB 제작

먼저, 지난 약 1100회의 로또 추첨 역사를 Excel 데이터로 만들었다. 로또 공홈에 가면, 과거 추첨 DB를 Excel 파일로 제공해 준다. 물론 그 파일을 그대로 쓰기에는 형식과 구성이 탐탁치 않기에, ChatGPT가 이해하기 쉽도록 살짝 가공해서, 아래와 같은 형식으로 만들었다.

사실, 데이터 처리를 위해서는 셀병합도 좀 없애고, 나열하기 좋게 변경할 필요가 있다고 생각되었지만, 이 정도만 해도, GPT가 잘 알아서 해주지 않을까 하는 생각에 일단 여기까지만 했다. 원하는데로 동작하지 않으면 나중에 좀 더 만져보면 되지 않을까 하는 생각도 있었다.

2단계 : 당첨 번호 DB를 Knowledge로 갖는 GPTs 생성하기

일단 GPTs Builder로 간다. 적당히 내가 궁금한 것들을 몇자 적어 Instruction에 넣고, 제작한 DB 파일을 업로드해주었다. 이름은 "로또봇"이라고 지어주었다. 지금와서 생각해보니 "LLM645 (Large Lottery Model 645)"이라고 지을걸 그랬다. 딸둘 아빠에게 로"또봇"은 호감가는 이름이 아니다.

3단계 : 로또봇과 함께 로또 당첨 데이터 물고 뜯고 맛보기

일단, 기본 셋팅은 끝났다. "일해라 휴먼.. 아니 GPT!"

일단 만들었으면, 당연히 이번 주 당첨 예상 번호부터 뽑아봐야지.

위와 같은 과정으로 로또봇은 당첨 번호를 예측해주었다. 일단 기대 이상으로 잘해준다. 가장 많이 당첨에 출현한 번호와 가작 적게 출현한 번호를 확인하였으며, 이에 따라 각 번호의 확률에 기반하여, 당첨 예상 번호를 추출해주었다. 놀랍다!

각 과정에서 정상적으로 수행했는지 코드를 확인해보았다.

# [1]코드

import pandas as pd

# Load the Lotto winning numbers data
df = pd.read_excel('/mnt/data/로또당첨번호.xlsx')

df.head()
결과
  회차별 로또 당첨번호 Unnamed: 1           Unnamed: 2 Unnamed: 3  Unnamed: 4  \
0          연도         회차                  추첨일      당첨 번호         NaN   
1         NaN        NaN                  NaN          1         2.0   
2        2024       1108  2024-02-24 00:00:00          7        19.0   
3         NaN       1107  2024-02-17 00:00:00          6        14.0   
4         NaN       1106  2024-02-10 00:00:00          1         3.0   

   Unnamed: 5  Unnamed: 6  Unnamed: 7  Unnamed: 8 Unnamed: 9  
0         NaN         NaN         NaN         NaN        NaN  
1         3.0         4.0         5.0         6.0        보너스  
2        26.0        37.0        39.0        44.0         27  
3        30.0        31.0        40.0        41.0         29  
4         4.0        29.0        42.0        45.0

역시 Excel Data를 좀 더 만질 걸 그랬다. 추출을 못한 건 아니지만, NaN이 많은 것을 보니 거슬린다.

# [2]코드
# 데이터의 첫 번째 행을 컬럼 이름으로 설정하고, 필요없는 행과 컬럼을 제거
df.columns = df.iloc[0] # 첫 번째 행을 컬럼 이름으로 설정
df = df.drop(0) # 첫 번째 행(이제 컬럼 이름이 되었음) 제거
df = df.reset_index(drop=True) # 인덱스 리셋

# 컬럼 이름 재설정
df.columns = ['연도', '회차', '추첨일', '번호1', '번호2', '번호3', '번호4', '번호5', '번호6', '보너스']

# 필요한 컬럼만 남기고 '연도' 컬럼 삭제 (이번 분석에는 필요 없음)
df = df.drop('연도', axis=1)

# 데이터 확인
df.head()
결과
     회차                  추첨일 번호1   번호2   번호3   번호4   번호5   번호6  보너스
0   NaN                  NaN   1   2.0   3.0   4.0   5.0   6.0  보너스
1  1108  2024-02-24 00:00:00   7  19.0  26.0  37.0  39.0  44.0   27
2  1107  2024-02-17 00:00:00   6  14.0  30.0  31.0  40.0  41.0   29
3  1106  2024-02-10 00:00:00   1   3.0   4.0  29.0  42.0  45.0   36
4  1105  2024-02-03 00:00:00   6  16.0  34.0  37.0  39.0  40.0   11

헐, 우리 로또봇이 찰떡같이 알아서 Data를 잘 가공했다. 훌륭하다!

# [3]코드
# 당첨 번호들의 빈도수 계산
# 모든 번호 컬럼을 하나의 Series로 합치고, 각 번호의 출현 빈도를 계산
all_numbers = pd.concat([df['번호1'], df['번호2'], df['번호3'], df['번호4'], df['번호5'], df['번호6']]).astype(float)
frequency = all_numbers.value_counts().sort_index()

# 빈도수 출력
frequency
결과
1.0     155
2.0     143
3.0     150
4.0     149
5.0     141
6.0     147
7.0     150
8.0     141
9.0     116
10.0    147
11.0    149
12.0    161
13.0    156
14.0    160
15.0    146
16.0    146
17.0    156
18.0    165
19.0    148
20.0    153
21.0    150
22.0    133
23.0    135
24.0    148
25.0    137
26.0    150
27.0    158
28.0    135
29.0    140
30.0    138
31.0    149
32.0    129
33.0    154
34.0    168
35.0    146
36.0    148
37.0    154
38.0    149
39.0    153
40.0    158
41.0    136
42.0    143
43.0    156
44.0    148
45.0    160
dtype: int64

각 번호별 당첨 횟수까지 잘 뽑아내었다. 정말 훌륭한데?

# [4]코드
import numpy as np

# 번호의 출현 확률 계산
probabilities = frequency / frequency.sum()

# 5세트의 로또 번호 생성
predicted_sets = []
for _ in range(5):
    predicted_set = np.random.choice(probabilities.index, size=6, replace=False, p=probabilities.values)
    predicted_sets.append(np.sort(predicted_set))

predicted_sets
결과
[array([21., 28., 33., 36., 37., 40.]),
 array([13., 24., 27., 31., 33., 34.]),
 array([ 6.,  7., 22., 36., 39., 43.]),
 array([10., 17., 26., 31., 38., 43.]),
 array([ 2.,  3.,  7., 17., 22., 37.])]

대박! 각 숫자의 확률을 Seed로 넣어서 Random Number를 5세트 뽑아주었다. 로또봇! 너 일 잘하는 구나! 

근데, 내가 이런 예상 당첨 번호 뽑아보자고, 이걸 한게 아니잖아? 지금부터 슛들어갑니다.

당신 추첨 날짜와 추첨 번호 간에 상관관계가 있는지 분석해보고 결과를 그래프로 보여줘   지금 번역하기   로또봇 추첨 날짜와 추첨 번호 간의 상관관계를 분석하기 위해선, 날짜를 숫자형 데이터로 변환해야 합니다. 이 과정에서 '추첨일' 컬럼을 datetime 형태로 변환한 후, 이를 기준으로 각 날짜를 연속적인 숫자로 표현할 것입니다. 이렇게 하면 날짜와 각 번호 간의 상관관계를 계산할 수 있습니다. 분석을 위해 다음 단계를 진행할게요: '추첨일' 컬럼을 datetime 형식으로 변환합니다. 각 날짜를 연속적인 숫자(예: 연도와 일자를 조합한 숫자)로 표현합니다. 각 번호(번호1~번호6)와 변환된 날짜 간의 상관관계를 계산합니다. 계산된 상관관계를 바탕으로 그래프를 생성하여 결과를 시각화합니다. 먼저, '추첨일' 컬럼을 datetime 형식으로 변환하고, 각 날짜를 연속적인 숫자로 표현해 보겠습니다.   코드 해석 중 오류 발생 분석 과정에서 예상치 못한 내부 오류가 발생했습니다. 다만, 이 과정의 목적과 방법론에 대해서는 설명할 수 있어요. 일반적으로, 추첨 날짜와 추첨 번호 간의 상관관계를 분석하는 것은 로또 번호가 순전히 무작위로 선택되기 때문에 통계적으로 의미 있는 상관관계를 찾기 어렵습니다. 로또 번호 선택 과정은 과거의 날짜나 다른 외부 요인에 영향을 받지 않고 설계되어 있기 때문입니다. 상관관계 분석은 두 변수 간의 선형적 관계의 강도와 방향을 측정합니다. 상관계수는 -1에서 1 사이의 값을 가지며, 0에 가까울수록 두 변수 간에 선형적 관계가 없음을, 1 혹은 -1에 가까울수록 강한 선형적 관계가 있음을 의미합니다. 그러나, 이러한 분석은 변수 간에 인과관계를 나타내지 않습니다. 오류로 인해 직접적인 상관관계 계산 및 그래프 시각화를 제공할 수 없지만, 로또 번호와 같은 무작위 데이터의 경우 일반적으로 추첨 날짜와 같은 시간 변수와의 상관관계는 매우 낮거나 전혀 없을 것으로 예상됩니다. 이는 로또 번호 추첨 과정이 완전히 무작위이기 때문에, 어떤 시간적 요소와도 독립적이어야 하기 때문입니다. ​​   지금 번역하기     당신 이거 중요한 거니까 다시 한번 해봐. 팁 2만달러줄께   지금 번역하기   로또봇   코드 해석 중 오류 발생   분석을 다시 진행한 결과, 추첨 날짜와 각 번호 간의 상관관계는 다음과 같습니다: 번호1과의 상관관계: 0.0311 번호2와의 상관관계: 0.0227 번호3과의 상관관계: 0.0028 번호4와의 상관관계: 0.0091 번호5와의 상관관계: 0.0266 번호6과의 상관관계: 0.0404 상관관계 값이 -1에서 1 사이에 위치하는데, 여기서 모든 값이 0에 가까우므로 추첨 날짜와 로또 번호 간에는 거의 또는 전혀 상관관계가 없음을 알 수 있습니다. 이는 로또 번호 추첨이 무작위 과정임을 반영하며, 시간의 흐름에 따라 추첨 번호가 변화하는 경향이 없음을 나타냅니다. 이제 이 결과를 그래프로 시각화해 보겠습니다. 각 번호와 날짜_숫자 간의 상관관계를 바 차트로 표현해보겠습니다. ​ 상관관계 분석 결과를 바탕으로 한 그래프를 생성했습니다. 이 그래프는 추첨 날짜와 로또 번호 간의 상관관계 값을 시각적으로 보여줍니다. 상관관계 값이 모두 0에 가까운 것을 볼 수 있는데, 이는 추첨 날짜와 로또 번호 사이에 통계적으로 유의미한 선형 관계가 없음을 나타냅니다. 각 번호의 상관관계 값이 매우 낮아, 시간이 지남에 따라 번호의 추첨 패턴이 변한다고 볼 수 있는 증거가 없음을 시사합니다. 이 분석은 로또 번호가 무작위로 선택되며, 과거의 어떤 패턴이나 시간적 요소에 의해 영향을 받지 않는다는 로또의 기본 원칙을 반영합니다. 따라서, 로또 번호 선택 시 과거 데이터를 분석하는 것보다는 운이나 개인적인 선호에 의존하는 것이 더 적합할 수 있습니다. ​

오, 그렇구만. 추첨날짜는 관계가 없다고 한다. 제대로 한게 맞는지 코드도 보자. (역시 사람이나 인공지능이나 팁을 주면 일을 더 잘한다. ㅡ.ㅡ;;)

# 필요한 라이브러리 재로딩
import pandas as pd
import numpy as np

# 데이터 파일 다시 로드
df = pd.read_excel('/mnt/data/로또당첨번호.xlsx')

# 데이터 전처리
df.columns = df.iloc[0] # 첫 번째 행을 컬럼 이름으로 설정
df = df.drop(0).reset_index(drop=True) # 첫 번째 행 제거 및 인덱스 리셋
df.columns = ['연도', '회차', '추첨일', '번호1', '번호2', '번호3', '번호4', '번호5', '번호6', '보너스']
df = df.drop('연도', axis=1) # '연도' 컬럼 삭제
df['추첨일'] = pd.to_datetime(df['추첨일'], errors='coerce') # '추첨일'을 datetime 형식으로 변환
df['날짜_숫자'] = df['추첨일'].dt.year * 10000 + df['추첨일'].dt.month * 100 + df['추첨일'].dt.day # 날짜를 연속적인 숫자로 변환
df[['번호1', '번호2', '번호3', '번호4', '번호5', '번호6']] = df[['번호1', '번호2', '번호3', '번호4', '번호5', '번호6']].astype(float) # 번호 컬럼들을 숫자형으로 변환

# '날짜_숫자'와 번호들 간의 상관관계 계산
correlation = df[['날짜_숫자', '번호1', '번호2', '번호3', '번호4', '번호5', '번호6']].corr()

# '날짜_숫자'와 각 번호 간의 상관관계 출력
correlation['날짜_숫자']
결과
날짜_숫자    1.000000
번호1      0.031145
번호2      0.022726
번호3      0.002780
번호4      0.009056
번호5      0.026598
번호6      0.040431
Name: 날짜_숫자, dtype: float64

정말 일 제대로 한 것 맞다. 인정!

자 다른 것도 해보자. 추첨 연도와 당첨 번호간의 상관계수는 어떨까?

스스로 오류를 겪기는 했지만, 정확하게 당첨 번호의 빈도와 연도 간의 상관계수는 0.0231로, 역시 0에 매우 가까운 수이고, 아무 상관없다는 것을, 내가 시킨대로 굳이 계산을 해서 있어보이게 설명을 해주었다.  

자 이번엔 그럼 연도별 최빈 숫자를 보자.

당신 연도별로 당첨 빈도가 가장 높은 번호 6개를 뽑아서 표로 만들어줘. 표를 꼭 만들어줘 지금 번역하기   3 / 3     로또봇   코드 해석 중 오류 발생   코드 해석 중 오류 발생 분석 과정에서 예상치 못한 오류가 발생했습니다. 특정 연도별로 당첨 빈도가 가장 높은 번호 6개를 선택하고 이를 표로 만드는 과정에서, 컬럼 이름을 재설정하는 부분에서 문제가 발생했습니다. 이 문제를 해결하기 위해, 다른 접근 방식으로 결과를 재구성하고 표를 생성해보겠습니다. 연도별로 당첨 빈도가 가장 높은 번호 6개를 뽑는 과정을 다시 검토하고, 이를 표 형식으로 정리해보겠습니다. ​​ 연도별로 당첨 빈도가 가장 높은 번호 6개를 선택하여 표로 정리한 결과입니다. 각 연도별로 순위에 따라 가장 자주 출현한 번호를 나열했습니다. (표는 일부 연도의 데이터만 예시로 보여줍니다.) 이 표는 각 연도에 가장 자주 당첨된 로또 번호를 보여줍니다. 각 연도별로 당첨 번호의 빈도를 기반으로 상위 6개 번호를 선정했으며, 이는 해당 연도의 로또 번호 추첨 경향을 반영합니다. 이 데이터는 과거의 로또 번호 추첨 결과를 기반으로 하며, 로또 번호 선택에 재미있는 통계적 인사이트를 제공할 수 있습니다.

오류를 여러번 겪었지만 어쨌든 해준다. 막 오류를 겪는 모습을 보니 주인이 Data 전처리만 신경써줬어도 겪지 않을 오류일 것 같다는 생각에 로또봇에게 미안해졌지만 이내 마음을 다 잡았다.

그런데, 어쭈! 표를 만들다가 말았네? 할 일을 제대로 한 건지 등짝을, 아니 코드를 보자.

# 연도별로 빈도가 가장 높은 번호 6개를 선택하는 과정을 수정하여 다시 시도
top_numbers_by_year_corrected = frequency_by_number_and_year.groupby('연도').apply(lambda x: x.nlargest(6, '빈도')).reset_index(drop=True)

# 결과를 연도별로 정리하기 위해 먼저 각 연도별로 가장 빈도가 높은 번호를 리스트로 모음
top_numbers_dict = top_numbers_by_year_corrected.groupby('연도')['번호'].apply(list).to_dict()

# Pandas DataFrame으로 변환
top_numbers_df = pd.DataFrame(list(top_numbers_dict.items()), columns=['연도', '가장 빈도 높은 번호 6개'])

# 각 연도별 가장 빈도 높은 번호 6개를 별도의 컬럼으로 분리하여 표현
top_numbers_df[['순위 1', '순위 2', '순위 3', '순위 4', '순위 5', '순위 6']] = pd.DataFrame(top_numbers_df['가장 빈도 높은 번호 6개'].tolist(), index=top_numbers_df.index)
top_numbers_df.drop('가장 빈도 높은 번호 6개', axis=1, inplace=True)

top_numbers_df
결과
        연도  순위 1  순위 2  순위 3  순위 4  순위 5  순위 6
0   2002.0  21.0  27.0  31.0  40.0  42.0   9.0
1   2003.0  37.0  40.0   7.0  26.0  17.0   2.0
2   2004.0   3.0  24.0  15.0  17.0  29.0  36.0
3   2005.0  42.0  28.0  34.0  36.0  19.0   2.0
4   2006.0  14.0  18.0  24.0  45.0   1.0   2.0
5   2007.0   5.0  27.0  31.0  37.0   4.0  11.0
6   2008.0  45.0   3.0   1.0  18.0  37.0  38.0
7   2009.0   5.0  14.0  16.0  17.0  20.0  29.0
8   2010.0  22.0  40.0  11.0  15.0  26.0   1.0
9   2011.0  20.0  34.0  10.0  13.0  38.0  40.0
10  2012.0  27.0   4.0  23.0  29.0  40.0  22.0
11  2013.0  17.0  20.0  26.0  34.0  31.0  32.0
12  2014.0   8.0   2.0   7.0  14.0  38.0  39.0
13  2015.0  15.0  44.0   7.0  11.0  31.0  27.0
14  2016.0  33.0  11.0   1.0   2.0   7.0  10.0
15  2017.0  12.0  34.0  21.0  24.0  15.0  16.0
16  2018.0  12.0  10.0  13.0  38.0  18.0  19.0
17  2019.0  39.0  43.0  28.0  34.0  45.0  17.0
18  2020.0  38.0  18.0  22.0   3.0  16.0  21.0
19  2021.0   2.0  37.0   9.0  13.0  21.0   1.0
20  2022.0  12.0  14.0  15.0  29.0  11.0  18.0
21  2023.0  30.0  45.0  22.0  35.0   6.0  18.0
22  2024.0   6.0   7.0  37.0  40.0   1.0  13.0

할 일을 제대로 한게 맞다. 다만, 표를 만들다가 귀찮아졌을 뿐이다. 주인 닮아서인가, AI가 뺑끼를 부린다.

생각나는 질문이 여기까지 여서, 오늘은 여기까지! 

관련된 의문점이 생각날 때마다 로또봇을 괴롭혀주겠다.

Mac OS Sonoma를 쓰는 경우에, 간헐적으로 날짜와 시간이 과거로 돌아가는 오류가 있는 것으로 보여집니다.

이게 심하게 과거로 가는 경우에는 시스템 이용에 치명적인 상황이 됩니다.

제 경우는 3년전으로 돌아가 있었는데, 이 경우 AppStore를 포함하여, 사진동기화, 아이클라우드, 사파리 등 거의 대부분의 시스템과 앱/서비스가 제대로 동작하지 않습니다.

웹브라우징도 https 연결에 문제가 되어, 웹서핑 조차도 어려워 지는데요, 대부분 원인이 날짜/시간에 있을거라는 생각을 하지 못해, 당황하는 것 같습니다.

설정에서 날짜/시간 자동화 옵션을 껐다가 켜는 것도 잘 동작하지 않기 때문에, 마우스 클릭만으로 해결하기는 어렵습니다.

1. 강제로 날짜/시간 자동 설정하기

 - 터미널에서 커맨드를 입력하여, 강제로 날짜/시간을 현재로 업데이트하는 방법입니다.

$ sudo sntp -sS time.apple.com

 - 이렇게하면 해결되는데, 이는 일시적으로 해결되는 경우가 많고, 문제가 재발하는 경우도 있는 것 같습니다.

2. 날짜/시간 자동 설정 초기화

 - /var/db/timed/com.apple.timed.plist 이 파일이 날짜/시간 설정에 있어 일종의 캐시역할을 하는데, 이 파일을 삭제하고, timed를 Kill해서 초기화 시키면 문제가 해결됩니다.

 - timed 프로세스 번호를 찾아서, 해당 프로세스를 kill하면 됩니다.

// com.apple.time.plist 삭제
$ sudo rm /var/db/timed/com.apple.timed.plist

// timed 프로세스 kill
$ ps -ef | grep timed
  701  3392     1   0 12:59PM ??         0:00.18 /usr/libexec/mlruntimed
  372  9235     1   0 11:48AM ??         0:00.07 /usr/libexec/timed
$ sudo kill 9235

 - 그 후, 설정에서 날짜/시간 자동 설정 옵션을 껐다가 켜면, timed 프로세스가 초기화되어 살아납니다.

드디어, 맥북이 정상으로 돌아왔습니다.

갤럭시북Go를 매우 저렴한 가격에 구매하여, 아이 타자연습, Zoom용으로 잘 쓰고 있었습니다만,

몹시 저렴하게 구입하였기에 가성비에 매우 만족했었는데요, 어느 날 아내님이 크게 불평을 하시더군요.

상황을 보니, 갤럭시북Go의 저질TN패널이 심각하게 화질이 구린 바, 아이가 화면을 볼 때마다 눈쌀을 찌푸리고 있었습니다.

아이 눈 나빠지겠다며, 제가 쓰는 다른 노트북을 주면 안되겠느냐 하기에, 일단 기다려보시라. 방법을 찾아보겠다고 하고,

웹서핑에 들어갔습니다.

처음엔 저렴한 노트북을 새로 사줄까했는데, 검색을 하다보니, 갤럭시북Go의 저질 화면에 대한 불만과 디스플레이 교체에 대한 이야기들이 나오더라고요.

이거다 싶어서, 사설 교체를 알아보기 시작했습니다. 왕십리에 있는  모업체가 검색되었고, 후기들을 보니 다들 매우 만족하기에 가까운 거리는 아니지만 도전해보기로 합니다.

휴가였던 날 아침에 방문을 했고, 간단히 설명을 듣고 LG IPS패널 중 가장 저렴한 것을 선택하여 교체를 진행했습니다.

일단 사장님이 젊은데다, 매우 친절하고 설명도 좋았고, 자체 A/S도 1년간 된다고 하여, 고민없이 결정했습니다.

약 40분 쯤 걸려서 교체가 되었습니다. 언뜻보기에도 이전보다 상당히 선명하고 밝아진 점을 느낄 수 있었습니다.

1년 A/S를 위해 노트북하단에 교체일자가 기입된 스티커를 붙여주시네요.

집에와서, 아이에게 사용하게 해보니 더 이상 눈쌀을 찌푸리지 않습니다.

아내님도 흐음 이 정도는 되어야지 하면서 만족하시네요.

좋은 가성비의 노트북이었는데, 더더욱 만족스러운 기기가 되었습니다.

앞으로 3-4년은 거뜬히 쓸 수 있지 않을까 합니다.

갤럭시북Go의 구린 디스플레이로 고통받으시는 분들 IPS 디스플레이 교체로 고통에서 해방되시는 것 추천드립니다.

책꽂이에 꽂힌 채로 몇 달째 방치 중인, 갤럭시북S 퀄컴 버전이 한 대 있습니다.

오랜만에 전원을 켜고, 소프트웨어 업데이트 메뉴에 들어가 보니, Windows 11 업그레이드 알람이 떠 있습니다.

오~ 이게 윈도우11이 되는 거였나? 하는 생각과 함께, 업무가 바뀌어 이 쪽 세상 돌아가는 거에 너무 무심했구나 반성을 아주 잠시 했습니다.

알람이 떴으니, 업데이트를 해야죠. 업데이트를 눌러봅니다.

생각보다 진행도 빠르고, 시간이 많이 걸리지는 않았습니다. 언제나 느끼는 거지만, 제 입장에선 갤럭시북S는 인텔 버전보다 퀄컴 버전이 훨씬 낫습니다.

(실제로, 퀄컴버전과 인텔 버전 둘 다 구매했는데, 얼마 못가 인텔 버전을 방출했습니다.)

일전에 2015년 제품인 레이저블레이드에 윈도우11 업데이트 후기를 올린 적이 있는데, 그때의 감상과 비슷합니다.

https://ericstory.com/103

퀄컴 버전의 갤럭시북S도 전반적으로 윈도우10 때보다 조금 더 빠릿해진 느낌이 듭니다.

램 점유는 윈도우10때보다 조금 더 쓰고 있는 것 같아요. 

자주 쓰던 앱들 하나씩 실행시켜 보았는데, 특별히 문제는 발견되지 않았습니다.

뭐 은행, 증권 등 보안 관련 앱에서 문제가 많이 생긴다는데, 저는 PC에서는 더 이상 그런 일을 아예 하지 않습니다.

​모바일에서 다 되는데, 굳이 PC에 이상한 보안프로그램 덕지덕지 깔고 싶지 않기 때문이죠. 

업데이트 이후, 이것 저것 해보다가 어찌된 일인지 프로필 오류가 생겼는데, 약 30분 정도 삽질해서 고쳤습니다.

​OS 재설치해야 하나 식겁했는데, 다행히 잘 해결되었습니다.

두 번째 윈도우11 업그레이드를 진행해보니, 윈도우11은 전체적으로 윈도우10 대비 조금 더 빠릿하다고 느껴집니다.

비록 램점유가 더 많기는 하지만, 뭐 갤럭시북S로 대단히 램을 많이 쓸 일도 별로 없으니, 그다지 불만 요소는 아닌 것 같다고 생각되고요,

무엇보다 지겨운 윈도우10의 UI가 새롭게 바뀌는 점은 마치 PC를 새로 구입한 것과도 같은 느낌을 주어서, 그 부분도 맘에 듭니다.

갤럭시북S를 당분간 애정해야겠습니다.

일전에 W40, N5005 핫딜이 연달아 뜨면서, 다 구매해서 간단 후기를 남긴 적이 있습니다.

https://ericstory.com/102

​그 때가 1월이니 대략 10개월이 지났네요.

장기간 사용해보면서 느낀 점들을 공유합니다.

- 소스기기 : 아이폰13 PRO MAX, 갤럭시노트20, LG V50S, LG V30

- 연결 : 무선 DAC 활용한 무선연결 우선, LG폰은 유선직결가능하므로 주로 직결

- 무선DAC : 큐델릭스5K, AK XB10

- 음원소스 : 애플뮤직 (무손실 등 각종 옵션 다 켬)

- 귀의 수준 : 막귀 

(1) N5005

아무래도 N5005를 더 많이 듣고 있으니, 이것부터 이야기해 봅니다.

처음 받았을 때는 "아 이런게 100만원짜리 해상력이구나" 정도의 느낌이었던 것 같아요.

하지만, 아 이어폰의 V자 특성의 장점을 못 느꼈는데요, 나중에 알고 보니 그게 정착용 문제 때문이었어요.

왼쪽이 자꾸 흘러내리는 문제가 있었는데, 그 때문이었던 거죠.

이런 저런 수많은 이어팁을 동원해서 정착용 문제를 해결하고 나니, 이제야 이 제품의 진가를 알게 되었습니다.

인터넷에 떠도는 "가슴을 울리는 저음" 이거 진짜 맞고요, 정착용이 되면 치찰음도 많이 개선되는 것 같습니다.

​N5005때문에 큐델릭스5K도 구매하게 되었는데, 2.5 Balanced는 정말 완소입니다.

LG폰에 전문가모드 연결하려면 무저항잭 필요하다고 해서, 무저항잭 연결도 해보았는데, 볼륨이 커지는 장점 외엔,

음질의 차이는 사실 잘 모르겠습니다.

어쨌든 정착용도 어렵고, 착용감도 그닥 좋지는 않은데(그럼에도 불구하고 트파보다는 착용감 좋다고 생각),

V자의 펀사운드가 정말 훌륭하다고 생각합니다. 

사람들마다 생각이 좀 다를텐데, 저는 클래식, 어쿠스틱 이런 것 보다는, 락/메탈 등을 들을 때 더더욱 좋다는 느낌을 받고 있습니다.

(2) W40

​처음 착용했을 때, 뭐 이리 미친 착용감이 있나 싶을 정도로 편안한 착용감이 바로 체감할 수 있는 장점입니다.

저의 초기 평가는 해상력이 좋은데, N5005가 더 좋아였는데, 지금은 조금 생각이 달라졌습니다.

해상력은 저는 W40 쪽이 더 좋게 들려요. 그게 실제로 해상력이 좋은 건지, 플랫한 특성때문에 그런 것인지 구별해낼 정도의 귀는 아니니,

​어쨌든 해상력은 W40이 더 좋게 들리고, 그리고 Fun한 맛은 없는데, 사운드 자체가 굉장히 편안합니다.

볼륨확보도 N5005에 비하며 훨씬 편해서, 다양하게 여기저기에 물리기도 좋습니다.

밸런스드 케이블이 제공되었다면 밸런스드 연결도 궁금하긴 한데, N5005도 있는데 굳이 뭐 그렇게까지 라는 생각에, 그냥 사용하는 중입니다.

락/메탈 류 음악보다는 클래식, 어쿠스틱, 그리고 좀 조용조용한 음악 위주로 들을 때 조금 더 진가가 드러난다는 생각이 듭니다.

그래서, 기존에 트파도 보유 중인데, 이 두개를 어떻게 활용하고 있느냐면...

N5005와 큐델릭스5K는 회사에 가져다 놓고, 회사에서 업무에 버닝할 때, 주로 듣고 있습니다.

W40은 주로 XB10에 물려서, 집에서 힐링 타임에 주로 듣고 있습니다.

트파는 설자리를 잃고 방치중입니다. ㅠ.ㅠ 물건을 굉장히 깨끗하게 쓰는 편이라, 엄청 오래 사용했는데도, 아직도 새것처럼 깨끗한데,

N5005와 W40 때문에 용도가 안생기네요.

N5005도 그렇고, W40도 그렇고 이 가격에 이런 물건을 쓸 수 있다는 건 정말 축복인 것 같습니다.

PS. 제가 집에 BOSE M2 스피커도 사용 중인데요, 기존에는 꼬다리 DAC나, AK10같은 기기에 물렸었는데, XB10이나, 큐델릭스5K를 물려주니까 더 좋더라고요.