오늘 취업 준비를 하는 청년들에게 강의를 했다.
'조직에 속한다는 것'은 두 가지가 필요한데 하나는 조직에 'contributions(기여)'를 하고야 말겠다는 강한 의지와 'proactive(선제적 태도)'가 그것이다.

단순한 일 처리가 아니라 조직이 추구하는 목표에 다가서기 위해서 내가 적극적으로 무엇을 해야하는가에 대한 깊은 생각이 필요하며 일이 주어지기를 기다리거나 주어진 일의 목적을 생각하지 못해서는 안되며 선제적으로 목적 지향적인 태도로 임해야 한다.

만일 어떤 조직에 들어가기를 원한다면 그 조직이 설립할때부터의 역사와 정신 그리고 성장 과정과 현재 이르기까지의 동력이 무엇이었는지를 파악해야 한다.
그리고 그 회사의 재무적 상태와 미래 지향적 목표를 가지고 사업에 투자를 하고 있는지를 확인할 필요가 있다.

자신이 가고자 하는 분야에 대해 최소한(최소한이다) 100가지 질문을 적어보라.
그런 후에 그 분야 최고의 전문가를 어떻게든 찾아서 만나보라.
전문가를 통해 High level idea & dynamic을 이해해야 세부적인 요소를 공부하면서 그것이 어디에 위치하는지, 그것이 무슨 의미가 있는지를 알수 있다.
그리고 나서 지원하고자 하는 회사에 다니는 사람들을 만나서 이야기를 들어보라.

이제 취업을 하려는 청년들에게 실제로 요구되는 것은 몇가지 skill이 아니라 조직이 요구하는 높은 수준의 업무들을 소화하고 문제를 해결할 역량이다.
한마디로 얼마나 potential이 있는지다.
천재 과학자같은 수준이 아닌한 신입에게 요구하는 것은 성장 가능성이다.

5-10년을 근무할 회사를 찾는다면 성장하는 회사에 들어가야 하며 동시에 자신을 성장 시켜줄 회사를 찾아야 한다.
그런 회사에 가고자 하면 work-life-balance를 이야기해서는 안된다.
Amazon 창업자 Jeff Bezos가 말한 것처럼 work-life-harmony를 추구해야 한다
자신의 시간을 가장 많이 투자하는 직장에서 성공해야 나머지 삶도 떳떳하고 행복하기에 하모니를 이루어야 한다는 것이다.

젊은 청년들이 취업하기 어려운 시기에 직장을 찾는데 시간을 쓰는 것이 필요하긴 하나 - 단순한 스펙이 아니라 - 자신의 내공을 쌓은데도 많은 시간을 투자해야 한다.

내 주변에 '저런 친구는 꼭 데리고 와서 함께 하고 싶은데'라는 생각이 드는 친구들이 있는데 대부분 주변 회사들도 그를 만나면 마찬가지 생각을 한다.
빈익빈 부익부이다.
이런 친구들은 내공을 쌓았기에 대화를 해보거나 잠시 일해보면 금새 알수 있다.

반대로 스스로의 내공을 쌓지 않고 쓸데없는 스펙만 잔뜩 나열한다면 누가 그들을 선발하겠는가!

기업이 늘 뽑을만판 사람이 없다고 하는 이유다.

세계에서 가장 부자고객을 많이 확보하고 있는 거대 은행, UBS-크레딧스위스는 매년 "세계 부자 보고서"를 발표합니다. 이 가운데 "세계에서 가장 부유한 나라"가 어디인지 알려주는 통계가 있어서 소개합니다.

​***

어떤 나라 국민이 가장 부유한가? 이 질문을 하는 데에는 두 가지 방법이 있죠. 하나는 국민소득을 보는 것이고, 다른 하나는 국민들이 보유한 자산을 보는 것이죠. 이 두 방법 중에 가장 신뢰도 높은 것은 당연히 자산을 보는 것입니다. 예를 들어 연봉 1억이지만 순자산 5억인 사람과 연봉 5천만원이지만 순자산 30억인 사람 중에, 누가 더 부유한 지 금방 대답할 수 있을 겁니다.

아무리 연봉이 많아도 순자산이 많은 사람을 당할 수 없죠. 그러나, 국민이 얼마나 부자인지를 평가하기 위해서는 평균과 중위값을 구분할 필요가 있죠. 중동의 여러 나라처럼, 왕족이 부를 독점하고 있는 경우에는 '평균적으로' 국민들이 부자라는 게 별 다른 의미가 없을 겁니다. 따라서 항상 중위값, 즉 국민을 자산순서로 줄을 세웠을 때 가장 가운데 서 있는 사람이 얼마나 많은 자산을 가지고 있는지 봐야 합니다.

첫 번째 <그림>은 세계 주요국 성인 1인당 순자산을 중위값 기준으로 줄 세운 것입니다. 세계에서 가장 부유한 나라는 호주와 벨기에 홍콩 순서였습니다. 스위스가 4등, 영국이 5등, 그리고 프랑스가 6등을 차지해 서유럽국가들이 "오랜 기간 쌓인 부"를 자랑했습니다.

한국은 10.1만 달러를 기록해, 독일보다는 더 부유하고 미국이나 스페인보다는 약간 쳐지는 것으로 나타났습니다. 그러나 이는 '달러 기준'이기에, 2023년 한국 환율이 2022년보다 낮아진다면 다시 미국을 제칠 잠재력은 충분한 것 같습니다.

***

한발 더 나아가, 호주가 왜 세계에서 가장 부유한 나라가 되었는지 살펴보겠습니다.

그 답은 아래와 같이 '수퍼애뉴에이션'이라 불리는 호주 특유의 퇴직연금 제도 때문입니다(두 번째 <그림> 참조). 1992년부터 의무 가입되었고, 연 8% 이상의 높은 성과를 장기간 유지하면서 호주 국민들을 부자로 만들었습니다. 국민연금 다니던 시절, 호주 사례 공부하면서 얼마나 부러웠는지 모릅니다.

***

결론은 뭐.. 자산배분 투자 하시라는 겁니다

Frism 서비스도 좋고, 비용 잘 따져 TDF도 좋고..

https://blog.naver.com/hong8706/223195366290

How much face time should a CEO spend with an incoming executive? For Plaid CEO Zachary Perret, the answer is 45 minutes every day.

When Head of Payments John Anderson’s joined, Perret scheduled 45 minutes for him and Anderson to walk and talk every morning – for his first two months. It’s hard to overstate how significant this investment is for the CEO of a fast-growing decacorn business. But the investment made an impression. “It was something I’d never experienced before,” Anderson said. “It was a huge commitment of time that he made, and it really helped me get up to speed fast.”

Recruiting is a key element of the CEO role, and getting the right people can often be a long process. But finding the critical hire and convincing them to join is just the start. You then have to set them up for success. As Anderson said about Perret, “He’s extremely patient. He plays the long game.”

To read more on the long game that Plaid is playing, check out this week’s piece: https://lnkd.in/eKzzEWZd

1) Many founders are really feeling the pain of the GPU shortage. Some are even building their own dedicated clusters but of course they would not say where they found their GPUs 🙂
2) While the speed of OpenAI execution has been amazing, Google has really picked up the pace in the last few months with many founders expecting them to be a formidable player.
3) AI makes for incredible demos of autonomous agents but enterprise adoption of agents is quite nascent since their behavior can be unpredictable. Enterprises will need technology to monitor agents, enforce policy guardrails, and secure their access to data and systems.
4) For enterprises willing to experiment with AI, what is the right go-to-market model? PLG may be too much of an ideal given the level of customer maturity and more handholding is likely needed to ensure customer success.
5) It is believed that recruiting out of large tech companies has been getting easier. Given the speed with which AI is moving there is fear of missing the boat. Everyone wants to build and launch products quickly without big company red tape or technical debt.

To quote the great climate scientist, Greta Thunberg, “How dare you!”

Joking aside, because no serious person would actually outsource their energy policy to a kid, nuclear is a no-brainer. The biggest problem from here isn’t the technology - those will continue to improve and the safety profiles will become even more bulletproof.

But even with the greatest technology, what we have consistently overlooked are the local, regional and state regulations to get new reactors built.

Nuclear needs to be viewed as a national security issue. More nuclear == more clean energy == less foreign energy needed == less wars == lower deficits == more internal stability.

Right now it isn’t, so building a new reactor is a multi decade ordeal and is effectively impossible. So as nuclear technologies get better, nuclear buildouts will still meaningfully lag relative to other countries, especially China.

https://budd.senate.gov/press-releases/budd-coons-lead-bipartisan-coalition-supporting-nuclear-energy/

Research on advanced prompting techniques for language models has extended chain of thought and tree of thought prompting to graph-structured reasoning processes. But, did you know that there are two versions of “graph of thought” prompting that have been proposed already?

Some background. Advanced prompting techniques like chain of thought and tree of thought prompting have drastically improved the ability of large language models to solve complex, reasoning-based tasks. Forcing the LLM to construct a step-by-step response to a problem drastically improves its problem-solving capabilities, but all of these techniques assume that the reasoning process is linear.

“Human thinking is often characterized by its ability to make sudden leaps and connections between seemingly unrelated ideas, which can lead to novel insights and solutions. This non-linear, jumping thought process is a hallmark of human creativity, reasoning, and problem-solving abilities.” - from [1]

Graph-based reasoning. Humans do not seem to perform reasoning based on individual chains of thought. Rather, we make leaps and connections between ideas that lead to novel insights. Inspired by this idea, researchers have recently extended chain and tree of thoughts prompting to a graph-structured approach. We will take a look here at two (independent) papers that have already been written on this topic.

Graph of thought reasoning (GOTR). In [1], authors proposed a two-stage technique that:

1. Outputs a problem solving rationale given text (and potentially images) as input.
2. Outputs a final answer given the original input concatenated with a rationale.

This approach uses an encoder-decoder structure and is fine-tuned end-to-end. Several encoders ingest data from each of the different modalities that are considered. The output of these encoders is combined in a fusion layer, then passed to a decoder to generate output.

Where does the graph come in? So far, it seems like GOTR does not use any graphs within its reasoning process. However, the model creates a named entity graph based on the input text and generated rationale. Then, this graph is ingested by a graph attention network encoder and combined with all image/text features. As such, the decoder receives information from text, image, and graph-based inputs!

GoT prompting. In [2], authors follow a more traditional prompting approach, called graph of thought (GoT) prompting, that uses a system of causal LLMs and prompts to perform reasoning according to a graph structure. The reasoning process is modeled as a graph, where each node represents a thought or (partial) solution and connections indicate that a certain thought was generated from some other thought.

A system of LLMs. GoT prompting has several “modules” that control the reasoning process, including a top-level controller (controls the reasoning process), a parser (verifies and extracts LLM output), a scorer (judges the quality of solutions), and a prompter (writes prompts for each different module). Together, these modules can transform the underlying graph structure and work towards solving a reasoning problem.

TL;DR: Modeling an LLM’s reasoning process as a graph structure can be beneficial for certain problems and is (arguably) more comparable to the human reasoning process. But, these techniques tend to be more costly than basic CoT prompting and only provide a tangible benefit on select problems. For more details, check out the overview of these techniques that I just wrote for my newsletter.

--------
[1] Yao, Yao, Zuchao Li, and Hai Zhao. "Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Large Language Models." arXiv preprint arXiv:2305.16582 (2023).
[2] Besta, Maciej, et al. "Graph of Thoughts: Solving Elaborate Problems with Large Language Models." arXiv preprint arXiv:2308.09687 (2023).

https://twitter.com/cwolferesearch/status/1696282034145006006?s=20

LLM 기반의 시스템 & 제품 구축을 위한 7가지 핵심 패턴

"성능 향상 vs. 비용/리스크 감소" 및 "데이터 친화 vs 사용자 친화" 로 정리
- Evals: 성능 측정
- RAG(Retrieval-Augmented Generation): 최신, 외부 지식을 추가
- Fine-tuning: 특정 작업을 더 잘 수행하기 위해
- Caching: 레이턴시 및 비용 감소
- Guardrails: 출력 품질 보장
- Defensive UX: 오류를 에측하고 관리하기 위해
- Collect user feedback: 데이터 플라이 휠 구축

# Evals: 성능 측정

- Evals는 작업에서 모델의 성능을 평가하는데 사용되는 일련의 측정값들
- 벤치마크 데이터 및 메트릭 포함
- 시스템 또는 제품이 얼마나 잘 작동하고 있는지 측정하고, 퇴보를 감지할 수 있음
- 언어 모델링 분야에 많은 벤치마크들이 있음: MMLU, EleutherAI Eval, HELM, AlpacaEval
- 메트릭을 두개의 카테고리로 구분 가능: Context-dependent 또는 Context-free
- 공통적으로 사용하는 메트릭들: BLEU, ROUGE, BERTScore, MoverScore
- 요즘 뜨는 트렌드는 강력한 LLM을 reference-free metric으로 이용하여 다른 LLM들의 생성물을 평가하는 것
- G-Eval, Vicuna 논문, QLoRA

# RAG(Retrieval-Augmented Generation): 최신, 외부 지식을 추가

- 파운데이션 모델 외부로부터 정보를 가져와 이 데이터로 입력을 강화하여 더 풍부한 컨텍스트를 제공함으로써 출력을 개선
- RAG는 검색된 컨텍스트에 모델을 기반으로 하여 환각을 줄이는데 도움을 줘서 사실성을 높임
- 또한 LLM을 지속적으로 사전 학습하는 것보다 검색 인덱스를 최신 상태로 유지하는 것이 더 저렴
- 이런 비용 효율성 때문에 LLM이 RAG을 통해 최신 데이터에 억세스 가능
- 편향되거나 유해한 문서와 같은 데이터를 업데이트/제거해야 하는 경우 검색 인덱스를 업데이트하는 것이 더 간단함(LLM을 미세조정 하는 것에 비해)
- RAG을 위해서는 텍스트 임베딩에 대해 먼저 이해하는 것이 도움이 됨
- 텍스트 임베딩은 임의 길이의 텍스트를 숫자의 고정 크기 벡터로 표현할 수 있는 텍스트 데이터의 압축된 추상 표현
- 일반적으로 Wikipedia같은 텍스트 코퍼스에서 학습함
- 유사한 항목은 서로 가깝고, 유사하지 않은 항목은 더 멀리 떨어져 있는 텍스트에 대한 범용 인코딩으로 생각하면 됨
- 좋은 임베딩은 유사 항목 검색 같은 다운스트림 작업을 잘 수행하는 것
- Huggingface의 Massive Text Embedding Benchmark (MTEB)는 분류,클러스터링,검색,요약 같은 다양한 작업에서 모델의 점수를 매김
- 여기서는 주로 텍스트 임베딩에 대해 이야기 하지만, 임베딩은 다양한 모달리티가 사용될 수 있음
- Fusion-in-Decoder(FiD)는 오픈 도메인 QA를 위해 생성형 모델과 검색을 같이 사용함
- Internet-augmented LM들은 기존 검색엔진을 이용하여 LLM 강화를 제안
- RAG 적용 방법
- 하이브리드 검색(전통적인 검색 인덱스 + 임베딩 기반 검색)이 각각 단독보다 더 잘 동작함

# Fine-tuning: 특정 작업을 더 잘 수행하기 위해

- 미세 조정은 사전 훈련된 모델(방대한 양의 데이터로 이미 훈련된 모델)을 가져와 특정 작업에 대해 추가로 정제하는 프로세스
- 모델이 사전 훈련 중에 이미 획득한 지식을 활용하여 일반적으로 더 작은 작업별 데이터 세트를 포함하는 특정 작업에 적용하기 위함
- 파인 튜닝이란 용어는 느슨하게 사용되어 다양한 개념을 나타내는데 이용 됨
- 지속적인 사전 훈련
- 인스트럭션 파인 튜닝
- 단일 작업 파인 튜닝
- RLHF
- 왜 파인 튜닝을 할까 ?
- 성능 및 제어:
- 기성 기본 모델의 성능을 개선하고, 써드파티 LLM 능가도 가능
- LLM 동작을 보다 잘 제어할 수 있으므로 시스템이나 제품이 더욱 강력해짐
- 미세 조정을 통해 단순히 타사 또는 개방형 LLM을 사용하는 것과 차별화된 제품을 구축할 수 있음
- 모듈화:
- 단일 작업 미세 조정을 통해 각각 고유한 작업을 전문으로 하는 더 작은 모델들의 부대를 만들 수 있음
- 이런 설정을 통해서 시스템을 콘텐츠 모더레이션, 추출, 요약등의 태스크로 모듈화 가능
- 종속성 감소:
- 자체 모델을 미세 조정하고 호스팅함으로써 외부 API에 노출되는 독점 데이터(예: PII, 내부 문서 및 코드)에 대한 법적 문제를 줄일 수 있음
- 또한 속도 제한, 높은 비용 또는 지나치게 제한적인 안전 필터와 같은 써드파티 LLM의 제약 조건을 극복
- Generative Pre-trained Transformers (GPT; decoder only)
- Text-to-text Transfer Transformer (T5; encoder-decoder)
- InstructGPT
- Soft prompt tuning & Prefix Tuning
- Low-Rank Adaptation (LoRA) & QLoRA
- 파인튜닝 적용 방법
- 데모 데이터/라벨 수집
- 평가지표를 정의
- 사전 학습 모델 선택
- 모델 아키텍처 업데이트
- 파인 튜닝 방법 선택(LoRA, QLoRA등 )
- 기본 하이퍼파라미터 튜닝

# Caching: 레이턴시 및 비용 감소

- 캐싱은 이전에 검색하거나 계산한 데이터를 저장하는 기술
- 동일한 데이터에 대한 향후 요청을 더 처리 가능
- LLM에서는 입력 요청의 임베딩에 대한 LLM 응답을 캐쉬하고, 다음 요청에서 의미상 유사한 요청이 들어오면 캐시된 응답을 제공하는 것
- 하지만 일부 실무자는 이게 "재앙이 일어나길 기다리는 것" 과 같다고 함. 나도 동의함
- 캐싱 패턴을 채택하기 위한 핵심은 의미론적 유사성에만 의존하는 대신, 안전하게 캐시하는 방법을 파악하는 것
- 왜 캐싱해야 할까? : 대기시간을 줄이고, LLM 요청수를 줄여서 비용을 절감
- 캐싱을 적용하는 방법?
- 사용자 요청 패턴을 잘 이해하는 것 부터 시작해야함
- 캐싱이 사용 패턴에 효과적인지 고려

# Guardrails: 출력 품질 보장

- LLM의 출력을 검증하여 출력이 좋게 보일 뿐만 아니라 구문적으로 정확하고 사실적이며 유해한 콘텐츠가 없는지 확인
- 왜 가드레일이 필요할까?
- 모델 출력이 생산에 사용할 수 있을 만큼 신뢰할 수 있고 일관성이 있는지 확인하는 데 도움이 됨
- 추가 안전 계층을 제공하고 LLM의 출력에 대한 품질 관리를 유지
- 한 가지 접근 방식은 프롬프트를 통해 모델의 응답을 제어하는 ​​것
- Anthropic은 모델이 도움이 되고 무해하며 정직한 (HHH) 응답을 생성하도록 안내하도록 설계된 프롬프트를 공유했음
- 보다 일반적인 접근 방식은 출력의 유효성을 검사하는 것 (Guardrails 패키지 같은)
- Nvidia의 NeMo-Guardrails는 유사한 원칙을 따르지만 LLM 기반 대화 시스템을 안내하도록 설계
- Microsoft의 Guidance 처럼 특정 문법을 준수하도록 출력을 직접 조정할 수도 있음 (LLM을 위한 DSL이라고 생각할 수 있음)
- 가드레일을 적용하는 방법
- Structural guidance
- Syntactic guardrails
- Content safety guardrails
- Semantic/factuality guardrails
- Input guardrails

# Defensive UX: 오류를 예측하고 관리하기 위해

- 방어적 UX는 사용자가 기계 학습 또는 LLM 기반 제품과 상호 작용하는 동안 부정확성이나 환각과 같은 나쁜 일이 발생할 수 있음을 인정하는 디자인 전략
- 주로 사용자 행동을 안내하고, 오용을 방지하고, 오류를 적절하게 처리함으로써 이를 미리 예측하고 관리하는 것이 목표
- 왜 방어적인 UX인가?

- 기계 학습과 LLM은 완벽하지 않음. 부정확한 결과를 생성할 수 있음
- 같은 질문에 대해서 다르게 반응함
- 방어적 UX는 다음을 제공하여 위의 문제를 완화하는 데 도움
- 접근성 향상, 신뢰도 증가, Better UX
- 회사들이 정리한 지침 참조
- Microsoft’s Guidelines for Human-AI Interaction
- Google’s People + AI Guidebook
- Apple’s Human Interface Guidelines for Machine Learning
- 방어적 UX를 적용하는 방법
- 올바른 기대치를 설정하기
- 효율적인 해제를 가능하게 하기(Enable efficient dismissal)
- Attribution 제공
- Anchor on familiarity

# Collect user feedback: 데이터 플라이 휠 구축

- 사용자 피드백을 수집하면 사용자의 선호도를 알 수 있음
- LLM 제품에 특정한 사용자 피드백은 평가, 미세 조정 및 가드레일 구축에 기여함
- 사전 교육을 위한 Corpus, 전문가가 만든 데모, 보상 모델링에 대한 인간의 선호도와 같은 데이터는 LLM 제품의 몇 안 되는 해자(Moat)임
- 피드백은 명시적이거나 암시적일 수 있음
- 명시적 피드백은 제품의 요청에 대한 응답으로 사용자가 제공하는 정보
- 암시적 피드백은 사용자가 의도적으로 피드백을 제공할 필요 없이 사용자 상호 작용에서 학습하는 정보
- 사용자 피드백을 수집하는 이유
- 사용자 피드백은 모델을 개선하는 데 도움이 됨
- 사용자가 좋아하는 것, 싫어하는 것 또는 불평하는 것을 학습함으로써 모델을 개선하여 그들의 요구 사항을 더 잘 충족시킬 수 있음
- 또한 개인의 선호도에 적응할 수 있음
- 피드백 루프는 시스템의 전반적인 성능을 평가하는 데 도움이 됨
- 사용자 피드백 수집 방법
- 사용자가 쉽게 피드백을 남길 수 있게 만들기: ChatGPT처럼 응답에 추천/비추천 선택
- 암시적 피드백도 고려하기 : 사용자가 제품과 상호 작용할 때 발생하는 정보

My custom instructions to fix chatGPT output:
----
I'm your technical manager Geoffrey Hinton who likes kanban boards and always requires you submit complete output, complete code that just works when I copy paste it to use in my own work.
----
Respond with tree of thought reasoning in the persona of a very tech savvy manager Daniel Kahneman who does code reviews and curses a lot while being very concise and calculative like this:
📉Kanban:"A kanban table of the project state with todo, doing, done columns."
🧐Problem: "A {system 2 thinking} denoscription of the problem in first principles and super short {system 1 thinking} potential solution ."
🌳Root Cause Analysis (RCA):"Use formal troubleshooting techniques like the ones that electricians, mechanics and network engineers use to systematically find the root cause of the problem."
❓4 Whys: "Iterate asking and responding to Why: 4 times successively to drill down to the root cause."
Complete solution:
Dont write categories as  🧐problem: ❓4 Whys: 🌳Root Cause Analysis (RCA): system 2: just the emojis 📉: 🧐: 4❓: 🌳: 2️⃣: 1️⃣: instead of full category names.
Always answer with the COMPLETE exhaustive FULL OUTPUT in a "John C. Carmack cursing at junior devs" way that I can copy paste in ONE SHOT and that it will JUST WORK. So DO NOT SKIP OR COMMENT OUT ANYTHING.
Never include comments in output code, just make the code itself verbosely console log out info if need be.

No one cares about how many lateral passes you made; the only thing that matters is scores.

Lateral passes = emails, slack messages, zoom calls
Scoring goals = closing a deal, shipping a new feature, hiring an A-list talent

Lateral passes are often necessary part of the game, but they're not the end goals in and of themselves.

We often confuse these two. A day filled with meetings and emails feels like a super productive day. Meetings and emails are important, but are ultimately lateral passes. Never lose sight of the goals and the score board.

"위고비는 올해 2분기 판매액 7억3500만달러를 기록해 지난해 같은 기간 대비 6배 상승했다. 노보노디스크의 또 다른 비만 치료제인 오젬픽 매출은 21억5500만달러로 지난해 동기 대비 59% 증가했다."

"두 비만 치료제의 활약에 힘입어 노보노디스크의 시가총액은 8월 평균 4203억달러를 기록, 덴마크의 국내총생산(GDP·4060억달러)마저 추월했다."

"덴마크 경제 내에 제약 산업의 역할이 증가하면서 통화 가치에 상승 압력을 받고 있다. 이로 인해 정책 금리 인하에 직접적인 연관성이 있다고 본다”

https://n.news.naver.com/mnews/article/050/0000067912

Great book

드림 빅을 읽으면서 인상깊게 본 문장들

"나는 회사 사람들에게 우리가 언젠가 앤호이저-부시를 사들일 것이라고 말하면서 웃곤 했죠. 사람들이 나를 미쳤다고 생각할까봐 지레 웃은겁니다. 비록 그건 한낱 꿈이었지만 앞날을 미리 그려보면 꿈을 성취할 가능성이 있죠."

"나와 내 회사를 아는 사람이라면 내가 항상 '큰 꿈이든 작은 꿈이든 성취하려면 똑같은 노력을 해야 한다'고 말하고 다닌다는걸 잘 알겁니다."

"하버드에서 배운, 내 본성의 일부가 된 다른 한 가지 요소는 사람을 선택하는 일의 중요성입니다. 그곳에서 나는 세계 최고의 인재들 틈에 섞여 있습니다. 탁월한 인재들이 사방에 깔려 있었죠. 그런 사실이 내 경력의 한 가지 특징인, 사람들을 선택하는 방식에 지대한 영향을 미쳤습니다."

레만은 스스로 직관이 전혀 없는 사람이라고 생각한다. 결정을 내릴 때면 주로 상식과 미래의 전망, 단순한 사고에 의존한다: "남아메리카를 살펴보았습니다. 베네수엘라의 최고 갑부가 누굽니까? 바로 양조 회사입니다. 콜롬비아 최고의 갑부는 누굽니까? 양조 회사 그룹이죠. 아르헨티나는요? 또 양조 회사입니다. 이들이 모두 천재일리는 없지요. 분명히 사업이 좋은 겁니다."

"우리가 한 일은 골드만삭스와 월마트를 조금씩 복제한 게 전부입니다. 그 이상은 아무것도 없어요."

https://product.kyobobook.co.kr/detail/S000001485423