언어

이번에 코딩을 다시 시작하는 김에(수능이 끝나서) input system의 활용 방법을 알고 싶어서 간단한 코드를 적어보고 있었는데, 아래와 같은 문제가 발생을 해서 이에 대해서 알고 계신 분을 찾고 싶습니다...(화질은 영상이 안올라가길래 GIF로 바꾸다가 조금 뭉개졌습니다..;;)어떤 이유인지는 모르겠으나 이동과 점프를 할 때, 이동 버튼을 누르지 않고 점프를 하면 아무 문제 없지만, 이동 키를 누르면서 점프 키를 같이 누르면 저런 식으로 오른쪽으로 날아가는 현상이 발생을 했습니다...(이동 방식은 translate를 하거나, velocity를 건드리는 방식으로 하고, 점프는 addForce를 통해서 했습니다..) 그리고 더욱 의문인 점은 저러한 현상이 오른쪽에서만 일어나고, 오른쪽 방향으로만 날아간다는 것입니다...(정확히는 왼쪽도 발생을 하긴 하는데, 왼쪽 끝에서만 생긴다는..?)

파이썬에서 tkinter 불러오는 코드를 써도 창이 안 뜨는데 뭐가 문제인가요?

안녕하세요, 이번에 제가 출시한 프로그래밍 언어, 숨 언어를 소개합니다. 마우스 조작이 아닌 키보드 조작을 위주로 개발할 수 있게 함으로써 비주얼 프로그래밍의 단점을 해소하고 직관적인 코드, 컴파일 오류 최소화, 자유로운 이름 수정과 같이 텍스트 프로그래밍 언어가 제공할 수 없는 장점을 가진 프로그래밍 언어입니다.앞으로 숨 언어의 사용법에 대한 강의도 하고자 하니, 많은 관심 부탁드립니다.

안녕하세요!최근 인공지능(AI)과 대형 언어 모델(LLM)의 활용이 증가하면서 자연어 처리(NLP) 분야에서도 성능과 효율성이 더욱 중요해졌습니다. 텍스트 전처리 단계 중 하나인 토크나이제이션(Tokenization)은 모델의 추론 속도와 정확도에 큰 영향을 미칩니다. 이런 필요성으로 개발된 초고속 CPU 기반 토크나이저, FlashTokenizer를 소개합니다.FlashTokenizer가 왜 필요할까요?기존에 자주 쓰이는 토크나이저인 BertTokenizerFast는 사용이 편리하지만 속도 측면에서는 아쉬움이 있습니다. 특히 실시간 처리가 중요한 서비스나 빠른 반응 속도를 요구하는 환경에서는 성능 저하가 클 수 있습니다. FlashTokenizer는 바로 이러한 문제점을 해결하기 위해 탄생했습니다.FlashTokenizer 주요 특징⚡ 우수한 속도: 기존 HuggingFace 구현체 대비 8~15배 빠른 성능 제공🛠️ 고성능 C++ 구현체: CPU 사용을 최적화하여 자원 소모 최소화🔄 OpenMP 병렬 처리: 멀티코어 환경에서 효율적인 병렬 연산 지원📦 쉬운 설치: pip를 통해 Python 환경에서 간단히 설치 및 사용 가능💻 다양한 운영체제 호환성: Windows, macOS, Ubuntu 등 주요 OS 지원설치 및 사용 방법FlashTokenizer는 pip를 사용해 간편하게 설치할 수 있습니다:pip install flash-tokenizer더 많은 사용법과 예제는 공식 GitHub에서 확인하실 수 있습니다:FlashTokenizer GitHub 바로가기이런 분들께 추천합니다대규모 언어 모델 추론 과정에서 텍스트 처리 속도를 개선하고자 하는 분빠른 처리 속도를 요구하는 실시간 NLP 애플리케이션을 구축하고자 하는 분CPU 환경에서 언어 모델 성능을 효율적으로 높이고 싶은 분성능 데모 영상FlashTokenizer의 실제 성능을 영상으로 직접 확인해 보세요:▶️ 성능 측정 데모 영상뎁스노트 회원 여러분의 많은 관심과 피드백 부탁드립니다! 감사합니다.

안녕하세요 https://github.com/Blankeos/cit214-productreviewapp 제가 이 프로젝트를 git clone 해서 제 컴퓨터에서 실행해보려고 하는데요 env 파일을 건드려야 될 것 같길래 그쪽 파일을 건드리고 실행해봤거든요 그리고 npm install, npm start 해봤더니 뭔가 되긴 됐는데 제대로 실행이 안되더라구요.. login register 같은 것들도 전부 안되고 혹시 저런 류의 프로젝트 어떻게 실행하는 지 알려주실 분 계신가요? ㅜㅜ 다른 사람 프로젝트 해놓은 거 보고 어떻게 돌아가는 지 알아보려했는데 초보라서 처음부터 잘 모르겠네요,, firebase auth 생성했고 mongodb altas 에 프로젝트는 생성했는데 혹시 그 사이트들에서 제가 뭔가 따로 건드려야 되는 부분이 있는걸까요? 아니면 아예 다른 문제일까요?

최근 Chrome 브라우저에서 특정 이미지가 정상적으로 로딩되지 않고 ERR_BLOCKED_BY_ORB 오류가 발생하는 현상을 겪었다. 이 오류는 특히 404 Not Found 상태일 때 브라우저가 이미지를 제대로 표시하지 못하는 경우에 발생한다. 처음에는 img 태그에 onError 속성을 추가하여 이미지가 로드되지 않을 때 기본 이미지를 표시하도록 설정했지만, 여전히 이미지가 나타나지 않는 문제가 있었다. 📌 사용했던 onError 코드 예제 <img src="/assets/profile/1234.jpg" onError="this.src='/default-image.png'"> 이렇게 onError를 활용하면 이미지가 없을 때 기본 이미지를 표시해야 하지만, 크롬 디버그 도구에서 확인해보면 ERR_BLOCKED_BY_ORB 오류가 발생하면서 이 이벤트조차 실행되지 않았다. 즉, Chrome 브라우저가 보안 정책에 의해 HTML 응답을 차단하면서 onError 이벤트도 트리거되지 않는 현상이었다. 이번 글에서는 ERR_BLOCKED_BY_ORB 오류가 발생하는 원인과 해결 과정을 공유한다. 🚨 ERR_BLOCKED_BY_ORB란? ERR_BLOCKED_BY_ORB는 최근에 Chrome의 ORB(Opaque Response Blocking) 정책에 의해 발생하는 오류이다. ORB는 보안상의 이유로 이미지, 스크립트, CSS 파일 등에 대해 기대한 MIME 타입이 아닌 응답을 차단하는 기능이다. 🔍 Chrome의 ORB 정책이란? ORB(Opaque Response Blocking)는 Chrome에서 보안 강화를 위해 도입된 정책으로, 외부 리소스(예: 이미지 요청)에 대해 잘못된 응답을 받으면 브라우저가 차단하는 기능이다. 정상적인 응답: 200 OK + image/png → 정상 표시 잘못된 응답: 404 Not Found + text/html → 브라우저가 차단 즉, 이미지를 요청했지만 서버가 HTML 응답을 반환하면 차단된다. 🔎 문제 발생 원인 처음에 NGINX에서 존재하지 않는 이미지 요청에 대해 기본 404 HTML 페이지를 반환하고 있었다. 📌 발생했던 문제 상황 사용자가 https://mysite.com/assets/profile/1234.jpg 요청 해당 이미지가 존재하지 않음 (404 Not Found) 하지만 NGINX 기본 설정에서는 404.html(HTML 문서)을 반환 Chrome은 이미지 요청에 HTML이 응답된 것을 감지하고 ERR_BLOCKED_BY_ORB 오류 발생 즉, 404 Not Found가 발생했을 때 브라우저가 HTML 페이지를 받으면 보안 정책에 의해 차단되는 현상이 발생했다. 🛠 해결 과정 ✅ 1. 404 상태에서 빈 이미지 반환하도록 설정 이미지가 없는 경우에도 HTML이 아니라 image/png MIME 타입을 유지하면서 404 상태를 유지하도록 설정해야 한다. 첫번째 시도 설정 location ~* \.(png|jpg|jpeg|gif|webp|svg)$ { try_files $uri =404; error_page 404 =200 /EMPTY_FOR_ERROR_BLOCKED_BY_ORB.png; } error_page 404 =200 → 404가 아닌 200 OK로 응답하면서 빈 이미지 제공 하지만 Chrome은 이미지가 아닌 HTML을 받을 수도 있다고 판단하여 차단 즉, =200도 지워줘야만 한다. 🚀 해결된 설정 location ~* \.(png|jpg|jpeg|gif|webp|svg)$ { try_files $uri =404; error_page 404 /EMPTY_FOR_ERROR_BLOCKED_BY_ORB.png; } location = /EMPTY_FOR_ERROR_BLOCKED_BY_ORB.png { root /myweb_dir/assets; default_type image/png; add_header Cache-Control "no-store"; expires -1; try_files $uri =404; } 📌 해결 방법 요약 error_page 404에서 404 상태를 유지하도록 설정 default_type image/png;을 명시하여 브라우저가 올바른 MIME 타입을 인식 add_header Cache-Control "no-store";로 캐싱을 방지 expires -1;로 만료 시간을 즉시로 설정하여 브라우저가 캐싱하지 않도록 함 🔬 최종 테스트 설정 적용 후 아래 명령어로 테스트 진행. curl -I https://mysite.com/assets/profile/1234.jpg ✅ 정상적인 응답 HTTP/2 404 content-type: image/png cache-control: no-store expires: -1 404 상태 코드 유지 MIME 타입이 image/png로 올바르게 반환 브라우저가 더 이상 ERR_BLOCKED_BY_ORB 오류를 발생시키지 않음 💡 결론 🎯 ERR_BLOCKED_BY_ORB 해결을 위한 핵심 포인트 이미지가 존재하지 않을 때 기본 HTML 404 페이지가 반환되지 않도록 해야 함 404 상태에서 이미지 응답을 유지하려면 error_page 404를 빈 PNG로 처리 MIME 타입(image/png)을 명확하게 설정해야 함 캐싱 방지를 위해 Cache-Control: no-store를 추가 이번 설정을 적용한 후, 더 이상 ERR_BLOCKED_BY_ORB 문제가 발생하지 않았다. Chrome 브라우저에서 이미지가 정상적으로 표시되지 않는다면, 서버가 404 응답을 올바르게 처리하고 있는지 확인하는 것이 중요하다! 🚀 이제 404 이미지 요청이 Chrome에서 차단되지 않고, 올바르게 빈 이미지로 응답된다. 비슷한 문제를 겪는 분들은 위 해결 방법을 적용해보길 바란다. 😊

안녕하세요! 올해 20살이 된 웹디자이너입니다. 현재 회사에서 디자인 작업을 하다가 퍼블리싱까지 맡게 되어 본격적으로 공부해야 하는 상황인데요. 아직 기초 지식이 부족한 편이라 독학보다는 체계적으로 배우는 게 좋을 것 같은데, 인강을 들으면서 공부하는 게 더 효율적일까요? 아니면 학원을 다니는 게 더 나을까요? 현직 퍼블리셔 및 개발자분들은 어떤 방식이 더 빠르게 실력을 키울 수 있다고 생각하시나요? 경험을 바탕으로 조언해 주시면 감사하겠습니다!

개요 최근 AI 기술이 급격히 발전하면서, 모바일 애플리케이션에서도 머신러닝(ML) 모델을 활용하는 사례가 증가하고 있다. 하지만 기존의 AI 모델을 모바일 환경에서 실행하려면 높은 연산 비용과 클라우드 의존도가 문제로 작용했다. 이런 문제를 해결하기 위해 React Native ExecuTorch가 등장했다. ExecuTorch는 Meta(구 페이스북)의 React Native와 PyTorch의 ExecuTorch를 결합하여 모바일에서 AI 모델을 효율적으로 실행할 수 있도록 돕는 기술이다. 이를 통해 React Native 기반의 모바일 앱에서도 AI 기능을 쉽게 통합할 수 있으며, 클라우드 서버에 의존하지 않고도 디바이스에서 직접 AI 연산을 수행할 수 있다. React Native를 기반으로 실행되기 때문에 한 번의 개발로 iOS와 Android에서 모두 작동하며, 네이티브 개발이 필요 없이 JavaScript 및 TypeScript 코드만으로 AI 모델을 쉽게 실행할 수 있다는 점이 가장 큰 장점이다. 또한, 앱 내에서 AI 기능을 직접 실행하므로 데이터가 외부 서버로 전송되지 않아 보안성이 높고, 네트워크 연결이 필요 없어 빠른 응답 속도를 제공한다. 그럼 React Native ExecuTorch의 개념, 특징, 사용 방법, 그리고 실제 적용 방법을 다뤄보겠다. 1. React Native ExecuTorch란? React Native ExecuTorch는 React Native 환경에서 PyTorch 모델을 실행할 수 있도록 지원하는 경량 머신러닝 실행 엔진이다. 기존에는 AI 모델을 모바일에서 실행하려면 TensorFlow Lite(TFLite)나 ONNX Runtime을 사용해야 했지만, 이제는 ExecuTorch를 활용하여 PyTorch 모델을 직접 실행할 수 있다. React Native에서 실행되기 때문에 갖는 주요 장점 iOS와 Android 동시 지원 – 한 번의 개발로 여러 플랫폼에서 실행할 수 있어 개발 비용 절감. 네이티브 브릿지 불필요 – 추가적인 네이티브 코드 작성 없이 AI 모델을 실행할 수 있어 유지보수 간편. 빠른 개발 속도 – JavaScript/TypeScript만으로 AI 모델을 사용할 수 있어 React Native 개발자들이 쉽게 접근 가능. 온디바이스 머신러닝(ML) 지원 – AI 모델이 스마트폰에서 직접 실행되므로 네트워크 의존성이 낮고 응답 속도가 빠름. 데이터 프라이버시 강화 – AI 연산이 클라이언트 측에서 실행되므로, 사용자의 개인 데이터가 서버로 전송되지 않아 보안성이 뛰어남. 배터리 및 리소스 효율성 – 클라우드 AI 대비 낮은 전력 소비와 빠른 실행 속도를 제공. 기존 AI 모델 실행 방식과 비교 실행 방식 클라우드 필요 여부 응답 속도 데이터 프라이버시 클라우드 기반 AI 필요 느림 (네트워크 의존) 낮음 (데이터가 서버로 전송됨) TensorFlow Lite 불필요 빠름 높음 ExecuTorch (React Native) 불필요 매우 빠름 매우 높음 ExecuTorch는 PyTorch 기반의 모델을 직접 React Native에서 실행할 수 있도록 지원하며, 클라우드 의존도를 최소화하면서도 빠른 속도를 제공한다. 2. React Native ExecuTorch의 구조 React Native에서 ExecuTorch를 활용하려면 다음과 같은 절차를 거쳐야 한다. PyTorch에서 AI 모델 학습 ExecuTorch 포맷으로 모델 변환 React Native 앱에서 ExecuTorch로 모델 로드 모델 실행 및 결과 반환 그럼 이제 단계별로 구현 방법을 살펴보자. 3. React Native ExecuTorch 적용 방법 Step 1: React Native 프로젝트 설정 먼저, React Native 프로젝트를 생성한다. npx react-native init MyExecuTorchApp cd MyExecuTorchApp 그다음, ExecuTorch 라이브러리를 설치한다. npm install react-native-executorch Step 2: PyTorch 모델 변환 PyTorch에서 간단한 머신러닝 모델을 생성하고 ExecuTorch 포맷으로 변환한다. import torch # 간단한 모델 정의 class SimpleModel(torch.nn.Module): def forward(self, x): return x * 2 # 모델 인스턴스 생성 model = SimpleModel() # ExecuTorch 실행을 위해 모델 변환 scripted_model = torch.jit.script(model) scripted_model.save("simple_model.pt") 변환된 simple_model.pt 파일을 React Native 프로젝트 내부에 추가한다. Step 3: React Native에서 ExecuTorch 실행 이제 변환된 AI 모델을 React Native 앱에서 실행해보겠다. import { ExecuTorch } from 'react-native-executorch'; // 모델 로드 const loadModel = async () => { const model = await ExecuTorch.loadModel('simple_model.pt'); // 입력 데이터 생성 const input = [1, 2, 3, 4, 5]; // 모델 실행 const output = await model.run(input); console.log('AI Model Output:', output); }; // 모델 실행 함수 호출 loadModel(); 이제 앱을 실행하면 AI 모델이 React Native 환경에서 실행된다. 4. React Native ExecuTorch의 활용 사례 ExecuTorch를 활용하면 다양한 AI 기능을 React Native 앱에서 직접 구현할 수 있다. ① 이미지 처리 및 객체 감지 const detectObjects = async (imageData) => { const model = await ExecuTorch.loadModel('object_detection.pt'); const results = await model.run(imageData); console.log('Detected Objects:', results); }; ② 실시간 음성 인식 const transcribeAudio = async (audioData) => { const model = await ExecuTorch.loadModel('speech_to_text.pt'); const transcript = await model.run(audioData); console.log('Transcribed Text:', transcript); }; ③ 자연어 처리(NLP) 기반 챗봇 const chatbotResponse = async (userMessage) => { const model = await ExecuTorch.loadModel('chatbot_model.pt'); const response = await model.run(userMessage); console.log('Chatbot Reply:', response); }; 5. 결론 React Native ExecuTorch는 모바일에서 AI 모델을 실행할 수 있도록 돕는 강력한 도구이다. 특히 React Native 기반으로 동작하기 때문에 멀티 플랫폼 지원, 빠른 개발 속도, 데이터 프라이버시 보호 등의 이점을 극대화할 수 있다. React Native 기반 앱에서 이미지 인식, 음성 인식, 자연어 처리, 추천 시스템 등 다양한 AI 기능을 추가하려면 ExecuTorch를 활용하는 것이 좋을 것이다.

corsFilter() fetch 요청 파라미터 해당 사진은 POST이며 GET도 동일하게  credentials: 'include', 추가되어있습니다 나머지 put patch del 경우 url option을 파라미터로 받아 같은 post를 호출하게 되어있습니다 springBootVersion '2.0.1.RELEASE' java 1.8 jboss 사용 환경 : 로컬호스트에서는 해당 문제가 발생하지 않지만 배포된 서버에서 테스트시 해당 문제 발생 문제 : 컨트롤러에 @PostMapping("/???") 특정 하나의 메소드 호출시 CORS 에러발생 저장버튼 클릭시 업로드된 파일을 로컬 경로에 업로드 하고 / 이후 해당 행을 DB에 저장하는 쿼리를 요청하는 메소드입니다 신규 추가시 파일을 업로드하고 행을 저장 시 이상 없이 저장이 되는데 이미 존재하는 행에 저장버튼 클릭시 에러가 발생합니다 로컬과 차이 : 로컬에서 확인되는 응답헤더에 Access-Control-Allow-Credentials, Access-Control-Allow-Origin 이 2개의 헤더가 서버에서는 반환되지 않습니다 에러 메시지 : Access to fetch at '요청URL' from origin '오리진URL' has been blocked by CORS policy: No 'Access-Control-Allow-Origin' header is present on the requested resource. If an opaque response serves your needs, set the request's mode to 'no-cors' to fetch the resource with CORS disabled. POST http://0.00.000.000:4022/??? net::ERR_FAILED 500 (Internal Server Error) Uncaught (in promise) Error: File upload failed. Please try again later. 비고: config.setAllowCredentials(true); 와 config.addAllowedOrigin("*"); 를 함께 쓸 수 없다고 하여 명시적으로 선언도 해주었고 클라이언트단에서 credentials: 'include', 도 추가해주었지만 해결되지 않고 정확한 문제파악조차 되지 않아 질문드립니다

비동기 코드를 쉽게 작성할 수 있다면 얼마나 좋을까요? Kotlin에서는 Continuation이 이것을 가능하게 해줍니다. Kotlin은 현대 프로그래밍 언어로서 여러 혁신적인 기능을 제공합니다. 그중에서도 Continuation은 비동기 프로그래밍의 복잡성을 해결하는 중요한 개념입니다. 여기서는 Kotlin의 Continuation 개념, 사용 방법, 그리고 실질적인 예제를 통해 이를 깊이 있게 다뤄보겠습니다. 일반 함수의 문제점과 중단/재개 방식의 장점 중단/재개 방식이란 무엇인가요? 중단/재개(suspend/resume) 방식은 함수가 실행되는 도중에 잠시 멈추고, 나중에 멈췄던 지점부터 다시 실행할 수 있도록 하는 방식입니다. 예를 들어, 여러분이 책을 읽다가 책갈피를 끼워놓고 다른 일을 한 후, 다시 책을 펴고 읽던 부분부터 이어 읽는 것과 비슷합니다. 이 방식은 프로그램이 비동기 작업을 처리할 때 특히 유용합니다. 일반적으로 비동기 작업은 작업 완료를 기다려야 하는 상황에서 코드가 복잡해지기 쉽습니다. 왜냐하면 다음과 같은 이유로 작업 흐름을 관리하기가 어려워지기 때문입니다. 작업 대기 중 코드 중첩 증가: 작업이 완료되기를 기다리면서 또 다른 작업을 수행하거나, 작업의 결과에 따라 후속 작업을 이어나가야 할 때, 코드가 점점 중첩됩니다. 콜백 헬: 여러 단계의 작업을 콜백으로 처리하면 코드가 복잡해지고, 흐름을 추적하기 어렵습니다. 에러 처리의 복잡성: 각 작업 단계에서 발생할 수 있는 예외를 처리하려면, 예외 상황마다 별도로 로직을 추가해야 합니다. 중단/재개 방식을 사용했을 때의 장점 중단/재개 방식을 사용하면 이러한 문제를 크게 완화할 수 있습니다. 아래는 그 주요 장점입니다. 지연된 실행: 함수가 특정 조건이 충족될 때까지 기다렸다가 실행을 계속할 수 있습니다. 상태 유지: 함수가 멈춘 시점의 상태(변수, 스택 등)를 저장하고, 재개할 때 그대로 복원하여 이어나갑니다. 간결한 코드 작성: 비동기 작업의 복잡성을 줄이고, 더 직관적이고 읽기 쉬운 코드를 작성할 수 있습니다. 기존 일반 함수의 문제점 일반 함수는 시작부터 끝까지 순차적으로 실행되는 구조를 가지고 있습니다. 이러한 구조는 간단한 작업에서는 유용하지만, 비동기 작업에서는 몇 가지 문제를 야기할 수 있습니다: 비동기 작업의 복잡성 증가: 일반 함수는 작업이 끝날 때까지 기다릴 수밖에 없으므로, 비동기 작업을 처리하려면 콜백(callback)을 사용해야 합니다. 이는 코드가 길어지고 복잡해지며, 가독성을 해칩니다. 상태 관리의 어려움: 비동기 작업의 상태를 추적하고 저장하는 로직을 직접 구현해야 하므로, 코드가 더욱 복잡해집니다. 디버깅 어려움: 비동기 작업이 중첩될수록, 코드 흐름을 따라가고 오류를 찾는 일이 매우 어려워집니다. 중단/재개 방식의 장점 Kotlin은 이러한 문제를 해결하기 위해 Continuation과 코루틴을 제공합니다. 중단/재개 방식을 사용하면 다음과 같은 장점이 있습니다: 코드 가독성 향상: 동기 코드처럼 비동기 작업을 표현할 수 있어 코드가 더욱 간결하고 직관적입니다. 유지보수 용이: 작업의 상태를 명확히 정의할 수 있으므로, 유지보수가 훨씬 쉬워집니다. 디버깅 편의성: 함수의 중단 및 재개 지점을 명확히 알 수 있어, 디버깅이 쉬워집니다. Continuation이란 무엇인가요? Continuation은 간단히 말해, 코루틴이 중단(suspend)된 이후 다시 실행될 시점과 그 상태를 캡슐화한 객체입니다. 이는 suspend 함수와 밀접하게 연관되어 있습니다. Kotlin에서 Continuation은 비동기 코드를 동기 코드처럼 작성할 수 있게 해주는 중요한 도구입니다. 일반적으로 비동기 프로그래밍은 콜백(callback)이나 Future, Promise를 활용하지만, Kotlin은 코루틴(coroutine)과 Continuation을 통해 이러한 패턴을 더욱 간단하고 읽기 쉽게 만듭니다. Kotlin이 일반 함수와 달리 Continuation을 제공하는 이유는 비동기 프로그래밍의 복잡성을 줄이고, 기존 콜백 방식에서 발생할 수 있는 코드 중복과 가독성 문제를 해결하기 위해서입니다. 기존의 비동기 작업에서는 콜백 지옥(callback hell)이라 불리는 코드 구조가 빈번히 발생하며, 이는 디버깅과 유지보수를 어렵게 만듭니다. Continuation을 활용하면 이러한 문제를 완화하고, 상태를 명시적으로 관리할 수 있는 장점이 있습니다. Continuation의 동작 방식 Continuation은 크게 두 가지 구성 요소로 이루어져 있습니다: Suspend 상태: 함수 실행이 중단된 상태를 의미합니다. Resume 상태: 중단된 지점에서 함수 실행을 재개하는 작업을 담당합니다. Kotlin에서 Continuation은 resume과 resumeWithException 메서드를 통해 상태를 제어할 수 있습니다. 코루틴과 Continuation의 관계 코루틴은 Continuation의 추상화를 활용하여 비동기 작업을 처리합니다. 예를 들어 suspend 키워드가 붙은 함수는 자동으로 Continuation 객체를 생성하여 내부적으로 이를 활용합니다. 예제 코드: suspend 함수 내부의 Continuation suspend fun sampleSuspendFunction() { println("작업 시작") suspendCoroutine { continuation: Continuation<Unit> -> // 작업이 끝난 후 resume 호출 continuation.resume(Unit) } println("작업 완료") } 위 코드는 suspendCoroutine을 사용해 비동기 작업을 정의하고, 이를 완료한 후 resume을 호출하여 실행을 재개합니다. Continuation의 실질적인 활용 비동기 작업 처리 아래 예제는 네트워크 호출과 같은 비동기 작업을 동기 코드처럼 작성하는 방법을 보여줍니다. suspend fun fetchData(): String = suspendCoroutine { continuation -> // 비동기 네트워크 호출 예시 networkRequest { result -> if (result.isSuccessful) { continuation.resume(result.data) } else { continuation.resumeWithException(result.error) } } } 이 코드는 비동기 네트워크 작업을 처리하면서도, 호출하는 쪽에서는 마치 일반적인 함수처럼 사용할 수 있습니다. 상태 관리 Continuation을 활용하면 복잡한 상태 전환을 더 쉽게 관리할 수 있습니다. fun statefulComputation(input: Int, continuation: Continuation<Int>) { if (input > 0) { continuation.resume(input * 2) } else { continuation.resumeWithException(IllegalArgumentException("Input must be positive")) } } Kotlin Continuation의 장점 가독성: 비동기 코드를 동기 코드처럼 작성할 수 있어 유지보수가 쉬워집니다. 유연성: 기존 콜백 기반의 비동기 처리보다 훨씬 더 유연합니다. 확장성: 다양한 비동기 라이브러리와 쉽게 통합됩니다. 마무리하며 Kotlin의 Continuation은 비동기 프로그래밍에서 더 나은 가독성과 유연성을 제공합니다. 코루틴을 통해 이를 쉽게 사용할 수 있으며, 개발자는 더욱 간결한 코드를 작성할 수 있습니다. 요컨대, 비동기 프로그래밍의 복잡함을 줄이고 싶다면 Kotlin Continuation을 반드시 학습해 보세요.