1) 이 글을 쓰는 이유

대부분의 프로젝트 관리 툴은 “기능”은 많은데 실제 사용 플로우가 단절되어 있는 경우가 많다.
특히 WBS, 일정, 진척률, 리스크, 주간보고, 권한이 분리되면 운영자 입장에서 한 화면 안에서 업무를 끝내기 어렵다.

그래서 난 WBS Console을 만들었다.
이 글은 기능 소개가 아니라, 왜 이렇게 만들었는지와 어떻게 만들었는지를 정리한 기록이다.

2) 핵심 목표

이 서비스의 1차 목표는 단순했다.

1. 프로젝트 운영이 필요한 사람들도 바로 쓸 수 있는 단일 콘솔을 만든다
2. 복잡한 기능을 덩어리로 분리하지 않고 하나의 흐름으로 묶는다
3. 공개 데모는 운영 데이터와 분리해 누가 와도 안전하게 체험하게 한다

즉,
PM/PL/PMO가 “일정표를 보는 화면”만이 아니라
“업무가 진행되는 화면”을 갖도록 만든다.

3) 서비스 주소

• 운영 서비스: https://bca.ac.kr/wbs/
• 공개 데모: https://bca.ac.kr/wbsdemo/
• 매뉴얼: 로그인 후 Settings → 사용 매뉴얼
  (데모 테스트 시나리오와 운영 가이드를 함께 제공)

4) 구현한 주요 기능

4-1) 프로젝트와 WBS를 중심으로 한 작업 흐름

• 프로젝트 생성/선택/조회
• WBS 계층 편집
• 작업 추가, 수정, 삭제, 이동(내어쓰기/들여쓰기), 순서 정렬
• 진척률과 상태 변경이 즉시 화면에 반영

WBS의 핵심은 “편집” 자체보다 변경이 전파되는 일관성이다.
내가 만든 구조는 상세 영역/리스트/요약 지표가 같은 기준일 기준으로 같은 결과를 내도록 맞췄다.

4-2) Gantt + 기준일 기반 검토

• 월간/주간/일간 단위에서 바 차트(타임라인) 형태로 작업 분포 확인
• 기준일(Date) 기준으로 실제 상태를 함께 검토
• WBS와 Gantt 간 동기화를 우선순위로 설계

운영에서는 “어떤 작업이 언제 어떻게 바뀌었는지”가 더 중요해서,
Gantt는 단순 시각화가 아니라 검토 판단의 근거 화면으로 사용되게 만들었다.

4-3) Issue / Risk 연동

• 작업 단위에 Issue/Risk를 연결
• 상태 변경, 진행 추적, 활동 히스토리 흐름
• 담당자·기한·원인/조치 이력 정리

문서형 관리에서 자주 터지는 문제는 “누가 무엇을 맡았는지 연결이 끊긴다”는 점이다.
그래서 WBS 항목과 Issue/Risk를 묶어서 운영 문맥을 유지하도록 설계했다.

4-4) 주간보고/보고서 작성

• 보고서 템플릿 기반 입력
• 기간, 실적, 계획, 의사결정 요청 섹션 구성
• 작성 상태를 프로젝트 진척 기준과 맞춰 점검

보고서는 작업의 결과물이 아니라 회의 결과물이다.
이 플랫폼에서 보고서 화면은 “추가 입력 폼”이 아니라 현재 상태를 한 번에 문서화하는 용도로 둔다.

4-5) 사용자/권한/설정

• 사용자, 역할(Role), 그룹, 권한(Permission) 관리
• 화면 단위 접근 제어
• 보안/감사 로그 조회

운영용 툴은 화면 기능 자체보다 접근 제어가 먼저다.
그래서 화면 메뉴 접근부터 기능 호출까지 가능한 범위를 권한 기반으로 제한했고,
관리 기능은 별도 구획으로 나눴다.

5) 바이브 코딩만으로 진행한 개발 방식

이 프로젝트는 문서-요구-개발을 순차적으로 밀어붙인 방식이 아니라,
아래 순서로 움직였다.

1. 가장 먼저 동작이 필요한 핵심 화면을 잡는다
2. 바로 구현해서 확인한다
3. 흐름에서 부딪히는 지점만 즉시 고친다
4. 다음 화면으로 넘어간다
5. 매주/매일 결과물을 사용자가 보는 흐름 기준으로 점검한다

즉, 전형적인 “요구사항을 먼저 끝내고 코드를 쓰는 방식”이 아니라
실제 체감 동선 기준으로 계속 밀어붙인 방식이야.

바이브 코딩이 왜 먹혔나?

• 초기 기획 확정이 느린 상태에서도 기능 실체를 먼저 보여줄 수 있었다
• 데모용 제한 정책(운영 분리) 같은 정책 항목도 화면에서 즉시 검증했다
• 매뉴얼(Testing Guide)을 화면 안에 두고, 수정 이슈를 실제 체험 경로에서 붙잡았다

결과적으로 “문서에서 맞는지”보다 “현실에서 맞는지”로 합의점을 빠르게 잡을 수 있었다.

6) 사용자 안내와 학습 동선

서비스를 만든 뒤에 가장 중요했던 건 “사용자 입장”이었다.
그걸 위해 매뉴얼을 별도 파일이 아니라 화면 메뉴로 통합했다.

• Settings → 사용 매뉴얼에서 바로 확인 가능
• 데모 환경에서 어떤 기능이 가능한지/안 되는지 명시
• 테스트 시나리오 형태로 초보자도 기능을 따라가며 검증 가능

단순한 문서가 아니라 제품의 일부분으로 메뉴얼을 설계한 것이다.

7) 보안/운영 관점에서의 분리

공개 데모는 운영 데이터와 분리해 두었고,
데모 모드에서 제한되는 기능(운영 데이터 접근/일부 대량 작업/내보내기 일부 제한)을 걸어두었다.

이 덕분에
외부 체험자도 기능을 이해할 수 있지만 운영 환경엔 영향이 가지 않는다.

8) 화면 캡처

9) 정리

WBS Console은 “새 기능을 많이 넣는 툴”이 아니라,
프로젝트 운영자가 실제로 하루를 보내는 동작 흐름을 한 화면에서 끝내게 만든 툴이다.

그리고 이 제품은 전 과정을 바이브 코딩으로 만들었다는 점이 핵심이다.
기능이 완벽해 보이기 전에 먼저 돌아가게 만들고,
돌아가는 화면을 기준으로 다시 정교하게 다듬는 방식으로 완성도를 끌어올렸다는 점을 이번 빌드에서 확인했다.

참고:
운영 도메인 기준으로 공개된 페이지는 언제든 아래 URL에서 확인 가능하다.

• https://bca.ac.kr/wbsdemo/

Google Opal은 최근에 많은 주목을 받고 있는 AI 기반의 앱 제작 플랫폼입니다.
이 플랫폼은 사용자가 코딩 없이 자연어로 AI 미니 앱을 만들 수 있도록 도와줍니다.
이번 포스팅에서는 Google Opal의 기능, 장단점, 사용 사례 등을 자세히 살펴보겠습니다. 😊

Google Opal은 구글이 제공하는 혁신적인 AI 앱 제작 도구로, 사용자가 복잡한 코딩 없이도 쉽게 앱을 만들 수 있도록 설계되었습니다.
이 플랫폼은 다양한 AI 기능을 통합하여 사용자에게 편리한 경험을 제공합니다.
특히, 자연어 처리 기술을 활용하여 사용자가 원하는 기능을 간단한 문장으로 입력하면, 그에 맞는 앱을 생성해주는 것이 큰 특징입니다.

Google Opal의 주요 기능

Google Opal의 주요 기능은 다음과 같습니다:

1. 자연어 기반 앱 생성 : 사용자가 입력한 자연어를 이해하고, 이를 바탕으로 앱을 생성합니다.
   예를 들어, "AI 프로젝트 찾기 앱 만들기"라고 입력하면, 관련된 기능을 갖춘 앱을 자동으로 생성합니다.
2. 다양한 템플릿 제공 : 사용자는 여러 가지 템플릿 중에서 선택하여 앱을 쉽게 커스터마이즈할 수 있습니다.
   이를 통해 시간과 노력을 절약할 수 있습니다.
3. AI 프로젝트 탐색 도구 : Google Opal은 AI 및 AX 관련 프로젝트를 탐색할 수 있는 도구를 제공합니다.
   사용자는 이 도구를 통해 다양한 정부 지원 사업을 쉽게 찾을 수 있습니다.

** 첫화면 **

Google Opal의 장점

Google Opal의 장점은 다음과 같습니다:

• 사용자 친화적 : 복잡한 코딩 없이도 누구나 쉽게 사용할 수 있습니다.
  특히, 비전문가도 쉽게 접근할 수 있는 점이 큰 장점입니다.
• 빠른 프로토타입 제작 : 아이디어를 빠르게 앱으로 구현할 수 있어, 창의적인 프로젝트를 신속하게 진행할 수 있습니다.
• AI 통합 : Google의 AI 기술을 활용하여, 더욱 스마트한 앱을 만들 수 있습니다.
  예를 들어, 사용자의 요구에 맞춘 맞춤형 추천 기능을 추가할 수 있습니다.

Google Opal의 단점

• 제한된 기능 : 현재 베타 버전으로 제공되고 있어, 기능이 제한적입니다.
  사용자가 원하는 모든 기능을 제공하지 않을 수 있습니다.
• 검색 결과의 질 : AI 프로젝트 탐색 도구의 검색 결과가 만족스럽지 않을 수 있습니다.
  예를 들어, 관련된 프로젝트를 찾는 데 어려움을 겪을 수 있습니다.

Google Opal의 사용 사례

Google Opal은 다양한 분야에서 활용될 수 있습니다.
예를 들어, 중소기업에서는 정부 지원 사업을 찾기 위해 이 플랫폼을 사용할 수 있습니다.
사용자는 "AI 지원 사업 찾기"라는 요청을 통해 관련 정보를 쉽게 얻을 수 있습니다.

Google Opal과 다른 AI 서비스 비교

Google Opal은 다른 AI 서비스와 비교했을 때, 특히 사용자 친화적인 인터페이스와 자연어 처리 기능이 돋보입니다.
그러나 Perplexity와 같은 다른 AI 서비스에 비해 검색 결과의 질이 떨어질 수 있어, 사용자가 원하는 정보를 찾는 데 어려움을 겪을 수 있습니다.

결론 및 향후 전망

Google Opal은 AI 앱 제작의 새로운 패러다임을 제시하고 있습니다.
비록 현재는 베타 버전으로 기능이 제한적이지만, 향후 업데이트를 통해 더욱 발전할 가능성이 큽니다.
사용자들은 이 플랫폼을 통해 창의적인 아이디어를 실현할 수 있는 기회를 가질 수 있을 것입니다.

이런 자료를 참고 했어요.

[1] TILNOTE - Google Opal 완벽 분석: 코딩 없이 AI 미니 앱 만드는 방법과 ... (https://tilnote.io/pages/68a2e846d3a1e2a5e2434dbe)

[2] NAVER - 구글의 Opal 서비스 : 네이버 블로그 (https://blog.naver.com/simula/223962208658?fromRss=true&trackingCode=rss)

[3] 브런치 - 구글Google의 Opal:기획자를 위한 AI, 자동화 (https://brunch.co.kr/@hyemin/16)

[4] YouTube · opencore AI - n8n 정말 끝인가? 구글 Opal 완벽 대체 가능한지 직접 써 ... (https://www.youtube.com/watch?v=njWejVOAHvo)

이글은 뤼튼을 사용하여 작성하였습니다.

ChatGPT에서 새로운beta 서비스가 오픈했다. 

* Code Interpreter 

* 써봤다.

※ 주의 ChatGPT 4 이용시에만 사용할 수 있다.

** 먼저 Code Interpreter** 가 뭔지 알아보자. (물론 ChatGPT에게)

코드 인터프리터는 고수준 프로그래밍 언어의 소스 코드를 읽고 실행하는 컴퓨터 프로그램입니다. 이 프로그램은 입력으로 받은 코드를 즉시 실행하며, 코드를 먼저 기계어로 컴파일하는 것이 아니라 코드를 한 줄씩 또는 한 블록씩 읽어 나갑니다. 인터프리터는 주로 대화형 프로그래밍 환경에서 사용되며, 스크립트 언어(Python, JavaScript, Ruby 등)의 실행에도 자주 사용됩니다.

인터프리터의 장점은 코드를 수정하고 결과를 즉시 볼 수 있기 때문에 개발과 디버깅이 빠르다는 것입니다. 반면, 인터프리터의 단점은 컴파일러가 미리 최적화를 수행할 수 있기 때문에, 일반적으로 컴파일된 코드보다 느리게 실행된다는 것입니다.

그러나 최신의 Just-In-Time(JIT) 컴파일 기술을 이용하는 언어들은 이런 성능 차이를 줄이는 방향으로 발전하고 있습니다. 예를 들어, Python의 PyPy 인터프리터나 JavaScript의 V8 엔진 등이 이에 해당합니다.

그럼 이번에 beta 오픈한  ChatGpt의 Code Interpreter는 뭘 할수 있을까?

아래와 같이 설명하고 있다.

ChatGPT를 활용해 Python 코드를 작성하고 실행할 수 있는 버전을 사용해보세요. 파일 업로드도 가능합니다. 
데이터 분석, 이미지 변환, 코드 파일 편집 등에 대한 도움을 요청해보세요. 참고로, 파일은 단일 세션 동안에만 유지됩니다.

이렇게 활용하면 ChatGPT는 단순히 대화를 생성하고 이해하는 것을 넘어서서, 사용자가 원하는 코드를 작성하고 이를 실행하며 결과를 사용자에게 제공하는 데에도 활용될 수 있습니다. 물론, 이는 코드를 실제로 실행하는 환경과 연결되어 있어야 가능합니다.

또한, 파일 업로드 기능을 통해, 사용자가 제공한 데이터 파일을 분석하거나, 이미지 파일을 변환하거나, 코드 파일을 편집하는 등의 작업도 가능합니다. 하지만 이러한 파일은 단일 세션 동안에만 유지되므로, 중요한 파일은 별도로 저장해 두어야 합니다.

그럼 이넘으로 뭘 할수 있을까?

* 데이터 분석, 이미지 변환, 코드 파일 편집 등 ➲➲➲ 이런걸 해줄수 있다.

그래서 한번 예제 데이터셋 7개의 CSV를 업로드해서 한번에 분석을 요청해 봤다.

1. 데이터셋 csv 업로드 (한번에 하나, 그러나 여러개 업로드 가능)

업로드하신 `orders_details.csv` 파일의 내용은 다음과 같습니다:

```

# Load the seventh CSV file
orders_details = pd.read_csv('/mnt/data/orders_details.csv')

orders_details.head()

result

   orderid  productid  unitprice  quantity  discount
0    10248         11       14.0        12       0.0
1    10248         42        9.8        10       0.0
2    10248         72       34.8         5       0.0
3    10249         14       18.6         9       0.0
4    10249         51       42.4        40       0.0

   orderid  productid  unitprice  quantity  discount
0    10248         11       14.0        12       0.0
1    10248         42        9.8        10       0.0
2    10248         72       34.8         5       0.0
3    10249         14       18.6         9       0.0
4    10249         51       42.4        40       0.0
```

여기서 각 컬럼은 다음을 의미합니다:
- `orderid`: 주문의 고유 ID
- `productid`: 제품의 고유 ID
- `unitprice`: 단위당 가격
- `quantity`: 주문 수량
- `discount`: 할인율

이 데이터를 통해 어떤 분석을 진행하고 싶으신지 구체적으로 알려주시면 도움이 될 것 같습니다. 예를 들어, 제품별 판매 추이 분석, 할인율에 따른 판매량 분석, 주문별 판매액 분석 등 다양한 분석이 가능합니다. 이 점을 참고하여 분석 요청을 구체화해 주시면 감사하겠습니다.

* 올린 CSV에 대하여 설명도 해준다 (와우! 👏)

2. 모든 제품의 판매 추이를 한 번에 그리고 특정 시간 범위(예: 월별, 분기별, 연도별 등)에 대한 판매 추이를 물어보았다.

(다른 분석도 요청해보니 ...)

모든 제품의 판매 추이를 한 번에 보여주는 것은 시각적으로 복잡할 수 있습니다. 따라서 제품별 판매량을 합산하여 시간에 따른 전체 판매 추이를 보여드리겠습니다. 또한 월별, 분기별, 연도별 판매 추이를 각각 보여드리겠습니다. 

먼저, 월별 판매 추이부터 분석해보겠습니다. 이를 위해 주문 날짜를 해당 월의 첫 날로 설정한 새로운 열을 만들고, 이 열에 따라 판매량을 합산하겠습니다.

# Create a new column with the first day of the corresponding month
sales_trend['order_month'] = sales_trend['orderdate'].dt.to_period('M')

# Group by the new column and sum the quantity
monthly_sales = sales_trend.groupby('order_month').sum()['quantity'].reset_index()

# Convert the 'order_month' back to datetime format for plotting
monthly_sales['order_month'] = monthly_sales['order_month'].dt.to_timestamp()

# Check the result
monthly_sales.head()

RESULT
  order_month  quantity
0  1996-07-01      1462
1  1996-08-01      1322
2  1996-09-01      1124
3  1996-10-01      1738
4  1996-11-01      1735

import matplotlib.pyplot as plt

# Plot the monthly sales
plt.figure(figsize=(12, 6))
plt.plot(monthly_sales['order_month'], monthly_sales['quantity'])
plt.title('Monthly Sales Trend')
plt.xlabel('Month')
plt.ylabel('Total Quantity Sold')
plt.grid(True)
plt.show()

위의 그래프는 월별 판매 추이를 나타냅니다. x축은 월을, y축은 해당 월에 판매된 총 제품 수를 나타냅니다. 그래프를 통해 일정한 패턴이나 추세를 찾아볼 수 있습니다.

다음으로 분기별 판매 추이를 살펴보겠습니다. 이를 위해 주문 날짜를 해당 분기의 첫 날로 설정한 새로운 열을 만들고, 이 열에 따라 판매량을 합산하겠습니다.

- 복사하기 귀찮다. 위의 분석을 분기별로 표시

위의 그래프는 분기별 판매 추이를 나타냅니다. x축은 분기를, y축은 해당 분기에 판매된 총 제품 수를 나타냅니다. 그래프를 통해 일정한 패턴이나 추세를 찾아볼 수 있습니다.

마지막으로 연도별 판매 추이를 살펴보겠습니다. 이를 위해 주문 날짜를 해당 연도의 첫 날로 설정한 새로운 열을 만들고, 이 열에 따라 판매량을 합산하겠습니다.

- 마찬가지로 분석을 연도별로 표시

위의 그래프는 연도별 판매 추이를 나타냅니다. x축은 연도를, y축은 해당 연도에 판매된 총 제품 수를 나타냅니다. 

그래프를 통해 1996년에서 1997년 사이에 판매량이 크게 증가했음을 볼 수 있습니다. 그러나 1998년에는 판매량이 줄어든 것으로 보입니다. 이는 실제 판매가 감소했을 수도 있지만, 데이터가 1998년까지만 포함되어 있어 전체 연도의 데이터가 없는 경우일 수도 있습니다.

이러한 분석을 통해 판매 추이를 이해하고, 향후 판매량을 예측하는 데 도움이 될 수 있습니다. 다른 분석이 필요하시면 알려주세요.

3.  분석에 대한 데이터셋이 테스트 용이라 분석결과가 매우 만족스럽지는 않지만, 일단 Python / R 등으로 모르지만 데이터 셋을 가지고 분석이란 것을 해서 설명을 듣고 싶다면 오~~~~

- 그렇다면, 사용해봐도 ...

* Tip

- 코드를 주고 설명이나 최적화나 기타 등등 도 쓸만하다.

- Json 을 CSV로 바꿔 달라니까, 잘 바꿔준다.

- 하지만 한줄로 만들어 준다. 

- 이쁘게 바꿔 달라니까 만족할 만큼 정렬해준다. 🙌

이제 이런 변경은 그냥 ChatGPT 시키면 바로 끝!!

beta가 이정도면 음.. 슬슬 무섭다. 😱

참고로,
beta는 ChatGPT 접속 👉 왼쪽 맨아래 내 아이디 ... 👉 ⚙︎ 세팅 & 베타 👉 ⚗️beta 기능 👉 Code Interpreter 활성화 후 GPT4 Plug in에서 선택하여 사용하면 됨.

Github CoPilot 사용 중인데 뭐가 더 무서운지 테스트 해봐야지 음 ~ 🎃👹🤡💩👻💀☠️👽👺🙀

TRANSLATE with x

English

Arabic	Hebrew	Polish
Bulgarian	Hindi	Portuguese
Catalan	Hmong Daw	Romanian
Chinese Simplified	Hungarian	Russian
Chinese Traditional	Indonesian	Slovak
Czech	Italian	Slovenian
Danish	Japanese	Spanish
Dutch	Klingon	Swedish
English	Korean	Thai
Estonian	Latvian	Turkish
Finnish	Lithuanian	Ukrainian
French	Malay	Urdu
German	Maltese	Vietnamese
Greek	Norwegian	Welsh
Haitian Creole	Persian

 

TRANSLATE with

COPY THE URL BELOW

Back

EMBED THE SNIPPET BELOW IN YOUR SITE

Enable collaborative features and customize widget: Bing Webmaster Portal

Back