GitHub 사용자 설문조사, 소프트웨어 효율성 개선 요구 확인

소프트웨어 효율성 개선 요구

GitHub와 예일대 기후 변화 커뮤니케이션 프로그램이 1,039명의 GitHub 사용자를 대상으로 실시한 설문조사 결과, 개발자들이 소프트웨어 효율성 개선에 대한 높은 관심을 보였다. 응답자의 80%는 에너지 효율적인 코드 작성 도구에, 78%는 소프트웨어의 환경 발자국을 줄이는 모범 사례에, 74%는 소프트웨어 또는 개발 프로세스의 환경 영향을 측정하는 방법에 관심을 나타냈다.

이러한 결과는 개발자들이 불필요한 컴퓨팅 자원을 식별하고, 변경을 제안하며, 테스트 후 유지보수자가 최종 결정을 내리는 일반적인 엔지니어링 작업으로 효율성 개선을 통합할 기회가 있음을 시사한다. 개발자들은 낭비를 찾고, 개선 사항을 측정하며, 수정의 필요성을 입증할 명확한 방법을 요구하고 있다.

환경 문제에 대한 개발자 인식

설문조사에 참여한 GitHub 사용자들은 기후 변화와 인공지능(AI) 시스템의 환경 영향에 대해 높은 우려를 표명했다. 응답자의 79%가 지구 온난화에 대해 걱정하고 있으며, 71%는 AI 시스템의 에너지 및 물 사용, 탄소 배출 등 환경 영향에 우려를 나타냈다.

또한 응답자의 75%는 고용주가 환경 영향을 줄이기 위해 적극적으로 노력하는 것이 중요하다고 응답했다. 이 설문조사는 미국 내 GitHub 월간 활성 사용자 중 마케팅 커뮤니케이션 수신에 동의한 표본을 대상으로 진행되었으며, GitHub 사용자들은 미국 성인 전체 인구보다 기후 변화에 대한 더 큰 우려를 나타냈다. 이는 개발자들이 자신이 구축하고 사용하는 시스템의 환경적 영향에 대해 깊이 생각하고 있음을 보여준다.

실질적인 행동을 위한 도구의 필요성

개발자들은 소프트웨어 개발 방식이 개인의 환경 영향 감소에 미치는 영향이 작다고 인식하지만, 효율성 개선 도구에 대한 관심은 매우 높다. 응답자의 10%만이 자신의 개발 방식이 개인의 환경 영향 감소에 큰 영향을 미친다고 답했으며, 28%는 보통, 63%는 작은 영향을 미친다고 응답했다.

동시에 70%는 지속 가능성에 초점을 맞춘 오픈 소스 프로젝트에 기여하는 데 관심을 보였다. 이는 개발자들이 다른 엔지니어링 분야에서 기대하는 것과 동일하게 유용한 도구, 신뢰할 수 있는 측정, 검토 가능한 변경 사항을 요구하고 있음을 시사한다. 응답자들은 저장소 및 CI/CD 워크플로우의 환경 발자국 추정, 불필요한 GitHub Actions 실행 감지, 코드 효율성 개선, AI 사용과 다른 컴퓨팅 수요원 비교 등에 대한 구체적인 도움을 요청했다.

또한 단순히 실행 시간만으로 에너지 사용량이나 배출량 감소를 증명할 수 없으며, 하드웨어, 워크로드, 위치, 시간, 전력원 등 다양한 요소가 결과에 영향을 미치므로, 주장에 부합하는 측정이 필요하다는 점도 강조되었다.

측정 가능한 낭비 식별 및 개선 방안

소프트웨어 효율성은 인프라 비용 절감, 성능 향상, 지연 시간 감소, 용량 확보 등 이미 좋은 엔지니어링 관행의 일부이다. 동일한 결과를 제공하는 데 필요한 컴퓨팅 자원을 줄이면 에너지 사용량도 감소한다. 실질적인 시작점은 코드, 데이터, 네트워크 및 I/O, 프런트엔드의 네 가지 영역에서 측정 가능한 낭비를 찾는 것이다.

코드에서는 반복 계산, 비효율적인 알고리즘, 불필요한 할당, 캐싱 가능한 고비용 작업 등을 개선할 수 있다. 데이터 영역에서는 과도한 데이터 가져오기, 무제한 쿼리, 캐싱 누락, 일괄 처리되지 않은 데이터베이스 호출 등을 개선한다. 네트워크 및 I/O에서는 중복 요청, 이벤트 기반으로 대체 가능한 폴링, 과도한 페이로드, 압축 누락 등을 확인한다. 프런트엔드에서는 불필요한 렌더링, 화면 밖 자산의 조기 로딩, 더 작은 형식으로 대체 가능한 미디어 등을 개선할 수 있다.

개선 사항에 따라 실행 시간, CPU 사용량, 메모리 할당, 네트워크 전송 크기 등이 유용한 컴퓨팅 수요 지표로 활용될 수 있으며, 측정된 내용과 측정되지 않은 내용을 명확히 밝혀야 한다. 예를 들어, O(n²) 검색을 해시 맵 조회로 대체하는 풀 리퀘스트에는 대표 워크로드에 대한 전후 측정값, 테스트 재현 명령, 메모리 또는 유지보수성 측면의 트레이드오프가 포함되어야 한다.

GitHub Agentic Workflows를 통한 자동화된 효율성 개선

GitHub는 대규모 저장소에서 효율성 개선 작업을 찾는 데 도움을 주기 위해 GitHub Agentic Workflows를 제공한다. 오픈 소스 'Daily Efficiency Improver' 워크플로우는 코드, 데이터, 네트워크, I/O, 프런트엔드 성능 전반에 걸쳐 저장소의 개선 기회를 검토한다.

이 워크플로우는 측정 가능한 변경 사항에 우선순위를 부여하고, 저장소의 테스트를 실행하며, 유지보수자가 검토할 수 있도록 증거와 트레이드오프를 포함한 드래프트 풀 리퀘스트를 생성할 수 있다. 그러나 변경 사항을 직접 병합하지는 않으며, 최종 결정은 유지보수자에게 있다. 예약된 워크플로우를 활성화하기 전에 권한, 구성, 모델 사용, 예상 실행 빈도, 예상 컴퓨팅 비용 등을 검토해야 하며, 적절한 테스트 저장소에서 시작하거나 수동으로 실행하는 것이 권장된다.

모든 권장 사항은 벤치마크와 테스트가 뒷받침할 때까지 가설로 취급해야 한다. 강력한 풀 리퀘스트는 발견된 낭비, 예상 개선을 나타내는 지표, 기준선, 기능 및 품질 유지 여부, 유지보수자가 고려해야 할 트레이드오프 등 다섯 가지 질문에 답해야 한다. AI는 개선 사항 검색, 테스트, 문서화에 도움을 줄 수 있지만, 증거의 타당성과 코드베이스에 변경 사항을 포함할지 여부는 여전히 사람이 결정한다.

엔지니어링 루프에 효율성 통합

효율성 작업은 개발자들이 이미 사용하는 도구 및 의사결정 과정에 통합될 때 가장 지속 가능하다. 저장소 수준의 워크플로우는 개선 기회를 발굴하고, 드래프트 풀 리퀘스트는 제안된 수정 사항을 보여주며, 벤치마크와 테스트는 작동 여부를 확인한다. 이후 유지보수자는 변경 사항을 수락, 수정 또는 거부할 수 있다.

이러한 순환 과정은 설문조사 응답자들이 요구했던 실질적인 지원, 즉 도구, 측정, 그리고 우려에서 코드로 이어지는 경로를 제공한다. 이 보고서의 데이터는 마케팅 이메일 수신에 동의한 GitHub 사용자의 비확률 표본을 기반으로 하므로, 모든 개발자 또는 GitHub 사용자를 대표하는 것으로 간주해서는 안 된다는 한계가 있다. 결과는 설문조사 응답자의 견해를 설명하며, AI 또는 개별 소프트웨어 시스템의 환경 발자국을 직접 측정하지는 않는다.