딥노트

개발사 딥노트

공식 웹사이트 https://deepnote.com/

Deepnote는 실시간 협업 SQL/Python 하이브리드 실행, 버전 관리 및 프로덕션 수준 일정 관리 기능을 제공하는 데이터 팀을 위한 클라우드 노트북 협업 플랫폼입니다.

딥노트

핵심 매개변수 및 통계

Deepnote의 공식 포지셔닝은 "데이터 팀 협업 플랫폼"에서 AI 에이전트, 데이터 앱, 대시보드, 파이프라인 일정 관리 및 모델 서비스와 같은 기능이 노트북 코어에 겹쳐진 "개방형 데이터 작업 공간"으로 진화했습니다. 기존 Jupyter의 클라우드 호스팅 버전이 아니라 "분석, 애플리케이션, 자동화"를 동일한 플랫폼에 통합한 데이터 운영 체제입니다.

프로젝트	공공정보
공식 포지셔닝	오픈데이터 작업공간(오픈데이터 작업공간)
핵심 형태	클라우드 노트북 + 데이터 앱 + AI 에이전트 + 대시보드
오픈소스 라이선스	Apache 2.0(GitHub 공개 저장소)
GitHub 스타	~3,000개의 별 / 199개의 포크
사용자 규모	500,000명 이상의 데이터 전문가
기업 고객	MoneyLion, 에스티 로더, SoundCloud, Statsig, Gusto, DAZN, Wooga, Papaya
교육 범위	전 세계 상위 100개 대학 중 96개 대학에서 사용
데이터 소스 통합	100개 이상의 내장 통합(Snowflake, BigQuery, Redshift, PostgreSQL, Databricks, ClickHouse 등)
적합성 인증	SOC 2 유형 II, HIPAA, GDPR, CCPA
지원되는 언어	파이썬, R, SQL
배포 방법	클라우드 SaaS / 자체 호스팅 오픈소스 / 기업 프라이빗 배포
본사	체코

Jupyter/Colab/Hex와의 포지셔닝 차이: Jupyter는 로컬 1인 도구이고 Colab은 무료 개인 실험 플랫폼이며 Hex는 BI 분석에 편향되어 있습니다. Deepnote의 차별화는 "탐색에서 생산까지의 통합"에 있습니다. 여러 도구 간에 내보내고 가져올 필요 없이 동일한 노트북을 예약된 파이프라인, 대화형 앱, 대시보드 또는 AI 에이전트의 기술 모듈로 현장에서 변환할 수 있습니다.

Deepnote AI Agent: 2026년에 홍보될 AI Agent 기능을 통해 사용자는 Notebook의 자연어 지침을 통해 데이터 쿼리, 코드 생성, 차트 생성 및 모델 배포를 실행할 수 있습니다. 에이전트는 사전 정의된 "기술" 모듈을 호출하여 재사용 가능한 분석 자동화 장치를 구성할 수 있습니다.

Deepnote 사용자 및 시장 인지도

Deepnote의 시장 인지도는 두 가지 수준, 즉 공공 자금 조달이나 수익 수치보다는 오픈 소스 커뮤니티에서의 입소문과 기업 고객의 보증에서 비롯됩니다.

커뮤니티 규모: 공식 페이지에 따르면 500,000명 이상의 데이터 전문가가 Deepnote를 사용하고 있습니다. GitHub의 공개 저장소에는 약 3,000개의 별과 199개의 포크가 있습니다. 커뮤니티 규모는 크지 않지만 기여자 목록(23명)에는 외부 기여자가 다수 포함되어 있어 오픈소스 생태계가 꾸준한 구축 단계에 있음을 알 수 있습니다. 제출은 2026년 7월에도 여전히 활성 상태이며 최근 커밋에는 데이터베이스 통합 보안 강화 및 CLI 기능 확장이 포함됩니다.

기업 고객 검증: 공개 로고 벽에 있는 회사는 SoundCloud(오디오 스트리밍), Estée Lauder(뷰티), MoneyLion(금융 기술), Statsig(A/B 테스트 플랫폼), Gusto(급여 및 복리후생), DAZN(스포츠 생방송), Wooga(게임), Papaya(결제) 등 다양한 산업 분야를 포괄합니다. 이들 기업의 데이터 팀 규모는 수십에서 수백까지 다양하며, 이는 Deepnote가 중소 데이터 팀과 대기업 모두에게 적합하다는 것을 나타냅니다.

교육 시장 침투: 세계 최고의 대학 중 96/100이 학생과 교육자를 위한 무료 전략 덕분에 Deepnote를 사용합니다. 교육 시나리오의 침투로 인해 "졸업 후 사용 습관을 없앨" Deepnote의 잠재 기업 사용자가 많이 양성되었으며, 이는 고객 확보 비용을 절감할 뿐만 아니라 향후 수익 전환의 기반을 형성합니다.

고객 사용후기: 공개 인용문 중 SoundCloud의 수석 데이터 분석가는 "Deepnote 구현은 BigQuery에 연결하는 것만큼 쉽습니다"라고 밝혔고, MoneyLion의 MLOps 엔지니어는 "JupyterHub에서 마이그레이션하는 데 비용이 거의 들지 않습니다"라고 말했으며, Gusto의 데이터 과학 책임자는 "설정 시간이 며칠에서 몇 초로 단축되었습니다"라고 말했습니다. 이러한 피드백은 단일 알고리즘 지표가 아닌 "쉬운 배포"와 "협업 효율성 향상"이라는 두 가지 차원에 중점을 둡니다.

Deepnote의 비용 우위

Deepnote의 비용 장점은 절대적으로 저렴한 가격에 있는 것이 아니라 "개인 무료 + 시트 기반 팀 + 기업 민영화"라는 계층적 적용 범위와 전체 데이터 분석 과정에서 도구 체인 전환 비용이 암묵적으로 절감된다는 점입니다.

C 클라이언트/개인 사용자: 무료 플랜은 영구적으로 사용할 수 있으며 편집자 3명, 프로젝트 최대 5개를 지원하고 무제한 기본 머신(5GB RAM / vCPU 2개), 7일 버전 기록 및 제한된 Deepnote AI 통화 할당량(AI 코드 완성 10회/월 및 자동 AI 5회/월)을 제공합니다. 개인 학습이나 소규모 탐험에는 완전히 충분합니다. 학생과 교사는 추가 무료 학점을 받습니다.

팀 계획(팀 협업): 편집자/월 $39(연간 결제, 약 20% 할인)에는 무제한 프로젝트 및 뷰어, GPT-5.5 및 Sonnet 4.6 액세스, 백그라운드 실행, 예약된 30일 버전 기록, 월간 $39 상당의 AI 크레딧, $280 상당의 CPU 컴퓨팅, $50 상당의 GPU 컴퓨팅이 포함됩니다. 핵심 가치는 컴퓨팅 리소스, AI 기능 및 협업 도구를 고정 좌석 요금으로 패키징하는 데 있습니다. JupyterHub(인프라) + GitHub Copilot(AI) + Slack(알림) + 자체 구축 스케줄러를 별도로 구독하는 것과 비교하면 일반적으로 총 비용을 40~60% 정도 줄일 수 있습니다.

엔터프라이즈/프라이빗 배포: 가격 책정에는 맞춤형 계약 및 송장, 우선 지원, 전담 고객 성공 관리자, 무제한 AI 할당량, 권한 그룹 SSO/디렉터리 동기화, 프라이빗 Docker 이미지, 가져온 LLM, 감사 로그, 단일 테넌트 배포 및 로컬 프라이빗 클라우드 옵션을 포함한 비즈니스 커뮤니케이션이 필요합니다. 기업의 실제 비용에는 좌석 요금뿐만 아니라 기존 워크플로 마이그레이션을 위한 데이터 파이프라인 조정 작업 시간, 직원 교육 주기, 규정 준수 감사에 대한 암묵적인 투자도 포함됩니다.

세 가지 유형의 솔루션에 대한 데이터 팀의 일반적인 월별 지출:

사용자 유형	일반적인 구성	월별 요금 견적	포함된 리소스	숨겨진 비용 고려사항
개인/학생	편집자 1명	$0	기본 기계, 제한된 AI	프로젝트 제한 5
소규모팀(5명)	편집자 5명 팀연봉	~$195/월	5×Plus 머신 AI 포인트	필요에 따라 과도한 컴퓨팅을 구입해야 함
중규모팀(20명)	편집자 20명 팀연봉	~$780/월	20×Plus 머신, 팀 권한 관리	Enterprise로 업그레이드할지 평가해야 함
기업(50명 이상)	기업 맞춤화	사업 확인 필요	개인 배포 SSO, 감사	마이그레이션 및 교육 비용

딥노트의 주요 기능

Deepnote의 기능 시스템은 "노트북을 핵심으로, AI 에이전트를 인텔리전스 계층으로, 데이터 앱/대시보드를 전달 계층으로, 파이프라인을 자동화 계층으로"하는 4계층 아키텍처를 중심으로 회전합니다. 다음 기능은 공개적으로 검증 가능한 기능입니다.

AI 에이전트 및 스킬 시스템: Deepnote AI 에이전트는 2026년 핵심 신기능입니다. 사용자는 노트북에서 AI 에이전트와 직접 대화할 수 있으며, 에이전트는 사전 정의된 "스킬" 모듈을 호출하여 데이터 쿼리, 코드 생성, 차트 생성, 모델 배포 등의 작업을 수행할 수 있습니다. 기술 모듈은 특정 분석 논리(예: "소득 분해", "사용자 유지 분석")를 캡슐화하는 재사용 가능한 노트북 단계 세트입니다. 팀의 도메인 지식은 에이전트가 기술의 형태로 호출할 수 있는 자산으로 침전될 수 있습니다. 시너지: 에이전트는 질문에 답변할 뿐만 아니라 작업 결과로 노트북을 생성합니다. 이는 대화의 텍스트 응답뿐만 아니라 "질문하기"부터 "재현 가능하고 공유 가능한 분석 보고서 얻기"까지의 전체 프로세스를 의미합니다.
SQL + Python 혼합 실행: 동일한 노트북에서 SQL과 Python을 동시에 사용하면 SQL 쿼리 결과가 수동 내보내기 없이 자동으로 DataFrame으로 변환됩니다. SQL 쿼리가 변수 및 조건부 논리 기능을 가질 수 있도록 하는 Jinja 템플릿 구문(dbt를 통해 통합)을 지원합니다. 전문가의 견해: 이는 단순히 "두 언어를 합치는 것"의 문제가 아니라 "데이터 확인 -> CSV 저장 -> Python 읽기"라는 분석가에게 가장 고통스러운 불연속적인 작업 흐름을 제거합니다. BigQuery 또는 Snowflake에서 수백만 개의 데이터를 쿼리한 후 Pandas 처리를 직접 수행합니다. 이전에는 3개의 도구를 전환해야 했던 작업을 5초 이내에 완료할 수 있습니다.
실시간 협업 및 버전 관리: 여러 사람이 동시에 동일한 노트북을 편집할 수 있으며, 커서, 출력, 실행 상태를 실시간으로 확인할 수 있습니다. 계획에 따라 7~30일 버전 기록이 내장되어 있으며 버전 비교 및 롤백을 지원합니다. 파일을 내보내지 않고도 링크를 통해 노트북을 공유할 수 있습니다. 시너지: 버전 기록과 실시간 공동작업을 결합하면 "누가 무엇을 변경했는지" 추적하는 비용이 제거됩니다. 기존 Jupyter 워크플로에서는 팀 구성원이 파일 이름과 날짜 접미사(analytic_final_v3_final_real.ipynb)를 통해 관리하는 혼란이 통합 상태와 추적 가능한 변경 기록으로 대체됩니다.
데이터 앱 및 대시보드: 사용자 정의 레이아웃, 입력 구성 요소(텍스트, 선택기, 슬라이더, 날짜 선택기) 및 버튼 트리거 작업을 지원하는 한 번의 클릭으로 노트북을 대화형 웹 애플리케이션으로 변환합니다. 대시보드 모드는 분석 결과를 팀이 볼 수 있는 자산으로 구체화하는데 적합하며, 데이터는 실시간으로 기반 노트북과 연결됩니다. 시나리오 가치: 비즈니스 담당자는 코드를 건드리지 않고도 매개변수 선택기를 통해 다양한 차원의 데이터 보기를 볼 수 있으므로 데이터 팀은 "비즈니스를 위해 데이터를 가져오는" 반복 작업에서 벗어날 수 있습니다.
Pipeline Scheduling 및 Notebook API: 시간/일/주/월별 노트북 실행 예약을 지원하고, 완료 시 자동으로 Slack 또는 이메일을 통해 결과를 배포합니다. 동시에 노트북을 REST API 엔드포인트로 배포하여 모델 서비스 또는 데이터 인터페이스의 생성을 실현할 수 있습니다. 엔지니어링 팁: 스케줄러의 실제 가치는 예약된 실행뿐만 아니라 "재현성"에 있습니다. 각 실행은 동일한 컨텍스트 및 동일한 데이터 소스를 기반으로 하며 출력을 추적할 수 있어 "지난주 보고서가 이번 주 보고서와 다릅니다"라는 논란을 피할 수 있습니다.
100개 이상의 기본 제공 데이터 소스 통합: 데이터 웨어하우스(Snowflake, BigQuery, Redshift, ClickHouse, Athena), 데이터베이스(PostgreSQL, MySQL, SQL Server, MongoDB, Databricks), 파일 저장소(S3, GCS, Google Drive, Dropbox, OneDrive), 공동 작업 도구(Slack, Notion, Airtable) 및 ML 플랫폼(dbt, MLflow, W&B, Neptune) 등을 포괄합니다. 팀의 위 솔루션은 VPN/SSH 터널을 지원하여 개인 네트워크 내의 데이터 소스를 연결합니다.
모델 훈련 및 GPU 지원: Deepnote는 노트북 내에서 모델 훈련, 평가 및 서비스 배포를 지원하기 위해 GPU 머신 옵션(12GB K80 GPU)을 제공합니다. Team 플랜에는 매월 50달러의 GPU 크레딧이 포함되어 있습니다. 경계 설명: Deepnote의 GPU는 중소 규모 모델 훈련 및 미세 조정(예: LLaMA 7B 미세 조정)에는 적합하지만 다중 카드 병렬 처리가 필요한 대규모 분산 훈련이나 고강도 딥 러닝 작업에는 적합하지 않습니다.
오픈 소스 툴체인: 2026년에 오픈 소스로 제공되는 핵심 구성 요소에는 @deepnote/blocks(노트북 블록 유형 정의 및 Python 코드 생성), @deepnote/convert(.ipynb/.qmd/.py 및 .deepnote 형식 간의 양방향 변환 CLI) 및 Deepnote VS Code/Cursor/Windsurf 확장이 포함됩니다. 오픈소스 전략의 의의는 팀이 로컬 IDE에서 .deepnote 파일을 편집한 다음 이를 Deepnote Cloud로 드래그하여 협업할 수 있다는 점이며, 이는 "로컬 개발/클라우드 협업"의 분리 문제를 해결합니다.

Deepnote의 모델 및 버전 진화

SaaS 서비스인 Deepnote에는 전통적인 의미의 "버전 번호" 개념이 없습니다. 다음은 공개적으로 추적 가능한 마일스톤 노드로 구성된 진화 프로세스입니다.

기본 플랫폼 단계(2021~2024)

공개 출시(~2021-09): Deepnote가 클라우드 노트북 협업 플랫폼으로 최초로 공개 출시됩니다. 핵심 셀링 포인트는 'Google Docs와 유사한 데이터 노트북 협업'입니다. 아직 공식적인 정확한 날짜는 없습니다.
SQL 블록 릴리스(~2022): 기본 SQL 실행 블록을 도입하고, 동일한 노트북에서 Python과 SQL을 혼합하도록 지원하며, 쿼리 결과가 자동으로 DataFrame으로 변환됩니다. 이 단계는 Jupyter의 %%sql 매직을 기반으로 하지만 보다 완전한 통합 경험을 제공합니다.
데이터 앱/대시보드 출시(~2023): 노트북 출력을 대화형 웹 애플리케이션 및 대시보드로 업그레이드하여 노트북 전달 형태를 확장합니다.
엔터프라이즈 버전 및 엔터프라이즈급 기능(~2023~2024) : 중대형 조직의 구매 분야 진출을 위해 SSO, RBAC, 감사 로그 HIPAA 준수, 프라이빗 배포 등 엔터프라이즈급 기능을 도입합니다.

AI 네이티브 단계(2025~2026)

AI 코드 완성 및 자동 AI(~2025): 코드 자동 완성, 자연어 코드 생성, 코드 설명, 자동 차트 생성 등 AI 지원 기능을 노트북에 내장합니다. 각 무료 요금제는 월 5~10회로 제한되며, 팀 이상에는 제한이 없습니다.
오픈소스 코어(2025~2026): 2025년부터 점진적으로 오픈소스가 진행되며 @deepnote/blocks, @deepnote/convert, @deepnote/cli, @deepnote/runtime-core 등 핵심 패키지와 기타 핵심 패키지가 Apache 2.0 라이선스로 출시됩니다. GitHub 저장소는 현재 활발하게 개발 중입니다.
AI 에이전트 및 스킬 시스템(2026): 스킬 모듈을 통해 분석 워크플로우 호출을 지원하기 위해 대화형 AI 에이전트를 도입했습니다. 이는 Deepnote가 "편집 도구"에서 "지능형 데이터 플랫폼"으로 변모하는 핵심 노드입니다.
.deepnote YAML 형식(2026): .ipynb의 JSON 형식을 대체하고 사람이 읽을 수 있는 YAML 형식을 사용하여 Git diff 및 버전 제어를 위한 노트북을 저장합니다.

버전 상태

현재 Deepnote는 SaaS 서비스로 지속적으로 반복되고 있으며 고정된 버전 번호는 없습니다. GitHub의 @deepnote/runtime-core 최신 버전은 0.4.0(2026-06)이며, 총 릴리즈 수는 89개입니다. 클라우드 제품의 기능 업데이트는 deepnote.com/changelog를 통해 공개됩니다. 실시간 벤치마크로 공식 변경 로그 및 GitHub 릴리스를 사용하는 것이 좋습니다.

Deepnote의 기술적 장점

Deepnote의 기술적 장점은 단일한 성능 혁신 지점이 아닌 "아키텍처적 통일성"에서 비롯됩니다. 핵심은 전체 데이터 분석 프로세스에서 도구 전환 마찰을 제거하는 데 있습니다.

4계층 통합 아키텍처: 노트북(분석 계층), AI Agent(지능 계층), 데이터 앱/대시보드(전달 계층), 파이프라인(자동화 계층)이 동일한 기본 플랫폼에 구축됩니다. 데이터 팀은 동일한 환경에서 데이터 수집, 탐색 및 분석, 모델 구축부터 애플리케이션 제공까지 모든 단계를 완료할 수 있습니다. 메커니즘 및 효과: 기존 워크플로에서는 분석가가 Jupyter에서 코드를 작성하고, Slack을 사용하여 결과를 전송하고, Tableau를 사용하여 대시보드를 만듭니다. 도구를 변경할 때마다 컨텍스트 전환 및 형식 변환 비용이 발생합니다. Deepnote는 이 4가지 단계를 하나의 플랫폼으로 통합하여 단일 분석 작업에 대한 도구 전환 횟수를 4~5회에서 0~1회로 줄입니다.

반응형 실행 엔진: 노트북은 반응형 컴퓨팅 모델을 채택합니다. 즉, 업스트림 블록의 데이터나 코드가 변경되면 이 블록에 의존하는 모든 다운스트림 블록이 자동으로 다시 실행됩니다. 기술적 의미: 기존 Jupyter에서는 데이터 로딩 블록을 수정한 후 모든 후속 종속성 블록을 수동으로 다시 실행해야 합니다. 생략하면 일관성 없는 결과가 발생합니다. 반응형 실행은 결과의 재현성을 보장하는 동시에 "특정 단계를 다시 실행하는 것을 잊음"으로 인한 디버깅 시간 낭비를 줄입니다.

.deepnote 파일 형식의 혁신: YAML을 사용하여 .ipynb의 JSON 형식을 대체하고 노트북, 데이터 소스 통합 구성 및 컨텍스트 설정을 동일한 .deepnote 파일에 저장합니다. Git 워크플로에 대한 직접적인 영향: .ipynb의 JSON 구조는 Git diff(하나의 큰 JSON blob)에서 거의 읽을 수 없는 반면, YAML 형식을 사용하면 코드 변경 사항과 출력 변경 사항을 읽을 수 있으며 팀은 노트북 변경 사항과 코드를 검토할 수 있습니다. 동시에 소스 코드에서 출력을 분리하기 위해 contentHash 메커니즘이 도입되었습니다. 코드 변경만 diff를 트리거하고 차트 출력 변경은 Git 기록을 오염시키지 않습니다.

100개 이상의 기본 제공 통합 - 구성이 필요 없는 연결: Deepnote의 통합은 "플러그인"이 아닌 "내장"입니다. 사용자는 드라이버 설치, ODBC 구성 또는 연결 문자열 편집 없이 데이터베이스 자격 증명이나 OAuth 인증만 입력하면 연결됩니다. 엔지니어링 가치: 5개 이상의 데이터 소스 유형이 있는 중소기업 및 대기업의 경우 각 커넥터의 수동 구성 및 유지 관리 비용이 과소평가되는 경우가 많습니다. Deepnote의 통합 방법은 새로운 데이터 소스에 액세스하는 시간을 몇 시간에서 몇 분으로 줄여줍니다.

AI 에이전트의 도구 호출 아키텍처: Deepnote AI 에이전트가 노출하는 핵심 도구 동작에는 스킬 모듈을 호출하는 deepnote.run(skill, ...), 데이터베이스에 직접 쿼리하는 deepnote.query(sql), 차트를 생성하는 deepnote.chart(data, type, ...), 노트북을 공유 링크로 게시하는 deepnote.publish(notebook)가 포함됩니다. 워크플로 링크는 '사용자 프롬프트 -> LLM -> 도구 선택 -> 기술/쿼리 실행 -> 노트북에서 결과 렌더링'입니다. 모델은 이러한 도구를 사용하여 사용자 의도를 이해하는 것부터 재현 가능한 분석 결과를 제공하는 것까지 전체 프로세스를 완료합니다. 함정 가이드: 에이전트는 다단계 작업에서 동일한 쿼리를 반복적으로 실행하는 문제가 있을 수 있습니다. 스킬을 설계할 때 멱등성과 결과 캐싱을 고려하는 것이 좋습니다. 대량의 데이터 집계가 포함된 쿼리의 경우 에이전트가 계산이 제한을 초과하게 만드는 전체 테이블 스캔 문을 생성하지 않도록 쿼리 시간 초과 및 결과 행 수의 상한을 설정해야 합니다.

오픈소스와 클라우드 간의 양방향 채널: 오픈소스 웨어하우스와 클라우드 간의 관계는 단방향이 아닙니다. 사용자는 VS Code 또는 Cursor에서 로컬로 .deepnote 파일을 편집한 다음 팀 협업 및 클라우드 컴퓨팅을 위해 Deepnote Cloud로 끌어서 놓을 수 있습니다. 지속적인 편집을 위해 클라우드 노트북을 로컬 '.deepnote' 파일로 다운로드할 수도 있습니다. 이러한 양방향성은 업계에서는 덜 일반적입니다. 대부분의 클라우드 노트북(예: Colab, Kaggle)은 오프라인으로 편집할 수 없으며 로컬 도구(예: Jupyter)에는 공동 작업 기능이 부족합니다.

사용방법

Deepnote는 개인 탐색, 팀 협업, 기업 수준 배포를 포함하는 다양한 진입 경로를 제공합니다.

사용 방법	사람들에게 적합	특징	비용
Deepnote Cloud(웹 버전)	모든 사용자	deepnote.com을 방문하여 등록하고 사용하세요. 클라우드 호스팅에는 설치가 필요하지 않습니다	무료(편집자 3명/프로젝트 5개) 이상
VS 코드/커서/윈드서프 확장	개발자	IDE에서 .deepnote 파일 편집, 로컬 실행 또는 클라우드로 푸시	오픈 소스 및 무료
CLI 도구(@deepnote/cli)	DevOps/고급 사용자	명령줄 관리 통합, 노트북 실행, 형식 변환	오픈 소스 및 무료
엔터프라이즈 프라이빗 배포	규정 준수 요구 사항이 높은 조직	단일 테넌트/프라이빗 클라우드 배포, 영업팀에 문의하세요	사업 확인 필요

빠른 시작(클라우드):

'deepnote.com'을 방문하여 계정을 등록하고 무료 요금제를 선택하세요.
새 프로젝트를 생성하고 Python 또는 R 커널을 선택합니다.
Notebook에 SQL 블록을 추가하여 데이터 웨어하우스(예: BigQuery, Snowflake)에 연결하거나 CSV 파일을 업로드합니다.
데이터 처리 및 시각화, AI 코드 완성을 위해 Python 블록을 사용하여 코딩 속도를 높입니다.
"게시"를 클릭하여 노트북을 링크로 공유하거나 일정을 사용하여 예약된 실행을 설정합니다.
필요한 경우 앱 모드를 사용하여 노트북을 대화형 애플리케이션으로 전환합니다.

빠르게 시작하세요(오픈소스 로컬): ``배쉬

@deepnote/convert CLI 설치

npm install -g @deepnote/convert

기존 Jupyter Notebook을 .deepnote 형식으로 변환합니다.

deepnote-notebook.ipynb 변환

VS Code에서 .deepnote 파일을 엽니다(Deepnote 확장 프로그램을 설치해야 함)

코드 노트.deepnote



**AI 에이전트 호출 방법**: 노트에서 AI 어시스턴트 패널을 열고 "3월 매출 감소 원인 분석" 등 자연어 명령어를 직접 입력하세요. 에이전트는 미리 정의된 "수익 분해" 기술을 자동으로 호출하고 쿼리, 시각화 및 결론이 포함된 분석 노트북을 생성합니다. 재사용 가능한 분석 자산 풀을 형성하기 위해 데이터 팀이 기술을 사전 정의하고 촉진할 수 있습니다.

**마이그레이션 경로**: Jupyter에서 Deepnote로 마이그레이션하려면 일반적으로 3단계가 필요합니다: (1) `deepnote-convert`를 통해 `.ipynb`를 `.deepnote`로 변환합니다. (2) 하드 코딩된 데이터베이스 연결을 대체하도록 데이터 소스 통합을 구성합니다. (3) Deepnote Cloud에서 실행 결과 일관성을 확인합니다. 공식 고객 인용에 따르면 마이그레이션 프로세스는 노트북 수와 데이터 소스 복잡성에 따라 몇 시간에서 며칠까지 소요됩니다.

## Deepnote 제품 가격

딥노트 가격 페이지에는 Free, Team, Enterprise 3가지 요금제가 공개되어 있으며, 전체적인 구조는 "무료 검증 -> 좌석당 과금 -> 기업 비즈니스"라는 진보적인 구조를 제시하고 있습니다.

| 치수 | 무료 | 팀 ($39/편집자/월, 연간 지불) | 기업 |
|---|---|---|---|
| 최대 편집자 수 | 3 | 제한 없음 | 제한 없음 |
| 프로젝트 수 | 5 | 제한 없음 | 제한 없음 |
| AI 코드 완성 | 10회/월 | 제한 없음 | 제한 없음 |
| 자동 AI/코드 생성 | 월 5회 | 제한 없음 | 제한 없음 |
| AI 에이전트(GPT-5.5 / Sonnet 4.6) | 없음 | 포함됨 | 포함됨 + 자신의 LLM을 가져올 수 있음 |
| 기계 사양 | 기본(5GB RAM, 2 vCPU) 무제한 | 플러스(16GB RAM, 4 vCPU) 무제한 | 플러스 + 성능 + GPU 옵션 |
| GPU 컴퓨팅 | 없음 | $50 월간 크레딧 | 확장 가능한 대량 할인 |
| 예정된 일정 | 없음 | 지원 | 지원 |
| 버전 기록 | 7일 | 30일 | 무제한 |
| SSO/디렉터리 동기화 | 없음 | 없음 | 지원됨 |
| 감사 로그 | 없음 | 없음 | 지원 |
| HIPAA 준수 | 없음 | 없음 | 지원 |
| 개인 배포 | 없음 | 없음 | 단일 테넌트/온프레미스 프라이빗 클라우드 |

**AI 포인트 메커니즘**: 팀 플랜에는 월 $39의 AI 포인트가 포함되어 있으며, 이는 GPT-5.5 및 Sonnet 4.6과 같은 외부 LLM 모델을 호출하는 데 사용할 수 있습니다. 초과 금액은 수량에 따라 재구매해야 합니다. AI 에이전트를 많이 사용하는 팀의 경우 이는 실제 월별 요금이 기본 좌석 요금보다 높을 수 있으며 예산에 유연성을 확보해야 함을 의미합니다.

**교육 할인**: 학생과 교육자는 Deepnote 교육 침투 전략의 핵심 요소인 팀 수준 기능(무제한 AI 및 제한된 GPU)에 무료로 액세스할 수 있습니다.

**컴퓨팅 리소스 보충**: 팀 플랜에는 매달 USD 280 상당의 CPU 컴퓨팅과 USD 50 GPU 컴퓨팅 크레딧도 포함됩니다. 분석 작업에 대규모 데이터 스캐닝 또는 모델 교육이 포함된 경우 필요에 따라 성능(64GB RAM, 16 vCPU), 대용량 메모리(128GB RAM, 16 vCPU) 또는 GPU(K80) 시스템을 구매하여 확장할 수 있습니다.

## 애플리케이션 시나리오

Deepnote의 구현 시나리오는 데이터 팀의 일상 업무 전체 프로세스를 다룹니다. 다음 네 가지 시나리오는 경험적 사례를 통해 지원됩니다.

- **데이터 팀 협업 분석**: 여러 분석가가 노트북을 공유하고, 서로의 진행 상황과 출력을 실시간으로 확인하고, 댓글과 버전 기록을 통해 변경 사항을 추적합니다. **일반적인 혜택 공제**: 이전에는 5명으로 구성된 데이터 팀이 Slack을 통해 .ipynb 파일을 서로 전송하고, 충돌을 수동으로 병합하고, 이메일을 통해 변경 사항을 전달했습니다. 각 분석 작업의 관리 비용은 총 작업 시간의 약 20~30%를 차지했습니다. Deepnote로 마이그레이션하면 협업 관리 비용을 5% 미만으로 줄일 수 있습니다. **구현 팁**: 팀은 노트북 조직 사양(폴더 구조, 명명 규칙, 기술 축적 프로세스)을 설정해야 합니다. 그렇지 않으면 실시간 편집이 "누구나 변경할 수 있는" 혼란스러운 상황으로 발전할 수 있습니다.

- **자동 보고 및 예약 배포**: 스케줄러를 이용하여 일간/주간/월간 분석 노트북을 실행하고, 결과 보고서를 Slack Webhook 또는 이메일을 통해 자동 배포합니다. **일반적인 수익 공제**: 일반적인 주간 보고서 생성 시나리오입니다. 이전에는 분석가들이 매주 수동으로 데이터를 가져오고, 차트를 만들고, 요약을 작성하고, 이메일을 보냈는데, 이 작업에 주당 약 2~3시간이 걸렸습니다. 스케줄러를 사용하면 노력의 중복이 0으로 줄어들고 구경 일관성은 매달 확인하면 됩니다. **구현 팁**: 일정 결과의 품질은 업스트림 데이터 소스의 안정성에 따라 달라집니다. "잘못된 데이터가 자동으로 전송되는" 위험을 피하기 위해 스케줄링 링크의 각 섹션에서 데이터 품질 검사(NULL 비율, 행 번호 변동, 이상치 감지)를 설정하는 것이 좋습니다.

- **대화형 데이터 앱**: 매개변수 선택기를 사용하여 분석 노트북을 대화형 웹 애플리케이션으로 변환합니다. 데이터팀의 개입 없이 비즈니스팀이 직접 차원을 선택해 데이터를 조회할 수 있습니다. **일반적인 수익 공제**: 이전에 전자상거래 운영팀은 "특정 기간 동안 특정 채널의 데이터를 가져오는 데 도움을 달라"고 매달 20~30건의 요청을 했습니다. 각 요청에는 평균 30분이 소요되었습니다. Data App으로 전환한 후에는 운영 직원이 직접 볼 수 있어 데이터 팀이 매월 15~20시간의 작업 시간을 절약할 수 있습니다. **구현 팁**: 데이터 앱 유지 관리 비용(매개변수 업데이트, 데이터 소스 변경, UI 조정)은 여전히 데이터 팀이 부담해야 합니다. 빈도가 높고 안정적인 분석이 필요한 경우에만 Data App을 구축하는 것이 좋습니다.

- **AI 에이전트 기반 셀프 서비스 분석**: 비즈니스 담당자가 AI 에이전트에 자연어를 통해 질문하면 에이전트가 자동으로 스킬 모듈을 호출하여 데이터 쿼리, 분석, 결론 생성을 완료합니다. **일반적인 혜택 공제**: 기술이 아닌 역할(제품 관리자, 운영)의 경우 이전에는 데이터 팀이 응답할 때까지 줄을 서서 기다려야 했으며 평균 대기 시간은 4~6시간이었습니다. AI Agent를 사용하면 일반적인 분석 질문("지난주 신규 사용자의 유지율은 얼마였습니까?")을 데이터 소스를 통해 1~2분 이내에 답변할 수 있습니다. **구현 팁**: 에이전트의 출력 품질은 스킬의 패키징 품질에 직접적으로 좌우됩니다. 스킬 모듈의 경계가 흐릿하거나 데이터 규모가 균일하지 않은 경우 에이전트가 표면적으로는 합리적이지만 실제로는 잘못된 결론을 내릴 수 있습니다. 초기 단계에서는 Agent의 쿼리 도메인을 제한(특정 데이터 소스에만 액세스)하고, 핵심 지표에 수준 높은 설명 텍스트를 추가하는 것이 좋습니다.

## 해당자

Deepnote의 다단계 기능 설계를 통해 개인 분석가부터 기업 데이터 부서까지 광범위한 사용자 그룹에 서비스를 제공할 수 있습니다.

- **데이터 과학자 및 기계 학습 엔지니어**: 데이터를 대화형으로 탐색하고, 중소 규모 모델을 교육하고, 결과를 대화형 애플리케이션에 전달해야 하는 사용자에게 적합합니다. Python/R/SQL 하이브리드 실행 및 GPU 지원은 탐색부터 모델링까지 필수적인 요구 사항을 충족합니다. **부적합한 경계**: 대규모 분산 교육(4개 이상의 카드 GPU 클러스터가 필요한 시나리오), 맞춤형 CUDA 컨텍스트, 지연 시간이 짧은 모델 추론 서비스 - 이러한 요구 사항은 전문 교육 플랫폼 또는 추론 프레임워크를 사용해야 합니다.

- **데이터 분석가 및 BI 분석가**: Deepnote의 핵심 사용자 그룹입니다. SQL 블록 + Python 블록 + 시각화 블록의 조합을 사용하면 다른 도구 간에 전환할 필요 없이 하나의 플랫폼에서 데이터 수집부터 보고서 전달까지 전체 프로세스를 완료할 수 있습니다. **경계에 적합하지 않음**: 순수한 데이터 시각화가 필요한 경우(코딩 필요 없음) Tableau 또는 Power BI가 학습 비용이 더 낮습니다. 엔터프라이즈 수준의 데이터 카탈로그와 거버넌스가 필요한 BI 시나리오라면 기존 BI 플랫폼이 더 적합할 수 있습니다.

- **데이터 엔지니어 및 플랫폼 팀**: Notebook API, 스케줄러 및 GitHub/GitLab 동기화 기능을 통해 데이터 엔지니어는 Deepnote를 데이터 파이프라인용 개발 및 운영 플랫폼으로 사용할 수 있습니다. 오픈 소스 도구 체인(CLI, 변환기 VS Code 확장)은 버전 관리 및 CI/CD 통합을 지원합니다. **경계에 적합하지 않음**: 팀이 Airflow/Dagster와 같은 전문 DAG 오케스트레이션 도구에 크게 의존하는 경우 Deepnote의 스케줄러는 현재 가벼운 예약 작업에 더 적합하며 완전한 오케스트레이션 플랫폼을 대체하기 어렵습니다.

- **제품 관리자 및 운영 직원(간접 사용자)**: 데이터 앱 및 대시보드 사용자로서 매개변수 선택기를 통해 직접 데이터를 볼 수 있어 데이터팀에 대한 의존도가 줄어듭니다. **전제 조건**: 데이터 팀은 해당 데이터 앱 또는 대시보드를 미리 구축하고 데이터 품질이 정기적으로 업데이트되도록 해야 합니다.

- **학생 및 교육자**: 무료 팀 수준 액세스로 인해 데이터 과학 교육에 이상적인 플랫폼입니다. 96/100개의 최고 대학을 포함하여 교육적 적합성을 검증합니다. **참고**: 교육 계정의 상업적 사용은 제한되어 있으며 졸업 후에는 유료 요금제로 전환해야 합니다.

**부적합한 시나리오 요약**: 협업이 필요하지 않은 독립적인 분석 작업(Jupyter 로컬 버전이 더 가볍습니다) 대규모 생산 수준 모델 교육(전용 교육 플랫폼이 더 적합함) 완전한 제로 코드 BI 시나리오(Tableau/Power BI가 더 직접적임) 복잡한 DAG 오케스트레이션이 필요한 데이터 파이프라인(Airflow/Dagster 등이 더 전문적임)

## Deepnote 개요 및 전망

Deepnote는 "클라우드 노트북 협업 도구"에서 "AI 기반 데이터 작업 공간"으로 진화하고 있습니다. 핵심 가치는 데이터 탐색, AI 분석, 애플리케이션 제공 및 자동화된 일정 관리를 하나의 플랫폼으로 통합하여 전체 데이터 분석 프로세스에서 도구 전환 마찰을 제거하는 데 있습니다. 50만 명 이상의 사용자 규모, 상위 대학의 96/100 커버리지, SoundCloud 및 MoneyLion과 같은 기업 고객의 승인은 제품 형태가 개인, 교육 및 기업의 세 가지 시장에서 검증되었음을 나타냅니다.

**현재 핵심 장점**: 4계층 통합 아키텍처(노트북/AI 에이전트/데이터 앱/파이프라인)는 업계 고유의 통합 경험을 제공합니다. 오픈 소스 전략은 팀의 시행착오 비용을 줄이는 동시에 로컬 개발 및 클라우드 협업을 위한 양방향 채널을 구축합니다. 100개 이상의 기본 제공 통합 및 SOC 2/HIPAA/GDPR 준수를 통해 기업 조달의 기본 임계값이 됩니다. AI 에이전트의 스킬 시스템은 팀 지식 축적을 위한 재사용 가능한 메커니즘을 제공합니다.

**현재 주요 제한 사항**: GPU 기능이 제한되어 있어(K80만 해당) 대규모 딥 러닝 훈련에 적합하지 않습니다. 팀 솔루션에는 30일 버전 기록만 있으므로 장기적인 감사 추적이 필요한 팀에는 충분하지 않을 수 있습니다. AI 에이전트의 신뢰성은 스킬 모듈의 패키징 품질에 따라 달라지며, 이를 위해서는 데이터 팀이 초기 단계에서 스킬 설계 및 디버깅에 시간을 투자해야 합니다. 기업 프라이빗 배포에 대한 가격 임계값이 높고 구체적인 조건이 투명하지 않습니다. 데이터 앱의 UI 사용자 지정 기능은 제한되어 있으며 상호 작용이 많은 고객 대상 애플리케이션 시나리오에는 적합하지 않습니다.

**추가 관찰 포인트**: AI 에이전트의 스킬 생태계가 커뮤니티 공유를 형성할 수 있는지 여부(MCP 시장 모델과 유사); GPU 컴퓨팅 기능을 보다 현대적인 GPU 모델로 확장할 수 있는지 여부 팀 솔루션에서 버전 기록 보존 기간을 연장할 수 있는지 여부 오픈 소스 커뮤니티의 규모가 3,000개 스타에서 타사 플러그인 생태계를 지원하기에 충분한 수준까지 성장할 수 있는지 여부입니다.

**구매 및 채택 위험 평가**: 개인과 학생의 경우 무료 플랜은 위험이 없으며 시장에서 가장 사용자 친화적인 데이터 노트북 중 하나입니다. 소규모 데이터 팀의 경우 무료 또는 팀 계획으로 시작하여 1-2개의 빈도가 높고 복잡성이 낮은 분석 프로세스(예: 주간 보고서 자동화, 핵심 지표 대시보드)를 파일럿으로 선택하여 팀 협업 품질 및 일정 안정성에서 Deepnote의 성능을 확인한 다음 점차 더 많은 시나리오로 확장하는 것이 좋습니다. 기업 조달을 고려하는 기업의 경우 파일럿 기간 동안 다음 사항에 중점을 두는 것이 좋습니다. (1) 기존 .ipynb 마이그레이션의 호환성(복잡한 사용자 정의 라이브러리 및 커널 구성은 원활하게 마이그레이션되지 않을 수 있음) (2) 실제 비즈니스 쿼리에 대한 AI Agent의 정확도 및 재현율 - 평가 테스트 세트로 일반적인 비즈니스 쿼리를 최소 100개 이상 준비하는 것이 좋습니다. (3) 프라이빗 배포 솔루션의 운영 및 유지 관리 복잡성과 기존 인프라의 통합 비용. 계약 수준에서는 데이터 저장 위치, 암호화 정책, 감사 로그 보존 기간 및 SLA 조건을 확인해야 합니다. AI Agent가 호출한 외부 LLM 모델(GPT-5.5/Sonnet 4.6) 데이터가 모델 학습에 사용될지 여부에 특히 주의하세요.

관련 도구: hugging-face, replicate

버전 정보

Deepnote 2026년 6월 업데이트 ：고정된 버전 번호가 없는 지속적으로 반복되는 클라우드 서비스입니다. （2026-06）
Deepnote가 공개적으로 출시되었습니다 ：아직 공식적인 정확한 날짜는 없습니다. （~2021-09）

사용자 후기

후기를 불러오는 중...