개발 블로그

클로드 텐엑스: 10배 더 스마트한 직장인을 위한 <클로드로 AI 에이전트 만들기> 수강 후기

본 포스팅은 10x 체험단 활동의 일환으로 강의 수강권을 제공받아 작성한 후기입니다.안녕하세요! 코드잇 10x(코드잇 텐엑스) 체험단으로 참여해서 클로드(Claude) 웹으로 나만의 AI 에이전트를 만들어보는 강의를 듣고 있는 체험단원입니다. 어느새 2주차 성장 기록을 남길 때가 되었네요. 이번 주에 배운 내용과 직접 실습하면서 느낀 점들을 솔직하게 정리해보려고 합니다.이번주, 내가 배운 핵심이번 주의 가장 큰 수확은 클로드의 스킬(Skill)과 커넥터(Connector) 기능이었습니다. 그동안은 클로드를 그냥질문하면 답해주는 챗봇정도로만 생각했는데, 구글 드라이브 커넥터를 연결하니 클로드가 제 드라이브 안의 실제 문서를 직접 읽어와서 업무에 활용할 수 있다는 걸 알게 됐어요. 1.실습 미션으로 cust..

1. 모델 서빙(Model Serving)의 본질과 필요성모델 서빙이란 무엇인가?학습이 완료된 머신러닝/딥러닝 모델을 파일 형태(e.g., .pth, .onnx, .saved_model)로 방치하지 않고, 외부 애플리케이션이 네트워크(HTTP, gRPC)를 통해 실시간 혹은 배치로 추론(Inference) 결과를 요청하고 받아갈 수 있도록 API 형태로 패키징하여 운영 환경에 노출하는 과정을 말합니다.왜 필요한가? (기존 소프트웨어와의 차이점)전통적인 백엔드 애플리케이션은 데이터의 연산 처리가 CPU와 메모리 바운드(Memory-bound) 성격을 띠며 예측 가능한 선형적 흐름을 갖습니다. 반면 ML 추론은 다음과 같은 독특한 제약 조건을 가집니다.무거운 리소스 집약성 (Heavy Compute-boun..

오늘이 마지막 위클리 페이퍼 작성일이라서 기분이 이상하네요. 마지막까지 최선을 다해보도록 하겠습니다. 😊1. Streamlit을 활용한 AI 모델 통합: Load, Input, OutputStreamlit은 데이터 및 AI 애플리케이션을 빠르게 프로토타이핑할 수 있는 강력한 도구입니다. 하지만 머신러닝 모델을 얹을 때는 상태 관리와 메모리 최적화를 반드시 고려해야 합니다. import streamlit as stimport torchfrom PIL import Image# 1. 모델 로드 (Model Load)@st.cache_resourcedef load_model(): # 예시: PyTorch 모델 로드 model = torch.hub.load('ultralytics/yolov5', 'y..

1. 딥러닝 모델을 ONNX, TensorRT 포맷으로 변환하는 이유PyTorch나 TensorFlow 같은 프레임워크는 '학습(Training)'에 최적화된 무거운 환경입니다. 이를 그대로 프로덕션환경에 올리는 것은 비효율적입니다.ONNX (Open Neural Network Exchange): * 목적: 프레임워크 종속성 탈피.PyTorch에서 학습한 모델을 C++, Go, Java 등 다양한 백엔드 환경에서 쉽게 서빙할 수 있도록 표준화된 포맷으로 변환합니다.TensorRT: * 목적: NVIDIA GPU 환경에서의 극단적인 추론(Inference) 속도 최적화.네트워크의 레이어를 병합(Layer Fusion)하고, 하드웨어에 맞는 정밀도로 연산을 재구성하여 레이턴시를 최소화합니다.설계 의도 (De..

​ Docker 이미지, Docker Compose, Kubernetes 개념 정리1. Docker 이미지와 컨테이너의 차이Docker를 처음 접하면 이미지와 컨테이너의 차이가 헷갈릴 수 있다. 두 개념을 간단히 설명하면, Docker 이미지는 컨테이너를 만들기 위한 설계도이고, 컨테이너는 이미지를 바탕으로 실제 실행된 인스턴스이다.Docker 이미지란?Docker 이미지는 애플리케이션을 실행하는 데 필요한 파일들을 하나로 묶어놓은 패키지이다. 이미지에는 다음과 같은 내용이 포함될 수 있다.운영체제의 기본 환경애플리케이션 실행 파일라이브러리와 패키지환경 설정애플리케이션 실행 명령어예를 들어 Python으로 만든 웹 애플리케이션을 실행하려면 Python 실행 환경, 필요한 라이브러리, 소스 코드 등이 필요..

Q1. LLM이 생성한 텍스트에서 할루시네이션이란 무엇이고, 왜 문제가 되나요?1. LLM 할루시네이션 (1) 정의 할루시네이션은 LLM이 사실과 다르거나 근거가 불확실한 내용을 그럴듯하게 생성하는 현상입니다. LLM은 기본적으로 다음에 올 가능성이 높은 단어를 예측해 문장을 생성하기 때문에, 문장이 자연스럽다고 해서 그 내용이 반드시 사실이라는 뜻은 아닙니다. (2) 왜 발생하는가? 첫째, LLM은 기본적으로 확률 기반 생성 모델입니다. 모델은 “진실”을 직접 판단한다기보다, 학습 데이터에서 본 패턴을 바탕으로 가장 자연스러운 답변을 생성합니다. 둘째, 훈련 데이터의 한계가 있습니다. 훈련 데이터가 오래되었거나, 부정확하거나, 편향되어 있으면 모델도 잘못된 내용을 생성할 수 있습니다. 셋째, 지식 공백..

안녕하세요 이번에는 위클리페이퍼 11 주제에 대해 정리해보려고 합니다 ~! 1.BERT와 GPT의 주요 차이점은 무엇인가요? 각각의 기본 구조와 작동 방식, 적합한 NLP 응용 분야를 위주로 설명해주세요.BERT와 GPT는 모두 Transformer 기반의 대표적인 사전학습 언어모델로, 현대 NLP 발전의 핵심적인 출발점이 되었습니다. 다만 두 모델은 구조, 학습 방식, 강점이 드러나는 응용 분야에서 뚜렷한 차이를 보입니다.BERT와 GPT는 모두 Transformer 기반 언어모델이지만, 무엇을 더 잘하게 설계됐는지가 다릅니다. 1. BERT와 GPT의 주요 차이점 (1)BERT: 문맥을 양쪽에서 보고 이해하는 모델BERT는 Transformer의 Encoder-only 구조를 사용합니다.가장 큰..

1. 텍스트 데이터를 모델에 적용하기 전에 어떤 전처리 과정을 거치나요?텍스트 데이터는 이미지처럼 바로 숫자로 입력할 수 없기 때문에, 모델이 이해할 수 있는 형태로 바꾸는 전처리 과정이 필요하다.전처리의 목적은 불필요한 노이즈를 줄이고, 텍스트를 일정한 형식으로 정리한 뒤, 수치화하여 모델 입력으로 변환하는 것이다.1) 정제(Cleaning)가장 먼저 수행하는 것은 텍스트 정제이다.예를 들어 HTML 태그, 특수문자, 이모지, 중복 공백, 불필요한 기호 등을 제거하거나 정리한다.또한 대소문자를 통일하고, 오탈자 교정이나 정규화 작업을 하기도 한다.예시:"Hello!!! NLP " → "hello nlp"이 단계는 데이터의 일관성을 높여 모델이 의미 없는 패턴을 학습하지 않도록 돕는다.2) 토큰화(Tok..

1. Semantic Segmentation vs. Classification이미지 분석의 가장 기초적인 두 작업은 데이터를 바라보는 **해상도(Granularity)**에서 차이가 발생합니다.Image Classification (분류): 이미지 전체를 하나의 라벨로 정의합니다. "이 사진 안에 강아지가 있는가?"를 묻습니다. 공간 정보는 소실되고 특징(Feature)의 존재 여부에 집중합니다.Semantic Segmentation (의미론적 분할): 이미지 내의 모든 픽셀에 대해 클래스를 할당합니다. "이 픽셀이 강아지의 일부인가, 배경인가?"를 묻습니다. 객체의 위치와 경계선을 정확히 파악해야 하므로 공간 정보 보존이 필수적입니다.[Design Intent]Classification은 정보를 압축하..

1. YOLO(You Only Look Once) 모델의 주요 특징과 장점YOLO는 객체 인식(Object Detection) 분야에서 한 획을 그은 모델로, 이름처럼 이미지를 단 한 번만 보고 그 안에 무엇이 어디에 있는지 즉시 찾아내는 방식입니다.주요 특징One-Stage Detector: 기존 모델들이 물체가 있을 법한 위치를 먼저 찾고(Region Proposal) 나중에 분류(Classification)를 하던 것과 달리, YOLO는 이 과정을 하나의 네트워크에서 동시에 수행합니다.Grid 기반 검출: 이미지를 일정 크기의 그리드(Grid)로 나누고, 각 그리드 셀에서 물체의 중심점과 크기(Bounding Box), 그리고 해당 물체가 무엇일 확률을 직접 예측합니다.Global Context 활..