vLLM의 기술적 혁신과 성능 향상 이야기
vLLM의 핵심 기술과 성능 최적화 옵션, 그리고 v1 엔진의 구조 개선을 정리했습니다.\n기능 호환성과 운영 단순성을 높이면서 성능을 끌어올린 흐름을 함께 설명했습니다.
#LLM#ML
8300
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
토스는 어떻게 광고를 보여줄까? 토스 애즈 ML 톺아보기
토스 광고 노출 과정과 추천 시스템의 전체 흐름을 ML 관점에서 정리했습니다. Targeting부터 Ranking까지 각 단계별 모델 활용 방식도 소개했습니다.
#ML#LLM
5600
토스 쇼핑 추천 시스템: 수백만 사용자와 상품을 잇는 멀티 스테이지 접근법
토스 쇼핑이 수백만 사용자와 상품을 다루기 위해 멀티 스테이지 추천 시스템을 설계한 방식을 소개했습니다. Retrieval, Ranking, Re-ranking으로 개인화와 비즈니스 목표를 함께 맞췄습니다.
#ML#추천
10200
LLM 추론 최적화 딥시크-R1 및 S1 논문 기반 Reasoning 모델 파인튜닝 방법론
LLM 추론 최적화와 Reasoning 모델 파인튜닝 방법론을 다루는 글입니다. 딥시크-R1과 S1 논문을 바탕으로 관련 접근을 소개했습니다.
#LLM#ML
4100
Data Forge와 함께하는 AI 혁신: 이미지 학습 데이터 증강 자동화
Data Forge와 함께하는 AI 혁신: 이미지 학습 데이터 증강 자동화
생성형 AI 이미지 스타일 부여를 위해 LoRA 개발과 데이터 준비 부담을 다뤘습니다. Data Forge로 학습 데이터 증강을 자동화하는 방향을 소개했습니다.
#LLM#ML
900
Feed-Entity: 당근 피드의 심장
당근은 피드 콘텐츠를 Feed-Entity로 표준화해 여러 서비스의 데이터를 한 구조로 관리했습니다. 수집·변환·검증·서빙을 모듈화하고 지역별 캐시로 읽기 성능과 확장성을 높였습니다.
#Redis#cache
22500
밸런스히어로, 연매출 1,442억 달성…AI 기반 파이낸스 플랫폼 비즈니스 확장
밸런스히어로, 연매출 1,442억 달성…AI 기반 파이낸스 플랫폼 비즈니스 확장
밸런스히어로가 AI 기반 ACS와 플랫폼 확장으로 2024년 매출 1,442억 원, 영업이익 355억 원을 기록했습니다. 인도 중저신용자 금융 접근성을 높이며 원스톱 크레딧 플랫폼으로 성장 전략을 강화했습니다.
#ML#핀테크
600
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
밸런스히어로, 연매출 1,442억 달성…AI 기반 파이낸스 플랫폼 비즈니스 확장
밸런스히어로가 AI 기반 ACS와 플랫폼 비즈니스 확대로 연매출 1,442억을 달성했습니다. 인도 중저신용자 대상 금융 플랫폼으로 성장 전략을 강화했습니다.
#ML#핀테크
1800
밸런스히어로, 연매출 1,442억 달성…AI 기반 파이낸스 플랫폼 비즈니스 확장
밸런스히어로가 AI 기반 ACS를 바탕으로 2024년 매출 1,442억 원과 영업이익 355억 원을 기록했습니다. 인도 중저신용자 대상 마이크로 크레딧과 플랫폼 비즈니스를 확대하며 고성장을 이어가고 있습니다.
#ML#핀테크
2500
African Credit Scoring Challenge 2위 수상 인터뷰
African Credit Scoring Challenge 2위 수상 인터뷰
밸런스히어로 데이터사이언티스트의 ZINDI 2위 수상 경험을 인터뷰로 소개했습니다. 신용평가 도메인 지식과 피처 파이프라인이 성과의 핵심이었습니다.
#LLM#NLP
1200
African Credit Scoring Challenge 2위 수상 인터뷰
밸런스히어로 데이터사이언티스트가 ZINDI 신용평가 대회 2위 수상 경험을 공유했습니다. 국가별 데이터 분포 차이와 시간 제약을 피처 파이프라인과 모델 분리 전략으로 극복했습니다.
#LLM#NLP
2600
애니메이션에서 찾아보는 디지털 트윈 기술 - 뼈대구성에서 모방학습까지
애니메이션 제작 흐름을 통해 디지털 트윈을 사람에게 적용하는 관점을 소개했습니다. CAD, Mesh, GLTF, USD 개념을 함께 살펴보는 기술 개념 글입니다.
#디지털 트윈#언리얼엔진
1200
AI로 생성한 이미지는 어떻게 평가할까요? (기본편)
생성 이미지 평가는 정답이 없어 품질과 프롬프트 일치율을 함께 보는 접근이 필요했습니다. FID, CLIP Score, Aesthetic Score 등 다양한 지표의 특징과 한계를 정리했습니다.
#ML#GAN
16500
이번 주에 낚시대는 얼마일까?
여러 가격 모델의 결과를 Multi-Armed Bandit과 Thompson Sampling으로 통합하는 방식을 소개했습니다. 최근 성과를 반영하는 sliding window와 scoring으로 최종 할인율을 선택했습니다.
#ML#Bayesian Statistics
13800