

밑바닥부터 시작하는 추천시스템 with Kubeflow
Kubeflow로 추천 시스템의 데이터 수집, 학습, 서빙, 튜닝까지 전체 흐름을 구성한 사례를 소개했습니다. 오프라인 추론 전환과 파이프라인 자동화로 응답 속도와 운영 효율을 개선했습니다.


Kubeflow로 추천 시스템의 데이터 수집, 학습, 서빙, 튜닝까지 전체 흐름을 구성한 사례를 소개했습니다. 오프라인 추론 전환과 파이프라인 자동화로 응답 속도와 운영 효율을 개선했습니다.


Amazon Braket의 시뮬레이터, QPU, 하이브리드 잡, 다이렉트 프로그램을 정리했습니다.\n양자 알고리즘 개발과 테스트를 위한 선택 기준과 운영 제약도 함께 설명했습니다.

두 상속 트리의 암묵적 대응 관계가 타입 안전성 문제를 만들 수 있음을 설명했습니다. 상속 대신 컴포지션을 쓰거나 제네릭으로 반환 타입을 명시하는 방법을 제안했습니다.

왓챠파티@무비랜드 1년 회고를 통해 오프라인에서 유저와 브랜드를 연결한 실험을 정리했습니다. 영화 추천과 선물하기, 가챠 이벤트로 취향 공유와 발견의 기쁨을 확장했습니다.

AWS Athena로 ELB 액세스 로그를 S3에서 조회하는 방법을 소개했습니다. 테이블 생성, 파티션 프로젝션, IP·기간 조건 조회 예시를 정리했습니다.


Playwright MCP를 활용해 자연어로 E2E 테스트를 실행하고 코드까지 생성하는 방법을 소개했습니다. QA의 수작업 부담을 줄이고 테스트 유지 보수성을 높이는 흐름을 실습 예제로 설명했습니다.

RAG 2.0 보안은 모델 응답보다 검색과 삽입 단계의 실행 흐름 통제가 핵심이라고 정리했습니다. Microsoft, Meta, QueryPie 사례를 통해 세션·메타데이터 기반 정책 평가의 필요성을 설명했습니다.

RAG 2.0 보안은 문서 검색부터 프롬프트 삽입까지의 실행 흐름을 통제하는 데서 시작한다고 설명했습니다. Microsoft, Meta, QueryPie 사례를 통해 실행 시점 정책 평가와 메타데이터 필터링의 중요성을 정리했습니다.


Playwright MCP로 자연어 기반 E2E 테스트 자동화 방법을 소개했습니다. 브라우저 상호작용 실행과 테스트 코드 생성까지 함께 실습했습니다.

RAG 2.0 보안을 실행 흐름 제어 관점에서 설명하고, Microsoft·Meta·QueryPie의 정책 적용 구조를 비교했습니다. 프롬프트 삽입 전 세션·메타데이터 기반 평가와 감사 추적의 중요성을 강조했습니다.


AWS Athena로 ELB 액세스 로그를 조회하기 위한 테이블 생성과 파티션 프로젝션 설정 방법을 소개했습니다. 특정 IP와 기간 조건으로 로그를 분석하는 쿼리 예시도 함께 정리했습니다.


AI를 HR에 적용할 때는 화려함보다 데이터 신뢰성과 사용자 중심 설계가 중요하다고 설명했습니다. 또한 자연어 분석과 자율 에이전트로 이어지는 단계적 AI 로드맵을 제시했습니다.