AI 워크로드에 적합한 스토리지
AI 워크로드는 학습 단계와 데이터 특성에 따라 스토리지 요구사항이 달라집니다. 고성능과 확장성을 함께 고려해 블록, 파일, 오브젝트 스토리지를 비교하고 하이브리드 구성을 제안했습니다.
#ML#NLP
2200
국내 IT 기업 기술 블로그 최신 글
새로운 기술 블로그가 추가되었어요
필터 1
Luda Gen 1, 더 재미있고 자연스러운 대화로 돌아온 루다 1편 - 생성 기반 챗봇
검색 기반 챗봇의 답변 DB 한계를 넘어 Luda Gen 1 생성 기반 챗봇을 도입했습니다.\n2.3B PLM과 시간·화자 정보를 활용해 자연스러운 문맥 대화 가능성을 높였습니다.
#LLM#챗봇
000
![[if kakao 2022] ML 모델 학습 파이프라인 설계 (feat. MLOps 플랫폼)](https://tech.kakaopay.com/_astro/thumb.adf72f21_27L5E6.png)
[if kakao 2022] ML 모델 학습 파이프라인 설계 (feat. MLOps 플랫폼)
카카오페이 MLOps 플랫폼에서 ML 모델 학습 파이프라인 설계 사례를 공유했습니다. 플랫폼 관점에서 모델 학습 흐름을 정리한 내용입니다.
#ML#MLOps
1900
DnA 시니어 채용 프로세스
DnA 시니어 채용 프로세스
DnA 팀의 시니어 채용 프로세스와 Job Talk 도입 배경을 소개했습니다. 일반 면접의 한계를 보완하고 후보자의 깊이와 성장성을 함께 평가했습니다.
#채용#면접
2800
강화학습을 이용한 SMT 공정의 Chip Mount Planning 최적화
SMT 공정의 chip mount planning을 강화학습으로 최적화한 초기 결과를 소개했습니다. 33개 sample 실험과 IPC sample 분석을 통해 적용 가능성과 개선 과제를 확인했습니다.
#강화학습#최적화
1700
브랜디 ML팀의 Change Point Detection (CPD) 모델 도입기
커머스 시계열 지표의 급변을 자동 감지하기 위해 온라인 CPD와 SDAR 기반 모델을 도입했습니다. Airflow와 Glue로 ETL·알림 파이프라인을 구성해 Slack 경보까지 연결했습니다.
#ML#AWS
4400
Apache Beam으로 머신러닝 데이터 파이프라인 구축하기 3편 - RunInference로 모델 추론하기
Apache Beam RunInference로 Dataflow 기반 대규모 모델 추론 파이프라인을 구성하는 방법을 소개했습니다.\n가변 길이 입력의 패딩 처리와 배치·GPU 지표 관리 포인트를 설명합니다.
#Apache Beam#Dataflow
000
리디의 머신러닝 파이프라인 톺아보기
리디 데이터사이언스팀이 기존 시스템을 활용해 머신러닝 파이프라인을 구축한 사례를 소개했습니다. 학습, 배포, A/B 테스트, 모니터링까지 유기적으로 연결해 운영 효율을 높였습니다.
#ML#MLOps
3500
쿠팡 파트너스
개발자를 위한 서적을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발서적#프로그래밍
VPT: 다이아몬드 곡괭이를 만들기 위한 여정
OpenAI VPT의 마인크래프트 다이아몬드 곡괭이 제작 학습 과정을 리뷰했습니다. 영상에서 추정한 행동 데이터와 사전학습·미세조정·강화학습의 결합을 설명합니다.
#ML#강화 학습
000
모델 서빙 최적화를 위한 프레임워크 선정과 서빙 성능 극대화하기
카카오페이의 모델 서빙 최적화를 위해 프레임워크를 도입한 과정과 성능 개선 테스트 결과를 공유합니다. 효율적인 서빙을 위한 선정 기준과 최적화 관점을 함께 다룹니다.
#ML#성능
2200
Dynamics Model로 무엇을 할 수 있을까?
Dynamics Model을 제어와 시뮬레이션 문제에 활용하는 사례를 소개했습니다. 실제 데이터와 물리 모델을 결합해 sim-to-real gap을 줄이는 가능성을 설명했습니다.
#LLM#ML
1200
![[Medical AI] #1 EHR 데이터를 활용한 의료인공지능 모델 개발 파이프라인](https://miro.medium.com/v2/resize:fit:1000/1*_xjbdT_fY2Av-H12txuKcA.png)
[Medical AI] #1 EHR 데이터를 활용한 의료인공지능 모델 개발 파이프라인
EHR 기반 의료 AI의 문제 정의부터 일반화 평가까지 5단계 개발 파이프라인을 소개했습니다. 보정·불확실성 추정과 임상 환경의 엄격한 검증 필요성을 강조했습니다.
#EHR#ML
2500
Continual Learning: 꾸준히 성장하는 모델을 만들기 위한 기술
지속 학습에서 발생하는 Catastrophic Forgetting 문제와 주요 해결 방법을 분류해 소개했습니다. 정규화, 메모리 재학습, 구조 확장, 지식 증류의 특성을 설명했습니다.
#ML#NLP
000
상품 추천 알고리즘 Item-CF의 최적화 여정
Item-CF를 희소 벡터와 Ray 분산 처리로 최적화해 추천 테이블 생성 시간을 크게 줄였습니다. 메타데이터 품질 편차가 큰 다수 이커머스 환경에서 견고성을 선택한 사례를 소개합니다.
#Item-CF#협업 필터링
000