
휴먼의 'AI 학습'은 이렇게 #2: DeepLearning.ai (& pro)
DeepLearning.ai의 교육 구조와 Pro 구독, Short Course 중심 구성을 정리했습니다. 최신 AI·LLM·Agents 학습에 유용한 실무형 MOOC로 소개했습니다.
새로운 기술 블로그가 추가되었어요

DeepLearning.ai의 교육 구조와 Pro 구독, Short Course 중심 구성을 정리했습니다. 최신 AI·LLM·Agents 학습에 유용한 실무형 MOOC로 소개했습니다.

QA 리소스 문의를 자동화하기 위해 Q-pid라는 AI 비서를 구축했습니다.\nJira 데이터와 프롬프트 엔지니어링으로 예측 가능한 답변과 운영 효율을 높였습니다.

배포 속도가 빠른 환경에서 E2E 자동화를 전면 리팩토링해 품질 시스템을 재구성했습니다. 공통 인증, Locator 중앙화, AI 분석 대시보드로 하루 수십 회 배포에도 대응했습니다.

라포랩스 QA 팀이 품질을 검증이 아닌 설계의 관점에서 운영하는 방식을 소개했습니다. 기획 초기 참여, AI 기반 테스트 자동화, 비용 최적화 실험을 통해 품질 시스템을 고도화하고 있습니다.
29CM QE팀이 QA 데일리 리포트를 Slack Bot으로 자동화한 사례를 소개했습니다. Jira와 TestRail 연동, 입력 검증, 비동기 처리로 효율과 안정성을 높였습니다.

QA 데일리 리포트를 Slack Bot으로 자동화해 작성과 공유 시간을 크게 줄였습니다. Jira와 TestRail API 연동, 입력 검증, 비동기 처리로 신뢰성과 안정성도 높였습니다.


Airflow Breeze Manager는 여러 브랜치를 병렬로 개발할 때 발생하는 포트 충돌과 환경 재구성을 줄이기 위해 소개되었습니다. 각 브랜치에 독립된 Breeze 환경을 자동으로 구성해 빠른 전환과 작업을 돕습니다.

카카오뱅크 기술 컨퍼런스 KodeRunner 2025의 현장과 주요 프로그램을 소개했습니다.\nAI 체험과 참여형 구성으로 기술 문화와 조직 교류의 의미를 강조했습니다.
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

버즈베네핏 백엔드 팀이 데이터 중심 설계와 확장 가능한 파이프라인, 모니터링 체계를 어떻게 구축했는지 소개했습니다. Feature Flag와 실험 지원으로 제품 검증 속도를 높인 사례도 함께 다뤘습니다.


Speculative Decoding으로 AI Agent의 응답 지연을 줄이는 원리를 설명했습니다. Small Model 예측과 Large Model 검증을 결합해 속도 개선 가능성을 제시했습니다.


서버가 UI를 주도하는 SDUI로 KREAM의 배포 병목을 줄이고 실험 속도를 높인 사례를 소개했습니다. 또한 Builder 레이어를 더한 4-Layer Architecture와 내부 Generator로 유지보수성과 검증 효율을 개선했습니다.


Python 기반 에이전트 워크플로우 엔진을 Golang으로 전환한 사례를 소개했습니다. 고루틴과 채널로 스트리밍과 병렬 오케스트레이션을 구현해 응답 시간과 인프라 효율을 개선했습니다.


셀러팀이 ChatGPT와 Cursor로 반복 업무와 데이터 분석을 자동화한 사례를 소개했습니다. 주간 지표 처리와 파일 생성 시간을 크게 줄이며 내부 툴로 확장하고 있습니다.

상담사처럼 발화하는 TTS를 만들기 위해 한국어 적응, 단일 화자 미세조정, GRPO, DPO를 단계적으로 적용했습니다. 명료도와 상담사향 프로소디를 함께 개선하며 실제 전화 상담에 맞는 음성을 추구했습니다.