스캐터랩 핑퐁

2020년 11월 4일

사람들은 AI와 대화를 얼마나 잘할까?

이루다 베타 테스트에서 리텐션·대화량·사용자층·대화 주제를 분석해 제품 가능성을 검증했습니다. 일상 대화 기술 고도화와 관계형 콘텐츠, 게임 기능으로 반복 사용을 강화했습니다.

#NLP#챗봇#리텐션

2020년 10월 28일

기타

핑퐁 팀이 '팀워크'를 발휘할 팀원을 찾는 법

핑퐁 팀은 협력과 심리적 안전감을 갖춘 팀워크를 핵심 가치로 설명했습니다. 업무·소통 역량과 컬처 핏을 채용 전 과정에서 종합 평가합니다.

#팀워크#채용#컬처 핏

2020년 10월 20일

과연 GPT-3는 얼마나 똑똑한 걸까?

GPT-3를 57개 분야 문제로 평가한 벤치마크와 43.9% 정답률을 살펴봤습니다. 모델 규모와 과제 특화 학습이 성능·효율에 미치는 영향을 정리했습니다.

#GPT-3#NLP#ML

2020년 10월 14일

기타

슈퍼휴먼 AI를 만드는 핑퐁팀의 10가지 컬처 코드

슈퍼휴먼 일상대화 AI 비전과 이를 뒷받침하는 핑퐁팀의 10가지 컬처 코드를 소개했습니다. 자율성, 빠른 실행, 미션 중심 협업, 솔직한 피드백을 핵심 원칙으로 제시합니다.

#문화#그라운드룰#일상대화 AI

300

2020년 10월 14일

슈퍼휴먼 AI를 꿈꾸는 루다의 대화 구성

루다는 자유 대화와 이벤트 대화를 결합해 사용자와의 친밀한 관계 형성을 설계했습니다. Pingpong FLOW의 한계는 페르소나·주제 전환·개인화 시나리오로 보완했습니다.

#대화형 AI#Pingpong FLOW#ML

#Kubernetes#GitHub Actions#AWS

2020년 9월 25일

데브옵스

쿠버네티스(Kubernetes)를 활용한 안정적이고 효율적인 운영 환경 구성하기

GitHub Actions와 ECR, EKS를 연결한 지속적 배포 흐름을 구성했습니다. Pod 동기화, TensorFlow Serving, 로그 스트리밍 운영 방식도 소개합니다.

쿠버네티스(Kubernetes)를 활용한 안정적이고 효율적인 운영 환경 구성하기

2020년 9월 16일

핑퐁팀 ML 세미나, 그 여섯 번째

핑퐁팀의 2020년 여름 머신러닝 세미나 발표자료를 모아 공유했습니다. NLP 표현·평가와 검색, 편향, 대조 학습 관련 연구를 다뤘습니다.

#ML#NLP#검색

2020년 8월 20일

GPT-3의 다섯 가지 한계

GPT-3의 과제별 성능, 물리 상식, 모델 규모, 기억 능력의 한계를 살펴봤습니다. 다음 단어 예측이 이해와 사고를 의미하는지에 대한 논쟁도 다뤘습니다.

#GPT-3#LLM#NLP

2020년 8월 5일

GPT-3, 인류 역사상 가장 뛰어난 언어 AI

GPT-3의 다양한 언어 생성 사례와 다음 단어 예측 기반 학습 방식을 소개했습니다. 대규모 스케일과 파인튜닝 없는 범용성이 AGI 논의를 확장했음을 설명합니다.

#GPT#LLM#NLP

2020년 7월 28일

핑퐁팀 ML 세미나, 그 다섯 번째

Transformer 활용과 경량화 연구를 중심으로 시즌 5 ML 세미나 자료를 공유했습니다. 지식 증류, 양자화, 프루닝, NLP·기계번역 관련 논문 발표를 정리했습니다.

#ML#Transformer#NLP

2020년 7월 22일

핑퐁팀과 함께하는 ACL 2020 리뷰

ACL 2020의 제출·합격률과 Generation, Dialogue 등 주요 NLP 연구 경향을 분석했습니다. 대화, 생성, BERT 최적화 관련 논문 24편의 핵심 방법과 성과를 리뷰했습니다.

#NLP#Transformer#BERT

2020년 5월 8일

꼼꼼하고 이해하기 쉬운 ELECTRA 논문 리뷰

ELECTRA의 RTD 사전학습 구조와 MLM·GAN 대비 차이를 정리했습니다. 모든 토큰을 분류해 적은 계산량으로 높은 성능을 낸 실험 결과를 살펴봤습니다.

#ELECTRA#NLP#Transformer

#Transformer#Reformer#LSH

2020년 4월 29일

꼼꼼하고 이해하기 쉬운 Reformer 리뷰

Reformer는 LSH Attention, Reversible Network, 청크 처리로 Transformer의 긴 입력 메모리 문제를 완화했습니다. 실험을 통해 성능 저하를 작게 유지하며 Attention 복잡도를 선형 수준으로 개선했음을 살펴봤습니다.

2020년 4월 17일

TensorFlow TPU 학습 101

TensorFlow 2.0에서 XLA와 TPUStrategy로 TPU 학습을 구성하는 과정을 정리했습니다. Colab·GCP 사용법과 연결 불안정, 과금 관리 시 주의점을 설명합니다.

#TensorFlow#TPU#XLA

#ML#TensorRT#TensorFlow Serving

2020년 3월 16일

핑퐁팀 ML 세미나, 그 네번째

Transformer·임베딩·검색 중심의 2020년 ML 논문 여섯 편을 세미나 자료로 정리했습니다. 효율적 Attention, 스타일 변환, 사전학습 검색, Metric Learning의 적용 한계를 함께 분석했습니다.

#ML#Transformer#임베딩

300

2020년 3월 11일

딥러닝 모델 서비스 A-Z 1편 - 연산 최적화 및 모델 경량화

딥러닝 추론 서비스를 위한 CPU·GPU 선택과 라이브러리, 서빙 환경 최적화 방안을 정리했습니다. 병렬처리 설정과 클라우드 전용 칩, Pruning·Quantization·Distillation 기반 경량화를 소개했습니다.

2020년 2월 25일

기타

친근하고 귀여운 챗봇 디자인 2편 - 대화 디자인 편

친근한 챗봇을 위해 답변의 내용과 말투에 페르소나를 일관되게 반영했습니다. TMI, 사용자 질문, 랜덤 푸시 선톡으로 지속적인 대화를 유도했습니다.

#챗봇#대화 디자인#페르소나