
AI는 QA를 대체하지 않았다, 대신 확장했다
생성형 AI를 QA 운영 체계에 통합해 품질 이벤트 분석과 테스트 설계를 자동화했습니다. 사람과 AI가 함께 작동하는 구조로 QA의 역할과 사고 범위를 확장했습니다.

생성형 AI를 QA 운영 체계에 통합해 품질 이벤트 분석과 테스트 설계를 자동화했습니다. 사람과 AI가 함께 작동하는 구조로 QA의 역할과 사고 범위를 확장했습니다.


Aurora PostgreSQL에서 pg_bigm과 pgvector를 RRF로 결합해 한국어 하이브리드 검색을 구현하는 방법을 소개했습니다. 한국어 조사와 자연어 질문의 한계를 보완해 RAG 검색 품질을 높이는 구조와 예시를 제시했습니다.


비엔지니어 환경에서 Claude Code ROI를 측정하는 4가지 베이스라인 지표를 소개했습니다. 로컬 로그와 ccusage 분석으로 토큰, 비용, 도구 사용, 메시지 패턴을 기준점으로 삼는 방법을 설명했습니다.


AWS EFA 환경에서 NCCL이 GPU 간 집합 통신을 어떻게 최적화하는지 소개했습니다. 기본 설정과 플러그인 구조, 알고리즘 선택 원리까지 함께 정리했습니다.
슬랙 기반 데이터 에이전트로 반복 분석 요청을 자동 처리하는 구조를 소개했습니다.정확도와 안전성을 위해 지식 체계, 서브 에이전트, 평가 루프를 함께 설계했습니다.

PM 반복 업무를 재현 가능한 AI 워크플로우로 정리한 사례를 소개했습니다. 데이터 검증, 승인, 산출물 연결까지 포함해 조직 지식으로 축적하는 방법을 설명했습니다.

Dell Pro Max GB10 AI 워크스테이션의 구조와 실사용 성능을 검증한 리뷰였습니다. 로컬에서 70B급 모델을 빠르게 돌릴 수 있는 통합 메모리 기반 AI 노드로 소개했습니다.

생성형 AI가 개발 생산성과 학습 속도를 크게 높이는 실무 도구로 소개되었습니다. 다만 할루시네이션과 보안 문제를 막기 위해 인간 검증과 가이드라인이 필요합니다.

대량의 마크다운 문서를 검색하는 RAG 시스템을 ChromaDB와 MCP로 구축했습니다. 에이전트 스킬을 더해 최소한의 지시만으로 문서를 찾도록 개선했습니다.


GraphRAG Toolkit으로 지식 그래프 기반 인덱싱 과정을 소개했습니다. 기존 RAG의 한계를 보완하는 어휘 그래프 구조와 추출·구축 흐름도 함께 설명했습니다.

MAU 성장 레버를 찾기 위해 연관도·코호트·퍼널·SHAP 분석을 순차적으로 수행했습니다. 특히 Retained 중심 전략과 SHAP 해석의 한계를 함께 점검했습니다.

음성 AI 모델 Kanana-O를 프로덕션에 올리기 위한 서빙 최적화 여정을 다루는 글입니다. 발췌에는 모델 개요만 있어 세부 내용은 확인되지 않았습니다.