늙어버린 당신의 AI
늙어버린 당신의 AI
새로 나온 AI 모델을 확인할 때는 성능 지표만이 아니라 실제 사용 맥락도 함께 봐야 한다고 말합니다. 시간이 지나며 AI가 기대를 따라가지 못하는 문제를 짚고, 도입 전 비교 검증의 필요성을 강조했습니다.
#Gemini
11300
AI 기술 블로그 최신 글
필터 0
감독자의 언어
좋은 프롬프트는 단순한 지시가 아니라 요구사항 명세로 다뤄야 한다고 설명했습니다. 결과물의 경계, 위임 기준, 검증 방법을 미리 적어 재작업을 줄이는 방법을 제안했습니다.
#prompt#LLM
3100
[클로바 시선 #56] 충돌은 나누고, 성능은 합치다: 효율적인 LLM Post-training 전략 MERIT
[클로바 시선 #56] 충돌은 나누고, 성능은 합치다: 효율적인 LLM Post-training 전략 MERIT
멀티모달 LLM 후학습에서 서로 다른 데이터를 섞을 때 생기는 충돌 문제를 다뤘습니다. 효율적인 Post-training 전략 MERIT를 소개했습니다.
#LLM#ML
3200
A1Mobilsoft의 운영 문의 자동화 여정 (2): 세 에이전트 구현과 사람 vs AI 검증
세 에이전트 구현 과정에서 겪은 검색 오판, 코드 분석 루프, DB 접근 안전장치를 정리했습니다. 사람 vs AI 비교로 속도와 한계도 함께 검증했습니다.
#AWS#LLM
1800
A1Mobilsoft의 운영 문의 자동화 여정 (1): 문제 정의와 3-에이전트 아키텍처 설계
운영 문의 채널의 지연과 반복 작업을 줄이기 위해 3-에이전트 아키텍처를 설계했습니다. Knowledge·Code·DB로 역할을 나눠 빠른 응답과 정확한 진단을 노렸습니다.
#AWS#LLM
2500
Amazon Braket으로 양자-고전 하이브리드 알고리즘 실행하기 (2편)
Amazon Braket의 `@hybrid_job`으로 RX(θ) 회로와 Z 기댓값을 반복 실행하는 하이브리드 알고리즘을 소개했습니다. 일반 실행, 하이브리드 잡, 로컬 잡의 차이와 결과 확인 방법도 함께 정리했습니다.
#AWS#Amazon Braket
1300
Grafana에서 자연어로 장애 원인을 분석하기: LLM 에이전트 기반 SRELens 개발기
Grafana에서 자연어로 장애 원인을 찾는 SRELens 개발 사례를 소개했습니다. LLM 에이전트를 운영 환경에 맞게 제어하기 위해 프롬프트 레이어 분리와 도구 호출 가드레일을 설계했습니다.
#Grafana#LLM
7000
AI SDLC의 올바른 접근법과 사전 준비사항_0724
AI SDLC의 올바른 접근법과 사전 준비사항_0724
AI SDLC를 전면 자동화로 보는 접근의 위험성과 단계별 성숙도 차이를 정리했습니다. PoC 검증, 정량 KPI, Human-in-the-loop로 범위를 확정하는 전략을 제안했습니다.
#LLM#RAG
3200
LLM은 똑똑한데, 왜 우리 회사 일은 모를까
LLM이 내부 업무를 잘 답하려면 검색보다 신뢰할 수 있는 컨텍스트 관리가 필요했습니다. 문서, 코드, 메신저를 공통 단위로 정규화하고 관계와 최신성을 함께 검증하는 Topic 설계를 소개했습니다.
#LLM#검색
17500
AWS 환경에서 Physical AI 모델 구축하기 – (1) 데이터
Physical AI는 모델보다 데이터가 성능을 좌우하며, 실제·합성·인간 영상 데이터를 조합하는 전략이 중요했습니다. AWS는 수집부터 큐레이션, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제시했습니다.
#AWS#Physical AI
1800
AI 에이전트를 위한 Android CLI: 대규모 모바일 개발 환경에 적용하기
대규모 Android 저장소에서 AI 에이전트의 토큰 낭비를 줄이기 위해 Android CLI 래퍼와 스킬을 설계한 사례를 소개했습니다. 문서 검색, IDE 연동, 프리뷰 렌더링을 정규화하고 오류를 간결하게 바꿔 안정성을 높였습니다.
#Android#CLI
3900
[클로바 시선 #55] 우리의 눈과 귀로 현장을 이해하다 : 독자 인코더와 HyperCLOVA X SEED 4B 개발기
[클로바 시선 #55] 우리의 눈과 귀로 현장을 이해하다 : 독자 인코더와 HyperCLOVA X SEED 4B 개발기
전장처럼 다양한 정보가 동시에 들어오는 환경을 위한 옴니모달 AI 개발 내용을 소개했습니다. 경량 모델 HyperCLOVA X SEED 4B와 CLIP 기반 핵심 구성 요소를 자체 기술로 개발했습니다.
#ML#LLM
3300
[클로바 시선 #54] 환각은 흔적을 남긴다: Future Context 기반 LLM 환각 검출
[클로바 시선 #54] 환각은 흔적을 남긴다: Future Context 기반 LLM 환각 검출
LLM 환각 검출의 중요성과 필요성을 설명하는 글입니다. 생성 결과의 사실성 검증과 흔적 추적의 필요성을 다뤘습니다.
#LLM
3500
2주 만에 Strands SDK와 Amazon Bedrock AgentCore로 구현한 어스얼라이언스의 CS 환불 자동응답 에이전트 시스템
Strands SDK와 Amazon Bedrock AgentCore로 환불 CS 자동응답 에이전트를 2주 만에 구축했습니다. 내부 검수 초안 방식과 멀티턴 맥락·안전성 검증을 결합해 운영 가능성을 확보했습니다.
#Amazon Bedrock#LLM
1800