Amazon SageMaker AI와 AWS IoT Greengrass를 활용한 Physical AI 학습 파이프라인 구축하기
AWS에서 VLA·강화학습용 Physical AI 학습, 시뮬레이션 검증, 엣지 배포 파이프라인을 구성했습니다.\n학습 특성에 따라 SageMaker Pipelines·HyperPod를 선택하고 Greengrass로 모델을 배포합니다.
#AWS#SageMaker#IoT Greengrass
700
태그
ML 기술 블로그 글
ML 태그가 달린 국내 IT 기업 기술 블로그 글을 최신순으로 모았습니다.
전체 382개최신 20개 표시
관련 태그
최신 게시글
20개 표시
[신청 중] AI 제품을 만들 때, 자체 모델과 검색엔진은 언제 필요할까요?
실제 AI 제품에서는 모델 성능뿐 아니라 검색 품질과 속도, 사용자 경험까지 함께 고려해야 합니다. 이번 밋업에서는 자체 모델 학습과 검색엔진 고도화 사례를 공유합니다.
#ML#검색#AI Agent
4100
Amazon EKS와 NVIDIA FLARE로 구현하는 연합학습 (Federated Learning)
Amazon EKS와 NVIDIA FLARE로 연합학습을 구성하는 방법과 CSE 평가 흐름을 설명했습니다. 세 가지 데이터 시나리오를 통해 전역 모델의 수렴, 일반화, 운영상의 관찰 포인트를 보여주었습니다.
#Amazon EKS#NVIDIA FLARE#연합학습
800
연 300시간을 아낀 AI 상담 서비스
전세대출 문의가 많아지던 문제를 AI 상담 서비스로 풀어낸 사례를 소개했습니다. 사용자가 자주 묻는 질문을 먼저 보여줘 상담 사용률과 전화 문의를 줄였습니다.
#UI/UX#ML#상담
6700
개인화 추천을 위한 랭킹 모델 개발기
개인화 추천을 위한 랭킹 모델 개발기를 소개하는 글입니다. 본문이 일부만 제공되어 구체적인 개발 내용은 확인하기 어렵습니다.
#ML#검색
5800
측정할 수 없으면 개선할 수 없다 - AI Pick 추천 카드를 위한 sLLM 정렬 학습기
AI Pick 카드 생성 품질을 높이기 위해 SFT 이후 정렬 학습과 평가 지표를 설계한 과정을 공유했습니다. 형식 검증기와 NLL 프록시로 선호 쌍을 만들고 DPO, GRPO로 품질과 형식을 함께 개선했습니다.
#LLM#DPO#GRPO
5500
AWS로 구현한 Internet Gateway가 없는 연구환경, 신뢰연구환경(TRE) 솔루션 NDS AI·RE
의료·유전체 민감데이터를 위한 신뢰연구환경 TRE를 AWS로 구현한 사례를 소개했습니다. Internet Gateway 없는 격리망, Air-lock, AI Core, IaC로 보안과 연구 효율을 함께 높였습니다.
#AWS#ML#Kubernetes
1500
AI 모델의 성능, 우리는 제대로 평가하고 있을까?
AI 벤치마크는 학습 데이터 오염으로 인해 점수 신뢰성이 흔들릴 수 있다고 설명했습니다. 이를 해결하기 위해 Secure Enclave 기반의 Double-Blind Evaluation 방식과 시범 적용 사례를 소개했습니다.
#LLM#ML#benchmark
3800
AI 모델의 성능, 우리는 제대로 평가하고 있을까?
Gemini 3.5 Transcribe 등 8월 넷째 주 Google for Developers 위클리 업데이트를 지금 확인하세요!
Google for Developers의 8월 넷째 주 주요 개발자 업데이트를 정리해 소개했습니다. AI, Android, 보안, Flutter 관련 새 글과 번역 안내를 함께 담았습니다.
#Gemini#ML#Android
1600
수요 패턴이 수요 모델을 고른다: Amazon Connect Decisions로 살펴보는 Agentic Demand Forecasting
SKU별 수요 패턴을 진단해 모델과 신호를 다르게 적용하는 에이전틱 수요 예측 방식을 소개했습니다. Amazon Connect Decisions로 분류, 측정, 오케스트레이션을 자동화하는 흐름을 살펴봤습니다.
#AWS#supply chain#수요 예측
1000
[25. 12. 10] 응급실에서 ‘앞선 판단’을 가능하게 하는 AI: Multi-Modal Transformer 기반 예측 모델
응급실에서 빠른 판단을 돕기 위한 AI 예측 모델 주제를 다뤘습니다. 활력징후, 혈액 검사, 엑스레이를 함께 활용하는 멀티모달 접근이 핵심입니다.
#ML#Transformer
1500
[25. 12. 10] 응급실에서 ‘앞선 판단’을 가능하게 하는 AI: Multi-Modal Transformer 기반 예측 모델
어피닛 AI 엔진이 규칙 기반 심사 정책을 학습 정책으로 전환해가는 과정
규칙 기반 대출 심사 정책의 한계를 분석하고, 이를 학습 정책으로 안전하게 전환하는 3단계 프레임워크를 소개했습니다. 위험을 늘리지 않으면서 단계적으로 검증 범위를 넓히는 방법을 제시했습니다.
#ML#오프폴리시 평가#behavior cloning
2600
코드를 거의 타이핑하지 않고 3주 만에 DL모델 만들기
검색용 DL 모델을 3주 만에 만든 작업 경험을 공유했습니다. 코드를 거의 타이핑하지 않고 진행한 학습 방식에 초점을 맞췄습니다.
#DL#검색#ML
5600
코드를 거의 타이핑하지 않고 3주 만에 DL모델 만들기
AI에게 투자정보를 말하게 하기까지
투자 정보는 적시성, 정확성, 검증 가능성이 중요해 LLM 출력만으로는 부족했습니다. 근거 선별과 절차 통제, 평가 가능한 구조를 통해 AI가 말해도 되는 상태를 운영했습니다.
#LLM#ML#React
7300
[25. 8. 27] 시계열 데이터의 새로운 설명 가능한 AI 기법: TIMING
시계열 데이터 설명 가능한 AI 기법 TIMING을 소개했습니다. 에이아이트릭스 연구팀 논문이 ICML 2025 Spotlight로 선정됐습니다.
#시계열 데이터#설명 가능한 AI#ICML
2200
[25. 8. 27] 시계열 데이터의 새로운 설명 가능한 AI 기법: TIMING
통합 검색 임베딩 모델 개발기: 9개 태스크를 고르게 학습시키기
통합 검색 임베딩 모델을 개발하며 9개 태스크를 고르게 학습시키는 과정을 다룬 글입니다. 본문이 일부 차단되어 세부 내용은 확인되지 않았습니다.
#검색#ML#LLM
3100
통합 검색 임베딩 모델 개발기: 9개 태스크를 고르게 학습시키기
[25. 8. 19] 다양한 환경·데이터 속에서도 통하는 AI — MAES 모델의 현장 성능 검증과 결측값 해석
의료 AI는 개발 성능만큼 실제 임상 환경에서의 안정성과 재현 가능성이 중요합니다. 이 글은 MAES 모델의 현장 성능 검증과 결측값 해석을 다룹니다.
#ML#의료 인공지능
1100
[25. 8. 19] 다양한 환경·데이터 속에서도 통하는 AI — MAES 모델의 현장 성능 검증과 결측값 해석
DS와 MLE가 함께 일하는 법
DS와 MLE가 모델을 주고받는 방식을 인터페이스 중심으로 정리해 협업 효율을 높였습니다. 또한 AI 작성 코드까지 팀 컨벤션으로 묶어 리뷰와 배포를 더 매끄럽게 만들었습니다.
#LLM#ML#모노레포
6200
[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#멀티모달
3200
[클로바 시선 #56] 충돌은 나누고, 성능은 합치다: 효율적인 LLM Post-training 전략 MERIT
[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
3000
[클로바 시선 #55] 우리의 눈과 귀로 현장을 이해하다 : 독자 인코더와 HyperCLOVA X SEED 4B 개발기