본문 바로가기

전체 글133

“Amazon Bedrock과 Contextual Retrieval로 검색 성능 극대화! 실무 엔지니어를 위한 완벽 가이드” 안녕하세요, 검색 솔루션과 AI 기반 서비스에 관심이 많은 분들을 위해 이번 글을 준비했습니다. 오늘은 Amazon Bedrock과 Contextual Retrieval을 활용해 검색 성능을 향상시키는 방법 및 현실적인 구성 방안에 대해 집중적으로 살펴보겠습니다. 최근에 공개된 AWS 공식 블로그(영문판)와 한국어판 자료에서 Amazon Bedrock의 개요와 Contextual Retrieval 사례들이 언급되었는데, 이를 토대로 국내 검색 서비스 환경에 적용할 수 있는 여러 가지 아이디어를 함께 나누고자 합니다.현대 사회에서 데이터의 양이 기하급수적으로 증가함에 따라, 단순히 텍스트 매칭이나 키워드 기반의 검색 기술만으로는 더 이상 사용자의 요구를 만족시키기 어렵습니다. 이 문제를 극복하기 위해 새롭.. 2025. 4. 12.
“매일 쓰는 툴에 AI 붙이기: MCP로 구현한 실전 자동화 6가지” 안녕하세요! AI, 자동화, 업무 생산성에 관심 있는 독자 여러분께 오늘은 실질적으로 '지금 바로' 팀에 적용 가능한 최신 자동화 사례들을 소개해드리려고 합니다. 바로 MCP(Model Context Protocol)를 활용한 실제 유스케이스 6가지인데요, 모두 실제로 사용되고 있고, 효과가 입증된 워크플로우입니다.특히 LLM 기반 에이전트를 실무에 어떻게 통합할 수 있을지 고민 중인 분들에게 강력히 추천드리는 콘텐츠입니다. 글 끝까지 읽고 나시면, 오늘 당장 적용할 수 있는 영감 하나쯤은 얻으실 거예요.🔧 MCP란 무엇인가요?MCP(Model Context Protocol)는 대형 언어 모델(LLM)이 실제 업무 도구들—예: Slack, Google Calendar, Notion, BigQuery 등.. 2025. 4. 12.
“스펙 걱정 끝! GPT 만든 OpenAI에서 무료로 AI 배우는 법” 안녕하세요, AI와 기술 교육에 관심 있는 독자 여러분! 오늘은 여러분께 정말 반가운 소식을 전해드리려 합니다. OpenAI에서 새롭게 선보인 OpenAI Academy가 바로 그 주인공입니다. AI 기술의 발전이 우리 일상 곳곳에 영향을 미치고 있는 요즘, 누구나 무료로 AI를 배울 수 있는 공간이 등장했다는 건 정말 큰 의미가 있죠.OpenAI Academy는 단순한 온라인 강의 플랫폼을 넘어, 진짜 실전형 AI 학습 커뮤니티로 탄생했습니다. 지금부터 그 놀라운 기능과 콘텐츠, 참여 방법까지 하나하나 친절하게 안내해 드릴게요!🎓 OpenAI Academy란?OpenAI Academy는 OpenAI가 주도하여 만든 무료 AI 학습 플랫폼입니다. 하지만 단순한 교육 사이트라고만 생각하면 오산! 이곳은 .. 2025. 4. 12.
“Browser MCP로 시작하는 AI 기반 브라우저 자동화: Cursor·Claude·VSCode 연동 가이드” browsermcp.io에서 제공하는 Browser MCP가 무엇인지, 어떤 기능과 장점을 갖고 있으며, 실제로 어디까지 활용 가능하고 어떤 주의사항이 있는지를 최대한 친절하고 자세하게 안내해 보았습니다.자동화 기술, 특히 AI + 브라우저 통합 솔루션에 관심 있으신 분들이라면 끝까지 읽으시면서 어떤 이점이 있는지 사례와 팁을 함께 살펴보세요. 중간에 지루해지지 않도록 실제 사용자들의 경험담과 주의점도 곁들였습니다!1. Browser MCP란 무엇인가?1.1 MCP의 기본 개념먼저 MCP라는 용어부터 살펴봅시다. 사실 많은 분들이 “MCP가 뭔지 모르겠다”는 반응을 보이는데, 여기서 MCP는 흔히 “Model Context Provider”나 “Multi-Context Provider” 등의 약자로 쓰입.. 2025. 4. 12.
“GitHub 레포지토리 전용 MCP 서버: 빠른 맥락 이해와 자동화 구현하기” gitmcp.io가 어떤 방식으로 동작하며, 이를 통해 AI 어시스턴트가 어떻게 깃허브 프로젝트의 맥락을 더 깊이 이해하고 코드 작성 및 협업을 도울 수 있는지 구체적으로 살펴봅니다.끝까지 읽으시면 AI 개발 도구와 MCP 서버를 손쉽게 연결하여 개발 생산성을 높이는 데 도움이 되리라 믿습니다.1. MCP 서버란 무엇인가?우선 MCP 서버라는 용어가 익숙하지 않으신 분들을 위해 간단히 설명드리겠습니다.MCP는 “Multi-Context Provider” 혹은 “Model Context Provider” 등 여러 뜻으로 해석될 수 있으나, 여기서는 AI 모델(LLM)이 특정 GitHub 저장소의 컨텍스트를 깊이 이해할 수 있도록, 소스코드와 메타데이터를 제공해주는 서버를 의미합니다.이 MCP 서버가 코드 .. 2025. 4. 12.
“GitHub Actions에서 어떤 프로그램이든 셸처럼 활용하기” github actions으로 모든 프로그램을 사용하는 방법1. 들어가며**“GitHub Actions”**는 많은 개발자들이 사용하는 CI/CD(지속적 통합 및 배포) 플랫폼입니다.저장소에 코드를 푸시하거나 PR(풀 리퀘스트)을 생성했을 때 자동으로 테스트가 돌게 만들 수 있고,조건에 따라 빌드, 배포까지 자동화할 수 있는 편리한 도구죠.보통은 YAML 파일에 run: 블록을 작성할 때, 명령을 실행하는 **셸(shell)**을 지정합니다.예: shell: bash, shell: pwsh 등등.Linux나 macOS는 기본적으로 bash, Windows는 pwsh가 지정됨.그런데 “실제로는 어떤 실행 파일(프로그램)이든, $PATH에만 있다면 shell로 사용 가능하다” 라는 사실, 알고 계셨나요?이번.. 2025. 4. 12.
“Firebase Studio로 완성하는 AI 시대의 풀스택 클라우드 IDE” 1. 왜 우리는 Firebase Studio에 주목해야 할까?오늘은 Firebase Studio라는, 요즘 엄청난 화제를 몰고 다니고 있는 클라우드 기반 AI 앱 개발 환경을 소개해 보려고 합니다. 혹시 “AI 시대니까 나도 AI를 이용해 앱을 빠르게 만들어 보고 싶은데, 대체 어디서부터 시작해야 하지?” 하고 고민해보신 적 있으신가요?기존에는 백엔드(서버), 프론트엔드(웹), 모바일 앱 개발을 각각 다르게 처리하고, 호스팅이나 배포, 테스트를 위해서 또 다른 도구들을 사용해야 했습니다. 더구나 이제는 AI 모델까지 붙여야 하니, 걱정이 이만저만이 아니었죠.그런데 Firebase Studio를 쓰면 브라우저 하나만 열어서 초간단 프로토타이핑부터 실제 배포까지 한 번에 해결할 수 있다는 이야기가 들려옵니다.. 2025. 4. 12.
데이콘 Basic 서울 랜드마크 이미지 분류 경진대회 (3등 / 420명, Top 0.71%) Code import cv2, torch, os, timm, time, warnings, gc, zipfile, telegram, sys, argparse, tqdm, matplotlib.pyplot, torchvision.transforms, pandas, numpy from tqdm import tqdm from torchsummary import summary from torch.utils.data import Dataset, DataLoader from sklearn.model_selection import StratifiedKFold from sklearn.metrics import accuracy_score import pandas as pd import os from glob import g.. 2024. 3. 30.
데이콘 Basic 수화 이미지 분류 경진대회 (8등 / 418명, Top 1.91%) timm을 사용하여서 model 구성하여 작성하였습니다. Code import warnings from glob import glob import pandas as pd import numpy as np from tqdm import tqdm import cv2 import os, gc import timm import random import torch from torch.utils.data import Dataset, DataLoader import torch.nn as nn import torchvision.transforms as transforms from sklearn.metrics import f1_score, accuracy_score import time from sklearn.model.. 2024. 3. 30.
월간 데이콘 컴퓨터비전 이상치 탐지 알고리즘 경진대회 (28등 / 481팀, Top 5.82%) Code ! pip install timm import warnings warnings.filterwarnings('ignore') from glob import glob import pandas as pd import numpy as np from tqdm import tqdm import cv2 import gc import os import timm import random import torch from torch.utils.data import Dataset, DataLoader import torch.nn as nn import torchvision.transforms as transforms from sklearn.metrics import f1_score, accuracy_score imp.. 2024. 3. 30.
OpenAI의 다양한 API를 활용한 Youtube 영상 자동 STT 및 요약 최근 ChatGPT의 놀라운 성능을 보고 재밌다에서 그쳤었지만, 유투브에서 이를 활용한 확장 Extension을 보고 그동안 불편하게 생각했던 유투브 STT생성을 보완할 수 있을 것 같다는 생각이 들었고, 이를 통해서 유투브를 통해 여러 딥러닝 관련 리뷰를 편하게 볼 수 있다는 생각이 들어 해당 프로젝트를 진행해보려하였다. 결과론적으로 Github Blog로 자동 Bloging과 Keyword summary까지 생각중에 있으나, 어떤 것을 활용할지는 고민에 있다. 그리고 필자는 Colab으로 진행하였기 때문에 필요한 lib를 install하는 과정부터 설명하고자 한다. !pip install -qq git+https://github.com/openai/whisper.git !pip install -qq .. 2024. 3. 30.
IA^2S (Image Analysis Automation System) 1. 개발 이유 😀 Member 담당파트 Github 한상준 FS, PM, Design Link 임한민 FE Link 이상민 Senior, CEO Link 해당 프로젝트는 경기대학교 도시교통공학과 전경식 박사님 연구에 기반이 되는 프로그램 제작을 경기대학교 김남기 교수님을 통해 제작 의뢰를 받았으며, 총 3명의 경기대학교 컴퓨터공학부 동기들과 21년 11월~2월간 제작하였다. 2. 개발 의도 본 프로젝트의 기본 토대는 건물의 균열 분석에 대한 자동화 시스템을 만드는 것이다. 기존의 건물의 유지보수 관리를 업무로 하는 기업들은 현재까지도 인력을 기반으로 하여, 건물의 유지보수 관리를 위한 균열 사진찍기, 위치기록, 건물 정보 등을 수기로 관리하며 이를 또 정리하기 위해 문서작업, 기록 등 모든 업무들이 수.. 2024. 3. 30.
Pancake Sorting n = [56,324,23,24,54,83,34] def filp(array, count=0): #배열의 길이 l = len(array) #배열의 길이와 count의 횟수가 같아진다면, 종료 if count == l: return array #배열의 0~(l-count)까지의 최대값 maxi = max(array[:l-count]) #최대값의 배열에서의 위치. index = array.index(maxi) #찾은 maxi를 배열의 첫번째로 위치하게 하고, array = array[0:index+1][::-1] + array[index+1:] #그리고 찾은 maxi가 l-count의 위치로 전체 배열을 역전한다. array = list(reversed(array[0:l-count])) + array[l-c.. 2024. 3. 30.
배열의 원소의 총합 계산하기 n = [13,6,9,8,12] def total(array, sum=0): #array의 비교할 것이 남아있지 않다면, if not array: #sum을 넘기면서 프로그램을 종료한다. return sum #sum에 첫번째 원소를 더한다. sum += array[0] #이미 더한 원소를 빼기위해서 0번째 원소를 뺀 배열과 더해져있는 sum을 리턴한다. return total(array[1:], sum) print(total(n))해당 함수의 시간복잡도는 배열의 길이의 비례만큼 실행되기 때문에 시간복잡도는 $O(n)$이다. n = [13,6,9,8,12] def min(array, com): #array의 비교할 것이 남아있지 않다면, if not array: #com을 넘기면서 프로그램을 종료한다. r.. 2024. 3. 30.
2021 Ego-Vision 손동작 인식 AI 경진대회 (Private 5위, Public점수 : 0.16419, DenseNet161, Top 1.72%) https://dacon.io/competitions/official/235805/codeshare/3596?page=1&dtype=recent [Private 5위, Public점수 : 0.16419, DenseNet161 2021 Ego-Vision 손동작 인식 AI 경진대회 dacon.io](https://dacon.io/competitions/official/235805/codeshare/3596?page=1&dtype=recent) 불필요한 정보를 제거하기 위해서 Resize, Random crop 두 가지의 Image processing을 진행하였으며, 학습 모델은 pytorch의 라이브러리로 구성된 DenseNet161 모델을 사용하였습니다. Code import matplotlib.pypl.. 2024. 3. 30.
인공지능 관련된 취업 준비를 위한 사이트 나는 현재 머신러닝 엔지니어 직무로 취업을 위해서 부단히 노력하구 있다. 그래서 누군가에게는 도움이 될 수 있을것같아 취업 준비를 위해 도움이 될만한 사이트를 공유한다. 그리고 가장 기본적으로 해야할 것은 링크드인에 나를 등록하고 정리하는 것이 1차적인 준비라고 생각한다. https://www.linkedin.com/ LinkedIn 로그인 또는 회원 가입 1B 회원들이 함께 하는 글로벌 비즈니스 세상 비즈니스 인맥을 쌓고 넓히세요. 커리어 계발에 유용한 정보와 기회의 문으로 들어오세요. www.linkedin.com 우선 각종 구인/구직 사이트이다. https://www.jobkorea.co.kr/ 잡코리아 - 대한민국 대표 취업플랫폼 대한민국 대표 취업플랫폼 잡코리아에서 실시간 채용정보, 맞춤채용추천.. 2024. 3. 29.
23년 회고록, 석사를 졸업했다. 24년 2월 글의 제목처럼 경기대학교에서 석사과정을 졸업하였다. https://docs.google.com/document/d/1wE-MhNCfW51HQ8ltF2VYuhwa-Ht_l86r5lIUi38Oo9U/edit SangminLee_Resume docs.google.com 링크와 같이 내가 그동안 수행한 이력들을 기록하면서 많은걸 느꼈다. 참 많은걸 한 것 같고 누군가는 이렇게 다양하고 많은(?) 이력을 어떻게 가졌는지 의문을 가질수도있다고 생각한다. 21년 학부 연구생으로 머신러닝 동아리와 연구실에 소속되어 컴퓨터 비전 대회와 연구를 진행하면서부터 훨씬 뛰어나고 대단하다고 생각하는 사람들을 많이 만났다. 그러한 사람들의 공통점은 노력 즉 꾸준함이였다. 노력도 유전이라는 말처럼 나도 석사 과정을 수행.. 2024. 3. 29.
Graph-based의 추천시스템의 성능 평가에 있어서, Recall, NDCG가 주요한 이유 Recall (재현율): Recall은 추천시스템에서 중요한 지표 중 하나입니다. 이는 실제로 사용자가 관심을 가지는 아이템 중 시스템이 얼마나 많은 아이템을 정확하게 추천하는지를 나타냅니다. 그래프 기반 추천시스템에서는 사용자와 아이템 간의 관계를 고려하기 때문에, 실제로 사용자가 연결된 아이템들 중 시스템이 몇 개를 성공적으로 찾아냈는지를 보여줍니다. 그렇기 때문에 Recall은 그래프 정보를 활용하는 추천시스템의 성능을 평가하는데 있어서 중요한 지표입니다. NDCG (Normalized Discounted Cumulative Gain): NDCG는 순위된 추천 목록의 품질을 평가하는 지표 중 하나입니다. 그래프 기반 추천시스템에서는 사용자와 아이템 간의 관계를 고려하여 추천 목록을 생성하는데, 이 .. 2023. 8. 7.
머신러닝에서 Precision(정밀도), Recall(재현율)의 차이 Precision(정밀도) 정밀도는 최대한 “정밀”하게 양성을 추출해야 하는 경우에 중요합니다. 알고리즘 매매에서 거액의 돈이 왔다갔다 하는데 잘못된 시그널에 따라 투자하면 안되기에 진짜 진짜 positive라고 확신하는 경우에만 양성으로 판단해야 할 때 precision을 높입니다. 통계적으로는 False Positive(Type I error)를 조심해야 하는 상황에서는 precision이 recall보다 중요합니다. Recall(재현율) 재현율은 최대한 많은 양성을 추출(recall)해내야 하는 상황에서 중요합니다. 은행에 복면을 쓴 누군가가 들어왔는데 저 사람이 강도인지 아닌지 확신이 없더라도 경보부터 울리고 봐야하기에, 양성(positive)이라는 강한 확신이 없더라도 최대한 많은 양성을 잡아내.. 2023. 8. 7.
inductive, transductive graph setup 의 차이 인덕티브(inductive) 그래프 설정은 그래프의 일부 또는 새로운 노드에 대한 예측을 수행하는 상황을 가정합니다. 이 설정에서는 모델이 이전에 관찰된 노드의 특성과 연결 관계를 학습하여 새로운 노드에 대한 예측을 수행합니다. 즉, 모델은 관찰된 노드의 정보를 활용하여 새로운 노드의 특성을 일반화하고 예측합니다. 인덕티브 그래프 설정은 일반적으로 훈련 세트와 테스트 세트가 분리되어 있으며, 새로운 노드가 훈련 과정에서 접근할 수 없는 정보를 가지고 있는 상황에서 유용합니다. 트랜스덕티브(transductive) 그래프 설정은 그래프의 전체 또는 일부 노드에 대한 예측을 수행하는 상황을 가정합니다. 이 설정에서는 모델이 그래프의 전체 구조와 모든 노드의 특성을 고려하여 예측을 수행합니다. 즉, 모델은 그.. 2023. 8. 7.
728x90
반응형