Latest Articles
-
DevOps, MLOps, LLMOps, Agent AI 개념 및 추천 도구들DevOps, MLOps, LLMOps, 및 Agent AI의 개념과 도구를 설명하며, 각 계층의 핵심 개념과 특징을 정리하였다. DevOps는 소프트웨어 개발 및 운영의 통합을, MLOps는 머신러닝 모델의 자동화 및 관리, LLMOps는 대형 언어 모델의 특화된 운영을 다룬다. 다양한 오픈소스 및 상용 도구들이 소개되며, LLM을 활용한 협업 및 웹 자동화 도구도 포함된다.
-
DevOps 실습 - Firebase PaaS 기반Firebase를 사용하여 서버리스 애플리케이션을 구축하고 CI/CD를 경험하는 방법을 설명합니다. Python 코드를 Cloud Functions에 배포하고, GitHub Actions를 통해 자동 배포를 설정하며, Firebase Hosting을 통해 웹 페이지를 공개하는 과정을 단계별로 안내합니다. 필요한 도구와 파일 구조, 핵심 개념을 포함하여 로컬 개발 환경 설정 및 배포 결과 확인 방법도 다룹니다.
- DevOps 실습 - Docker Container 방식
소프트웨어 개발 초보자를 위한 Docker 실습 가이드로, Python, VSCode, Git, GitHub, Docker Desktop 및 Docker Hub 계정이 필요하다. CI/CD 개념을 통해 자동화된 빌드, 테스트, 배포 과정을 설명하며, 실습 단계로는 로컬 개발, GitHub에 코드 푸시, GitHub Actions를 통한 CI/CD 자동화, Docker 이미지 배포 및 재현성 확인이 포함된다. 핵심 파일과 폴더 구조, API 키 관리의 중요성도 강조된다.
-
Adobe의 미래? 디지털 미디어 SW 시장의 왕좌?Adobe는 디지털 미디어 소프트웨어 시장에서 오랜 시간 동안 지배적인 위치를 차지해왔으나, 최근 AI 도구들이 시장을 급격히 변화시키고 있다. Midjourney, Canva, ChatGPT와 같은 도구들이 Adobe의 핵심 기능을 저렴하게 제공하며, Adobe는 여전히 프리미엄 가격 전략을 유지하고 있어 경쟁에서 어려움을 겪고 있다. 시장 점유율 변화는 점진적 침식과 급격한 변화 두 가지 시나리오로 나뉘며, AI 기술의 발전이 Adobe의 고객층 이탈을 초래할 수 있다.
- prompt: Engineering 기초
프롬프트 엔지니어링의 핵심 요소는 목표, 역할, 맥락, 지침, 어조, 대상 독자, 정보를 포함하여 AI에게 명확한 사고의 틀을 제공하는 것입니다. 연쇄적 사고 전략을 통해 단계별로 정보를 누적하여 분석하고, 각 단계에서 구체적인 목표와 지침을 설정하여 최적의 결과를 도출하는 방법을 설명합니다.
-
Deployment Platform 비교Firebase PaaS, Supabase PaaS, 및 Node.js/Express + PostgreSQL의 비교를 통해 가격, 서버 관리, 인프라 확장성, 모니터링, 배포, 백엔드 런타임, 서버리스 기능, 데이터베이스, ORM 접근, 실시간 기능, 인증, 권한 관리, 파일 저장소, 프론트엔드 프레임워크, 텍스트 에디터 등의 차이점을 정리하였다.
- AI Orchestration - CrewAI vs. LangChain
CrewAI와 LangChain의 비교에서 CrewAI는 빠르게 성장하는 생태계로, 단순성과 협업 중심의 설계를 강조하며, 오픈 소스에서 유료 API로 확장 가능성을 지니고 있다. 반면 LangChain은 LLM 생태계의 표준으로, 높은 진입 장벽과 복잡한 구조를 가지고 있으며, 유료 클라우드 플랫폼으로 연결되는 잠금 구조를 특징으로 한다. 기술적으로 CrewAI는 역할 기반 Crews와 이벤트 중심의 흐름 제어를 사용하고, LangChain은 상태 기반 에이전트 흐름과 체인 기반 함수 흐름을 채택한다.
-
웹 비밀정보 관리 앱 - Secret Data Manager비밀번호 관리자와 소프트 월렛은 민감 정보를 다루며, 사용자 경험 개선을 위해 통합되고 있습니다. 두 프로그램은 멀티 플랫폼으로 제공되며, 비밀번호와 개인키를 안전하게 저장하고 암호화합니다. 비밀번호 관리자는 로그인 자동화에 중점을 두고, 소프트 월렛은 블록체인 트랜잭션 서명에 초점을 맞춥니다. 다양한 프로그램들이 존재하며, 각기 다른 기능과 강점을 가지고 있습니다.
-
Dataset - LLM 학습용 corpus 목록 (2025)2025년 LLM 학습용 데이터셋 목록에는 영어와 한국어의 대표 데이터셋이 포함되어 있으며, 각 데이터셋의 라이선스, 주체, 언어 및 특징, 내용 품질이 정리되어 있다. 영어 데이터셋으로는 English Wikipedia, Wiki-40B, CC-News 등이 있으며, 한국어 데이터셋으로는 KorQuAD, Korean Wikipedia, TED Talks 등이 있다. 각 데이터셋은 품질과 특성에 따라 분류되어 있다.
-
SNS 플랫폼 핵심 특성 비교다양한 SNS 플랫폼의 핵심 특성을 비교한 표에는 YouTube, TikTok, Facebook, Instagram, Threads, Twitter, Discord, LinkedIn, Reddit, Pinterest, Circle.so의 포맷 구조와 콘텐츠 특성이 정리되어 있으며, 각 플랫폼에 적합한 콘텐츠 유형이 제시되어 있습니다.
-
HW MiniPC: IT 서버 인프라 이해 및 실습 (일반인용)IT 서버 인프라의 구조를 기업 조직에 비유하여 설명하며, 네트워크, 가상화, 서비스 스택의 이해를 목표로 한다. Windows와 Docker를 활용한 서비스 운영, Proxmox를 통한 Linux 기반 서버 인프라 구축, FastAPI와 데이터베이스를 Docker 컨테이너로 관리하는 방법을 다룬다. 또한, 리버스 프록시 설정과 DDNS 서비스의 필요성에 대해서도 설명한다.
-
수능·자격시험등 시험공부용 AI 도구AI 도구를 활용한 시험 공부법으로는 Google NotebookLM과 Google Vertex AI가 있다. NotebookLM은 사용자가 고품질 자료를 기반으로 AI 학습 도우미를 쉽게 만들 수 있도록 하며, Vertex AI는 전문가용 솔루션으로 맞춤형 학습 애플리케이션을 구축할 수 있다. 두 방법은 각각 일반 사용자와 개발자를 대상으로 하며, 성능과 커스터마이징 수준에서 차이를 보인다. 대부분의 수험생에게는 NotebookLM이 가장 효율적인 선택이다.
- LLM 런타임 병목, CUDA 종속성 (ONNX와 ROCm)
딥러닝과 대규모 언어 모델은 NVIDIA의 CUDA 생태계에 의존하지만, 이는 런타임에서의 기술적 병목을 초래한다. ONNX 형식은 플랫폼 독립성을 제공하려고 하지만, 변환 손실과 성능 최적화의 한계가 있다. ROCm은 CUDA 대안을 제공하나, 운영체제 제약과 생태계 미성숙으로 인해 실질적인 선택지로 인식되기 어렵다. 결국, 개발자 경험과 생태계의 성숙도가 기술 선택의 핵심 요소임을 강조한다.
-
App 연결 시각화 및 자동화 도구 비교: Zapier, Make, n8nZapier, Make, n8n의 자동화 도구를 비교한 결과, Zapier는 사용이 쉽고 많은 앱과 연동되지만 비용이 비쌉니다. Make는 중간 정도의 난이도로 시각적 워크플로우를 제공하며, n8n은 높은 유연성과 비용 효율성을 갖추고 있지만 기술적 지식이 필요합니다.
- AI Transformer Model vs Deep Learning Model
딥러닝 모델과 트랜스포머 모델은 AI 혁신의 중심에 있으며, 각각의 특성과 장점이 다릅니다. 딥러닝은 인공신경망을 기반으로 하여 다양한 분야에서 성과를 거두었고, LSTM은 시계열 데이터 처리에 강점을 보입니다. 반면, 트랜스포머 모델은 어텐션 메커니즘을 통해 빠른 학습 속도와 장거리 의존성 포착 능력을 제공합니다. 그러나 특정 문제의 특성, 자원 효율성, 성과와 실용성 등을 고려할 때 여전히 기존 딥러닝 모델이 선호되는 경우가 많습니다. 다양한 모델이 각자의 장점을 가지고 AI 앱 개발에 활용되고 있습니다.
- LLM 시대의 NPU HW 전쟁 (2025년)
대규모 LLM의 확산으로 메모리 병목이 주요 제약으로 부각되며, INT4 양자화 및 LoRA와 같은 최신 최적화 기술이 필요하다. NVIDIA는 강력한 CUDA 생태계로 서버 시장을 지배하고, Qualcomm은 저전력 엣지 추론에 특화되어 있으며, 한국 팹리스는 글로벌 경쟁력 부족으로 어려움을 겪고 있다. LLM 시대의 경쟁은 단일 연산 코어 혁신이 아닌 SW-HW-모델 통합 최적화에 의해 결정된다.
-
Cloud Computing과 Web App클라우드 컴퓨팅은 웹 애플리케이션 개발의 비효율성을 극복하기 위해 발전하였으며, 자원 낭비 문제, 높은 진입 장벽, 분산 협업 수요 증가에 대응합니다. 클라우드 기반으로 자원을 임대하여 사용하는 방식으로, 다양한 웹 애플리케이션과 개발 플랫폼이 이를 채택하고 있습니다. 장점으로는 디바이스 독립성, 초기 비용 없음, 유지보수 부담 감소, 온디맨드 확장성, 글로벌 협업 최적화가 있으며, 단점으로는 벤더 종속성, 인터넷 의존성, 보안 및 프라이버시 우려가 있습니다.
- 실습 Shell Script: LLM 실행 환경 구성
Shell은 운영체제와 상호작용하는 명령어 기반 인터페이스로, 다양한 종류가 있으며, Shell Script는 자동화된 명령어 모음 파일이다. 이 문서에서는 Ubuntu 환경에서 Bash Shell을 사용하여 LLM 실행 환경을 구성하는 방법을 설명하고, 예시 스크립트와 실행 방법을 제공한다.
-
개념: Cloud computing Web App 기초 원리클라이언트-서버 모델은 요청과 응답의 관계를 통해 작동하며, API, 프로토콜, 요금 구조에 기반한다. 기술의 진화는 Unix 시스템에서 클라우드 컴퓨팅으로 발전하였고, 클라우드 서비스는 IaaS, PaaS, SaaS의 계층 구조로 구성되어 있다. 각 계층은 물리적 자원, 추상화된 실행 환경, 최종 소프트웨어를 제공하며, 경제적 요소와 수요-공급 관계를 반영한다.
-
Git: GitHub Desktop 이용GitHub Desktop을 사용하여 새로운 리포지토리를 생성하고 로컬에서 작업한 후 GitHub에 업로드하는 방법과 기존 리포지토리를 클론하여 사용하는 방법을 설명합니다. 새 프로젝트는 "New Repository"를 통해 생성하고, 기존 프로젝트는 "Clone Repository"를 통해 로컬에서 수정 후 푸시합니다.