IT교육 및 오픈소스 컨설팅, 정보시스템감리 용역
Ollama + Gemma 기반으로 OOO 로그 분석 시스템 설계서 1. 시스템 개요 이 시스템은 분전반 기동 이력 로그를 입력받아, 규칙 기반 분석과 Ollama의 gemma4:e2b 추론을 결합해 기술 보고서를 생성한다. 핵심은 LLM이 직접 모든 판단을 하게 두지 않고, 정형 분석 결과를 먼저 만든 뒤 이를 RAG와 함께 모델에 제공하는 하이브리드 구조다. 2. 설계 원칙 로그 해석의 … 더 읽기
Ollama + Gemma 기반으로 OOO 로그 분석 시스템 계획서 1. 목표 데이터센터에서 수집되는 분전반 기동 이력 로그를 분석해, 이상 징후와 주요 이벤트를 식별하고 사람이 바로 검토 가능한 결과 리포트를 생성하는 시스템을 구축한다. 본 시스템은 사용자가 로컬 또는 사내 서버에 설치한 Ollama의 gemma4:e2b 모델을 활용한다. 참조한 roadmap.md의 4단계 구조는 유지하되, 서빙 계층은 초기 버전에서 vLLM 대신 … 더 읽기
Gemma 4 기반으로 하이브리드(RAG + Fine-Tuning) 방식으로 구축 1단계: 파인튜닝 (Fine-Tuning) – "모델의 페르소나 구축" Gemma 4가 특정 도메인의 용어를 이해하고, 일관된 답변 형식을 갖추도록 합니다. 방법론: QLoRA (4-bit Quantized LoRA) 사용. (VRAM 소모를 줄여 RTX 4090급에서도 학습 가능) 도구: Unsloth (Gemma 4 학습에 최적화되어 속도가 2배 이상 빠름) 데이터셋 구성: 형식: {“instruction”: “…”, “input”: … 더 읽기
휴머노이드 제어에서는 특정 하나의 표준 용어만 쓰이기보다는, 여러 계열의 AI/제어 패러다임이 병행됩니다. 다만 업계/연구에서 자주 쓰는 핵심 용어들을 구조적으로 정리해보면 다음과 같습니다. 로봇 제어 파운데이션 모델 1) End-to-End 계열 (최근 트렌드) (1) VLA (Vision-Language-Action) 멀티모달 입력 → 행동 출력 대표: RT-2 (Google) PaLM-E 👉 휴머노이드 적용: “물건 집어”, “문 열어” 같은 고수준 명령 → 바로 … 더 읽기
‘소품종 대량생산’의 종말, AI가 여는 ‘대품종 대량생산’의 시대 인류의 산업 역사는 끊임없이 ‘생산성’과 ‘다양성’ 사이의 타협점을 찾아가는 과정이었습니다. 하지만 이제 우리는 그 두 마리 토끼를 동시에 잡는 전례 없는 변곡점에 서 있습니다. 바로 피지컬 AI와 Agentic AGI가 주도하는 새로운 산업 혁명입니다. 제조의 진화: 가내수공업에서 ‘피지컬 AI’로 과거의 가내수공업 시대는 개별 고객의 요구에 맞춘 ‘다품종 소량생산’의 … 더 읽기
이 표는 ‘독자성’의 단계에 따른 AI 모델 개발 및 운용 방식을 L0부터 L6까지 7단계로 구분하여 설명하고 있습니다. 학습 방법, 모델의 결과물 및 구조, 학습 소프트웨어, 데이터센터, 그리고 AI 반도체까지 각 요소별로 의존도와 자체 확보 수준을 비교합니다. AI 파운데이션 모델 독자성 단계별 구분 ‘독자성’의 단계 L0 L1 L2 L3 L4 L5 L6 학습(training) 프롬프트 개발, RAG … 더 읽기
MLX vs PyTorch 성능 벤치마크: Apple Silicon에서 MLX와 PyTorch 프레임워크의 성능을 비교하는 벤치마크를 제공합니다. https://github.com/jaysys/mlx_pytorch_benchmark.git 실행 환경 하드웨어: Apple Silicon (M3) 운영 체제: macOS Python 버전: 3.11 의존성 패키지: mlx>=0.0.7 numpy>=1.24.0 torch>=2.0.0 logging>=0.5.1.2 프로젝트 구조 . ├── main.py # 벤치마크 스크립트 ├── requirements.txt # 프로젝트 의존성 ├── .gitignore # Git 무시 규칙 └── README.md # … 더 읽기
CNN (컨볼루션 신경망) 이해를 위한 파이썬 예제 (MNIST 손글씨 숫자 분류) CNN(Convolutional Neural Network, 컨볼루션 신경망)은 이미지 인식, 객체 탐지 등 컴퓨터 비전 분야에서 뛰어난 성능을 보이는 딥러닝 모델입니다. 이미지의 공간적 특징(spatial features)을 효과적으로 학습하는 데 특화되어 있습니다. 가장 대표적이고 이해하기 쉬운 예제 중 하나는 MNIST 손글씨 숫자 데이터셋을 분류하는 것입니다. MNIST 데이터셋은 0부터 9까지의 … 더 읽기
머신러닝 프로젝트의 생명주기는 머신러닝 워크플로우 즉, 데이터를 준비하고 모델을 개발하며 성능을 평가하고 배포하는 전체 과정입니다. 워크플로우를 단계별로 정리하면 다음과 같으며, 이 모든 단계는 반복적이며, 새 데이터를 수집하거나 성능 개선이 필요할 때 다시 돌아가 진행합니다. 1. 문제 정의 (Define the Problem) 목적: 해결하고자 하는 문제를 명확히 정의하고 목표를 설정합니다. 예: 고객 이탈 예측, 이미지 분류, 매출 … 더 읽기
오늘 구글AI 제미나이를 전격 발표했습니다. 구글 제미나이란? Gemini는 구글에서 개발한 새로운 AI 모델입니다. 제미나이 Ultra, Pro, Nano 모델 등으로 구분합니다. 발표 블로그 간략히 간추려봤습니다. 순다 피차이, 구글 CEO 구글은 AI First 기업으로의 도약을 선포한 후 8년이 지난 현재, AI의 발전 속도는 계속 가속화되고 있다. 수백만 명의 이용자들은 구글 제품에서 생성형 AI를 통해 이전에는 불가능했던 작업을 … 더 읽기