DevOps Colleague

딥러닝은 인공신경망(Artificial Neural Network, ANN) 을 깊게(Deep) 쌓아올린 모델이에요.1️⃣ 핵심 개념Neuron (뉴런): 입력 → 가중치(weight) → 활성화 함수(activation) → 출력Layer (층): 뉴런들을 연결한 집합입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)Forward Propagation: 입력에서 출력으로 신호 전달Backpropagation: 오차(Error)를 역전파해 가중치 업데이트Loss Function: 모델이 얼마나 틀렸는지 측정Optimizer: 가중치를 어떻게 업데이트할지 결정 (SGD, Adam 등)2️⃣ 주요 딥러닝 모델모델특징주요 용도CNN (Convolutional Ne..

AI(Artificial Intelligence, 인공지능)는 크게 아래와 같이 구분할 수 있어요.1. Rule-based AI (규칙 기반 AI)사람이 직접 규칙을 정의해서 작동하는 방식예: 전문가 시스템(Expert System), if-else 기반 챗봇특징: 설명 가능하지만 유연성이 떨어짐2. Machine Learning (기계 학습)데이터를 이용해 모델이 스스로 규칙을 학습하는 방식종류:Supervised Learning (지도 학습): 입력과 정답(Label)이 함께 있는 데이터로 학습→ 분류(Classification), 회귀(Regression)Unsupervised Learning (비지도 학습): 정답이 없는 데이터로 패턴 학습→ 군집화(Clustering), 차원 축소(Dimensi..

RAG는 LLM(예: GPT)이 외부 지식(문서, DB 등)을 검색해서, 그걸 바탕으로 답변을 생성하는 방식이에요. Retrieval-Augmented Generation, 줄여서 RAG는 요즘 AI 기반 Q&A 시스템, 문서 요약, 챗봇 등에 가장 널리 쓰이는 핵심 기술입니다. 왜 필요한가? 일반 LLM (예: GPT, Claude)은 학습된 지식만 알고 있어요.→ 최신 정보나 특정 기업 문서 같은 건 못 알아요. 해결책: RAG외부 지식을 검색 + 요약해서 답변하도록 함 RAG 구조[ 사용자 질문 ] ↓[ 1. 검색기 (Retriever) ] ↓ ← 벡터 DB에서 관련 문서 검색[ 관련 문서 ] ↓[ 2. LLM ] ↓ ..

LLM 생태계는 크게 다음 7가지로 나눌 수 있습니다. 1. 모델 (LLMs)2. 임베딩 (Embeddings)3. 서빙 및 추론 (Inference/Serving)4. 파인튜닝/경량학습 (Fine-tuning/LoRA)5. 검색 기반 강화 (RAG)6. 프레임워크/오케스트레이션7. 에이전트 / 도구 실행 (Agents/Tool Use) 1️⃣ 모델 (LLMs)유형대표 모델상용 APIChatGPT (GPT-3.5/4), Claude 3, Gemini, Mistral API, Cohere오픈소스LLaMA 2/3, Mistral, Mixtral, Falcon, Gemma, Phi, Yi, OpenChat✅ 대부분 Hugging Face에 올라옴  2️⃣ 임베딩 (Embeddings)문장을 벡터로 변환하여 유..

Claude vs ChatGPT 비교표항목Claude (Anthropic)ChatGPT (OpenAI)🔢 최신 모델Claude 3 (Opus, Sonnet, Haiku)GPT-4 (GPT-4-turbo), GPT-3.5📦 맥락 길이최대 200K tokens (Opus 기준)최대 128K tokens (GPT-4 turbo 기준)📘 학습 철학헌법 AI 기반: 윤리적, 상식 기반 응답RLHF 기반: 사용자 피드백을 반영한 성능🧠 문해력/이해도매우 뛰어남, 긴 문서 요약에 강함고른 전반적 성능, 정제된 표현력🧾 코드 작성기본은 괜찮으나, 생성형 코딩에선 ChatGPT가 더 강함GPT-4가 Copilot과 통합, 실용성이 높음🗂️ 파일 분석문서 정리/요약/문해에 매우 강함 (PDF/Docx)파일 분석..

Transformer는 문장에서 단어들 간의 관계(의미)를 한꺼번에 파악할 수 있게 해주는 딥러닝 모델 구조예요.RNN이나 LSTM처럼 순차적으로 처리하지 않고, 모든 단어를 동시에(병렬로) 처리할 수 있어서 빠르고 정확합니다.  Transformer는 Large Language Model(LLM)의 핵심이자, 지금의 ChatGPT나 GPT-4 같은 모델이 존재할 수 있게 해준 기초 기술이에요. Transformer가 등장한 이유기존에는 RNN, LSTM 같은 순환 신경망이 주로 사용됐어요.이들은 단어를 순서대로 처리하면서 문맥을 이해하지만:너무 긴 문장은 앞뒤 연결이 약해짐 (long-term dependency 문제)병렬 처리가 어려움 → 학습 속도 느림그래서 나온 게 바로 "Attention is ..

최근 AI, 특히 대형 언어 모델(LLM)의 발전과 함께 Vector Database(벡터 데이터베이스)의 중요성이 크게 주목받고 있습니다. 단순한 텍스트 검색을 넘어서, 의미 기반의 유사도 검색이 가능해지면서 벡터 데이터를 저장하고 빠르게 조회할 수 있는 시스템이 점점 필수가 되어가고 있죠.그렇다면 Vector DB는 실제로 어떤 상황에서, 어떻게 활용될까요? 1. 유사도 검색 (Similarity Search)Vector DB의 대표적인 활용 사례는 유사한 데이터를 빠르게 찾는 것입니다. 예를 들어 이미지를 임베딩 벡터로 변환한 후, 특정 이미지와 가장 비슷한 이미지를 검색하거나, 문장 간의 의미적 유사도를 비교하는 것이 가능합니다.활용 예시:이미지 기반 검색 (비슷한 옷 찾기 등)문장 검색 시스템 ..