DevOps Colleague

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 ] ↓ ..

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 ..