반응형 전체 글729 LangChain Agent: 추론과 도구 호출을 엮는 오케스트레이션 AI/ML Engineering · AI Agent LangChain Agent: 추론과 도구 호출을 엮는 오케스트레이션 LLM 애플리케이션의 사실상 표준 라이브러리 LangChain에서 에이전트는 어떻게 동작하는가. AgentExecutor의 고전적 루프부터 상태 그래프 기반 LangGraph로의 전환까지 정리한다. LangChain LangGraph AgentExecutor Tool Calling LangChain은 LLM 애플리케이션 개발에서 가장 널리 쓰이는 프레임워크 중 하나다. 그 안에서 에이전트는 "LLM을 추론 엔진으로 삼아, 어떤 도구를 어떤 순서로 호출할지 동적으로 결정하는 시스템"을 의미한다. 미리 짜둔 체인(chain)이 고정 경로라면, 에이전트는 경로.. 2026. 11. 1. AutoGen: 대화 기반 멀티 에이전트 프레임워크 AI/ML Engineering · AI Agent AutoGen: 대화 기반 멀티 에이전트 프레임워크 에이전트들이 서로 '대화'를 주고받으며 문제를 푼다. Microsoft가 제시한 AutoGen의 대화 중심 설계와 코드 실행·인간 개입을 자연스럽게 녹여내는 방식을 살펴본다. AutoGen Conversational Microsoft Code Execution AutoGen은 Microsoft Research가 공개한 멀티 에이전트 프레임워크로, CrewAI와는 결이 다른 추상화를 제시한다. 핵심 단위가 '역할'이나 '태스크'가 아니라 대화(conversation)다. 여러 에이전트가 채팅하듯 메시지를 주고받으며, 그 대화의 흐름 자체가 문제 해결 과정이 된다. 복잡한 워.. 2026. 11. 1. CrewAI: 역할 기반 멀티 에이전트 협업 프레임워크 AI/ML Engineering · AI Agent CrewAI: 역할 기반 멀티 에이전트 협업 프레임워크 한 명의 만능 에이전트 대신, 각자 역할을 가진 여러 에이전트가 팀을 이뤄 협업한다. 인간 조직의 분업 구조를 LLM 에이전트에 옮긴 CrewAI의 설계 철학과 핵심 개념을 정리한다. CrewAI Multi-Agent Role-Based Orchestration AutoGPT가 단일 에이전트의 자율 루프였다면, CrewAI는 다른 접근을 택한다. 복잡한 문제를 하나의 에이전트에 통째로 맡기는 대신, 역할(role)이 명확한 여러 에이전트를 하나의 '크루(crew)'로 묶어 협업시킨다. 리서처가 자료를 모으고, 분석가가 해석하고, 작가가 보고서를 쓰는 식이다. 인간 조직.. 2026. 10. 31. AutoGPT: 목표 지향 자율 에이전트의 시작과 그 한계 AI/ML Engineering · AI Agent AutoGPT: 목표 지향 자율 에이전트의 시작과 그 한계 "목표만 던지면 알아서 끝낸다"는 발상으로 2023년 폭발적 화제를 모은 AutoGPT. 그 작동 원리와, 자율 에이전트가 마주한 근본적 난제들을 통해 무엇을 배워야 하는지 짚는다. AutoGPT Autonomous Agent Goal-Oriented Self-Prompting AutoGPT는 2023년 봄 등장하자마자 GitHub 스타 수십만을 단숨에 모으며 자율 AI 에이전트라는 개념을 대중에게 각인시킨 프로젝트다. 사용자가 이름과 역할, 그리고 몇 개의 목표를 입력하면, 시스템이 스스로 작업을 분해하고 도구를 호출하며 목표 달성까지 반복 실행한다. 인간의 추가.. 2026. 10. 31. AI 에이전트 개념: 자율적으로 행동하는 LLM 시스템의 이해 AI/ML Engineering · AI Agent AI 에이전트 개념: 자율적으로 행동하는 LLM 시스템의 이해 단순히 질문에 답하는 챗봇을 넘어, 목표를 받고 스스로 계획을 세우며 도구를 사용해 환경과 상호작용하는 시스템. AI 에이전트가 무엇이고, 기존 LLM 호출과 어떻게 다른지 그 본질을 정리한다. AI Agent LLM Autonomy ReAct 거대 언어 모델(LLM)이 등장한 직후의 활용은 대부분 단발성 입출력이었다. 프롬프트를 넣으면 텍스트가 나온다. 그러나 현실의 업무는 한 번의 추론으로 끝나지 않는다. 정보를 검색하고, 중간 결과를 보고 판단을 수정하고, 외부 시스템에 명령을 내려야 한다. AI 에이전트는 이 간극을 메우기 위해 등장한 패러다임이다. LL.. 2026. 10. 31. 변분 오토인코더 · VAE Deep Learning Series · 09 변분 오토인코더 · VAE Variational Autoencoder — 확률적 잠재 공간을 학습해 연속적이고 의미 있는 생성을 가능하게 하다 오토인코더에서 VAE로 일반적인 오토인코더(AE)는 입력 x를 저차원 잠재 벡터 z로 인코딩한 뒤 다시 재구성하도록 학습한다. 그러나 AE의 잠재 공간은 구조화되어 있지 않아, 임의의 z를 샘플링해 의미 있는 데이터를 생성하기 어렵다. VAE(Variational Autoencoder)는 2013년 Kingma와 Welling이 제안했다. 잠재 공간이 특정 확률 분포(보통 정규분포)를 따르도록 강제하여, 잠재 공간 전체가 연속적이고 구조화된 표현을 학습한다. VAE 구조 VAE의 인코더는 결정론.. 2026. 10. 30. 생성적 적대 신경망 · GAN Deep Learning Series · 08 생성적 적대 신경망 · GAN Generative Adversarial Network — 위조범과 감별사의 끝없는 경쟁으로 현실적인 데이터를 생성하다 아이디어 2014년 Ian Goodfellow가 제안한 GAN은 두 신경망을 동시에 훈련시키는 아이디어에서 출발한다. 🎨 Generator (생성자) 랜덤 노이즈 z를 입력받아 진짜처럼 보이는 가짜 데이터를 생성한다. "위조 지폐범"의 역할. 🔍 Discriminator (판별자) 입력된 데이터가 진짜(real)인지 가짜(fake)인지 판별한다. "경찰(감별사)"의 역할. 두 모델이 서로를 이기려 경쟁하는 과정에서, .. 2026. 10. 29. Transformer란? (딥러닝) Deep Learning Series · 07 Transformer "Attention Is All You Need" — RNN 없이 셀프 어텐션만으로 시퀀스를 처리하는 혁명적 아키텍처 배경 2017년 Google Brain의 Vaswani et al.이 발표한 논문 "Attention Is All You Need"는 NLP 역사의 분수령이다. RNN/LSTM의 순차적 처리 방식을 완전히 버리고, 셀프 어텐션만으로 시퀀스 내의 모든 위치 관계를 병렬로 계산한다. RNN의 핵심 한계는 순차성이었다. 타임스텝 t의 계산이 t-1에 의존하므로 병렬화가 불가능하다. Transformer는 이 제약에서 벗어나 GPU 병렬 연산을 최대한 활용한다. 전체 아키텍처 Encode.. 2026. 10. 28. 어텐션 메커니즘 Deep Learning Series · 06 어텐션 메커니즘 Attention — 필요한 곳에 집중하다, 인코더 출력 전체를 동적으로 가중합하는 혁신적 아이디어 병목 문제 전통적인 Seq2Seq 모델에서 인코더는 모든 입력 정보를 단 하나의 고정 크기 컨텍스트 벡터 c에 압축해야 했다. 입력이 길어질수록 성능이 급격히 저하되는 문제가 있었다. 2015년 Bahdanau et al.이 제안한 어텐션 메커니즘은 디코더가 매 타임스텝마다 인코더의 모든 은닉 상태를 참조하되, 현재 생성 중인 출력과 가장 관련 있는 입력 위치에 더 집중하도록 학습한다. Q / K / V 구조 어텐션은 세 요소로 작동한다: Query(Q), Key(K), Value(V). Q.. 2026. 10. 27. 방치형 RPG 「레전드 방치형 모험」 출시 ① 출시「레전드 방치형 모험」이 Google Play에 나왔습니다.켜 두면 알아서 싸우고, 가끔 물약을 건네면 더 멀리 가는 방치형 RPG예요.600 스테이지(차후에 더 추가예정) · 몬스터 72종(차후에 더 추가예정) · 이색 길동무 · 숨겨진 이스터에그 12개.[Play 스토어 링크] (제공 예정)② 게임 소개(체력)이 영웅은 지칩니다.체력은 스테이지를 넘어도 이어지고, 쓰러지면 처음부터 다시 걷습니다.그래도 레벨도 장비도 그대로. 다시 걷는 길도 성장의 시간입니다.③ 게임 소개(밤)밤에 켜 보세요. 게임 속 하늘도 밤이고, 실제 모양의 달이 떠 있습니다.밤에만 나오는 손님 여섯 종이 길에 섞여 있어요.④ 게임 소개(길동무)아주 가끔, 빛깔이 다른 몬스터가 나타납니다.잡으면 영웅 뒤를 졸졸 따라오는 .. 2026. 10. 26. LSTM / GRU Deep Learning Series · 05 LSTM / GRU 게이트 메커니즘으로 장기 기억을 보존하다 — RNN 기울기 소실 문제의 두 가지 해결책 RNN의 한계와 게이트 기본 RNN은 시퀀스가 길어지면 장기 의존성을 학습하지 못한다. 50 타임스텝 이전의 정보는 기울기 소실로 인해 현재 학습에 거의 영향을 미치지 않는다. 이를 해결하기 위해 게이트(Gate) 메커니즘이 도입되었다. 게이트는 0~1 사이 값을 출력하는 시그모이드 함수를 사용해 정보를 얼마나 통과시킬지 학습 가능한 방식으로 제어한다. LSTM 구조 LSTM(Long Short-Term Memory)은 1997년 Hochreiter와 Schmidhuber가 제안했다. 기본 RNN에 없던 셀 상태(Cell State.. 2026. 10. 26. 순환 신경망 · RNN Deep Learning Series · 04 순환 신경망 · RNN Recurrent Neural Network — 시퀀스 데이터의 시간적 의존성을 포착하다 순서가 있는 데이터 자연어, 음성, 시계열처럼 순서와 맥락이 의미를 결정하는 데이터에서 MLP와 CNN은 본질적 한계를 가진다. 이들은 입력 길이가 고정되어 있고, 이전 입력의 상태를 기억하지 못하기 때문이다. RNN은 이전 타임스텝의 상태를 은닉 벡터(hidden state)에 담아 다음 단계로 전달함으로써 이 문제를 해결한다. RNN 구조 RNN의 핵심은 순환 연결(recurrent connection)이다. 현재 타임스텝의 출력이 다음 타임스텝의 입력으로 다시 들어간다. UNROLLED RNN THR.. 2026. 10. 26. 합성곱 신경망 · CNN Deep Learning Series · 03 합성곱 신경망 · CNN Convolutional Neural Network — 이미지의 지역적 패턴을 계층적으로 학습하다 왜 CNN인가 224×224 RGB 이미지를 MLP로 처리하면 입력 차원이 150,528개에 달한다. 은닉층 뉴런이 1,000개만 있어도 파라미터는 1억 5천만 개가 넘는다. 더 큰 문제는 MLP가 이미지의 공간적 구조를 전혀 활용하지 못한다는 점이다. CNN은 합성곱 연산과 파라미터 공유로 이 두 가지 문제를 해결한다. 합성곱 연산 합성곱(Convolution)은 작은 필터(kernel)를 입력 위에 슬라이딩하며 겹치는 영역과의 원소별 곱의 합을 구하는 연산이다. (I * K)[i, j] = Σₘ Σₙ I[i+m.. 2026. 10. 25. 역전파 · Backpropagation Deep Learning Series · 02 역전파 · Backpropagation 신경망 학습의 심장부 — 연쇄 법칙으로 기울기를 역방향으로 전파하다 개요 역전파(Backpropagation)는 신경망이 학습하는 핵심 알고리즘이다. 1986년 Rumelhart, Hinton, Williams가 발표한 논문으로 널리 알려졌으며, 오늘날 모든 딥러닝 프레임워크가 자동 미분(autograd)을 통해 이를 구현한다. 순전파로 예측값을 계산하고 손실을 구한 뒤, 손실에 대한 각 파라미터의 기울기를 연쇄 법칙(Chain Rule)을 이용해 출력층에서 입력층 방향으로 역방향 전파한다. 연쇄 법칙 역전파의 수학적 토대는 미적분의 연쇄 법칙이다. 합성 함수 f(g(x))의 도함수는 다음과 같다.. 2026. 10. 25. 신경망 기초 (ANN) Deep Learning Series · 01 신경망 기초 · ANN Artificial Neural Network — 인간 뇌의 동작 방식에서 영감을 얻은 계산 모델 개요 인공 신경망(ANN, Artificial Neural Network)은 생물학적 뇌의 뉴런 구조를 수학적으로 모사한 계산 모델이다. 수많은 단순 연산 유닛(뉴런)이 레이어 구조로 연결되어, 복잡한 비선형 함수를 학습할 수 있다. 1943년 McCulloch와 Pitts의 초기 모델부터 시작해 오늘날 딥러닝의 토대를 이룬다. ANN의 핵심 아이디어는 간단하다. 데이터를 입력받아 가중치(weight)를 곱하고, 활성화 함수를 통해 비선형성을 부여한 뒤 다음 레이어로 전달한다. 이 과정을 여러 레이어에 걸쳐 반복함으로써.. 2026. 10. 25. Home Assistant (IoT) Embedded & IoT › IoT 플랫폼 › Home Assistant Home Assistant 스마트홈 플랫폼 Local-first Privacy 3,000+ 통합 Python HomeAssistant 클라우드 없이 당신의 집에서 실행되는 오픈소스 스마트홈 허브. 3,000개 이상의 스마트 디바이스를 하나로 통합하고 완전한 자동화를 구현하세요. 3,000+통합 서비스 50만+활성 설치 LocalFirst 철학 AGPLv3라이선스 01Home Assistant란 무엇인가 Home Assistant는 2013년 Paulus Schoutsen이 Pytho.. 2026. 10. 24. ThingsBoard: 자체 호스팅 IoT의 사실상 표준 Embedded & IoT › IoT 플랫폼 › ThingsBoard Open Source IoT Self-hosted MQTT / CoAP / HTTP Rule Chain ThingsBoard:자체 호스팅 IoT의사실상 표준 클라우드 종속 없이 자신의 서버에서 운영하는 강력한 오픈소스 IoT 플랫폼. 실시간 대시보드, 룰 체인 자동화, 멀티 프로토콜을 무료로 사용하세요. 최초 릴리즈2016년 라이선스Apache 2.0 (CE) 언어Java / Spring Boot ThingsBoard Das.. 2026. 10. 24. GCP IoT Core: 구글의 선택과 그 이후 Embedded & IoT › IoT 플랫폼 › GCP IoT Core Go og le IoT Platform Google Cloud MQTT / HTTP 서비스 종료 2023.08 GCP IoT Core:구글의 선택과 그 이후 Google Cloud Platform이 제공했던 완전 관리형 IoT 플랫폼. 2023년 8월 공식 종료되었으나, 그 설계 철학과 Pub/Sub 기반 아키텍처는 GCP IoT 생태계 전반에 살아있습니다. 후속 생태계까지 포함하여 GCP에서의 IoT 구현 전략을 완전히 정리합니다. ⚠️ 서비스 종료: GCP IoT Core는 2023년 8월 .. 2026. 10. 23. 이전 1 2 3 4 ··· 41 다음 반응형
