반응형 전체 글723 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. Azure IoT Hub: 엔터프라이즈 IoT의 신뢰할 수 있는 중심축 Embedded & IoT › IoT 플랫폼 › Azure IoT Hub IoT Platform Microsoft Azure AMQP / MQTT Managed Service Azure IoT Hub:엔터프라이즈 IoT의신뢰할 수 있는 중심축 Microsoft Azure의 완전 관리형 IoT 메시징 서비스. D2C·C2D 양방향 통신, 디바이스 트윈, Direct Method, 엣지 컴퓨팅까지 엔터프라이즈급 기능을 통합 제공합니다. MQTT 3.1.1 AMQP 1.0 Device Twin Direct Method Azure IoT.. 2026. 10. 22. AWS IoT Core Embedded & IoT › IoT 플랫폼 › AWS IoT Core IoT Platform Cloud MQTT AWS Managed Service Amazon Web Services · IoT Core AWS IoT Core 수십억 개의 디바이스를 연결하고, AWS 생태계 전체와 매끄럽게 통합되는 클라우드 IoT 플랫폼의 압도적 1인자. 핵심 아키텍처부터 실전 구현까지 해부합니다. 수십억연결 디바이스 MQTT 5프로토콜 지원 30+AWS 서비스 통합 mTLS디바이스 인증 .. 2026. 10. 21. 피처 스토어 (Feast) — 학습과 서빙의 피처 일관성을 지키는 장치 AI/ML 엔지니어링 · MLOps 피처 스토어 (Feast) — 학습과 서빙의 피처 일관성을 지키는 장치 머신러닝 모델이 프로덕션에서 학습 때만큼의 성능을 내지 못하는 가장 흔한 원인 중 하나는 '학습-서빙 스큐(training-serving skew)'다. 학습 때 계산한 피처와 추론 때 계산한 피처가 미묘하게 어긋나는 것이다. 피처 스토어는 피처 계산을 단일 파이프라인으로 중앙화해 이 어긋남을 없앤다. Feast는 그중 가장 널리 쓰이는 오픈소스 구현이다. 피처 스토어가 푸는 두 가지 문제 피처 스토어는 두 개의 고질적 문제를 정조준한다. 첫째, 학습-서빙 스큐. 학습 데이터셋 생성과 실시간 추론이 같은 피처 계산 로직을 공유하면, 코드 분기에서 비롯되는 스큐가 원천적으로 사라진다. 둘째,.. 2026. 10. 20. 모델 서빙 — TorchServe와 BentoML로 모델을 API로 만들기 AI/ML 엔지니어링 · MLOps 모델 서빙 — TorchServe와 BentoML로 모델을 API로 만들기 학습이 끝난 모델은 그 자체로는 가치를 만들지 못한다. 누군가 요청을 보내고 예측을 받을 수 있어야 비로소 서비스가 된다. 모델 서빙은 학습된 모델을 컨테이너에 담고 API로 노출해, 들어오는 요청을 받아 추론하고 결과를 돌려주는 단계다. Flask로 대충 감쌀 수도 있지만, 배칭·다중 모델·메트릭 같은 프로덕션 요구를 만나면 전용 도구가 필요해진다. 서빙 런타임과 서빙 플랫폼 먼저 용어를 정리하자. 서빙 런타임은 모델을 컨테이너로 패키징하고 추론 API를 세우는 도구(TorchServe, BentoML, Triton 등)이고, 서빙 플랫폼은 들어오는 트래픽에 맞춰 컨테이너 수를 동적으로.. 2026. 10. 19. Vertex AI — 구글 클라우드의 통합 ML 플랫폼과 제미나이 게이트웨이 AI/ML 엔지니어링 · MLOps Vertex AI — 구글 클라우드의 통합 ML 플랫폼과 제미나이 게이트웨이 Vertex AI는 SageMaker의 구글 클라우드(GCP) 대응물이다. 데이터 준비부터 학습·튜닝·배포·모니터링까지 매니지드 서비스로 묶되, 구글의 강점인 대규모 인프라와 제미나이(Gemini) 같은 파운데이션 모델로의 직접 접근을 전면에 내세운다. 전통적 ML과 생성형 AI를 하나의 플랫폼에서 다루려는 팀에게 자연스러운 선택지다. 하나의 플랫폼, 두 개의 세계 Vertex AI의 설계 의도는 '예측형 AI와 생성형 AI를 한 지붕 아래'다. 한쪽에는 표 데이터·이미지·텍스트에 대한 커스텀 모델 학습과 AutoML이 있고, 다른 쪽에는 Model Garden을 통한 파운데이션 모델 .. 2026. 10. 18. Amazon SageMaker — AWS가 통째로 묶은 매니지드 ML 라이프사이클 AI/ML 엔지니어링 · MLOps Amazon SageMaker — AWS가 통째로 묶은 매니지드 ML 라이프사이클 Kubeflow가 '직접 운영하는' 길이라면, Amazon SageMaker는 '맡기는' 길이다. 데이터 라벨링부터 학습, 튜닝, 배포, 모니터링까지 ML 라이프사이클 전 단계를 AWS 매니지드 서비스로 제공한다. 인프라 운영 부담을 없애는 대신 AWS 생태계에 깊이 들어간다는 트레이드오프 위에 서 있다. 매니지드 플랫폼이라는 발상 SageMaker의 핵심 약속은 단순하다. 쿠버네티스 클러스터를 세우거나 GPU 드라이버를 관리하거나 오토스케일링을 직접 구성할 필요 없이, API 호출 또는 SDK 몇 줄로 ML 작업을 실행한다는 것이다. 학습 작업을 제출하면 AWS가 인스턴스를 띄우.. 2026. 10. 18. 이전 1 2 3 4 ··· 41 다음 반응형
