스터디

알고리즘과 기술 흐름을 한 편씩 깊이 있게 정리합니다. 용어집보다 한 걸음 더 들어갑니다.

분야별 노트

많이 읽힌 순(조회가 적은 노트는 최신순)

효율·인프라AI 플랫폼·솔루션MLOps·LLMOps기초2026-10-12

LLM 인프라 기초: GPU 메모리·서빙·비용 한 번에 보기

LLM을 돌리는 비용은 대부분 GPU 메모리를 어떻게 쓰느냐에서 갈린다. 이 글은 가중치·KV 캐시·정밀도에서 시작해 추론 엔진, 연속 배칭, 모델 병렬화, 배포 방식 고르기와 토큰 비용 계산까지 실무 순서대로 정리한다.

언어 모델AI 플랫폼·솔루션입문2026-10-12

Hugging Face에서 LLM 고르고 읽는 법: 모델 페이지부터 GPU 메모리까지

Hugging Face 허브의 모델 페이지에서 무엇을 보면 되는지 정리한다. 모델 카드·파일·이름 꼬리표·라이선스·벤치마크를 읽는 법을 다루고, 내 GPU 메모리로 돌릴 수 있는지 어림하는 방법과 고를 때 쓰는 점검 목록도 함께 담았다.

컴퓨터 비전언어 모델의료·바이오기초2026-10-10

의료 AI: 영상 판독에서 임상 LLM까지

의료 AI는 흉부 X선 판독 모델에서 시작해 의사 국가시험 문제를 푸는 임상 LLM으로 넓어졌다. 시험 점수가 실제 진료 성능을 보장하지 않는다는 점이 드러나면서 GMLP 원칙, WHO 권고, 실제 진료 조건에 가까운 평가가 함께 중요해졌다.

전통 ML·추천·검색언어 모델금융·보험기초2026-10-10

금융 AI: 사기 탐지·신용평가에서 금융 LLM까지

금융 AI의 중심에는 여전히 표 데이터를 다루는 그래디언트 부스팅 모델이 있고, 그 옆에서 공시·규제 문서 같은 글을 다루는 금융 특화 LLM이 자라고 있다. 신용평가는 EU에서 고위험 AI로 분류되므로 설명 가능성·공정성·모델 리스크 관리와 사람의 최종 책임이 함께 다뤄져야 한다.

컴퓨터 비전전통 ML·추천·검색제조기초2026-10-10

제조 AI: 비전 불량 검사·예지 보전·디지털 트윈

제조 현장에서는 불량 사진이 드물어서, 정상 제품만 학습한 뒤 그와 다른 것을 찾는 이상 탐지가 비전 검사의 기본이 됐다. 센서 시계열로 고장을 미리 예측하는 예지 보전과 디지털 트윈도 같은 문제를 안고 있다. 실험실 성능이 공장으로 그대로 옮겨지지 않는다는 점이다.

언어 모델효율·인프라심화2026-10-10

루프 트랜스포머: 같은 층을 여러 번 돌려 더 깊게 생각하기

루프 트랜스포머는 파라미터를 늘리는 대신 같은 트랜스포머 블록을 여러 번 반복해 계산 깊이를 키우는 구조다. 다만 반복 횟수를 늘리면 학습이 불안정해지고 메모리 사용량이 커지는 문제가 있다. 최근 연구는 대부분 이 두 문제를 푸는 데 집중하고 있다.

안전·정렬피지컬 AI·로봇국방·안보기초2026-10-10

국방 AI: 활용 영역과 인간 통제 원칙

국방에서 AI는 정보 분석, 정비·군수, 지휘 결심 지원, 무인 체계에 쓰이지만 결과가 생명과 직결되므로 사람의 판단과 책임이 설계의 중심이 된다. NATO·영국 국방부의 원칙, 자율 무기를 둘러싼 국제 논의, 도입 전 점검 방법을 정리한다.

데이터 엔지니어링언어 모델에이전트기초2026-10-09

Text-to-SQL과 데이터 분석 에이전트: 자연어로 데이터베이스에 묻기

Text-to-SQL은 자연어 질문을 SQL로 바꿔 데이터베이스에서 답을 꺼내는 기술로, Spider·BIRD 같은 벤치마크와 LLM 기반 에이전트를 거치며 빠르게 발전했다. 하지만 기업 현장의 거대한 스키마, 모호한 질문, 신뢰도 문제는 아직 풀어야 할 과제여서, 연구는 되묻고 멈추고 행동하는 데이터 에이전트 쪽으로 옮겨 가고 있다.

AI 보안에이전트기초2026-10-09

LLM·에이전트 보안 가이드: 프롬프트 인젝션부터 도구 권한까지

LLM 앱과 에이전트의 가장 큰 위협은 모델이 데이터 속에 숨은 지시도 그대로 따른다는 점이다. 이 글은 위협 지도, 프롬프트 인젝션과 '치명적 삼박자', MCP·도구 보안, 여러 겹의 방어, 운영 거버넌스와 도입 순서를 차례로 정리한다.

데이터 엔지니어링AI 플랫폼·솔루션기초2026-10-09

실시간 데이터 파이프라인 가이드: 스트리밍·CDC·이벤트 기반 구조

실시간 데이터 파이프라인은 이벤트 로그(Kafka)에 변경을 쌓습니다. 스트림 처리 엔진(Flink·Structured Streaming·Dataflow)이 이를 계속 가공하고, CDC가 운영 DB 변경을 지연 없이 옮깁니다. 이 글은 공식 문서를 근거로 각 구성 요소의 역할, AI 서비스에서 쓰는 곳, 도입 순서와 점검 항목을 정리합니다.

AI 보안언어 모델심화2026-10-09

AI 프라이버시: 학습 데이터는 새는가 — 멤버십 추론·추출과 차분 프라이버시

AI 모델은 학습 데이터를 요약할 뿐만 아니라 일부를 외워서 내보낼 수 있다. 이 글은 '학습에 썼는가'를 알아내는 멤버십 추론, 외운 문장을 그대로 끌어내는 데이터 추출, 수학적으로 유출을 묶는 차분 프라이버시를 주요 연구 순서대로 정리한다.

AI 보안안전·정렬심화2026-10-09

적대적 공격과 탈옥: 이미지 분류기 속이기에서 LLM 안전장치 뚫기까지

사람 눈에는 거의 보이지 않는 변화로 이미지 분류기를 속이는 적대적 예제와, 안전 학습을 거친 LLM이 거부하도록 배운 요청에 답하게 만드는 탈옥은 같은 틀을 따른다. 모델은 그대로 두고 입력을 최적화한다. 이 노트는 2013년의 발견부터 2026년 연구까지 따라가며 공격이 왜 통하는지, 방어가 어디까지 보장하는지 정리한다.

데이터·평가언어 모델심화2026-10-09

합성 데이터로 학습하기: Self-Instruct부터 모델 붕괴 논쟁까지

LLM이 만든 데이터로 다시 LLM을 학습시키는 합성 데이터 학습은 Self-Instruct, Evol-Instruct, phi-1을 거치며 사람 라벨링을 줄이는 주요 방법이 됐다. 그 뒤로 '모델이 만든 데이터만 먹으면 망가진다'는 모델 붕괴 경고가 나왔고, 진짜 데이터를 버리지 않고 쌓으면 붕괴를 피할 수 있다는 반론도 나왔다. 지금 연구의 관심은 어떤 합성 데이터를 골라 쓸지로 옮겨 가고 있다.

전통 ML·추천·검색데이터·평가기초2026-10-09

정형 데이터 머신러닝: 트리 모델의 강점과 TabPFN·LLM의 도전

엑셀 표 같은 정형 데이터에서는 이미지·글과 달리 딥러닝보다 그래디언트 부스팅 같은 트리 모델이 오랫동안 기본 선택이었다. 최근에는 표를 통째로 읽고 학습 없이 바로 예측하는 TabPFN 계열 테이블 파운데이션 모델과 LLM이 이 자리에 도전하고 있다.

데이터 엔지니어링안전·정렬기초2026-10-08

AI를 위한 데이터 파이프라인·거버넌스 실무 가이드

AI 모델과 RAG가 쓸 만한 답을 내려면 데이터를 모으고 정제하고 저장하고 색인하는 파이프라인과, 품질·권한·출처를 관리하는 거버넌스가 함께 있어야 한다. 이 글은 ETL·ELT, 웨어하우스·레이크·레이크하우스, 데이터 메시, 데이터셋 문서화, RAG 문서 파이프라인을 실무 순서로 정리한다.

에이전트기초2026-10-08

에이전트 하네스: 모델을 일하는 시스템으로 만드는 설계 가이드

하네스는 에이전트에서 모델을 뺀 나머지 전부로, 시스템 프롬프트·도구·실행 환경·컨텍스트 관리·훅·서브에이전트·검증 장치로 이뤄진다. 이 글은 공식 엔지니어링 글과 SWE-agent 연구를 근거로 구성 요소, 설계 원칙, 코딩 에이전트 적용 단계, 긴 작업용 하네스, 점검 목록을 정리한다.

데이터 엔지니어링언어 모델데이터·평가기초2026-10-08

데이터 중심 AI: 정제·중복 제거·합성 데이터로 모델을 키우는 법

모델 구조를 그대로 두고 학습 데이터를 거르고, 중복을 없애고, 필요하면 새로 만들기만 해도 모델 성능과 학습 효율이 크게 달라진다. 이 노트는 중복 제거·품질 필터링·합성 데이터·데이터 선별 연구가 각각 무엇을 보여 줬고 요즘 어디로 가는지 정리한다.

MLOps·LLMOpsAI 플랫폼·솔루션기초2026-10-08

MLOps·LLMOps 운영 가이드: 모델을 만든 뒤 계속 잘 돌리는 법

MLOps는 머신러닝 모델을 운영 환경에 올리고 계속 관리하기 위해 데이터·실험·파이프라인·배포·모니터링을 자동화하는 실무다. LLMOps는 같은 원칙에 프롬프트, 평가, 관측, 토큰 비용 관리를 더한 것이다.

에이전트기초2026-10-08

에이전트 스킬 만들기: 폴더 구조부터 테스트·공유까지

스킬은 지시문·스크립트·참고 자료를 담은 폴더입니다. 에이전트는 이 폴더를 필요한 단계만큼 나눠 읽습니다. 이 노트는 공식 문서와 명세를 바탕으로 SKILL.md 구성, 이름·설명 쓰는 법, 분량과 스크립트를 정하는 기준, 테스트와 개선, 보안, MCP·서브에이전트와의 차이를 정리합니다.

언어 모델데이터·평가심화2026-10-07

하이브리드 검색과 리랭킹: 찾고 다시 줄 세우기

하이브리드 검색은 키워드 검색과 의미 검색을 함께 써서 후보를 넓게 모으고, 리랭커는 그 후보를 더 비싼 모델로 하나씩 다시 평가해 순서를 정한다. 두 단계로 나누면 정확도와 비용 사이에서 균형을 잡을 수 있어, RAG에서 근거를 찾는 기본 구조가 됐다.

언어 모델효율·인프라심화2026-10-07

벡터 검색: 임베딩과 근사 최근접 이웃(HNSW·Faiss)

벡터 검색은 문장과 문서를 의미가 담긴 숫자 좌표(임베딩)로 바꾸고, 질문과 가까운 좌표를 빠르게 찾는 기술이다. 정확도를 조금 내주고 속도를 크게 얻는 근사 최근접 이웃(ANN) 색인 덕분에 수천만에서 수십억 개 벡터도 다룰 수 있다.

언어 모델데이터·평가심화2026-10-07

GraphRAG와 지식 그래프·온톨로지: 문서 더미를 관계도로 바꿔 묻기

GraphRAG는 문서를 개체와 관계로 이루어진 지식 그래프로 다시 정리하고, 관계가 촘촘한 묶음마다 요약을 미리 써 두어 '전체를 보는 질문'에 답하는 RAG 방식이다. 이 글은 벡터 RAG의 한계에서 출발해 작동 원리, 지식 그래프·온톨로지와의 관계, 최근 연구와 보안·평가 쟁점까지 다룬다.

언어 모델에이전트기초2026-10-07

검색 증강 생성(RAG): 모델에게 '오픈북'을 쥐여 주는 법

RAG는 언어 모델이 답을 만들기 전에 외부 문서에서 관련 내용을 찾아 읽게 해, 파라미터에 갇힌 지식의 한계와 환각을 줄이는 방법이다. 2020년 REALM·RAG에서 출발해 필요할 때만 검색하는 방식, 에이전트형 구조, 오염된 지식에 대한 견고성 연구로 넓어지고 있다.

언어 모델효율·인프라데이터·평가심화2026-10-07

의사결정 모델: 글을 쓰지 않고 선택지에 답하는 AI

의사결정 모델(Decision model)은 미리 정한 선택지마다 확률을 매겨 한 번에 답하는 모델로, 생성형 LLM보다 훨씬 싸고 빠르다. 다만 2026년에 나온 평가 연구들은 정확도, 확신도 신뢰성, 긴 작업에서의 오류 누적에 분명한 한계가 있다는 점을 함께 보여 준다.

에이전트기초2026-10-07

에이전트와 도구 사용: 말하는 모델이 일하는 모델이 되기까지

LLM은 글은 잘 쓰지만 계산·최신 정보 확인·외부 시스템 조작은 혼자 못 한다. 그래서 모델이 생각하고, 도구를 부르고, 결과를 보고 다시 생각하는 '에이전트' 구조가 나왔다. 요즘 연구는 도구를 쓸 수 있느냐보다 도구를 믿을 만하게 쓰느냐를 묻는다.