삼성전자

RSS

게시글: 145
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
AI-Native RAN: 기지국 최적화의 패러다임을 바꾸는 Network Foundation Model
본 글은 6G 시대를 맞아 급증하는 이동통신 네트워크의 운영 복잡성을 해결하기 위한 삼성리서치의 'AI for RAN' 기술을 소개합니다. RAN(Radio Access Network)은 RU, DU, CU로 구성되며, 스마트폰 사용량 증가와 6G의 요구사항으로 인해 기지국 제어 파라미터가 증가하면서 최적화가 어려워지고 있습니다. 특히, 특정 기지국 파라미터 변경이 인접 셀에 간섭을 유발하는 비선형적 간섭 문제와 지역별 환경 가변성으로 인해 네트워크 운영의 복잡성이 증대됩니다. 삼성리서치는 이러한 문제를 해결하기 위해 AI, 특히 LLM과 머신러닝 기반의 Network Foundation Model을 RAN의 핵심부에 적용하여 전문가의 통찰과 데이터를 결합한 지능형 최적화 솔루션을 제시합니다.
AI for RAN기지국 최적화Network Foundation Model
삼성전자·2026년 4월 2일
AI
Agentic Search 시스템 구축기: 사내 검색 환경을 재정의하기 위해 우리가 선택한 것들
삼성전자 사내 지식 검색 시스템 구축 경험을 공유하는 글입니다. 다양한 형태와 모달로 흩어진 사내 데이터를 효과적으로 검색하기 위해 RAG 기반의 Agentic Search 구조를 선택하게 된 배경과 설계 과정을 설명합니다. 특히, Agent Flow를 DAG(Directed Acyclic Graph)로 바라보고 Task를 Sub Task로 분해하며 Node 간의 연결 및 Context 관리 방안을 설계하는 것이 중요하다고 강조합니다. 또한, Tool 설계 시에는 재사용성과 확장성을 고려하고, Runtime 환경에서는 안정적인 운영을 위한 고려사항들을 다룹니다. 궁극적으로 Agentic Search는 복잡한 사내 지식 검색 환경을 재정의하는 데 기여할 수 있음을 시사합니다.
Agentic SearchRAGLLM
삼성전자·2026년 2월 12일
AI
인간과 AI, 함께 데이터를 탐험하다 - BDA 2.0 서비스의 탄생, 현재 그리고 미래
이 글은 자연어-SQL 변환 정확도가 높은 LLM 에이전트 서비스 개발 경험을 공유합니다. 기존에는 도메인 전문가와 개발자의 협업을 통해 각 도메인에 특화된 에이전트를 개발했으나, 이는 많은 인력과 시간을 요구하고 데이터 변동에 비효율적이었습니다. 이러한 문제를 해결하기 위해 개발 지식이 없는 도메인 전문가도 웹 UI를 통해 쉽게 도메인 특화 에이전트를 만들고 실험 및 배포할 수 있는 플랫폼(BDA 2.0)을 개발했습니다. 글에서는 AI 에이전트 서비스 개발 과정에서의 인사이트, 주요 기능, 그리고 향후 해결해야 할 과제들을 소개하며, 인간-AI 협업의 다양한 양상과 데이터 분석 분야에서의 AI 활용 증가 추세를 설명합니다.
LLMAI 코딩 에이전트자연어-SQL 변환
삼성전자·2026년 2월 10일
AI
RAG의 진화: 검색을 넘어, 나를 이해하는 ‘Personal Context’의 시대로
본 글은 RAG(Retrieval-Augmented Generation) 기술이 단순 검색을 넘어 사용자의 개인화된 맥락을 이해하는 'Personal Context RAG'로 진화하는 미래를 조망합니다. 현재 RAG는 사용자의 사유화되고 파편화된 데이터에 접근하지 못해 'Context Blindness'라는 한계를 가집니다. 예를 들어, '철준이가 추천한 부산 맛집 중 지금 갈 수 있는 곳'과 같은 질문에 답하기 어렵습니다. 미래의 RAG는 온디바이스(On-Device) 환경에서 경량화된 벡터 인덱스를 통해 개인 데이터를 검색하고, 외부 API와 연동하여 실시간 정보를 얻어오는 'Orchestrator' 역할을 수행할 것입니다. 이를 통해 사용자의 개인 정보와 실시간 컨텍스트를 통합하여 개인화된 답변을 생성하는 것이 Personal Context RAG의 핵심입니다. 이러한 구현을 위해서는 온디바이스 중심의 하이브리드 아키텍처, 개인화된 지식 그래프, 개인정보 보호 기술이 중요합니다.
RAGLLMPersonal Context
삼성전자·2026년 2월 10일
AI
기지국에 딱 맞는 AI모델: On-Site Training과 추론 가속화
Samsung Research 차세대통신연구센터는 AI-RAN 시대를 대비하여 기지국 내 AI 모델의 추론 가속화 및 On-Site Training 기술을 연구하고 있습니다. AI-RAN은 무선 통신망(RAN)에 인공지능(AI) 기술을 결합한 차세대 통신 기술로, AI-RAN Alliance는 AI 활용 방안을 연구하는 세 개의 워킹 그룹을 운영 중입니다. 본문에서는 통신망의 특성과 제약사항, 즉 실시간 컴퓨팅 환경에서의 빠른 추론(0.5ms 이내), 제한된 리소스, 비용 효율성 등을 고려하여 기지국 개별 맞춤형 AI 모델 개발 경험을 공유합니다. 이를 위해 모델 경량화 및 최적화를 통해 리소스 증설 없이 AI 모델을 적용하는 방안을 모색하고 있습니다.
AI-RAN기지국On-Site Training
삼성전자·2026년 2월 9일
AI
생성형 AI와 빅데이터의 만남: 에이전틱 AI로 진화하는 Big Data Assistant
삼성전자 빅데이터 센터의 사내 데이터 분석 서비스인 Big Data Assistant(BDA)가 LLM을 활용하여 자연어 기반 분석 서비스로 진화하는 과정을 소개합니다. 기존의 복잡하고 시간이 많이 소요되던 데이터 분석 방식에서 벗어나, 사용자의 자연어 질의를 이해하고 SQL을 생성하며 인사이트까지 도출하는 LLM 기반의 새로운 접근 방식을 제시합니다. 특히, 방대한 규모의 사내 데이터를 LLM이 이해하고 활용할 수 있도록 하는 기술적 고민과 해결책을 다루며, BDA를 에이전틱 AI로 발전시키는 여정을 공유합니다.
LLM빅데이터데이터 분석
삼성전자·2026년 2월 5일
AI
AI Cyber Challenge 우승 시스템을 삼성에 적용하기까지
이 글은 DARPA가 주최한 AI Cyber Challenge에서 우승한 보안 시스템 Atlantis를 삼성전자 내부 서비스로 구축하는 과정을 다룹니다. Atlantis는 LLM을 활용하여 오픈소스의 취약점을 찾아내고 자동으로 패치를 생성하는 혁신적인 시스템입니다. 결승전에서는 OpenSSL, cURL 등 대규모 오픈소스의 임의 삽입된 버그를 성공적으로 탐지하고 패치했습니다. 대회 종료 후, 이 기술을 삼성 내부의 수많은 소프트웨어 보안을 책임지는 상시 서비스로 발전시키기 위한 프로젝트가 시작되었습니다. 약 두 달간의 사내 파일럿 테스트 결과, 30개 프로젝트에서 294개의 크래시를 발견하고 93.75%의 버그에 대해 자동 패치를 생성하는 성과를 거두었습니다. 글에서는 이 과정에서 겪었던 난관과 해결 과정을 공유합니다.
AI Cyber ChallengeAtlantis보안 시스템
삼성전자·2026년 2월 3일
AI
업무 생산성 향상을 위한 Agentic RAG 기반 서비스
삼성리서치에서 개발 중인 'DeepDive' 서비스는 Agentic RAG 기술을 활용하여 사내 문서 기반의 보고서 작성 자동화를 목표로 합니다. 이 글은 DeepDive 서비스의 아키텍처와 기술적 고도화 과정을 소개하며, 긴 문서에서 핵심 정보를 추출하고 멀티 에이전트 협업을 통해 다중 문서를 분석하는 방식을 다룹니다. Coordinator, Gatekeeper, Planner 등 다양한 에이전트가 역할을 분담하여 복잡한 질의를 효율적으로 처리하는 Agentic 아키텍처를 중심으로, 실제 개발 과정에서 발생한 문제점과 해결 방안을 공유합니다. 이를 통해 임직원의 업무 생산성 향상에 기여하는 Agentic AI 기술의 실제 적용 사례를 보여줍니다.
Agentic RAGLLM멀티 에이전트
삼성전자·2026년 1월 29일
AI
파인튜닝으로 LLM 편향 개선하기
이 글은 대규모 언어 모델(LLM)이 기술 비교 시 기술적 차별성보다 비즈니스적 가치를 더 중시하는 편향을 가지고 있다는 문제를 제기합니다. 연구진은 LLM을 활용한 기술 비교 솔루션 개발 과정에서 이러한 편향이 약 78%의 결과에서 SV(전략적 가치)에 근거함을 확인했습니다. 이는 LLM이 학습한 공개된 비정형 데이터의 특성 때문으로 분석됩니다. 문제 해결을 위해 QLoRA 기반 파인튜닝을 통해 LLM의 편향을 기술 중심으로 재정렬하고, 그 효과를 검증하는 방법을 소개합니다. 이를 통해 LLM이 기술의 본질에 더 집중하도록 개선하여 객관적인 기술 비교 및 의사결정에 도움을 줄 수 있을 것으로 기대합니다.
LLM파인 튜닝편향
삼성전자·2025년 12월 8일
AI
Agentic AI는 어떻게 ‘생각하는 동료’가 되었나?
이 글은 단순히 지시를 수행하던 AI가 스스로 계획을 세우고 도구를 선택하며 문제를 해결하는 'Agentic AI'로 진화하는 과정을 설명합니다. 초기 LLM의 등장부터 RAG를 통한 정보 검색 강화, 그리고 Function Calling과 Tool 사용을 통해 외부 기능을 호출하며 능동적인 문제 해결자로 발전하는 AI의 여정을 시간순으로 살펴봅니다. Agentic AI는 AI가 실무에서 실질적인 가치를 창출하는 중요한 전환점이 될 수 있음을 강조하며, 실제 적용 사례를 통해 그 이점을 소개합니다.
Agentic AILLMRAG
삼성전자·2025년 10월 17일
AI
AI를 지탱하는 MLOps: Kubeflow와 MLflow를 활용한 AI 개발 시스템 구축
이 글은 AI 개발 및 실서비스 적용에 필수적인 MLOps(Machine Learning Operations)의 개념과 중요성을 설명하고, 이를 효과적으로 구축하기 위한 방법을 제시합니다. MLOps는 AI 모델의 개발, 배포, 운영 과정을 체계화하고 자동화하여 서비스의 신뢰성과 지속적인 개선을 가능하게 합니다. 특히, 대량의 데이터가 빠르게 변화하는 현대 사회에서 AI 서비스를 안정적으로 유지하기 위해 MLOps의 필요성을 강조합니다. 글에서는 MLOps의 핵심 요소로 Training, Monitoring, Serving(Inferencing)을 제시하며, 오픈 소스 도구인 Kubeflow와 MLflow를 활용한 MLOps 시스템 구축 방안을 예제 코드와 함께 소개합니다. 이를 통해 AI 모델의 지속적인 학습과 서비스 배포를 효율적으로 관리하는 방법을 다룹니다.
MLOpsKubeflowMLflow
삼성전자·2025년 8월 27일
AI
AI를 지탱하는 MLOps: Kubeflow와 MLflow를 활용한 AI 개발 시스템 구축
이 글은 AI 개발 및 실서비스 적용을 위한 MLOps(Machine Learning Operations)의 중요성과 구축 방법을 설명합니다. MLOps는 AI 모델의 개발, 배포, 운영 과정을 효율적이고 신뢰성 있게 만드는 방법론으로, 빠르게 변화하는 데이터 환경에서 AI 서비스를 지속적으로 개선하고 배포하기 위해 필수적입니다. 글에서는 MLOps의 핵심 요소로 Training, Monitoring, Serving(Inferencing)을 제시하며, 특히 오픈 소스 도구인 Kubeflow와 MLflow를 활용하여 MLOps 시스템을 구축하는 구체적인 방법과 예제 코드를 소개합니다. 이를 통해 AI 개발 조직이 직면한 복잡성과 다양성을 극복하고 안정적인 AI 서비스 제공 기반을 마련하는 데 도움을 줄 수 있습니다.
MLOpsKubeflowMLflow
삼성전자·2025년 8월 27일
AI
LLM과 외부 세계를 연결하는 새로운 기술: OpenAI Function Calling, MCP
생성형 AI 기술의 발전으로 LLM과 외부 시스템 간의 실시간 상호작용이 중요해지고 있습니다. 기존 LLM들은 독립적으로 작동하여 외부 데이터 접근이나 다른 AI와의 협업에 한계가 있었습니다. 이를 극복하기 위해 OpenAI는 함수 호출(Function Calling) 기능을 도입하여 LLM이 외부 API를 호출할 수 있도록 지원합니다. 또한 Anthropic은 MCP(Model Context Protocol)라는 개방형 프로토콜을 통해 AI 모델에 통일된 컨텍스트를 제공하는 방법을 제시했습니다. 이 기술들은 LLM이 외부 세계와 효과적으로 상호작용하고 복잡한 작업을 수행할 수 있도록 하는 핵심 요소로, 개발자에게 실용적인 활용 방안을 제공합니다.
LLMOpenAI Function CallingMCP
삼성전자·2025년 8월 12일
AI
LLM과 외부 세계를 연결하는 새로운 기술: OpenAI Function Calling, MCP
이 글은 LLM이 외부 시스템과 실시간으로 상호작용할 수 있도록 돕는 두 가지 핵심 기술인 OpenAI Function Calling과 MCP를 개발자 관점에서 소개합니다. 기존 LLM은 외부 데이터 접근이나 여러 AI 모델 간의 협업에 한계가 있었으나, Function Calling은 LLM이 개발자가 정의한 함수(도구)를 호출하여 외부 API와 연동할 수 있게 합니다. 예를 들어, 날씨 정보를 가져오는 함수를 LLM이 스스로 호출하여 사용자 질문에 답하는 방식입니다. MCP는 AI 모델에 통일된 컨텍스트를 제공하는 개방형 프로토콜로, 복잡한 작업을 여러 AI가 협력하는 데 기여합니다. 이 기술들은 LLM의 활용 범위를 넓히고 더 지능적인 AI 시스템 구축을 가능하게 합니다.
LLMOpenAI Function CallingMCP
삼성전자·2025년 8월 12일
AI
MLOps를 통한 AI 모델 개발 및 배포 효율화 : 데이터 시계열 분석 사례
본 글은 시계열 분석용 AI 모델 개발 및 배포의 효율성을 높이기 위해 MLOps 파이프라인을 구축한 경험을 공유합니다. 방대한 시계열 기기 데이터를 빠르게 분석하고 모델을 효율적으로 훈련하기 위해 전처리, 모델 훈련, 평가, 배포 단계를 자동화하는 MLOps 환경 구축의 중요성을 강조합니다. AWS EMR을 사용하여 데이터 전처리 과정을 자동화하고, AWS SageMaker로 모델 훈련을 진행하며, MLFlow를 통해 실험을 관리하고 배포까지 이어지는 통합 파이프라인을 구축했습니다. Docker 이미지를 활용하여 각 단계의 재현성과 이식성을 확보했으며, 이를 통해 전체 AI 모델 개발 및 운영 프로세스의 효율성을 크게 향상시켰습니다.
MLOpsAI 모델시계열 분석
삼성전자·2025년 7월 9일
AI
MLOps를 통한 AI 모델 개발 및 배포 효율화 : 데이터 시계열 분석 사례
본 글은 시계열 분석용 AI 모델 개발 및 배포의 효율성을 높이기 위해 MLOps 파이프라인을 구축한 경험을 공유합니다. 방대한 시계열 기기 데이터를 빠르게 분석하고 모델을 효율적으로 훈련하기 위해 전처리, 훈련, 평가, 배포 단계를 자동화하는 MLOps 환경 구축의 중요성을 강조합니다. AWS EMR을 사용하여 데이터 전처리 및 노이즈 제거를 수행하고, Docker 이미지를 활용하여 전처리 프로세스를 컨테이너화했습니다. 이후 AWS SageMaker를 통해 딥러닝 아키텍처 기반의 모델 훈련을 진행했으며, MLFlow를 사용하여 실험 추적 및 모델 관리를 통합했습니다. 이러한 MLOps 파이프라인 구축을 통해 AI 모델 개발 및 운영의 전반적인 효율성을 크게 향상시킬 수 있었습니다.
MLOps시계열 분석AI 모델
삼성전자·2025년 7월 9일
AI
Data Forge와 함께하는 AI 혁신: 이미지 학습 데이터 증강 자동화
이 글은 생성형 AI 모델 학습에 필요한 이미지 데이터 준비 과정을 자동화하는 파이프라인인 'Data Forge'를 소개합니다. 특정 스타일을 부여하기 위한 LoRA 모델 개발 시 대량의 이미지와 캡션 준비에 많은 시간과 노력이 소요되는 문제를 해결하고자 합니다. Data Forge는 프롬프트 확장, 이미지 데이터셋 확보, 객체 탐지, CLIP Score를 이용한 평가, 클라우드 적재 등 데이터 전처리 과정의 정량적 작업을 모듈화하여 사용자가 그래프 형태로 파이프라인을 구성할 수 있도록 지원합니다. 이를 통해 개발자의 효율성을 높이고 AI 기술 발전에 기여하는 것을 목표로 합니다.
생성형 AILoRA데이터 증강
삼성전자·2025년 4월 8일
AI
Data Forge와 함께하는 AI 혁신: 이미지 학습 데이터 증강 자동화
본 글은 생성형 AI 모델 학습에 필수적인 LoRA 모델 개발 시 데이터 준비의 비효율성을 해결하기 위한 이미지 학습 데이터 증강 자동화 파이프라인 'Data Forge'를 소개합니다. AI 기술 발전의 핵심인 데이터 전처리 과정에서 발생하는 개발자의 시간과 노력을 줄이고자 기획되었습니다. Data Forge는 프롬프트 확장, 이미지 데이터셋 확보, Object Detection, CLIP Score를 이용한 평가, Cloud 적재 등 정량적 데이터 전처리 작업을 모듈화하여 사용자가 그래프 형태로 파이프라인을 쉽게 구성할 수 있도록 지원합니다. 이를 통해 사용자는 원하는 학습 데이터를 효율적으로 생성할 수 있으며, 향후 AI 트렌드에 맞춰 기능을 확장할 수 있는 유연성을 제공합니다.
생성형 AILoRA데이터 증강
삼성전자·2025년 4월 8일
AI
DIS : AI와 함께하는 빅데이터 검색 혁신과, 데이터 스케일 이슈 해소
본 글은 데이터 사일로 현상으로 인한 데이터 활용의 어려움을 해결하기 위해 전사 데이터 카탈로그 시스템인 DIS(Data Information System)를 구축하는 과정에서 겪었던 기술적 도전과 해결 방안을 공유합니다. DIS는 분산된 데이터를 한 곳에서 쉽게 검색하고 이해할 수 있도록 지원하며, 메타데이터 파이프라인, Neo4j(GraphDB), Elastic Search 기반 검색 엔진, 그리고 AI를 활용한 지식 생성 및 개인정보 탐지 기능 등을 포함합니다. 특히, 대규모 데이터 처리와 AI를 통한 지식 생성이 핵심 기술로 다루어지며, 이를 통해 데이터 사일로 문제를 해소하고 데이터 활용성을 높이는 방안을 제시합니다.
데이터 사일로데이터 카탈로그DIS
삼성전자·2025년 3월 25일
AI
DIS : AI와 함께하는 빅데이터 검색 혁신과, 데이터 스케일 이슈 해소
본 글은 데이터 사일로 문제를 해결하기 위한 전사 데이터 카탈로그 구축 과정에서 겪었던 기술적 어려움과 해결 방안을 다룹니다. 삼성전자의 경우, 수많은 서비스의 데이터가 분산되어 있어 원하는 데이터를 찾고 이해하는 데 많은 시간과 노력이 소요됩니다. 이를 해결하기 위해 DIS(Data Information System)는 전사 모든 데이터의 메타 정보를 수집하여 Neo4j(GraphDB)에 저장하고 Elastic Search 기반 검색 엔진에 인덱싱합니다. 또한, AI를 활용하여 데이터 지식을 풍부하게 하고, 사용자의 활동 이력을 수집하여 지식을 확장합니다. 대규모 시스템 운영을 위해 Bigquery에 메타데이터 통계를 수집하고 활용하며, 지속적인 데이터 증가에 대응 가능한 확장성 높은 파이프라인 구축과 AI를 활용한 대규모 지식 생성이 핵심 기술 과제임을 강조합니다.
데이터 사일로데이터 카탈로그DIS
삼성전자·2025년 3월 25일