드라마앤컴퍼니

RSS

게시글: 64
등록: 2026년부터

All Frontend Backend AI DevOps Architecture Etc

AI
AI 명함촬영인식 리오 적용기 2부 – ML Model Converter와 안드로이드 앱 적용기
리멤버 기술 블로그에서 AI 명함 촬영 인식 시스템 구축 경험을 공유하는 글입니다. 1부에서는 명함 인식 모델 개발 과정을 다루었고, 2부에서는 ML Model Converter를 활용한 모델 경량화 및 최적화, 그리고 이를 안드로이드 앱에 적용하는 과정을 상세히 설명합니다. 특히, 모바일 환경에서의 성능 제약을 극복하기 위해 모델 변환 및 최적화 기법을 적용한 사례를 통해 실제 서비스에 AI 기술을 성공적으로 통합하는 노하우를 보여줍니다. 이를 통해 명함 인식 정확도와 서비스 속도를 향상시키는 데 기여했습니다.
AI명함 인식ML Model Converter
드라마앤컴퍼니·2022년 11월 23일
AI
AI 명함 촬영 인식 ‘리오(RIO)’ 적용기 1부 – 명함촬영인식 위한 Instance Segmentation & Computer Vision
리멤버(Remember) 팀은 명함 촬영 시 발생하는 왜곡과 그림자를 보정하고 명함 영역을 정확히 인식하기 위해 Instance Segmentation과 Computer Vision 기술을 적용했습니다. 이 글은 명함 촬영 인식 서비스 '리오(RIO)' 개발 과정 중, 명함 영역을 효과적으로 탐지하고 분리하는 데 초점을 맞춘 1부입니다. 특히, 다양한 환경에서 촬영된 명함 이미지에서 명함의 외곽선을 정확히 찾아내고, 명함 영역만을 추출하는 기술적 과제를 해결하기 위한 접근 방식을 다룹니다. 이를 위해 객체 탐지 모델과 이미지 처리 기법을 활용하여 명함 영역을 정확하게 분리하는 과정을 상세히 설명하며, 실제 서비스 적용을 위한 기술적 고민과 구현 내용을 공유합니다.
명함 인식Instance SegmentationComputer Vision
드라마앤컴퍼니·2022년 11월 16일
AI
추천 시스템 서비스 적용을 위한 Elastic Search 도입기
본 글은 추천 시스템 서비스에 Elasticsearch를 도입한 경험을 공유합니다. 기존 추천 시스템의 한계점을 극복하고 사용자 경험을 개선하기 위해 Elasticsearch를 선택했으며, 도입 과정에서 겪었던 기술적인 문제와 해결 과정을 상세히 설명합니다. 특히, 대규모 데이터를 효율적으로 처리하고 실시간 검색 기능을 구현하는 데 중점을 두었습니다. Elasticsearch의 강력한 검색 기능과 확장성을 활용하여 추천 시스템의 성능을 향상시키고, 더 나아가 다양한 서비스에 적용할 수 있는 가능성을 제시합니다. 이 글은 추천 시스템 개발자 및 Elasticsearch 도입을 고려하는 엔지니어들에게 실질적인 도움을 줄 것입니다.
추천 시스템Elasticsearch검색 엔진
드라마앤컴퍼니·2022년 11월 8일
AI
KGAT을 이용한 인재 추천 시스템
리멤버 기술 블로그에서 KGAT(Knowledge Graph Attention Network)를 활용한 인재 추천 시스템 구축 사례를 소개합니다. 기존 추천 시스템의 한계를 극복하기 위해 인재와 기업 간의 복잡한 관계를 지식 그래프로 모델링하고, 이를 KGAT 모델에 적용하여 인재의 잠재적 니즈를 파악하고 맞춤형 추천을 제공하는 과정을 상세히 설명합니다. 특히, KGAT의 어텐션 메커니즘을 통해 추천의 정확도를 높이고, 다양한 실험을 통해 모델의 성능을 검증한 결과를 공유합니다. 이 글은 지식 그래프와 그래프 신경망을 활용한 추천 시스템 구축에 관심 있는 개발자들에게 유용한 인사이트를 제공합니다.
인재 추천 시스템KGATGraph Neural Network
드라마앤컴퍼니·2022년 6월 15일
AI
Snorkel을 이용한 직무 키워드 추출
본 글은 리멤버 기술 블로그에서 Snorkel이라는 약지도학습(Weak Supervision) 프레임워크를 활용하여 직무 키워드를 추출하는 과정을 소개합니다. 기존의 수동 라벨링 방식은 시간과 비용이 많이 소요되는 반면, Snorkel은 다양한 소스에서 생성된 라벨링 함수를 조합하여 대규모 데이터셋에 대한 라벨링을 자동화합니다. 이를 통해 데이터 라벨링의 효율성을 높이고, 머신러닝 모델 학습에 필요한 데이터를 신속하게 확보할 수 있습니다. 특히, 직무 키워드 추출이라는 구체적인 문제에 Snorkel을 적용하여 실제 서비스에 활용 가능한 수준의 성능을 달성한 경험을 공유하며, 약지도학습의 가능성을 보여줍니다.
Snorkel직무 키워드 추출데이터 라벨링
드라마앤컴퍼니·2022년 5월 13일
AI
Learning to Rank
본 글은 'Learning to Rank(LTR)' 개념과 실제 서비스 적용 사례를 소개합니다. LTR은 검색 결과나 추천 목록의 순위를 최적화하기 위해 머신러닝을 활용하는 기술로, 특히 검색 엔진, 추천 시스템, 광고 시스템 등에서 중요한 역할을 합니다. 글에서는 LTR의 기본적인 원리, 다양한 LTR 모델(Pointwise, Pairwise, Listwise)의 특징과 장단점을 설명하고, 실제 서비스에서 LTR을 적용하기 위한 데이터 수집, 특징 추출(Feature Engineering), 모델 학습 및 평가 과정을 상세히 다룹니다. 또한, LTR 적용 시 고려해야 할 사항과 향후 발전 방향에 대해서도 논의하며, 기술 블로그 독자들이 LTR에 대한 이해를 높이고 실제 서비스에 적용하는 데 도움을 줄 수 있도록 구성되었습니다.
Learning to RankLTR머신러닝
드라마앤컴퍼니·2022년 4월 6일
AI
Document Understanding 그리고 Information Extraction의 Multi-Modal Embedding
본 글은 리멤버 기술 블로그에서 Document Understanding과 Information Extraction 분야의 최신 기술 동향을 다룹니다. 특히, 텍스트뿐만 아니라 이미지와 같은 다양한 형태의 데이터를 함께 이해하는 Multi-Modal Embedding 기술의 중요성을 강조합니다. LLM과 같은 거대 언어 모델의 발전과 함께, 이러한 모델들이 비정형 데이터를 효과적으로 처리하고 정보를 추출하는 데 어떻게 활용될 수 있는지 탐구합니다. 임베딩 기술을 활용하여 문서의 의미를 벡터 공간에 표현하고, 이를 통해 정보 검색, 요약, 분류 등 다양한 다운스트림 태스크의 성능을 향상시키는 방법을 제시합니다. 궁극적으로, 복잡한 문서에서 필요한 정보를 정확하고 효율적으로 추출하는 기술의 발전 방향을 조망합니다.
Document UnderstandingInformation ExtractionMulti-Modal Embedding
드라마앤컴퍼니·2022년 3월 8일
AI
리멤버는 어떻게 명함을 정확히 인식할까? : OpenCV 이미지 프로세싱
리멤버 기술 블로그는 명함을 정확하게 인식하는 기술에 대해 다룹니다. 특히 OpenCV 라이브러리를 활용한 이미지 프로세싱 기법을 중심으로 설명합니다. 이미지 전처리, 특징 추출, 텍스트 인식(OCR) 등 명함 내 정보를 효과적으로 추출하기 위한 다양한 컴퓨터 비전 기술이 소개됩니다. 이를 통해 명함 정보를 디지털화하고 활용성을 높이는 리멤버 서비스의 핵심 기술을 엿볼 수 있습니다. 머신러닝과 딥러닝 기반의 OCR 기술 발전과 함께 명함 인식 정확도를 높이기 위한 지속적인 연구 개발 노력을 보여줍니다.
OpenCV이미지 인식OCR
드라마앤컴퍼니·2019년 3월 21일