검색 결과

“Frontend”20건

All Frontend Backend AI DevOps Architecture Etc

AI
Amazon Bedrock을 활용한 LG전자 소셜미디어 제품 트렌드 모니터링 시스템 구축 사례
LG전자는 생성형 AI 기반 소셜미디어 모니터링 시스템을 구축하여 제품 트렌드 분석 및 고객 인사이트 확보에 나섰습니다. 이 시스템은 Amazon Bedrock의 Claude Sonnet 및 Nova Pro 모델을 활용하여 YouTube, 블로그 등 소셜미디어의 대규모 비디오 자막과 사용자 댓글을 자동으로 처리 및 분석합니다. 주요 기능으로는 비디오 콘텐츠 자동 분류, 감성 분석, 키워드 추출, 사용자 댓글 분석, 그리고 실시간 Q&A 시스템이 있습니다. 특히, LLM 기반 시스템의 성능을 정량적으로 평가하고 검증하는 방법론을 상세히 다루며, 데이터 처리 파이프라인 설계와 프롬프트 엔지니어링 경험을 공유합니다. 향후 인스타그램 등 다른 플랫폼으로 확장할 계획입니다.
Amazon Bedrock AgentsLLM생성형 AI
AWS·2025년 8월 22일
AI
7월 1주 Tech Sensing: Google I/O 2012
2012년 6월 27일부터 29일까지 진행된 Google I/O 컨퍼런스에서는 Android 4.1 (Jelly Bean)이 공개되었습니다. Jelly Bean은 이전 버전보다 향상된 UI 성능과 Chrome을 기본 웹 브라우저로 채택한 것이 특징입니다. 특히, 개인형 인공지능 검색 서비스인 Google Now가 주목받았습니다. Google Now는 사용자의 일정, 위치, 교통 정보 등을 통합하여 맞춤형 정보를 미리 제공하며, "검색이 필요 없는 검색"을 목표로 합니다. 또한 Knowledge Graph 기반 검색을 통해 사용자의 의도에 맞는 결과를 제시하고, 영어만 지원하는 Offline Voice Typing 기능도 추가되었습니다. Google Play에는 영화, TV 프로그램 등 콘텐츠가 추가되었으며, Nexus S, Galaxy Nexus, Motorola Xoom 기기를 대상으로 OTA 업데이트가 예정되어 있습니다.
Google I/OAndroidJelly Bean
네이버·2012년 7월 2일
AI
Amazon Bedrock을 이용해 RAG, Fine tuning 없이 자동 고객 응대 서비스 구축하기
이 글은 Amazon Bedrock과 Claude 모델을 활용하여 RAG(Retrieval-Augmented Generation)나 Fine-tuning 없이도 자동화된 고객 응대 서비스를 구축하는 방법을 소개합니다. Generative AI(생성형 AI)는 텍스트, 이미지 등 다양한 콘텐츠를 생성하며, 특히 개인화된 고객 경험 개선에 중요한 역할을 합니다. 글에서는 Gen AI 애플리케이션 개발 단계를 설명하고, 프롬프트 엔지니어링만으로도 충분히 만족스러운 결과를 얻을 수 있는 경우를 제시합니다. 이를 통해 적은 리소스로 빠르게 AI 기반의 고객 응대 시스템을 구현할 수 있는 가능성을 보여줍니다.
생성형 AIAmazon Bedrock AgentsRAG
AWS·2024년 5월 24일
AI
Agentic AI로 구현하는 대화형 대기오염·기후변화 예측 애플리케이션 구축
본 글은 복잡한 대시보드의 낮은 활용도 문제를 해결하기 위해 LLM을 활용한 대화형 대시보드 구축 사례를 소개합니다. EHRNC는 환경 데이터 분석 전문 기업으로, 기존의 복잡한 대기오염 확산 시뮬레이션(CMAQ) 데이터를 기반으로 구축된 대리 모델(Surrogate model)을 실무에 효과적으로 적용하기 위해 AWS 생성형 AI 서비스를 활용했습니다. 이를 통해 사용자는 자연어 질의를 통해 복잡한 파라미터 조정 없이도 대기오염 예측 결과를 얻고 인사이트를 도출할 수 있게 됩니다. 이 접근 방식은 도메인 지식의 장벽을 낮추고 데이터 기반 의사결정을 지원하는 것을 목표로 합니다.
LLM대화형 대시보드대기오염 예측
AWS·2026년 1월 30일
AI
Google I/O 2018
Google I/O 2018 참관 후기입니다. 이번 행사에서는 특히 AI 기술의 발전과 활용이 두드러졌습니다. Google Duplex는 AI가 직접 전화를 걸어 예약을 수행하는 기능으로 큰 주목을 받았으며, Gmail의 Smart Compose는 AI가 이메일 작성을 도와 반복적인 업무를 줄여줄 것으로 기대됩니다. 또한 Google News의 자동 뉴스 큐레이션, Google Maps의 AR 기능 등 기존 서비스에 AI를 접목하여 큰 변화를 이끌어냈습니다. Android P와 같은 새로운 기술들도 소개되었으며, 전반적으로 AI 기술의 놀라운 발전과 그 응용 가능성을 확인할 수 있는 행사였습니다.
Google I/O 2018AIGoogle Duplex
하이퍼커넥트·2018년 6월 28일
AI
LLM과 Reveal.js로 슬라이드를 쉽게 만들고 공유하기
이 글은 LLM(거대 언어 모델)과 Reveal.js를 활용하여 발표 슬라이드를 쉽고 빠르게 제작하는 방법을 소개합니다. 기존의 슬라이드 제작 방식은 시간과 노력이 많이 소요되었지만, LLM을 이용하면 발표 내용에 대한 개요, 핵심 키워드, 발표 스크립트 등을 자동으로 생성할 수 있습니다. 생성된 텍스트를 Reveal.js의 마크다운 문법에 맞춰 입력하면 시각적으로 매력적인 슬라이드를 만들 수 있습니다. Reveal.js는 웹 기반의 프레젠테이션 프레임워크로, 다양한 테마와 플러그인을 통해 커스터마이징이 용이하며, 웹으로 공유하기 편리하다는 장점이 있습니다. LLM과 Reveal.js의 조합은 개발자뿐만 아니라 발표 자료를 자주 만들어야 하는 모든 사람들에게 효율적인 슬라이드 제작 경험을 제공할 것입니다.
LLMReveal.js슬라이드 제작
데보션·2026년 1월 13일
AI
Ambient Agent의 시대가 온다
본 글은 SK텔레콤의 기술 블로그인 데보션(DEVOCEAN)에서 소개하는 'Ambient Agent'의 개념과 그 가능성에 대해 다룹니다. Ambient Agent는 사용자의 명시적인 요청 없이도 주변 환경을 인지하고 맥락에 맞춰 능동적으로 도움을 제공하는 AI 에이전트를 의미합니다. 특히, SKT의 AI 서비스인 '에이닷'을 예시로 들며, 이러한 Ambient Agent가 사용자의 일상에 어떻게 통합될 수 있는지 보여줍니다. 글은 AI Hackathon, AI Fellowship 등 관련 커뮤니티 활동을 소개하며 Ambient Agent 기술의 발전과 확산을 위한 노력을 강조합니다. 향후 Ambient Agent가 개인의 삶과 업무 방식을 어떻게 변화시킬지에 대한 기대를 나타내며 마무리됩니다.
Ambient AgentAILLM
데보션·2025년 7월 18일
AI
AI 에이전트의 진화: 프롬프트에서 컨텍스트 엔지니어링까지 (ACE를 곁들인)
이 글은 AI 에이전트의 발전 과정을 프롬프트 엔지니어링에서 컨텍스트 엔지니어링으로 확장하는 관점에서 조명합니다. 초기 AI 에이전트가 단순한 프롬프트 지시에 의존했다면, 이제는 더 복잡하고 동적인 컨텍스트를 이해하고 활용하는 방향으로 진화하고 있음을 설명합니다. 특히, ACE(Agentic Context Engineering)라는 개념을 소개하며, AI 에이전트가 외부 환경과의 상호작용을 통해 지속적으로 컨텍스트를 업데이트하고 학습하는 능력이 중요해지고 있음을 강조합니다. 이를 통해 AI 에이전트가 더욱 지능적이고 유연하게 복잡한 문제를 해결할 수 있게 될 것이라는 전망을 제시합니다.
AI 코딩 에이전트프롬프트 엔지니어링컨텍스트 엔지니어링
데보션·2025년 10월 16일
AI
Gemini 임베딩, LangExtract 등 8월 첫째 주 Google for Developers 위클리 업데이트를 지금 확인하세요!
8월 첫째 주 Google for Developers Korea Blog의 주요 업데이트 소식을 전하는 글입니다. 특히 AI & Machine Learning 분야의 Gemini 임베딩 기술에 대해 집중적으로 다룹니다. Gemini 임베딩은 RAG(Retrieval-Augmented Generation) 및 컨텍스트 엔지니어링을 위한 강력한 기반을 제공하며, LLM의 성능 향상에 기여할 것으로 기대됩니다. 이 외에도 LangExtract 등 다양한 개발자 도구 및 서비스의 최신 소식을 간략하게 소개하며, 개발자들이 최신 기술 동향을 파악하고 업무에 활용할 수 있도록 돕는 것을 목표로 합니다.
Gemini 임베딩RAG컨텍스트 엔지니어링
구글디벨로퍼스·2025년 7월 31일
AI
뷰저블이 실무에 ‘AI 커스텀 대시보드’를 도입한 이유
뷰저블은 2026년 2월부터 3월 중순까지 겪었던 세션 트래픽 감소 문제를 해결하기 위해 AI 커스텀 대시보드를 도입했습니다. 이 도구는 최소한의 리소스로 데이터를 분석하고 해결책을 도출하는 데 활용되었습니다. AI 커스텀 대시보드는 단순히 수치를 보여주는 것을 넘어, 설 연휴와 같은 계절성 패턴을 파악하고 인스타그램 광고 캠페인이 주말 트래픽에 미친 긍정적인 영향을 분석하는 등 서비스의 맥락을 이해한 인사이트를 제공했습니다. 이를 통해 뷰저블은 데이터 변화의 원인을 정확히 파악하고 서비스에 최적화된 운영 방향을 결정하는 데 도움을 받았습니다. AI 커스텀 대시보드는 데이터 분석 환경과 서비스 특성을 종합적으로 고려하여 실무에 유용한 변화를 이끌어냈습니다.
AI 커스텀 대시보드데이터 분석트래픽 감소
뷰저블·2026년 3월 31일
AI
ChatGPT는 FE개발자를 대체할 수 있을까? (AI로 개발하기)
이 글은 ChatGPT가 프론트엔드(FE) 개발자의 역할을 어디까지 보조하거나 대체할 수 있는지 탐구합니다. 필자는 ChatGPT에게 직접 FE 개발자를 대체할 수 있는지 질문했지만, 예상대로 대체할 수 없다는 답변을 받았습니다. 이에 필자는 직접 ChatGPT를 활용하여 간단한 웹툰 서비스를 개발하는 미니 프로젝트를 진행하며 AI의 실제 활용 가능성을 확인했습니다. 프로젝트 기획 단계부터 장르 추천, 작품 아이디어 구상에 ChatGPT를 활용했으며, 이미지 생성에는 Stable Diffusion을, 더미 이미지에는 Pixabay를 사용했습니다. 또한, TMDB API를 연동하여 실제 API 활용 가능성도 테스트했습니다. 이 과정을 통해 ChatGPT가 FE 개발 업무의 일부를 지원할 수 있음을 보여주지만, 완전히 대체하기는 어렵다는 점을 시사합니다.
ChatGPTFE 개발자AI
카카오엔터테인먼트FE·2023년 3월 23일
AI
음악과 소통하는 새로운 방식: 에이닷 뮤직 에이전트 Prompt 개발 이야기
이 글은 SK텔레콤의 에이닷 뮤직 에이전트 개발 과정에서 Prompt 개발에 대한 경험을 공유합니다. 에이닷 뮤직 에이전트는 OpenAI의 GPT-3.5 Turbo 모델을 활용하여 사용자의 음악 관련 요청을 이해하고 응답을 생성합니다. 초기에는 모든 기능을 하나의 Prompt로 처리하려 했으나, 사용자 질의 이해(Intent/Control Classification, Entity Extraction)와 자유로운 응답 메시지 생성(Reactive Messaging) 간의 요건 충돌을 발견했습니다. 이를 해결하기 위해 질의 분석 Prompt와 메시지 생성 Prompt를 분리하는 Prompt Chaining 기법을 도입했습니다. 질의 분석 Prompt는 Temperature를 0.0으로 설정하여 일관된 결과를 얻고, 이를 메시지 생성 Prompt에 전달하여 창의적이고 자연스러운 대화 경험을 제공하는 방식으로 발전시켰습니다.
LLMGPT-3.5 Turbo프롬프트 엔지니어링
데보션·2024년 4월 5일
AI
2025년 1분기 카카오테크 블로그 글 모음
2025년 1분기 카카오테크 블로그에는 카카오의 언어모델 개발 및 활용에 대한 다양한 글이 소개되었습니다. '작지만 강한 Kanana Nano 효율적으로 개발하기' 글에서는 비용 효율적인 SLM 개발 과정과 Kanana Nano 압축 노하우를 공유했습니다. 또한, '카카오의 언어모델, Kanana 테크니컬 리포트 공개'에서는 Kanana 언어모델 라인업의 구조, 학습 과정, 성능을 상세히 다루고 Kanana Nano 2.1B 모델을 오픈소스로 공개했습니다. 'LLM as a Judge를 활용한 CodeBuddy 성능 평가'에서는 AI 코드 리뷰 서비스 CodeBuddy의 성능 평가에 LLM as a Judge 접근법을 활용한 사례를 소개했습니다. 이 외에도 Ingress Nginx Controller의 Prometheus Metric 병목 현상 분석 및 해결 과정을 다룬 글도 포함되어 있습니다.
LLMKanana언어모델
카카오·2025년 3월 31일
AI
엔터프라이즈 LLM 서비스 구축기 1: 컨텍스트 엔지니어링
LY Corporation의 사내 클라우드 플랫폼 Flava를 위한 AI 어시스턴트 구축 경험을 공유하는 시리즈의 첫 번째 글입니다. 대규모 LLM 애플리케이션 구축 시 단순한 프롬프트 엔지니어링을 넘어, 방대한 문서와 API를 효과적으로 처리하기 위한 '컨텍스트 엔지니어링'의 중요성을 강조합니다. 수천 개의 문서를 다루는 환경에서는 AI에게 지침을 제공하는 것보다 상황에 맞는 정보를 선별하여 제공하는 컨텍스트 엔지니어링이 핵심 전략임을 설명하며, 이 과정에서 겪었던 시행착오와 정립된 전략을 다룹니다. 향후 시리즈에서는 에이전트 엔지니어링, 모델 파인 튜닝, 프롬프트 엔지니어링 등 심도 있는 내용을 다룰 예정입니다.
LLMContext EngineeringRAG
라인·2026년 1월 14일
AI
레거시 GPU에 날개 달기: 극한의 서빙 최적화 가이드
NAVER ENGINEERING DAY 2025에서 발표된 세션 내용을 다루는 글입니다. BERT 기반 모델인 SPLADE 모델을 대규모 실시간 서비스에 적용하기 위한 최적화 방법에 대해 설명합니다. 특히, 세상에서 가장 빠른 BERTTokenizer 구현체인 FlashTokenizer의 개발 배경과 성능을 소개하며, 모델 단순화, 추론/전처리/후처리 최적화 등 실시간 서빙을 위한 모델 추론 최적화 방안을 상세히 다룹니다. 실시간 서빙을 위한 모델 추론 최적화에 관심 있는 개발자에게 유용한 정보를 제공합니다.
SPLADEBERTFlashTokenizer
네이버·2025년 7월 17일
AI
Multimodal LLM을 직접 학습시켜 보자!
이 글은 Multimodal LLM을 직접 학습시키는 방법에 대한 내용을 다룹니다. LLM(거대 언어 모델)은 텍스트뿐만 아니라 이미지, 음성 등 다양한 형태의 데이터를 이해하고 생성할 수 있는 능력을 갖춘 모델입니다. 글에서는 이러한 Multimodal LLM을 처음부터 직접 학습시키는 과정을 단계별로 설명하며, 필요한 기술 스택과 고려사항들을 제시합니다. 특히, 데이터셋 구축, 모델 아키텍처 설계, 학습 파이프라인 구성, 그리고 성능 평가에 이르기까지 전반적인 과정을 상세하게 안내합니다. 이를 통해 독자들은 최신 AI 기술 트렌드인 Multimodal LLM의 작동 원리를 깊이 이해하고, 실제 모델 학습에 도전할 수 있는 기반을 마련할 수 있습니다. AI 기술 발전에 기여하고자 하는 개발자들에게 유용한 가이드가 될 것입니다.
멀티모달 LLMLLM 학습AI 모델
데보션·2024년 11월 28일
AI
Preview AI(1) @ifkakao2021
if (kakao) 2021 컨퍼런스에서 발표된 AI 관련 기술 세션들을 소개하는 글입니다. 텐서플로우 모델을 TensorFlow Serving보다 10배 빠르게 서빙하는 최적화 기법, ML을 활용하여 기프트권 수혜자를 효율적으로 선정하는 방법, 그리고 BERT 모델 대비 10배 빠른 학습과 성능 향상을 달성한 경험을 공유합니다. 각 세션은 머신러닝 엔지니어, 딥러닝 엔지니어, 데이터 사이언티스트 등을 대상으로 하며, 실제 서비스 적용 사례와 최적화 노하우를 다룹니다.
TensorFlow Serving머신러닝딥러닝
카카오·2021년 11월 2일
AI
TabbyML: 완전한 온프레미스 AI 코드 어시스턴트
이 글은 완전한 온프레미스 환경에서 사용할 수 있는 AI 코드 어시스턴트인 TabbyML을 소개합니다. TabbyML은 LLM을 기반으로 코드 자동 완성, 코드 생성 등 개발 생산성을 향상시키는 다양한 기능을 제공합니다. 특히, 민감한 코드를 외부로 유출하지 않고 내부망에서 안전하게 AI 기능을 활용할 수 있다는 점이 큰 장점입니다. 설치 및 설정 방법, 주요 기능, 그리고 실제 사용 예시를 통해 TabbyML의 활용 가능성을 보여줍니다. 개발자들은 TabbyML을 통해 코드 작성 시간을 단축하고 더 나은 품질의 코드를 작성하는 데 도움을 받을 수 있습니다. 온프레미스 환경에서의 AI 코드 어시스턴트 도입을 고려하는 개발팀에게 유용한 정보를 제공합니다.
TabbyMLAI 코딩 어시스턴트온프레미스 GPU
데보션·2025년 10월 10일
AI
Amazon Bedrock을 이용한 지능형 쇼핑 어시스턴트 구현하기
이 글은 Amazon Bedrock을 활용하여 Amazon Rufus와 같은 지능형 쇼핑 어시스턴트를 구현하는 방법을 다룹니다. 생성형 AI 기술의 발전으로 쇼핑 경험이 단순 검색 및 구매를 넘어 탐색형 쇼핑으로 진화하고 있으며, Perplexity와 Amazon.com의 Rufus가 이러한 변화를 주도하고 있습니다. 특히 Rufus는 속도 최적화를 위해 전용 LLM과 AWS의 Trainium, Inferentia2, Neuron SDK를 사용하며, 질문의 성격에 따라 상세 설명, 간결한 답변, 클릭 가능한 링크 및 네비게이션 요소 등 다양한 형식의 응답을 제공합니다. 고급 스트리밍 아키텍처를 통해 토큰 단위 실시간 응답을 지원하며, 텍스트뿐만 아니라 실제 쇼핑에 도움이 되는 인터랙티브 요소를 제공하는 것이 특징입니다. 글은 전용 LLM 개발 없이도 Bedrock을 통해 유사한 성능의 쇼핑 어시스턴트 구현이 가능함을 시사합니다.
Amazon Bedrock Agents쇼핑 어시스턴트생성형 AI
AWS·2025년 7월 11일
AI
생성형 AI 기반 실시간 검색 결과 재순위화 2편 - LLM 서빙
본 글은 생성형 AI 기반 실시간 검색 결과 재순위화 기술의 두 번째 편으로, 대규모 언어 모델(LLM) 서빙 엔지니어링에 대해 다룹니다. 제한된 컴퓨팅 리소스 환경에서 LLM의 품질을 유지하면서 GPU 리소스와 응답 속도를 최적화하여 안정적으로 서빙하는 방안을 모색합니다. 이를 위해 TorchServe, TEI, TensorRT-LLM(TRT-LLM) 등 다양한 GPU 서빙 프레임워크를 검토했으며, 최종적으로 Triton과 통합하여 사용할 수 있고 최적화 결과 성능이 가장 우수한 TRT-LLM을 선택했습니다. 이 글은 LLM 서빙의 성능과 가시성을 확보하기 위한 구체적인 엔지니어링 결정 과정을 공유합니다.
LLM서빙GPU
네이버·2024년 9월 24일