#ai
노트 61개
Frontend › Web
브라우저 안 빌드·프리뷰 환경: AI가 만든 화면을 바로 띄우기AI가 생성한 React 코드를 사용자 브라우저에서 바로 빌드해 보여 주는 프리뷰 런타임. 데이터 정책은 API 프록시 플랫폼이 맡고 화면만 AI가 만드는 분리, 서버 dev 서버·Sandpack·WebContainers·직접 구성의 비교, 가상 파일 시스템 + esbuild-wasm + 패키지 조합 해시로 미리 번들한 의존성 + import map 구조를 다룬다.
Computer Science › Engineer Information Processing
소프트웨어 테스트ISO/IEC 25010 품질 특성과 McCall 모델, 품질 보증·품질 관리·감사와 테스트의 차이, 테스트 원리와 에러·결함·고장, V-모델의 테스트 레벨과 검증·확인, 명세 기반 기법(동등 분할·경곗값·결정 테이블·상태 전이·페어와이즈)과 구조 기반 커버리지(문장~MC/DC)의 실제 케이스 도출, 테스트 오라클, 통합 테스트, ISO/IEC/IEEE 29119 테스트 프로세스와 위험 기반 테스트, 결함 관리, AI 소프트웨어 테스트(변성 테스팅, 뉴런 커버리지) 정리.
AI-Data
LLM·에이전트 도구(Claude Code, 스킬, 루프 엔지니어링)와 AI 활용법, 머신 러닝·딥러닝·강화 학습·자연어 처리의 기초 개념, 파이썬 데이터 분석·Jupyter 같은 데이터 도구에 관한 노트.
AI & Data
추천 시스템사용자가 좋아할 아이템을 예측해 골라 주는 추천 시스템을 묶은 주제다. 추천이 나오는 세 자리, 협업·콘텐츠 기반 필터링의 기초, 후보 생성 → 랭킹의 딥러닝 구조, 밴딧과 실시간 피드백·A/B 테스트를 하위 노트로 나누고, 실서비스에서 반복되는 설계 원칙을 정리했다.
AI & Data › Recommender System
딥러닝 추천 시스템: 후보 생성과 랭킹아이템이 수십만~수억 개일 때 쓰는 딥러닝 추천의 2단계 구조(후보 생성 → 랭킹)를 정리했다. 최근 본 아이템으로 다음 아이템을 맞히는 학습, word2vec을 아이템 시퀀스에 적용한 Item2Vec, 맥락을 조건으로 넣는 법, 사용자 벡터와 근사 최근접 이웃 검색으로 바꾸는 서빙, 학습·배포 파이프라인, RNN·트랜스포머 순차 추천, 여러 서비스의 이력과 이미지·텍스트를 합치는 크로스오버·멀티모달 추천, 장기 가치와 파운데이션 추천 모델로 가는 흐름을 다룬다.
AI & Data › Recommender System
실시간 추천과 실험: 밴딧, 피드백 지연, A/B 테스트뉴스처럼 수명이 짧은 콘텐츠를 사용자 반응에 맞춰 바로바로 추천하는 방법을 정리했다. ε-greedy·톰슨 샘플링·UCB로 탐색과 활용을 오가는 멀티암드 밴딧, 사용자 군집·아이템 특징과 밴딧을 묶은 타기팅, 뉴스용 보정(시간 감쇠·위치 편향·중복 회피), 클릭률의 한계와 열독률, 피드백 지연이 성능에 주는 영향, 실시간 파이프라인 구조, 노출 편향을 걷어 낸 인기 콘텐츠, 버킷 A/B 테스트, 여론에 영향을 주는 추천의 투명성과 사용자 조절권을 다룬다.
AI & Data › Recommender System
추천 시스템 기초: 협업 필터링과 콘텐츠 기반 필터링추천 시스템의 두 기둥인 협업 필터링(행동 데이터)과 콘텐츠 기반 필터링(아이템 내용)을 정리했다. 명시적·암묵적 피드백, 베이스라인 모형과 이웃 기반 CF(유사도·KNN 가중 평균), 편향을 더한 행렬 분해(ALS)와 디노이징 오토인코더, 아이템·태그 공동 임베딩, 오디오·텍스트·이미지 임베딩, 둘을 섞는 앙상블과 폴백, 콜드 스타트·희소성·인기 편향, 오프라인·온라인 평가 지표, 알고리즘보다 추천 자리와 비용을 먼저 정하는 원칙을 다룬다.
AI & Data
강화 학습: 에이전트·MDP·가치 함수와 알고리즘 분류강화 학습은 에이전트가 환경과 주고받는 상태·행동·보상으로 누적 보상을 최대화하는 정책을 배우는 방법이다. 기본 용어, 마르코프 결정 과정(MDP), 리턴·가치 함수·벨만 방정식, 모델 기반/모델 프리·가치 기반/정책 기반·온/오프 정책 분류, 응용 분야, 환경 점검과 알고리즘별 구현 요령을 정리한다.
AI & Data
결정 트리와 앙상블: 랜덤 포레스트와 부스팅표 형태(정형) 데이터에서는 딥러닝보다 트리 기반 모델이 강할 때가 많다. 지니 불순도로 가지를 나누는 결정 트리, 여러 트리를 투표시키는 배깅·랜덤 포레스트, 앞 모델의 실수를 이어 고치는 부스팅(AdaBoost, XGBoost·LightGBM·CatBoost)을 비교한다. 두 계열이 쓰는 트리 깊이와 하이퍼파라미터의 차이, 정형 데이터에서 그레이디언트 부스팅이 이기는 이유, 큰 트리 하나보다 작은 트리 여러 개가 나은 이유(상관과 분산)를 다루고, 학습한 모델을 서버나 기기에 배포하는 방식을 정리한다.
AI & Data
내 일을 줄이는 하네스 만들기에이전트 코딩의 단위는 결과물이 아니라 결과물을 만드는 장치(하네스)다. 대화로 맥락을 쌓고, CLAUDE.md·PLAN/PROGRESS 파일·명령·서브에이전트·참고 자료 캐시로 장치를 만들고, 결과가 아니라 장치를 고치며, cron과 claude -p로 이슈 → 구현 → 보고까지 돌리는 방법을 정리했다. 병목의 이동(토큰·머지·thinking·추론 속도), 사람의 인지 부하, 코드와 소프트웨어의 가치 변화도 다룬다.
AI & Data
논문 읽기와 구현: 고르고, 여러 번 나눠 읽고, 재현할 수 있게 공개하기머신 러닝 논문은 목록을 만들어 병렬로 훑고 일부만 깊게 읽는다. 한 편은 제목·초록·그림 → 도입·결론 → 본문 순으로 여러 번 나눠 읽고 네 가지 질문으로 이해를 점검한다. 구현은 수식을 코드로 옮기는 반복 작업이 되지 않게 저자의 의도와 실패를 상상하며 하고, 공개할 때는 의존성·학습 코드·평가 코드·사전 학습 모델·결과 표와 재현 명령의 다섯 가지를 갖춘다.
AI & Data
디자인 시스템을 아는 화면 생성 에이전트 설계하기프롬프트→코드 한 번의 점프 대신 구체화·기억·참고·생성·검증·축적 루프를 하네스로 묶고, 중간 표현(스펙)·온디맨드 스킬·자동 채점기·세션 간 메모리로 결과를 일관되게 만드는 에이전틱 코딩 기법.
AI & Data
딥러닝 직관으로 이해하기: 신경망으로 숫자에서 패턴 찾기인공지능을 「신경망으로 숫자에서 패턴 찾기」 한 문장으로 풀어 보는 입문 노트. 컴퓨터에서는 사진·소리·바둑판이 모두 숫자이고, 사람이 순서도를 짜는 프로그래밍과 달리 딥러닝은 곱하기·더하기 구조의 가중치를 학습으로 찾는다. 층이 쌓이며 선에서 눈·다리로 올라가는 특징, 설명하기 어려운 이유, 강화 학습과 알파고에서 알파제로로의 변화, 전이 학습까지 다룬다.
AI & Data
루프 엔지니어링에이전트에게 한 턴씩 프롬프트하는 대신, 일을 찾고·맡기고·검증하고·기록하고·다음 단계를 고르는 루프를 설계한다. 자동화·워크트리·스킬·커넥터·서브에이전트·상태 파일로 구성하고, 검증과 이해는 사람이 끝까지 쥔다.
AI & Data
머신 러닝 기초: 네 단계 추상화머신 러닝은 데이터의 분포를 배워 예측하는 일이다. 문제를 데이터 → 모델 → 최적화 목표(손실 함수) → 최적화 알고리즘의 네 단계로 나눠 보면 어떤 기법이든 자리를 찾을 수 있다. 최소제곱법과 그 행렬 풀이(정규 방정식)를 예로 들고, K-겹 교차 검증과 데이터 누수, 과적합·과소적합, 확률과 우도의 차이와 MLE·MAP, 특징화, 규제(L1·L2)와 특징 스케일링의 구분, 차원의 저주와 PCA를 정리한다. 소프트웨어 엔지니어가 다시 초보자가 되어 머신 러닝 실무자로 넘어가는 법도 다룬다.
AI & Data
머신러닝 모델 서빙학습한 모델을 서비스에서 호출할 수 있게 띄우는 방법. VM·컨테이너·서버리스·모델 서버 같은 배포 형태와 CPU·GPU 추론 선택, 모바일·엣지 배포, 동기 API와 큐 기반 비동기 워커 중 무엇을 고를지, 가중치·이미지 분리, 배치 처리, 헬스 체크, 배포 게이트 같은 설계 원칙과, BentoML처럼 모델을 API·컨테이너로 묶어 주는 프레임워크의 역할을 정리했다.
AI & Data
멀티 에이전트여러 AI 에이전트가 조사·작성·검토·실행 역할을 나눠 일하는 방식. 목표 설정 → 분업 → 병렬 수행 → 통합 → 검토로 돌아가며, 에이전트 수보다 역할 설계와 연결(공유 컨텍스트·가드레일)이 품질을 좌우한다.
AI & Data
문자열·문서 유사도: 편집 거리와 코사인 유사도검색어와 제목처럼 짧은 문자열은 편집 거리·Jaro-Winkler로, 키워드 묶음처럼 긴 문서는 벡터화 후 코사인 유사도로 비교한다. L1·L2·L∞ 거리와 자카드 유사도, 희소 벡터의 한계, 문서가 많을 때의 역색인·LSH와 k-means 군집도 다룬다. 영화 검색·추천 기능에 적용한 파이썬 예제와 함께 정리.
AI & Data
미드저니 프롬프트 파라미터미드저니 프롬프트 끝에 붙이는 --ar, --s, --c, --w, --sref, --sw, --p, --v 같은 파라미터의 뜻과 범위를 크리스마스 디자인용 프롬프트 예시로 정리했다.
AI & Data
분류 모델 성능 평가 지표분류 모델은 혼동 행렬의 TP·FP·FN·TN으로 평가한다. 정밀도·재현율이 서로 맞바뀌는 이유, 정확도가 불균형 데이터에서 속이는 이유, 조화평균인 F1 점수, 임계값을 바꿔 그리는 ROC 곡선과 AUC(양성이 드물면 PR AUC), 회귀 지표 MAE·RMSE·MAPE·R²와 문제 유형별 지표 고르기, 객체 탐지의 IoU·PR 곡선·AP·mAP를 정리한다.
AI & Data
불확실한 지식으로 추론하기: 베이지안 분류기와 퍼지 추론불확실성을 다루는 두 추론 방식을 비교한다. 베이지안 추론은 경계가 분명한 부류 중 어디에 속하는지가 불확실할 때 베이즈 정리로 사후확률을 계산하고, 퍼지 추론은 '키 큰 사람'처럼 경계 자체가 흐릿할 때 0~1의 소속도로 집합과 논리를 확장한다.
AI & Data
비헤이비어 트리게임 AI·로봇·대화 시스템에서 행동을 고르는 트리 구조. 매 틱마다 루트부터 깊이 우선으로 평가하고, 노드는 Success·Failure·Running 중 하나를 돌려준다. Sequence·Selector·Parallel 복합 노드, 데코레이터, 액션·조건 리프로 행동을 조립하며, 상태 전이가 폭증하는 FSM보다 모듈화와 재사용이 쉽다.
AI & Data
서비스용 텍스트 분류 모델 만들기악성 댓글 탐지, 상품 카테고리 자동 분류처럼 실제 서비스에 넣는 분류 모델을 만들 때의 결정들. 라벨 기준 정의와 애매한 데이터 제외, 노이즈 많은 텍스트의 토큰화, 가벼운 모델을 고르는 이유와 BoW 선형 모델에서 TextCNN·BiLSTM·트랜스포머까지의 후보, 클래스 불균형, 모델로 라벨 오류 찾기, 사람이 고친 데이터로 재학습, 텍스트·이미지·메타데이터를 함께 쓰는 다중 입력 모델을 정리했다.
AI & Data
스케일과 지능 유틸리티합의가 예상한 한계를 넘어 규모를 키울 때 창발 속성이 나온다는 경험칙과, 규모를 키우면 터지는 기술·자본·사업·문화 문제를 하나씩 쪼개 푸는 시스템 관점. 킬러 앱을 사용자 행동에서 찾는 원칙, 지능을 전기 같은 새 유틸리티로 보는 비유와 '밤의 빛' 같은 구체적 효용의 필요, 토큰 단위로 추상화되는 소비와 추론 스택의 과소 투자, 무한한 수요가 만드는 컴퓨트 부족, 민주화와 집중의 갈림길, 교육의 재설계를 정리한다.
AI & Data
시계열 분석: 정상성·분해·ARIMA에서 Prophet과 딥러닝 예측까지시간 순서로 관측한 데이터를 다루는 시계열 분석을 정리한다. 추세·계절성·주기 성분, 정상성과 ACF·PACF·단위근 검정, 로그 변환과 차분, 고전 분해와 STL, 기준 예측과 지수평활, ARIMA·SARIMAX와 GARCH 같은 확장, Prophet의 성분 모델과 주요 파라미터, 윈도 지도 학습·seq2seq·인과 합성곱 같은 딥러닝 예측, 시간 순서를 지키는 평가, DTW 거리로 하는 시계열 분류·군집까지 다룬다.
AI & Data
시스템 프롬프트 설계 패턴제품용 시스템 프롬프트는 정체성 → 거절 규칙 → 출력 형식 → 환경·도구 설명의 골격을 따른다. 안정적인 규칙은 시스템에, 요청마다 바뀌는 내용은 사용자 프롬프트에 나누는 법, 유출된 Copilot·Bing·ChatGPT·v0 프롬프트에서 반복되는 설계 패턴, 프롬프트 속 비밀은 지켜지지 않는다는 보안 교훈을 정리했다.
AI & Data
에이전트를 믿을 수 있는 환경 만들기에이전트를 한두 개 붙잡고 돌보는 단계에서 수십·수백 개를 병렬로 돌리는 단계로 가는 열쇠는 신뢰이고, 신뢰는 환경에서 나온다. 앱을 직접 실행해 증거를 모으는 검증 스킬(CLI + 기능 지도)과 검증용 테스트(E2E·속성 기반·차등 테스트), 엔지니어의 작업 방식을 담은 스킬, 그리고 에이전트를 교정할 때마다 고르는 다섯 층(코드베이스 → 정적 분석 → 규칙·리뷰 봇·스킬 → 스타일 가이드)을 정리했다. 나쁜 패턴이 바이러스처럼 번지는 이유, 지름길이 곧 옳은 길이 되는 에이전트 친화 프레임워크, 정원사 역할도 다룬다.
AI & Data
예측형 AI와 생성형 AI예측형 AI는 과거 데이터에서 분류·회귀·추천·이상 탐지 같은 좁은 답을 내고, 대개 직접 학습한 모델로 만든다. 생성형 AI는 사전 학습된 큰 모델 위에 프롬프트·컨텍스트를 얹어 열린 출력을 만든다. 두 방식의 개발 루프, 평가 방법, 흔한 함정과 대응을 비교한다.
AI & Data
웹 AI 플랫폼 고르기: 클라이언트, 서버, 하이브리드웹 AI는 모델이 어디서 도나(브라우저 / 서버)와 얼마나 고칠 수 있나(가중치 접근)로 네 가지 선택지가 생긴다. 내장 AI·커스텀 클라이언트 모델·관리형 API·자체 호스팅을 모델 성능·비용·프라이버시·호환성·유지 보수로 비교하고, 요구 사항에서 플랫폼을 고르는 법과 클라이언트 우선 하이브리드 라우팅을 정리한다.
AI & Data
자연어 처리 파이프라인: 전처리부터 언어 모델까지자연어 처리(NLP)는 사람의 언어를 컴퓨터가 다루게 하는 분야다. 표현·분류·구조 분석·중의성 해소·언어 모델·시퀀스 변환으로 나뉘는 과제, 데이터셋 준비 → 전처리(토큰화·정제·정규화·인코딩·패딩) → 모델 학습 → 평가·예측의 흐름, 한국어 데이터셋, 교착어 토큰화, 원-핫·TF-IDF·임베딩 층 같은 표현 방식, n-gram부터 트랜스포머·LLM까지의 언어 모델 계보와 퍼플렉서티, 학습 이전의 구문 분석·지식 그래프, 스펙트로그램에서 출발하는 음성 인식과 음성 합성을 정리한다.
AI & Data
조직 AX: 개발 자동화에서 전사 AI 전환까지AI 전환(AX)을 개발팀 도구에서 조직의 일하는 방식으로 넓히는 과정. 과거 PR 재현·레거시 마이그레이션·신규 서비스 실험으로 자동화 가능성을 재면 실패 원인이 AI가 아니라 요구사항과 맥락 부족임이 드러난다. 맥락을 핵심 자산으로 삼는 원칙, 한 달짜리 Quick Win, 비개발자 온보딩 허들과 GUI 우회, 설치·인증·배포를 감춘 사내 AI 플랫폼, 보안 스캔·승인·인증 프록시를 갖춘 바이브 코딩 앱 배포 파이프라인을 정리한다.
AI & Data
지능형 튜터링 시스템과 베이지안 지식 추적지능형 튜터링 시스템(ITS)은 학습자가 무엇을 알고 모르는지 추정해 맞는 문제와 피드백을 주는 교육 소프트웨어다. 생성 규칙과 버그 규칙으로 이뤄진 도메인 모델, 숙달 정도를 기록하는 학생 모델, 정답·오답 관찰로 숙달 확률을 갱신하는 베이지안 지식 추적의 네 확률(사전·전이·추측·실수)과 갱신식, 숙달 학습과 적응형 순서, 교육 데이터 마이닝, 대규모 온라인 강좌가 부딪힌 피드백 문제를 정리한다.
AI & Data
책임 있는 AI: 윤리, 프라이버시·공정성·신뢰AI의 판단은 데이터와 설계자의 선택이 담긴 산출물이라는 관점에서, AI 거버넌스의 세 축인 프라이버시·공정성·신뢰와 투명성을 데이터·지능·UX 세 층에 나눠 무엇을 할지 정리한다. 덜 모으고 PII를 지우고, 데이터 편향(COMPAS, 하위 집단 누락)을 점검하고 신고 경로를 열고, 사용자를 '보정된 신뢰'로 이끌며, 트롤리 딜레마·모럴 머신처럼 정답 없는 판단은 명시하고 공론화한다.
AI & Data
컴퓨터 비전 기초: 커널과 합성곱에서 CNN까지컴퓨터 비전은 픽셀 격자에서 높은 수준의 의미를 뽑는 분야다. 영상 처리와의 차이, 분류·탐지·분할·특징·매칭·3D·추적·생성의 세부 과제와 대표 데이터셋, 픽셀 하나로 하는 색 추적, 주변 픽셀 묶음(패치)에 커널을 곱해 더하는 합성곱과 에지 검출, 약한 특징을 모아 얼굴을 찾는 Viola-Jones, 커널을 학습하는 합성곱 신경망(CNN), 얼굴 랜드마크에서 표정·생체 인식으로 올라가는 추상화 층을 정리한다.
AI & Data
클라이언트 사이드 웹 AI: 내장 AI API, 라이브러리, 런타임브라우저에서 AI를 돌리는 방법은 브라우저가 들고 있는 모델을 부르는 내장 AI(Chrome의 Summarizer·Translator·Prompt API 등)와, Transformers.js·WebLLM 같은 라이브러리로 직접 고른 모델을 돌리는 방식 두 가지다. Chrome 내장 AI API의 현재 상태와 쓰는 법, 라이브러리별 쓰임, Wasm·WebGPU·WebNN 런타임을 정리한다.
AI & Data
퍼셉트론과 다층 퍼셉트론퍼셉트론은 입력과 가중치의 합을 활성화 함수에 통과시키는 인공 뉴런이자 선형 분류기다. 퍼셉트론 학습(경사 하강·델타 규칙), XOR 문제로 드러난 한계, 은닉층을 쌓은 다층 퍼셉트론(MLP)과 오류 역전파 알고리즘, 그 행렬 표기를 정리한다.
AI & Data
평가 주도 개발(EDD): AI 기능을 테스트하며 다듬기평가 주도 개발은 TDD를 AI의 불확실성에 맞게 바꾼 개발 방식이다. 문제를 API 계약처럼 정의하고, 제로샷 기준선을 만들고, 결정적 검사·사람·LLM 심판을 섞은 평가 체계를 세운 뒤, 작고 겨냥한 수정으로 프롬프트를 개선한다. 프롬프트·지표·테스트 입력은 코드처럼 버전 관리하고 CI에서 회귀를 막는다.
AI & Data
프롬프트 작성법 치트시트목표·맥락·과제·제약·형식·예시를 채우면 프롬프트가 된다. 어떤 LLM에나 통하는 원칙(분명하게, 이유를 붙여, 예시로 보여 주고, 구조를 나누고, 금지 대신 할 일을), 앱에 넣는 프롬프트의 구성 요소, 제로샷·퓨샷·생각의 사슬·자기 성찰 기법, 역할·어조·형식을 골라 끼우는 예시를 한 장으로 정리했다.
AI & Data
프롬프트에서 하네스로: 에이전틱 패턴의 진화AI 개발의 중심은 프롬프트 엔지니어링(무엇을 말할까) → 컨텍스트 엔지니어링(무엇을 보여 줄까) → 하네스 엔지니어링(어떤 시스템을 만들까)으로 옮겨 왔다. 엔지니어링의 엄밀함은 사라지지 않고 위치만 옮긴다. 각 단계의 핵심 기법(CoT·ReAct·플로우 엔지니어링, Write/Select/Compress/Isolate, KV 캐시, 하네스 2×2), 실전 사례, 치명적 삼요소와 2의 규칙을 정리한다.
AI & Data
AI 2027: 초지능 도래 시나리오와 정렬 문제AI Futures Project가 낸 초지능 도래 예측 시나리오. AI가 AI 연구를 자동화하면서 진전이 복리로 빨라지는 지능 폭발, 그 과정에서 모델의 목표가 사양(Spec)과 어긋나는 정렬 실패, 미·중 경쟁과 모델 가중치 탈취, 정부·기업의 권력 집중을 하나의 연대기로 그리고, 경쟁(race)과 감속(slowdown) 두 결말로 갈라진다. 시나리오에 쓰인 핵심 개념(진전 배수, 작업 시간 지평, IDA, 뉴럴리즈, 정렬·통제 기법)과 한계를 정리한다.
AI & Data
AI 기능 기획: 시스템 블루프린트와 유스케이스 발굴웹 서비스에 AI 기능을 넣기 전에 기회(유스케이스·가치) → 솔루션(데이터·지능·UX) → 거버넌스의 세 관점으로 지도를 그린다. 가치 범주로 아이디어를 내고, 사용자 여정에 배치하고, 데이터 준비도·비용·실패 모드를 따져 우선순위를 정한 뒤 끝에서 끝까지 이어지는 프로토타입으로 검증한다.
AI & Data
AI 기능의 UX 패턴: 배경형·제한형·개방형AI 기능은 사용자에게 드러나는 정도에 따라 배경형(조용히 기존 경험을 돕는다), 제한형(버튼으로 정해진 작업을 부른다), 개방형(자유 입력)으로 나뉜다. 노출이 클수록 유연하지만 위험도 커진다. 유형별 예와 모범 사례, 둘 중 고르는 기준, 투명성·안내·제어·신뢰 보정·실패 관리 패턴 표를 정리한다.
AI & Data
AI 네이티브 프론트엔드 개발코드를 AI만으로 쓰는 팀에서 프론트엔드가 일하는 방식. 금지 규칙 대신 대화로 뽑은 스킬, 구조를 직접 바꾸며 이해하기, 의도 정렬 순서, 이슈·PR로 맥락 관리, 병렬 작업과 이탈 감지, 디자인 픽셀 비교와 상태 재현 환경, BE·디자인을 정본으로 삼아 FE를 얇게 만들기, AI에게 관측 통로 달아 주기, 통합과 완성도로 옮겨 가는 역할을 정리한다.
AI & Data
AI 모델로 완성도 높은 프론트엔드 디자인 뽑기AI는 상상보다 모방을 잘한다. 디자인 시스템·시각 레퍼런스(와이어프레임·스크린샷·무드보드)·서사·검증 도구를 미리 주고 기본 폰트·아이콘을 바꾸면 흔한 템플릿 대신 의도가 분명한 UI가 나온다.
AI & Data
AI 시대 개발자의 역할LLM이 코드 작성을 맡게 되면서 개발자의 일은 모호한 요구를 명확한 문제로 재정의하고, 비결정적 AI를 결정적 검증 장치(하네스·오라클)로 묶고, 결과를 판단·책임지고, 코딩하며 저절로 쌓이던 맥락을 따로 보존하는 쪽으로 옮겨 갔다. 구조적 한계, 시장의 변화, 지시에서 위임으로의 전환, 길러야 할 역량을 정리했다. AI가 주니어의 일을 가져간 뒤 의도적 연습을 일부러 설계하고 시니어가 가르치는 법을 배워야 하는 이유도 정리했다.
AI & Data
AI 이미지를 쓸모 있는 벡터로 바꾸기미드저니로 그린 래스터 이미지를 업스케일러로 키우고 일러스트레이터 이미지 추적(Image Trace)으로 벡터화하면, 지저분한 픽셀이 정리된 편집 가능한 벡터를 쉽게 얻는다. 단계별 역할과 추적 설정을 정리했다.
AI & Data
AI 코딩 실무 가드레일AI 코딩 에이전트로 프로덕션 코드를 다룰 때의 실무 규칙. 프로젝트 규모에 따른 세 가지 모드, CLAUDE.md와 앵커 주석(AIDEV-NOTE), 테스트는 사람이 쓴다는 원칙, 맥락을 아끼지 않는 프롬프트, 작업마다 새 세션, AI가 건드리면 안 되는 영역과 실수의 등급을 정리한다.
AI & Data
AI 플랫폼 전환과 일의 재편AI를 클라이언트·서버, 웹, 모바일·클라우드에 이은 플랫폼 전환으로 보는 관점. 이전 플랫폼 위에 쌓여 확산이 빠르고, 모델은 SQL 같은 안정된 층이 되며, 제품의 핵심은 메모리·도구 사용·권한(entitlements)을 갖춘 스캐폴딩과 데이터 피드백 루프다. 성과의 기준은 벤치마크가 아니라 실물 경제의 잉여이고, 가장 큰 병목은 기술이 아니라 일의 방식과 직무를 바꾸는 변화 관리다. 소프트웨어 엔지니어는 아키텍트가 되고, 리더십은 명확성·에너지·과잉 제약 문제 풀기로 정리된다.
AI & Data
AI로 개발 가속하기: AI 네이티브 작업 방식과 규칙을 키우는 개발AI를 가끔 꺼내 쓰는 도구가 아니라 리서치·기획·구현·테스트·운영 전반에 깔린 협업자로 다루는 작업 방식. AI부터 시도하고 사람이 검증하는 원칙과 도입 단계, 도구 네 범주와 개발 생명 주기별 활용, 거대한 한 방 프롬프트와 도메인 지식 문서, PRD → 태스크 리스트 흐름, AI가 짜고 사람이 검토하는 바이브 코딩의 현실적 패턴, 이상 행동을 볼 때마다 규칙을 더하는 Rule-Growing Development, AI가 코드를 찾는 방식을 고려한 주석·이름, AI가 맡을 수 있는 작업 길이, 팀·윤리 규칙과 사람의 역할을 정리한다.
AI & Data
AI에게 일 맡기기: 권한·정보·도구코딩 에이전트를 사람에게 일을 맡기듯 다루는 틀. 일을 잘할수록 권한을 넓히고 못하면 좁히는 위임 단계, 기대 출력·관찰 창·되돌릴 지점으로 하는 모니터링, What·Why를 전하는 STICC와 How가 필요할 때의 인지 작업 분석(CTA), 되묻게 하기·불확실성 지도·메타 프롬프트, 템플릿과 문서 같은 컨텍스트, 꼭 필요한 MCP만 붙이기와 검증 도구, 그리고 이를 묶은 하루 작업 흐름을 정리한다.
AI & Data
Claude 스킬 만들기 가이드Anthropic의 스킬 제작 가이드 요점: 3단계 프로그레시브 디스클로저, 트리거를 담은 description, 폴더·이름 규칙, 테스트와 증상별 대응, 배포 방식과 팀 공용 스킬 패키지화, 실전 패턴 5가지.
AI & Data
Claude Code 활용 가이드채팅형 AI와 무엇이 다른지부터 설치, 질문 → 편집 → 도구 → 맥락 → 자동화로 익숙해지는 순서, 슬래시 명령·단축키, MCP 연결, Skills와 CLAUDE.md, 팀 설정 공유, 권한 모드와 자동 모드, `claude -p` 자동화, Claude Code에 맞는 프롬프트 습관, 개발 팀장처럼 위임하는 작업 방식까지 Claude Code를 쓰는 데 필요한 요점을 한 장으로 정리.
AI & Data
Claude Code 훅: 도구 호출 앞뒤에 규칙 걸기훅은 Claude Code의 특정 시점(도구 실행 전후, 응답 종료, 압축 전 등)에 내 명령을 자동으로 실행하는 장치다. 포맷터·타입 검사·민감 파일 차단처럼 모델에게 부탁하지 않고 반드시 지켜야 하는 규칙을 건다. 이벤트 종류, 설정 위치와 matcher, 표준 입력 JSON과 종료 코드 2의 의미, .env 읽기 차단 예제, 유용한 훅, 보안 주의점과 디버깅 방법을 정리했다.
AI & Data
LLM 보안 공격: 탈옥, 프롬프트 인젝션, 데이터 중독LLM이 새 컴퓨팅 스택이 되면서 운영체제처럼 고유한 보안 문제가 생겼다. 안전 학습을 우회하는 탈옥(역할극, Base64, 최적화된 접미사, 노이즈 이미지), 외부 데이터에 숨긴 지시로 모델을 가로채는 프롬프트 인젝션(숨은 글씨, 검색 결과, 공유 문서로 데이터 빼내기), 학습 데이터에 심는 데이터 중독·백도어를 수법별로 정리했다. 공격마다 방어가 나오고 다시 우회되는 고양이와 쥐 게임이다.
AI & Data
LLM 서빙의 병목: KV 캐시, 배치, GPULLM을 수억 명에게 서비스할 때 병목은 연산보다 GPU 메모리인 경우가 많다. 어텐션 비용과 KV 캐시, 산술 강도와 배치 크기, GPU 사용률이 속이는 지표인 이유, 지역보다 GPU를 따라가는 배치, 오토스케일이 안 되는 상황을 정리했다. PagedAttention·연속 배치·프롬프트 캐싱 같은 지금의 서빙 기법과 H100·H200·B200의 연산 대비 메모리 대역폭도 다룬다.
AI & Data
LLM 위키: LLM이 쓰고 관리하는 지식 창고질문할 때마다 원문 조각을 다시 찾는 RAG 대신, LLM이 원문을 읽어 서로 링크된 마크다운 위키를 쌓고 고쳐 나가는 지식 관리 패턴이다. 원문·위키·스키마의 세 층, 입수·질의·점검 세 작업, index와 log 파일, 유사도 검색이 관계형 질문에 약한 이유와 대안을 정리한다.
AI & Data
LLM은 무엇을 하고 왜 작동하나대규모 언어 모델은 '지금까지의 글에 이어질 그럴듯한 다음 토큰'을 하나씩 확률로 고르는 기계다. 다음 토큰 예측, 매개변수 파일과 실행 코드 두 개로 된 모델, 인터넷의 손실 압축으로서의 사전 학습과 환각, 역전 저주, 임베딩, 트랜스포머 내부 구조, 기본 모델에서 어시스턴트로 가는 학습 단계, 스케일링 법칙, 계산 환원 불가능성에서 오는 한계와 이를 보완하는 시스템 2 추론·자기 개선·도구 사용까지 정리한다.
AI & Data
MLOps: 머신러닝을 운영 환경에서 굴리기MLOps는 머신러닝(ML)과 운영(Ops)을 합친 말로, 모델을 서비스에 올리고 데이터·모델 버전 관리, 모니터링, 재학습까지 계속 돌리는 일이다. 생명 주기별 구성 요소와 도구, 프로젝트를 고르고 지표·베이스라인을 정하는 법, Kubeflow Pipelines로 본 학습·배포 파이프라인, ML 시스템에 필요한 테스트, 피처 테이블과 학습·서빙 불일치를 막는 법, 파이프라인을 먼저 잇고 모델은 나중에 키우는 원칙을 정리했다.
Tools › Chrome DevTools
DevTools의 AI 지원과 에이전트용 DevTools(MCP)DevTools 안에서 Gemini와 채팅하며 스타일·네트워크·소스·성능을 묻는 AI 지원 패널과 코드 생성, 그때 Google로 가는 데이터와 끄는 정책, 그리고 코딩 에이전트가 MCP로 실제 Chrome을 조작하게 하는 Chrome DevTools MCP 서버(설정 플래그, 자동 연결, 에뮬레이션·Lighthouse·메모리·확장 프로그램·서드파티 도구)와 WebMCP 디버깅을 정리한다.
Tools
개발 도구 지형도와 세상을 바꾼 오픈소스개발 도구를 개발 환경·다이어그램·AI·호스팅·코드 품질·보안·노트·디자인 범주로 나눈 지도와, 범주별로 무엇을 갖추면 되는지 정리한다. 웹·데이터·개발 도구·머신러닝·컨테이너 분야의 판도를 바꾼 오픈소스, 큰 기업이 시작한 오픈소스와 기업이 코드를 공개하는 이유, AI 앱의 쓰임새 범주도 함께 다룬다.
Career › Work
회사에서 빠르게 성장하는 법짧은 피드백 사이클, 스스로 높이는 업무 난이도, 신중한 이직 판단으로 회사의 성장 속도를 따라잡고, 본캐에 수렴하는 부캐와 100일 프로젝트로 도구가 바뀌어도 나에게 쌓이는 역량을 만드는 방법.