#AI기본기

14 posts tagged

Concept07.262026-07-26 09:0020 min read

AI 기본기 13: Data-centric AI — 모델보다 데이터셋 품질을 먼저 의심하는 법

AI 시스템 성능을 모델 교체만으로 올리려 하기 전에 데이터 정의, 라벨 품질, 분포, 합성 데이터, 평가셋을 어떻게 설계해야 하는지 정리한다.

#AI기본기 #data-centric-ai #dataset+3

Concept07.252026-07-25 09:0020 min read

AI 기본기 12: Efficient Fine-tuning — LoRA, Quantization, Distillation은 무엇을 줄이는가

큰 LLM을 매번 전체 학습하지 않고 목적에 맞게 바꾸기 위해 LoRA, quantization, distillation이 각각 무엇을 줄이고 어떤 trade-off를 만드는지 정리한다.

#AI기본기 #fine-tuning #LoRA+3

Concept07.242026-07-24 09:0033 min read

AI 기본기 11: Post-training과 Alignment — RLHF와 DPO는 모델의 행동을 어떻게 바꾸는가

Pretraining 이후의 LLM을 사용자가 원하는 방식으로 행동하게 만드는 post-training 흐름을 SFT, preference learning, RLHF, DPO 관점에서 정리한다.

#AI기본기 #post-training #alignment+3

Concept07.232026-07-23 09:0023 min read

AI 기본기 10: LLMOps와 AI 시스템 운영 — 모델을 서비스로 믿게 만드는 방법

모델 품질, 프롬프트, RAG, agent, evaluation, 비용, 지연시간, 장애 대응을 하나의 운영 루프로 묶어 AI 시스템을 서비스로 관리하는 방법을 정리한다.

#AI기본기 #LLMOps #AI engineering+3

Concept07.222026-07-22 09:0020 min read

AI 기본기 9: Agent Evaluation과 Guardrails — 실행 가능한 AI를 어떻게 믿을 것인가

Agent를 최종 답변이 아니라 trajectory, tool call, side effect, 안전 경계까지 포함한 실행 시스템으로 평가하는 방법을 정리한다.

#AI기본기 #agent #evaluation+3

Concept07.212026-07-21 09:0019 min read

AI 기본기 8: Agent와 Tool Use — LLM을 실행 가능한 시스템으로 바꾸는 법

AI agent를 prompt wrapper가 아니라 상태, 도구, 행동 선택, 관찰, 평가가 결합된 runtime system으로 이해한다.

#AI기본기 #agent #tool-use+3

Concept07.202026-07-20 09:0020 min read

AI 기본기 7: Prompting과 Inference-time Computation — 추론할 때 모델에게 시간을 쓰게 만드는 법

Prompting을 문장 꾸미기나 요령이 아니라, LLM 추론 시점에 추가 계산과 제약을 어떻게 배치하는지의 문제로 이해한다.

#AI기본기 #prompting #chain-of-thought+2

Concept07.192026-07-19 09:0019 min read

AI 기본기 6: Retrieval과 RAG — LLM에게 필요한 지식을 어떻게 찾아 줄 것인가

Dense retrieval, sparse retrieval, bi-encoder, cross-encoder, reranking, chunking을 연결해 RAG가 단순 문서 주입이 아니라 검색 모델과 생성 모델의 결합 문제임을 이해한다.

#AI기본기 #RAG #retrieval+2

Concept07.182026-07-18 09:0021 min read

AI 기본기 5: Next-Token Prediction과 Instruction Tuning — LLM은 무엇을 배우고 무엇을 맞춰 가는가

Causal language modeling, next-token prediction, pretraining, instruction tuning, RLHF/RLAIF를 하나의 학습 파이프라인으로 연결해 LLM이 실제로 무엇을 최적화하는지 이해한다.

#AI기본기 #LLM #pretraining+2

Concept07.172026-07-17 09:0022 min read

AI 기본기 4: Transformer와 Self-Attention — 문맥을 직접 비교하는 모델

RNN의 순차 처리 병목에서 출발해 self-attention, Q·K·V, scaled dot-product attention, multi-head attention, positional encoding을 모델링 관점에서 이해한다.

#AI기본기 #transformer #attention+2

Concept07.162026-07-16 09:0021 min read

AI 기본기 3: 표현 학습과 임베딩 — 모델은 세상을 어떤 좌표계로 바꾸는가

원-핫 인코딩, dense embedding, hidden representation, contrastive learning을 연결해 딥러닝이 데이터를 벡터 공간으로 바꾸는 방식을 이해한다.

#AI기본기 #deep-learning #embedding+2

Concept07.162026-07-16 09:0016 min read

AI 모델 압축을 12살도 이해할 수 있게 설명하기 — BF16 가중치를 줄이는 방법

GLM-5.2 753B 모델을 대상으로 한 lossless weight compression 실험을 바탕으로, AI 모델의 가중치를 왜 줄일 수 있고 무엇을 아직 조심해서 봐야 하는지 쉽게 설명한다.

#model-compression #BF16 #LLM+2

Concept07.152026-07-15 09:0019 min read

AI 기본기 2: 손실함수와 목적함수 — 모델은 정말 우리가 원하는 것을 배우는가

MSE, cross-entropy, maximum likelihood, next-token prediction, contrastive loss를 하나의 관점으로 연결해 AI 모델이 무엇을 최적화하는지 이해한다.

#AI기본기 #machine-learning #loss-function+2

Concept07.122026-07-12 09:0018 min read

AI 기본기: 모델링 관점에서 다시 짜는 학습 로드맵

LinkedIn의 AI 학습자료 목록을 단순 링크 모음이 아니라 모델링 기법 중심의 블로그 연재 커리큘럼으로 재구성한다.

#AI기본기 #machine-learning #deep-learning+2