logo

AI

31 notes

AI 개발 방법론 3종 비교: BMAD Method vs MoAI-ADK vs GitHub Spec Kit2026-02-26

AI 코딩 도구가 넘쳐나는 시대, 실제로 개발 워크플로우를 바꿀 수 있는 방법론 3가지 — BMAD Method, MoAI-ADK, GitHub Spec Kit — 를 철저하게 비교한다.

#AI
#agent
#workflow
#BMAD
#MoAI-ADK
#spec-kit
#Agentic-AI
#Claude-Code
#development-methodology
#vibe-coding
LLM이 고유명사를 틀리는 이유와 해결 방법2025-11-11

헬스케어 챗봇 개발 중 발견한 LLM의 고유명사 오표기 문제의 근본 원인을 분석하고, 다양한 해결 방법을 실험한 과정을 정리한다.

#AI
#LLM
#ChatBot
#Tokenization
#Prompt-Engineering
#Healthcare
#NLP
Context Engineering for AI Agents: With LangChain and Manus2025-10-26

LangChain과 Manus 웨비나에서 배운 AI 에이전트의 컨텍스트 엔지니어링 핵심 전략. 컨텍스트 오프로딩, 축소(압축 vs 요약), 격리(통신 vs 메모리 공유), 계층형 액션 공간 등 실전 검증된 기법과 '덜 구축하고 더 이해하라'는 철학을 다룬다.

#AI
#Agent
#LLM
#Context-Engineering
#Manus
#LangChain
pgvector: PostgreSQL의 벡터 검색 익스텐션2025-10-13

PostgreSQL에서 벡터 검색을 가능하게 하는 pgvector 익스텐션의 개념, 작동 원리, 인덱스 알고리즘(HNSW), 그리고 다른 벡터 데이터베이스와의 비교를 다룬다.

#AI
#pgvector
#PostgreSQL
#Vector-Database
#Embedding
#ANN
#HNSW
#RAG
#Semantic-Search
2025년 pgvector vs Qdrant vs Milvus 상세 성능 비교2025-10-13

2025년 최신 버전을 기준으로 pgvector (PostgreSQL 18), Qdrant 1.15, Milvus 2.6의 실제 성능, 기능, 비용을 상세 비교한다. 데이터 삽입, 검색 속도, 필터링, 확장성, 실전 시나리오별 권장사항을 다룬다.

#AI
#pgvector
#Qdrant
#Milvus
#Vector-Database
#Performance
#Benchmark
#RAG
#Hybrid-Search
학술 논문 특화 파서 시스템 분석2025-09-14

학술 논문을 위한 전문 문서 파싱 및 RAG 시스템 구축 프로젝트 분석. UPSTAGE Document AI와 LLM을 활용한 고품질 멀티모달 콘텐츠 추출, 벡터 데이터베이스 구축, 그리고 Multi-Query + Reranker 기반 하이브리드 검색 시스템 구현까지 포괄적으로 다룬다.

#AI
#PDF-Parser
#RAG
#Document-Processing
#Multi-Modal
#Vector-Database
#Qdrant
#OpenAI
#UPSTAGE
#GPT-4o
#Academic-Papers
#NLP
#Data-Pipeline
#Information-Retrieval
#Semantic-Search
챗봇 성능 최적화: 캐싱 전략으로 비용 절감과 속도 향상2025-09-07

AI 챗봇의 비용을 최대 90%까지 절감하고 응답 속도를 80% 향상시키는 프롬프트 캐싱, 시맨틱 캐싱, 딕셔너리 캐싱 전략을 상세히 분석하고 실제 구현 방법을 제시합니다.

#AI
#Caching
#ChatBot
#Performance
#Optimization
#OpenAI
#Anthropic
#LangChain
#Redis
#Qdrant
#Cost-Reduction
멀티에이전트 아키텍처와 대규모 구현 전략2025-06-23

멀티에이전트 시스템의 핵심 아키텍처 패턴들과 대규모 환경에서의 구현 전략을 분석하고, 최신 통신 프로토콜과 확장성 해결책을 포괄적으로 다룬 가이드

#AI
#Multi-Agent
#Architecture
#Scalability
#MCP
#A2A
#FIPA
#Distributed-Systems
LLM 에이전트 아키텍처 비교 - ReAct, Plan-and-Execute, Supervisor2025-06-04

워크플로우와 에이전트의 차이점, 그리고 ReAct, Plan-and-Execute, Supervisor 아키텍처의 특징과 장단점을 체계적으로 비교 분석한 포괄적 가이드

#AI
#LLM
#agent
#ReAct
#Plan-and-Execute
#Supervisor
#architecture
#LangChain
#workflow
#Agentic-AI
#multi-agent
#MCP
#A2A
다중공선성 (Multicollinearity)2025-04-22

다중공선성의 개념, 탐지 방법, 해결 방법 및 관련 작업들에 대한 포괄적인 가이드

#AI
#Machine Learning
#Statistics
#Regression
#Feature Engineering
MinerU - 고품질 PDF 변환 및 데이터 추출 도구2025-04-03

MinerU는 PDF 문서를 Markdown과 JSON으로 고품질 변환해주는 오픈소스 데이터 추출 도구이다.

#pdf-converter
#pdf-parser
#data-extraction
#markdown
#ocr
#ai
#PDF
#rag
#document-ai
#layout-analysis
MCP(Model Context Protocol)2025-03-31

Anthropic에서 개발한 MCP(Model Context Protocol)의 개념, 구조 및 활용에 대한 설명

#ai
#anthropic
#mcp
#claude
#langchain
#langgraph
#tool-use
#smithery
LLM Compiler for Parallel Function Calling2025-01-26

LLM 기능 호출을 병렬로 처리하여 지연 시간과 비용을 줄이는 LLM Compiler 연구에 대한 검토

#AI
#PaperReview
#LLM
#ToolCalling
#Optimization
#ParallelProcessing
#Plan-and-Execute
Knowledge Graphs for RAG2024-08-15

RAG(Retrieval-Augmented Generation) 시스템에서 지식 그래프 활용 방법과 Neo4j 구현

#ai
#deep-learning
#knowledge-graph
#rag
#neo4j
#graph-database
Chainlit2024-08-13

빠르게 대화형 AI 애플리케이션을 개발할 수 있는 Chainlit 라이브러리 사용법

#ai
#ui
#langchain
#chatbot
#development
문서(pdf 등) 내 시각 자료와 텍스트의 추출 및 활용2024-07-23

멀티모달 RAG를 활용한 PDF 문서 내 시각 자료와 텍스트 추출 및 활용 기법

#AI
#RAG
#MultiModal
#PDF
#pdf-parser
문서(pdf 등) 내 시각 자료와 텍스트의 추출 및 활용 연구2024-06-08

멀티모달 RAG를 통한 문서 내 텍스트와 이미지 추출 및 활용 연구

#AI
#RAG
#MultiModal
#PDF
#pdf-parser
RAG용 PDF Loader 비교2024-05-22

LangChain에서 사용 가능한 다양한 PDF Loader 라이브러리들의 특징과 성능을 비교 분석한 문서

#rag
#langchain
#pymupdf
#pypdflium2
#document-loader
#PDF
#pdf-parser
Agent 사용 RAG+Tavily2024-05-05

LangChain Agent와 Tavily 검색 엔진을 활용한 고급 RAG 시스템 구현 방법과 활용 사례 분석

#rag
#agent
#langchain
#tavily
#llm
#pdf-search
#information-retrieval
RAG+Groq2024-04-29

Groq LPU 모델을 활용한 RAG 시스템 구축 및 성능 특징 설명

#ai
#deep-learning
#langchain
#rag
#groq
LLM Chain Chatbot + RAG2024-04-11

LangChain의 ConversationalRetrievalChain을 활용한 대화형 RAG 시스템 구현 방법과 주요 기능 설명

#llm
#langchain
#chatbot
#rag
#nlp
#conversational-ai
LayoutLM2024-04-04

LayoutLM의 발전 과정과 시각적으로 풍부한 문서 이해를 위한 다양한 버전별 특징 및 성능 분석

#document-ai
#nlp
#deep-learning
#computer-vision
#multimodal
#layout-analysis
#ocr
Imbalanced Data Prediction(Anomaly Detection)2024-03-18

불균형 데이터에서의 이상치 탐지를 위한 다양한 모델과 기법을 비교 분석한 글이다.

#anomaly-detection
#imbalanced-data
#classification
#clustering
#machine-learning
#deep-learning
T-SNE (t-distributed stochastic neighbor embedding)2024-03-16

고차원 데이터를 효과적으로 시각화하는 비선형 차원 축소 기법인 t-SNE의 원리와 활용법을 설명한 글이다.

#dimensionality-reduction
#t-sne
#visualization
#machine-learning
#deep-learning
#data-science
Anomaly Detection2024-03-12

이상 탐지(Anomaly Detection)의 주요 방법론과 기법을 정리하고 각 접근법의 장단점을 비교한 글이다.

#anomaly-detection
#machine-learning
#deep-learning
#imbalanced-data
#classification
#autoencoder
LangGraph2024-03-06

LangGraph 라이브러리의 개념과 다중 에이전트 협업 시스템 구현 방법 설명

#ai
#deep-learning
#langchain
#langgraph
#agent
#llm
LangChain2024-02-02

LangChain 프레임워크의 기본 개념, 활용 방법 및 LLama2와 결합한 실전 프로젝트 구현 과정 설명

#ai
#deep-learning
#langchain
#llm
#openai
#llama2
#gemini-pro
#streamlit
차원 축소 (Dimensionality Reduction) 기법2023-09-12

데이터의 복잡성을 줄이는 주요 차원 축소 기법인 PCA, t-SNE, UMAP의 개념과 활용법을 정리한 글이다.

#dimensionality-reduction
#pca
#t-sne
#umap
#machine-learning
#visualization
Track Anything: Segment Anything Meets Videos2023-06-19

SAM을 비디오에 적용한 Track Anything Model(TAM)의 특징과 활용 방안을 정리한 글이다.

#tam
#sam
#paper
#computer-vision
#tracking
#segmentation
Tensorflow Deep-Learning Computer-Vision Guide Notes 22022-08-11

컴퓨터 비전에서 객체 탐지(Object Detection)와 위치 찾기(Localization) 개념 및 Region Proposal 방식에 대해 설명한 글이다.

#deep-learning
#computer-vision
#tensorflow
#object-detection
#localization
#region-proposal
Tensorflow Deep-Learning Computer-Vision Guide Notes 12022-07-25

딥러닝 기반 컴퓨터 비전의 객체 탐지(Object Detection)와 세그멘테이션(Segmentation)에 대한 기본 개념과 발전 과정을 정리한 글이다.

#deep-learning
#computer-vision
#tensorflow
#object-detection
#segmentation