mirabo01 님의 블로그

머신러닝을 공부하다 보면 어느 순간부터 강화학습이라는 단어를 만나게 됩니다.이름은 익숙한데, 막상 설명을 들으면 상태, 행동, 보상, 정책 같은 단어가 한꺼번에 나와서 처음에는 더 어렵게 느껴질 수 있습니다.그런데 핵심 구조만 잡으면 강화학습은 생각보다 훨씬 단순하게 이해할 수 있습니다.가장 쉽게 말하면 강화학습은 에이전트가 환경 속에서 행동을 해보고, 그 결과로 받은 보상을 바탕으로 더 나은 행동을 배우는 방식입니다. IBM은 강화학습을 에이전트가 환경과 상호작용하면서 의사결정을 학습하는 방식으로 설명하고, AWS도 에이전트가 환경에서 행동한 뒤 새로운 상태와 보상을 관찰하며 학습한다고 설명합니다.즉 강화학습은 정답을 바로 알려주는 지도학습과 조금 다릅니다. 대신 행동해보고, 결과를 보고, 점점 더 잘..

차원 축소를 공부하다 보면 거의 반드시 만나게 되는 이름이 있습니다.바로 PCA, t-SNE, UMAP입니다.셋 다 데이터를 더 낮은 차원으로 줄여서 보기 쉽게 만든다는 점은 비슷하지만, 실제 목적과 성격은 꽤 다릅니다.가장 먼저 큰 그림부터 잡으면 이렇습니다.PCA는 분산을 최대한 보존하는 선형 차원 축소에 가깝고, t-SNE는 고차원 데이터 시각화에 특화된 비선형 임베딩에 가깝고, UMAP은 로컬 구조와 어느 정도의 전역 구조 균형을 조절할 수 있는 비선형 임베딩에 더 가깝습니다. 쉽게 말하면 PCA는 정보를 최대한 유지하며 압축하는 느낌, t-SNE는 보이기 좋게 군집을 펼쳐주는 느낌, UMAP은 시각화와 구조 보존 사이의 균형을 잡아주는 느낌으로 이해하면 꽤 편합니다.#PCA #tSNE #UMAP..

머신러닝을 공부하다 보면 지도학습 다음으로 자주 만나게 되는 개념이 있습니다.바로 비지도학습입니다.이름만 들으면 조금 어렵게 느껴지지만, 핵심은 생각보다 단순합니다. 정답이 없는 데이터에서 패턴을 찾는 방식이라고 보면 됩니다.IBM은 비지도학습을 라벨이 없는 데이터셋을 분석해서 숨겨진 패턴이나 그룹을 발견하는 방식으로 설명합니다. Google Cloud도 정답 라벨 없이 데이터 안의 구조를 찾는 접근으로 설명합니다.쉽게 말하면 지도학습이 “문제와 정답을 같이 보여주면서 배우는 방식”이라면, 비지도학습은 정답 없이 데이터끼리 어떤 공통점이 있는지 스스로 찾아보는 방식에 더 가깝습니다.#비지도학습 #클러스터링 #차원축소 #머신러닝기초 #AI입문 #데이터분석 #군집화비지도학습이란 무엇일까비지도학습은 정답 라벨..

머신러닝을 처음 공부하다 보면 꽤 빨리 만나게 되는 단어가 있습니다.바로 분류와 회귀입니다.둘 다 지도학습에 들어간다고 하는데, 막상 처음 들으면 “둘 다 예측하는 거 아닌가?” “도대체 뭐가 다른 거지?” 하고 헷갈리기 쉽습니다.사실 이 개념은 처음에만 낯설 뿐, 한 번만 기준을 제대로 잡아두면 꽤 오래 갑니다.가장 쉽게 말하면 이렇습니다.결과가 종류면 분류, 결과가 숫자면 회귀입니다.이 한 줄만 먼저 잡고 들어가면 지도학습 구조를 이해하는 속도가 훨씬 빨라집니다.#분류와회귀차이 #지도학습 #머신러닝기초 #분류 #회귀 #AI입문 #데이터분석먼저 지도학습이 무엇인지부터 짚고 가자분류와 회귀는 둘 다 지도학습에 속합니다.지도학습은 쉽게 말해 정답이 붙어 있는 데이터로 학습하는 방식입니다.예를 들어 이런 식..

머신러닝을 처음 공부할 때 가장 먼저 헷갈리는 구분이 있습니다.바로 지도학습과 비지도학습입니다.여기에 분류, 회귀, 군집화 같은 용어까지 한꺼번에 나오기 시작하면 “도대체 뭐가 뭐지?” 싶어지는 경우가 많습니다.그런데 이 개념은 한 번만 제대로 잡아두면 꽤 오래 갑니다. 핵심은 아주 단순합니다.정답이 있으면 지도학습, 정답이 없으면 비지도학습이라고 먼저 생각하면 됩니다.그리고 그 안에서 분류와 회귀는 지도학습 쪽, 군집화는 비지도학습 쪽 대표 예시라고 보면 훨씬 정리가 쉬워집니다.#지도학습 #비지도학습 #분류 #회귀 #군집화 #머신러닝기초 #AI입문먼저 지도학습이란 무엇일까지도학습은 정답이 붙어 있는 데이터로 학습하는 방식입니다.예를 들어 이런 데이터가 있다고 해봅시다.예시 데이터이메일 내용 → 스팸 여..

요즘 AI 이야기를 하다 보면 가장 자주 나오는 표현 중 하나가 바로 생성형 AI입니다.그런데 막상 이 말을 들으면 “기존 AI랑 뭐가 다른 거지?” “머신러닝이랑은 어떻게 다른 거지?” 하고 헷갈리는 경우가 많습니다.결론부터 말하면 생성형 AI는 머신러닝의 한 갈래입니다. 머신러닝이 데이터에서 패턴을 배워 예측이나 분류를 하는 기술이라면, 생성형 AI는 그중에서도 새로운 콘텐츠를 만들어내는 데 강한 형태라고 보면 이해가 쉽습니다. 쉽게 말하면 머신러닝은 “이 사진이 고양이인지 강아지인지 맞히는 쪽”에 가깝고, 생성형 AI는 “고양이 그림을 새로 만들어내는 쪽”에 더 가깝습니다. #생성형AI #머신러닝 #AI기초 #생성형AI뜻 #머신러닝비교 #AI입문 #LLM생성형 AI란 무엇인가생성형 AI는 말 그대..

문서 스캔본, 영수증 사진, 책 이미지, 간판 사진 같은 걸 보다 보면“이 안의 글자를 텍스트로 바로 뽑아낼 수 없을까?”하는 생각이 들 때가 있습니다.이때 자주 나오는 기술이 바로 OCR입니다.가장 짧게 말하면 OCR은 이미지 속 글자를 기계가 읽을 수 있는 텍스트로 바꾸는 기술입니다. AWS는 OCR을 “텍스트 이미지(text image)를 machine-readable text format으로 변환하는 과정”이라고 설명합니다. 쉽게 말하면 사람이 눈으로 읽을 수는 있지만 컴퓨터가 바로 편집하거나 검색할 수 없는 이미지 속 글자를, 복사 가능한 문자 데이터로 바꿔주는 과정이라고 이해하면 됩니다. OCR이란 무엇일까OCR은 Optical Character Recognition의 줄임말입니다. 한국어로..

AI 에이전트를 공부하다 보면 자주 나오는 단어가 있습니다.바로 memory와 workflow입니다.둘 다 자주 보이는데, 막상 처음 접하면 “메모리는 기억이고 워크플로는 순서 아닌가?” 정도로만 이해하고 넘어가기 쉽습니다. 그런데 실제로 에이전트를 설계할 때는 이 둘의 연결 구조를 이해해야 전체 그림이 보입니다.간단하게 말하면 workflow는 에이전트가 일을 처리하는 흐름이고, memory는 그 흐름 안에서 계속 참고하는 기억 장치에 가깝습니다.즉 workflow가 “어떤 순서로 움직일까”를 정한다면, memory는 “그 과정에서 무엇을 기억하고 다음 단계로 넘길까”를 담당합니다.그래서 이 둘은 따로 떨어진 개념이 아니라, 실제 AI 에이전트 구조에서는 거의 항상 같이 움직입니다.#AI에이전트 #에이..

AI 관련 글을 보다 보면 요즘 자주 보이는 단어가 있습니다.바로 MCP입니다.처음 보면 이름이 조금 낯설 수 있지만, 실제 의미는 생각보다 단순합니다. MCP는 AI가 외부 도구, 데이터, 워크플로와 연결되는 방식을 표준화한 규격이라고 보면 됩니다.쉽게 말하면 예전에는 AI 앱 하나하나가 슬랙 연결, 구글 드라이브 연결, 데이터베이스 연결, 파일 시스템 연결을 각각 따로 구현해야 했습니다.그래서 같은 기능을 여러 번 다시 만들게 되고, 도구가 늘어날수록 연결 구조도 점점 복잡해졌습니다. MCP는 이런 문제를 줄이기 위해 나온 표준입니다.한 번 정해진 방식으로 연결하면 AI 애플리케이션은 같은 규칙으로 여러 외부 시스템과 대화할 수 있습니다. 그래서 MCP는 종종 AI를 위한 공통 연결 규격처럼 설명됩니..

LLM을 직접 배포해보려다 보면 꽤 빨리 만나게 되는 이름이 있습니다.바로 vLLM입니다.Hugging Face 모델을 띄우고 API 형태로 연결하거나, GPU 자원을 좀 더 효율적으로 써서 추론 성능을 높이고 싶을 때 많이 언급되는 도구입니다.그런데 막상 처음 접하면 헷갈리는 부분이 있습니다. vLLM이 하나의 “모델”처럼 보이기도 하고, 어떤 사람은 서버처럼 쓰고, 어떤 사람은 파이썬 코드 안에서 바로 불러서 쓰고, 또 어떤 사람은 Docker나 Kubernetes로 배포합니다.그래서 이번 글에서는 vLLM의 종류를 “사용 형태” 기준으로 나눠서, 실제로 어떤 방식이 있고 어떻게 시작하면 되는지 처음 보는 사람도 이해할 수 있게 정리해보겠습니다.#vLLM #vLLM사용법 #vLLM종류 #LLM서빙 #..