전체 글 (59) 썸네일형 리스트형 Docker 환경구성 FastAPI + Streamlit 프로젝트를 Docker로 실행하기 (Docker, Image, Container, Compose 개념 정리)FastAPI와 Streamlit 프로젝트를 개발할 때 보통 다음과 같이 실행한다.# terminal 1uvicorn main:app --host 0.0.0.0 --port 8000# terminal 2streamlit run app.py 하지만 이 방식에는 몇 가지 문제가 있다.Python 버전 의존성패키지 버전 충돌다른 서버에서 동일 환경 재현 어려움Docker는 애플리케이션 실행 환경 자체를 이미지로 만들어 어디서든 동일하게 실행할 수 있도록 한다. 1. Docker 핵심 개념Docker는 다음 4가지 개념으로 이해하면 된다.개념의미Dockerfile실행 환.. Oh My Zsh 자동 명령어 제안 (Autosuggestion) 설정 터미널에서 이전에 실행했던 명령어가 회색으로 자동 제안되는 기능은 zsh-autosuggestions 플러그인을 사용하면 된다.1. zsh-autosuggestions 설치 git clone https://github.com/zsh-users/zsh-autosuggestions \${ZSH_CUSTOM:-~/.oh-my-zsh/custom}/plugins/zsh-autosuggestions 2. .zshrc에 플러그인 추가 plugins=(git zsh-autosuggestions) 3. 설정 적용 source ~/.zshrc 이후 명령어를 입력하면 이전에 사용했던 명령어가 회색으로 자동 제안되며 → 키로 바로 완성할 수 있다.같이 사용하면 좋은 플러그인zsh-syntax-highlighting명령어 문.. Automatic Instruction Evolving for Large Language Models 논문 리뷰 [Abstract]Evol-insturction은 모델의 성능 향상, 하지만 인간 전문가 지식이 필요함 본 논문은 인간 개입없이 instruction data을 진화시키는 방법 제안 지시문에 적합한 방법을 통해 개선 진행 [Introduction]Auto Evolve instruct: 전문가 작업없이 instruction 자동 분석 후 다양한 테스크에 맞게 고도화 {고정된 Evolving method 항상 만족 X}evolve llm결과 optimizer llm feedback 생성feedback 기반 개선 1-2 repeat → evolving method 개선 [Auto Evol-Instruct]사람 없이 LLM이 instruction 진화 방법을 자동으로 설계 initail evolving meth.. SYNTHETIC DATA GENERATION USING LARGE LANGUAGE MODELS: ADVANCES IN TEXT AND CODE 논문리뷰 논문 링크: (https://arxiv.org/pdf/2503.14023) { Text Generation 파트만 분석 } [Abstract]본 논문은 llm을 활용한 합성 데이터, 코드 데이터 최신 핵심 기법 정리하여 어떻게 활용하는지 분석.장단을 함께 논의하며 이를 완화하기 위한 방법과 향후 연구 제시 [ Introduction ]LLM은 자연어, 코드 생성에서 큰 성과를 냈지만, 고품질 학습 데이터 부족, 높은 라벨링 비용, 프라이버시 제약 문제가 남아있다. 본 논문은 합성 데이터 생성에 대한 포괄적인 요약 및 의견 제신techniques: prompt-based generation, retrieval-augmented generation, self-instruct methods, reinforem.. gpt_tool calling prompt 팩트 기반 검증 X -> 추후 local agent 개발 시 활용 예정 web## Namespace: web### Target channel: analysis### DescriptionUse this `web` tool to access information on the web.---Web information from this tool helps you produce accurate, up-to-date, comprehensive, and trustworthy responses.Use the `web` tool when the user is requesting factual, accurate, recent, time-sensitive, verifiable, and trustworthy informati.. From Local to Global: A GraphRAG Approach to Query-Focused Summarization 논문리뷰 [ Abstract ]RAG는 안본 데이터에 대해서 답변 수행, 그러나 전체 맥락 파악 질문에 대한 답변 불가 기존의 전체 맥락 답변의 장점과 RAG 방식의 장점을 결합한 GraphRAG 제안 Graph RAG의 graph index 구성 2-step전체 문서에서 Entity Knowledge Graph 생성(using LLM)연관 Entites에서 community요약 생성 → 각 요약 종합하여 최종 응답 생성global sensemaking question에서 좋은 성능 달성[ Introduction ]LLM context size 제한 있어 RAG 방법론 사용 → but 전체 맥락 답변 불가 GrahpRAGknowledge graph 생성 (node: entity, edges: entites rel.. REALM: Retrieval-Augmented Language Model Pre-Training 논문리뷰 [ Abstract ] REALM은 LM(language model) pretrain 과정에 retriever를 결합해, 모델이 Wikipedia 같은 대규모 말뭉치에서 직접 문서를 검색·활용할 수 있도록 설계되었습니다.이를 통해 지식을 파라미터에만 저장하던 기존 한계를 극복하고, Open-domain QA에서 기존 모델 대비 4~16% 정확도 향상 [ Introduction ] REALM은 pre-train 단계부터 retrieval을 통합해, 언어 모델이 외부 지식을 검색·활용하며 학습하도록 설계된 최초의 프레임워크로, Open-QA에서 성능과 해석 가능성을 동시에 개선했습니다. 특히 지식을 파라미터에만 의존하지 않고 필요할 때 검색해 쓰는 구조 덕분에, 모델의 지식 확장성과 업데이트 용이성이 크게.. Retrieval-Augmented Generation with Graphs(GraphRAG) 논문 리뷰 📝 AbstractRAG(Retrieval-Augmented Generation)는 외부 지식을 검색해 모델의 답변 능력을 강화하는 대표적인 기법입니다. 하지만 기존 RAG는 임베딩 공간 기반 검색에 주로 의존하기 때문에, 관계적 지식을 포착하는 데 한계가 있었습니다.이에 반해, GraphRAG는 노드와 엣지로 구성된 그래프 구조를 활용합니다. 그래프는 단순 문서 검색으로는 얻기 힘든 복잡한 관계 정보를 담을 수 있기 때문에, 최근 연구와 산업 현장에서 주목받고 있습니다.🚀 IntroductionRAG가 이미 다양한 응용에서 성공을 거둔 가운데, 그래프(Graph)의 보편적 활용성을 고려한 새로운 접근이 등장했습니다. 바로 GraphRAG, 즉 RAG와 그래프 구조 데이터를 통합하는 방법론입니다.기존.. 이전 1 2 3 4 ··· 8 다음