에이전트 역시 API 를 이용해서 만든 프로그램이므로 맥락을 기억하는 원리는 Responses API와 같습니다. 모델 자체는 대화를 기억하지 않으며, 매 요청마다 이전 대화를 함께 보내기 때문에 이어지는 것처럼 보입니다. 차이는 맥락을 누가 관리하느냐 입니다. Responses API : 이전 대화 전달, 도구 실행, 긴 대화 정리를 개발자가 직접 구현합니다. Codex / Claude Code : 이 작업을 Codex 또는 Claude Code 라고 불리우는 OpenAI 나 Anthropic 개발한 프로그램(Agent 라고 불리는)이 처리합니다. 결론적으로 이미 만들어놓은 Agent 라는 도구 사용법을 익혀서 이용할지, 내가 직접 내 입맛에 맛에 프로그램을 개발할지 차이입니다. 따라서 개발 작업에는 에이전트를, 자체 서비스에 AI를 넣을 때는 API를 사용하는 것이 적합합니다.
130_Transformers.ipynb 를 에러 수정하였습니다. github repo 에서 교재 다시 다운로드 받으시고 Colab 에서 돌리시면 됩니다. https://github.com/ironmanciti/infran_NLP 수정한 내용은 다음과 같습니다. 제가 테스트해 보았고 잘 실행되는 것 확인 했습니다. 단, 교재는 데이터 량과 실행 시간을 줄여서 추론 결과가 만족 스럽지는 않지만 좀 더 긴 시간 학습을 시키시면 좀 더 나은 결과물을 볼 수 있고, 대체적인 흐름을 파악하시는 것을 목적으로 하시기 바랍니다. # ============================================================ # 130_Transformer.ipynb # Google Colab / Python 3.12 # ============================================================ %pip install -q \ "tensorflow==2.20.0" \ "tensorflow-text==2.20.1" \ "datasets==5.0.0" print("설치 완료") print("런타임 → 세션 다시 시작 후 다음 셀부터 실행하세요.")
네. ChatGPT/OpenAI 외에도 Gemini와 Claude 모두 단순 모델 API를 넘어선 공식 에이전트 프레임워크를 지원합니다. 주요 공식 Agent 프레임워크 비교 LangChain·LangGraph - OpenAI, Gemini, Claude 모델을 모두 연결 가능 OpenAI Agents SDK - 가장 보편적으로 접근하기 좋은 선택 Google ADK - Gemini를 중심으로 사용할 때 강력. 다만 LangChain보다 역사가 짧고, 현재 교육 자료와 외부 통합 예제의 양은 상대적으로 적습니다. Claude Agent SDK - 일반 업무용 챗봇보다는 다음과 같은 실행형 에이전트에 특히 적합합니다. 소스 코드 분석 파일 읽기와 수정 명령어 실행 좋은 질문 감사합니다.
구체적으로 어떤 동영상의 어느 부분인지 기술해 주시면 답변 드리겠습니다. 이미 여러분들이 수강하신 과정이므로 완전 엉터리는 아닐 것이라고 생각하는데 오해가 있으시면 풀어드리겠고, 혹시 이전 conda install 처럼 최근에 바뀐 내용이 기존 동영상과 맞지 않는 부분은 수정하도록 하겠습니다. 이유 여하를 막론하고 수강에 불편함을 드려서 죄송합니다.
지적해 주신 내용 확인 하였습니다. Pytorch 설치 방식에서 conda install 이 없어진 것 확인 하였습니다. pip3 install torch torchvision 으로 설치하시면 됩니다. 동영상은 제가 주말에 다시 녹화하여 수정하겠습니다. 불편을 드려 죄송합니다.
딥러닝, SVC, 앙상블(Random Forest, XGBoost) 같은 것들은, 내부 구조가 복잡해서 "왜 이렇게 예측했는지" 이해하기 어려원서 Blackbox 모델이라고 합니다. 이번 실습의 Autoencoder + SVC 조합이 여기에 해당합니다. 해석 가능한 모델 (White box 모델)은 Decision Tree 같은 모델이고요. 그래도 굳이 원본 데이터의 설명변수가 어떻게 예측 결과에 영향을 끼지는지 아시고 싶으시면 아래에 인프런 AI 가 제안해 준 SHAP 같은 방법이 있지만 방법 자체가 이해하기 어렵고, 쉬운 접근법은 원본 변수와 인코딩 변수 간 상관분석을 하는 방법인데, encoded = encoder_all . predict ( X_train ) corr = np . corrcoef ( X_train . T , encoded . T )[: 30 , 30 :] 원본 변수별로 어떤 인코딩 변수와 상관 관계가 높은지 확인해 보시면 참고가 될 수 있을겁니다. 좋은 질문 감사합니다.
강화학습 모델은 일반 딥러닝 모델보다 저장할 내용이 많습니다. 간단히 요약하면, 모델은 state_dict() 옵티마이저도 state_dict() episode, step, epsilon 같은 값은 숫자 그대로 저장 정규화 통계는 dict로 저장 replay buffer는 직렬화 가능한 형태로 변환해서 저장 이 모든 것을 하나의 checkpoint dict에 넣고 torch.save() 로 저장 구체적인 코드는 다음과 같습니다. torch.save ({ "model_state_dict": ..., "optimizer_state_dict": ..., "train_state": ..., "buffer": ..., "config": ..., }, "checkpoint.pth") 감사합니다.
입문과정에서 Colab 을 사용한다면 아마도 딥러닝 모델에서 무료 GPU 사용을 위해서일겁니다. 그냥 local PC 의 jupyter notebook 환경에서 작업하시면 됩니다. pip install tensorflow 로 텐서플로우 설치하시고 GPU 대신 CPU 에서 작업하시면 작업 시간이 조금 더 걸릴뿐 공부하시는데 지장은 없습니다. 감사합니다.
