Q&A
질문은 아니고, 다른 분을 위해 남겨요!
좋은 팁 감사합니다.
- いいね数
- 0
- コメント数
- 1
- 閲覧数
- 30
Q&A
좋은 팁 감사합니다.
Q&A
MCP 는 AI가 외부 도구나 데이터에 연결될 때 사용하는 표준 연결 방식입니다. AI로 개발할 때 꼭 써야 하는 건 아니고, MCP 없이도 AI에게 코드를 작성하거나 수정해 달라고 할 수 있습니다. 다만, MCP 를 연결해 주면 내가 직접 함수를 작성해 주지 않아도 업체 혹은 다른 사람이 미리 만들어서 MCP 서버안에 넣어둔 함수를 AI 가 쉽게 꺼내 쓸 수 있어서 편리합니다. • MCP(Model Context Protocol) 는 AI가 외부 도구나 데이터에 연결될 때 사용하는 표준 연결 방식이에요. 서비스 제공자 (Google Gmail, Github, Slack, Notion 등등) 가 미리 만들어 놓은 MCP 들을 활용할 수 있습니다. • MVP(Minimum Viable Product) 는 ‘최소 기능 제품’이라는 뜻이에요. 핵심 기능만 넣어 먼저 만들고, 실제 사용자에게 쓸모가 있는지 확인하는 제이고, AI 와 무관하게 전통적인 개발 방법입니다. 예를 들어 쇼핑몰이라면 상품 보기와 주문 기능부터 만들어 사용자 반응을 확인하는 개념이므로 약어만 비슷할 뿐 전혀 관련 없는 용어입니다. 좋은 질문 감사합니다.
Q&A
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.
Q&A
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.")
Q&A
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.
Q&A
제가 동영상 편집에 서툴렀던 초기 영상이라 그럴 수 있습니다. 구체적으로 어떤 동영상인지 알려 주시면 더 빨리 수정할 수 있겠지만, 전반적인 문제를 지적하신 것으로 이해하고 전체 동영상을 들어 보면서 문제점 수정하겠습니다. 불편을 드려 죄송하고 지적 감사합니다.
Q&A
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.
Q&A
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.
Q&A
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.
Q&A
수업노트보기 누르시면 링크 나타납니다. 감사합니다.