2025년 피지컬AI와 휴머노이드를 본격적으로 학습하면서 AI교육에 정부, 기업, 개인이 모두 학습하고 있는 시점에서 학습한 것을 정리하는 공간
ai, physical, humanoid, study, learning
요즘 트랜드는 또, MD파일을 HTML로 변경해서 보는 사람들이 늘어나고 있다고 한다. [LINK] 이 현상이 자리 잡으면, 깃허브에도 mD 파일이 아닌 HTML 파일로 볼 수 있게 제공하지 않을까? 라는 이야기를 했더니 개발자 친구는 NOPE!이라고 단호하게 이야기 했다. 우리가 매일 사용하는 생성형 AI(클로드, 챗GPT 등)는 놀라운 속도로 방대한 정보를 쏟아냅니다. “이번 프로젝트 기획서 써줘”, “프로그램 개발 계획 … 더 읽기
“단절된 데이터를 시스템의 핵심 자산으로 전환하다.” 번역 관리 시스템의 성능이 아무리 뛰어나도, 기존에 엑셀이나 CSV로 흩어져 있던 방대한 데이터를 가져오는 과정이 번거롭다면 그 활용도는 떨어질 수밖에 없다. 수동으로 데이터를 입력하는 시대는 지났으며, 이제는 복잡한 구조의 외부 파일을 얼마나 지능적으로 흡수하느냐가 시스템의 경쟁력이 된다. 프로젝트 8일 차, 기존 3단계였던 데이터 유입 경로를 더욱 정교한 4단계 마이그레이션 … 더 읽기
친구가 고민을 털어놨다.회사의 사정상 시스템이 변경 되면서, SVG 파일을 일러로 열어서 옵션 값을 바꾸는 단순 노가다 작업을 해야한다고 했다. 나는 주저하지 않고, 내가 만들어보겠다고 하면서 50분도 안걸려서 바이브 코딩으로 기획, 개발, 검수까지 다 끝냈다. 디자이너라면 누구나 한 번쯤은 단순 반복 작업의 늪에 빠져 허우적거린 경험이 있을 것이다. 수십 개, 때로는 수백 개의 SVG 파일을 일일이 … 더 읽기
1. DPO 알고리즘 그 이후, Process Supervision의 시대 RLHF의 기반이 되는 PPO 알고리즘부터 최신 트렌드인 DPO(Direct Preference Optimization) 알고리즘, 그리고 이를 활용한 비개발자의 바이브 코딩 도구와 대규모 서비스 구축 전략까지 섭렵했다. 특히 1편에서 다루었던 DPO 알고리즘은 AI 모델 학습의 효율성을 비약적으로 높여, 우리가 쓰는 도구들이 더 빠르게 인간의 의도를 파악하도록 만들었다. 그렇다면 AI 기술은 여기서 … 더 읽기
1. 스파게티 코드와 AI 망각, 대형 프로젝트의 적 우리는 RLHF/DPO 알고리즘을 통해 인간의 의도를 잘 파악하게 된 AI를 활용하여, 비개발자가 Cursor나 n8n 같은 도구로 ‘바이브 코딩’을 하는 방법에 대해 알아보았다. 하지만 랜딩 페이지 한 장이나 간단한 자동화 봇을 만드는 것과, 실제 사용자가 가입하고 결제하는 ‘대규모 서비스’를 만드는 것은 차원이 다른 이야기이다. 비개발자가 바이브 코딩으로 규모 … 더 읽기
1. DPO 알고리즘으로 똑똑해진 AI, ‘바이브’를 알아듣다 AI가 어떻게 인간의 선호도를 학습하여 정렬(Alignment)되는지, 그 기술적 근간인 RLHF의 PPO와 DPO 알고리즘에 대해 알아보았다. 특히 최신 트렌드인 DPO 알고리즘 덕분에 AI는 더욱 빠르고 효율적으로, 그리고 정확하게 인간의 의도를 파악하게 되었다. 이제 우리는 이 ‘말귀 알아먹는 똑똑한 AI’를 활용하여 실제로 무언가를 만들어내는 단계, 바로 ‘바이브 코딩(Vibe Coding)’의 세계로 … 더 읽기
우리가 챗GPT나 클로드 같은 생성형 AI와 마치 사람과 대화하듯 편안하게 이야기하고, 심지어 코드를 짜달라고 요청할 수 있게 된 것은 그리 오래된 일이 아니다. 초기 언어 모델은 그저 다음에 올 단어를 통계적으로 예측하는 거대한 기계에 불과했다. 그런 기계가 어떻게 인간의 의도(Intent)를 파악하고, 유용한 답변을 하며, 무례한 질문을 거부할 수 있게 되었을까? 그 핵심 비밀은 바로 RLHF(Reinforcement … 더 읽기
인공지능과 협업을 진행하며 가장 큰 성취감을 느끼는 순간은 AI가 내 의도를 ‘찰떡같이’ 알아듣고, 가르쳐주지 않은 부분까지 내 취향에 맞춰 스스로 제안할 때이다. RLHF의 마지막 두 단계인 보상 모델(Reward Model)과 강화학습(Reinforcement Learning)은 AI에게 단순한 지식을 넘어 ‘판단력’과 ‘습관’을 형성해주는 과정이다. 비개발자가 실무에서 이 원리를 활용한다는 것은 AI의 답변 하나하나에 점수를 매기고 교정함으로써, 시간이 지날수록 나에게 더 … 더 읽기
인공지능과 협업할 때 가장 빈번하게 발생하는 문제는 AI가 내놓은 결과물이 ‘나의 의도’와는 맞지만 ‘나의 스타일’과는 동떨어져 있다는 점이다. RLHF의 첫 번째 단계인 SFT(Supervised Fine-Tuning, 지도 미세 조정)는 바로 이 지점을 해결하는 핵심 열쇠이다. 비개발자가 실무에서 SFT 원리를 활용한다는 것은, AI에게 막연한 창작을 맡기는 대신 내가 원하는 정답의 ‘형태’와 ‘질감’을 미리 학습시키는 과정을 의미한다. 이를 통해 … 더 읽기
인공지능과 대화하는 시대가 도래하며 많은 비개발자 직군이 AI를 업무에 도입하고 있다. 하지만 대다수의 사용자가 “AI가 내 의도를 제대로 파악하지 못한다”거나 “결과물이 기대에 못 미친다”는 불평을 토로하곤 한다. 이러한 문제의 근본적인 원인은 AI의 학습 메커니즘인 RLHF(Reinforcement Learning from Human Feedback, 인간 피드백 기반 강화학습)에 대한 이해 부족에서 기인한다. RLHF는 단순히 기술적인 용어를 넘어, AI가 인간의 가치관과 … 더 읽기
