2025년 피지컬AI와 휴머노이드를 본격적으로 학습하면서 AI교육에 정부, 기업, 개인이 모두 학습하고 있는 시점에서 학습한 것을 정리하는 공간
ai, physical, humanoid, study, learning
1. 손정의 1,000조 엔 비전 선언의 수학적 검증과 요구 조건 ㄱ. 16년 내 74조 엔에서 1,000조 엔 도약의 산술적 현실성 손정의 소프트뱅크그룹 회장은 이번 주주총회의 대미를 장식하며 향후 16년 이내에 그룹의 순자산가치(NAV)를 현재 74조 엔 수준에서 1,000조 엔(황금알 1,000개) 규모로 확대하겠다는 선언을 내놓았다. 이 파격적인 목표를 검증하기 위해서는 단순한 수사를 걷어내고 수학적인 복리 성장 모델을 … 더 읽기
1. 이론적 튜토리얼을 넘어 현장 실측 데이터로 증명하는 RAG의 진실 이론적으로 제시되는 6단계 검색 아키텍처의 허실과 해커뉴스 엔지니어들이 지적하는 과잉 엔지니어링의 위험성을 집중적으로 고찰하였다. 많은 프로젝트가 화려한 최신 기술 스택을 도입하면 마법처럼 검색 증강 생성(RAG, Retrieval-Augmented Generation) 시스템의 품질이 수직 상승할 것이라는 막연한 기대를 품고 출발한다. 그러나 실제 프로덕션 환경에 배포된 시스템은 연구실의 벤치마크 데이터셋처럼 … 더 읽기
요즘 RAG 시스템의 검증/평가 체계에 대해서 업무를 하면서 본부장님이 글을 하나 공유 해줬다. [LINK] 현재 우리가 하고 있는 것과 방향성이 조금 다르지만 습득 할만한 정보였다고 생각한다. 1. RAG 아키텍처 과잉 엔지니어링의 시작과 현실적 문제의식 인공지능 기술이 급격하게 발전하면서 거대 언어 모델(LLM)을 활용한 검색 증강 생성(RAG, Retrieval-Augmented Generation) 시스템은 기업 내 지식 관리와 고객 응대 자동화의 … 더 읽기
이론과 현실의 간극을 명확히 확인한 엔지니어링 조직이 마주하는 최종 종착지는 결국 하나로 귀결된다. 바로 “우리가 구축한 이 검색 시스템이 실제로 잘 작동하고 있는지를 어떻게 객관적 수치로 증명하고 검증할 것인가?”라는 평가 체계(Evaluation Framework)의 문제다. 수많은 기업이 RAG 시스템을 도입하면서도 실제 프로덕션 단계에서 배포 결정을 내리지 못하고 우왕좌왕하는 이유는 명확하다. 성능을 측정하는 ‘평가의 기준선(Baseline)’ 자체가 첫 단추부터 … 더 읽기
1. RAG 검색 아키텍처의 탁상공론과 실무 엔지니어들이 폭로한 현실적 한계 데이터 신선도와 트래픽 규모에 따라 점진적으로 진화하는 ‘RAG 6단계 아키텍처’와 하이브리드 검색의 메커니즘을 살펴보았다. 이론적으로 이 6단계 로드맵은 매우 논리정연하며, 인공지능 인프라를 설계하는 엔지니어링 팀에게 완벽한 교과서적 청사진을 제공하는 것처럼 보인다. 깔끔한 이론이 글로벌 대규모 실무 운영자들의 커뮤니티인 해커뉴스(Hacker News)에 공개되었을 때, 현업에서 수억 건의 … 더 읽기
키워드 검색 엔진인 BM25와 1원짜리 경량 LLM 질의 재작성(Query Rewriting) 조합만으로도 전체 실무 검색 문제의 60%를 해결할 수 있음을 확인했다. 불필요하게 고가의 벡터 데이터베이스(Vector DB)를 도입하거나 복잡한 딥러닝 임베딩 파이프라인을 구축하지 않고도, 질문을 잘 다듬어 정교한 색인에 던지는 것만으로 대부분의 기업용 검색 요구사항을 충족할 수 있다는 사실은 엔지니어링 비용을 획기적으로 줄여주는 출발점이 되었다. 그러나 비즈니스가 … 더 읽기
1. RAG 검색 60% 문제를 해결하는 BM25 키워드 검색과 1원짜리 질의 재작성 가이드 최근 인공지능 기술의 급격한 발전과 함께 거대언어모델(LLM)을 사내 업무나 서비스에 접목하려는 시도가 폭발적으로 증가했다. 그 중심에는 언제나 검색 증강 생성(Retrieval-Augmented Generation, RAG) 기술이 자리 잡고 있다. 인공지능이 사전에 학습하지 못한 기업 내부의 비공개 데이터나 실시간 최신 정보를 검색하여 정확한 답변을 생성하도록 돕는 … 더 읽기
1. RAG 시스템 최적화 실전 단계의 진입과 프롬프트 튜닝의 한계 타파 RAG 시스템 평가 자동화 루프가 인프라 레벨에서 완벽하게 구동되기 시작했다면, 이제 우리는 인공지능 어플리케이션 개발의 꽃이라고 불리는 RAG 시스템 최적화 실전 단계에 과감히 발을 들여놓아야 한다. 대다수의 초보 엔지니어들은 RAG의 답변 품질이 떨어질 때마다 시스템 프롬프트에 “제발 본문 내용에만 기반해서 친절하게 대답해줘”와 같은 애원형 … 더 읽기
1. RAG 시스템 평가 자동화 패러다임 시프트와 엔지니어 독박 검증의 종말 최근 수많은 기업들이 사내 내부 데이터를 활용해 답변을 제공하는 RAG(검색 증강 생성) 시스템 도입에 열을 올리고 있다. 하지만 RAG 시스템을 구축해 본 엔지니어들이라면 누구나 마주하는 거대한 절벽이 있으니, 그것은 바로 “어제보다 오늘 고친 시스템이 정말 더 똑똑해졌는가?”라는 품질 평가의 문제라는 것이다. 검색 엔진의 파라미터나 … 더 읽기
1. 루프 엔지니어링 개념이 만드는 고부가가치 지적 반복 업무의 혁신 많은 경영진과 IT 팀장들이 인공지능을 통한 자동화를 기획할 때 흔히 저지르는 치명적인 실수는 “매일 아침 ERP 시스템에서 매출 데이터를 긁어서 엑셀에 붙여넣기 해라”와 같은 단순 규칙 기반 업무에 거대한 LLM 에이전트 루프를 적용하려는 시도이다. 비용 관점에서 이는 참사에 가깝다는 것이다. 정해진 규칙대로 데이터를 단순히 이동시키는 … 더 읽기
