01 DEV
Full Stack
& AI▲ 만들다 막힌 지점과 풀어낸 방법의 기록
작업 삽질 노트만들고 부딪히고 남긴다
02 THOUGHTS
Notes to
Myself▲ 일하다 떠오른 생각과 일상의 기록
일상의 기록내 잡생각 기록으로 정리
03 WORKS
Things
I Built▲ 직접 만들고 다듬어온 작업물
손으로 만들어온 것들결과보다 구조
Posts
- 01.
비전공자의 현실 경로 — 어디부터 손대야 하나
26강을 관통한 네 갈래를 되짚고, 상식을 손에 쥔 지금 실제로 어디서부터 손대면 되는지 현실적인 순서를 그린다.
- 02.
공고 용어 사전 — 배운 개념을 채용 요구사항에 매핑
4강에서 위치만 찍어두고 미뤄뒀던 그 합성 공고를 다시 꺼낸다. 24강까지 배운 걸 그대로 대입해, 이번엔 한 줄씩 뜻까지 채운다.
- 03.
AI · ML 엔지니어 · 데이터 사이언티스트 · 데이터 엔지니어 — 뭐가 다른가
22강까지 그린 파이프라인 위에 네 직무를 자리 앉힌다. 이름이 뒤섞여 보이는 이유와, 회사마다 무게가 갈리는 이유를 본다.
MLOps 와 비용 — 배포 · 관리, 그리고 토큰 · GPU 값
21강의 서빙과 22강의 데이터 파이프라인을 하나의 순환 고리로 잇는다. 모델은 배포하고 끝이 아니라는 것, 그리고 이 모든 과정에 돈이 어디서 드는지를 본다.
데이터 파이프라인 — 모델 이전에 데이터가 있다
21강은 이미 학습된 모델을 서비스로 만드는 법을 봤다. 이번엔 반대편이다. 그 모델이 배운 데이터는 애초에 어디서 와서 어떻게 정제되는가.
- 06.
모델을 서비스한다는 것 — API · 서빙 · 추론
학습이 끝난 모델은 그 자체로 서비스가 되지 않는다. 학습과 추론을 가르고, API 호출 한 번이 실제로 무슨 일을 하는지 그림으로 본다.
RAG 와 에이전트 — 검색해서 답하고, 도구를 쥐여준다
17강의 문제 제기, 18강의 임베딩, 19강의 벡터DB를 한 줄로 잇는다. RAG 전체 흐름을 완성하고, 검색을 넘어 도구를 쥐는 에이전트까지 본다.
- 08.
벡터 데이터베이스 — 좌표로 검색하는 창고
18강에서 만든 좌표를 수백만 개 저장하고, 질문마다 가장 가까운 것들을 빠르게 찾아내는 창고. 일반 데이터베이스와 무엇이 다른지 연다.
- 09.
임베딩 — 의미를 좌표로 바꾼다
17강이 던진 문제, 단어가 달라도 뜻이 같은 문서를 어떻게 찾나. 문장을 숫자 좌표로 바꿔 거리로 재는 법을 연다.
모델은 내 문서를 모른다 — 그래서 붙여준다
14강의 파인튜닝 한계와 15강의 컨텍스트 윈도우가 여기서 만난다. 회사 내부 문서를 모델이 어떻게 알게 만드는지, 그 첫 조각을 연다.
프롬프트 — 무엇을 채워 넣는지가 답을 가른다
같은 모델인데 왜 누구는 좋은 답을 받고 누구는 못 받나. 12~15강에서 본 모델의 작동 방식으로 프롬프트가 왜 이렇게 중요한지를 설명한다.
라이트하우스가 시킨 것, 그리고 안 고친 것 하나
숨겼는데 경고가 안 사라졌다. ul 을 줬는데 ul 이 아니라고 했다. 도구가 맞았고 내가 틀렸다. 다만 하나는 알면서 안 고쳤다.
- 13.
왜 그럴듯한 거짓말을 하나 — 환각과 컨텍스트 윈도우
14강 끝에서 미뤄둔 질문. 모델이 왜 가끔 자신 있게 틀린 말을 하는지, 그리고 한 번에 읽을 수 있는 글의 길이가 왜 유한한지를 같이 본다.
- 14.
AI를 안 쓰기로 했다
카드 상세의 개인 맞춤 분석은 외부 AI를 한 번도 부르지 않는다. 문장 조각 124개와 가중치 규칙만으로 수천 가지 결과를 만든다. 그리고 같은 사람은 언제나 같은 결과를 받는다.
사전학습과 파인튜닝 — 넓게 읽히고, 좁게 다듬는다
13강에서 GPT 의 P 를 사전학습이라 미뤄뒀다. 모델이 어떻게 두 단계를 거쳐 지금의 챗봇이 되는지, 사전학습과 파인튜닝을 가른다.
- 16.
트랜스포머, 이름만 — "attention"이 뭘 봤나
12강에서 다음 토큰의 확률만 본다고 했다. 그 확률을 계산할 때 어떤 토큰을 더 볼지 정하는 장치가 attention이다. 이름의 유래인 트랜스포머까지, 구조는 깊이 파지 않는다.
- 17.
로컬은 다 통과하는데 운영만 죽는다
테스트 82개가 전부 초록불인데 배포하면 502가 반복됐다. 로그를 볼 수 없는 곳에서, 볼 수 있게 만드는 것부터 시작해야 했다.
- 18.
다시 팀에서 일하고 싶어졌다
혼자 다 해내는 실험을 반년. 끝에 남은 건 혼자의 뿌듯함이 아니라, 이 방식을 팀에 붙이면 어떨까 하는 상상이었다.
- 19.
에러가 나도 화면은 죽지 않게
외부 API가 실패해도 페이지 전체가 무너지지 않게 하는 전략. 에러 상태도 디자인의 일부다.
- 20.
LLM 은 자동완성의 괴물 — 토큰과 다음 단어
11강 끝에서 미뤄둔 그 문장을 연다. ChatGPT·Claude 가 실제로 하는 일은 다음 토큰을 확률로 고르는 것뿐이다. 그게 왜 문장을 쓰는 일이 되는지 본다.
