-
특수 도메인 RAG 생존기: 검색의 진화와 온톨로지
벡터 검색은 의미는 알지만 시점과 조건을 연산하지 못한다. BM25와 하이브리드를 거쳐 Graph RAG와 온톨로지로 진화한 검색 설계 과정을 실전 사례로 정리했다. 복합 질의에 강한 RAG를 어떻게 만드는지 실전 구축기 2편에서 확인할 수 있다.
-
KOLAS 시험성적서 발급 업체, 어디에 맡겨야 할까 (선택 기준 5가지와 절차, 기간, 비용)
KOLAS 시험성적서 발급 업체 선택 기준 5가지와 신청부터 발급까지의 절차, 소요 기간, 공인시험성적서와 일반 시험성적서의 차이를 공인시험기관이 직접…
-
RAG의 환상과 현실: 비정형 데이터 전처리의 늪 탈출하기
튜토리얼 RAG는 잘 되는데 실무에서 답변 품질이 무너지는 핵심 원인은 검색·LLM이 아니라 앞단의 데이터 전처리다. 복잡한 표·병합 셀·다단 레이아웃을 기본 파서로 읽으면 컨텍스트가 오염된다. AIWORKX는 Elements Tagging과 표 직렬화로 동일 조건에서 RAG 정답률을 40%→100%로 끌어올렸다.
-
AI 에이전트 검증 체계, 어떻게 설계하는가
AI 에이전트 검증 체계를 도구 계층에서 거버넌스까지 설계하는 방법. 수집·평가·정렬·개선 루프, LLM-사람 정렬, 도구 계층과 보안 검증, 배포 게이트와 런타임 통제, AgentOps 거버넌스를 개발자 관점에서 정리했습니다.
-
AI 에이전트 평가, 왜 기존 LLM 벤치마크로는 부족한가
AI 에이전트 평가에 LLM 벤치마크만으로 충분하지 않은 이유를 정리했습니다. 벤치마크 점수와 실제 서비스 품질의 불일치, 비결정성, 행동 과정 검증까지 AI 에이전트 검증이 달라야 하는 지점을 개발자 관점에서 살펴봅니다.
-
AI 에이전트 신뢰성 검증: AI를 만드는 시대에서, AI를 검증하는 시대로
“이 AI, 믿고 맡겨도 될까?” 복지 수급 자격을 안내하는 AI 에이전트가 있다고 해보자. 한 시민이 자신이 지원 대상인지…
-
자율주행의 게임 체인저, 3D Occupancy Prediction이 만드는 새로운 가능성
테슬라 로보택시가 보여준 미래, 그 핵심 기술은? 최근 테슬라는 자율주행 택시(로보택시) 서비스를 시범 운행하며, 자사의 기술이 실제 도로…
-
영상을 이용한 영상 검색의 이해
동영상 검색에 대한 이해와 최근 연구 동향
-
Active Learning – 효율적인 데이터 학습의 비밀
모델이 학습 과정에서 유의미한 데이터를 선택하여 학습하는 방법
-
LLM 평가하기 (2) – 벤치마크를 이용한 평가 법
벤치마크 평가와 사람에 의한 평가 방법
-
LLM 평가하기 (1) – 기계적 평가 법
기계적으로 점수를 산출할 수 있는 평가 방법
-
환각과 최신성 문제를 해결하는 RAG 기술
LLM 에서의 두 가지 난제를 모두 완화시킬 수 있는 최신 기술