-
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
-
거대언어모델(LLM)의 의외의 약점: 정보
ChatGPT를 비롯한 다양한 LLM모델들이 가지고 있는 주요 난제
-
키워드로 돌아보는 2023년
테스트웍스 임직원들이 2023년을 돌아보며 뽑은 올 한 해 핵심 키워드는?
-
대 AI 시대, 품질 좋은 데이터를 활용한 기업의 생존 전략 방안
AI 개발은 품질 좋은 데이터를 준비하는 것으로 시작할 수 있고, 데이터가 준비되면 프로젝트의 절반 이상은 진행된 것이나 다름없다. 그렇다면 어떻게 품질 좋은 데이터를 구축할 것인가?