Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
Zenn ML 110건필터 해제
공장 데이터의 맥락은 AI에게 전달할 수 없다 — 제조 엔지니어가 Claude와 협업하여 ML 컴피티션에서 동기 20명 중 1위를 차지한 이유
제조 현장 경험을 가진 엔지니어가 Claude와 협업하여 마스킹된 데이터 기반의 ML 컴피티션에서 1위를 달성한 사례를 다룹니다. 데이터의 시계열 패턴을 분석하여 가설을 세우고, AI를 활용해 모델링을 수행하는 효율적인 협업 방식을 보여줍니다.
AI 보이스 커버를 「코드」로 만들기 — Demucs + RVC + Optuna로 음악 지식 제로에서 도전한 음성 변환 파이프라인
음악 지식이 없는 상태에서 Claude Code를 활용해 Demucs와 RVC를 이용한 AI 보이스 커버 파이프라인을 구축한 사례입니다. 보컬 분리, 음성 변환, 그리고 Spotify의 pedalboard 라이브러리를 이용한 FX 체인 적용 과정을 다룹니다.
OpenWakeWord가 작동하지 않아서 livekit-wakeword로 Custom Wake Word를 40분 만에 만들었다
OpenWakeWord의 라이브러리 부패 문제로 인해 Custom Wake Word 제작에 실패한 후, 대안으로 livekit-wakeword를 사용하여 40분 만에 고성능 ONNX 모델을 제작한 과정을 다룹니다.
ML 엔지니어를 위한 본질부터 이해하는 LLM 추론: LLM Inference Benchmarking
LLM 추론 성능을 정확하게 벤치마킹하기 위해 필요한 기초 지식과 핵심 용어를 해설합니다. Prefill과 Generation 단계의 차이, ISL 및 OSL과 같은 주요 지표를 통해 추론 과정을 심도 있게 이해하도록 돕습니다.
정형 데이터 증강 part12: MWMOTE
MWMOTE는 SMOTE의 단점인 다수 클래스 영역 침해 문제를 해결하기 위해 클러스터링과 가중치를 결합한 정형 데이터 증강 기법입니다. k-nn을 활용해 결정 경계 근처의 데이터를 식별하고, 안전한 영역 내에서 소수 클래스 데이터를 효과적으로 생성합니다.
LLM의 할루시네이션(Hallucination)은 줄었는가? 【후편: Reasoning Model로 인해 늘어난 것 · 평가 설계의 근본 문제】
Reasoning Model의 성능 향상이 오히려 특정 벤치마크에서 할루시네이션을 증가시키는 역설적 현상을 분석합니다. 추론 체인이 길어짐에 따라 오류가 더 길고 설득력 있게 생성되는 질적 변화와 그 원인을 다룹니다.
「50% 패스율」이 최강의 학습 지점——Prefix Sampling으로 RL 학습을 2배 가속화
바이너리 보상 RL 학습 시 패스율이 0% 또는 100%로 치우치면 학습 효율이 급감하는 문제를 해결하기 위한 연구입니다. Prefix Sampling 기법을 통해 패스율을 최적점인 0.5로 유도하여 학습 수렴 속도를 2배 가속화하고 성능을 개선했습니다.
【전 13회】 시계열 예측의 최전선 — ARIMA부터 Foundation Models · LLM까지, 실무에서 '어떤 기법을 선택할 것인가'를
시계열 예측의 기초부터 최신 Foundation Models, LLM 활용까지 다루는 13회 분량의 전문 시리즈를 소개합니다. 단순한 기법 습득을 넘어 비즈니스 과제와 데이터 특성에 맞는 최적의 모델을 선택하는 판단 기준을 제시합니다.
LLM 파인튜닝 입문──RAG와의 구분법부터 기초에서 LoRA 구현까지【2026】
RAG와 파인튜닝의 차이점을 분석하고, 개인 개발자가 활용 가능한 LoRA 및 QLoRA 기법을 소개합니다. 특히 VRAM 효율을 극대화하는 QLoRA 구현 방법과 Unsloth를 통한 학습 가속화 전략을 다룹니다.
MLIR 입문 — AI 추론 최적화의 메커니즘을 저수준에서 이해하기 (opt / llc로 NEON 명령 생성하기)
MLIR을 사용하여 AI 추론 최적화의 핵심인 저수준 코드 생성 과정을 설명합니다. LLVM의 opt와 llc 도구를 활용해 스칼라 IR을 AArch64의 NEON SIMD 명령으로 변환하는 메커니즘과 최적화 단계를 다룹니다.
AI가 80년간의 난제를 풀다
OpenAI 모델이 80년간 미해결 상태였던 이산 기하학의 '단위 거리 문제'에 대한 기존 예상을 반증하는 반례를 찾아냈습니다. 이는 AI가 단순 도구를 넘어 새로운 수학적 구조를 스스로 생성할 수 있음을 보여주는 기념비적 사건입니다.
오픈 소스화된 「MOPAC2016」을 Python으로 최대한 활용하기! 1: 도입과 자동 계산의 기초
오픈 소스화된 MOPAC2016을 Python 환경에서 활용하여 계산 화학 자동화를 구현하는 방법을 소개합니다. RDKit과 연계하여 분자 구조 생성부터 에너지 산출까지의 기초적인 워크플로우를 다룹니다.
Percent of Over-Predictions (POP)란 무엇인가: 예측 편향의 '방향적 치우침'을 보는 간단한 지표
예측 모델의 오차 크기뿐만 아니라 예측 방향의 편향을 측정하는 지표인 POP(Percent of Over-Predictions)를 소개합니다. POP는 전체 예측 중 실측값을 상회한 비율을 계산하여 모델의 계통적 편향을 직관적으로 파악하게 해줍니다.
수요 예측에서의 중단 문제 ⑤ 구현 편·신상품 + 발전 편·단종 상품 + 시리즈 총괄
신상품의 콜드 스타트 문제와 재고 고갈로 인한 데이터 중단(Censoring) 문제를 해결하기 위한 수요 예측 방법론을 다룹니다. 유사 상품의 데이터를 복원하여 신상품 예측에 활용하는 2단계 접근법과 Python 구현 방식을 설명합니다.
정형 데이터 증강 기법 part10: ROSE
ROSE는 정형 데이터의 클래스 불균형을 해결하기 위해 이론적 근거를 바탕으로 섭동을 가하는 데이터 증강 기법입니다. KDE의 Silverman 규칙을 활용하여 적절한 표준편차를 결정하며, 특정 클래스 증강을 넘어 데이터셋 전체를 치환하여 유연성을 높입니다.
【전 5회】 Graph Neural Networks 입문과 최전선——GCN의 기초부터 신약 개발·부정 탐지 산업 응용까지
GNN(Graph Neural Networks)의 수학적 기초부터 최신 연구 동향까지 다루는 5회 분량의 입문 시리즈를 소개합니다. GCN, GraphSAGE, GAT 등 주요 아키텍처의 유도 과정과 PyTorch 구현, 그리고 신약 개발 및 부정 탐지 등 산업 응용 사례를 포괄합니다.
Stochastic Depth(DropPath)를 구현했더니 파라미터 증가 없이 정확도가 약 9포인트 상승했습니다 【Keras 실험】
Keras를 사용하여 Stochastic Depth(DropPath)를 직접 구현하고 CIFAR-10 데이터셋에서 성능을 실험한 결과입니다. 파라미터 수의 증가 없이 drop_rate=0.1 적용 시 정확도가 약 8.8%포인트 향상됨을 확인했습니다.
정리 증명 AI의 '최소 구성' 에이전트: 복잡화에 대한 안티테제
복잡한 멀티 에이전트 아키텍처 대신 반복적 프롬프트 개선, 심플한 기억 관리, 외부 도구 검색만으로 SOTA 수준의 성능을 내는 '최소 구성 정리 증명 에이전트' 논문을 리뷰합니다. Lean 언어를 활용한 자동 정리 증명(ATP) 분야에서 뺄셈 설계의 중요성을 강조합니다.
MADL / GMADL loss란 무엇인가: 금융 시계열 예측에서 '매매에 사용할 수 있는 손실 함수'를 생각하다
금융 시계열 예측에서 MSE, MAE와 같은 전통적인 손실 함수의 한계를 지적하며, 매매 방향성을 중시하는 MADL 및 GMADL 손실 함수를 소개합니다. 수치적 근접성보다 실제 수익 창출을 위한 부호(Sign) 일치 여부에 초점을 맞춘 새로운 접근법을 다룹니다.
LightGBM으로 불균형 데이터 처리 비교하기: SMOTE vs 언더샘플링 앙상블
불균형 데이터셋 환경에서 LightGBM 모델의 성능을 최적화하기 위한 기법들을 비교합니다. Accuracy의 함정을 지적하며, SMOTE와 언더샘플링 앙상블을 통해 정밀도(Precision)와 재현율(Recall) 사이의 균형을 맞추는 방법을 다룹니다.
이 피드 구독하기
본 페이지의 콘텐츠는 AI가 공개된 소스를 기반으로 자동 수집·요약·번역한 것입니다. 원 저작권은 각 원저작자에게 있으며, 각 게시물의 “원문 바로가기” 링크를 통해 원문을 확인할 수 있습니다. 저작권자의 삭제 요청이 있을 경우 신속히 조치합니다.