Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
🤗 HFAI 번역헤드라인
클릭 한 번으로 Hugging Face에서 Amazon SageMaker Studio로
Hugging Face 모델을 Amazon SageMaker Studio로 클릭 한 번에 연결하여 즉시 미세 조정하거나 배포할 수 있는 통합 기능이 출시되었습니다. 복잡한 AWS 설정 과정 없이 모델 컨텍스트를 유지하며 엔터프라이즈 환경으로 빠르게 전환할 수 있습니다.
7월 7일0
🤗 HFAI 번역헤드라인
어떤 클라우드에서도 AI 워크로드를 실행하고 Hugging Face에 저장하세요: SkyPilot을 통한 제로 이그레스
Hugging Face와 SkyPilot의 협업을 통해 어떤 클라우드 환경에서도 데이터 전송 비용(egress) 없이 AI 워크로드를 실행할 수 있는 기능을 출시했습니다. hf:// 스킴을 사용하여 Hugging Face의 모델과 데이터셋을 SkyPilot 작업에 직접 마운트하여 효율적인 학습 및 서빙이 가능합니다.
7월 7일0
🤗 HFAI 번역헤드라인
🤗 Kernels: 주요 업데이트
Hugging Face가 새로운 리포지토리 유형인 'Kernels'를 도입하여 컴퓨팅 특화 서비스를 제공합니다. 보안 강화를 위해 Nix 기반의 재현성 확보, 코드 서명, 신뢰할 수 있는 게시자 시스템을 구축했습니다.
7월 6일0
🤗 HFAI 번역헤드라인
Hugging Face와 Cerebras, Gemma 4를 실시간 음성 AI에 도입
Hugging Face와 Cerebras가 협력하여 Gemma 4를 활용한 실시간 음성-대-음성(speech-to-speech) 파이프라인을 공개했습니다. Cerebras의 빠른 추론 성능을 통해 지연 시간을 획기적으로 줄여 자연스러운 대화형 AI 경험을 제공합니다.
7월 1일0
🤗 HFAI 번역헤드라인
단 한 번의 명령으로 HF Jobs에서 vLLM 서버 실행하기
Hugging Face Jobs를 사용하여 단 한 번의 명령으로 vLLM 서버를 신속하게 실행하고 배포하는 방법을 설명합니다. GPU 인프라를 활용해 모델 테스트, 평가 및 배치 생성을 위한 환경을 구축하는 가이드를 제공합니다.
6월 25일0
🤗 HFAI 번역헤드라인
NVIDIA NeMo AutoModel을 통한 Transformer 미세 조정(Fine-Tuning) 가속화
NVIDIA NeMo AutoModel은 Transformers v5를 기반으로 MoE 모델의 미세 조정 성능을 극대화하는 오픈 라이브러리입니다. 전문가 병렬성 및 TransformerEngine 커널을 통해 학습 처리량을 최대 3.7배 높이고 GPU 메모리 사용량을 약 30% 절감합니다.
6월 24일0
🤗 HFAI 번역헤드라인
AI, 오픈 소스 도구, 그리고 Human in the loop를 활용하여 매주 huggingface_hub를 배포하기
Hugging Face는 오픈 소스 도구와 AI를 결합하여 huggingface_hub 라이브러리의 배포 주기를 4~6주에서 매주로 단축했습니다. 반복적인 기계적 작업은 CI로 자동화하고, 릴리스 노트 작성과 같은 판단이 필요한 영역에는 Human-in-the-loop 방식을 적용하여 효율성을 높였습니다.
6월 23일0
🤗 HFAI 번역헤드라인
OpenClaw 리포지토리를 무료로 분류(triage)하기 위해 로컬 모델을 활용했습니다!
OpenClaw 리포지토리의 이슈와 PR을 효율적으로 분류하기 위해 Gemma 및 Qwen과 같은 로컬 모델을 활용한 에이전트 시스템 구축 사례를 소개합니다. 폐쇄형 모델의 비용과 가용성 문제를 해결하기 위해 이미 보유한 하드웨어에서 로컬 모델을 사용하여 실시간 분류 및 알림 시스템을 구현하는 방법을 다룹니다.
6월 23일3
🤗 HFAI 번역헤드라인
LLM을 넘어: 확장 가능한 기업용 AI 도입이 에이전트 로직(Agent Logic)에 달려 있는 이유
기업용 AI 도입의 핵심은 단순한 LLM 활용을 넘어 지능적인 '에이전틱 로직(Agentic Logic)'을 구축하는 데 있습니다. 에이전트 로직은 지식 그래프와 알고리즘 등을 활용해 LLM을 기업 워크플로우에 맞게 유도함으로써 비용 효율성과 신뢰성을 높입니다.
6월 18일0
🤗 HFAI 번역헤드라인
Holo3.1: 빠르고 로컬 실행이 가능한 컴퓨터 사용 에이전트 (Computer Use Agents)
Holo3.1은 데스크톱, 웹, 모바일 환경 모두에서 실행 가능한 범용 컴퓨터 사용 에이전트 제품군입니다. Qwen 기반으로 설계되었으며, 로컬 추론을 위한 다양한 양자화 체크포인트와 함수 호출(function-calling) 프로토콜을 지원합니다.
6월 18일0
🤗 HFAI 번역헤드라인
에이전트 기반 리소스 검색 (Agentic Resource Discovery): 에이전트가 검색하게 하라
Agentic Resource Discovery(ARD)는 에이전트가 런타임에 필요한 도구와 기능을 동적으로 검색할 수 있도록 정의된 개방형 표준 사양입니다. 기존의 수동 설치 방식이나 컨텍스트 주입 방식의 한계를 극복하여, 의도 기반의 검색을 통해 에이전트 생태계를 확장하는 것을 목표로 합니다.
6월 17일0
🤗 HFAI 번역헤드라인
Strands Agents와 LeRobot을 통해 Hugging Face Hub에서 로봇 하드웨어로
Strands Robots가 LeRobot 스택을 통합하여 시뮬레이션에서 실제 로봇 하드웨어까지 단일 에이전트 루프로 연결하는 SDK를 공개했습니다. 데이터셋 기록, 학습, 시뮬레이션 테스트, 하드웨어 배포 및 로봇 군집 제어를 하나의 워크플로우로 통합하여 개발 복잡성을 줄였습니다.
6월 17일0
🤗 HFAI 번역헤드라인
PyTorch 프로파일링 (Part 2): nn.Linear에서 Fused MLP까지
PyTorch 프로파일러를 사용하여 nn.Linear 모듈과 MLP(Multilayer Perceptron) 블록의 성능을 분석하는 방법을 다룹니다. GPU 커널 실행과 CPU 스케줄링 오버헤드의 차이를 이해하고, 실제 딥러닝 빌딩 블록의 동작을 프로파일링합니다.
6월 14일3
🤗 HFAI 번역헤드라인
Reachy Mini에 MCP 도구 추가하기
Reachy Mini 로봇에 MCP(Model Context Protocol)를 활용하여 외부 도구를 추가하는 방법을 설명합니다. 로봇의 물리적 동작을 제어하는 로컬 도구와 날씨 검색 같은 원격 도구의 차이점을 다룹니다.
6월 3일0
🤗 HFAI 번역헤드라인
PyTorch에서의 프로파일링 (Part 1): torch.profiler 초보자 가이드
PyTorch의 torch.profiler를 사용하여 모델 연산을 분석하고 최적화하는 방법을 다루는 초보자 가이드입니다. 행렬 곱셈과 편향 더하기와 같은 기초 연산을 통해 프로파일러 트레이스를 읽는 법을 학습합니다.
5월 29일0
🤗 HFAI 번역헤드라인
Reachy Mini의 완전 로컬 구동
Reachy Mini 로봇을 위해 VAD, STT, LLM, TTS를 결합한 완전 로컬 speech-to-speech 파이프라인 구축 방법을 안내합니다. llama.cpp와 Gemma 4를 활용하여 클라우드 연결 없이 실시간 대화가 가능한 로컬 백엔드 구성법을 다룹니다.
5월 27일1