Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
ZennAI 번역헤드라인
오픈 소스화된 「MOPAC2016」을 Python으로 최대한 활용하기 (제2회: MI용 데이터셋 작성)
MOPAC2016을 활용하여 머티리얼즈 인포매틱스(MI) 연구에 필요한 고품질 화학 데이터셋을 Python으로 자동 생성하는 방법을 다룹니다. 용매 효과, 정적 분극률, 열역학적 물성 등 다양한 물리량을 추출하는 기술적 가이드를 제공합니다.
6월 3일0
ZennAI 번역헤드라인
YOLOv5를 CoreML로 변환하기. 디코딩 레이어(Decode Layer)도 추가한다.
YOLOv5 모델을 iOS 환경에서 효율적으로 사용하기 위해 CoreML 형식으로 변환하는 방법을 설명합니다. 단순 변환을 넘어 디코딩 레이어와 NMS(Non-Max Suppression)를 추가하여 Vision 프레임워크와 호환되도록 최적화하는 과정을 다룹니다.
6월 2일0
ZennAI 번역헤드라인
PyTorch-ONNX를 양자화하여 고속화하기
PyTorch 모델을 ONNX로 변환하기 전 양자화를 수행하여 추론 속도를 높이는 방법을 소개합니다. AnimeGAN 모델을 대상으로 int8 양자화를 적용한 결과, GPU 환경에서 추론 속도가 2배 향상되었습니다.
6월 2일0
ZennAI 번역헤드라인
데이터셋용 얼굴 이미지를 즉시 준비하고 싶다면: iPhone 사진에서 얼굴만 몇 초 만에 100장 추출하기
SemanticImage 라이브러리를 사용하여 iPhone 사진 라이브러리에서 얼굴 이미지를 고속으로 추출하는 방법을 소개합니다. 머신러닝 데이터셋 구축 시 수동 작업의 번거로움을 줄이고 Swift를 통해 효율적으로 이미지를 처리할 수 있습니다.
6월 2일0
ZennAI 번역헤드라인
iOS/Swift로 작은 얼굴 보정 필터 만들기
iOS 환경에서 Swift와 Vision 프레임워크를 사용하여 얼굴을 검출하고, CIBumpDistortion 필터를 적용해 얼굴을 작게 만드는 보정 필터 구현 방법을 소개합니다.
6월 2일0
ZennAI 번역헤드라인
반려동물이 포착되는 순간에만 셔터가 작동하는 기능을 iOS에서 구현하기
Apple의 Vision 프레임워크를 활용하여 iOS 앱에서 반려동물을 자동으로 감지하고 셔터를 작동시키는 구현 방법을 소개합니다. VNRecognizeAnimalsRequest를 통해 강아지나 고양이를 식별하고 위치 정보를 추출하는 과정을 다룹니다.
6월 1일0
ZennAI 번역헤드라인
백테스트를 78% 절감했다 — LightGBM 대리 모델(Surrogate Model)로 가상화폐 Bot 후보를 사전 필터링하는 구현
백테스트(BT)의 높은 계산 비용을 줄이기 위해 LightGBM 기반의 대리 모델(Surrogate Model)을 활용하여 가상화폐 매매 전략 후보를 사전 필터링하는 방법을 소개합니다. 전략 타입, 통화 쌍 등 범주형 변수만을 사용하여 합격 가능성이 낮은 후보의 78.5%를 사전에 기각함으로써 탐색 효율을 약 5배 높였습니다.
6월 1일0
ZennAI 번역헤드라인
CoreML은 빠른가? PyTorch Mobile과 추론 시간 비교
iOS 환경에서 CoreML과 PyTorch Mobile의 추론 성능을 YOLOv5 모델로 비교 분석했습니다. CoreML이 Neural Engine 활용으로 훨씬 빠른 속도를 보였으나, 초기화 시간과 모델 변환 편의성 측면에서는 PyTorch Mobile이 대안이 될 수 있음을 시사합니다.
6월 1일0
ZennAI 번역헤드라인
MLMultiArray를 연결(concatenate)하는 방법
PyTorch의 torch.cat 기능을 CoreML 환경의 Swift에서 구현하는 방법을 설명합니다. MLMultiArray의 concatenate 초기화 메서드를 사용하여 두 텐서를 특정 축을 따라 연결할 수 있습니다.
6월 1일0
ZennAI 번역헤드라인
ID가 망가진 것만으로 AI 순위가 전부 1위가 되어버려서, CSV 감사 도구를 OSS로 공개했다
개인 AI 시스템 개발 중 발생한 데이터 품질 사고 사례를 다룹니다. 잘못된 ID 설계로 인한 랭킹 오류와 학습 데이터와 추론 데이터 간의 특성량 불일치 문제를 분석하고 해결 과정을 기록했습니다.
6월 1일0
ZennAI 번역헤드라인
Snowflake의 ML 런타임을 자체 컨테이너로 교체하기 — CRE로 재현성과 컴플라이언스를 동시에 해결
Snowflake의 Custom Runtime Environments(CRE)를 사용하여 자체 Docker 이미지를 ML 작업 환경으로 도입하는 방법을 설명합니다. 이를 통해 라이브러리 버전 제어, 보안 컴플라이언스 준수, 환경 재현성 문제를 해결할 수 있습니다.
6월 1일1
ZennAI 번역헤드라인
LLM 추론은 왜 막히는가: 메모리 병목(Memory-bound)과 KV 캐시를 구현 관점에서
LLM 추론 속도를 저하시키는 핵심 원인인 메모리 병목(Memory-bound) 현상을 구현 관점에서 분석합니다. 연산 성능보다 메모리 대역폭이 병목이 되는 이유와 KV 캐시가 메모리 점유에 미치는 영향을 설명합니다.
5월 31일0
ZennAI 번역헤드라인
RLVR 시대의 Inference Framework: Weight Syncing 편
RLVR(Verifiable Reward 강화학습) 환경에서 추론 프레임워크의 Weight Syncing 기능의 중요성을 다룹니다. vLLM이 기존 학습 프레임워크의 복잡성을 줄이기 위해 네이티브 API로 가중치 동기화를 지원하게 된 배경과 이점을 설명합니다.
5월 31일0
ZennAI 번역헤드라인
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.
5월 31일0
ZennAI 번역헤드라인
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.
5월 31일0
ZennAI 번역헤드라인
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.
5월 30일0
ZennAI 번역헤드라인
【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.
5월 29일0
ZennAI 번역헤드라인
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.
5월 29일0
ZennAI 번역헤드라인
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.
5월 29일0
ZennAI 번역헤드라인
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.
5월 28일0