총 70개의 태그를 찾았습니다.
3건의 항목
WIS 2026에서 AI는 챗봇, Agent, 피지컬 AI, AICC, GPU 인프라, 개발·운영 플랫폼까지 넓은 범위로 전시되었다. 핵심은 AI 자체보다 고객 채널, 업무 프로세스, 운영 구조 안에서 AI가 어떤 역할을 맡는가였다.
6건의 항목
MCP는 JSON-RPC 메시지를 실어 나르는 전송으로 stdio와 Streamable HTTP 두 가지를 쓴다. stdio는 로컬 통합에 맞는다. 클라이언트가 서버를 subprocess로 띄워 해당 프로세스와 1:1로 쓰며(해당 프로세...
MCP는 한 번의 도구 호출을 Host, Client, Server라는 구분된 세 역할로 나눠 처리한다. 외부 서비스는 Server 뒤의 선택적 backend일 뿐 MCP 참여자가 아니다. Host는 앱 전체를 조정하는 컨테이너다. LL...
MCP의 클라이언트-서버 통신은 JSON-RPC 2.0 메시지로 이뤄진다. 요청은 jsonrpc·method·id를 갖고(params는 선택), 응답은 같은 id로 result 또는 error를 돌려준다. id가 없는 요청은 응답을 받지...
일반적인 agent loop에서 도구 발견과 실행은 결정적 애플리케이션 코드가 맡고, 도구 선택은 LLM이 맡는다. 다만 최종 선택은 Host 정책·사용자 승인이 제한하거나 직접 개시할 수 있다. 목록 조회·수신은 Client 코드가 처...
4건의 항목
무엇인가: Vision-Language Model(VLM)의 부정(Negation) 이해 능력을 평가하기 위해 이미지, 비디오, 의료 도메인을 아우르는 79K 예제로 구성된 대규모 멀티모달 벤치마크. 왜 중요한가: 최신 VLM들이 부정...
무엇인가: 부정 제약 조건(Negative constraints)을 포함하는 복합 쿼리에 대한 정보 검색(IR) 시스템의 성능을 평가하기 위한 벤치마크 데이터셋. 왜 중요한가: 기존 Dense Retriever가 논리적 부정("...
12건의 항목 처음 10개의 태그
인증·인가에 쓰는 토큰(token)은 요청에 담아 보내는 문자열 자격증명이다. 참조 토큰은 저장소 조회로 검증하며 서명형 JWT는 서명과 클레임을 검증한다. JWT는 세션 저장소를 매번 조회하지 않고 검증할 수 있다. 다만 개별 토큰의...
쿠키(cookie)는 브라우저가 저장했다가 전송 조건이 맞는 요청에 자동으로 붙이는 작은 키-값이다. 쿠키는 클라이언트의 저장·운반 수단이고 세션은 여러 요청에 상태를 연결하는 논리적 범위다. 흔히 쿠키가 세션 식별자를 실어 나르지만 둘...
세션(session)은 여러 메시지나 요청을 같은 상호작용으로 묶고 그 범위에 적용할 상태(state)를 찾게 한다. 세션을 하나의 기억 단위로 볼 수는 있지만 정확히는 어떤 기억을 이어 쓸지 정하는 논리적 범위로 보는 편이 정확하다....
JSON 값(value) 은 JSON 문법에서 허용하는 최상위 데이터 단위이며, 객체·배열·문자열·숫자·true·false·null을 모두 포함한다. JSON 객체(object) 는 중괄호({}) 안에 이름/값 쌍을 담는 구조화 타입으로...
SSE는 HTTP 응답 스트림 위에서 서버가 클라이언트로 이벤트를 보내기 위한 이벤트 스트림 프레이밍 규격이다. NDJSON은 JSON 값을 LF(\n) 또는 CRLF(\r\n) 줄 구분자로 하나씩 나열하는 줄 단위 데이터 포맷이다. 주...
스레드는 하나의 프로세스 안에서 실행되는 실행 흐름이다. 운영체제 수준 스레드는 같은 프로세스의 주소 공간을 공유하되, 각자 stack과 실행 상태를 가진다.
프로세스는 운영체제가 실행 중인 프로그램 인스턴스를 관리하기 위해 만든 실행·자원·보호 경계다. 보통 독립된 가상 주소 공간을 가지며, 실제 실행 흐름은 하나 이상의 스레드로 표현된다.
UTF-8은 유니코드 코드 포인트 범위(U+0000부터 U+10FFFF까지) 중 surrogate code point range (U+D800부터 U+DFFF까지)를 제외한 유효한 코드 포인트, 즉 Unicode Scalar Value를...
3건의 항목
Contribution: Training-free negation-aware retrieval — encoder 고정 상태에서 query embedding을 contrastive loss로 직접 최적화하여 부정/제외 쿼리 처리 Pros:...
4건의 항목
무엇인가: Vision-Language Model(VLM)의 부정(Negation) 이해 능력을 평가하기 위해 이미지, 비디오, 의료 도메인을 아우르는 79K 예제로 구성된 대규모 멀티모달 벤치마크. 왜 중요한가: 최신 VLM들이 부정...
무엇인가: 부정 제약 조건(Negative constraints)을 포함하는 복합 쿼리에 대한 정보 검색(IR) 시스템의 성능을 평가하기 위한 벤치마크 데이터셋. 왜 중요한가: 기존 Dense Retriever가 논리적 부정("...
5건의 항목
SSE는 HTTP 응답 스트림 위에서 서버가 클라이언트로 이벤트를 보내기 위한 이벤트 스트림 프레이밍 규격이다. NDJSON은 JSON 값을 LF(\n) 또는 CRLF(\r\n) 줄 구분자로 하나씩 나열하는 줄 단위 데이터 포맷이다. 주...
UTF-8은 유니코드 코드 포인트 범위(U+0000부터 U+10FFFF까지) 중 surrogate code point range (U+D800부터 U+DFFF까지)를 제외한 유효한 코드 포인트, 즉 Unicode Scalar Value를...
ASCII는 7비트 이진 코드를 사용하는 문자 인코딩 표준으로, 총 128개의 문자를 정의한다. 제어 문자(33개)와 출력 가능 문자(95개)로 구성되며, 현대 가변 길이 인코딩(UTF-8 등)의 근간이 된다. 0~127 범위의 코드 포...
17건의 항목 처음 10개의 태그
SKU는 재고·판매·발주를 추적하기 위해 조직 내부에서 정의하는 상품/재고 관리 단위다. 예측과 메트릭에서는 SKU 자체보다 SKU에 매장, 채널, 날짜 등이 결합된 관측 단위가 중요하다.
시계열 예측에서 univariate, multivariate, multivariable은 타깃 개수와 입력 변수 개수를 섞어 쓰기 때문에 혼동된다. "univariate target with multivariate input&q...
Regime shift는 시계열의 통계적 특성이 특정 시점 이후 달라지는 현상을 넓게 부르는 말이다. 엄밀한 분석에서는 structural break, level shift, trend change, variance change, reg...
Rolling-origin evaluation은 예측 기준일을 시간 순서대로 이동시키며 여러 번 평가하는 방법이다. 단일 cutoff의 운을 줄이고, 미래 정보가 과거 학습에 섞이는 것을 막는다.
시계열 데이터는 시간 순서가 의미를 갖고, 이전 관측값이 이후 관측값에 정보를 제공하는 데이터다. 이 때문에 일반 i.i.d. 데이터처럼 무작위로 섞어 학습·검증하면 시간 leakage가 생길 수 있다.
시계열 분해는 관측값을 추세(trend), 계절성(seasonality), 잔차(residual)로 나누어 본다. 예측 모델의 feature와 오류 분석을 구조적으로 해석하는 데 유용하다.
시계열 예측에서 feature는 예측 시점에 알 수 있었는지를 기준으로 나눠야 한다. Future-known feature는 미래 기간의 값을 미리 알 수 있는 변수이고, past-only feature는 시간이 지나야 관측되는 변수다.
시계열 예측에서는 언제 예측을 시작하는지와 얼마나 먼 미래를 예측하는지를 먼저 정해야 한다. 시계열 feature와 target은 항상 cutoff 기준으로 정의해야 한다.
5건의 항목
Contribution: Training-free negation-aware retrieval — encoder 고정 상태에서 query embedding을 contrastive loss로 직접 최적화하여 부정/제외 쿼리 처리 Pros:...
Neuro-Symbolic IR (NS-IR) 은 신경망의 의미적 매칭 능력과 기호 논리의 구조적 해석 능력을 결합한 하이브리드 검색 패러다임이다. 기존 Dense Retrieval이 취약한 부정(Negation), 불리언 로직(Bool...
무엇인가: 부정 제약 조건(Negative constraints)을 포함하는 복합 쿼리에 대한 정보 검색(IR) 시스템의 성능을 평가하기 위한 벤치마크 데이터셋. 왜 중요한가: 기존 Dense Retriever가 논리적 부정("...
6건의 항목
Anthropic과 OpenAI는 2026년 프런티어 모델을 안전장치를 적용한 범용 플래그십과 일부 안전 제약을 낮춘 사이버 특화 모델로 나누는 같은 전략에 수렴했다. Anthropic은 같은 모델을 안전장치 유무에 따라 Fable 5....
Neuro-Symbolic IR (NS-IR) 은 신경망의 의미적 매칭 능력과 기호 논리의 구조적 해석 능력을 결합한 하이브리드 검색 패러다임이다. 기존 Dense Retrieval이 취약한 부정(Negation), 불리언 로직(Bool...
무엇인가: 부정 제약 조건(Negative constraints)을 포함하는 복합 쿼리에 대한 정보 검색(IR) 시스템의 성능을 평가하기 위한 벤치마크 데이터셋. 왜 중요한가: 기존 Dense Retriever가 논리적 부정("...
Contribution: fine-tuning/외부 정보 없이 범용 LLM만으로 동작하는 3단계 hallucination 억제 ASR 교정 프레임워크 (Pre-Detection + CoT Subtask + Verification) Pro...
6건의 항목
MCP는 JSON-RPC 메시지를 실어 나르는 전송으로 stdio와 Streamable HTTP 두 가지를 쓴다. stdio는 로컬 통합에 맞는다. 클라이언트가 서버를 subprocess로 띄워 해당 프로세스와 1:1로 쓰며(해당 프로세...
MCP는 한 번의 도구 호출을 Host, Client, Server라는 구분된 세 역할로 나눠 처리한다. 외부 서비스는 Server 뒤의 선택적 backend일 뿐 MCP 참여자가 아니다. Host는 앱 전체를 조정하는 컨테이너다. LL...
MCP의 클라이언트-서버 통신은 JSON-RPC 2.0 메시지로 이뤄진다. 요청은 jsonrpc·method·id를 갖고(params는 선택), 응답은 같은 id로 result 또는 error를 돌려준다. id가 없는 요청은 응답을 받지...
일반적인 agent loop에서 도구 발견과 실행은 결정적 애플리케이션 코드가 맡고, 도구 선택은 LLM이 맡는다. 다만 최종 선택은 Host 정책·사용자 승인이 제한하거나 직접 개시할 수 있다. 목록 조회·수신은 Client 코드가 처...
15건의 항목 처음 10개의 태그
1-MAPE는 MAPE를 "정확도"처럼 보이게 뒤집은 보고용 표현이다. 새 메트릭이 아니므로 MAPE의 한계를 그대로 물려받고, MAPE가 1을 넘으면 음수가 된다.
Fill Rate(주문 충족률)는 예측 정확도 지표가 아니라, 고객이 요청한 수량 중 실제로 얼마나 충족했는지 를 보는 공급망 운영 지표다. 수요 예측은 Fill Rate에 간접적으로 영향을 준다. 과소예측은 결품을 만들고, 과대예측은...
Forecast Bias는 예측이 누적으로 과대인지 과소인지를 보는 signed metric이다. 이 노트에서는 forecast-minus-actual convention을 사용한 normalized forecast bias를 다룬다....
MAPE는 절대 오차를 실제값으로 나눈 뒤 평균낸 상대 오차 메트릭이다. 스케일 독립적으로 해석하기 쉽지만, 실제값이 0 또는 0에 가까울 때 값이 크게 흔들린다.
Pinball Loss는 특정 분위수(quantile)를 예측하기 위한 비대칭 절대 오차 손실이다. \tau=0.5에서는 0.5|y-\hat{y}|가 되며, 평균 Pinball Loss에 2를 곱하면 MAE가 된다. \tau를 낮추면 낮...
WAPE(가중 절대 퍼센트 오차)는 &039;전체 수요(실제값의 합)&039; 대비 &039;전체 오차&039;가 얼마나 되는지를 보는 총량 기준의 예측 평가 지표다. 개별 건마다 오차율을 평균 내는 MAPE와 달리, 판매량이 많거나 규...
표준편차는 분산의 제곱근이다. 분산은 단위가 제곱되어 직관적으로 읽기 어렵기 때문에, 원래 데이터와 같은 단위로 퍼짐을 해석하려고 표준편차를 사용한다.
6건의 항목
무엇인가: 부정 제약 조건(Negative constraints)을 포함하는 복합 쿼리에 대한 정보 검색(IR) 시스템의 성능을 평가하기 위한 벤치마크 데이터셋. 왜 중요한가: 기존 Dense Retriever가 논리적 부정("...
Policy gradient의 목표는 기대 return J(\theta)를 최대화하는 것이다. log-derivative trick을 쓰면 gradient를 trajectory 분포 위의 기댓값 형태로 바꿀 수 있다. baseline과...
무엇인가: 복수 정답을 허용하는 한국어 환각 판별 능력을 평가하기 위한 2,170개 규모의 객관식 벤치마크 데이터셋. 왜 중요한가: 단일 정답 위주의 기존 평가 방식과 달리, 실제 문서에서 발생할 수 있는 여러 환각 문장을 동시에 식별하...
BERTScore는 PLM의 Contextual Embedding을 활용하여 토큰 레벨의 의미적 유사성을 평가하는 지표다. Greedy Matching과 IDF 가중치를 결합하여 어휘 일치를 넘어선 문맥적 유사도를 산출한다.
13건의 항목 처음 10개의 태그
부트스트랩(bootstrap) 은 하나의 표본에서 복원추출로 유사 표본을 다수 만들어, 추정량의 표집분포(표준오차·신뢰구간)를 분포 가정 없이 근사하는 비모수 재표집법이다. 핵심 아이디어는 관측된 표본을 모집단의 대용(empirical...
순열 검정(permutation test) 은 분포 가정 대신 데이터를 직접 재배열해 귀무가설 분포를 만들고, 관측 통계량이 그 분포에서 얼마나 극단적인지로 p-value를 세는 비모수 검정이다. 핵심 전제는 교환가능성(exchangea...
정상성은 시계열의 통계적 성질이 시간에 따라 변하지 않는다는 가정이다. 실제 수요·트래픽 데이터는 trend, seasonality, regime shift 때문에 비정상인 경우가 많다.
표준편차는 분산의 제곱근이다. 분산은 단위가 제곱되어 직관적으로 읽기 어렵기 때문에, 원래 데이터와 같은 단위로 퍼짐을 해석하려고 표준편차를 사용한다.
공분산 행렬은 여러 변수의 분산(variance)과 공분산을 한 행렬에 모은 구조다. 대각 원소는 각 변수의 분산이고, 비대각 원소는 변수 쌍 사이의 공분산이다.
분산은 값들이 평균 주변에서 얼마나 퍼져 있는지를 측정한다. 각 값과 평균의 차이를 제곱해서 평균내므로 항상 0 이상이다. 값이 클수록 데이터가 평균에서 멀리 흩어져 있다.
공분산은 두 변수가 평균을 기준으로 같은 방향으로 움직이는지, 반대 방향으로 움직이는지를 측정한다. 양수이면 대체로 같이 커지고 같이 작아지는 경향, 음수이면 한쪽이 클 때 다른 쪽은 작아지는 경향이다. 다만 단위가 남아 있어서 크기 자...
18건의 항목 처음 10개의 태그
시계열 예측에서 univariate, multivariate, multivariable은 타깃 개수와 입력 변수 개수를 섞어 쓰기 때문에 혼동된다. "univariate target with multivariate input&q...
Regime shift는 시계열의 통계적 특성이 특정 시점 이후 달라지는 현상을 넓게 부르는 말이다. 엄밀한 분석에서는 structural break, level shift, trend change, variance change, reg...
Rolling-origin evaluation은 예측 기준일을 시간 순서대로 이동시키며 여러 번 평가하는 방법이다. 단일 cutoff의 운을 줄이고, 미래 정보가 과거 학습에 섞이는 것을 막는다.
시계열 데이터는 시간 순서가 의미를 갖고, 이전 관측값이 이후 관측값에 정보를 제공하는 데이터다. 이 때문에 일반 i.i.d. 데이터처럼 무작위로 섞어 학습·검증하면 시간 leakage가 생길 수 있다.
시계열 분해는 관측값을 추세(trend), 계절성(seasonality), 잔차(residual)로 나누어 본다. 예측 모델의 feature와 오류 분석을 구조적으로 해석하는 데 유용하다.
시계열 예측에서 feature는 예측 시점에 알 수 있었는지를 기준으로 나눠야 한다. Future-known feature는 미래 기간의 값을 미리 알 수 있는 변수이고, past-only feature는 시간이 지나야 관측되는 변수다.
시계열 예측에서는 언제 예측을 시작하는지와 얼마나 먼 미래를 예측하는지를 먼저 정해야 한다. 시계열 feature와 target은 항상 cutoff 기준으로 정의해야 한다.
Multi-horizon forecasting은 하나의 예측 기준 시점에서 여러 미래 시점을 예측하는 문제다. recursive, direct, DirRec, MIMO 전략은 오류 누적과 학습 구조가 다르다.