ByeongJu Choi

DataLake

[MLOps] DataLake

데이터 레이크는 모든 데이터를 원본 그대로 저장하는 중앙 저장소입니다. 분산된 데이터를 통합하여 고급 분석과 머신러닝 모델 개발의 핵심 기반으로 활용할 수 있습니다.

ETL

[MLOps] Data Ingestion - ETL

CRM, 데이터베이스 등 여러 시스템에 흩어진 데이터를 ETL 프로세스로 통합하여, 비즈니스 분석과 의사결정에 활용하는 방법을 알아봅니다.

ML모델

[MLOps] Data Collection & Preparation

고객 데이터를 분석하는 ML 예측 모델로 개인화된 경험을 제공하세요. 정확한 데이터 준비는 고객 유지와 수익 증대의 핵심입니다.

mlops

[MLOps] MLOps Architecture

MLOps는 머신러닝 모델 개발부터 배포, 운영까지 전체 수명 주기를 자동화합니다. 복잡한 과정을 간소화하여 안정적이고 효율적인 AI 서비스 운영을 지원합니다.

mlops

[MLOps] MLOps를 위한 올바른 도구 찾기

MLOps 파이프라인 구축에 필요한 핵심 도구 모음입니다. 모델 배포부터 관리까지 전 과정을 자동화하여 운영 효율성과 재현성을 높일 수 있습니다.

mlops

[MLOps] CI / CD / CT / CM

MLOps의 핵심인 CI/CD/CT/CM을 통해 머신러닝 모델의 개발, 배포, 학습, 모니터링 전 과정을 자동화하고 안정적으로 운영하는 방법을 소개합니다.

mlops

[MLOps] LifeCycle

MLOps는 머신러닝 모델의 전체 생애주기를 체계적으로 관리하는 프레임워크입니다. 이를 통해 복잡한 ML 프로젝트를 효율화하고 지속적인 성능 개선을 지원합니다.

mlops

[MLOps] DevOps와 MLOps 비교

MLOps는 DevOps를 확장한 개념으로, 머신러닝 모델의 배포, 모니터링, 재훈련 등 전체 수명 주기를 자동화하여 모델의 지속적인 성능과 가치를 보장합니다.

mlops

[MLOps] Introducing MLOps Engineer

MLOps 엔지니어는 ML 파이프라인을 자동화하여 모델의 개발부터 배포, 운영까지의 과정을 효율화합니다. 이를 통해 모델을 더 빠르고 안정적으로 실제 서비스에 적용할 수 있도록 돕습니다.

AWS

[AWS] AWS 기반 데이터 파이프라인 서비스 정리

스트림과 배치 처리의 차이를 이해하고, Kinesis, Glue, Athena 등 다양한 AWS 데이터 서비스를 활용하여 효율적인 데이터 파이프라인을 구축하는 방법을 알아봅니다.

RAG

[RAG] 한국어 Reranker 모델을 사용하여 RAG 성능 올리기

ReRanking 모델을 사용하여 RAG의 출력 품질을 향상시킬 수 있습니다.

RAG

[RAG] 더 나은 RAG를 위해 Retrieval pipeline 개선하기

벡터 검색 품질을 향상시키기 위한 Sentence-window 청킹 방식을 테스트해보고 정리하였습니다.