Dende

이전 포스팅에서는 MCP서버와 관련된 이야기를 다뤄봤는데요. MCP가 'AI와 외부 세계(도구)의 대화법'을 표준화했다면, A2A는 'AI와 AI 동료들의 대화법'을 다루는 영역이라고 설명할 수 있겠습니다. 💡 A2A 프로토콜의 발생 배경 및 개념 MCP로 "에이전트"와 "도구" 사이의 연결은 표준화가 되었지만, "에이전트"와 "에이전트" 사이의 연결 표준화가 이슈가 되기 시작했습니다. 곧, 에이전트 간 통신을 표준화하고자 하는 움직임이 활발해졌고, Google이 개발한 A2A는 그런 수요를 충족시켜주는 프로토콜이었습니다. A2A는 아래와 같은 아주 일반적인 표준을 따르며 에이전트 간 통신을 지원하고 있습니다.HTTP: 기본적인 통신 프로토콜JSON-RPC 2.0: 데이터 교환 형식SSE(Serve..

안녕하세요! 오늘은 Model Context Protocol(MCP) 서버를 직접 구축하며 경험한 AI와 외부 도구 연결의 혁신적인 접근법을 공유해드리려고 합니다.기존의 AI 시스템들이 각각 다른 방식으로 외부 도구와 연결되어 개발자들이 매번 새로운 인터페이스를 학습해야 했다면, MCP는 이 모든 것을 표준화된 하나의 프로토콜로 해결해줍니다. 💡 MCP는 뭐고, 누가 만들었나요?MCP는 LLM 앱 ↔ 외부 데이터/도구를 표준 방식으로 연결하는 오픈 프로토콜입니다. 사양은 공식 스펙 사이트와 SDK로 공개되어 있어요.Anthropic이 2024년 11월에 오픈소스로 공개했고(“Introducing MCP”), 이후 빠르게 채택이 늘고 있습니다. 언론/업계에선 MCP를 “AI 앱의 USB-C”에 비유합니다..

이전화는 아래를 참조 ^^[ML] 머신러닝 분류모델 토이프로젝트 - (1) Intro[ML] 머신러닝 분류모델 토이프로젝트 - (2) 요구사항 분석 및 데이터 준비 [ML] 머신러닝 분류모델 토이프로젝트 - (3) 탐색적 데이터분석 이번 글에서는 "분석마트" 단계를 다루겠습니다.이 과정은 본격적으로 모델링을 시작하기 전에, 우리가 사용할 주요 독립변수와 종속변수를 체계적으로 준비하는 과정입니다. 종속변수는 고객의 영화에 대한 선호 행동을 의미하며,  독립변수는 그 행동에 영향을 끼친 정보를 의미합니다. 고객 정보, 영화 정보, 고객 행동 로그 등 여러 테이블을 결합하여 최적의 분석마트를 만들고, 모델 학습에 필요한 데이터를 효율적으로 준비하는 것이 이번 단계의 핵심입니다. 이를 통해 모델이 학습할 수 있..

이전화는 아래를 참조 ^^[ML] 머신러닝 분류모델 토이프로젝트 - (1) Intro[ML] 머신러닝 분류모델 토이프로젝트 - (2) 요구사항 분석 및 데이터 준비 이번 장에서는 데이터 분석의 꽃이며 가장 어렵다고 볼 수 있는(지극히 개인적) "탐색적 데이터 분석" 에 대해서 다루겠습니다. 이 과정에서는 초개인화 영화 추천 시스템 개발에 필요한 핵심 데이터를 특정하고, 모델링에서 사용할 데이터를 최적화하는 데 중점을 둘 것입니다.# 이벤트 정의이번 분석의 목표는 단순히 인기 있는 영화를 추천하는 것이 아니라, 각 고객에게 맞춤형으로 최적화된 영화 추천을 제공하는 것입니다. 이를 위해, 고객의 행동 패턴과 영화 속성 간의 관계를 깊이 있게 이해하고, 고객이 선호하는 영화 장르를 명확히 식별할 필요가 있습니..

이전화에서는 분류모델 토이프로젝트의 Intro를 다뤘었습니다.요약하자면 "이번 프로젝트는 머신러닝에서도 분류 모델을 활용하겠다"로 이해하시면 될 것 같습니다.자세한 내용은 아래를 참조 ^^[ML] 머신러닝 분류모델 토이프로젝트 - (1) Intro 이번 장에서는 "요구사항 분석 및 데이터 준비"에 대해 다룰 예정입니다.# 요구사항 분석(1) 요구사항 정의실제 프로젝트에서는 고객의 요구사항을 철저히 분석하고, 이를 기반으로 명확한 분석 목표를 설정하는 것이 성공의 핵심입니다. 일반적으로, 이 과정은 기존 프로젝트 자료를 검토하거나, 고객사의 담당자와의 인터뷰를 통해 정리하게 됩니다.하지만 이번 프로젝트는 가상의 시나리오로 진행되기 때문에, 저희는 가상의 고객 비즈니스와 그에 따른 요구사항을 직접 설정하였습..

작금의 비즈니스 환경에서는 단순히 인기 있는 상품을 추천하는 것으로는 고객의 기대를 충족시킬 수 없습니다. 고객들은 자신이 진정으로 원하는 제품이나 콘텐츠를 추천받기를 기대하며, 이를 실현하기 위해서는 보다 정교한 데이터 분석과 맞춤형 추천 시스템이 필요합니다. 이번 챕터에서는 머신러닝의 분류 모델이 영화 추천 시스템에서 어떻게 활용될 수 있는지를 살펴보겠습니다. 고객의 데이터를 분석해 맞춤형 추천을 제공하는 것은 어떻게 가능하며, 분류 모델이 이 문제를 해결하는 데 어떤식으로 활용되는 알아보겠습니다.  아래 그림은 지금 진행하고자 하는 분석방법이 AI라는 거대한 영역에서 어디에 속하는지 참고용으로..  프로젝트 개요프로젝트 목표이번 프로젝트의 목표는 고객 행동 데이터를 기반으로 고객별 최적의 영화를 추..

이전 시리즈입니다~[LLM] Fine Tuning 예제 - (1) 학습 데이터 준비 [LLM] Fine Tuning 예제 - (1) 학습 데이터 준비위의 파인튜닝 파이프라인에 따라 코드 실습을 진행해보겠습니다.Topic은 금융상품 추천사유 생성입니다. 대형 언어 모델(LLM)을 통해 고객 개개인의 상황과 니즈를 고려한 맞춤형 추천 사유를 제lanad.tistory.com [LLM] Fine Tuning 예제 - (2) AI 모형 학습  [LLM] Fine Tuning 예제 - (2) AI 모형 학습위의 파인튜닝 파이프라인에 따라 코드 실습을 진행해보겠습니다.Topic은 금융상품 추천사유 생성입니다. 대형 언어 모델(LLM)을 통해 고객 개개인의 상황과 니즈를 고려한 맞춤형 추천 사유를 제lanad.tis..

위의 파인튜닝 파이프라인에 따라 코드 실습을 진행해보겠습니다.Topic은 금융상품 추천사유 생성입니다. 대형 언어 모델(LLM)을 통해 고객 개개인의 상황과 니즈를 고려한 맞춤형 추천 사유를 제공하는 것을 목표로 해보겠습니다.Supervised Fine Tuning?Supervised Fine Tuning(이하 SFT)은 레이블이 지정된 데이터를 사용하여 사전 훈련된(기본) 대규모 언어 모델(LLM)을 특정 다운스트림 작업에 적응시키는 데 사용되는 기술입니다. 2024년에 사용되는 대부분의 LLM은 채팅 또는 지시 기반 상호 작용을 위해 미세 조정됩니다.  데이터 수집 및 준비: 모델을 학습시키기 위해 데이터가 수집됩니다. 여기에는 두 가지 유형의 데이터가 사용됩니다: **원시 텍스트(Raw text)*..