쵸코쿠키의 연습장

로봇이 물체를 못 집는 이유는 단순히 물체를 못 봐서가 아닙니다. 깊이 카메라 노이즈, 무게중심에서 벗어난 파지점, 주변 장애물, 움직이는 물체 때문에 “잡을 수 있어 보이는 위치”가 실제 실패 지점이 됩니다. AnyGrasp는 이 간극을 줄이려는 grasp perception 방법입니다.한 줄로 정리하면, AnyGrasp는 depth camera에서 얻은 point cloud를 보고 로봇이 잡을 수 있는 7-DoF grasp pose를 촘촘하게 만들고, 시간이 지나도 같은 graspable point를 추적하려는 방법입니다.여기서 중요한 건 “로봇이 물체를 잡는다”는 겉모습이 아닙니다. AnyGrasp가 흥미로운 이유는 실전에서 자주 터지는 문제를 정면으로 다룬다는 점입니다.처음 보는 물체도 잡아야 한..

ICLR 2024 ‘Eureka’: LLM으로 Reward Design을 자동화해 로봇 조작을 끌어올리다ICLR 2024에 발표된 Eureka를 한국어 시각에서 풀어쓴 가이드. 환경 소스 코드를 LLM이 직접 읽고 Reward Function을 생성·개선해 사람 전문가를 앞서는 성능을 내는 방법을 소개합니다. SayCan, ProgPrompt, Language‑to‑Reward(L2R)와의 차이, Sample Efficiency, 한계와 후속 연구(Dr. Eureka)까지 담았습니다. 한 줄 요약Eureka는 환경 소스 코드를 그 자체로 컨텍스트로 삼아 LLM이 Reward Function을 ‘코드로’ 작성하게 하고, 학습 결과를 되돌려주는 Reward Reflection + Evolutionary S..

요즘 인공지능(AI)이 정말 빠르게 발전하는 거 느껴지지 않나요? 개발자로서 이렇게 다양한 기회가 생긴 건 정말 신나는 일이에요. 제가 이 프레임워크들을 좀 더 일찍 알았다면, 얼마나 시간을 절약하고 더 많은 프로젝트를 진행할 수 있었을지 생각하면 아쉬울 때가 있죠.오늘은 제가 꼭 추천하고 싶은 AI 프레임워크 5가지를 소개할게요. 복잡해 보일 수도 있지만 걱정하지 마세요! 튜토리얼 링크도 있으니까 차근차근 따라오시면 돼요.  1. LangChain: 파이썬으로 AI 워크플로우 쉽게 만들기LangChain은 파이썬으로 AI 애플리케이션을 만들 때 반복 작업을 싹 정리해주는 프레임워크예요. 특히 OpenAI 같은 대규모 언어 모델(LLM)을 자주 쓰는 분들께는 정말 유용해요. 왜 LangChain이 유용할..

데이터 라벨링 및 주석 달기는 오늘날의 디지털 시대에서 매우 중요한 요소입니다. 데이터에 적절한 맥락과 구조를 제공함으로써 의사 결정을 더욱 개선할 수 있으며, 이를 통해 조직은 더 나은 통찰력을 얻고, 효율적인 데이터 분석이 가능해집니다. 이 글에서는 데이터 라벨링과 주석 달기의 중요성, 그 유형, 그리고 최적의 실행 방안에 대해 깊이 있게 탐구하겠습니다.    1. 데이터 라벨링과 주석 달기의 중요성데이터는 현대 비즈니스와 조직에서 올바른 의사 결정을 내리는 데 핵심적인 역할을 합니다. 그러나 원시 데이터만으로는 통찰력을 도출하기 어려운 경우가 많습니다. 여기서 데이터 라벨링과 주석 달기가 필요합니다. 데이터를 구조화하고 맥락을 부여함으로써, 원시 데이터를 이해하고 유용하게 사용할 수 있게 됩니다.데..

최근 인공지능 기술은 다양한 분야에서 급격히 발전하고 있으며, 그 중에서도 챗봇은 대화형 AI 모델로 큰 주목을 받고 있습니다. 그 중에서도 트위터에서 실시간으로 사람들과 상호작용하며 재미있는 답변을 제공하는 챗봇을 만드는 것은 매우 유용한 활용 사례입니다. 이번 글에서는 GPT-4와 MindsDB를 활용해 트위터에서 유명인처럼 상호작용하는 챗봇을 만드는 방법에 대해 알아보겠습니다.챗봇은 트위터의 특정 해시태그나 멘션을 기반으로 사용자가 보내는 트윗에 반응하며, 이 과정에서 GPT-4 모델을 통해 적절한 성격과 문체로 답변을 생성합니다. 이 글에서는 Snoop_Stein이라는 가상의 인물 예제를 기반으로 챗봇을 구축하는 과정을 상세하게 설명하며, 이 챗봇은 랩과 물리학을 결합한 독특한 성격을 가지고 있습..

소프트웨어 개발이 발전함에 따라 소프트웨어 테스트의 효율성과 정확성을 높이는 방법에 대한 수요가 증가하고 있습니다. 그중에서도 자연어 처리(NLP) 기술의 도입은 소프트웨어 테스트에 큰 혁신을 불러오고 있습니다. NLP는 **인공지능(AI)**의 한 분야로, 컴퓨터와 인간 간의 상호작용을 자연어를 통해 가능하게 합니다. 특히 소프트웨어 테스트에서 NLP는 테스트 케이스 생성과 문서화를 자동화하는 데 강력한 도구로 자리 잡고 있으며, 이로 인해 테스트에 소요되는 시간, 노력, 비용을 크게 절감할 수 있습니다.이 글에서는 NLP를 소프트웨어 테스트에 활용하는 방법과 그 이점, 주요 도전 과제, 실제 응용 사례를 중점적으로 다룹니다. NLP가 어떻게 소프트웨어 테스트의 패러다임을 바꾸고 있는지 살펴보겠습니다...

AI 개발은 현대 기술 혁신의 핵심 요소 중 하나로 자리 잡았습니다. 그러나 AI 모델을 성공적으로 개발하고 배포하기 위해서는 철저한 준비와 지속적인 개선이 필수적입니다. 많은 개발자들이 AI 개발 과정에서 여러 가지 실수를 저지르며, 이는 모델의 성능 저하, 자원의 비효율적인 사용, 심지어는 심각한 문제를 초래할 수 있습니다. 이번 글에서는 AI 개발 시 피해야 할 10가지 중요한 실수와 이를 방지하기 위한 방법에 대해 자세히 알아보겠습니다.    1. 데이터 전처리의 미흡과 데이터 품질 관리 실패AI 모델의 성능은 입력되는 데이터의 품질에 크게 좌우됩니다. 만약 잘못된, 노이즈가 포함된, 혹은 미처리된 데이터가 입력되면 모델은 잘못된 결과를 도출할 수밖에 없습니다. 예를 들어, 전자상거래 사이트에서 ..

인공지능(AI) 기술의 발전은 이미지와 텍스트 간의 경계를 허물며 새로운 창의적 가능성을 열어가고 있습니다. 특히 이미지에서 텍스트 프롬프트를 생성하는 기능은 예술가, 작가, 디자이너 등 창작자들에게 유용한 도구로 자리 잡고 있습니다. 이번 글에서는 이미지의 스타일을 분석하고, 그에 맞는 텍스트 프롬프트를 생성해주는 AI 모델인 **"img2prompt"**를 활용하는 방법을 단계별로 알아보겠습니다.이미지에서 텍스트를 도출하는 방식은 간단해 보이지만, 사실 이는 AI 모델이 복잡한 계산과 학습을 통해 이미지를 이해하고 해석하는 과정을 거칩니다. 이 과정을 통해 우리는 단순한 이미지에서 상상력과 창의력을 자극할 수 있는 텍스트 프롬프트를 얻을 수 있습니다. 이 글에서는 img2prompt 모델을 활용하여 ..

인트로덕션옛날부터 오늘날까지 세상을 바꾼 중요한 아이디어 중 하나는 자동화입니다. 우리가 만든 모든 도구와 방법은 어느 정도 자동화 수준을 포함하고 있습니다. 최근 주목받고 있는 새로운 분야인 자동화 머신러닝(Automated Machine Learning, AutoML)은 머신러닝 모델을 만들기 위한 과정을 자동화합니다. 최고의 AutoML을 활용하면 머신러닝 프로젝트가 놀랍도록 쉽게 완료됩니다. 초보자부터 전문가까지 언제든지 AutoML 라이브러리를 사용하여 예측 모델링 작업에 적합한 머신러닝 프로젝트를 자동으로 식별할 수 있는 리소스를 제공받을 수 있습니다. 이제 최근 연구자들 사이에서 인기를 끌고 있는 상위 10개의 AutoML 라이브러리를 살펴보겠습니다.  AutoML이란 무엇인가?"AutoML..

인공 지능(AI)과 딥러닝 기술이 첨단 운전 보조 시스템(ADAS)의 발전에 어떻게 기여하고 있는지 궁금하신가요? 오늘날 운전 환경에서의 안전과 편의성을 향상시키는 데 있어 ADAS는 필수적인 기술이 되었습니다. 이 블로그 포스트에서는 AI와 딥러닝이 어떻게 ADAS를 혁신하고 있는지 그리고 이러한 기술이 운전자의 안전을 어떻게 증진시키는지에 대해 자세히 설명하겠습니다. 첨단 운전 보조 시스템은 다양한 센서와 카메라, 레이더, 라이다(LiDAR) 등을 통해 주변 환경의 데이터를 실시간으로 수집하고 분석합니다. 이렇게 수집된 데이터는 머신러닝과 딥러닝 모델을 통해 처리되어, 차량 주변의 객체를 정확히 인식하고 예측 가능한 충돌을 미리 알려주며, 필요한 경우 적절한 조치를 취할 수 있도록 합니다. 딥러닝 기..

확산 모델은 놀랍도록 사실적인 이미지를 통해 생성 AI를 발전시키지만 컴퓨팅 요구와 윤리에 대한 한계가 존재합니다. 그들의 능력과 과제를 발견합니다. 현재 인공지능(AI) 연구는 생성 AI 능력이 다양한 부문과 활용 사례에서 어떻게 향상될 수 있는지에 초점을 맞추고 있습니다. 생성 AI의 힘은 다양한 광고 카피 변형을 만들고, 실제와 같은 이미지를 생성하고, 저품질 비주얼을 개선하는 등의 능력에 있습니다. 생성 AI는 주로 확산 모델에 의해 주도되며, 이는 AI 혁신의 한계를 밀어붙입니다. 이 글에서는 확산 모델이 무엇인지 알아보고, 그 이점, 도전 및 가능한 해결책을 탐구할 것입니다. 확산 모델: 개요 확산 모델은 파라미터화된 확률론적 프레임워크로, 훈련 데이터 세트에서 추출하여 완전히 새로운 데이터를..

이 글은 뉴럴 네트워크와 딥 러닝의 기초에 대한 자세한 개요를 제공하는 것을 목표로 합니다. 신경망과 딥러닝은 다양한 영역에서 놀라운 발전을 가능하게 함으로써 인공지능과 머신러닝 분야에 혁명을 일으켰습니다. 이 연구 기사는 신경망과 딥러닝의 기초를 종합적으로 소개하는 것을 목표로 합니다. 신경망의 기본 구성 블록부터 시작하여 뉴런, 활성화 함수 및 계층의 개념을 조사합니다. 이어서, 딥 러닝 모델의 아키텍처와 작동 원리를 탐구하고, 그들의 능력, 장점, 그리고 잠재적인 적용을 강조합니다. 이 글의 끝까지 독자들은 신경망과 딥 러닝을 뒷받침하는 주요 개념에 대해 확실하게 이해할 것입니다. 인공지능(AI) 인공지능은 기계에서 인간과 같은 지능을 시뮬레이션하는 기술로, 다양한 인공지능 기술 중에서 신경망과 딥..

이 글에서는 컴퓨터 비전의 발전에 대해 자세히 알아보고, 또한 이미지 인식을 위한 딥러닝에 대해 알아봅니다. 딥 러닝은 컴퓨터 비전과 이미지 인식 분야에 혁명을 일으켜 컴퓨터가 전례 없는 정확성으로 디지털 이미지를 보고 이해할 수 있게 했습니다. 딥 러닝은 알고리즘과 데이터 기반 학습의 힘을 통해 얼굴 인식과 같은 단순한 작업을 이미지 분할 및 3D 재구성과 같은 복잡한 프로세스로 전환했습니다. 딥 러닝은 정확히 무엇이며 컴퓨터 비전 및 이미지 인식 영역에서 작동 방식 딥 러닝은 데이터 기반 접근 방식을 사용하여 고급 추상화를 추출하고 모델을 개선하는 것을 목표로 하는 머신 러닝의 하위 집합입니다. 인간 뇌의 학습 과정을 모방한 인공 신경망을 활용하여 패턴을 인식하고 이미지에서 객체를 식별합니다. 컴퓨터..

TensorFlow에서 학습 속도를 변경하기 위해 사용 중인 최적화 알고리즘에 따라 다양한 기법을 활용할 수 있습니다. 인공지능과 기계 학습을 위한 오픈 소스 소프트웨어 라이브러리를 텐서플로라고 합니다. 많은 작업에 적용할 수 있지만, 심층 신경망 훈련과 추론은 특별한 주의를 기울입니다. 그 회사의 인공지능 연구 부서인 구글 브레인은 텐서플로우를 만들었습니다. 2015년에 처음 출시된 이후, 전 세계적으로 가장 널리 사용되는 기계 학습 라이브러리 중 하나로 성장했습니다. Python, C++ 및 Java는 TensorFlow가 액세스할 수 있는 몇 가지 프로그래밍 언어에 불과합니다. 또한 Linux, macOS, Windows, Android 및 iOS를 포함한 여러 운영 체제에서 작동합니다. 효과적인 ..

사전 처리를 시작하기 전에 잠시 데이터 세트 밸런싱의 중요성에 대해 이야기 하겠습니다. 두 클래스 고양이와 강아지의 사진 분류 문제에 대해 생각해 보겠습니다. 좋은 모델에서 기대하는 정확도는 어느 정도일까요? 사진의 70%를 정확하게 분류한다면 그리 나쁘지 않을 것입니다. 80%의 정확도는 좋은 반면 90%는 초보자에게 매우 좋습니다. 구글과 페이스북의 분류가 대부분의 문제에서 99.9퍼센트 정확도를 달성하는 것에 대해 말하는 것이 아닙니다. 90% 정확도는 인상적인 성과입니다. 이제 알고리즘에 무엇을 먹이든 동물 사진을 찍고 고양이만 출력하는 모델을 상상해 보세요. 항상 정답으로 고양이를 출력합니다. 좋은 모델은 그렇지 않아요. 이 기계에게 물어볼 수 있을 까요? 원하는 기계 학습 알고리즘의 결과는 분..

서비스를 개발하기 위해 무엇이 필요한 지 알아보았습니다. 실생활 데이터로 작업하고 있기 때문에 어떻게 할 것인지 살펴 보았습니다. 데이터 과학 팀의 머신 러닝을 위해서는 사전 처리가 중요합니다. 분석을 위한 데이터 세트를 준비하는 것이 작업입니다. 이것이 여기에서 머신 러닝 알고리즘을 처음부터 생성하기 위한 몇 가지 일반적인 기술을 보여 드리고자 합니다. 세 가지 중요한 단계가 필요합니다. 첫 번째 단계는 데이터 세트의 균형을 맞추는 것입니다. 두 번째 단계는 데이터 세트를 훈련 검증과 테스트로 세 부분으로 나누는 것입니다. 이미 수행해야하는 이유를 이미 알고 있습니다. 이제 처음부터 수행하는 방법을 살펴 보겠습니다. 새로 생성된 세트를 텐서 친화적인 형식으로 저장합니다. 마지막으로 기계 학습 알고리즘을..

안녕하세요. 기본적인 비즈니스 사례에 대해 알아보겠습니다. 이미 알고있는 모든 것을 단순히 적용하는 것입니다. 문제가 있습니다. 오디오 북 앱을 논리적으로 데이터베이스의 각 고객이 최소 한 번 이상 구매 한 도서의 오디오 버전과 관련된 데이터가 있습니다. 데이터를 기반으로 머신 러닝 알고리즘을 만들어 고객은 오디오 북 회사에서 다시 구매할 것을 예측합니다. 주된 아이디어는 회사가 돌아올 가능성이 없는 개인을 대상으로 광고 예산을 지출해서는 안된다는 것입니다. 다시 전환 할 가능성이있는 고객에게 노력을 집중할 수 있다면 매출 및 수익성 개선 수치를 얻을 수 있습니다. 따라서 모델은 몇 가지 측정 항목을 취하고 인간 행동을 예측하려고 노력할 것입니다. 모델이 고객이 돌아 오는 데 가장 중요한 측정 항목이 무..

모듈 임포트, 데이터 전처리, 데이터 import numpy as np import tensorflow as tf import tensorflow_datasets as tfds mnist_dataset, mnist_info = tfds.load(name='mnist', with_info=True, as_supervised=True) mnist_train, mnist_test = mnist_dataset['train'], mnist_dataset['test'] num_validation_samples = 0.1 * mnist_info.splits['train'].num_examples num_validation_samples = tf.cast(num_validation_samples, tf.int64) n..

패키지 임포트 import numpy as np import tensorflow as tf import tensorflow_datasets as tfds 이번 포스팅에서도 동일하게 패키지 임포트를 진행합니다. 패키지를 설치하는 방법이나 활용하는 방법은 이전 포스팅을 참조해주세요. 데이터 전처리 mnist_dataset, mnist_info = tfds.load(name='mnist', with_info=True, as_supervised=True) mnist_train, mnist_test = mnist_dataset['train'], mnist_dataset['test'] num_validation_samples = 0.1 * mnist_info.splits['train'].num_examples nu..

패키지 임포트 import numpy as np import tensorflow as tf import tensorflow_datasets as tfds 계속 포스팅해왔던 것 처럼, 필요한 패키지를 임포트를 진행합니다. 필요한 라이브러리를 설치하고, 진행합니다. 데이터 전처리 mnist_dataset, mnist_info = tfds.load(name='mnist', with_info=True, as_supervised=True) mnist_train, mnist_test = mnist_dataset['train'], mnist_dataset['test'] num_validation_samples = 0.1 * mnist_info.splits['train'].num_examples num_validati..