AI가 과거 근거를 확인한 44일, 그리고 달라진 결론들
여러 채널에 분산되어 있던 업무 이력을 출처가 유지되는 Wiki로 연결하여, AI가 중요한 설계 및 구현 판단 전에 과거의 근거를 확인하도록 했습니다. 과거 근거가 현재 상태와 충돌할 경우, AI가 실행 전 차이점과 선택지를 제시하고 사용자 확인을 거치게 했습니다. 44일간 60개의 실무 중 47개 업무에서 Wiki를 836회 조회했으며, 이를 활용한 업무의 89.4%에서 최초 판단이 보완되거나 부정되었습니다.
[인사이트] 발전소에서 서버 랙까지, AI 시대 데이터센터 전력의 대장정
.ktc-poster img { transition: transform .3s ease, box-shadow .3s ease; } .ktc-poster:hover img { transform: translateY(-4px); box-shadow:0 10px 22px rgba(0,154,135,0.22) !important; } .imageblock img { max-width:100% !important; height:auto !importan
AI 이미지 한 장에 얼마? 한글 간판 그려 달라 했더니 — 5개 모델 직접 비교(72원~359원)
제미나이·GPT 이미지 모델 5개에 같은 한글 칠판 그림을 세 번씩 부탁해 한 장 값·걸린 시간·한글 정확도를 비교했어요. 부가세 포함 원화 실측이에요.
MCP
MCP 는 AI 가 다른 서비스의 기능을 직접 쓰게 해 주는 표준 연결이에요. 동작 순서, Claude Code 에 붙이는 법, 안전하게 쓰는 법과 퓨쳐인프라 MCP 에 직접 연결해 잰 도구 수(30개)·호출 시간(약 0.06초)을 정리했어요.
제미나이 API 쓰는 법 — 생각을 낮추면 8배 싸져요(직접 해 봤어요)
제미나이 3.8 Flash API 를 무료로 시작하는 법, 무료와 유료의 차이, 2027년 1월 가격 인상, 그리고 생각(thinking) 설정 한 줄로 요약 값이 8분의 1이 된 실측 결과를 정리했어요.
AI 모델 무료로 써 보기 — 9개에 같은 질문 했더니 셋은 틀렸어요
GPT-5.6 Luna·딥시크·제미나이·솔라 프로 4 등 9개 모델에 같은 질문을 해 봤어요. 무료로 쓰는 곳과 횟수, 다 쓰면 한 번에 얼마인지(0.2원~5.1원)까지 정리했어요.
[신청 중] AI 제품을 만들 때, 자체 모델과 검색엔진은 언제 필요할까요?
모델 학습부터 검색엔진 고도화까지, 실제 AI 제품을 만드는 과정에서의 고민과 경험을 공유합니다.
Amazon EKS와 NVIDIA FLARE로 구현하는 연합학습 (Federated Learning)
머신러닝의 학습 과정에서 고품질 모델을 훈련시키려면 대규모의 고품질 데이터가 필수적이며, 이를 준비하는 과정은 보통 여러 출처의 데이터를 한곳에 모으는 작업을 동반합니다. 이 방식은 효과적이지만 의료 기관, 금융 기관, 정부 기관과 같이 데이터 프라이버시, 규제 준수, 데이터 주권에 민감한 환경에서는 조직 밖으로 반출할 수 없는 소중한 데이터를 보유하고 있는 경우가 많습니다. 연합 학습(Federated Learning, FL)은 이에 […]
[AI 트렌드] 모델은 사는 것, 자산은 쌓는 것 — Domain Data와 Harness
AI 시대에 기업의 진짜 자산은 ‘모델’이 아니라 현장에서만 쌓이는 도메인 데이터와 도구·스킬·평가·가드레일이 결합된 하네스다. 업의 본질은 그대로이고, 경쟁력은 프로세스를 바꾸는 데이터와 실행 체계에서 나온다. The post [AI 트렌드] 모델은 사는 것, 자산은 쌓는 것 — Domain Data와 Harness appeared first on BESPIN Tech Blog.
Antigravity SDK 로컬 AI 모델 지원 등 9월 넷째 주 Google for Developers 위클리 업데이트를 지금 확인하세요!
개발자 여러분, 안녕하세요!9월 넷째 주 블로그에 발표된 Google의 주요 개발자 제품별 최신 소식을 살펴보세요.[주요 개발자 블로그 업데이트] AI & Machine LearningAntigravity SDK로 기기 내 로컬 AI 모델 연동하기 (Introducing Support for Local AI Models in the Antigravity SDK) Google ‘AI & Economy ATLAS’가 전하는 새로운 인사이트 (국문)
연 300시간을 아낀 AI 상담 서비스
전화 문의를 줄이려다 사용자의 경험에서 답을 찾은 이야기예요.
LLM 하나만 믿지 마세요 — 모든 LLM을 관점별로 싸우게 한 코드리뷰, Code Review War
같은 PR도 어떤 LLM에 어떤 프롬프트로 맡기느냐에 따라 결함이 잡히기도 하고 그냥 묻히기도 합니다. Code Review War는 쓸 수 있는 모든 LLM을 워커로 동원하고 8개 리뷰 관점(페르소나)을 실행 단위로 얹어 PR을 병렬 리뷰한 뒤, 심판 모델의 검증과 결정적 병합을 거쳐 한 장의 라인 단위 리뷰로 만드는 시스템입니다. 이 글에서는 결함을 매설한 샘플 PR과 정답지 자동 채점으로 구성별 품질을 측정하여 단일 모델 대비 결함 탐지가
AI로 만들고, 디자인으로 완성한 3개월
데이터 분석 툴 '노트북'을 만들며
[기술분석] AI 추론 메모리 병목과 서버 아키텍처 변화
.ktc-poster img { transition: transform .3s ease, box-shadow .3s ease; } .ktc-poster:hover img { transform: translateY(-4px); box-shadow:0 10px 22px rgba(0,154,135,0.22) !important; } .imageblock img { max-width:100% !important; height:auto !importan
Claude Opus 5.5 — 가격 20% 인하, Opus 5와 직접 잰 속도·비용
클로드 Opus 5.5가 나왔습니다. 값이 20% 내렸고 캐시는 60% 내렸습니다. 이전 모델과 같은 문제를 세 번씩 시켜 비용·시간·형식 준수를 직접 쟀고, 그래프로 정리했습니다. 생각을 끌 수 없다는 주의점도 함께.
루프 엔지니어링 실전: Claude Code /goal 분석과 Stop 훅 재구현
테스트는 실패하는데 코딩 에이전트가 '완료했다'며 멈춘 적이 있나요? 에이전트가 완료를 스스로 판단하기 때문입니다. 이 판정을 시스템에 맡기는 루프 엔지니어링을 살펴보고, Claude Code /goal을 분석해 Stop 훅으로 재구현해 봤습니다.
개인화 추천을 위한 랭킹 모델 개발기
안녕하세요! 카카오에서 유저 편의성을 높이는 데 관심이 많은 토리입니다. 카카오에는 정말 다양한 서비스와 그 안에 쌓이는 방대한 데이터가 있습니다. 이 많은 콘텐츠와 유저를 잘 이어주는 역할을 하는 것이 바로 추천이고, 그중에서도 "얼마나 이 유저에게 맞는 콘텐츠를 보여주는가"는 서비스 체류시간과 만족도에 직결되는 핵심 문제입니다. 그래서 세그먼트 단위로 동작하던 추천 로직을, 유저 개인의 히스토리를 반영하는 개인화 랭킹 모델로 교체하는 프로젝
Gemini 3.9 Flash 나왔나요? 지금 최신은 3.8 Flash — 3.7과 직접 잰 속도·비용
2026년 9월 22일 기준 Gemini 3.9 Flash는 미출시입니다. 최신 3.8 Flash의 사양·가격(2027년 2배 인상)과, 3.7 Flash와 같은 과제로 직접 잰 속도·비용·JSON 형식 준수 차이를 정리했습니다.