모레 모레

Streamlit이란?Streamlit은 Python 기반의 오픈소스 라이브러리로, 간단한 코드만으로 웹 애플리케이션을 쉽게 만들 수 있는 도구입니다. 특히 데이터 과학, 머신러닝, AI 프로젝트에서 **GUI(그래픽 사용자 인터페이스)**를 빠르게 구축하는 데 자주 사용됩니다. 복잡한 웹 프레임워크를 사용할 필요 없이 직관적인 API로, 데이터를 시각화하고 상호작용할 수 있는 웹 애플리케이션을 손쉽게 만들 수 있어요.Streamlit의 주요 특징은 다음과 같습니다.Python만으로 웹 개발 가능: HTML, CSS, JavaScript와 같은 웹 기술을 배우지 않아도 Python 코드로 GUI를 구현할 수 있습니다.데이터 시각화와 상호작용 지원: 다양한 차트, 데이터 테이블 등을 포함해 Matplotl..

AI 개발 환경은 AI/ML 모델을 개발, 훈련, 배포하는 데 필요한 다양한 도구와 프레임워크를 말합니다. 특히 멀티클라우드 환경에서 AI를 구축하거나 MLOps(Machine Learning Operations)를 수행하려면, 효율적이고 확장 가능한 개발 환경을 구성하는 것이 매우 중요하죠.AI 개발 환경의 주요 요소클라우드 인프라AI 개발을 위한 컴퓨팅 자원, 스토리지, 네트워킹을 제공하는 클라우드 환경입니다. 주요 클라우드 서비스 제공자로는 AWS, Google Cloud, Microsoft Azure가 있으며, OpenShift와 같은 멀티클라우드 플랫폼을 통해 클라우드를 관리할 수 있습니다.AI/ML 프레임워크딥러닝이나 머신러닝 모델을 개발하는 데 사용하는 프레임워크로는 대표적으로 TensorF..

파이프라인 아티팩트란?파이프라인 아티팩트는 소프트웨어 개발 파이프라인에서 각 단계가 완료될 때 생성되는 데이터나 파일들입니다. 이러한 아티팩트는 이후 단계에서 필요할 수 있으며, 종종 최종 제품을 구성하는 데 필수적입니다.아티팩트의 종류빌드 아티팩트(Build Artifacts)예시: 컴파일된 코드, 바이너리 파일, JAR, WAR, DLL 파일 등.설명: 소스 코드가 빌드 프로세스를 통해 생성된 실행 가능한 파일이나 라이브러리입니다. 이후 테스트 및 배포 단계에서 사용됩니다.테스트 아티팩트(Test Artifacts)예시: 테스트 리포트, 코드 커버리지 리포트, 로그 파일 등.설명: 테스트 실행 후 생성되는 결과물로, 테스트의 성공 여부와 코드의 품질을 평가하는 데 사용됩니다.배포 아티팩트(Deploy..

Dynamic provisioning 된 StorageClass는 OpenShift AI와 같은 클라우드 네이티브 플랫폼에서 필수적인 요소로, 애플리케이션의 저장소 요구 사항을 자동으로 관리하고 프로비저닝하는 데 사용됩니다. 이 기능이 필요한 이유와 그 이점을 자세히 설명하겠습니다. Dynamic Provisioning란? Dynamic provisioning은 쿠버네티스 환경에서 Persistent Volume (PV)을 자동으로 생성하는 방법입니다. 이 방식은 사용자가 직접 스토리지를 사전에 할당하지 않아도, 필요할 때 자동으로 스토리지를 생성하고 할당하는 것을 의미합니다. StorageClass란?  • StorageClass는 쿠버네티스에서 스토리지의 성능과 특성을 정의하는 방법입니다. 각 Sto..

자체 관리 환경에 OpenShift Data Science(ODS) 설치작년 말, Red Hat Openshift Data Science(ODS)가 일반에 공개되었습니다(GA). 당시 이 서비스는 AWS와 Google(GCP)과 같은 클라우드 환경에서만 제공되었습니다.올해 초, ODS는 운영자로 설치하여 자체 관리 환경에서 사용할 수 있게 되었습니다.ODS는 데이터 과학자가 데이터를 분석할 수 있도록 하며 Jupyter Notebook의 클라우드 기반 인스턴스를 제공합니다. OpenVINO(모델 제공 런타임) 및 Openshift 파이프라인도 지원됩니다. 이는 ODS가 할 수 있는 일의 일부에 불과합니다. Red Hat 공식 사이트에서 더 자세한 내용을 소개합니다.이 짧은 문서에서는 자체 관리형 환경에서..

글로벌 오픈소스 솔루션 선도기업 레드햇은 사용자가 생성 인공지능(Generative AI)모델을 보다 원활하게 개발·테스트·배포할 수 있도록 지원하는 파운데이션 모델 플랫폼인 '레드햇 엔터프라이즈 리눅스 AI(Red Hat Enterprise Linux AI, 이하 RHEL AI)'를 7일(현지시간) 발표했다.RHEL AI는 IBM리서치(IBM Research)의 오픈소스 라이선스 그래니트 LLM(Granite LLM, 대규모 언어 모델) 제품군과 LAB(Large-scale Alignment for chatbot, 챗봇을 위한 대규모 정렬) 방법론에 기반한 인스트럭트랩(InstructLab) 모델 정렬 도구, 그리고 인스트럭트랩 프로젝트를 통한 커뮤니티 중심의 모델 개발 접근 방식을 결합한 솔루션이다...

머신 러닝을 위한 피처 엔지니어링(Feature engineering)데이터 처리라고도 불리는 피처 엔지니어링은 가공되지 않은 데이터를 머신 러닝 모델 개발 사용할 수 있는 기능으로 전환하는 프로세스입니다. 이 항목에서는 피처 엔지니어링의 주요 개념과 피처 엔지니어링이 ML 수명 주기 관리에서 수행하는 역할을 설명합니다.머신 러닝에서 특성은 모델 트레이닝에 사용되는 입력 데이터입니다. 특성은 모델이 학습할 어떤 엔터티의 속성입니다. 가공되지 않은 데이터는 처리 작업을 수행한 후 ML 모델의 입력 데이터로 사용해야 합니다. 올바른 피처 엔지니어링은 모델 개발 프로세스의 효율성을 향상하고 더 단순하고 유연하며 정확한 모델을 만들 수 있습니다.피처 엔지니어링이란 무엇입니까?피처 엔지니어링은 데이터로 모델을 트..

GPU와 VPU의 차이점은 무엇인가요?그래픽 처리 장치(GPU)와 비전 처리 장치(VPU)의 차이점을 알아보세요.소형의 견고한 PC가 팬이 없는 솔리드 스테이트 시스템에서 최첨단 성능을 구현하는 강력한 그래픽 하드웨어를 필요로 하는 컴퓨팅 집약적 작업을 처리하는 경우가 점점 더 흔해지고 있습니다. 이는 전력 소비, 냉각 용량, 비용 및 시스템 안정성을 동등하게 해야 하기 때문에 구현하기 어려운 작업입니다.Assured Systems는 견고한 디자인을 유지하면서도 추가 처리 능력이 필요한 머신 비전, 학습 및 AI 애플리케이션을 위한 광범위한 산업용 GPU 가속 PC를 구축합니다. 이러한 시스템은 일반적으로 VPU(Vision Processing Unit) 또는 GPU(Graphics Processing ..

모델 서빙(Model Serving)이란? 모델 서빙은 머신러닝 모델을 실제 애플리케이션 환경에서 사용할 수 있도록 배포하고 관리하는 과정입니다. 이는 모델을 API 형태로 노출하여 다른 시스템이나 애플리케이션이 이를 호출하고 결과를 활용할 수 있도록 합니다. OpenVINO 모델 서버 OpenVINO란?  • OpenVINO(Open Visual Inference & Neural Network Optimization)는 Intel에서 제공하는 도구로, 딥러닝 모델의 추론 성능을 최적화하고 가속화하는 데 사용됩니다. • OpenVINO는 다양한 하드웨어(Intel CPU, GPU, VPU 등)에서 최적화된 추론을 지원하며, 특히 컴퓨터 비전과 관련된 작업에 유리합니다. OpenVINO 모델 서버  • O..

데이터셋(dataset)은 모델 개발과 훈련에서 핵심적인 역할을 하는 데이터의 모음을 의미합니다. 데이터셋은 기계 학습 및 데이터 분석의 기초가 되며, 모델의 성능과 정확도를 좌우할 수 있습니다. 데이터셋에 대한 설명은 다음과 같습니다.데이터셋의 정의데이터셋은 특정한 목적이나 문제를 해결하기 위해 수집된 데이터의 집합입니다. 이러한 데이터셋은 다양한 형태로 존재할 수 있으며, 일반적으로 구조화된 형태(예: 테이블 형식의 데이터)와 비구조화된 형태(예: 이미지, 텍스트, 오디오)로 나뉩니다.데이터셋의 구성 요소샘플(Sample) 또는 인스턴스(Instance):데이터셋은 여러 개의 샘플로 구성됩니다. 각각의 샘플은 관찰된 데이터 포인트 하나를 의미합니다.예를 들어, 사람의 키와 몸무게 데이터를 다루는 경우..