문제: N으로 표현(DP)

문제: 인구이동

문제: 톱니바퀴

문제: 가장 긴 짝수 연속한 부분 수열

문제: 양과 늑대

문제: 파괴되지 않은 건물

여름방학에 열심히 풀이한 프로그래머스 Level0 문제 풀이한 코드와 해설입니다.

여름방학에 열심히 풀이한 프로그래머스 Level1 문제 풀이한 코드와 해설입니다.

여름방학에 열심히 풀이한 프로그래머스 Level2 문제 풀이한 코드와 해설입니다.

부조리주의, 포스트구조주의, 그리고 반항

WrapUp Report 우수사례 선정

우리팀은 어떻게 협업하는가?: 팀협업 진화기

이거 실화에요?

이거 실화에요?

[Domain_Common_Project][study] 메트릭 선택은 기술이 아니라 의사결정의 정치다.

[Domain_Common_Project][모델최적화]-EDA.

[모델최적화]-Feature_Engineering.

[모델최적화]-커스텀토크나이저

[모델최적화]-FocalLoss

[모델최적화]하이퍼파라미터 튜닝

[모델최적화]하이퍼파라미터튜닝2

[모델최적화]TAPT

[모델최적화]-eval/loss vs eval/acc

[모델최적화]TAPT, WeightedModelEnsemble

프로젝트아이디어 - 에듀테크

ADK 기반 에이전트 챗봇 구현

Apache Airflow 파이프라인 자동화 구현

서울시 카페 크롤링

CLIP으로 이미지 전처리

리뷰데이터 정제 및 요약

SigLip으로 텍스트 임베딩

뤼튼에서 그로스마케팅팀의 광고 소재 제작과 운영을 AX로 바꾸는 일을 맡았다. 스토리 데이터를 가져와서 광고에 쓸 소구점을 뽑고, 이미지 배너나 영상, 플레이어블로 만들어 e2e로 라이브까지할 수 있게 하는 작업이었다.

캐릭터챗 스토리를 광고로 만들려면 제목과 이미지를 가져오는 것만으로는 부족했다. 같은 로맨스 장르라도 유저가 끌리는 이유는 다르다. 소꿉친구의 철벽을 무너뜨리는 스토리와 계약 관계에서 시작하는 스토리를 모두 ‘설레는 로맨스’라고 표현하면, 각각의 스토리를 광고하는 의미가 줄어든다.

광고에 쓸 소구점을 만들고 나면 그 문장에 맞는 그림을 골라야 했다. 캐릭터챗에는 같은 캐릭터의 이미지가 여러 장 들어 있는데, 표정이나 구도가 조금씩 다르다. 어느 이미지든 캐릭터는 같지만, 질투를 강조하는 카피와 다정함을 강조하는 카피에 어울리는 장면은 같지 않을 수 있다.

스토리의 소구점과 이미지 자산을 정리한 뒤에는 표현할 수 있는 형식을 늘렸다. 정적 배너에 카피를 얹는 것부터 시작했지만, 같은 스토리를 짧은 모션 영상으로 보여줄 수도 있고, 읽히는 롱폼이나 직접 선택하는 플레이어블로 만들 수도 있었다.

캐릭터챗은 유저가 자유롭게 스토리를 만드는 서비스다. 광고 제작을 자동화하려면 이미지를 잘 만드는 것만큼, 만들면 안 되는 광고를 먼저 거르는 것도 필요했다. 서비스에 있는 스토리라고 모두 광고로 내보낼 수 있는 건 아니었다.

광고에 쓸 스토리 이미지에서 확인해야 하는 IP는 애니메이션에 한정되지 않았다. 애니메이션처럼 정해진 도메인의 IP는 WD-Tagger로 태깅한 뒤 걸러낼 수 있었고, ops팀도 이미 이 방식으로 자동 태깅과 필터링을 하고 있었다.

광고 소재 제작 파이프라인은 크랙에서 먼저 만들었다. 이후 북미 OOC와 일본 캬라푸로 확장했다. 이미 돌아가는 생성 흐름이 있으니 언어만 바꾸면 될 것 같지만, 실제로는 입력 데이터와 UI, 폰트, 디자인 레퍼런스가 달랐다.

초기 AX 제작은 좋아요 랭킹 순으로 스토리를 넓게 탐색하는 방식이었다. 이후에는 이미 성과가 난 광고에서 다음 후보를 찾는 경로를 만들었다. 다른 팀원이 만든 에이전트의 광고 성과 분석과 인사이트를 받아, 비슷한 소구점이나 이미지를 가진 새로운 스토리를 발굴하는 작업이다.

광고 배너를 자동으로 만들 수 있게 된 뒤에는 어떤 카피를 얹을지가 다음 과제였다. 성과가 높은 카피, 재밌는 카피에는 정해진 Ground Truth가 없었다. 여러 톤앤매너와 밈 RAG로 후보를 만들고 실제 광고 성과를 비교했다.

어떤 광고 배너가 잘될지는 결국 집행 비용을 써봐야 알 수 있었다. 배너를 많이 만들 수 있어도, 그중 무엇을 내보낼지 고르는 데는 여전히 돈이 들었다. 집행 전에 후보를 걸러낼 수 있을지 확인하려고 NVIDIA Nemotron Persona-Korea 데이터셋으로 선호도 시뮬레이션을 해봤다.

순환 신경망(RNN)의 한계를 극복하고 자연어 처리의 새로운 패러다임을 제시한 Transformer 모델의 아키텍처부터 Self-Attention 메커니즘, 실험 결과까지 PPT 내용을 기반으로 상세하게 분석한다.

MNIST데이터셋 분류를 위한 Two-layer Fully-connected neural network 구현하기

대기오염 데이터셋.CSV를 불러와서 PM10과 PM2.5사이의 Linear Regression진행하기

Implement_Multi_head_Self-Attention

Traning ViT with DataAugmentation

Vision Transformers

CNN-Visualization

Data_Preprocessing&Tokenization

Subword-level Language Model

Word2Vec구현&Embedding시각화

[NLP]_Distributed Representations of Words and phrases and their Compositionality

과제2_Linear_Regression

Tensor의 생성/조작/연산

Logistic_Regression

einsum기본문제

행렬기본문제

확률론_기본문제

ViT

WithOut_torch.nn

[CV][논문 리뷰]: Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps

[NLP][미션]NLP:텍스트 전처리, RNN,LSTM 구현

[RecSys][과제2] GPT2 모델을 이용한 영화 추천

[RecSys][과제4] 변분추론 기반의 생성모델 학습구현

[RecSys][과제3] 추천시스템을 위한 생성모델 구현

[RecSys][과제1] 기본통계학

[Domain_Common_Project][과제2] 데이터 누수 탐지 및 방지하기

[Domain_Common_Project][과제1] 임베딩 레이어 구현 및 FAISS를 활용한 유사문장 검색 과제

[Domain_Common_Project][과제3] Pretrained 모델파인튜닝

[RecSys][논문리뷰]Zero-Shot Recommendation as Language Modeling

[Domain_Common_Project][미션-2]LogitProcessor구현

뤼튼에 합류한 뒤 처음 참여한 사내 해커톤이 1차 랄프톤이었다. 날짜는 노동절..! 다른 인턴분들은 빨간날이라서, 안나오고싶어하는 눈치였다. 그래서 혼자 나가게 되었는데, 내 목표는 두가지였다

비전공자에 지방러라 신청도 못 하던 밋업을 인턴으로 상경해 다녀왔다. 강남 위워크의 W&B Meetup(4/10)과 센터필드의 Claude Session(6/16)에서 코드보다 문제 정의와 판단 기준이 중요해지는 걸 봤다.

뤼튼에서 인턴으로 일하던 올해 여름, 같은 IAB중 PM들이 사용할 PRD Generator Agent를 만드는 동료 인턴이 있었다. 8월쯤 PM분들이 에이전트 성능이 이상하다는 이야기를 들었다. 심지어 클로드가 이상한말을 해서 직접 타자를 쳐서 PRD를 작성까지한다고 들었다..!(AI없이, 26년 8월에..?) Clau

1. 강의 복습

2주차 AIMath 학습회고: 벡터, 행렬, 텐서의 개념부터 확률분포, 최대가능도 추정법(MLE), 그리고 경사하강법을 이용한 모델 최적화.

3주차 AI LifeCycle내용 회고

4주차 Computer Vision 회고

Week5_NLP_학습회고

생성 모델과 변분 추론, 그리고 EM 알고리즘의 수식적 이해를 통한 추천시스템 학습 회고

WrapupReport

AI개발기초_학습회고

WrapupReport

WrapupReport