서비스 플랫폼: API Economy

ㅁ 서비스 플랫폼 ㅇ 정의: AI 기술을 활용한 서비스를 제공하는 플랫폼으로, 사용자와 개발자 간의 상호작용을 지원. ㅇ 특징: 서비스 확장성과 유연성을 제공하며, 다양한 API를 통해 통합이 용이함. ㅇ 적합한 경우: 여러 애플리케이션과의 연동이 필요한 경우, 다양한 사용자 요구를 충족해야 하는 경우. ㅇ 시험 함정: 서비스 플랫폼의 구성 요소와 API 연동 방식에 대한 개념을 혼동할 수

서비스 플랫폼: Prompt Store

ㅁ 서비스 플랫폼 ㅇ 정의: AI 서비스를 제공하거나 운영하기 위한 기술적, 비즈니스적 기반을 제공하는 구조 또는 환경. ㅇ 특징: – AI 모델과 데이터를 효율적으로 관리 및 배포 가능. – 사용자 경험 중심 설계로 다양한 고객층 접근 가능. – 확장성과 유연성을 고려하여 설계됨. ㅇ 적합한 경우: – AI 서비스를 다양한 사용자에게 제공하려는 경우. – 다수의 AI

멀티에이전트 협업: Co-Working AI

ㅁ 멀티에이전트 협업 ㅇ 정의: 다수의 AI 에이전트가 협력하여 특정 목표를 달성하기 위해 상호작용하는 시스템. ㅇ 특징: – 각 에이전트가 독립적으로 동작하며, 특정 역할을 수행. – 협업을 통해 개별 에이전트가 해결하기 어려운 문제를 해결 가능. – 의사소통 및 작업 분담이 중요. ㅇ 적합한 경우: – 복잡한 문제를 분해하여 해결해야 하는 경우. – 다양한 전문성을 가진

멀티에이전트 협업: Multi-Agent Swarm

ㅁ 멀티에이전트 협업 ㅇ 정의: 다수의 에이전트가 협력하여 특정 목표를 달성하는 AI 기술. ㅇ 특징: – 각 에이전트는 독립적이지만 상호작용을 통해 공동의 목표를 달성. – 분산 시스템 구조로 유연성과 확장성이 높음. – 자율성과 협업 능력이 중요한 요소. ㅇ 적합한 경우: – 로봇 군집 제어. – 대규모 데이터 분석. – 분산 환경에서의 문제 해결. ㅇ 시험

멀티에이전트 협업: Orchestrator Agent

ㅁ 멀티에이전트 협업 ㅇ 정의: 여러 에이전트가 협력하여 복잡한 문제를 해결하거나 목표를 달성하는 시스템. ㅇ 특징: 에이전트 간의 통신 및 역할 분담이 중요하며, 분산된 구조로 인해 확장성이 높음. ㅇ 적합한 경우: 복잡한 작업을 병렬로 처리하거나, 개별 에이전트가 독립적으로 작동해야 하는 상황. ㅇ 시험 함정: 에이전트 간의 충돌 방지를 위한 조율 메커니즘을 간과하거나, 중앙 집중식 관리와

멀티에이전트 협업: AI Crew

ㅁ 멀티에이전트 협업 ㅇ 정의: 다수의 에이전트가 협력하여 특정 목표를 달성하는 시스템 설계 기법. ㅇ 특징: – 각 에이전트는 독립적으로 동작하며, 특정 역할을 수행함. – 협업을 통해 개별 에이전트의 한계를 극복하고 전체 성능 향상을 도모. – 의사소통 및 자원 공유가 핵심. ㅇ 적합한 경우: – 복잡한 문제를 분할하여 해결해야 하는 경우. – 다수의 데이터 소스가

검색/추천: Hybrid VectorDB

ㅁ 검색/추천 ㅇ 정의: – 검색/추천은 사용자의 의도에 맞는 정보나 아이템을 제공하는 기술로, 주로 대규모 데이터셋에서 관련성을 기반으로 최적의 결과를 도출하는 데 초점을 둔다. ㅇ 특징: – 검색은 사용자의 질의에 대한 정확한 결과를 반환하는 데 중점을 두며, 추천은 사용자 선호도 및 행동 데이터를 분석하여 적합한 아이템을 제안한다. ㅇ 적합한 경우: – 대규모 데이터셋에서 사용자 맞춤형

검색/추천: Sparse Embedding

ㅁ 검색/추천 ㅇ 정의: 특정 도메인에서 사용자와 아이템 간의 관계를 파악하여 적합한 결과를 도출하는 기술. ㅇ 특징: 고차원 데이터에서 유의미한 패턴을 추출하여 검색 및 추천 정확도를 높임. ㅇ 적합한 경우: 대규모 데이터셋에서 유사성 검색 또는 개인화 추천이 필요한 경우. ㅇ 시험 함정: 검색과 추천의 차이를 혼동하거나, 임베딩 방식의 차이를 묻는 문제에서 혼란을 겪을 수 있음.

검색/추천: Dense Embedding

ㅁ 검색/추천 ㅇ 정의: – 검색/추천은 대규모 데이터셋에서 사용자의 쿼리에 적합한 결과를 제공하거나 사용자의 선호도를 기반으로 항목을 추천하는 기술을 말한다. ㅇ 특징: – 대규모 데이터셋을 다루며, 정확하고 빠른 결과를 제공하는 것이 핵심이다. – 사용자 행동 데이터를 기반으로 학습하며, 정형 및 비정형 데이터를 모두 활용한다. ㅇ 적합한 경우: – 전자상거래에서 상품 추천, 스트리밍 서비스에서 콘텐츠 추천,

토큰 관리: Long Sequence Processing

ㅁ 토큰 관리 ㅇ 정의: 토큰 관리는 자연어 처리 모델에서 입력 데이터를 적절히 분할하고 처리할 수 있도록 제어하는 과정을 의미하며, 모델의 메모리 및 처리 성능 최적화를 목표로 한다. ㅇ 특징: – 모델의 컨텍스트 윈도우 크기에 따라 처리 가능한 토큰 수가 제한됨. – 긴 문장이나 문서를 처리할 때 중요한 역할을 함. – 토큰의 수가 많아질수록 처리