

AWS 환경에서 Physical AI 모델 구축하기 – (1) 데이터
Physical AI는 모델보다 데이터가 성능을 좌우하며, 실제·합성·인간 영상 데이터를 조합하는 전략이 중요했습니다. AWS는 수집부터 큐레이션, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제시했습니다.


Physical AI는 모델보다 데이터가 성능을 좌우하며, 실제·합성·인간 영상 데이터를 조합하는 전략이 중요했습니다. AWS는 수집부터 큐레이션, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제시했습니다.


타입스크립트의 핵심 개념과 컴파일러 동작, 구조적 타이핑, 타입 추론을 설명했습니다. 또한 런타임 한계와 TSConfig 옵션, 실무 적용 시 주의점을 정리했습니다.


Vault를 반장노트에 적용하면서 Stash 구조, 메타데이터 저장, 호출 경로를 서비스 요구에 맞게 조정했습니다. 또한 Cabinet과 Clip의 범위를 정리해 공고와 제출서류 흐름에 맞는 파일 관리 구조를 만들었습니다.

팀마다 각자 관리하던 실기기 환경을 사내 디바이스 팜 네뷸라로 통합한 과정을 소개했습니다. Appium 대신 자체 드라이버와 실시간 미러링 구조로 속도와 운영성을 높였습니다.

대규모 Android 저장소에서 AI 에이전트의 토큰 낭비를 줄이기 위해 Android CLI 래퍼와 스킬을 설계한 사례를 소개했습니다. 문서 검색, IDE 연동, 프리뷰 렌더링을 정규화하고 오류를 간결하게 바꿔 안정성을 높였습니다.

제품이 잘 될수록 회사의 정체성과 구조를 보여주는 브랜딩이 더 중요하다고 정리했습니다. 딜라이트룸은 홈페이지 개편으로 세 사업 구조와 조직의 온도를 함께 드러냈습니다.


관계 원천과 인가 튜플을 Outbox·CDC·Kafka로 동기화해 잔존 권한 문제를 줄이는 구성을 다뤘습니다. 부분 실패, 캐시, 감사 이력까지 함께 고려한 운영 포인트도 정리했습니다.
쿠팡 파트너스
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
전장처럼 다양한 정보가 동시에 들어오는 환경을 위한 옴니모달 AI 개발 내용을 소개했습니다. 경량 모델 HyperCLOVA X SEED 4B와 CLIP 기반 핵심 구성 요소를 자체 기술로 개발했습니다.
LLM 환각 검출의 중요성과 필요성을 설명하는 글입니다. 생성 결과의 사실성 검증과 흔적 추적의 필요성을 다뤘습니다.


Strands SDK와 Amazon Bedrock AgentCore로 환불 CS 자동응답 에이전트를 2주 만에 구축했습니다. 내부 검수 초안 방식과 멀티턴 맥락·안전성 검증을 결합해 운영 가능성을 확보했습니다.

AI·클라우드 환경에서 운영 안정성에 대한 기업들의 실제 고민을 다룬 설문 리포트입니다. 웨비나 참석자 200명의 응답으로 DR 준비 수준과 운영 과제를 살펴봤습니다.

SVG 필터가 브라우저 렌더링 과정에서 어떻게 작동하는지, `fe*` 프리미티브와 `in`/`result`로 파이프라인을 구성하는 방식을 설명했습니다. 단순 보정은 CSS filter로, 복합 합성과 커스텀 효과는 SVG 필터로 나누어 선택하는 기준도 정리했습니다.