IT서적
Azure OpenAI로 ChatGPT와 LLM 시스템 쉽고 빠르게 구축하기 리뷰
저는 클라우드 서비스와 AI 모델 추론과 서빙, GPU까지 AI 클라우드 인프라에 관심이 많은 학생입니다. 그리고 요즘 AI 기술의 화두는 역시 LLM일 것입니다. 이는 우리들의 삶을 송두리째 바꿔놓았으며 우리의 일자리까지 위협하고 있는 존재입니다. 뉴스부터 시작해서 채용 공고까지 LLM이라는 단어가 한번도 안들어 간적은 있어도 한번만 들어간 적은 없는 상황입니다. LLM은 생각보다 엄청나게 오래된 기술이며 이는 엄청난 수학적 기반을 필요로 하기에 당장 AI 모델을 사용한 서비스를 만들고 싶은 엔지니어에게는 내부 구조를 이해하기에는 진입장벽이 많이 높은 분야입니다. 그렇기 때문에 요즘에는 클라우드 서비스를 사용해서 간편하게 모델을 사용할 수 있는 방식으로 패러다임이 바뀌고 있습니다. 저는 평생을 구글과 ..
개발
Terraform으로 Google Cloud GPU 서버 구축하기
왜 이 프로젝트를 시작했는가? BOAZ 동아리에서 강화학습 논문을 작성하는 프로젝트를 수행 중논문 작성에 사용되는 모델 실험에 필요한 GPU서버가 필요논문 작성에 사용되는 모델의 학습은 보통 하루에서 길면 일주일 정도 서버를 켜둬야 하는 상황가난한 학생 신분에서 무료로 GPU를 사용할 수 있는 방법을 강구코랩은 매우 좋은 GPU인 T4를 무료로 사용할 수 있지만 하루에 사용량이 정해져 있기 때문에 엄청난 GPU 사용량을 계속해서 요구하는 논문 모델 학습에 효과적이지 않음동료들이 각자 가지고 있는 GPU 서버를 사용하려 했지만 우리가 사용하는 강화학습 프레임워크인 rl4co는 cuda 12.1버전 이상을 요구했으며 이는 동료들이 가지고 있는 cuda 11.7, 11.8과 호환되지 않아서 학습이 불가신규 가..
개발
공식 문서 번역 모음 깃헙 레포를 오픈했습니다.
이름은awesome-korean-docs이고, 현재 활발하게 유지하고 있는 공식 문서 한글화 번역 레포들을 모아둔 레포입니다. 자세한 내용은 링크에 있으니 많이 참고해주세요.star도 눌러주시면 감사 감사https://github.com/falconlee236/awesome-korean-docs
BOAZ
BOAZ 데이터 분석 22기 BASE 후기
안녕하세요? 정신없는 23기 신입기수 선발을 모두 마치고 나서 바쁜 일정은 어느정도 마무리한 상태에서 글을 남겨보려 합니다. 저는 대표진도 아닌 일반 동아리원이라는 점 먼저 밝히고 시작하겠습니다 가끔 이런 글 쓰면 대표진이 홍보목적으로 하는것 아니냐고 말하기도 하는데, 그런거 아니에요 보아즈는 다른 동아리와 다르게 1년제로 운영합니다. 첫 6개월은 신입 기수로 맞이하는 BASE 세션을, 나머지 6개월은 선배 기수로 맞이하는 ADV 세션을 진행합니다. 이 두 세션중에서 이번에는 BASE 분석 세션에서는 무엇을 하는가? 간략하게 소개해보려고 합니다. 앞으로 동아리 지원할 사람들이 참고가 되었으면 좋겠네요OT, 컨퍼런스동아리에 들어와서 제일 먼저 하는일은 OT랑 컨퍼런스를 참여하는 것이겠죠? 이 두 행사는 불..
IT서적
러스트 서버, 서비스, 앱 만들기 리뷰
러스트 프로그래밍 언어를 여러분은 알고 계신가요?생전 처음 들어본 사람도 있을 것이고, 이름만 들어볼 수도 있을 것이며, 조금 다뤄본 사람도 있고, 능숙하게 다뤄본 사람도 있을 것입니다. 러스트는 현재 개발자 산업에서 가장 유명하다고 할 수 있는 언어 입니다. 매년 스택 오버 플로우에서 배우고 싶은 언어 1위를 차지하고 있는 언어이기도 합니다. 러스트는 c언어의 가장 큰 단점인 메모리 관리가 어렵다는 점을 해소하고자 등장했습니다. c언어는 메모리를 프로그래머가 직접 다루게 해서 더 빠른 성능과 시스템 내부까지 코딩이 가능하다는 장점을 가지고 있지만 메모리를 직접 다루기 때문에 실수하기 쉽다는 단점이 있습니다.단적인 예로 c언어를 프로그래밍 하면서 발생하는 segfault오류는 유효하지 않은 메모리 주소 ..
논문 리뷰
Generative Adversarial Nets (GAN) 증명
HTML 삽입 미리보기할 수 없는 소스 4. Theoretical Results $\min\limits_{G}\max\limits_{D}V(D,G)=\mathbb{E}{x\sim p{data}(x)}[logD(x)]+\mathbb{E}{z\sim p{z}(z)}[log(1-D(G(z)))]$ $G$는 $z \sim p_z$를 만족하는 $z$에서 얻을 수 있는 $G(z)$값 들의 확률 분포인 $p_g$를 암묵적으로 정의할 수 있다. 따라서 만약에 충분한 용량과 훈련 시간이 주어진다면 아래에서 말하는 알고리즘 1이 $p_{data}$의 값을 추정하는데 좋다. 우리는 확률 밀도 함수 공간 안에서 수렴하는 것을 확인하기 위해서 해당 모델이 용량을 무한정 가지고 있다고 가정한다. 즉 이 절의 결과는 매개변수가 없..
