Loading the catalog…
THE AI OPPORTUNITY INDEX
Find your next AI tool. Explore free access, trials, and credits — all in one place.
iThome 新聞
仍在使用法國科技業者Thales旗下舊版硬體權杖驗證軟體SConnect的組織,需要留意CVE-2026-18397。這項漏洞的CVSS 4.0風險分數為9.4分,屬重大漏洞。使用者若透過瀏覽器載入攻擊者控制的惡意網頁內容,攻擊者可能利用漏洞在其電腦執行程式碼。SConnect曾用於環球銀行金融電信協會(SWIFT)的3SKey硬體權杖驗證。
Score: 57.06Confidence: 54%
View offer掘金
目录 一、复盘范围与问题主线 二、Docker 的隔离模型:先确认边界,再讨论逃逸 三、容器识别:用可观察证据确认当前位置 摘要:本文复盘一场围绕云安全的技术授课,按原始讲解顺序整理 Docker 的
Score: 57.06Confidence: 54%
View offer人人都是产品经理
说说最新的 DeepSeek 拟人形象大战:为什么一只蓝色大肥鱼能在开源社区引发一场战争?作者先从技术视角梳理,鲸鱼娘本是社区去中心化创作的产物,再谈这场争吵背后两种社区文化的撞车,以及古典叙事在当代遇到的结构性问题。 说一下最新的deepseek拟人形象大战,大家这两天应该刷到不少争吵帖了,但未必了解前因后果,这里全方位科普一下,为什么小小的一个拟人形象,会引发社区战争。 首先,从技术视角,鲸鱼娘是开源社区产物。 很多人以为鲸鱼娘是今年出现的,这个说法是错误的,在deepseek横空出世之初,deepseek娘的形象就出现了,当时往往和ChatGPT娘,kimi娘,还有豆包看板娘走一块。 只是作为大众创作的去中心化作品,deepseek娘有各种版本,有御姐版,有萌妹版,有3D风格的,有2D画风的,在互相吸收,不断迭代下,吃白饭的蓝色大肥鱼形象逐渐得到了社区公认。 这是一个标准的去中心化产物,完美契合开源社区精神。 而男版那个,只是个人画师作品。 所以这并不是A画师和B画师哪个好的问题,而是个人作品和社区共识的差异。 但如果只是技术层面的讨论,不足以引发如此剧烈争议,真正的关键,在于男版那边提出的软色情擦边指责,在经历了网文大战,二游大战后,当代男性社区对于这套进步主义话术已经是敌我级别。 以网文为例 为什么霸道总裁题材长盛不衰?因为互联网快餐化?答案是从古至今,这个题材就一直火。 为什么有花魁爱上卖油郎?为什么相府千金爱的是白衣书生而不是状元郎? 如果看中的是状元郎,那无非是趋利避害,怎么还叫爱情呢?只有当你是白衣书生,这才叫纯粹的爱 也就是王子爱上灰姑娘,千金爱上穷书生,三圣母爱上放牛郎这个故事,就是人民大众喜闻乐见的叙事,这是流传千年,真正经得起历史考验的。 但这套古典叙事在当代中国遇到了一个结构性问题。 那就是和进步主义不兼容。 王子爱上灰姑娘是跨越阶级追寻真爱,那卖油郎独占花魁是真爱吗?相府千金看上白衣书生是真爱吗? 在当前的进步主义逻辑下,这几个属于癞蛤蟆吃天鹅肉,是媚男爽文,底层幻想,要狠狠批判的。 这就导致了一个情况,过去,你说一个网文作者写的不好,不够进步,大家会反思是不是自己的写作技巧有待提高,故事立意有待改进。 而现在,大家明白,这不是写作技巧的问题,而是整个讨论就没有意义 因为你哪怕是把汤显祖拉过来也不行,牡丹亭西厢记放今天搞不好都要滚出语文课本。 类似的二游,游戏公司做一个讨好女玩家的帅哥角色行不行 当然可以,女玩家花了钱,游戏公司就应该服务他们,这是女性消费力的体现,是进步的开放的。 那宅男玩家也花钱了,游戏公司能不能出一个女角色讨好他们呢? 当然不行,你一个娱乐产品怎么能娱乐男玩家呢?这不是媚男吗? 大家在多年的漫长争吵后,发现问题根源不是叙事逻辑,人物刻画这些技术问题,而是一个结构性矛盾: 当前进步主义,只支持娜拉出走,但不支持林冲夜奔。 所以你会看到,deepseek这次大家都懒得辩了,跳过流程直接开打 过去,女性提出软色情擦边的指责后,往往会有一个论证流程 比如你说鲸鱼娘擦边,那究竟哪里擦边,是裙子短了还是头发长了,标准该怎么定,再比如有人提出两个方案都可以,现在大家明白了,这些讨论没意义,你我都心知肚明,裙子问题头发问题那都是借口,两个方案并行也是拉偏架,关键是你们这个技术宅社区自娱自乐,那就不行。既然这样,那还有什么好讨论的呢? 所以这次大家态度都很明确 为什么我们的社区要接受你的擦边审核?为什么我要接受你的并行方案? 我们创造的世界,凭什么要接受你的标准? 你要觉得不满,你可以去建立自己的社区,而不是来别人社区寄生 本文由人人都是产品经理作者【卢诗翰】,微信公众号:【诗翰】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自作者提供
Score: 57.01Confidence: 54%
View offer人人都是产品经理
验收时99%,量产一个月95%,四个点的差距让双方对簿公堂。这不是设备故障,而是验收口径、过杀成本、环境漂移与合同条款的连环陷阱。本文拆解四个关键窟窿,教你用一张表锁死验收标准,避免扯皮。 上一篇结尾我埋了个雷:验收当天 99%,量产一个月 95%,这官司怎么打?评论区有几位等着看这篇——好,这篇就把这四个点丢在哪,一个一个拆开。 先摆案子。这是我见过最典型的一次验收纠纷,细节做了模糊,情节全是真的。 一家做汽车零部件外观检测的客户,设备验收那天,双方一起跑盲测集:三千张图,历史缺陷库混着当天现场抽检图。结果很漂亮——按客户坚持的点级口径,漏检率 0.8%,折算检出率 99.2%,过杀率 1.5%。全场气氛很好,验收单签字,合影,吃饭。 二十八天后,终端客户来了一张批退单:一批零件流出去,里面混着七件带划伤的。品质部连夜倒查产线一个月的检测数据,按同样的点级口径重算当月漏检率——4.9%,检出率 95.1%。 会议室里,客户把两张打印纸拍在桌上:合同写着 99,你们跑出了 95,四个点,解释一下?设备商也很委屈:设备没坏、模型没动、日志干干净净,是你们当月换了供应商,来料表面跟验收那天根本不是一个东西。 这场官司最有意思的地方:两边都没撒谎,两个数都是真的。它们只是不在同一个世界里算出来的。 这篇就写四个窟窿:分母、账单、环境、合同。窟窿都补上,这官司根本不用打。 一、先钉分母:漏检率是“张”的还是“个”的 第一个窟窿最基础,也最气人:吵了半年,双方可能连“漏检率”的定义都没对齐过。 同一批盲测数据,我用三种口径算给你看。三千张图,里面 320 张缺陷图,一共 460 个缺陷点。 图级口径:一张缺陷图,只要设备报了 NG,这张图就算“检出”——哪怕图上有三个伤,报出来一个也算过关。按这个口径,320 张缺陷图里漏了 4 张,漏检率 1.25%。 点级口径:每个缺陷点独立算数。460 个点漏了 22 个,漏检率 4.8%。 再往下还有位置级:点也报了,但框偏了半个身位,跟真值框的重叠率不到五成——算检出还是算漏?数字还能再变一轮。 同一批图,同一台设备,1.25% 和 4.8%,差将近四倍。你说验收会上吵什么?吵的压根不是设备好坏,是数学题的分母。 客户为什么咬死点级?因为他的世界按“个”计费。一个点流到终端,就是一张客诉单、一次可能的批退、一通要写整改报告的电话。客户不关心那张图上另外两个点检没检出来,他只记得漏掉的那一个。 设备商为什么默认图级?一半是行业惯性,传统检测设备的指标就这么报;另一半,说实话,是数字好看。 我的立场:这不是谁对谁错的问题,是必须提前钉死的问题。而且光钉分母还不够,“检出”本身也要定义——判定框和真值框重叠率(IOU)到多少算检出?50% 还是 30%?设备报了 NG、进人工复判又放行的,算设备检出还是算漏检?复判放行的功劳记谁头上? 复判归属这条,多说一句,它是口径战争里的高地。设备报 NG、人工复判放行,月底对账:产线说这 300 件放行的是好品,证明设备误杀,过杀率要往上修;设备商说复判员看的是缩略图,微小划痕根本看不见,这 300 件里起码一半是真伤,是你们放漏了,这账不能全记我头上。谁有理?看复判流程:复判位有没有显微放大、有没有二次拍照、放行动作谁签字——流程留痕到什么程度,这个架就吵到什么程度。我后来给客户的建议干脆是:复判放行件单独建账,不算过杀也不算检出,当“存疑件”走抽检。数字难看了一点,但没人吵架了。 这些不写进合同,验收会就永远是对辩论会。图一是三种口径的对照,拿去就能用。 二、过杀的账,算在谁头上 第二个窟窿:漏检有指标,过杀没指标——或者写过杀指标,但从没人算过它值多少钱。 先说跷跷板。漏检和过杀是一根绳上的两头:判定阈值调敏感,漏检降、过杀升;阈值放松,反过来。拿真实数说:阈值从 0.62 压到 0.45,漏检率从 0.8% 降到 0.3%,过杀率从 1.5% 涨到 3.8%。道理人人都懂,出事出在:验收只考核一头。 客户的验收逻辑通常很朴素:流出是我的死穴,漏检率往死里压。设备商配合,交付前把灵敏度拉满——验收漂亮通过,皆大欢喜。然后产线接手,发现每天 NG 堆成山,全是要人工复判的好品。 算一笔真账。一条线日产 2 万件,过杀率从 1% 涨到 3%——每天多出 400 件误杀,每件人工复判 30 秒,每天 3.3 个小时的人工。按 22 个工作日算,一个月 70 个工时上下,半个多人头。这还是复判流程顺畅的情况;碰上复判位没编够、老师傅嫌烦随手放行,误杀变误报废,材料账又冒出来了。单件材料成本 40 块的零件,哪怕误报废率只占误杀的十分之一,一个月又是小一万块——这些钱产线出,采购设备的预算部门从来不知道。所以过杀率涨两个点,在总部报表上什么都没有发生,在车间里是真金白银每个月在流。 所以过杀率的本质不是技术指标,是成本条款:这笔复判工时谁出?误报废的材料损失怎么分担?合同写得清清楚楚,设备商调阈值时才会有所顾忌;不写,他就把跷跷板压向你测不到的那一头。 反过来也成立。我见过产线为了保 OEE,私自把阈值放松——漏检率悄悄爬回 3%。设备商月度对账发现异常,产线主管振振有词:线不停,厂里就赚钱。三个月后客诉爆了,锅还是扣设备头上,两边又是一轮扯皮。 一句话:验收指标必须成对出现,单写一个的都是耍流氓。而且阈值本身是验收结果的一部分——验收时的判定参数,要作为“工作点”锁进验收单,谁调谁负责,动了留痕。上一篇发布单里那条“配置 C-87 到 C-88”,管的就是这件事。 三、复现性:99 和 95 之间,隔着四个漂移 第三个窟窿最大:就算口径钉死了、指标成对了,验收当天和量产一个月,环境根本不是同一个环境。四个点,基本漏在这四个地方。 第一个漂移,测试集泄题。验收集怎么来的?设备商提前拿到图、照着调模型,那不叫测试,叫开卷。就算双方都干净,验收集通常出自历史缺陷库——全是“老缺陷”。当月新供应商的来料、新出现的伤型,验收集里一张都没有。考的是旧题,产线天天在出新题。 第二个漂移,环境在变。验收那天:灯是新换的,镜头刚擦过,标定是前一天做的。量产后:光源亮度逐周衰减,灯管一老,光谱都跟着变;镜头慢慢积灰;车间换季,湿度一变,反光整个换风格。设备没坏,算法没改,图变了——喂进去的输入变了,出来的数当然变。 第三个漂移最隐蔽,基率在动。准确率、过杀率这类指标,分母里含着好品占比。来料质量一波动,缺陷浓度变了,算法一行没动,指标自己就动了。拿数说话:日检 2 万件,来料好的月份缺陷浓度 0.5%,坏批次来了浓度 2%。同样是 1% 的漏检率,前一个月流出 1 件,后一个月流出 4 件——漏检率一行没变,客诉翻了四倍。反过来,浓度一降,准确率自动往上飘,谁也没改进算法,报表先好看了。所以只盯一个百分比是危险的,流出缺陷的绝对件数要跟着对账——百分比会说谎,件数不会。 第四个漂移,人的方差。复判定 NG 的尺子在老师傅手里,周一和周五的松紧不一样,换个人更不一样。复判结果再回流进统计报表,人的方差就混进了设备指标。查设备之前,先查复判记录的一致率。 复现性怎么测?我分两层: 一层是确定性——同一批图,同一天跑三遍,结果必须完全一致。做不到的系统(有些 GPU 推理带随机性),差异率要给上限。这层查的是系统稳不稳。跑三遍还不是走过场:我就碰到过一回,同批图两轮结果差了小两个点,查到最后是边缘工位的设备走了降频,推理耗时翻倍、超时降级走了快检模式。指标波动有时候不是算法的病,是系统的病——确定性测试就是干这个的。 另一层是稳定性——同一批封存的盲测图,隔一周、隔一个月重跑,指标偏差给上限,我的经验值是漏检率偏移不超过 0.5 个点。这层查的是“这周六跑出来的数,下个月还能不能复现”。重跑还有个隐藏好处:它逼着双方定期碰数据。环境劣化是渐变的,灯每周暗一点,没人看得出来;月度重跑一对比,趋势图一画,该换灯管提前就换了。指标对账的过程,就是设备保养的哨兵。超了别急着扯皮,先查灯、查镜头、查来料——十有八九是环境先变的。 盲测集本身要当物证管:双方共同封样、存哈希清单、定期抽换新图。它就是这桩官司的证据,证据被单方动过,官司就没法打了。 四、把指标写进合同:一张表,别一句话 四个窟窿都见了,补法就一个:把验收从“一句话”变成“一张表”。 我见过最典型的事故合同,技术协议里就一句:“检测准确率 ≥99%”。没口径、没测试集、没边界条件、没考核窗口。就这一句话,够两个法务团队吃半年。 一张能防身的验收指标表,至少八个字段,图三就是模板: 指标名——漏检率、过杀率、复现偏差,成对出现,一个不能少; 口径定义——分子、分母、检出的判定标准(点级还是图级、IOU 阈值、复判归属),逐字写死; 测试集定义——图从哪来、多少张、缺陷浓度多少、怎么封存、怎么抽换; 测试方法——谁跑、跑几轮、隔几天、单次达标还是连续达标; 目标值——带置信区间,别写裸数字; 边界条件——来料批次范围、节拍速度、光照劣化到什么程度以内指标作数,超了算谁的; 考核窗口——验收是单场考试,还是月度对账、连续 N 天滚动达标; 仲裁条款——分歧样本谁复判、第三方是谁、费用谁出。 这张表没有一行是算法,但每一行都决定算法的数字算不算数。 对照一个正面案例。还是那类零部件客户,第二期项目换了个打法:验收表两页纸,点级口径、IOU 五成、盲测集五千张双方封样(哈希清单各存一份)、月度对账、连续三个月滚动达标才算稳态交付、分歧样本送第三方实验室复判。第二期量产半年,指标月报偏差最大的一次 0.6 个点,双方在月度会上用了二十分钟——前十分钟在核对灯管更换记录,后十分钟在排下月抽换样本。没人吵架,因为没给吵架留缝。 那张表与这份合同的区别,不是算法进步了,是四个窟窿提前堵上了。 这也是我想跟做产品的同行说的:指标定义是商务条款,不是技术参数。算法工程师对“模型好不好”负责,产品经理对“这个数在合同里站不站得住”负责——后者,才是客户敢在验收单上签字的理由。 五、链条补完了,聊聊交付 回头看这个系列:(3)选设备做 POC,(4)把算子做成产品,(5)数据反哺制造端,(6)算法选型算三笔账,(7)标注数据怎么管,(8)模型怎么上线,到这篇指标怎么验收。从买设备到打官司,主链条补完了。 但还有最后一个问题:这套东西——算法、样本库、发布流程、指标对账——到底以什么形态交到客户手里?是封装死的一体机,插电就用、里面碰不得;还是开放的二次开发平台,客户自己往里长本事?两种形态是两种生意,客户买前一种买的是省心,买后一种买的是可能性。下篇写这个取舍。 你如果经历过验收扯皮,或者见过最离谱的“一句话合同”,评论区说说——你们的战争故事,是我下一篇的素材。 (系列前篇:《我所了解的机器视觉检测产品应用(8):模型更新怎么上线?影子跑、灰度切,和那颗回滚按钮》《(7):标注数据怎么管?样本库、版本冻结,和 7:2:1 的门道》) 专栏作家 互联网产品经理Mik,公众号:逆袭产品汪,人人都是产品经理专栏作家。专注于ToB领域产品,包括机器视觉、工业大数据、MES、ERP和物联网等方面。 本文原创发布于人人都是产品经理,未经许可,禁止转载 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
人人都是产品经理
10 月 1 日 Claude Code 发布 Mods,10 月 3 日 DeepSeek Harness 就跟上了实验性兼容层。知乎上随即出现「如何看待」的提问,DSH 组作者崔添翼作答:一切皆插件和开源一样,是立项之初就定下的方向,不是被迫或模仿别人才做的。 10 月 1 日,Claude Code 发布了 Mods,插件作者可以用函数钩子改写提示词、拦截工具调用、在终端里画界面:Claude Mod 实测:让雨姐与你一同 Coding 10 月 3 日,DeepSeek Harness(DSH)发布 v0.2.1-alpha.1,更新其一便是实验性的 Claude Code Mods 兼容层 DSH v0.2.1-alpha.1 的更新日志 知乎上随即有了“如何看待 DeepSeek Harness 在新版本中加入 Claude Code Mods 兼容?” 10 月 4 日下午,兼容层的作者、DSH 组的崔添翼在这个问题下作答,并明确: “一切皆插件”和开源一样,是立项之初就定下的方向,不是被迫或模仿别人才做的 以下是回答全文 崔添翼的回答 https://www.zhihu.com/answer/2090104616759325588 首先叠一个甲,目前 DeepSeek Harness 中的“Claude Code Mods 兼容层”属于“alpha 版本”中的“实验性功能”,还有很多很多不完善的地方,也不能保证 100% 兼容。目前版本的兼容性文档 https://github.com/deepseek-ai/deepseek-harness/blob/dsh-v0.2.1-alpha.1/docs/subsystems/claude-code-mods.zh.md 中列举了详细的兼容情况。 做这个兼容层的主要目的,是验证 Claude Code Mods 向插件作者提供的扩展能力,是否大致是 DSH“一切皆插件”架构所提供能力的一个子集。目前还无法让所有 Claude Code Mods 在 DeepSeek Harness 中无缝运行;如果认为这是一个值得投入的目标,从技术上看,未来有可能做到。 DeepSeek Harness 的核心理念是“ 一切皆插件 ”,这个理念是从立项之初、写第一行代码之前就确立下来的,正如“开源”的理念是从 DeepSeek 成立之初、发布第一个模型之前就确立下来的一样。开源是我们的初心,不是被迫开源的。让我们的 Agent Harness 产品以开放、开源的方式具备尽量极致的可扩展性,也是我们的初心,并不是被迫或模仿别人才做开放可扩展的。 “一切皆插件”的 Agent Harness 有什么用、有什么意义?这是我们从立项之初就在深度思考的课题。我个人认为,“一切皆插件”至少有三方面的意义: 第一,希望能用插件和社区的方式满足多样化的用户需求,让每个人能用上真正为自己打造的、最适合自己的 Agent Harness 产品。同时,会通过训练模型写插件来更改 Agent 自身的方式,试图让 Agent 产品最终达到“按用户的所需所想而改变”,乃至于“言出法随”的效果。目前 DeepSeek Harness 中的“创造模式”就是朝这个方向迈出的一小步:它已经允许 Agent 根据用户需求编写并安装插件,扩展 Harness 的能力和界面。“创造模式”作为新生事物,肯定还有很多粗糙未经打磨的地方,欢迎知友们试用和提提意见。 第二,希望用插件化的方式满足不同行业的企业部署 Agent 产品的需求。让不同行业的企业,以及帮助这些企业落地 AI 的 FDE 类团队,能使用插件化的方式沉淀行业经验、连接行业基础设施,而不必反复重新造轮子,从而更高效、低成本地使用前沿的模型能力与开源的 Agent Harness 框架,达到提高企业生产力、AI 提效的目的。我们已经看到 DeepSeek Harness 在一些行业中部署的例子:相关开发者开发了针对特定行业的 DSH 插件,来打造该行业的“AI 工作台”。这些行业类的 DSH 插件一般都没有在网上公开开源,这也是符合 MIT 开源协议的,是我们所支持和认可的。 第三,希望能用“一切皆插件”的 Agent Harness 架构推进“Agent 自进化”的命题,用先进的插件系统提供改变 Agent 任意部分的工作方式的灵活性,让 Agent 能够用插件的方式在运行中改变自身,从而最终能够提高智能上限。这个方向非常需要模型与 Harness 的共同进化,相关工作才刚刚开始,路还很长。从工程上来说,需要更完备地实现插件的热插拔、热重载;Cordis 提供了良好的理论和工程基础,但实际还有很多工程上的难题需要解决。从模型研究上来说,需要以新的方式训练大语言模型,让模型知道可以改变自身的 Harness,让模型学会如何用改变自身的 Harness 的方式自我迭代和进化,最终提高智能上限。 所以 DeepSeek Harness 团队目前非常积极地在招聘既懂大模型研究和训练、又有志于用模型与 Harness 共同进化的方式提高 Agent 智能上限的研究员,来逐步接近“Agent 自进化”的愿景。可以通过 https://app.mokahr.com/su/12xvM6 投递 DeepSeek Harness 团队中“深度学习研究员”方向的岗位。 我自己每天工作的相当一部分时间都用于为 DeepSeek 招人和面试。很多来面试的人都会问我:DeepSeek Harness 组的目标是什么?我会这样回答: DeepSeek 的目标是实现 AGI,DeepSeek Harness 组的目标就是从 Harness 的角度推进 AGI 那什么才算是“从 Harness 的角度推进 AGI”的事情呢?对于这个问题,不同的同事可以有各自的理解,并不需要完全以我个人的理解为准。我个人的理解是:只有做创新的事情才是真正“推进 AGI”的事情。如果我们抄一个 Claude Code,或者抄一个 Codex,做一个和其它某些 Agent Harness 从技术理念到用户体验上都没啥区别、完全差不多的产品,那一定不是“推进 AGI”的事情。因为用户本来就可以通过 Claude Code、Codex 等 Agent Harness,配置使用 DeepSeek 模型。如果我们的 Agent Harness 做得也和 Claude Code、Codex 或其它一些 Agent Harness 产品差不多,那就没有实现我们希望带给用户的体验增量,也不是我们选择的推进 AGI 的方式。 所以,推进 AGI 的事情一定是创新的事情。这次 Claude Code Mods 的兼容实验,就是我们通过一个具体实现,检验 DSH 插件系统扩展能力的一次尝试。在 DeepSeek Harness 团队,我们希望能做出一些世界级的创新,希望能做出一些影响业界发展、影响大家如何看待和定义 Agent Harness 这一新生事物的创新,希望可以做出一些让世界上的 AI 巨头也会认可和跟进的创新。 不管从团队还是产品的角度来看,DeepSeek Harness 都还非常年轻,还有很多不完善的地方。欢迎知友们多多提提建议,前方的路还很长,AGI 还远未终局。 本文由人人都是产品经理作者【赛博禅心】,微信公众号:【赛博禅心】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自Unsplash,基于CC0协议
velog
犀利士學名藥20mg吃法不是每天一顆,也不是沒效果就補吃。本文解析他達拉非20mg的按需療法、服用時機、食物影響與用藥間隔,釐清長效36小時的真正意義,說明每日低劑量療法的差異,以及硝酸鹽、酒精和其他藥物的交互作用,搭配十個常見問題,幫助你與醫師確認合適處方,辨識需要立即就醫的警訊,避免自行加量或混用藥物造成不必要風險。 面對勃起困擾,許多人最想知道的是「多久前吃」。然而,比時間更重要的問題是:這個劑量是否適合你,以及你使用的是哪一種療法。 理解犀利士學名藥20mg吃法,不能只靠朋友經驗或商品說明。20mg代表藥品含量,不代表所有人都應從這個劑量開始。以下說明一般用藥原則,實際仍須遵循個人處方與產品核准仿單。 一、先確認療法,再安排服用時間 以Cialis官方仿單為例,勃起功能障礙的按需療法通常從10mg開始,再依療效與耐受性調整至5mg或20mg。每日療法則使用2.5或5mg,與20mg按需療法不同。 因此,不應因為「作用較久」就自行每天服用20mg,也不要在每日療法之外追加20mg。肝腎功能異常或有藥物交互作用者,可能需要較低劑量、更長間隔,甚至不適合使用。 二、至少預留30分鐘,但不是準時起效的保證 他達拉非按需使用通常至少在性活動前30分鐘服用;EAU指南指出,較佳療效約在兩小時出現,但個人反應仍有差異。 藥物需要性刺激才能協助勃起,不會自動製造性慾。若服藥後沒有立即反應,不應當成補吃的理由。 他達拉非可隨餐或空腹服用,沒有必須禁食的要求。約36小時是可能的效果窗口,不是持續勃起時間,也不保證這段期間每次都有效。 三、間隔是限制,不是每天服藥的指令 一般按需療法不應超過每24小時一次;但部分疾病或併用藥物會要求更長間隔。不能只看時鐘過了24小時,就認定下一劑必然安全。 一次反應不佳,先記錄服用時間、是否有性刺激、勃起維持情況及不適,回診討論。EAU建議先確認處方、藥品來源與使用方式,再評估其他原因及療法。 至於20mg能否剝半,必須核對特定產品。原廠Cialis用藥說明要求整錠服用;需要較低劑量時,應請醫師或藥師確認合適規格,而非自行推算。 四、完整藥單,比「一次幾顆」更重要 他達拉非不能與硝酸鹽類藥物、riociguat或poppers併用。部分降血壓藥、α阻斷劑及影響藥物代謝的藥品,也需要專業評估。大量飲酒可能增加頭暈、頭痛與低血壓風險。 頭痛、消化不良、潮紅及背痛可能出現,持續或嚴重時應諮詢。若有胸痛、呼吸困難、突然視力或聽力下降,或勃起超過4小時,應立即就醫。胸痛時不要自行使用硝化甘油,並告知最後服藥時間。 不要自行混用威而鋼等其他勃起功能藥物。若醫師曾因心血管狀況告知不宜進行性活動,也不應自行服藥嘗試。 結論 的核心,是合適的處方、合理的時間安排與清楚的安全界線。長效提供較大的時間彈性,並未提供加量的理由。反覆無效或不適時,重新評估比自行改吃法更有幫助。 犀利士學名藥20mg吃法FAQ 犀利士學名藥 20mg第一次可以直接吃20mg嗎? 不要自行決定,應由醫師評估起始劑量。 犀利士學名藥 20mg性活動前多久吃? 一般至少預留30分鐘,實際依處方及個人反應安排。 犀利士學名藥 20mg一定要空腹嗎? 不用,他達拉非可隨餐或空腹服用。 犀利士學名藥 20mg可以當每日錠嗎? 不要自行如此使用,每日低劑量療法是另一種安排。 犀利士學名藥 20mg過24小時一定能再吃嗎? 不一定,疾病或其他藥物可能需要更長間隔。 犀利士學名藥 20mg當晚沒效果能補一顆嗎? 不要自行追加,應記錄情況並回診討論。 犀利士學名藥 20mg可以剝半服用嗎? 需核對特定產品,不應預設所有錠劑都適合分割。 犀利士學名藥 20mg可以配酒放鬆嗎? 應避免大量飲酒,並詢問醫師個人適合的飲酒安排。 犀利士學名藥 20mg忘記服用需要補吃嗎? 按需療法沒有固定漏服;每日療法也不可加倍補吃。 犀利士學名藥 20mg長效36小時會一直勃起嗎? 不會。若勃起超過4小時,應立即急診。 更多相關資訊,可以登入台灣醫誠藥局查看: https://www.yc19.com/ 印度必利勁: https://www.yc19.com/shop/priligy60mg/ 原廠必利勁: https://www.yc19.com/shop/priligy30mg/ 雙效必利勁: https://www.yc19.com/shop/tadarad120mg/ 原廠威而鋼: https://www.yc19.com/shop/viagra100mg/ 威而鋼學名藥: https://www.yc19.com/shop/cenforce-100/ 臺廠威而鋼:速立壯 https://www.yc19.com/shop/silden-100mg/ 臺廠威而鋼:雄讚 https://www.yc19.com/shop/slivien-100mg/ 雙效威而鋼藍P: https://www.yc19.com/shop/p-force/ 超級雙效威而鋼藍鑽: https://www.yc19.com/shop/stenagra200mg/ 犀利士: https://www.yc19.com/shop/cialis20mg/ 樂軒昂 20mg: https://www.yc19.com/shop/lonfilis-20mg/ 犀利士5mg: https://www.yc19.com/shop/tadarise-5mg/ 印度犀利士20mg: https://www.yc19.com/shop/tadacip-20mg/ 犀利士學名藥: https://www.yc19.com/shop/tadarise-40mg/ 雙效犀利士100mg: https://www.yc19.com/shop/tadarise-100mg/ 超級必利勁: https://www.yc19.com/shop/tadarad120mg/ 樂威壯20mg: https://www.yc19.com/shop/levifil-20mg/ 雙效樂威壯: https://www.yc19.com/shop/vardenafil-100mg/ 液態威而鋼: https://www.yc19.com/shop/super-p-force/ 果凍威而鋼: https://www.yc19.com/shop/kamagra-100mg/ 威而鋼口溶片: https://www.yc19.com/shop/kamagra100mg/ 威而鋼發泡錠: https://www.yc19.com/shop/kamagra/ 女用威而鋼: https://www.yc19.com/shop/femafill/ 賽倍達雙效錠: https://www.yc19.com/shop/super-filana/ 菱形雙效威而鋼: https://www.yc19.com/shop/super-kamagra/ 德國紅魔: https://www.yc19.com/shop/vigora/ 雄固: https://www.yc19.com/shop/slivigy-30mg/ 超級雙效樂威壯金鑽: https://www.yc19.com/shop/vidofil140mg/ 超級雙效犀利士紅鑽: https://www.yc19.com/shop/tadarad140mg/ 巔峯藍P雙效威而鋼: https://www.yc19.com/shop/krrista220mg/ 雙效口溶膜片: https://www.yc19.com/shop/nirvalab/ 日本川井持久噴霧: https://www.yc19.com/shop/delay5ml/ 賽倍達雙效錠: https://www.yc19.com/shop/super-filana/ 女用威而柔: https://www.yc19.com/shop/femafill/ 菱形雙效威而鋼: https://www.yc19.com/shop/super-kamagra/ 德國紅魔: https://www.yc19.com/shop/vigora/ 樂軒昂: https://www.yc19.com/shop/lonfilis-20mg/ 樂威壯學名藥 https://www.yc19.com/shop/levifil-20mg/ 液態威而鋼: https://www.yc19.com/shop/super-p-force/ 雄讚: https://www.yc19.com/shop/slivien-100mg/ 雄固: https://www.yc19.com/shop/slivigy-30mg/ 犀利士學名藥0mg: https://www.yc19.com/shop/tadarise-40mg/ 犀利士學名藥20mg: https://www.yc19.com/shop/tadacip-20mg/
velog
어코드(ACCORD) 1세대 가장 오래된 놀이터 ᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵ 가입코드 - bmw6060 평생주소 - 어코드1.com 텔레그램 - @bbobbo00 ᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵᅵ 스포츠 -업계 최고배당 오래된 사이트, 아시는 분, 써봤던 분, 실뱃 치실 분, 누구나 환영합니다. 양방 분들은 정중히 거절합니다. 양방 적발 시 로얄블랙 등록, 경기시작 1분전 취소 첫가입 입플 1+1 2+2 3+3 4+4 5+5 이벤트 신규가입자 입금 누적 포인트 지급 누적 50만 - 3만포인트 지급 누적 200만 - 5만포인트 지급 누적 500만 - 10만포인트 지급 누적 1000만 - 30만포인트 지급 일주일 출석 입금미션 이벤트 30만 매일 일주일간 입금시 10만지급 70만 매일 일주일간 입금시 20만지급 100만 매일 일주일간 입금시 30만지급 200만 매일 일주일간 입금시 50만지급 기간고정 월~일 지급 월요일 Lv2 ~ 매충 3% ~ 5% 적용 매주 멤버쉽포인트 지급 - 일주일동안 한번이라도 충전내역 있으면 5천~10만 포인트 지급 게시판 포인트 - 게시글 당 500포인트 지급 하루 최대 2000 지인추천 이벤트 10~50만 코인 입금 가능 사이트 모든 블랙유져 OK(정상계좌발급 가능) 부본사 및 총판 같이하실 파트너분들 연락바랍니다 #강원랜드바카라 #단폴사이트 #어코드먹튀검증 #페이백이벤트 #어코드주소 #토토mlb #카지노사이트 #메이저바카라 #스포츠토토사이트 #안전바카라 #어코드도메인 #안전사이트 #어코드추천인 #사설토토사이트 #검증사이트 #슬롯사이트 #검증놀이터 #안전공원 #라이브베팅 #바카라보너스 #라이브배팅 #동행파워볼 #메이저카지노 #출석이벤트 #어코드가입코드 #어코드추천코드 #카지노블랙잭 #어코드주소 #동행복권 #보스코어게임 #메이저놀이터 #메이저공원 #토토사이트 #안전카지노 #1인칭바카라 #안전놀이터 #메이저사이트 #어코드코드
Score: 54.4Confidence: 49%
View offervelog
함수의 전방 선언 개념 Forward Declaration C언어는 코드의 가장 위부터 읽으며 함수를 등록한다 가독성을 위해 main()을 아래로 내리고, 그 위에 함수를 선언하는 것 을 말한다 중요성 호출 순서에 따라 발생되는 문제 해결 가능 여러 소스코드를 불러올 때, 중복되는 함수 호출 해결 가능 사용 예제 .c vs .h static & extern 기본 개념 파일간 함수는 기본적으로 공유 되지만 변수는 공유되지 않는다 extern 전역 변수 다른 소스코드에서 참조 가능 함수는 기본적으로 적용되어 있는것 static 함수 내 지역 변수 앞에 사용 시 전역 변수 가 된다 그 외 전역 변수 앞에 사용 시 지역 변수/함수 가 된다
Score: 54.4Confidence: 49%
View offervelog
MeetShaxs Software: Understanding the Platform and Choosing Better Collaboration Tools In today’s digital workplace, businesses rely on technology to manage communication, projects, meetings, documents, and daily workflows. Meetshaxs software is a term that has appeared in online discussions describing an all-in-one collaboration solution. It is generally associated with features such as team communication, video meetings, task management, file sharing, and automated meeting summaries. However, before adopting any unfamiliar software, organizations should carefully evaluate its credibility, available features, security, and overall reliability. What Is MeetShaxs Software? MeetShaxs is commonly described online as a collaboration platform designed to bring several workplace functions together. The concept behind such software is straightforward: instead of requiring employees to switch between different applications for meetings, messaging, tasks, and documents, one centralized platform can potentially handle these activities. This approach can be attractive to businesses because excessive application switching can interrupt concentration and make workflows more complicated. Employees may spend significant time searching for information, checking notifications, moving between applications, or determining where specific tasks and conversations belong. However, publicly verifiable information about MeetShaxs is limited. There does not appear to be a clearly established official vendor presence, public pricing information, major software directory profile, or widely recognized independent review history. This makes verification particularly important for anyone considering the software. Why Software Verification Matters Businesses should never select software based solely on articles or online descriptions. A legitimate software product normally has several verification signals, including an official website, documentation, customer support information, pricing details, security information, and independent reviews. Checking software directories can also help determine whether a platform has an established customer base. App marketplaces are another useful source because legitimate mobile applications generally have identifiable developers, version histories, user reviews, and update information. Security should be an equally important consideration. Collaboration platforms may handle sensitive business conversations, customer information, documents, and employee data. Before giving an unfamiliar platform access to company information, organizations should investigate its privacy policies, security practices, data-processing terms, and compliance documentation. The Problem of Workplace Tool Sprawl One of the main reasons an all-in-one collaboration platform sounds appealing is the growing problem of tool sprawl. Modern businesses often use separate applications for instant messaging, video conferencing, project management, document storage, customer communication, and knowledge management. Although individual applications can be useful, too many tools can create unnecessary complexity. Employees may receive notifications from multiple services while important information becomes scattered across different platforms. Research referenced by the source material shows that knowledge workers can spend a substantial portion of their working time coordinating activities rather than concentrating on skilled work. Frequent switching between applications can further increase the time required to regain focus. Therefore, the underlying problem that MeetShaxs is described as addressing is genuine, even when the software itself requires additional verification. How to Reduce Application Overload Businesses do not necessarily need to purchase another platform to solve tool sprawl. The first step should be an internal software audit. Companies can create a list of every application employees use and identify overlapping functions. For example, if three different applications are being used for team conversations, the organization can determine whether one platform can handle the majority of communication needs. The same process can be applied to project management, document sharing, meetings, and task tracking. Companies should also establish clear rules about where information belongs. Project decisions can remain in a project management system, quick conversations can happen through team messaging, and permanent reference material can be stored in a knowledge base. Clear boundaries reduce confusion and make information easier to locate. Established Alternatives to Consider Businesses looking for collaboration tools should compare verified platforms according to their specific requirements. Asana and ClickUp can be useful for project and workflow management, while Slack and Microsoft Teams are widely used for team communication. Notion can support knowledge management, documentation, and lightweight project organization. Zoom is another established option for organizations that primarily need reliable video conferencing. The best choice depends on the company’s workflow rather than the number of features advertised. A platform with fewer features but strong reliability, documentation, security, and support can be more valuable than an unfamiliar service promising to do everything. Making a Better Software Decision Before adopting any new collaboration software, businesses should test whether it actually solves a measurable problem. Teams can identify their biggest productivity obstacles, compare several verified platforms, and conduct a controlled trial before making a long-term commitment. It is also important to remember that consolidation is not always the perfect answer. Specialized teams may need specialized applications for design, development, marketing, or customer management. The goal should not simply be to reduce the number of applications. Instead, businesses should eliminate unnecessary duplication while keeping tools that provide genuine value. Conclusion MeetShaxs software represents the broader idea of bringing workplace communication and productivity features into one environment. While this concept can address real challenges caused by excessive applications and fragmented workflows, users should verify any unfamiliar software before trusting it with business information. A careful software audit, clear workflow policies, security checks, and comparison with established platforms can help organizations make smarter technology decisions. Rather than choosing a product because it sounds convenient, businesses should focus on evidence, reliability, security, and the specific problems they need their software to solve.
velog
교재 코드를 그대로 넣었을 때 56점이었던 malloc을 84점까지 올린 과정이다. 그런데 이 1편에서 제일 중요한 건 점수가 아니라, footer를 없애는 "최적화"를 했는데 점수가 그대로였던 일 이다. 그 실패 덕분에 트레이스를 한 줄씩 열어보기 시작했다. 점수는 어떻게 매겨지나 기본 코드 /* * mm-naive.c - The fastest, least memory-efficient malloc package. * * In this naive approach, a block is allocated by simply incrementing * the brk pointer. A block is pure payload. There are no headers or * footers. Blocks are never coalesced or reused. Realloc is * implemented directly using mm_malloc and mm_free. * * NOTE TO STUDENTS: Replace this header comment with your own header * comment that gives a high level description of your solution. */ #include <stdio.h> #include <stdlib.h> #include <assert.h> #include <unistd.h> #include <string.h> #include "mm.h" #include "memlib.h" /********************************************************* * NOTE TO STUDENTS: Before you do anything else, please * provide your team information in the following struct. ********************************************************/ team_t team = { /* Team name */ "ateam", /* First member's full name */ "Harry Bovik", /* First member's email address */ "bovik@cs.cmu.edu", /* Second member's full name (leave blank if none) */ "", /* Second member's email address (leave blank if none) */ ""}; /* single word (4) or double word (8) alignment */ #define ALIGNMENT 8 /* rounds up to the nearest multiple of ALIGNMENT */ #define ALIGN(size) (((size) + (ALIGNMENT - 1)) & ~0x7) #define SIZE_T_SIZE (ALIGN(sizeof(size_t))) /* * mm_init - initialize the malloc package. */ int mm_init(void) { return 0; } /* * mm_malloc - Allocate a block by incrementing the brk pointer. * Always allocate a block whose size is a multiple of the alignment. */ void *mm_malloc(size_t size) { int newsize = ALIGN(size + SIZE_T_SIZE); void *p = mem_sbrk(newsize); if (p == (void *)-1) return NULL; else { *(size_t *)p = size; return (void *)((char *)p + SIZE_T_SIZE); } } /* * mm_free - Freeing a block does nothing. */ void mm_free(void *ptr) { } /* * mm_realloc - Implemented simply in terms of mm_malloc and mm_free */ void *mm_realloc(void *ptr, size_t size) { void *oldptr = ptr; void *newptr; size_t copySize; newptr = mm_malloc(size); if (newptr == NULL) return NULL; copySize = *(size_t *)((char *)oldptr - SIZE_T_SIZE); if (size < copySize) copySize = size; memcpy(newptr, oldptr, copySize); mm_free(oldptr); return newptr; } malloc lab은 mm_malloc , mm_free , mm_realloc 을 직접 구현하고, mdriver 가 트레이스 파일 11개를 돌려서 점수를 매긴다. 트레이스 한 줄이 요청 하나다. a 0 2040 ← malloc(2040), id 0 f 0 ← free(id 0) r 0 4097 ← realloc(id 0, 4097) 점수는 두 개로 나뉜다. util (60점) : 살아 있는 데이터가 가장 많았을 때의 크기 ÷ 힙이 가장 컸을 때의 크기. 트레이스 11개의 평균. thru (40점) : 초당 처리한 요청 수(Kops). 600 Kops를 넘으면 만점. 점수 = 60 × util + 40 × min(1, Kops / 600) 즉 이 lab에서는 처리 속도보다 메모리를 효율적으로 쓰는 게 중요하다. 속도는 600 Kops만 넘기면 만점이라, 그다음부터는 메모리를 얼마나 알뜰하게 쓰느냐가 점수를 가른다. 측정 환경: x86-64 / gcc 13.3.0 / make 기본 -O2 0. 교재 코드: 복붙하지 않고 다시 쓰기 CS:APP 9.9절에는 implicit free list로 만든 할당기 코드가 통째로 나온다. 헤더와 footer로 블록을 관리하고, first fit으로 빈 블록을 찾고, free할 때 바로 앞뒤 블록과 합친다. 그런데 나는 이 코드를 그래도 복붙하지 않고 교재 코드를 충분히 이해한 뒤 최대한 보지 않고 직접 짜봤다. 이 lab은 결국 PACK , GET , PUT , HDRP , FTRP , NEXT_BLKP , PREV_BLKP 같은 매크로로 메모리를 4바이트씩 직접 읽고 쓰는 게 전부다. 이게 손에 안 익으면 직접 코드를 짤 때 많이 해맬 것 같아서 설계가 되어있는 교재 코드를 어차피 옮겨 쓰고 시작해볼 걸 그냥 직접 옮겨보자 싶었다. 그래서 순서를 이렇게 잡았다. 교재 코드를 읽으면서 각 함수가 뭘 하는지, 매크로가 어떤 주소를 계산하는지 이해한다. 매크로만 정의해두고 교재를 덮는다. 함수 몸통은 교재를 최대한 안 보고 직접 채운다. 이렇게 하니까 "bp에서 4바이트 앞이 헤더", "헤더에 적힌 크기만큼 가면 다음 블록", "앞 블록은 내 바로 앞 8바이트 자리의 footer를 읽어서 찾는다" 같은 블록 단위 계산이 손에 익어서 다음 최적화들을 할 때 훨신 수월했던 것 같다. 대신 first fit을 구현할 때 빼먹거나 다르게 쓴 게 좀 있어서 에러가 좀 나긴 했다... 1. first fit: 내가 빼먹었던 것들 처음 채운 핵심 두 함수는 이랬다. 지금 보니까 엄청 간단하게 아무생각 없이 쓴 거 같다. 디버깅을 하지 않아도 되는 코드를 짜는 게 중요한데 다음부터는 처음 짤 때부터 꼼꼼하게 설계하고 코드를 짜야할 것 같다. 단계마다 실제로 짰던 코드를 그대로 보여주고, 왜 터졌는지 적어보겠다. 헛다리 1: 블록을 아예 안 자르기 처음엔 split_block 같은 건 없었다. find_fit 이 블록을 찾으면 place 가 헤더와 footer에 요청 크기를 쓰는 게 전부였다. static void *find_fit(size_t asize) { ... if(GET_SIZE(HDRP(current)) == asize && !GET_ALLOC(HDRP(current))){ return current; // 크기가 "딱 맞는" 블록만 찾음 } ... } static void place(void *bp, size_t asize) { PUT(HDRP(bp), PACK(asize, 1)); // 요청 크기만 쓰고 끝 PUT(FTRP(bp), PACK(asize, 1)); } find_fit 은 딱 맞는 블록이 없으면 NULL 을 돌려주고, 그러면 extend_heap 으로 힙을 늘린 다음 그 블록에 place 를 한다. 문제는 늘린 블록이 요청보다 훨씬 크다는 거다. 그런데 place 는 앞부분에 요청 크기만 써버린다. 돌리자마자 segfault가 났다. gdb로 잡아보면 extend_heap 이 부른 coalesce 안에서 터진다. Program received signal SIGSEGV, Segmentation fault. 0x0000555555556f73 in coalesce (bp=0x7ffff68d2020) at mm.c:167 167 size_t prev_alloc = GET_ALLOC(FTRP(PREV_BLKP(bp))); #1 extend_heap (words=1024) at mm.c:112 #2 mm_malloc (size=4080) at mm.c:142 (gdb) p/x *(unsigned int*)((char*)bp - 8) ← 앞 블록 footer 자리 $1 = 0x1ff0 새로 늘린 청크( bp )의 바로 앞 4바이트는 원래 앞 블록의 footer여야 한다. 그런데 거기서 읽은 값으로 PREV_BLKP 를 계산하니까 엉뚱한 곳으로 가서 터진 거다. 왜 footer가 망가졌는지 보려고 malloc(2040) 한 번만 부르고 힙을 직접 읽어봤다. a header: size=2048 alloc=1 NEXT_BLKP(a) header: 0x0 (size=0 alloc=0) heap size = 8208 malloc(2040) 은 블록 크기 2048이 필요하다. mm_init이 만든 free 블록은 4096이라 "딱 맞는" 게 아니니까 find_fit 이 못 찾는다. 그래서 힙을 4096 늘리고, 그게 앞의 4096이랑 합쳐져서 8192짜리 블록이 된다. 그런데 place 가 앞에 2048이라고만 써버려서, 뒤 6144바이트는 헤더도 footer도 없는 공간 이 됐다. 그 자리 첫 4바이트가 0이라서 힙 순회 입장에서는 "크기 0 = 에필로그"처럼 보이고, 힙이 거기서 끝난 것처럼 된다. 이런 블록들이 쌓이다가 결국 쓰레기 footer를 읽은 거다. 여기서 처음으로 "블록 경계는 헤더랑 footer에 쓴 숫자가 전부"라는 게 실감 났다. 크기를 안 써주면 그 공간은 존재하지 않는 거나 마찬가지다. 헛다리 2: 자르긴 하는데, 늘린 블록만 남는 부분에도 헤더와 footer를 써줘야 한다는 걸 알고 split_block 을 만들었다. 처음 버전은 이랬다. static void *split_block(void *bp, size_t size){ size_t total = GET_SIZE(HDRP(bp)); // if(total <= 24){ // return bp; // } PUT(HDRP(bp), PACK(size, 0)); // 앞: 요청 크기 PUT(FTRP(bp), PACK(size, 0)); PUT(HDRP(NEXT_BLKP(bp)), PACK(total-size, 0)); // 뒤: 남는 크기 PUT(FTRP(NEXT_BLKP(bp)), PACK(total-size, 0)); return bp; } 그리고 이걸 extend_heap 으로 늘린 경우에만 불렀다. " find_fit 은 어차피 딱 맞는 블록만 찾으니까 자를 필요가 없고, 늘린 블록만 크니까 그것만 자르면 되겠지"라고 생각했다. else{ extend = MAX(size, CHUNKSIZE); if((bp = extend_heap(extend / WSIZE)) == NULL){ return NULL; } if(GET_SIZE(HDRP(bp)) != extend){ // 앞 free랑 합쳐져서 커졌으면 bp = split_block(bp, size); // 그때만 자른다 } place(bp, size); return bp; } segfault는 사라졌는데 이번엔 메모리가 바닥났다. ERROR: mem_sbrk failed. Ran out of memory... ERROR [trace 4, line 7671]: mm_malloc failed. split_block 으로 잘라낸 뒷부분은 이제 제대로 된 free 블록이다. 그런데 find_fit 이 여전히 크기가 딱 맞는 블록만 찾고 있었다. 예를 들어 첫 malloc(2040) 뒤에는 6144짜리 free 블록이 생기는데, 다음 요청이 그보다 작아도 크기가 딱 6144가 아니면 거기 못 들어간다. 그러니까 요청이 올 때마다 힙을 새로 늘렸고, 결국 바닥났다. 헛다리 3: 남는 게 0바이트여도 자르기 find_fit 을 >= 로 바꾸고, 찾은 블록이든 늘린 블록이든 항상 split_block 을 부르게 바꿨다. 그런데 이번엔 위 split_block 에서 주석 처리해둔 조건이 문제가 됐다. 블록 크기가 요청이랑 딱 같으면 total - size 가 0이다. 그러면 split_block 은 다음 블록 자리에 크기 0짜리 헤더를 쓴다. 크기 0이면 에필로그랑 구분이 안 된다. 게다가 FTRP(NEXT_BLKP(bp)) 는 "다음 블록 + 0 − 8"이라 자기 자신의 footer 자리 를 가리킨다. 방금 쓴 footer를 0으로 덮어써버리는 거다. 그래서 남는 크기가 최소 블록(헤더 4 + footer 4 + 최소 payload 8 = 16바이트)보다 작으면 자르지 않는 조건을 넣었다. 그리고 안 잘린 블록이 들어오면 place 가 블록 전체 크기를 쓰게 바꿨다. 최종 코드 교재코드 + first fit /* * mm-naive.c - The fastest, least memory-efficient malloc package. * * In this naive approach, a block is allocated by simply incrementing * the brk pointer. A block is pure payload. There are no headers or * footers. Blocks are never coalesced or reused. Realloc is * implemented directly using mm_malloc and mm_free. * * NOTE TO STUDENTS: Replace this header comment with your own header * comment that gives a high level description of your solution. */ #include <stdio.h> #include <stdlib.h> #include <assert.h> #include <unistd.h> #include <string.h> #include "mm.h" #include "memlib.h" /********************************************************* * NOTE TO STUDENTS: Before you do anything else, please * provide your team information in the following struct. ********************************************************/ team_t team = { /* Team name */ "Team 10", /* First member's full name */ "Shin Ye Na", /* First member's email address */ "syn77@pusan.ac.kr", /* Second member's full name (leave blank if none) */ "", /* Second member's email address (leave blank if none) */ ""}; /* single word (4) or double word (8) alignment */ #define ALIGNMENT 8 #define WSIZE 4 #define DSIZE 8 #define CHUNKSIZE (1<<12) // 페이지 단위 할당 #define MAX(x, y) ((x) > (y) ? (x) : (y)) #define PACK(size, alloc) ((size) | (alloc)) #define GET(p) (*(unsigned int *)(p)) // int로 읽기 #define PUT(p, val) (*(unsigned int *)(p) = (val)) #define GET_SIZE(p) (GET(p) & ~0x7) #define GET_ALLOC(p) (GET(p) & 0x1) #define HDRP(bp) ((char *)(bp) - WSIZE) #define FTRP(bp) ((char *)(bp) + GET_SIZE(HDRP(bp)) - DSIZE) #define NEXT_BLKP(bp) ((char *)(bp) + GET_SIZE(HDRP(bp))) #define PREV_BLKP(bp) ((char *)(bp) - GET_SIZE((char *)(bp) - DSIZE)) /* rounds up to the nearest multiple of ALIGNMENT */ #define ALIGN(size) (((size) + (ALIGNMENT - 1)) & ~0x7) // 정렬의 배수로 올림 (~0x7로 지움 구현) #define SIZE_T_SIZE (ALIGN(sizeof(size_t))) // size_t를 올림 -> 여기서는 8바이트 즉, 푸터와 헤더 8바이트를 더해서 배수 구함 static void *extend_heap(size_t words); // 함수 프로토타입 선언 static void *coalesce(void *bp); static void *find_fit(size_t asize); static void place(void *bp, size_t asize); static void *split_block(void *bp, size_t size); static char *heap_listp; // 전역변수로 포인터 선언 /* * mm_init - initialize the malloc package. */ int mm_init(void) { if((heap_listp = mem_sbrk(4*WSIZE)) == (void *)-1){ return -1; } PUT(heap_listp, 0); PUT(heap_listp + WSIZE, PACK(DSIZE, 1)); // Prologue header PUT(heap_listp + 2 * WSIZE, PACK(DSIZE, 1)); // Prologue footer PUT(heap_listp + 3 * WSIZE, PACK(0, 1)); // Epilogue header heap_listp += 4 *WSIZE; // 첫 청크부터 시작하는 작은 최적화(처음에는 heap의 끝을 가르킴 ) if(extend_heap(CHUNKSIZE / WSIZE) == NULL){ // heap 공간 확보 return -1; } return 0; // 정상종료 } static void *extend_heap(size_t words) { size_t size; char *bp; size = (words%2) ? (words+1) * WSIZE : words * WSIZE; if((bp = mem_sbrk(size)) == (void *)-1){ return NULL; } PUT((char *)bp - WSIZE, PACK(size, 0)); // new chunk header PUT(FTRP(bp), PACK(size, 0)); // newe chunk footer PUT(HDRP(NEXT_BLKP(bp)), PACK(0,1)); // epilogue return coalesce(bp); } /* * mm_malloc - Allocate a block by incrementing the brk pointer. * Always allocate a block whose
velog
여러분은 AI를 어떻게 사용하고 계신가요? 요즘 AI를 어떻게 써야 할지 자주 고민한다. 개발자에게 필요한 AI 활용 능력이 정확히 뭔지 아직 잘 모르겠다. ChatGPT나 Claude에게 코드를 짜 달라고 하는 게 전부는 아닐 텐데, 다른 개발자들은 실무에서 AI를 어떻게 쓰는지, AI 답변을 정말 믿고 쓰는지, 못 믿는다면 뭘로 확인하는지 궁금했다. 그러다 Stack Overflow의 2026 Developer Survey를 읽게 됐다. 올해는 169개국에서 3만여 명이 참여했고 AI부터 업무 환경, 지식과 커뮤니티까지 꽤 넓게 다룬다. 그중 AI 쪽 결과 몇 개가 계속 머리에 남았다. AI를 정말 신뢰하고 있을까? 설문은 AI 도구의 결과물을 얼마나 신뢰하는지 물었다. 가장 많이 나온 답은 의외로 명확했다. 출력 결과를 쉽게 확인할 수 있을 때 신뢰한다. 응답자의 48.0%가 해당 답을 골랐다. "중요한 업무 결정을 포함해 여러 일에서 AI를 신뢰한다"는 응답은 6.6%뿐이었다. 경력 1~5년 차만 보면 4.5%까지 내려간다. 믿느냐 안 믿느냐로 딱 나뉘는 게 아니었다. 확인할 수 있는 일에는 적극적으로 쓰지만 판단이 어려운 중요한 결정까지 맡기지는 않는다. AI를 쓰긴 쓰되 사람이 판단할 자리는 남겨 두는 셈이다. AI의 답변에도 출처가 필요하다 출처에 관한 질문도 있었다. AI가 내놓은 기술적인 답변을 믿으려면 출처 표기가 얼마나 중요하냐는 질문에 79%가 "중요하다" 또는 "매우 중요하다"고 답했다. 매우 중요하다가 52.1%, 중요하다가 26.5%였다. 당연한 결과다. 인터넷에서 뭔가를 찾을 때도 우리는 어디서 나온 정보인지, 누가 썼는지, 지금도 맞는 정보인지부터 본다. 그런데 코드는 사정이 좀 다르다. AI가 공식 문서를 참고해서 답할 수는 있어도 그 코드가 우리 프로젝트에서 맞는지는 출처만 봐서는 알 수 없다. 결국 내가 코드를 이해해야 한다. 왜 이 자료구조를 썼는지, 왜 이 API를 골랐는지, 이 방식의 단점은 뭔지 알아야 하고 기존 코드와 부딪히지 않는지, 성능이나 안정성에 문제는 없는지도 따져 봐야 한다. AI가 코드를 짤수록 기본기가 중요해지는 이유 AI가 코드를 잘 짤수록 직접 타이핑하는 시간은 줄어든다. 그렇다고 개발자에게 필요한 능력까지 줄어든다고 보지는 않는다. AI가 낸 결과를 확인하려면 그 결과를 이해할 수 있어야 하기 때문이다. 자료구조와 알고리즘, 네트워크, 데이터베이스, 운영체제 같은 CS 지식이 필요하고 코드를 읽고 문제를 재현하며 원인을 좁혀 가는 능력도 필요하다. 그중에서도 여러 방법 가운데 뭐가 맞는지 고르는 일이 제일 어렵다. AI가 세 가지 방법을 내놨는데 셋 다 잘 돌아가고 테스트도 통과한다고 해 보자. 성능을 볼지, 유지보수를 볼지, 기존 시스템과 잘 맞는지를 볼지는 결국 사람이 정해야 한다. 이건 코드를 짤 줄 아느냐와는 다른 문제다. 그래서 요즘 말하는 기본기는 문법을 많이 아는 것보다 AI가 만든 결과를 읽고 의심하고 확인해서 고르는 힘에 더 가깝다고 생각한다. 문제는 늘 어떤 도메인 안에서 생긴다 AI에게 이렇게 부탁한다고 해 보자. "쇼핑몰 주문 취소 API를 만들어 줘." AI는 꽤 그럴듯한 코드를 금방 내놓는다. 하지만 실제 서비스라면 알아야 할 게 훨씬 많다. 주문 취소는 언제까지 되는지, 이미 배송이 시작된 주문은 어떻게 하는지, 결제 금액은 어떻게 환불하는지, 쓴 쿠폰과 포인트는 어떻게 돌려주는지, 판매자 쪽에는 무슨 처리가 필요한지 같은 것들이다. 이건 코드가 아니라 업무의 문제다. 코드를 아무리 잘 짜도 뭐가 맞는 결과인지는 그 서비스의 규칙과 목적을 알아야 판단할 수 있다. 같은 "회원 탈퇴" 기능이라도 금융 서비스와 커뮤니티 서비스에서 챙겨야 할 게 전혀 다른 것처럼, 어떤 문제를 풀든 그 문제가 속한 도메인을 알아야 제대로 풀 수 있다. 설문에서도 비슷한 이야기가 나온다. AI가 일을 제대로 하려면 어떤 맥락이 필요하냐는 질문에 응답자들은 프로젝트 목표와 요구사항을 가장 많이 골랐다. 맥락 응답 비율 프로젝트 목표와 요구사항 85.2% 코드, 저장소, 기술 문서 73.3% 이전 의사결정과 그 이유 44.0% 비즈니스 목표나 제품 전략 33.0% 결국 좋은 답을 얻으려면 프롬프트를 잘 쓰는 것만으로는 모자란다. AI에게 무엇을 알려 줘야 하는지 알아야 하고 그건 업무 맥락과 도메인 지식에서 나온다. 구현은 AI가 금방 해 주는 시대라 무엇을 만들어야 하는지, 왜 그게 맞는지 답할 수 있는 사람이 더 귀해지지 않을까? 그런데 그 맥락, 충분히 주어지고 있을까? 업무에 필요한 맥락을 얻는 데 뭐가 방해되느냐는 질문에 63.2%가 "정보가 불완전하다"를 골랐다. "중요한 맥락이 사람들 머릿속에만 있다"가 60.9%, "정보가 오래됐다"가 56.5%로 뒤를 이었다. 일을 시작했거나 다 끝낸 뒤에야 중요한 맥락을 알게 되는 경우가 얼마나 되느냐는 질문은 더 뜨끔했다. "매우 자주", "자주", "가끔"을 합치면 약 79%였다. 이 숫자를 보고 문서화를 다시 생각하게 됐다. 여기서 말하는 "정보가 불완전하다."는 "문서는 있는데 정작 필요한 부분이 빠져있다."는 뜻이지 않을까? AI가 줄여 준 과정은 어디에 남을까? 예전에는 문제 하나를 풀 때 이래와 같은 과정을 거쳤다. 문제 발생 → 검색 → 해결책 비교 → 적용 → 실패 → 원인 분석 → 재시도 → 해결 느리지만 그 과정에서 뭘 골랐고 왜 그랬는지가 자연스럽게 머리에 남는다. AI를 쓰면 이 과정이 확 짧아진다. 문제를 설명하고 코드를 받아 돌려 보고 고치면 끝이다. 생산성만 보면 분명 좋은 변화다. 그런데 "왜 이렇게 풀었는가"는 어디에 남을까? AI가 준 코드를 그대로 썼다면 몇 달 뒤 누군가 그 코드를 보며 이렇게 물을 수 있다. "왜 이렇게 구현했지?" "다른 방법은 검토 안 했나?" "이 제약 때문에 이렇게 한 건가?" 맥락이 남아 있지 않으면 코드는 남아도 판단은 사라진다. 프로젝트를 하면서 기술을 고른 이유나 AI 제안을 반영하지 않은 이유를 적어 두긴 했다. 이번 설문을 읽고 나서는 이걸 좀 더 신경 써서 남겨야겠다고 마음먹은 것 같다. 거창한 문서까지는 필요 없다. 내가 푼 문제를 누군가 이어받는다고 생각하고 쓰면 충분하지 않을까. 결국 AI 활용 능력이란 무엇일까? 설문을 읽기 전에는 AI 활용 능력을 꽤 단순하게 생각했다. 프롬프트를 잘 작성하는 것. 상황에 맞는 스킬을 활용하거나 필요하다면 직접 만들어 사용하는 것. 업무에 필요한 코드를 빠르게 만들어내는 것. 반복적인 작업을 자동화하는 것. 물론 이것도 중요한 능력이다. 그런데 결과를 하나씩 보며 생각이 달라짐을 느꼈다. 응답자의 62%가 업무에서 AI 도구를 쓰는 데 긍정적일 만큼 AI는 이미 개발자의 일상에 깊이 들어와 있다. 그런데도 AI 결과를 중요한 결정에 그대로 쓰는 사람은 많지 않았다. 확인할 수 있는 결과를 믿고 출처를 따지고 요구사항이나 코드, 문서 같은 맥락을 챙겼다. AI를 잘 쓰는 것만으로는 부족하다. 결과를 확인하려면 기본기가 있어야 하고 맞는 결과를 만들려면 업무 맥락과 도메인 지식이 있어야 한다. AI로 빨리 푼 문제일수록 왜 그렇게 풀었는지 남겨 두는 일도 중요해진다. 요즘 내가 느끼는 개발자의 일은 코드를 짜는 것보다 AI와 함께 문제를 정의하고 판단하는 쪽에 더 가깝다. 그래서, 여러분은 AI를 어떻게 사용하고 계신가요? 처음 질문으로 돌아가 보자. 이번 설문을 읽으면서 AI 활용 능력이 AI에게 질문을 얼마나 잘하느냐로만 갈리지는 않는다 고 느꼈다. AI에게 무엇을 물어볼지 알고 돌아온 답을 확인하는 것. 현재 우리가 진행중인 업무에 맞는지 따져 보고 왜 그렇게 했는지 적어 두는 것. 개발자에게 필요한 AI 활용 능력은 이쪽에 더 가깝지 않을까. 참고 Stack Overflow Developer Survey 2026 AI — Stack Overflow Developer Survey 2026 Knowledge — Stack Overflow Developer Survey 2026 Domain expertise still wanted: the latest trends in AI (Stack Overflow Blog)
velog
1. 단어의 표현이 필요한 이유 단어의 표현(Word Representation)은 문자로 이루어진 단어를 숫자로 변환하는 작업이다. 문서 분류·번역 등을 하려면 확률 계산·덧셈·뺄셈 같은 수학적 연산 이 필요하다. 문자열은 그대로 연산할 수 없으므로 분석 전에 숫자로 바꾼다. 숫자로 바꾸면서 단어 본연의 의미를 어떻게 살릴지가 핵심 과제다. 2. 원핫-인코딩 (One-Hot-Encoding) 단어마다 고유 인덱스를 주고, 그 자리만 1, 나머지는 0인 벡터로 표현하는 방법이다. 원숭이, 바나나, 사과 원숭이, 바나나, 사과, 코끼리 원숭이 = [1, 0, 0] 원숭이 = [1, 0, 0, 0] 바나나 = [0, 1, 0] 바나나 = [0, 1, 0, 0] 사과 = [0, 0, 1] 사과 = [0, 0, 1, 0] 코끼리 = [0, 0, 0, 1] 벡터: 숫자들의 나열 벡터의 차원 수 = 어휘(단어) 수 새로운 단어가 등장하면 차원을 하나 늘리는 직관적인 방법이다. 2-1. 텍스트를 단어 목록으로 바꾸기 import re import numpy as np def tokenize(text): return re.findall(r"[가-힣A-Za-z0-9]+", text.lower()) tokenize("사과, 바나나! 사과?") # ['사과', '바나나', '사과'] tokenize("NLP Model과 DATA 2026") # ['nlp', 'model과', 'data', '2026'] tokenize("원숭이-코끼리_바나나") # ['원숭이', '코끼리', '바나나'] 한글·영문·숫자만 남기고 영문은 소문자로 통일한다. 단, 공백 기준이므로 model과 처럼 조사가 붙은 채 남는다. np.set_printoptions(precision=3, suppress=True) 는 실제 값은 그대로 두고 화면 표시 만 바꾼다. ( 1.234567 → 1.235 로 표시) 2-2. 어휘와 인덱스 만들기 단어를 벡터로 바꾸려면 먼저 고정된 어휘 순서와 인덱스 가 필요하다. words = ["원숭이", "바나나", "사과", "사과", "코끼리"] vocabulary = list(dict.fromkeys(words)) # 중복 제거, 첫 등장 순서 유지 word_to_index = {word: i for i, word in enumerate(vocabulary)} print("어휘:", vocabulary) print("인덱스:", word_to_index) # 어휘: ['원숭이', '바나나', '사과', '코끼리'] # 인덱스: {'원숭이': 0, '바나나': 1, '사과': 2, '코끼리': 3} 중복 제거 방법에 따라 어휘 순서가 달라질 수 있다. order_words = ["원숭이", "바나나", "사과", "바나나"] sorted_vocabulary = sorted(set(order_words)) first_seen_vocabulary = list(dict.fromkeys(order_words)) print("정렬된 어휘:", sorted_vocabulary) print("첫 등장 순서:", first_seen_vocabulary) # 정렬된 어휘: ['바나나', '사과', '원숭이'] # 첫 등장 순서: ['원숭이', '바나나', '사과'] 배열 위치와 바로 연결하려면 0부터 시작하는 인덱스 가 편리하다. 2-3. 원핫 벡터와 UNK 처리 어휘에 없는 단어(미등록 단어)는 정해 둔 <UNK> 위치로 보낸다. vocabulary_with_unk = ["<UNK>", "원숭이", "바나나", "사과"] index_with_unk = {w: i for i, w in enumerate(vocabulary_with_unk)} query_words = ["사과", "코끼리", "바나나"] query_indices = [index_with_unk.get(w, index_with_unk["<UNK>"]) for w in query_words] # [3, 0, 2] identity = np.eye(len(vocabulary_with_unk), dtype=int) query_one_hot = identity[query_indices] # [[0 0 0 1] # [1 0 0 0] # [0 0 1 0]] 단위행렬( np.eye )의 각 행이 곧 원핫 벡터 이므로, 인덱스로 행을 꺼내면 된다. 각 행의 합은 1이고, argmax(axis=1) 로 1의 위치(원래 인덱스)를 복원할 수 있다. -> # [3, 0, 2] # 코끼리 -> 인덱스 0 벡터 [1 0 0 0] # 기린 -> 인덱스 0 벡터 [1 0 0 0] 서로 다른 미등록 단어가 모두 같은 UNK 벡터가 되는 한계가 있다. 2-4. 원핫-인코딩의 한계 1) 차원 크기의 문제 단어의 수만큼 차원이 필요하다. 2017년 표준국어대사전 등재 단어 약 50만 개 → 50만 차원 이 필요하며, 대부분이 0인 희소 벡터 가 된다. 2) 의미를 담지 못하는 문제 원핫 벡터는 서로 직교 하므로 코사인 유사도가 항상 0이다. 원숭이 [0, 1], 바나나 [1, 0] similarity = (0×1) + (1×0) / ... = 0 원숭이·바나나 , 원숭이·사과 , 개·고양이 모두 유사도 0 → 단어 사이의 멀고 가까움을 비교할 수 없다. 3. 단어 임베딩 (Word Embedding) 원핫-인코딩의 한계 결과 차원이 너무 큼 연산 낭비, 모델 학습에 불리 단어 의미를 담지 못함 분석을 효과적으로 수행할 수 없음 단어 임베딩은 단어의 의미를 간직하는 밀집 벡터(Dense Vector)로 표현하는 방법이다. 임베딩은 단어·문장을 벡터로 변환해 벡터 공간에 끼워 넣는다(embed)는 의미다. 원핫 (3차원) 밀집 벡터 (2차원) 원숭이 [0, 1, 0] 원숭이 [0.5, 0.8] 바나나 [1, 0, 0] 바나나 [0.8, 0.1] 사과 [0, 0, 1] 사과 [0.2, 0.2] 구분 희소 벡터 (원핫) 밀집 벡터 (임베딩) 값 대부분 0 각 원소가 값을 가짐 새 단어 추가 차원 증가 차원 유지 연산 낭비가 큼 분류·예측 모델 학습 시 연산 감소 3-1. 밀집 벡터를 만드는 방법: 분포 가설 밀집 벡터로 차원 문제는 해결되지만, 단어를 어디에 위치시켜야 하는지 명확한 방법은 없다. 분포 가설: 같은 문맥에서 등장하는 단어는 유사한 의미를 지닌다. 단어의 의미는 곧 그 언어에서의 활용이다. — 비트겐슈타인 임의의 위치에 벡터를 생성한다. 같은 문맥에 등장하는 단어를 더 가까이 옮긴다. 3-2. 단어 표현 방법 분류 구분 의미 예시 Local Representation (Discrete) 단어 자체만 보고 값을 매핑 One-hot vector, N-gram, BoW, TDM (Count Based) Distributed Representation (Continuous) 주변 단어를 참조해 표현 Word2Vec, FastText (Prediction Based), GloVe, LSA (Count Based) 4. 유사도 계산 (Text Similarity) 4-1. 유클리디안 거리 (Euclidean distance) 두 벡터 사이의 직진 거리를 계산한다. (피타고라스 정리) d(p, q) = √( (q1 - p1)2 + (q2 - p2)2 + ... + (qn - pn)2 ) 4-2. 코사인 유사도 (Cosine Similarity) 두 벡터 사이의 각(방향)을 이용해 유사도를 측정한다. similarity = cos(θ) = (A · B) / (‖A‖ ‖B‖) 각도 코사인 유사도 0도 (같은 방향) 1 90도 (직교) 0 180도 (반대 방향) -1 1에 가까울수록 유사한 의미를 가진다. 0벡터는 방향이 없으므로 코사인 유사도를 계산할 수 없다. 4-3. 유클리디안 vs 코사인 base = np.array([1.0, 2.0]) # 크기만 두 배 [2, 4] → 거리: 2.236 코사인: 1.0 # 위치 이동 [2, 3] → 거리: 1.414 코사인: 0.992 구분 측정 대상 특징 유클리디안 거리 위치 차이 크기 차이를 그대로 반영 코사인 유사도 방향의 유사성 같은 방향이면 크기가 달라도 1 자연어 처리에서는 주로 코사인 유사도를 쓰고, 상대적인 크기를 볼 때 유클리디안 거리를 쓴다. 예를 들어 경제·정치 관련 단어 수로 기사를 표현하면, 길이가 짧은 기사와 긴 기사도 주제 비율이 같으면 코사인 유사도는 높게 나온다. 4-4. 자카드 유사도 (Jaccard index) 문서·문장 간 겹치는 토큰의 비율을 측정한다. J(A, B) = |A ∩ B| / |A ∪ B| = |A ∩ B| / (|A| + |B| - |A ∩ B|) 집합을 사용하므로 같은 단어가 여러 번 나와도 한 번만 센다. ( ["사과", "사과", "바나나"] vs ["사과", "원숭이", "원숭이"] → 0.333) 같은 집합 → 1.0 / 겹치지 않음 → 0.0 / 두 공집합 → 이 함수에서는 1.0으로 정의 4-5. 레벤슈타인 거리 (Levenshtein distance) 두 문자열이 얼마나 다른지를 나타내는 거리 로, 한 문자열을 다른 문자열로 바꾸는 데 필요한 삽입·삭제·치환의 최소 횟수 로 형태적 거리를 잰다. H O N D A H Y U N D A I 5. n-Gram n-Gram은 연속한 n개 단어를 하나로 묶어 보는 방법이다. 몇 개를 묶느냐에 따라 unigram·bigram·trigram 등으로 구분하며, 제한적이지만 문맥을 표현할 수 있다. an adorable little boy is spreading smiles unigrams : an, adorable, little, boy, is, spreading, smiles bigrams : an adorable, adorable little, little boy, boy is, ... trigrams : an adorable little, adorable little boy, little boy is, ... 4-grams : an adorable little boy, adorable little boy is, ... 5-1. n-Gram 활용 활용 내용 연어 처리 금융 통화 위원회 , 국회 의원 , 고객 서비스 처럼 함께 쓰이는 단어 묶기 Language Modeling 단어 시퀀스의 확률 계산에 사용 분야(Domain)에 따라 단어들의 확률 분포가 다르다. (금융 분야는 금융 용어가 많이 등장) 분야에 적합한 코퍼스를 사용하면 언어 모델의 성능이 높아질 수 있다. 반대로 훈련 코퍼스에 따라 성능이 달라지는 것은 언어 모델의 약점으로 분류되기도 한다.
Score: 56.99Confidence: 54%
Score: 56.98Confidence: 54%
Score: 54.4Confidence: 49%
Score: 54.4Confidence: 49%
Score: 54.4Confidence: 49%
Score: 54.4Confidence: 49%
Score: 54.4Confidence: 49%