Загружаем каталог…
НАВИГАТОР ПО ВОЗМОЖНОСТЯМ ИИ
Найдите свой ИИ-инструмент. Бесплатный доступ, пробные периоды и кредиты — в одном месте.
iThome 新聞
Amazon公布新的資料中心營運與社區承諾,回應近期資料中心擴建引發的電力、用水及地方社區疑慮。未來5年將在美國資料中心所在地額外投入超過10億美元,用於教育、職業訓練及能源與用水改善,Amazon也表示,今後不再與資料中心專案合作的政府機關簽署保密協議,並將每年公開能源與用水等營運資料。
Балл: 56.59Уверенность: 54%
ПодробнееiThome 新聞
去年中國駭客組織Storm-2603(Longlegs)因從事勒索軟體Warlock活動的過程裡,濫用SharePoint零時差漏洞ToolShell(CVE-2025-49704、CVE-2025-49706、CVE-2025-53770、CVE-2025-53771)而被微軟點名,成為全球關注的焦點;近期有資安公司警告,這些駭客的活動仍持續出現,目標轉向特定語系國家的關鍵基礎設施、政府機關,以及教育機構。
Балл: 56.57Уверенность: 54%
ПодробнееiThome 新聞
加拿大網路安全中心於9月下旬,更新一則郵件伺服器Roundcube資安公告的內容,指出他們根據開源的情資報告,得知今年5月修補的資安漏洞CVE-2026-48842遭到實際利用,呼籲管理人員要根據Roundcube提供的指引,套用必要的更新程式。由於最近幾年不時傳出國家級駭客針對該郵件系統發動攻擊,因此這項公告更新相當值得留意。
Балл: 56.56Уверенность: 54%
ПодробнееiThome 新聞
Anthropic周五(10/2)宣布推出Claude Frontier Academy,並投入1億美元培訓企業AI人才,目標在2027年底前培養1萬名前線部署工程師(Frontier Deployed Engineers,FDE),協助企業將Claude導入實際工作流程與正式生產環境。首批學員來自Accenture、Bain、Capgemini、Deloitte、McKinsey、Morgan Stanley、Novo Nordisk及澳洲聯邦銀行等企業。
Балл: 56.56Уверенность: 54%
Подробнееvelog
사업 검색 SQL에서 이런 식으로 썼다. LOWER(COALESCE(notice_name, '')) LIKE ? COALESCE 는 여러 값 중에서 NULL 이 아닌 첫 번째 값을 반환한다. COALESCE(notice_name, '') 이면 notice_name 값 있음 → 그 값 사용 notice_name이 NULL → 빈 문자열 사용 이렇게 된다. Biz Assist에서는 검색 대상 컬럼이 NULL 이어도 문자열 검색할 때 문제가 생기지 않게 쓰였다. 또 회사 DB의 발주기관 컬럼명이 버전마다 다를 수 있어서 여러 후보 컬럼 중 값이 있는 걸 고를 때도 썼다. COALESCE( ordering_organization_name, ordering_org_name, client_name, organization_name ) 기억할 건 간단하다. COALESCE → NULL 대신 사용할 값 고르기 → 여러 후보 중 첫 번째로 NULL이 아닌 값 가져오기
Балл: 54.4Уверенность: 49%
Подробнееvelog
풀스택
Балл: 54.4Уверенность: 49%
Подробнееvelog
📌 Deep Learning 💡 🌳 🌳 🌳
Балл: 54.4Уверенность: 49%
Подробнееvelog
59일차 1. 배운 내용 멀티 에이전트 시스템에서의 보안과 가드레일 멀티 에이전트 시스템에서도 보안과 가드레일에 대한 부분은 다른 시스템과 크게 다르지 않다. 다만 AI 에이전트가 있는 시스템이기 때문에 추가로 필요한 것들이 있다. 프롬프트 인젝션에 대한 방어와 에이전트의 권한, 결과값 관리 등이다. 보통 정책을 결정한 후에 정책에 따라 세부사항들을 정하면 될 것 같다. 2. 실제 작업한 내용 실습 간단한 예제로 프롬프트 인젝션 방어, 입출력 검증(형식, 내용), 에이전트의 권한 확인, 사람 승인, 멱등성, 컨텍스트 분리, 데이터 유출 방지 등을 실습했다. CI/CD 복습 깃 액션으로 AWS에 배포까지 되는 과정을 복습했다. 3. 소감 예전에는 막연한 개발 과정이 프로젝트에서 팀장 역할을 경험하면서 점점 중요하게 생각해야 될 기준들이 만들어지고 그에 대한 우선순위를 결정할 수 있어진 것 같다. 기획자이자 설계자로서 프로젝트를 진행하는 것은 프로그램 기획 및 설계도 있지만 사람들의 이끌어 가는 것도 고려해야 하고 이건 직접해보는 게 가장 배우는 데에 큰 도움이 되는 것 같다. 그리고 설계는 모든 게 충족된 상태에서 이뤄지는 게 아니라 현재의 제약 사항 속에서 최적의 설계를 찾아내는 것이라는 걸 느끼고 나서 어떤 상황이라도 크게 문제될 게 없는 것 같다.
Балл: 54.4Уверенность: 49%
Подробнееvelog
멀티암드 밴딧(Multi-Armed Bandit, MAB)은 확률론과 기계 학습(강화 학습)에서 제한된 리소스를 여러 대안(선택지)에 어떻게 최적으로 배분할 것인가를 다루는 고전적인 문제 프레임워크입니다. [1] 이름은 카지노의 여러 대의 슬롯머신(한 팔 강도라 불리는 One-Armed Bandit에서 유래) 앞에 선 도박꾼의 상황에서 따왔습니다. 각 슬롯머신의 보상 확률(수익률)을 모르는 상태에서, 도박꾼은 제한된 횟수 동안 어떤 머신을 어떤 순서로 당겨야 누적 보상을 최대화할 수 있을지 결정해야 합니다. [1, 2, 3] ⚖️ 핵심 딜레마: 탐색(Exploration) vs 활용(Exploitation) MAB의 핵심은 탐색과 활용의 균형(Trade-off)을 잡는 것입니다. [1, 4] 탐색(Exploration): 각 선택지의 실제 보상 확률을 알아내기 위해, 아직 잘 모르는 다양한 대안을 시도해보는 것. [2, 4] 활용(Exploitation): 지금까지의 경험을 바탕으로, 현재 가장 높은 보상을 줄 것으로 기대되는 최고의 대안을 계속 선택하는 것. [4, 5] 탐색만 너무 많이 하면 이미 검증된 좋은 대안으로 얻을 수 있는 이익을 놓치고(기회비용 발생), 활용만 너무 빨리 시작하면 더 나은 대안을 발견할 기회를 영영 잃게 됩니다. [2, 6] 🤖 대표적인 MAB 알고리즘 탐색과 활용의 딜레마를 해결하기 위해 여러 수학적 알고리즘이 사용됩니다. [5, 7] 그리디 (Greedy): 항상 현재 시점에서 가장 기대 보상이 높은 선택지만 고릅니다. 탐색을 거의 하지 않기 때문에 초반에 잘못된 데이터로 판단을 내리면 최적의 대안을 영영 놓칠 수 있습니다. [5, 6, 7] 입실론 그리디 (ε-Greedy): 기본적으로는 가장 좋은 선택지를 고르되(활용), 매우 작은 확률 ε(입실론)의 확률로 무작위 대안을 선택합니다(탐색). 단순하면서도 효과적이지만, 시간이 지나 학습이 많이 된 상태에서도 여전히 동일한 확률로 무작위 탐색을 한다는 단점이 있습니다. [5, 7, 8] UCB (Upper Confidence Bound): 대안의 평균 보상뿐만 아니라 '불확실성(신뢰구간의 상한선)'을 함께 계산합니다. 시도 횟수가 적어 불확실성이 높은 대안에 가중치를 부여함으로써, 덜 검증된 대안에게 공평한 기회를 주는 똑똑한 탐색 방식입니다. [6, 7, 8, 9] 톰슨 샘플링 (Thompson Sampling): 확률 분포(베타 분포 등)를 활용하여 각 대안이 우수할 확률을 베이지안 방식으로 추정하고 샘플링합니다. 실제 이커머스나 광고 추천 시스템 등 실무에서 가장 뛰어난 성능을 보이는 알고리즘 중 하나입니다. [8, 10] 📊 A/B 테스트와의 비교 현업(마케팅, 서비스 기획)에서 MAB는 전통적인 A/B 테스트의 대안이자 확장판으로 자주 쓰입니다. [3, 6] 비교 항목 A/B 테스트 멀티암드 밴딧 (MAB) 운영 방식 실험 기간 동안 트래픽을 50:50으로 고정하여 순수 탐색 성과 데이터에 따라 트래픽 배분율을 실시간으로 자동 조정 목적 어떤 안이 더 우수한지 통계적 유의성 검증 실험 진행과 동시에 기대 수익(클릭률, 매출 등)을 극대화 기회비용 (Regret) 성과가 나쁜 안에도 끝까지 50%의 트래픽이 가므로 손실이 큼 나쁜 안의 비중을 빠르게 줄이므로 손실(Regret)을 최소화 🌐 주요 활용 사례 온라인 광고 최적화: 클릭률(CTR)이 가장 높은 광고 배너를 실시간으로 찾아내어 노출 비중을 높입니다. 추천 시스템: 넷플릭스나 유튜브처럼 사용자에게 기존 인기 콘텐츠(활용)와 새로운 취향의 콘텐츠(탐색)를 적절히 섞어 추천합니다. 임상시험: 환자들에게 부작용이 적고 효과가 더 좋은 약물의 투여 비율을 실시간 데이터에 기반해 조율합니다. [4, 5, 8, 11] 멀티암드 밴딧과 관련하여 더 구체적인 알고리즘 수식이나 파이썬 구현 코드, 또는 A/B 테스트와의 실무적 차이점 중 어떤 부분을 더 자세히 알아보고 싶으신가요? [1] https://ko.wikipedia.org [2] https://glanceyes.com [3] https://playinpap.github.io [4] https://www.alphaxiv.org [5] https://m.blog.naver.com [6] https://brunch.co.kr [7] https://velog.io [8] https://sungkee-book.tistory.com [9] https://koosco.tistory.com [10] https://wikidocs.net [11] https://www.youtube.com
Балл: 54.4Уверенность: 49%
Подробнееvelog
HTML 코드 작성 시 시맨틱 태그 사용하면 무엇이 좋길래 그렇게 강조하는 걸까? 시맨틱(Semantic) 태그는 태그 자체가 의미를 담고 있는 HTML 요소를 말합니다. [주요 시맨틱 태그] <header> 머리글 · 상단 (여러 개 가능) <nav> 내비게이션 · 주요 링크 모음 <main> 주요 콘텐츠 · 페이지당 1개 <article> 독립 콘텐츠 · 블로그 글, 뉴스, 댓글 <section> 주제별 섹션 · 논리적 구분 <aside> 부가 정보 · 사이드바, 관련 링크 <footer> 바닥글 · 저작권, 연락처 <figure> 이미지, 도표 + <figcaption> <time> 날짜 / 시간 · 작성일, 이벤트 시맨틱 태그를 사용할 때 얻을 수 있는 이점은 크게 4가지 핵심 영역으로 정리할 수 있습니다. 1. 검색엔진 최적화 (SEO: Search Engine Optimization) 구글, 네이버 같은 검색엔진의 크롤러 로봇은 사람이 눈으로 보는 것처럼 디자인을 보는 것이 아니라 HTML 코드를 읽어 페이지를 해석합니다. 핵심 정보의 정확한 색인: <main> , <article> , <h1> 등의 시맨틱 태그를 사용하면 크롤러가 수많은 텍스트 중에서 어떤 것이 핵심 본문이고 주요 제목인지 명확하게 구분 합니다. 검색 노출 우위: 검색 로봇이 정보의 구조를 쉽게 이해할 수 있는 웹사이트는 검색 결과 상위에 노출될 확률이 훨씬 높아 집니다. 2. 웹 접근성 (Web Accessibility) 향상 및 미래 호환성 시각 장애인이나 보조 공학 기기를 사용하는 사용자들은 스크린 리더(음성 읽기 프로그램) 를 통해 웹사이트를 이용합니다. 음성 비서/AI 에이전트도 내용을 올바르게 해석합니다. 랜드마크 탐색 제공: 스크린 리더 사용자는 키보드 단축키를 이용해 <header> , <nav> , <main> , <footer> 같은 주요 구역(Landmark)으로 바로 이동할 수 있습니다. 정보 소음 감소: 레이아웃용 div는 무시하고 의미 있는 시맨틱 구역과 헤딩( <h1> ~ <h6> ) 구조만 선별하여 음성으로 들려주므로 탐색 피로도가 대폭 줄어듭니다. 3. 코드 가독성과 유지보수성 향상 개발자가 코드를 작성하거나 동료의 코드를 분석할 때 직관적인 구조를 제공 합니다. 'div 지옥(Div Hell)' 탈출: 모든 영역이 <div> 로 겹겹이 쌓여 있으면 해당 상자가 상단 메뉴인지, 본문인지, 하단 저작권 정보인지 클래스명(class="...")을 일일이 찾아봐야 합니다. 직관적인 뼈대 파악: 시맨틱 태그를 쓰면 태그 이름만 보고도 웹페이지의 레이아웃 구조를 한눈에 파악할 수 있어, 협업할 때 소통이 원활해지고 유지보수가 쉬워집니다. 4. 웹 표준 준수 및 가벼운 코드 작성 추가적인 클래스/아이디 절약: <div class="header"> 또는 <div class="nav"> 처럼 레이아웃 구분을 위해 매번 클래스명을 지어줄 필요 없이, <header> , <nav> 라는 태그 자체로 스타일을 지정하거나 역할을 명시할 수 있습니다. 다양한 기기에서의 호환성: 스마트폰, 태블릿, 스마트 TV, 웨어러블 기기 등 서로 다른 화면 환경이나 웹 브라우저에서도 시맨틱하게 작성된 문서는 기본 구조를 유지하며 안정적으로 렌더링됩니다.
Балл: 54.4Уверенность: 49%
Подробнееvelog
로봇 모델을 준비해도 물건을 잡고 옮기는 시범 기록이 부족하면 학습을 이어가기 어렵습니다. 여러 작업과 환경의 시범을 확보하려면 데이터를 모으는 장비와 운영 부담도 함께 커집니다. 2026년 7월 21일 Hugging Face에 공개된 Grabette 는 이 수집 과정의 문턱을 낮추려는 공개형 그리퍼 시스템입니다. 로봇 대신 손으로 시범을 기록합니다 Grabette는 사람이 손에 쥔 그리퍼로 작업을 시연하고, 카메라 기록에서 움직임을 복원하는 장치입니다. 원격 조작에는 장비를 구성하고 운영하는 부담이 따릅니다. 조작 방식에 따라 긴 수집 작업이 사용자에게 고될 수도 있습니다. 특히 여러 장소에서 시범을 꾸준히 확보하려면, 한 실험실에 장비를 갖추는 것과는 다른 운영 문제가 생깁니다. Grabette가 기록하려는 핵심 정보는 위치와 방향을 함께 담는 6자유도, 즉 6-DoF 궤적입니다. 물건을 잡는 장면뿐 아니라 그리퍼가 어디에서 어떤 자세로 움직였는지를 표현해야 하므로, 촬영한 정보에서 궤적을 복원하는 과정이 필요합니다. 기록을 가공과 공유로 연결합니다 Grabette의 구성은 시범을 촬영하는 장치에서 끝나지 않고, 학습용 데이터셋을 정리하고 공유하는 과정까지 이어집니다. 개발진이 직접적인 영감으로 밝힌 것은 Stanford의 Universal Manipulation Interface, UMI입니다. UMI는 어안 카메라를 장착한 휴대형 그리퍼로 현장의 시범을 기록합니다. 이후 SLAM으로 카메라 궤적을 복원하고, 시각 정보와 동작을 연결하는 정책을 학습합니다. Grabette 개발진은 데이터셋에 LeRobot을, 공유에 Hugging Face Hub를 활용합니다. 처리 파이프라인은 별도 설치 없이 브라우저에서 실행하도록 소개되어 있습니다. 수집 장치를 마련한 참여자에게도 파일을 학습용 형식으로 가공하고 공유할 곳을 정하는 일이 남습니다. Grabette는 이 후속 작업까지 연결해, 촬영 이후의 부담도 낮추려 합니다. 공동 수집으로 작업과 환경을 넓힙니다 개발진의 목표는 여러 참여자가 시범을 보태는 개방형 공동 조작 데이터셋입니다. 한 연구실이 혼자 확보하기 어려운 작업과 환경을 나누어 기록하겠다는 구상입니다. 개인 기록을 모으는 단계에서 공동 데이터셋으로 범위가 넓어지면, 수집량과 함께 기록의 일관성도 중요해집니다. 공개된 장치와 공유 경로는 참여의 기반이며, 기록을 어떤 기준으로 함께 사용할지는 운영에서 다룰 문제입니다. 맞는 경우와 맞지 않는 경우 Grabette는 로봇 장비를 먼저 갖추는 부담 때문에 시범 수집을 시작하지 못하는 경우에 검토할 만합니다. 여러 장소의 참여자가 각자 작업을 기록해 공동 데이터셋에 보태려는 목적도 개발진이 제시한 방향과 맞습니다. 반면 수집부터 학습, 실제 로봇의 동작 검증까지 모두 로봇 없이 해결하려는 기대에는 맞지 않습니다. 로봇이 필요 없다는 설명은 시범 수집 단계에 관한 것이며, 기록한 움직임을 목표 로봇이 얼마나 잘 재현하는지는 별도 검증 대상입니다. 장비의 정밀도나 구매 비용을 기준으로 선택하려는 경우에도 추가 정보가 필요합니다. Grabette에는 역할을 나눈 카메라 두 대가 탑재된다고 소개되지만, 소개된 내용에는 각 카메라의 상세 사양과 역할 전체가 담겨 있지 않습니다. 저비용이라는 설명에도 구체적인 구매 금액은 제시되지 않아, 이를 가격 비교의 근거로 삼기는 어렵습니다. 기능보다 작업의 완성을 봅니다 Grabette를 평가할 때는 참여자가 시범 기록을 끝까지 완성할 수 있는지가 중요한 기준입니다. 장비 준비, 시범 기록, 학습용 가공으로 이어지는 작업에서 실제 부담이 줄어드는지를 보는 것입니다. GeekNews의 「AI는 나를 슬프게 한다」 는 개발 속도 향상이라는 약속에 비해 일상 소프트웨어의 개선은 체감하기 어렵다는 개인의 비판을 전합니다. 이 문제의식을 Grabette에 적용하면, 새 기능의 수보다 기록을 완성하고 학습에 활용하는 과정이 얼마나 나아지는지에 관심을 두게 됩니다. 도입 전에 따져 볼 질문 다음은 자신의 작업에 도입하기 전에 따져 볼 질문의 예입니다. 공동 수집과 가공 결과를 검토하기 위한 항목이며, Grabette에 구현된 기능 목록은 아닙니다. 같은 작업을 반복한 시범과 다른 환경에서 수행한 시범을 구분할 수 있습니까? 궤적 복원에 문제가 생긴 기록을 찾아 검토할 수 있습니까? 가공에 넣은 입력과 그 결과를 대조할 수 있습니까? 가공한 데이터에 목표 로봇과 학습 과정이 요구하는 정보가 들어 있습니까? 자동 가공이 데이터 품질을 보장하지는 않으며, 소개된 내용에는 정량적인 성공률이나 오차 수치가 제시되지 않습니다. 따라서 도입 검토에서는 자신의 작업 시범을 기록하고, 처리 결과를 받아 위 질문에 답하는 순서가 필요합니다. 마무리 Grabette의 도입은 직접 기록한 시범의 가공 결과가 목표 학습에 필요한 정보를 담는지 확인하는 데서 판단을 시작할 만합니다. 개발진이 지향하는 공동 데이터셋의 실질적인 가치는 어떤 작업의 기록이 쌓이고, 그 기록으로 무엇을 학습할 수 있는지에 달려 있습니다. 원문: webi 기술 블로그 참고한 자료: Grabette: an open system to record robot-manipulation data AI는 나를 슬프게 한다 폰 노이만의 전설(1973) [PDF]
Балл: 54.39Уверенность: 49%
velog
https://www.hackerrank.com/contests/leetcode-bootcamp-week-1/challenges/move-zeroes-45-3/problem?isFullScreen=true 문제 0 을 뒤쪽으로 움직이는 문제 (in-place) 답안 public static List<Integer> moveZeroes(List<Integer> nums) { int count = 0; for (int num: nums) { if (num == 0) { count++; } } for (int i = 0; i < count; i++) { nums.remove(Integer.valueOf(0)); nums.add(0); } return nums; } 메모 돌면서 지워버리면 Concurrent 관련 Exception 이 뜬다. 그래서 돌면서 0 개수 세어주고, 그 이후에 그만큼 지우고 더하는 작업을 실행해줬다.
Балл: 54.38Уверенность: 49%
Подробнее