Data Vision

🎯 Cursor AI의 진화: 4가지 새로운 Rule 타입과 강력한 자동 생성 기능Cursor Rule 시스템이 대폭 강화되어, 이제 여러분이 원하는 방식대로 Cursor Agent를 훨씬 더 유연하게 활용할 수 있게 되었습니다. 그런데 놀랍게도 이 변화들은 공식 문서에 잘 드러나 있지 않습니다. 그래서 오늘은 여러분께 Cursor의 최신 기능과 실전 활용 팁을 정리해 드립니다.🆕 새롭게 추가된 4가지 Rule 타입Cursor는 이제 총 4가지의 Rule 타입을 지원합니다. 각각의 Rule은 AI Agent의 작동 방식에 큰 영향을 미치며, 다양한 자동화 시나리오에 활용될 수 있습니다.Rule 타입설명agent-selected에이전트가 **설명(description)**만 보고 필요 시 전체 규칙을 ..

AWS를 사용하셨다고 했는데, 서비스에 트래픽이 몰릴 때는 어떻게 처리하셨나요?네, 트래픽 처리를 위해 Auto Scaling과 Application Load Balancer(ALB)를 사용했습니다.EC2 인스턴스는 Auto Scaling Group에 묶어서 CPU 사용률이 70% 이상일 때 인스턴스를 자동으로 확장하도록 설정했고, 요청은 ALB가 여러 인스턴스로 분산시켰습니다.  Auto Scaling 설정은 어떤 기준으로 구성하셨나요? CloudWatch를 사용해서 CPU 사용률이 70% 이상이면 인스턴스를 1개 추가하고, 30% 이하로 5분 이상 유지되면 1개를 줄이도록 설정했습니다.초기에는 요청 수(RequestCount)를 기준으로 했는데, CPU 기준이 좀 더 안정적이어서 바꾸게 되었습니다. ..

GitHub Copilot의 도전과 해결책설명 영상 링크 : https://youtu.be/M0Ev-mD5LsM근본적인 이유: 클라우드 AI와 로컬 IDE의 괴리GitHub Copilot이 직면한 여러 문제들의 근본적인 원인은 "AI 모델 기반 코드 자동완성을 IDE 수준의 속도로 제공해야 한다"는 근본적인 모순에 있습니다. 일반적인 IDE 자동완성은 로컬에서 즉시 실행되지만, AI 모델 추론은 클라우드에서 수행되어야 하기 때문에 네트워크 지연이 불가피합니다. 여기에 전 세계 사용자를 지원해야 하는 글로벌 서비스의 특성과 보안 요구사항까지 더해져 복잡한 기술적 도전이 발생했습니다.이러한 근본적인 모순에서 다음 세 가지 핵심 문제가 발생했습니다: 핵심 문제 3가지1. 네트워크 지연으로 인한 느린 응답 속도..

Gemini API 튜토리얼: Slides Advisor - AI 프레젠테이션 검토자 만들기이 튜토리얼에서는 Gemini API를 활용해 사용자의 프레젠테이션 슬라이드 내용을 요약 및 개선하는 AI 어시스턴트를 만드는 방법을 안내합니다.1. 개요사용자가 Google Slides 또는 텍스트 기반 슬라이드를 업로드Gemini가 콘텐츠의 품질을 분석하고 요약, 피드백, 개선 제안 제공발표자용 요약 스크립트 자동 생성 가능2. 기능 구성기능설명슬라이드 요약각 슬라이드의 핵심 내용을 요약개선 제안시각적 구성 및 텍스트 개선 제안발표 스크립트 생성발표자가 말할 수 있는 간결한 대본 제공3. 기술 스택Gemini API: 텍스트 분석 및 생성Google Slides API: 슬라이드 내용 추출Python (Flas..

Google Cloud Console에서 credentials.json 파일을 얻는 방법을 단계별로 설명해드리겠습니다:Google Cloud Console 접속Google Cloud Console에 접속합니다.Google 계정으로 로그인합니다. 프로젝트 생성상단의 프로젝트 선택 드롭다운 메뉴를 클릭합니다."새 프로젝트" 버튼을 클릭합니다.프로젝트 이름을 입력합니다 (예: "agent01-drive-api")."만들기" 버튼을 클릭합니다. Google Drive API 활성화왼쪽 메뉴에서 "API 및 서비스" > "라이브러리"를 선택합니다.검색창에 "Google Drive API"를 입력합니다.Google Drive API를 선택합니다."사용 설정" 버튼을 클릭합니다. OAuth 2.0 클라이언트 ID 생..

uv를 이용한 파이썬 가상환경 관리파이썬 개발 환경을 관리하는 데 있어 uv는 최근 주목받고 있는 도구입니다. uv는 빠르고 효율적인 파이썬 버전 관리와 가상환경 생성을 지원하며, 기존의 pip, venv, poetry 등의 도구를 대체할 수 있는 기능을 제공합니다. 이 글에서는 uv를 사용하여 파이썬 가상환경을 생성하고 관리하는 방법에 대해 설명합니다.uv란 무엇인가?uv는 Rust로 작성된 빠른 Python 패키지 및 프로젝트 관리자입니다. uv는 기존의 도구들보다 더 빠른 성능과 간편한 사용법을 제공하여 개발자들이 프로젝트 관리에 소요되는 시간을 줄일 수 있도록 돕습니다. 각 컴퓨터에 uv를 설치하는 방법을 알려드리겠습니다. 운영 체제별로 설치 방법이 다릅니다:Windows: textpowershe..

머신러닝 모델을 학습시켰을 때, 학습 데이터에서는 성능이 매우 좋은데 실제 데이터에서는 성능이 안좋습니다. 이때 어떻게 해야 합니까? 심플대답 학습 데이터 성능은 좋은데 실제 데이터에서는 성능이 떨어지는 경우, 보통 오버피팅을 의심합니다.저는 에포크 수가 너무 많으면 과적합될 수 있으므로, 검증 데이터의 성능을 기준으로 Early Stopping을 적용해 에포크 수를 조절합니다.그리고 정규화나 모델 단순화 같은 기법도 함께 고려합니다조금 자세히  이런 경우는 모델이 학습 데이터에는 과도하게 잘 맞지만, 실제 데이터에서는 일반화가 안 되는 오버피팅 상황이라고 판단합니다.저는 먼저 검증 데이터(validation set)에서의 성능 변화를 관찰하면서 학습 과정을 모니터링합니다.특히, 에포크(epoch) 수가..

"머신러닝 모델 학습 후 성능 평가를 어떻게 하셨나요??"1. 분류 문제(Classification)의 경우에는 정확도(Accuracy) 외에도 데이터의 특성에 따라 다양한 지표를 사용했습니다.예를 들어, 클래스 불균형 문제가 있을 때는 정밀도(Precision), 재현율(Recall), F1-score, ROC-AUC 같은 지표를 확인했습니다.이전 프로젝트에서 스팸 메일 분류 모델을 만들었을 때, 단순 정확도가 높지만 재현율이 낮아서 실제로는 스팸을 잘 잡지 못하는 이슈가 있었어요. 그래서 재현율 중심으로 모델을 튜닝하거나 Threshold를 조정하는 등의 작업을 했습니다.  2. 회귀 문제(Regression)에서는 주로 MSE(Mean Squared Error), RMSE, MAE(Mean Abso..

2025 미래직업보고서 PDF 파일 다운로드 : https://reliable-global.s3.ap-northeast-2.amazonaws.com/WEF_Future_of_Jobs_Report_2025.pdf  설명 동영상 링크 : https://youtu.be/zD7YBpzXTww 미래의 일자리, 빅데이터와 AI 관점에서 읽는 WEF '2025 미래 일자리 보고서'세계경제포럼(WEF)이 발간한 '2025 미래 일자리 보고서'는 글로벌 노동시장의 변화를 예측하는 데 중요한 지침서입니다. 특히 AI 개발자와 빅데이터 분석가의 입장에서 보면, 이 보고서는 단순한 전망을 넘어 미래 기술 인재의 역할과 준비 방향을 명확히 제시합니다.1. AI와 빅데이터는 '게임 체인저'보고서에 따르면 AI와 정보처리 기술은 ..

머신러닝 기반 CRM 타겟 마케팅 대시보드Why?? - CRM 안하는 회사는 망하니깐!!오늘날 기업들은 수많은 고객 데이터를 보유하고 있지만, 이를 효과적으로 활용하는 것은 여전히 큰 도전과제입니다. 특히 고객의 구매 패턴과 행동 양식을 이해하고 이에 맞춘 타겟 마케팅을 진행하는 것은 마케팅 효율성과 고객 경험 향상에 필수적입니다. 이번 블로그에서는 비지도 학습(Unsupervised Learning)의 한 종류인 클러스터링 기법을 활용한 CRM 타겟 마케팅 대시보드를 소개합니다.비지도 학습(Unsupervised Learning)과 고객 세그먼테이션왜 비지도 학습인가?마케팅에서 고객을 분류할 때, 우리는 데이터 자체에서 패턴을 발견해야 합니다. 바로 이 지점에서 비지도 학습의 강점이 드러납니다. 레이블..