Play new and move-first

AI Agents Layered Architecture

Layer 1은 일반적인 LLM 모델Layer 2는 정보가 정리되어 있는 도서관과 같은 역할Layer 3는 Knowledge base에서 정보를 검색(Retrieval)하여 그 정보를 AI모델에 넣어 답변을 생성 ...Layer 7 은 API, Google sheetsㅘ 같이 Agents가 접근할 수 있는 서비스

투자를 하면서 무시할 수 없는 것중 하나가 CPI, PPI 등 경제관련 지표죠 ~아래 Site에서 검색하면 쉽게 찾아보실 수 있습니다. https://fred.stlouisfed.org/ Federal Reserve Economic Data | FRED | St. Louis FedFRED Economic Data Your trusted source for economic data since 1991.fred.stlouisfed.org

1. Research- ChatGPT- Claude- DeepSeek R1- Gemini- Perplexity2. Image- Midjourney- Dall E-3- Flux- Stability AI- Grok3. CopyWriting- Rytr- Copy AI- Writesonic- Adcreative AI- otio4. Writing- Jasper- HIX AI- Jenny AI- Textblaze- Quillbot5. Website- 10Web- Durable- Framer- Style AI- Landingsite6. Video- Sora- Kling- Pika- InVideo- HeyGen- Runway7. Meeting- Tldv- Otter- Noty AI- Fireflies8. SEO- Vi..

Humonoid Robot, 지금 왜 주목받을까?CES 2025에서 “생성형 AI 다음은 ‘Phsyical AI’의 시대”라는 전망이 나왔습니다. 인간의 외형과 행동을 그대로 모사해 자율적으로 판단·작업하는 휴머노이드 로봇은 이미 AI 학습 덕분에 눈에 띄게 진화하고 있습니다. Humonoid의 Market Trend아래 Link와 같이 3곳의 Research 자료를 기준으로 Humonid market trend 분석 및 Insight에 대해서 설명드릴 수 있도록 하겠습니다. 가.) 연평균 성장률 * Deloitte는 장기(2035)+제조·물류 중심 시나리오, KBV는 단기(2030)+개인 케어 수요에 무게를 둔 결과라 전망치가 차이 납니다. Deloitte에서 예측한 기술. 가격 곡선의 Break Po..

Global market insight를 살펴 보았다면 이제 범위를 조금 좁혀 한국에서의 로봇 시장에 대한 Insight를 작성해 보았습니다. 1. 로봇의 분류체계2. 로봇의 핵심부품 Market3. Major Player의 장점, 단점 4. 핵심 Insight a.) 초고밀도·저출산이 자동화를 앞당기는 구조– 한국 제조업 로봇 밀도 세계 1위, 그러나 임금·인구 구조상 “사람 대체” 수요 계속 확대. 산업용은 정체, 협동·AMR·서비스가 성장률 견인예상 b.) 부품 국산화– 감속기·서보 국산화율 20 %대에 불과. SBB TECH·LS ELECTRIC 등이 진입하면 제조원가 15–25 % 절감 여력. 정부 ‘소부장 2.0’ 펀드 기회. c.) 대기업 + 스타트업 ‘투 트랙’ 협업– 삼성·LG·SK(물..

Robot Market에 대한 Insight를 조금은 딱딱한 보고서체로 간략하게 공유 드립니다.Gloabl Rotot market Insight 1. 로봇의 분류체계 2. 로봇의 핵심부품 Market 3. Major Player의 장점, 단점 4. 핵심 Insight a.) 국가·노동 구조가 수요를 결정 中 설치량 276 k(’23)로 세계의 51%, 중국 로봇 국산화율 47% → 가격 전쟁과 수직통합이 병행 b.) ‘레고→아이폰’ 패러다임 전환협동·휴머노이드 등 신세그먼트는 음성·제스처 프로그래밍, 원격 OTA 업데이트까지 채택(ABB Lite+) https://www.reuters.com/world/china/abb-expands-robot-line-up-china-tap-mid-sized-custo..

Part 4 LLM TrainingPart 5 FinetuningPart 6 LLM Inference Part 6에서는 LLM Inference 시의 부하(Load) 변동에 대해서 살펴보도록 하겠습니다.Case 3. LLM Inference Power Consumption: GPT-2 vs. nanoGPT대상 모델: GPT-2, nanoGPT실험 조건: GPU 기반 LLM 추론(inference) 과정의 전력 소모 패턴 분석전력 소모 패턴의 주요 특징1) 급격한 전력 변동공통점: 두 모델 모두 추론 과정에서 저전력(Idle) 상태와 고전력(Active) 상태를 빠르게 오가며, 전력 소모가 급격히 변화함.- 전력 피크: 약 300W까지 순간적으로 상승.- 피크 지속 시간: 25~50초, 표준편차 약 50..

Part 4 LLM TrainingPart 5 FinetuningPart 6 LLM Inference Part 6에서는 LLM Inference 시의 부하(Load) 변동에 대해서 살펴보도록 하겠습니다.Case 3. LLM Inference Power Consumption: GPT-2 vs. nanoGPT대상 모델: GPT-2, nanoGPT실험 조건: GPU 기반 LLM 추론(inference) 과정의 전력 소모 패턴 분석전력 소모 패턴의 주요 특징1) 급격한 전력 변동공통점: 두 모델 모두 추론 과정에서 저전력(Idle) 상태와 고전력(Active) 상태를 빠르게 오가며, 전력 소모가 급격히 변화함.- 전력 피크: 약 300W까지 순간적으로 상승.- 피크 지속 시간: 25~50초, 표준편차 약 50..

Part 4 LLM TrainingPart 5 FinetuningPart 6 LLM Inference Part 5에서는 Finetuning 시의 부하(Load) 변동에 대해서 살펴보도록 하겠습니다. Case 2. GPT2-Medium 파인튜닝 시 AMD 7900 XTX GPU 전력 소비 패턴GPT2-medium 모델을 AMD 7900 XTX GPU에서 AMD의 가이드에 따라 파인튜닝할 때, 학습 단계별로 뚜렷한 전력 소비 패턴이 나타나며, 전력 소비 그래프(Fig. 13 참조)는 파인튜닝 과정에서 GPU 활용이 어떻게 변화하는지 네 가지 주요 단계를 나타냅니다.단계별 전력 소비 패턴 1. 초기화 및 세팅 단계 (0–350초) - 전력 소비가 일시적으로 급증한 뒤, 낮은 수준으로 떨어짐 - 모..

지난 Part 3에 이어서 동일한 모델로 Case Study 사례를 분석해 보도록 하겠습니다. 앞으로 살펴볼 Load(부하)의 변동은 1) LLM Training, 2) Finetuning, 3) LLM Inferenence(추론) 까지 총 3가지 종류의 Work에서 보여주는 부하(Load) 변동성 입니다. Case Study : LLM Traning Case study를 위해서 NVIDIA, AMD 사의 GPU와 GPT-2 124M 과 nanoGPT 모델 두가지를 적용하여 Test를 진행 하였습니다. 1. NVIDIA RTX 4090 (w/ GPT-2 124M) _ 124M paramteters a. 학습시간: 22시간 b. 전력 : 평균 414W (최대전력 461w) ..