본문 바로가기

AI48

Text to SQL - vanna.ai (작성 중) https://vanna.ai Vanna.AI - Personalized AI SQL Agent vanna.ai간단후기: 제대로 쓸려면 llm 모델의 영향을 매우 많이 받고 프롬프트 작업과 외부 추가 개발이 다소 필요해 보인다. 테스트 계획SQL 학습을 위해 데이터 셋과 쿼리, 쿼리에 대한 설명을 준비한다.대상DBTrino, PostgreSQL1. 데이터 셋DB벤치마크용 데이터셋 활용: tpc-h과 ddl문 준비2. 쿼리샘플 쿼리 조사3. 쿼리 설명쿼리와 ddl 을 활용하여 GPT로 생성 2025. 3. 7.
Langfuse : Open SourceLLM Engineering Platform Langfuse의 가장 기본적인 기능은 복잡한 LLM 애플리케이션의 실행 흐름을 추적하고 시각화하는 것입니다. 이는 API 호출, 컨텍스트, 프롬프트, 병렬 처리 등을 포함한 완전한 실행 흐름을 캡처합니다. 다중 턴 대화에서는 상호 작용을 세션으로 그룹화하고, 특정 사용자의 트레이스를 검사하기 위한 사용자 추적 기능을 제공합니다. https://langfuse.com LangfuseTraces, evals, prompt management and metrics to debug and improve your LLM application. Integrates with Langchain, OpenAI, LlamaIndex, LiteLLM, and more.langfuse.com데모만 보더라도 완성도가 매우 높.. 2025. 3. 4.
AI로 작성한 글을 재학습하지 않게 막는 방법 서버에 설정을 할 수도 있지만 이렇게 하면 AI를 사용하지 않은 일반 게시글들도 검색 노출에서 막힐 수 있어서 비교적 약하지만 간단하게 막을 방법을 고려 했다. 1. 게시글 작성 후 Meta 추가HTML 모드로 들어가서 맨 상단에 추가2. 게시글 맨 아래 추가ⓒ 2025, 본 게시글은 AI 학습 및 무단 크롤링을 금지합니다.This content is protected and should not be used for AI training.AI가 크롤링을 하더라도 저작권 및 학습 금지 문구가 포함되면 일부 AI 모델이 학습을 피할 가능성이 높아 진다고 합니다.알려진 대형 AI 서비스 제공사에서는 이러한 내용을 참고하겠지만, 소소한 모델 학습에서는 여전히 참고할 듯 합니다. 모델 성능저하가 되겠지만;; 2025. 2. 28.
Pydantic - 데이터 검증에서 구조화된 출력까지 최근 인공지능, 특히 대규모 언어 모델(LLM, Large Language Model)을 활용한 자동화 서비스가 급격히 확산되고 있습니다.LLM을 통해 생성된 텍스트는 그 자체로 훌륭한 결과물을 제공하지만, 종종 일정한 형식이나 구조를 갖추지 못해 후속 처리 단계에서 문제가 발생하기도 합니다.이러한 문제를 해결하기 위해 Pydantic과 같은 라이브러리를 사용하여 생성된 데이터를 자동으로 검증하고 구조화하는 방법이 주목받고 있습니다.1. Pydantic이란?Pydantic은 Python에서 데이터 검증과 설정 관리를 위해 개발된 라이브러리입니다.주요 특징은 다음과 같습니다:데이터 검증 및 타입 체크: 입력 데이터가 미리 정의된 스키마와 일치하는지 확인합니다.자동 형변환: 가능한 경우 입력 데이터를 지정된.. 2025. 2. 14.

티스토리툴바