Rust 배우기
Python 은 배우기 쉽고 쓰기 편하지만 인터프리터 언어로써 성능 제약이 있다. 그래서 고성능이 요구되는 부분은 c/c++ 로 만들고 바인딩하는 방식을 많이 사용해왔다. 그러나 이 생태계에 Rust 개발자들이 많이 참여하면서 Rust에 관심을 갖게 됐다. 특히 ruff, uv 를 개발한 astral 이 rust를 사용하기 때문에 더 관심이 간다. pip
Django 계층형 데이터 설계, Django-Ninja와 함께
Django, DRF 를 이용해서 백엔드 개발을 장기간 했다. 응집성 있게 원칙에 맞춰서 개발을 잘 해왔다고 생각했는데, 부분에서 데이터 구조가 복잡해져 데이터 삭제, 변경이 어려워지고 비즈니스 로직 구현도 어려움을 느끼는 경험을 했다. FastAPI, Spring, DDD 등에 관한 글을 읽으면서 Python으로 개발한 부분은 원칙에 크게 벗어나지 않았지
스파게티 코드는 그만: 계층형 데이터 구조와 Aggregator 패턴
높은 코드 품질을 위한 기준으로는 재사용성, 유지보수성, 확장성 등이 있다. 그러나 모놀리식 구조에서는 스파게티 구조가 되기 쉽다. 로직에서만 발생하는 문제가 아니라 데이터 구조도 복잡한 그물망 형태가 되지 않도록 해야하는데 소흘해지기 쉽기 때문이다. 일반적으로 사용하는 RDBMS 에서는 데이터간 관계를 맺는게 나쁜 일이 아니기 때문이다. 1) 모놀리식 스
맥에서 SD 카드 자동 백업하기
촬영 데이터를 자동 백업하기 위해서 스크립트를 작성했습니다. Sequoia 15.6 , rsync 2.6.9 에서 실행해서 잘 되는 것을 확인했습니다. rsync 가 설치되어 있지 않다면 설치하세요. 저는 Homebrew로 사용 중입니다. 물론 Homebrew가 없다면 Homebrew부터 설치하세요. 1brew install rsync 다음은 명령어를 통해
고품질 데이터를 통한 훈련 데이터 1만배 감소 달성
Achieving 10,000x training data reduction with high-fidelity labels 학습데이터를 1만배나 감소시켰다고 하니 눈이 안돌아갈 수 없습니다. +_+ Notebook LLM 을 통한 요약 문서입니다. 요약의 요약을 하자면 데이터 큐레이션 프로세스가 가장 중요. 큰 규모의 데이터를 LLM 을 통해 레이블링하고
LLM 가중치 수정
딥러닝 가중치 구조와 포맷을 처음 접하는 개발자 파인튜닝 전 단계로 모델 내부를 직접 제어해보고 싶은 연구자 LLM의 어휘 단위 의미 수정에 관심 있는 개발자 가중치 수정과 RAG의 차이를 실감하고 싶은 AI 엔지니어 1. weight_editing_tutorial.ipynb 주제: 가장 기초적인 가중치 생성 → 저장/로드 → 직접 수정(Weight E
LLM 서빙 관련 정리
📌 LLM 서빙 관련 핵심 정리 개요 LLM 서빙 도구(MLC, CTranslate2, vLLM, TensorRT-LLM 등)는 오픈소스 LLM 가중치를 GPU/CPU/모바일 등 다양한 환경에서 고성능·저지연으로 제공하기 위한 프레임워크. 폐쇄형 모델(OpenAI GPT, Claude, Gemini 등)은 가중치 비공개 → 직접 서빙 불가능, API 기
Write heavy DBMS 조사
데브시스터즈의 CockroachDB 아티클을 읽고 Write 가 정말 중요한 시스템 설계가 궁금해졌다. Claude Opus 4.1 이 출시되어 딥서치에 사용했는데 느낌상 예전보다 약간 더 표현이 몽글해진 느낌. 결론 분산 DBMS 가 최선. ScyllaDB, CockroachDB, YogabyteDB, Google Spanner Claude Opus