개발과 일상

지독하게 몇년간 적금 예금만 하다 올해 6월 첫 투자 포트폴리오 설계했었다.2025.06.20 - 나의 첫 포트폴리오 설계 이야기 : 2025년 첫 시장 분석과 종목 분석 결론부터 이야기하면, 위에 작성된 대로는 극소량만 투자했다. 다 합쳐서 1~2월급치 정도? 왜 작성한대로 진행하지 않았냐면 두가지 이유가 컸다. 커버드콜에 대한 불신이 생긴 것과 미국장기채의 움직임이 이상해서였다. 커버드콜의 분배금을 재투자해야만 기초지수를 따라가는 구조는 매매를 힘들어 하는 내가 견디기 힘들었고, 미국 장기채는 연준이 금리를 총 세번 내리는 동안 가격이 오르지 않았다. 결국 투자 방식을 바꿀 수 밖에 없었는데... 내가 원하는 고배당을 받으려면, 미장으로 넘어가자는 결론을 내렸다. 이것 저것 찾다보니 미장에는 BD..

이룬 것과 이루지 못한 것2025년도 작년과 동일하게 10개의 목표를 잡았었다.이직, 연애독서 (분기별 1권), 프로젝트 결과물 (일로아)감정 섞인 말 하지 않기, 오픈소스 기여체지방 10%대 / 68kg, 멘토링 및 커피챗AI와 DB 공부, 투자 공부 올해는 중순부터 회사와 팀에 매우 큰 변화가 생기면서, 계획했던 일들을 대부분 이루거나 시도조차 하지 못했다. 회사의 대규모 조직 개편으로 본사 이동과 더불어 3번의 팀 변경이 있었다. 너무 짧은 기간 내에 내 의사와 상관없이 팀이 바뀌면서 한동안 어떻게 해야 할지 스트레스를 많이 받았었다. 다행히 지금은 어느 정도 정리된 상태다. 일단 해낸 것부터 정리해 보면, 독서랑 투자, AI 공부는 확실하게 했다. 오픈소스 기여도 현재 PR(Pull Request..

팀이 변경되면서 이전 인프라에 대한 부담을 가져갈 필요가 없다고 생각했는데, 다시 한 번 비용 절감 관련 문의가 들어왔다. 이전 서비스의 운영 리소스를 줄이는 과정에서, 또다시 문의가 들어왔고 운영을 정말 가볍게 가져가려면 시간이 들더라도 EKS를 내려놓는 게 맞다는 의견을 냈지만, 이번에도 구조를 바꾸기보다는 당장 효과를 볼 수 있는 선에서 정리하는 방향으로 결정됐다. 결국 이번에도 땜빵에 가까운 선택이었다. 그래서 이번에 진행하기로 한 작업은 다음 세 가지였다. 진행하기로 한 작업들 :1. RDS serverlss ACU 사이즈 줄이기 - 2 - 8 ACU까지 사용하는데, 0.5 - 1 로 줄여보자2. RDS reader 인스턴스 삭제- MAU가 많이 내려가서 DB reader 인스턴스가 필요 없어짐..

어쩌다보니 RAG 시스템을 개발하게 되서 개괄적인 프로세스를 이해하기 위해서 구매한 책이다. 스프링 위에서 RAG를 개발해 본 적은 있지만, 당시에도 개발하기 급해서 세부적인 기술들은 많이 놓쳤던 것을 보완하고 요즘 AI 개발에 보편적으로 사용되는 Langchain에 대한 이해가 필요했었는데.. 꽤 나쁘진 않았다. 개인적으로 LLM이 어려운건 LLM이 등장하기 까지의 발전과정에 블랙박스가 많기 때문이라 생각하는데, 그거에 대해서 쉽고 간단하게 설명해줬다. 그리고 RAG 개발에 세부 단계들도 코드와 함께 간단하게 정리해줘서 쉽게 읽힌다는 장점도 있다. 아쉬운 점은 너무 보편적인 이야기가 정리되어 있어서 실무에서 얻을만한 세부적인 팁들이 거의 없다. 개괄적인건 어느정도 해봤고 알고 있는 나한테는 조금 아쉬웠..

나는 임베딩 벡터를 이용한 검색 시스템을 사전 이해 없이 통으로 만들어본 적이 있다. 그때의 지식이 크게 변하지 않은 채로 시간이 지나면서, 최근 다시 임베딩 벡터 기반 검색 기술을 공부하던 중 의미 기반 검색(Semantic Search) 과 키워드 기반 검색(Keyword Search) 의 개념을 명확히 알게 되었다. 그리고 이 두 접근 방식을 비교하다 보니, Sparse Vector(희소 벡터) 라는 개념이 그 중심에 있다는 걸 알게 됐다. 이번 글에서는 Sparse Vector가 무엇이고, Dense Vector와 어떤 차이가 있으며, 임베딩 기반 검색에서 어떤 역할을 하는지를 정리해보려 한다. 거기다 이전 글이 Embedding에 사용되는 벡터가 dense만 있다는 듯이 사용해서 자세히 알아봤다..

RAG 시스템에 필요한 것들을 개괄적으로 알아봤었다. 그리고 임베딩 모델의 중요성까지 알아봤다.2025.10.20 - [개발/AI] - RAG 이해하기: Embedding부터 평가 지표까지 RAG 시스템에 큰 영향을 주는 요소들은 데이터 전처리, 임베딩, 조회 알고리즘, 그리고 LLM이 대표적이다. 하지만 결국 저장소가 필요한 만큼 벡터 데이터베이스(Vector DB) 역시 간과할 수 없다. 특히 개발자 입장에서는 단순히 빠르기만 한 DB보다는쓰기 편하고, 조회 알고리즘 옵션이 다양하며, 환경에 맞게 유연하게 쓸 수 있는 도구가 훨씬 중요하다. 그래서 최근 여러 벡터 저장 방식을 테스트하고 있다. 그중 첫 번째로 선택한 건 PostgreSQL에서 제공하는 확장 기능인 pgvector였다. 개인적으로 P..

앞서 RAG 검색의 개괄적인 내용을 정리해봤고, 이번엔 세부 기술들을 정리해보려고 한다.2025.10.20 - [개발/AI] - RAG 이해하기: Embedding부터 평가 지표까지 RAG는 Retrieval(검색)과 Generation(생성)으로 나뉘는데, 검색의 핵심은 ‘어떻게 의미적으로 비슷한 문서를 찾느냐’이다. 여기서 임베딩이 그 열쇠가 된다. 임베딩 기술이 뭔지, 임베딩이 어떻게 구성되는지는 나보다 더 잘알고 잘 설명해주는 글이 많아 짧게 정리해보면 다음과 같다.임베딩은 텍스트(문장, 단어, 문서 등)를 고차원 벡터 형태로 변환하는 과정이다. 이렇게 하면 문장 간의 의미적 유사도를 수치적으로 비교하기 위한 기법입니다. 최근 가장 보편적으로 사용되는 건 openai의 text-embedding..

RAG란? RAG(Retrieval-Augmented Generation)의 약자로, 대규모 언어 모델(LLM)이 답변을 생성할 때 외부의 신뢰할 수 있는 지식 소스에서 관련 정보를 검색하고 활용하여 답변의 정확성과 최신성을 높이는 기술이다. 위 그림은 AWS에서 제공하는 구성도이다. LLM에게 질문을 할때 답변을 바로 생성하지 않고, Knowledge Sources를 갔다오게끔하는 방식으로 LLM이 어떤 분야에 특화되게끔 만드는데 용이하다. 구성은 간단해보이지만, 몇 가지 기술적인 부분들이 접목된다. 1. 데이터를 어떻게 표현할까?2. 데이터를 어떻게 저장할까?3. 어떻게 평가할 것인가? 요즘 이 과정들을 공부하고 있으니 하나씩 알아보자 1. Embedding Model세상에는 수많은 언어들이 있고, ..