Royfactory

TL;DRvibe coding은 “AI에게 원하는 걸 말하고, 코드 내부를 깊게 이해하지 않은 채 결과물을 만드는 방식”에 가깝습니다.ADHD는 주의·조직화·충동성 조절 같은 실행기능(Executive function) 영역에서 업무 수행 난이도를 올릴 수 있습니다.두 개가 만나면 “빠르게 만들고(생산성) 빠르게 망가뜨릴(사고)” 가능성도 같이 커집니다. 연구에선 AI 코딩 보조가 보안 취약 코드와 과신을 늘릴 수 있었습니다.해결책은 ‘의지’가 아니라 운영 설계입니다: 프로토타입-프로덕션 분리, 작은 diff, 자동 검증 게이트, 사람 책임 명시로 굴리면 됩니다.본문TOC사전 요구사항단계별 절차검증 방법(관찰 포인트/로그/명령)트러블슈팅(증상→원인→해결)운영 팁FAQ사전 요구사항1) 개념 정리(정의/범위..

TL;DRvibe coding은 자연어로 요구사항을 말하면 LLM이 코드를 만들고, 사용자는 결과를 실행/수정 지시로 반복하는 방식입니다. (X (formerly Twitter))ADHD는 부주의/과잉행동/충동성의 지속 패턴이 핵심이며, 성인에서도 조직화·계획·시간관리(집행 기능) 어려움이 흔히 문제로 나타납니다. (nimh.nih.gov)둘의 “연관성”은 의학적 인과가 아니라, 업무 방식(피드백 루프·검증 부담·주의 전환)이 ADHD 특성과 상호작용할 수 있다는 수준에서 이해하는 게 정확합니다.AI 코딩 보조에 과의존하면 보안적으로 더 취약한 코드가 나올 가능성이 실험 연구로 보고되어 있어, vibe coding은 품질 게이트가 없으면 특히 위험합니다. (arXiv)본문TOCvibe coding(바이브..

TL;DRLLM data lineage는 "데이터(스냅샷) → 변환 → 학습 실행 → 산출물(가중치/평가)"의 연결을 메타데이터로 증빙하는 설계입니다. PROV는 provenance(출처/과정) 모델의 표준 개념을 제공합니다.학습셋 manifest는 "학습에 사용된 데이터의 '정확한 스냅샷'과 필터/샘플링/전처리 조건"을 고정하는 파일(또는 레코드)이고, 재현성의 출발점입니다. (아래 필드 템플릿 제공)파이프라인 lineage 수집은 MLMD(아티팩트-실행-이벤트 그래프) 또는 OpenLineage(실행 이벤트 표준) 같은 방식으로 구현합니다.실무에서 실패하는 지점은 3가지가 대부분입니다: 스냅샷 비고정, 전처리/필터 버전 미기록, 환경·비결정성(Determinism) 미관리.본문TOC정의: LLM da..

TL;DR옵트아웃은 “요청 접수 → 데이터/파생물(학습셋·피처·로그) 반영 → 재학습/배포 정책”까지 이어져야 실제로 작동합니다. 목적 제한은 “학습/평가/튜닝/모니터링” 단계를 분리해 목적을 문서화하고, 목적 밖 재사용(=purpose creep)을 시스템적으로 차단해야 합니다. 보관 기간은 "목적 달성에 필요한 기간"을 기준으로 카테고리별 retention schedule을 만들고, 자동 파기·감사 로그까지 묶어야 합니다.EU(European Data Protection Board)는 AI 모델 개발 맥락에서 목적 특정·데이터 최소화·이의제기권을 강하게 연결해 해석합니다. 미국 캘리포니아 CPRA는 고지한 목적에 비해 "합리적으로 필요한 기간"을 넘겨 보관하지 말 것을 법문에 명시합니다.본문TOC정의..

TL;DR임베딩은 범주형·비정형 데이터를 연속적인 수치 벡터로 변환하는 표현 기법이다.이 벡터 표현은 데이터 간 유사도·관계·구조를 보존하며, 머신러닝 모델의 입력으로 사용된다.자연어 처리뿐 아니라 추천 시스템, 그래프 분석, 범주형 피처 처리 전반에 활용되는 ML의 기본 도구다.본문1. 임베딩이란 무엇인가임베딩(Embedding)은 문자, 단어, 카테고리, 노드와 같은 이산적(discrete) 데이터를머신러닝 모델이 다룰 수 있도록 연속적인 수치 공간의 벡터로 매핑하는 방법이다.핵심은 단순한 숫자 치환이 아니라,데이터 간 관계와 의미를 수치 공간에서 유지하는 데 있다.예:단어 → 의미가 비슷한 단어일수록 가까운 벡터상품 ID → 함께 구매되는 상품일수록 가까운 벡터노드 → 연결 구조가 유사할수록 가까운..

아래 표는 초보자 기준으로 "무난하게 시작"하는 추천입니다. (같은 VRAM이라도 GPU 세대/드라이버/설정에 따라 체감 성능은 달라질 수 있습니다)NVIDIA GPU (대표 모델)VRAM(공식 스펙)초보자 추천 Ollama 모델 예시(실제 모델명)이 조합이 잘 맞는 용도RTX 306012GB(또는 8GB 변형)llama3.1:8b, qwen2.5:7b, gemma2:9b문서 요약/번역/일상 Q&A "로컬 LLM 입문"RTX 3060 Ti8GBllama3.2:3b, phi3:mini, qwen2.5:3b가볍게 빠른 응답(짧은 문서/챗봇)RTX 40608GBllama3.2:3b, phi3:mini, mistral:7b"빠른 3B~7B" 중심(속도 우선)RTX 4060 Ti16GB 또는 8GB(16GB면) ..

TL;DRKubeflow는 Kubernetes 위에서 Notebook - 파이프라인 자동화 - 분산 학습 - 튜닝 - 모델 서빙을 한 플랫폼에서 연결하는 오픈소스 생태계다.2025-12-15에 Kubeflow 1.11이 릴리스되었고, 설치는 주로 kubeflow/manifests의 Kustomize 기반 매니페스트로 진행한다.빠르게 시작하려면 Kind 기반 단일 커맨드 설치 후, istio-ingressgateway를 포트포워딩해 대시보드에 접속한다.Pipelines는 SDK로 파이썬 DSL을 IR YAML(파이프라인 스펙)로 컴파일해 업로드/실행한다.멀티유저 격리는 Profile/Namespace로 구현되며, KFP의 멀티유저 격리는 Kubeflow Platform 배포에서 지원된다.본문1) Kubef..

TL;DRn8n을 "실서비스처럼" 셀프호스팅하려면 최소한 영속 데이터(Workflow/Execution/Credential), 웹훅 URL 정합성, 암호화 키 관리, 로그/메트릭/정리(Pruning) 까지는 세팅해야 합니다.소규모는 공식 Docker Compose(트래픽+TLS) 구성이 빠르고, 확장/내구성을 원하면 Postgres + (선택) Redis 큐 모드로 가는 게 정석입니다.ㅊ운영에서 자주 터지는 이슈는 "리버스 프록시 뒤에서 Webhook URL이 꼬임", "N8N_ENCRYPTION_KEY 분실", "Execution 데이터 폭증"입니다. 이 글은 그 3가지를 먼저 막는 템플릿과 체크리스트를 제공합니다.본문1) 운영 관점에서 n8n 셀프호스팅을 ‘설계’하는 법n8n은 기본적으로 SQLite..

TL;DRn8n은 “트리거(Trigger) → 처리(Transform) → 액션(Action)”을 노드로 조립해 자동화를 만드는 도구다.Webhook 기반 이벤트 자동화는 인증/서명 검증과 응답(Respond) 설계를 먼저 잡아야 운영이 편해진다.스케줄 기반 수집은 HTTP Request의 Pagination과 Loop Over Items(구 Split in Batches)로 레이트리밋/대량 처리를 안정화한다.운영에서는 에러 워크플로우(Error Trigger)와 Stop And Error로 실패를 "관측 가능한 이벤트"로 만드는 것이 핵심이다.본문1. n8n 기본 개념을 “실무 관점”으로 재정리1.1 워크플로우, 노드, 아이템(Item)워크플로우는 노드들의 연결 그래프이며, 노드는 입력 아이템 리스트를..

TL;DRWebhook으로 외부 이벤트를 받고, HTTP Request/Set/Merge/Code로 데이터 흐름을 정리하면 대부분의 자동화를 구현할 수 있습니다.실패를 "숨기지" 말고 Error Trigger + Error Workflow로 알림/재시도/리커버리를 설계하는 것이 운영의 핵심입니다.대량 API 호출은 Loop Over Items(Split in Batches)와 HTTP Pagination으로 쪼개고 종료조건을 명확히 해야 합니다.트래픽/실행이 늘면 Queue mode(POSTGRES+REDIS)로 분리해 안정적으로 확장합니다.운영에서는 암호화 키(N8N_ENCRYPTION_KEY), WEBHOOK_URL/프록시 헤더, 실행 데이터 보존/프루닝, Prometheus 지표, 보안 감사(n8n..