

생성형 AI의 품질 실험: 잘 만든 데이터인가, 그럴듯해 보일 뿐인가
생성형 AI 합성 데이터의 개념과 활용 가능성을 논문, 도구, 사례를 통해 살펴보았습니다. 아직 한계는 있지만 품질 검증과 테스트 자동화 측면의 가능성도 함께 확인했습니다.
새로운 기술 블로그가 추가되었어요


생성형 AI 합성 데이터의 개념과 활용 가능성을 논문, 도구, 사례를 통해 살펴보았습니다. 아직 한계는 있지만 품질 검증과 테스트 자동화 측면의 가능성도 함께 확인했습니다.


AWS에서 egress까지 통제하려는 centralized egress VPC 구성을 검토했습니다. 하지만 proxy, NAT, VPC peering을 엮는 과정에서 비용과 운영 복잡도가 커졌습니다.


2025년 LLM의 Reasoning 흐름 속에서 Think-fusion의 구현 방식과 한계를 정리했습니다. GPT-5와 Qwen3 사례를 통해 모델 분리의 필요성과 효율성도 함께 살펴봤습니다.
.png&blockId=25ca69a8-2507-8026-827d-dfccb5fcbf58&width=2400)

인증 서버의 간헐적 응답 지연 원인을 DB 쿼리 폭증과 캐시 비효율에서 찾고 최적화했습니다.\n권한 조회, 캐시 구조, 커넥션 풀, Warm-up까지 개선해 안정성과 처리량을 높였습니다.

비개발자 5인 팀이 AWS Gen AI로 안면 인식 기반 초개인화 키오스크를 구현해 해커톤 3위를 수상했습니다. 고객 식별, 메뉴 추천, 매출 분석을 Bedrock과 OpenSearch로 연결한 경험을 공유했습니다.

광고사업팀이 AI와 MCP를 활용해 세일즈, 협업, 리포트 업무를 크게 효율화한 사례를 소개했습니다.\n프롬프트와 맞춤형 툴로 반복 작업을 줄이고 임팩트 높은 일에 집중하는 방향을 제시했습니다.

양자 컴퓨팅의 기술적 한계를 보완하는 하이브리드 접근법과 양자 연산의 전체 실행 과정을 설명했습니다. 또한 적용 범위, 실용성, 학습에 필요한 기초 지식을 Q&A로 정리했습니다.


모두싸인 QA가 Playwright와 POM, BDD를 활용해 E2E 테스트 자동화를 운영하는 방식을 소개했습니다. 핵심 시나리오 중심으로 범위를 정하고 CI/CD와 연계해 품질과 속도의 균형을 맞췄습니다.

어피닛이 AI 기반 금융상품 추천과 리스크 관리로 2분기 역대 최대 실적을 거뒀습니다. 연간 세전이익 목표도 상향하며 AI 금융 플랫폼 경쟁력 강화에 나섰습니다.


추천 실험의 병목을 줄이기 위해 Policy와 Experiment를 분리하고 Python DSL과 Z3 검증을 도입했습니다. 그 결과 설정 작성과 리뷰 시간이 크게 줄고, 엔지니어 개입 없이 실험을 운영할 수 있게 했습니다.


외부 API 의존으로 흔들리던 통합 테스트를 WireMock, Docker, GitLab CI로 분리하고 자동화했습니다. 로컬과 CI에서 같은 환경을 써 테스트 신뢰도와 개발 생산성을 높였습니다.

Slack 문의 채널의 반복 답변 문제를 Spring AI와 검색엔진으로 자동화했습니다. Kendra에서 Typesense 하이브리드 검색으로 전환해 짧은 질문 품질과 운영 비용을 개선했습니다.