Tech Trends

1. 서론: 피드백 제어 시스템과 PID 제어의 전략적 가치 현대 산업 자동화 공정에서 시스템 안정성과 정밀도를 확보하기 위한 핵심 솔루션으로 피드백(Feedback) 제어 시스템이 갖는 전략적 가치를 평가한다. 제어란 본질적으로 시스템의 상태 x를 원하는 목표치 x_d로 도달시키는 일련의 과정이다. 이 메커니즘은 설정값(SV, Set point Variable)과 현재의 측정값(PV, Process Variable)을 비교하여 그 차이인 편차(Error, e)를 도출하고, 이를 해소하기 위해 제어 대상으로 투입하는 조작량(MV, Manipulated Variable)을 결정하는 유기적 상관관계로 정의된다. 시스템 구조 측면에서 볼 때, 개회로(Open-loop) 시스템과 폐회로(Closed-loop) 시스템의 차이는 제어 정밀도의 원천에서 기인한다. 개회로 시스템은 출력이 입력에 영향을 미치지 못하며, 제어 정밀도가 전적으로 사전 교정(Calib

AI로 세상을 다시 설계할 팀원을 찾습니다. AI 엔진 개발자 (석사 / 경력) 스마트팩토리 · 산업안전 · 물류혁신을 바꾸는 기술, 지금 우리가 만들고 있습니다. “ 카메라만으로 사람·차량·로봇의 위치를 3D로 정확히 파악하는 기술 ”을 만들고 있는, 아주 작은 팀이지만 강력한 기술을 가진 AI 스타트업 입니다. 우리는 멀티카메라·Re-ID·AI-IPM·온디바이스 추론 등현재 세계적으로도 상용화 사례가 거의 없는 기술을 직접 개발 하고현대차그룹, 목포대불산단등 글로벌 제조/물류 기업들과 실제 현장에 적용 하고 있습니다. 스마트팩토리와 물류산업안전 분야에서“AI가 현장을 어떻게 바꿀 수 있는지”우리는 이미 답을 만들기 시작했습니다. 우리의 여정을 함께할 Crew를 찾고 있습니다. 하게 되시는 일 이미 세상에 존재하지 않는 기술을 함께 만들게 됩니다. 멀티카메라 기반 객체 검출/추적 엔진 개발 사람·지게차·로봇을 실시간으로 3D 좌표로

ai 어시스트는 개발과정에서 필수적인 요소로 자리잡았고, 많은 조직이나 개인이 코드 변경사항에 기계를 개입시켜서 처리한다. 하지만 이렇게 가속화 되는동안, 몇가지 논점은 계속해서 나왔다. 왜 더 많은 결함을 가진코드가 탄생하는걸까? 특정한 구성이나 논리부분에서 계속 오류를 발생시키는 이유가 뭘까? ai 생성 코드와 이 패턴의 연관성은? 해당 보고서에 따르면 ai는 풀리퀘스트 작성에 도움을 주는 경우가 20% 증가하였고, 풀리퀘스트에서 문제가 발생하는 경우는 23.5% 증가하였다. 이때 ai가 시도한 풀리퀘스트는 어떤식으로 다르기에 문제가 발생되는 것일까? 이 보고서에서는 CodeRabbit의 구조화된 이슈 분류 체계를 사용하여 470개의 오픈소스(320: ai + 150: 사람) GitHub 풀 리퀘스트(PR)를 분석했다. 해당 보고서에 따르면 가독성, 예외, 경로문제, 보안문제 등 대부분의 범주에서 AI가 작성한 PR에서 훨씬 더 많은 오류가

기업 제품 홍보 브로슈어를 캔바(Canva)로 제작해봤습니다. 이 글에서는 캔바를 중심으로 브로슈어를 만드는 과정에서 어떤 기능들이 유용했는지, 그리고 다른 AI 툴들을 어떻게 함께 활용했는지, 어떤 시행착오가 있었는지 공유합니다. 시작 전에 먼저 한 것: 콘텐츠 설계 본격적인 제작에 들어가기 전, 가장 먼저 진행한 작업은 콘텐츠 구조를 정리하는 것이었습니다. 수많은 레퍼런스를 살펴보고, 브로슈어에 들어갈 내용과 구조를 파악하여 전체적인 방향을 잡았습니다. 들어갈 내용 정리 - 어떤 내용이 담길 것인지, 텍스트 및 콘텐츠를 먼저 구조화 콘텐츠 덩어리(센션) 구분 - 브로슈어의 페이지/ 영역별로 몇 개의 정보 덩어리가 필요한지 구조를 파악 레퍼런스 수집 - 원하는 느낌과 스타일을 미리 충분히 탐색 효율을 높여준 캔바 핵심 기능들 콘텐츠 설계와 디자인 방향이 어느정도 결정되었다면, 캔바에서 제작을 시작합니다. 브로슈어를 만들면서 특히 유용했던 캔

엣지에서 고성능 AI 모델을 구동하는 것과, 그 결과 데이터를 실시간으로 비즈니스 가치로 전환하는 것은 완전히 다른 차원의 문제입니다. "YOLOv8n 모델이 25fps로 객체를 탐지하고 있는데, 이 방대한 데이터를 어떻게 실시간으로 외부 시스템에 전송하고 활용할 것인가?"라는 질문은 현업의 아키텍트가 직면하는 가장 현실적인 과제입니다. Hailo TAPPAS(Template APPlications And Solutions)는 단순히 예제 코드를 모아놓은 템플릿이 아닙니다. 이는 Hailo-8 및 Hailo-8L 가속기를 기반으로 고성능 엣지 애플리케이션을 신속하게 설계하고 배포할 수 있도록 최적화된 '고성능 엣지 인프라'입니다. 본 포스트에서는 TAPPAS와 GStreamer를 활용하여 데이터 활용을 극대화하는 5가지 아키텍처 전략을 제시합니다. 1. 비차단(Non-blocking) 아키텍처: 메인 추론의 처리량을 보존하는 지연 격리 기술 엣지

총 6개의 챕터로 구성된 People + AI 가이드북을 바탕으로 각 챕터의 내용을 소개합니다. 이번 글에서는 「데이터 + 모델 구축 (Data + Model Evolution)」 챕터를 다룹니다. 가이드북 링크: https://pair.withgoogle.com/guidebook/ 데이터는 AI 시스템의 핵심입니다 데이터는 AI 시스템이 학습하는 예시, AI 시스템의 역량을 평가하는 기준, 그리고 AI 시스템이 세상을 표현하는 토대를 제공합니다. 그러한 의미에서 데이터는 AI 시스템의 생명줄과 같습니다. 충분하고 질 좋은 데이터가 없으면 아무리 정교한 AI 시스템이라도 효과적으로 작동하지 못합니다. AI 개발의 각 단계에서는 서로 다른 종류의 데이터가 사용됩니다. 학습 데이터(Training Data): AI 모델에게 패턴, 관계, 개념을 가르치는 데 사용되는 주요 데이터셋입니다. 생성형 AI의 경우, 모델이 이해하고 모방하도록 학습하는 방대

영상 편집을 위해 FFmpeg의 복잡한 명령어 체계와 씨름해 본 적이 있나요? -ss, -t, -vf, -filter_complex 같은 암호 같은 매개변수를 외우거나, 매번 구글 검색을 통해 CLI(명령줄 인터페이스) 문법을 복사해 붙여넣던 시대는 이제 끝났습니다. 이제는 '의도(Intent)'를 말하는 것만으로 로컬 환경의 비디오를 자유자재로 다루는 시대입니다. 그 혁신의 중심에는 클로드가 사용자의 로컬 도구를 직접 제어할 수 있게 해주는 ffmpeg-mcp 가 있습니다. 1. 자연어로 소통하는 비디오 편집기: "명령 대신 대화를" 기존의 비디오 편집 작업은 전문 소프트웨어를 숙달하거나 복잡한 코드를 입력해야 하는 기술적 장벽이 존재했습니다. 하지만 ffmpeg-mcp를 연동한 클로드는 사용자의 자연어 의도를 정확히 파악하여 최적의 FFmpeg 명령어로 변환하고 즉각 실행합니다. 이러한 인터페이스의 변화는 단순히 편리함을 넘어 '의도 기반 UI

People + AI 가이드북을 소개합니다 People + AI 가이드북은 구글에서 공개한 자료로, 인간 중심의 AI 제품 설계를 위한 실용적인 지침과 모범 사례를 담고 있습니다. 가이드북에는 AI 기능을 갖춘 유용한 제품을 만들기 위한 UX 및 ML 지침, 원칙, 접근 방식, 디자인 패턴, 워크숍이 포함되어 있습니다. 총 6개의 챕터로 구성된 이 가이드북을 바탕으로 각 챕터의 내용을 소개합니다. 이번 글에서는 「사용자 니즈 + 성공 정의하기 (User Needs + Defining Success)」 챕터를 다룹니다. 가이드북 링크: https://pair.withgoogle.com/guidebook/  사용자 니즈와 AI 강점의 교차점을 찾으세요 AI 제품을 개발할 때 우리는 다음 질문들에 답변할 수 있어야 합니다. 사용자는 누구인가요? 그들의 가치는 무엇인가요? 그들이 해결해야 할 문제는 무엇인가요? 그 문제를 어떻게 해결할 것인가요? 사용

KERAS: 딥러닝을 쉽게 하기 위한 파이썬 라이브러리 KERAS 함수형 API는 비선형 토폴로지, 공유레이어, 입출력 모델 처리가 가능 (비선형 토폴로지: 데이터의 입력-출력 흐름이 정형되지 않고 흐름이 여러갈래로 나뉘거나, 합쳐지거나, 건너뛰 등 변수가 작용하여 일정하지 않은 진행방향으로 흘러감) => KERAS의 함수형 API: 인공신경망 차원에서의 한층(=1프레임)에 대해 입력을 받아 출력을 내뱉으며, 그 출력값은 전에 계산한 값들과 섞여서 차이로 계산된다.(=잔차계산) 절차를 밟았던 앞의 층들에 의해 형성했던 가중치는 현재의 층에 의해서 계속 변화한다. 학습 전: 무작위 값(또는 프레임을 일부 학습한 가중치) 학습 중: 들어온 프레임(=데이터)에 대한 결과값을 낸 후에 정답과의 오차를 비교하여 손실함수 계산 학습 후: 계산된 손실함수와 오차를 줄이기 위한 레이어의 가중치 변화 <학습전, 전처리에서 필요한 작업> 리사이징: 이미지 크기