본문 바로가기

전체 글

(35)

프롬프트 점수는 올랐는데 서비스는 나빠질 수 있다: DSPy·GEPA 자동 최적화의 함정 프롬프트 자동 최적화는 AI가 지시문 후보를 만들고 실행 결과를 평가해 더 나은 후보를 찾는 방법입니다. DSPy와 GEPA는 이 반복을 체계화하지만, 평가 점수 상승이 곧 실제 서비스 품질 향상을 뜻하지는 않습니다. 자동 프롬프트 튜닝의 원리부터 데이터 분리, 평가 함수, 비용과 배포 판단까지 실무 관점에서 살펴봅니다. 프롬프트를 사람이 고치는 시대가 끝났다는 이야기는 매력적입니다. 문장을 조금 바꾸고 모델의 답을 읽은 뒤 다시 수정하는 일을 AI에게 넘길 수 있다면, 개발자는 반복 작업에서 벗어날 수 있습니다. 실제로 DSPy와 GEPA를 활용해 이런 개선 루프를 자동화하는 공개 사례가 나오고 있습니다. 그런데 여기서 질문이 하나 남습니다. AI가 고친 프롬프트의 점수가 올랐다면, 사용자가 받는 답변..

MCP만 붙이면 AI가 일한다는 착각: A2A와 에이전트 협업의 진짜 경계 MCP와 A2A는 AI 에이전트의 연결을 표준화하지만, 업무의 성공까지 보장하지는 않습니다. MCP는 도구와 컨텍스트를 연결하고 A2A는 독립된 에이전트 사이의 상호작용을 다룹니다. 두 프로토콜의 차이와 함께 작업 상태, 결과물, 권한, 프롬프트와 운영 책임을 어떻게 설계해야 하는지 실제 업무 흐름으로 살펴봅니다. AI 에이전트 데모에서 가장 인상적인 순간은 여러 서비스가 한 번에 움직일 때입니다. 사용자가 “다음 분기 장비 구매안을 정리해 줘”라고 말하면 자료를 찾고, 견적을 비교하고, 문서를 만들어 줍니다. 이 장면만 보면 MCP 서버를 연결하고 A2A를 지원하는 에이전트를 붙이는 것으로 업무 자동화가 완성될 것 같습니다. 그러나 연결에 성공했다는 말과 구매 검토가 끝났다는 말은 다릅니다. 도구 목록..

로봇 데이터 100만 건도 만능은 아니다: 피지컬 AI 학습의 7가지 함정 피지컬 AI와 로보틱스의 경쟁은 모델 크기만으로 설명하기 어렵습니다. 로봇 학습 데이터에는 영상뿐 아니라 행동, 상태, 시간, 좌표계와 수집 조건이 함께 필요합니다. Open X-Embodiment와 DROID의 공개 자료를 통해 로봇 데이터셋의 규모를 읽는 법, 일반화 성능을 가르는 조건, 도입 전에 확인할 7가지 함정을 살펴봅니다.로봇이 컵을 집는 영상은 단순해 보입니다. 카메라로 컵을 찾고, 손을 뻗고, 그리퍼를 닫으면 끝날 것 같습니다. 그러나 같은 컵을 다른 탁자로 옮기거나 카메라 각도를 바꾸는 순간, 학습할 때 잘하던 동작이 흔들릴 수 있습니다. 컵의 위치를 아는 것과 컵을 떨어뜨리지 않고 옮기는 것은 서로 다른 능력을 요구하기 때문입니다.그래서 “로봇 시연 데이터가 100만 건을 넘었다”는 ..

이전 1 ··· 4 5 6 7 8 9 10 ··· 12 다음

티스토리툴바