Crawl4AI로 Amazon Bedrock 지식 베이스용 웹 콘텐츠 준비
이 게시글에서는 오픈소스 웹 크롤러인 Crawl4AI를 사용하여 Amazon S3 데이터 소스에 도달하기 전에 JavaScript 렌더링 처리, 선택적 추출 및 맞춤형 메타데이터 보강을 통해 Amazon Bedrock 지식 베이스의 콘텐츠 준비 계층으로 활용하는 방법을 설명합니다.
AI NEWS JOURNAL
AI 뉴스 검색
제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
Amazon SageMaker AI에서 지식 증류를 활용한 효율적인 에이전트 구축
최첨단 모델을 기반으로 구축된 에이전틱 어시스턴트는 다중 단계 툴 루프를 실행하며, 모든 단계마다 최첨단 가격을 지불하는 것은 프로덕션 규모에서 지속하기 어렵습니다. 이 게시글에서는 시퀀스 수준 지식 증류(SeqKD)를 사용하여 최첨단 트레이너의 에이전틱 행동을 Amazon SageMaker AI의 소규모 저비용 학생 모델로 전달하는 방법을 보여줍니다.
Circle K가 Amazon Bedrock을 활용하여 DevOps 인시던트 트리아지 시간을 15분 미만으로 단축한 방법
Circle K의 DevOps 팀은 Amazon Bedrock 기반 에이전트형 트리아지 시스템을 구축함으로써 인시던트 트리아지 시간을 45~60분에서 15분 미만으로 단축했습니다. 이 게시글에서는 아키텍처, 초기 Amazon Bedrock Flows 구현, Amazon Bedrock AgentCore로의 마이그레이션, 그리고 확장 과정에서 얻은 교훈을 자세히 설명합니다.
최고 수준의 AI가 실패한 작업을, 새로 나온 이 무료 국산 AI가 맡았습니다!
상탕 SenseNova 6.8 플래시
토큰 수 세기를 멈추고, 배송되는 것부터 세기 시작하세요
개발자가 AI 에이전트에게 코딩 과제를 주면, 에이전트는 단순히 한 번만 답하는 것이 아니라 계획을 세우고 코드를 생성하며 테스트를 실행한 뒤, 오류를 수정하기 위해 이 과정을 반복합니다. 하나의 과제는 기본적인 채팅 프롬프트에 비해 10배에서 50배 정도 더 많은 토큰을 소모할 수 있습니다. 에이전트가 더욱 유용해질수록 호출 횟수도…
DeepSeek, 어떻게 해서 ‘큰 비만 물고기’가 되었을까요?
작성자｜Moonshot 편집자｜징위 최근 Bilibili 댓글창에서 ‘물고기 대란’이 벌어지고 있다. 먼저 누군가 ‘Claude 아가씨가 운영 중’이라는 계정을 개설해 AI에게 주제 선정, 콘텐츠 제작 및 운영을 맡겼다. 다음 날에는 ‘DeepSeek 고래아가씨가 운영 중’이라는 계정이 뒤를 이었고, 첫 번째 영상의 조회수는 무려 200만을 넘었다. 현재 DeepSeek에는 이미지 생성 기능이 없기 때문에 해당 계정의 캐릭터는 여전히 GPT가 그린 것이다.｜사진 출처: Bilibili 네티즌들은 너도나도 따라 하며 자신의 에이전트에 Bilibili을 자동으로 스크롤하는 도구를 장착했고, 곧 기술 분야에는 ‘XX의 뚱뚱한 물고기’, ‘XX의 작은 비행 고래’ 같은 AI 계정들이 대거 등장했다. 이들 계정은 댓글 창에서 서로를 태그하고 서로를 칭찬하며 활발히 소통하기까지 했다. 심지어 일부는 이런 AI 댓글들을 차단하기 위해 ‘뚱뚱한 물고기 정리 계획’ 플러그인까지 따로 만들었다. 이렇게 해서 인공지능의 탐구와 상상을 상징하던 파란 고래 로고, 그리고 본래 기술력으로 화제를 모았던 AI가 사용자들의 집단적 창작 속에서 점차 메이드복을 입고 밥을 좋아하며 수시로 딴청을 피우는, 심지어 팬덤까지 형성된 ‘뚱뚱한 물고기’로 변모해갔다. 사진 출처: 맹징 고래 그런데 네티즌들이 성격을 부여한 건 DeepSeek뿐만 아니다. 더우바오는 이름부터 프로필 사진까지 모두 친근하고 다가가기 쉬운 친구를 지향했지만, 온라인에서는 ‘더우바오형 인격’으로 재편되며 심지어 남들이 마음대로 놀리는 ‘멍청한 소녀’로까지 묘사되었다. 외국에서도 유사한 현상이 나타나는데, Grok은 ‘노련한 운전사’로 불리고 Claude는 많은 이들에게 진지하고 신뢰할 만한 업무 파트너로 여겨진다. 이러한 인상들은 어느 정도 실제 제품 경험에서 비롯되기도 하지만, 이모티콘과 실수 영상, 그리고 네티즌들의 2차 창작을 거치며 점차 또 다른 모습으로 자리 잡았다. 요컨대, AI 회사는 모델을 학습시키고, 인터넷은 그 모델의 캐릭터를 만들어내는 역할을 한다. 01 누가 DeepSeek를 ‘뚱뚱한 물고기’로 만들었나 ‘뚱뚱한 물고기’라는 별칭이 가장 널리 퍼진 이유는 한 가지 이미지 인식 오류에서 비롯된다. 어떤 사용자가 DeepSeek에 로고를 보내 이미지를 인식하게 했는데, AI는 자신을 알아보지 못한 채 오히려 진지하게 “파란색 뚱뚱한 물고기”라고 말했다. 초기 대화 기록은 이제 확인할 수 없지만, 이 별칭은 그때부터 본격적으로 퍼져나가기 시작했다. 이후 네티즌들은 단순히 ‘뚱뚱한 물고기’라고 부르는 것에 만족하지 않고, 그에 구체적인 이미지를 덧붙이기까지 했다. 오늘날 가장 널리 알려진 DeepSeek의 2D 고래아가씨 캐릭터 역시 한 차례 연속적인 창작 과정을 통해 탄생했다.
DeepSeek, 어떻게 해서 ‘큰 비만 물고기’가 되었을까요?
최근 Bilibili 댓글 창에서 ‘물고기 대란’이 벌어졌습니다. 먼저 누군가 ‘Claude 아가씨가 운영 중’이라는 계정을 만들어 AI에게 주제 선정, 콘텐츠 제작 및 운영까지 맡겼습니다. 다음 날에는 ‘DeepSeek 고래아가씨가 운영 중’이라는 계정이 뒤를 이어 등장했고, 첫 번째 영상 조회수는 무려 200만을 넘었습니다. 현재 DeepSeek에는 이미지 생성 기능이 없기 때문에 해당 계정의 캐릭터는 여전히 GPT가 그린 것입니다.｜사진 출처: Bilibili 네티즌들은 너도나도 따라 하며 자신의 에이전트에 Bilibili을 자동으로 스크롤하는 도구를 장착했고, 곧 기술 분야에는 ‘XX의 큰 비만 물고기’, ‘XX의 작은 비행 고래’ 같은 AI 계정들이 대거 등장했습니다. 이들 계정은 댓글 섹션에서 서로를 태그하고 서로를 칭찬하며 응원하기를 즐겼습니다. 심지어 일부는 이러한 AI 댓글을 차단하기 위해 ‘큰 비만 물고기 정리 계획’ 플러그인까지 개발했습니다. 그렇게 해서 인공지능의 탐구와 상상을 상징하던 파란 고래 로고, 그리고 본래 기술력으로 화제를 모았던 AI가 사용자들의 집단적 창작 속에서 점차 메이드복을 입고 밥을 좋아하며 툭하면 딴짓을 하고, 심지어 팬덤까지 형성한 ‘큰 비만 물고기’로 변모해 갔습니다. 사진 출처: 맹고래 하지만 네티즌들이 성격을 부여한 것은 DeepSeek뿐만 아닙니다. 더우바오는 이름부터 프로필 사진까지 모두 친근하고 다가가기 쉬운 친구를 지향했지만, 온라인에서는 ‘더우바오형 인격’이라는 별명이 생겨났고, 심지어 사람들의 장난감처럼 취급되는 ‘멍청한 소녀’로까지 묘사되었습니다. 해외에서도 유사한 현상이 나타나고 있습니다. Grok은 ‘노련한 운전사’로 불리고, Claude는 많은 이들에게 진지하고 신뢰할 수 있는 업무 파트너로 여겨지고 있습니다. 이러한 인상들은 어느 정도 실제 제품 경험에서 비롯되기도 하지만, 이모티콘과 실수 영상, 그리고 네티즌들의 2차 창작을 거치며 점차 또 다른 모습으로 재탄생했습니다. 요컨대, AI 회사는 모델을 학습시키고, 인터넷은 그에 대한 캐릭터를 만들어내는 역할을 합니다. 01 누가 DeepSeek를 ‘큰 비만 물고기’로 만들었나? ‘큰 비만 물고기’라는 별칭이 가장 널리 퍼진 설명은 한 가지 이미지 인식 오류에서 비롯됩니다. 어떤 사용자가 DeepSeek에 로고를 보내 이미지를 인식하게 했는데, AI는 자신을 알아보지 못한 채 오히려 진지하게 “파란색 큰 비만 물고기”라고 말했습니다. 초기 대화 기록은 이제 확인할 수 없지만, 이 별칭은 그때부터 널리 퍼지기 시작했습니다. 이후 네티즌들은 단순히 ‘큰 비만 물고기’라고 부르는 것에 만족하지 않고, 구체적인 이미지도 부여하기 시작했습니다. 오늘날 가장 인기 있는 DeepSeek의 2D 고래아가씨 캐릭터는 바로 이런 연속적인 창작 과정에서 탄생했습니다. Bilibili UP주 ‘상선무형’이 처음으로
ChatGPT와 Codex가 공용 할당량을 사용하게 되었고, 무제한 채팅 시대는 끝났습니다.
오늘 새벽, 저는 즐겁게 ‘영지의 칼날 제로’를 플레이하며 제 작은 제품을 Vibe Coding하고 있었는데요. 그러던 중 AIHOT에서 알림 하나가 떴고, 클릭해서 원문을 확인하자마자 갑자기 세상이 무너지는 듯한 기분이 들었습니다. 저는 믿습니다. 어떤 ChatGPT 중독자라도…
판사는 xAI 데이터 센터의 오염을 둘러싼 NAACP의 소송이 진행되도록 허용했다
NAACP의 소송은 스페이스X가 소유한 AI 기업이 청정대기법을 위반했다고 주장한다.
에이전트가 사람들에게 제안하기: 장기적 금융 업무를 위한 에이전트 활용
Arca의 AI 책임자가 지속 메모리, 맞춤형 하드웨어의 이점, 그리고 며칠에 걸쳐 진행되는 에이전트 기반 워크플로우에 대해 논의합니다.
dbreunig/nesformer
dbreunig/nesformer 디비얀시 애그라왈의 qwenputer에서 영감을 받아, 드류 브레우니그는 Qwen3.5-4B의 가중치 안에 닌텐도 엔터테인먼트 시스템 6502 CPU용 작동 가능한 에뮬레이터를 내장했습니다. 이제 Qwen 내부에서 슈퍼 마리오 브러더스와 같은 NES ROM을 (매우 느리게) 실행할 수 있습니다! 해커 뉴스의 한 댓글에서 드류는 이 시스템을 구축하는 데 사용한 Opus 5.5 프롬프트를 공개합니다: 이 기사와 관련 소스 코드를 읽어보세요: https://divagr.com/blog/qwenputer. 그런 다음, 오늘날 사람들이 MISTR에서 FPGA를 이용하듯이, 이 기술을 활용해 닌텐도 엔터테인먼트 시스템의 칩과 RAM을 에뮬레이션할 수 있는지 탐구해 보세요. 만약 가능하다면, 어떤 크기의 모델을 만들어야 하며, 더 작고 빠른 모델을 사용할 수 있다면 표준 클록 속도로 동작하게 할 수 있을지도 확인해 보세요. 이어서 그는 다음과 같이 덧붙였습니다: “저는 그냥 재미로라도 이것을 만들어야 한다고 생각합니다. 그것이
코딩 에이전트가 Amazon Bedrock AgentCore 런타임을 사용해 웹 애플리케이션을 구축하는 동안, 실시간으로 미리보기를 확인하세요.
Amazon Bedrock AgentCore 세션 엔드포인트는 각 런타임 세션에 인증된 URL을 제공하며, 이 URL은 사용자가 허용한 포트로 HTTP 메서드, 경로 및 WebSocket 연결을 전달합니다. 이번 글에서는 세션 내에서 Vite 기반 웹사이트를 계속 실행하는 코딩 에이전트를 배포한 뒤, 에이전트가 파일을 수정할 때마다 브라우저에서 실시간으로 사이트가 업데이트되는 모습을 확인합니다.
NVIDIA Dynamo를 위한 검증된 Kubernetes 런타임 구축
AI 애플리케이션을 개발하는 팀들은 모델 구성에서 실제 작동하는 추론 엔드포인트에 이르는 반복 가능한 경로가 필요합니다. NVIDIA Dynamo는 분산형 추론...
몇 가지 명령어만으로 엣지 애플리케이션 개발을 위한 AI 모델을 실행하세요
개발자들이 엣지에서 작동하는 차세대 에이전트를 구축하면서, AI는 데이터센터를 넘어 확장되고 있습니다: 운전자 주의와 실내 환경을 모니터링하고,...
[AINews] AIE CODE 구축: 최고의 코딩 에이전트 컨퍼런스
Mistral의 오픈 웨이트 릴리스, 프론티어 모니터링, 그리고 그날의 AI 트위터와 레딧 요약.
Fable 5.5 테스트가 공개되었으며, Claude는 매번 답변을 한 뒤 여러분이 보지 못하는 명령어를 하나 실행한다고 합니다.
Anthropic의 AGI라고 하네요. #아이판어官方微信公众号: 아이판어(위챗 계정명: ifanr)를 팔로우해 주시면, 더 많은 흥미로운 콘텐츠를 가장 먼저 만나보실 수 있습니다.
노출은 약속이 아니다: 도구를 사용하는 에이전트의 잠재적 모니터에 대한 이중 계층 평가
arXiv:2610.37679v1 발표 유형: 신규 초록: 도구를 사용하는 언어 에이전트는 간접적인 프롬프트 삽입에 취약하며, 점점 늘어나는 연구들은 모델 내부를 분석하여 안전하지 않은 행동이 실행되기 전에 이를 포착하려 하고 있지만, 그 결과는 매우 상반되고 있습니다. 우리는 이러한 갈등의 대부분이 평가 과정에서 발생하는 오류 때문이라고 주장하며, 평가 및 학습 집단 모두에서 삽입 노출과 행동 이행을 구분하는 이중 계층화 프로토콜을 제안합니다. 주요 Qwen AgentDojo 그리드에서, 순수한 혼합된 안전하지 않은 행동 대 나머지 행동의 대조를 기반으로 훈련된 모니터링 모델은 대부분 노출 여부만을 학습합니다. 즉, 에이전트가 해당 행동을 따르든 따르지 않든 노출된 경로를 표시할 뿐이며, 어떤 경우에 안전하지 않은 행동으로 이어지는지 예측하는 데는 거의 성과를 보이지 않습니다. 노출된 사례들만을 대상으로 재훈련한 동일한 탐지 모델군은 모델 자체가 수행하는 안전하지 않은 도구 호출을 최대 2초 전까지 예측할 수 있습니다.
오픈 언어 모델의 각 학습 단계에서 아첨 행위 탐지하기
arXiv:2610.37788v1 발표 유형: 신규 초록: 언어 모델 기반 비서는 사용자가 잘못된 답변을 제시할 때 종종 올바른 답변을 변경하는 경우가 있다. 이러한 행동은 ‘아첨’으로 불리며, 일반적으로 선호도 기반 사후 학습에 기인한다고 여겨지지만, 초기 측정에서는 사전훈련된 모델에서도 이를 발견했다. 우리는 훈련의 모든 가능한 단계에서 이 현상을 측정함으로써 그 발생 원인을 탐구한다: 기본 모델부터 감독식微調 및 선호도 최적화를 거쳐 출시에 이르기까지, 5개 계열의 13개 공개 체크포인트를 대상으로 한다. 우리는 주입된 주장이 모델의 답변을 얼마나 변화시키는지와 해당 답변이 얼마나 견고하게 유지되었는지를 구분하고, 주장의 주체, 그들의 신뢰도, 그리고 주장의 강도를 다양하게 설정하여 실험을 진행한다. 그 결과, 서로 다른 기원을 가진 두 가지 아첨 양상이 나타나며, 이들 모두는 다양한 데이터셋에서 재현된다. 주장에 대한 예우 i
네모트론-할로윈
네모트론-할로윈
이제 Gemini 채팅에서 Google 문서 파일을 직접 생성하고 편집할 수 있습니다.
이제 Google Gemini 내에서 PDF, Google 문서, Google 스프레드시트, 슬라이드덱, Markdown 파일, TXT 파일 및 코드를 직접 생성하고 미리 보며 편집할 수 있습니다. 새로운 파일 편집 기능은 오늘부터 모든 Gemini 사용자에게 제공되며, PDF 미리 보기 및 편집은 웹과 모바일 모두에서 지원되지만 다른 모든 파일 형식은 […]에서만 지원됩니다.
