AlwaysLikeNewbie

작업을 하다 보면 (코아일체에 빠져서 신나게 작업하다가) 새 브랜치 생성을 깜빡한 채 기존 브랜치에서 그대로 작업을 진행해버리는 경우가 종종 있다. 이럴 때는 아래 순서대로 처리하면 된다. 작업 중인 변경 사항을 임시로 보관한다.main 브랜치로 이동해 최신 상태로 업데이트한다.새 브랜치를 생성한다.임시 보관해둔 작업물을 새 브랜치로 복원한다. 매번 이 과정을 검색해서 찾아보는 게 번거로워, 이번 기회에 정리한다. # 1) 작업물 임시 보관(수정 파일 + untracked 포함)git stash push -u -m "wip: ENTER_THE_NAME_OF_THE_WORK"# 2) main으로 이동 후 최신화git checkout maingit pull origin main# 3) 새 브랜치에서 이어가기..

1. 내용 정리토스 고객센터 챗봇으로 들어온 사용자의 약 60%가 중간에 이탈했다. 원인은 구조 자체였다. 사용자는 자신의 문제는 알아도 서비스 카테고리 분류 방식은 알 수 없었기 때문이다. 그래서 카테고리 탐색 구조를 없애고 자연어로 말하면 AI가 의도를 파악해 필요한 행동으로 바로 연결해 주는 경험으로 바꾸기로 했다. 챗봇 설계에서 가장 복잡한 부분은 시나리오 작성이다. 하나의 문의에도 수십 개의 분기가 생기기 때문이다. 보통은 시나리오를 모두 완성한 뒤 프로토타입을 만드는데 이번에는 순서를 뒤집었다. AI로 시나리오 초안을 만들고 곧바로 프로토타입에서 검증하는 방식으로 진행했다. 1단계: 실제 상담 데이터로 시나리오 초안 만들기빈도 높은 상단 유형 20개를 추려 AI가 시나리오 초안을 만들도록 했다..

1. 내용 정리기존 탐지 방식의 한계보이스피싱 수법이 소액 분할 거래, 채널 다양화, 가상자산 활용 등으로 진화하면서 특정 거래 시점(포인트)만 분석하는 기존 AI모델의 한계가 드러남. 또한 기존 모델은 특정 유형에 맞춰 변수를 가공해야 해 신종 사기에 선제 대응이 어려웠음.시퀀스 기반 접근 방식하인리히 법칙처럼 보이스피싱 피해 전에도 고객 행동에 이상 징후가 반드시 나타난다는 점에 착안해 개별 거래가 아닌 고객의 연속된 행동 전체(시퀀스)를 분석하는 방식으로 전환함.시퀀스를 이벤트 유형, 시간 정보, 금융 거래 관련 금액, 거래 맥락 텍스트의 네 가지 핵심 정보로 구성하고 feature engineering 없이 모델이 직접 패턴을 학습하도록 설계함. 출력은 ‘정상’, ‘사기, ‘피해’ 세 클래스로 분..

앞 챕터에서 asyncio가 단일 스레드에서 수만 개의 작업을 동시에 처리할 수 있다고 했습니다. 그 중심에는 코루틴(coroutine)이 있습니다. 코루틴을 이해하면 asyncio가 왜 그렇게 가볍고 안전한지 알 수 있습니다. 이 글은 시리즈의 마지막 챕터로 일반 함수와 코루틴이 콜 스택 수준에서 어떻게 다른지를 먼저 살펴봅니다. 이어서 await가 내부적으로 어떻게 동작하는지를 이벤트 루프와 함께 설명합니다. 마지막으로 스레드와 코루틴을 메모리, 전환 비용, race condition 측면에서 비교하며 마무리합니다. 1. 일반 함수 vs 코루틴OS 수업에서 배운 함수 호출 모델을 떠올려 보겠습니다. 함수는 호출되면 스택 프레임이 쌓이고 return과 함께 프레임이 소멸합니다. 이때 지역 변수도 함께 ..

두 번째 챕터에서는 GIL을 프로세스 분리로 우회해 진짜 병렬 실행을 구현했습니다. 그런데 모든 작업이 높은 CPU 연산량을 요구하지는 않습니다. 네트워크 요청, 파일 읽기, DB 쿼리처럼 대기가 대부분인 작업에서는 병렬성보다 동시성이 더 적합합니다. 이번 챕터에서는 동시성과 병렬성이 어떻게 다른지부터 짚겠습니다. 이어서 멀티스레딩 구현 방식을 살펴보고 코루틴 기반의 asyncio와 비교합니다. 마지막으로 스케줄링 방식과 race condition 측면에서 둘을 정리하며 어떤 상황에서 무엇을 선택해야 하는지 안내합니다. 1. 동시성과 병렬성은 다르다두 개념은 자주 혼용되지만 엄밀히 다릅니다. 병렬성은 실제로 동시에 실행되지만, 동시성은 실제로 같은 순간에 실행되지 않아도 됩니다. 마치 요리사 한 명이 물..