본문 바로가기
728x90

전체 글85

Cohere Embed v4 Bedrock Python 개발 가이드 1. 사용 목적항목내용언어PythonSDKboto3호출 APIbedrock-runtime invoke_model모델 IDglobal.cohere.embed-v4:02. 구현 흐름단계내용1boto3 bedrock-runtime client 생성2Request Body 생성3invoke_model 호출4응답 body JSON 파싱5embeddings 추출6Vector DB 저장 또는 검색에 사용3. 함수 설계함수input_type용도embed_documentssearch_document문서와 상품 저장용embed_querysearch_query사용자 질문 검색용embed_image_documentsearch_document상품 이미지 저장용embed_image_querysearch_query사용자 이미지 검.. 2026. 7. 2.
Cohere Embed v4 on Amazon Bedrock API 개발 가이드 1. 문서 개요항목내용문서 목적Cohere Embed v4를 Amazon Bedrock Runtime API로 호출하기 위한 개발 가이드대상 모델Cohere Embed v4호출 방식Amazon Bedrock Runtime InvokeModel주요 용도RAG, 문서 검색, 상품 검색, 이미지 검색, 멀티모달 검색, 분류용 임베딩, 클러스터링용 임베딩제외 범위Cohere 직접 API, Cohere SDK, 자체 모델 배포, Bedrock Knowledge Base 자동 구성핵심 특징텍스트, 이미지, 텍스트와 이미지 혼합 입력을 하나의 임베딩 모델로 처리 가능Cohere Embed v4는 텍스트와 이미지를 같은 의미 공간의 벡터로 변환할 수 있는 멀티모달 임베딩 모델이다. 따라서 텍스트 검색뿐 아니라 이미지 .. 2026. 7. 2.
AI의 원리와 바이브 코딩 기법 AI의 동작 원리와 원리에 기초한더욱 빠른 시간안에 원하는 결과를 얻어내는 것에 도움이 되는 바이브코딩 기법을소개하겠습니다1. 원리1.1 LLM 의 동작 원리LLM은 사람처럼 의식적으로 사고하지 못합니다LLM의 기본 동작은 대량의 텍스트를 학습하면서 익힌 패턴을 바탕으로, 이전 문맥 다음에 올 가능성이 높은 토큰을 순서대로 생성하는 것입니다.다만 이 과정이 매우 큰 규모의 데이터와 복잡한 신경망 구조 위에서 이루어지기 때문에, 겉으로는 이해·추론·계획처럼 보이는 행동이 나타날 수 있습니다.따라서 LLM의 답변은 항상 “검증된 사실”이 아니라 “문맥상 가장 그럴듯한 생성 결과”로 이해해야 합니다.LLM 학습 과정을 아주 단순화 하면책, 웹문서, 코드, 대화 데이터 같은 대량의 텍스트를 수집하고, 이를 토큰.. 2026. 4. 24.
Skill 단위 설정 가이드 (카테고리별 Skill 분리 vs 하나의 통합 Skill)1. 목적Skill을 어디까지 나눌 것인가는 아키텍처의 유지보수성, 확장성, 선택 비용에 직접적인 영향을 준다.본 문서는 다음 두 가지 접근을 비교하고, 어떤 기준으로 Skill 단위를 설정해야 하는지 가이드를 제시한다.방식 A: 카테고리별 Skill을 각각 정의(예: 신발추천, 양말추천, 점퍼추천, 모자추천 등)방식 B: 하나의 통합 상품추천 Skill을 두고 내부에서 분기(예: RecommendProducts 하나 + 카테고리별 룰셋 적용)2. 기본 원칙Skill은 다음 조건을 기준으로 나눈다.입출력 구조가 본질적으로 다른가?사용하는 도구가 근본적으로 다른가?실패 정책이나 처리 흐름이 다른가?운영 책임(팀/오너십)이 다른가?변경 주기가 다른가?.. 2026. 2. 13.
728x90

티스토리툴바