도약하다

지난 시간에는 파이썬의 crewAI 라이브러리를 사용하여 에이전트를 만들고 일을 자동화 시키는 방법을 알아보았다. 하지만 다중 에이전트 시스템이 더 매력적이고 효율적이려면, AI 에이전트들을 보다 더 훌륭하게 만드는 요소들을 이해해야 한다.  첫번째 시간에 잠깐 언급 했듯이 AI 에이전트에는 6가지 중요 요소가 있다 - Role Playing, Focus, Tools, Cooperation, Guardrails, Memory. 이 요소들은 훌륭한 인간 직원들에게도 필요한 요소이기도 하다. 일을 잘하는 이유는 집중할 수 있고, 올바른 도구를 사용할 수 있으며, 다른 사람과 협력할 수 있고, 가드레일이 있으며, 좋은 기억력을 가지고 있기 때문이다. 이번시간에는 그렇다면 다중 에이전트 시스템에 있어 각 요소들..

이번 시간에는 파이썬으로 토픽을 정해주면 그에 맞는 플랜을 짜고 플랜에 따라 글을 작성하고 편집까지 해주는 다중 에이전트 시스템을 만들어 보자. 1. 준비 과정개발을 시작하기 앞서서 필요한 라이브러리들을 아래 코드를 사용하여 설치 해 주어야 한다.!pip install crewai==0.28.8 crewai_tools==0.1.6 langchain_community==0.0.29 설치가 되었다면 필요한 라이브러리들을 불러오자.# Warning controlimport warningswarnings.filterwarnings('ignore')# Import from the CrewAI libraryfrom crewai import Agent, Task, Crew# other librariesimport o..

본 시리즈는 deeplearning.ai 의 Multi AI Agent Systems with crewAI 라는 수업을 듣고 정리한 내용이다. 에이전트에 관한 과정 개요본 과정은 agent란 무엇인지 그리고 agent는 어떻게 작동하는지 그 작동 원리를 다룬다. 다루게 될 주요 개념들은 다음과 같다.Role PlayingFocusToolsCooperationGuardrailsMemory Multi AI Agent System이란, 여러 에이전트들을 이용해 다양한 작업을 수행하는 것을 이야기 한다. 예를 들면, Software Engineer의 이력서를 지원하는 직업에 알맞게 수정 해주는 팀이 있다고 가정 해보자. 그 팀의 구성은 아마도 이럴 것이다.1. 테크 직업 Researcher2. 엔지니어들을 위한..

Topographical Mapping이란 EEG 데이터를 시각화하는 방법 중 하나로, 뇌에서 발생하는 전기적 활동의 위치를 관찰할 수 있는 뇌파의 지도라고 할 수 있는 시각화 방법이다. 이번 글에서는 Topographical Mapping에 대한 더 자세한 내용과 이를 분석하는 방법을 알아보자. Topographical Mapping이란? EEG Topographical Mapping은 두개골의 표면에 위치한 여러 전극에서 측정된 뇌파를 시각화한다. 위의 사진에서, 검은 점은 EEG 전극들의 대략적인 물리적 위치를 나타내는데, 중요한점은 각 점의 위치, 즉 전극은 두피의 넓은 부분이 아닌 전극이 맞다은 두피의 한 부분에서만 전기적 신호를 측정한다는 점이다. 그렇다면 각 점들 사이에 있는 색들은 어떻게 ..

지난 글에서 이야기했듯이 수집한 데이터를 정제하는 것 (data cleaning)은 아주 중요하면서도 복잡한 단계이다. 최적의 데이터 정제 방법이라는 것은 사실상 딱 한두 가지로 정리하기가 불가능하다. 왜냐하면, 어떤 장비를 사용했는지, 어떤 종류의 데이터인지, 무슨 목적을 갖고 어떤 분석을 할 것인지에 따라 다양하게 달라질 수 있기 때문이다. 이러한 데이터 정제의 중요성을 인식했다면 다음으로 이어져야 하는 내용은 구체적으로 데이터 정제 과정에서 발생할 수 있는 여러 문제점들, 즉 'artifacts'에 초점을 맞춰 볼 필요가 있다. 이번 글에서는 실제 데이터 분석 과정에서 볼 수 있는 몇가지 artifacts의 예시를 함께 살펴보고, 이들 중 어떤 artifacts는 무시해도 되고 어떤 artifact..

오늘 리뷰 할 논문은 "AR Enabled Persistent Human-Machine Interfaces via a Scalable Soft Electrode Array"이다. 우리가 어떤 방법으로 더 자연스럽게 기술과 상호작용을 할 수 있는지에 대한 연구인데, 제목부터 복잡해 보이는 이 논문을 함께 살펴 보자. 출처:  H. Kim et al., Ar‐enabled persistent human–machine interfaces via a Scalable Soft Electrode Array. Advanced Science. 11 (2023), doi:10.1002/advs.202305871. 논문 전문: https://onlinelibrary.wiley.com/doi/full/10.1002/advs..

Independent Component Analysis (ICA, 독립 성분 분석)은 여러가지 정보가 복잡하게 섞여있는 다차원의 신호나 데이터 세트를 가능한 한 독립적인 구성 요소로 분해하는 통계적 계산 방법이다. ICA의 발견과 개발은 신호처리 분야에 혁명적인 변화를 가져왔으며, 복잡한 데이터 세트에서 독립적인 신호 원천을 분리해내는 데 큰 역할을 하고 있다. ICA의 발견과 배경 ICA는 1980년대 후반에 처음 개발되었는데, 특정한 한 사람에 의해 발견된 것이 아니라 여러 연구자들에 의해 점진적으로 개발되었고, 주로 이미지와 오디오 신호 처리 분야에서 사용되기 시작했다. ICA 분야에서 주목할 만한 기여를 한 인물로는 피에르 콤톤(Pierre Comon)이 있다. 콤톤은 1994년에 ICA에 대한 ..

데이터를 수집한 후 본격적인 신호 처리 분석을 시작하는 첫 단계는 전처리 (Preprocessing) 과정이라고 할 수 있다. 마치 좋은 재료들을 씻고 다듬고 손질하는 등, 음식을 요리하는 데에 꼭 필요한 부분들만 사용하기 좋은 형태로 다듬는 과정과 같다고 볼 수 있을 것이다. 수집한 데이터를 그대로 사용하기에는 상당한 무리가 있기 때문에, 전처리 과정을 통해 신호의 질을 향상하고 분석 가능한 정보로 변환하는 다양한 기술과 방법론을 적용해야 한다. 전처리의 중요성 1. 잡음의 정교한 제거와 신호 강화 (Noise Removal) 뇌파 신호는 노이즈와 복잡하게 섞여 있으며, 이를 분리하는 것은 매우 정교한 과정이다. 예를 들어, 고주파 잡음은 주로 전자기적 간섭에서 발생하며, 저주파 잡음은 생리적 움직임이..