본문 바로가기

728x90

전체 글

(3613)

경제학자를 위한 AI 도구 총정리: 데이터 분석부터 인과추론, 논문 작성까지 AI의 활용 범위가 경제학 연구 전반으로 확대되면서 연구자가 활용할 수 있는 도구도 빠르게 다양해지고 있습니다. 경제 데이터를 자연어로 조회하는 것부터 코딩, 계량경제학, 인과추론, 시계열 예측, 문헌조사, 논문 작성, OCR, 정책 분석까지 AI가 연결되는 연구 과정이 점점 넓어지고 있습니다.특히 경제학 연구에서는 일반적인 AI 챗봇만으로 해결하기 어려운 작업이 많습니다. FRED, World Bank, IMF, OECD 등 여러 경제 데이터베이스를 활용해야 하고, Stata·Python·R·LaTeX와 같은 연구 도구도 함께 사용해야 합니다. 이 때문에 경제학 연구에 특화된 AI 도구와 연구 환경을 살펴볼 필요가 있습니다.이번 글에서는 Awesome AI for Economists에 정리된 내용을 기..

OpenClaw 2.0 총정리, 설치부터 브라우저·자동화·협업까지 달라진 대규모 업데이트 OpenClaw 2.0은 단순히 새로운 기능 몇 가지를 추가한 업데이트가 아닙니다. 설치 과정부터 메시징, 메모리, 스킬, 모델, 자동화, 브라우저, 네이티브 앱, 플러그인, 보안까지 OpenClaw 전반을 다시 손본 대규모 업데이트입니다.이번 업데이트에는 933명의 기여자가 참여했으며, 1만 6,000건이 넘는 Pull Request가 포함됐습니다. 처음에는 더 쉬운 설치와 브라우저 경험 개선에서 시작했지만, 이를 제대로 구현하는 과정에서 OpenClaw의 기반과 개발 방식까지 함께 정비하게 됐습니다.그 결과 OpenClaw 2.0은 더 빠르게 시작하고, 하나의 작업에서 출발해 다양한 업무로 확장하며, 필요하면 가족이나 팀과 작업을 공유할 수 있는 환경을 목표로 하는 변화로 이어졌습니다.OpenClaw..

Claude AI 에이전트를 위한 Social Media Skills, 콘텐츠 제작을 하나의 시스템으로 연결하는 방법 AI를 활용해 콘텐츠를 만들다 보면 비슷한 작업을 반복하게 됩니다. LinkedIn 게시물을 작성하고, 뉴스레터를 만들고, Reel이나 YouTube 콘텐츠를 준비하는 과정에서 매번 같은 지침과 문체를 전달해야 하기 때문입니다.Social Media Skills for AI Agents는 이러한 콘텐츠 제작 작업을 각각의 Skill로 구성해 Claude가 특정 작업에 맞는 지식과 워크플로우를 적용하도록 만든 시스템입니다. 특히 voice-builder를 기반으로 작성자의 목소리를 정의하고, 뉴스레터를 콘텐츠의 출발점으로 삼아 LinkedIn, Instagram, YouTube, 커뮤니티, 분석 등의 작업으로 확장하는 구조를 갖추고 있습니다.이 글에서는 제공된 자료를 기준으로 Social Media Ski..

Google이 공개한 EnvHarness, 정적인 AI 에이전트 환경을 적응형 학습 환경으로 바꾸는 방법 LLM 에이전트는 이제 정리된 텍스트를 학습하는 것에서 나아가 실제 환경과 상호작용하면서 작업 수행 능력을 익히고 있습니다. 하지만 기존 에이전트 벤치마크 환경은 대부분 사람이 직접 만들고 고정해 둔 형태입니다. 어떤 에이전트가 실행하더라도 같은 방식으로 동작하기 때문에 에이전트의 실력이 향상되면 더 이상 새로운 학습 기회를 제공하기 어렵습니다.이 문제를 해결하기 위해 Google Cloud AI Research, Washington University in St. Louis, UNC Chapel Hill 연구팀은 EnvHarness를 제안했습니다. EnvHarness는 기존 환경을 새롭게 만드는 대신, 기존 환경을 그대로 유지하면서 에이전트의 현재 능력과 약점에 맞춰 환경을 변형하는 프로그래밍 계층입니..

Gemini 3.5 Transcribe, 정확한 실시간 음성 인식을 위한 새로운 STT 모델 음성 인식 기술은 음성을 텍스트로 변환하는 수준을 넘어 실제 대화의 맥락과 의도까지 처리하는 방향으로 발전하고 있습니다. Google은 2026년 8월 26일 이러한 흐름에 맞춰 Gemini 3.5 Transcribe를 공개했습니다.Gemini 3.5 Transcribe는 배경 소음, 전문 용어, 말의 중간 수정과 같은 자연스러운 음성 환경을 처리하고, 원본 음성을 정확하면서도 정리된 텍스트로 변환하는 데 초점을 둔 음성-텍스트 변환 모델입니다.특히 실시간 음성 애플리케이션과 녹음된 음성 처리 환경을 각각 지원하며, 음성 에이전트, 실시간 자막, 회의 및 통화 분석 등 다양한 서비스에 활용할 수 있도록 설계됐습니다.Gemini 3.5 Transcribe란?Gemini 3.5 Transcribe는 자연스러..

Mac에서 로컬 LLM을 효율적으로 운영하는 oMLX, 주요 기능과 사용 방법 Mac에서 LLM을 직접 실행하려면 단순히 모델을 구동하는 것뿐 아니라 메모리, 캐시, 여러 모델의 관리까지 함께 고려해야 합니다. oMLX는 이러한 로컬 LLM 운영 환경을 Mac에 맞춰 구성할 수 있도록 설계된 LLM inference 서버입니다.oMLX는 Apple Silicon 기반 Mac에서 LLM을 실행하면서 Continuous Batching과 Tiered KV Cache를 활용하고, 여러 모델을 하나의 서버에서 관리할 수 있도록 지원합니다. 또한 웹 기반 Admin Dashboard와 macOS 메뉴바 앱을 제공해 서버와 모델을 보다 편리하게 관리할 수 있습니다.특히 자주 사용하는 모델을 메모리에 유지하면서 필요하지 않은 모델은 자동으로 정리하고, KV Cache를 RAM과 SSD에 나누어..

음성 AI 추론 API 성능 비교: TTFT보다 중요한 실제 응답 속도의 기준 음성 AI 에이전트의 성능을 비교할 때 가장 먼저 확인하는 지표 중 하나가 TTFT(Time to First Token)입니다. 요청을 보낸 뒤 첫 번째 토큰이 얼마나 빠르게 도착하는지를 보여주기 때문에, 추론 API의 응답 속도를 판단하는 데 유용한 지표입니다.하지만 음성 AI에서는 TTFT만으로 실제 체감 속도를 판단하기 어렵습니다.LLM이 첫 토큰을 생성했다고 해서 사용자가 바로 음성을 들을 수 있는 것은 아니기 때문입니다. TTS는 완성된 구절이나 문장이 있어야 음성을 생성할 수 있고, 그 사이에는 STT, LLM, TTS, 네트워크 등 여러 단계가 존재합니다.따라서 음성 AI의 속도를 제대로 평가하려면 TTFT뿐 아니라 첫 문장이 완성되는 시간인 TTFS(Time to First Sentence..

AI 코딩 에이전트의 결과를 높이는 10가지 방법 AI 코딩 에이전트가 코드를 대신 작성해준다고 해서 항상 좋은 결과가 나오는 것은 아닙니다. Claude Code, Codex, Cursor, Copilot Agent, Gemini CLI와 같은 AI 코딩 에이전트는 저장소를 읽고 여러 파일을 수정하며, 명령어를 실행하고 풀 리퀘스트를 생성하는 등 단순한 자동완성을 넘어 복잡한 개발 작업까지 수행할 수 있습니다.하지만 강력한 도구를 사용하는 것만으로 코드 품질이 자동으로 좋아지는 것은 아닙니다. 좋은 결과를 얻으려면 AI에게 명확한 목표와 프로젝트 컨텍스트, 검증 기준, 안전한 작업 환경을 제공해야 합니다.이 글에서는 AI 코딩 에이전트를 효과적으로 활용하기 위해 필요한 10가지 원칙을 살펴봅니다. 핵심은 더 복잡한 프롬프트를 작성하는 것이 아니라, A..

ComfyUI용 MiniMax H3 Fast Video 양자화 모델, RTX 4090에서 5초 영상 49초 생성 ComfyUI에서 활용할 수 있는 MiniMax H3 Experimental 모델이 공개되면서 영상 생성 속도에 대한 관심이 높아지고 있습니다. 특히 Kijai가 공개한 저장소에는 Fast Video 관련 양자화 모델과 Video VAE, ControlNet, LoRA 등이 함께 제공되고 있어 다양한 영상 생성 워크플로우에서 활용할 수 있는 구성을 갖추고 있습니다.실제 테스트에서는 RTX 4090을 기준으로 5초 길이의 영상을 생성하는 데 49초가 걸렸습니다. 기존에 사용하던 LightX2V + Sage 8-step T2V 방식과 비교하면 약 3.8배 빠른 결과입니다.이번 글에서는 제공된 테스트 결과를 중심으로 MiniMax H3 Fast Video의 특징과 ComfyUI용 MiniMax-H3-Exper..

Cheat on Content로 콘텐츠 성과 예측과 판단력을 지속적으로 개선하는 방법 콘텐츠를 꾸준히 제작하다 보면 예상과 전혀 다른 결과를 마주하는 경우가 있습니다. 공들여 만든 게시물의 성과가 기대보다 낮기도 하고, 반대로 짧은 시간에 만든 콘텐츠가 예상보다 높은 성과를 내기도 합니다. 문제는 단순히 성과가 좋고 나쁜 것이 아닙니다. 왜 그런 결과가 나왔는지 파악하고 다음 콘텐츠에 반영하기 어렵다는 점입니다.Cheat on Content는 이런 문제를 해결하기 위해 콘텐츠를 하나의 반복적인 학습 과정으로 바라보는 Skill입니다. 콘텐츠를 게시하기 전에 성과를 예측하고, 게시 후 실제 결과를 비교한 다음 그 결과를 다음 콘텐츠를 평가하는 기준에 반영하는 방식입니다.즉, 콘텐츠를 단순히 만들고 분석하는 데 그치지 않고 예측과 회고를 반복하면서 콘텐츠를 판단하는 기준을 발전시키는 것이 핵..

이전 1 2 3 4 5 6 7 ··· 362 다음

728x90

티스토리툴바