Listen to this article.

Problem

Creating effective skills for large language model (LLM) agents has been challenging. Current methods – whether hand-crafting, generating them once, or using loosely controlled self-revision – don’t consistently improve agent performance over time and lack the focused optimization seen in deep learning weight updates. Essentially, existing approaches haven’t treated agent skills as something that can be systematically trained for optimal results.

Method

The SkillOpt paper proposes a novel approach to tackle this problem. It treats an agent’s skill (which is typically textual) as an external state separate from the LLM itself – think of it like optimizing the instructions given to the LLM, rather than changing the LLM’s internal parameters. This “skill” document undergoes edits (additions, deletions, or replacements) made by a dedicated optimizer model. These edits are proposed based on how well previous “rollouts” (runs of the agent using the skill) performed. Critically, an edit is only accepted if it strictly improves performance on a held-out validation set. To ensure stability during training, SkillOpt incorporates techniques like a textual learning rate budget and a buffer to store rejected edits. This all happens without adding any extra computational overhead at deployment time.

Image: NVIDIA Blackwell Tops MLPerf Training 6.0 with Industry-Leading Scale and Performance — NVIDIA Developer Blog

Listen to this article.

Overview

This week’s tech news highlights the accelerating integration of AI across various sectors, alongside continuing concerns about ethical practices and security vulnerabilities. Apple’s iOS 27 features are generating significant buzz with on-device generative AI capabilities. We’re seeing increasing adoption of LLMs internally within companies like Anthropic and Atlassian to streamline operations. The landscape is also shaped by external pressures: government oversight of AI development, legal battles over emerging transportation technologies, and ongoing debates about responsible data usage in areas like advertising and healthcare.

Listen to this article.

Problem

Large Language Models (LLMs) are known to harbor biases, but these biases are tricky to pin down due to the random nature of how they generate text. Traditional methods for checking LLM fairness often just look at a single output or use automated metrics that don’t reveal the full picture—they miss biases lurking in less common generation pathways.

Method

The paper introduces “TreeTracer,” a visual analytics tool designed to tackle this issue. Here’s how it works:

Image: Temporary Cloudflare Accounts for AI agents — Cloudflare Blog

Listen to this article.

Overview

This week’s tech news is layered with cautious reflections on AI, coupled with intriguing developments in hardware innovation and platform updates. There’s a growing tension around data sharing for AI training, particularly highlighted by Anthropic’s recent requirements for Claude Fable 5 users on Bedrock, while OpenAI continues to improve its models with an eye toward practical enterprise use cases and addressing critical needs within healthcare. Finally, we see continued discussions about efficiency and developer experience—from monorepo migrations at Block to architectural improvements in Atlassian’s Forge platform—a clear signal that even with AI dominating headlines, core engineering challenges remain paramount.

Image: How A2A is Building a World of Collaborative Agents — Google Developers Blog

Listen to this article.

Overview

This week’s headlines highlight the ongoing intersection of robotics, cybersecurity regulations, and the evolving landscape of applied AI. The rise of hardware control via software infrastructure (like Kyber), combined with complex regulatory pressures surrounding AI development and deployment, creates a tricky environment for practitioners. Meanwhile, we’re seeing significant investment in physical-world applications—from robotaxis leveraging Japan’s IPO boom to advancements in fusion energy—and a continued refinement of user experience, as demonstrated by e-ink displays and specialized audio players. Finally, the rapid progress in AI agent development showcased through OpenAI’s work is truly worth observing; it’s driving shifts in tooling, data analysis, and potentially even code generation workflows.

과정 개요

빅데이터 분석기사 실기 시험을 완벽하게 대비하는 Python 기반 실전 과정입니다. 실제 시험 환경과 동일한 조건에서 데이터 분석, 모델링, 평가까지 전 과정을 학습합니다.

과정 정보

• 수강 기간: 무제한 (평생 수강)
• 총 학습 시간: 약 5시간
• 난이도: 초급
• 수강료: ₩13,000 (특별 할인)
• 쿠폰 유효기간: 2026년 3월 17일까지
• 쿠폰코드: A0A10703D4A8BE7431A7
• 링크: https://www.udemy.com/course/python-qm/?couponCode=A0A10703D4A8BE7431A7

학습 목표

• 빅데이터 분석기사 실기 시험의 3가지 유형 완벽 마스터
• Python 라이브러리(Pandas, NumPy, Scikit-learn)를 활용한 데이터 분석

커리큘럼

1단계: 작업형 1유형 - 데이터 전처리

• 데이터 읽기 및 탐색
• 결측치 처리
• 이상치 탐지 및 처리
• 데이터 변환 및 인코딩
• 그룹화 및 집계

2단계: 작업형 2유형 - 머신러닝 모델링

• 분류 모델 (로지스틱 회귀, 의사결정나무, 랜덤포레스트 등)
• 회귀 모델 (선형회귀, Ridge, Lasso 등)
• 교차 검증 및 하이퍼파라미터 튜닝
• 모델 평가 지표 (정확도, F1-score, ROC-AUC, RMSE 등)
• 예측 결과 제출 형식

3단계: 작업형 3유형 - 통계 분석

• 기술통계 분석
• 가설 검정
• 상관분석 및 회귀분석
• 통계적 유의성 해석

실습 환경

• 언어: Python

회귀분석 상호작용 예시

라이브러리 가져오기

• reshape2 → 데이터 구조 변환(wide↔long), tips 데이터 포함
• ggplot2 → 시각화(산점도, 회귀선, 상호작용 그래프)
• lmtest → 회귀 가정 검정(등분산성, 독립성 등)
• car → 공선성 점검(VIF), 회귀 진단 도구
• broom → 회귀 결과를 깔끔한 데이터프레임으로 정리
• emmeans → 상호작용 효과·부분효과(기울기) 통계 검정

library(reshape2)
library(ggplot2)
library(lmtest)
library(car)
library(broom)
library(emmeans)

Tips 데이터 가져오기

• 데이터 설명 : 미국 식당에서 수집된 팁 관련 표본 데이터
• 관측치 수: 244

data("tips")                 
str(tips)

## 'data.frame':    244 obs. of  7 variables:
##  $ total_bill: num  17 10.3 21 23.7 24.6 ...
##  $ tip       : num  1.01 1.66 3.5 3.31 3.61 4.71 2 3.12 1.96 3.23 ...
##  $ sex       : Factor w/ 2 levels "Female","Male": 1 2 2 2 1 2 2 2 2 2 ...
##  $ smoker    : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
##  $ day       : Factor w/ 4 levels "Fri","Sat","Sun",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ time      : Factor w/ 2 levels "Dinner","Lunch": 1 1 1 1 1 1 1 1 1 1 ...
##  $ size      : int  2 3 3 2 4 4 2 4 2 2 ...

상호작용이 없는 모델 만들기

• 먼저 상호작용이 없는 모델을 만든다.

m1 <- lm(tip ~ total_bill * sex, data = tips)
summary(m1)

## 
## Call:
## lm(formula = tip ~ total_bill * sex, data = tips)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.2232 -0.5660 -0.0977  0.4796  3.6675 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)         1.048020   0.272498   3.846 0.000154 ***
## total_bill          0.098878   0.013808   7.161 9.75e-12 ***
## sexMale            -0.195872   0.338954  -0.578 0.563892    
## total_bill:sexMale  0.008983   0.016417   0.547 0.584778    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.026 on 240 degrees of freedom
## Multiple R-squared:  0.4574, Adjusted R-squared:  0.4506 
## F-statistic: 67.43 on 3 and 240 DF,  p-value: < 2.2e-16

계수 해석

• 계수 해석에 대한 설명은 다음과 같다.

• 위 표에 대한 해석 가이드는 다음과 같다.
  • (Intercept) : 기준집단(여성)에서 total_bill = 0일 때 팁의 평균값(절편). 실제 상황에서 해석보다는 기준점 역할에 가까움.
  • total_bill : 여성(Female) 그룹 기준으로, 총 결제금액이 1달러 증가할 때 팁이 평균 얼마 증가하는지를 나타냄. 여기서는 0.099달러 증가 → 유의(p<0.001).
  • sexMale : 총 결제금액이 0일 때 남성이 여성보다 팁을 얼마나 더(또는 덜) 주는지의 차이. 여기서는 남성이 여성보다 $0.196 낮지만, 유의하지 않음.
  • total_bill:sexMale : 성별에 따라 총금액이 팁에 미치는 기울기 차이(상호작용). 남성의 기울기가 여성보다 약간(0.009) 높지만 통계적으로 유의하지 않음.

모델 시각화

관측점 + 집단별 loess/선형선(간단)

• 그래프 코드는 다음과 같다.

ggplot(tips, aes(x = total_bill, y = tip, color = sex)) +
  geom_point(alpha = .6) +
  geom_smooth(method = "lm", se = TRUE) +
  labs(title = "Interaction: total_bill × sex",
       x = "Total bill", y = "Tip", color = "Sex") +
  theme_minimal(base_size = 13)

## `geom_smooth()` using formula = 'y ~ x'

Open AI 사이트 확인

• 사이트 : https://platform.openai.com/
  • 회원가입 및 로그인 필수
• 톱니바퀴 모양 아이콘(Settings) 클릭 후 설정 화면으로 이동

• 설정화면에서 [API Keys] 메뉴 클릭 후, Create New Secret Key 눌러주기
  • Name : ai-agent-test-project
  • Project : Default Project

• API 키가 보이는 창 확인
  • Copy 버튼 누른 후 클립보드에 저장 후 다른 곳에 잘 저장하기
  • 혹시나 보관을 못했다면, 지우고 다시 생성하는 것 추천
  • 강의 때 연습용으로 사용하는 것은, 추후 관리 소홀로 유출 될 수 있으니 반드시 삭제 권장

개요

• Logstash 기본 설치 과정을 확인한다.
• Logstash 활용 예제를 확인한다.

사전준비

• 기존에 Elasticsearch와 Kibana 실행 방법을 알고 있어야 한다.
• 모든 코드는 Windows 에서 실행하였다.

Logstash의 역할

• 데이터 수집 (Ingest) - 데이터 변환 및 처리 (Processing / Filtering) - 데이터 출력 (Output)

데이터 수집

• 다양한 데이터 소스로부터 데이터 수집
  • 로그파일
  • TCP/UDP/HTTP 요청
  • Kafka, Redis, JDBC(DB) 등

데이터 변환 및 처리 (Processing / Filtering)

• 주요 내용

  • Logstash는 수집한 원시 데이터를 구조화된 형식으로 파싱하고 정제 및 가공
  • 정규표현식 기반 grok 필터로 로그 파싱
  • 날짜 포맷 통일 (date)
  • 필드 추가/삭제/이름 변경
  • 조건 분기 처리 (if, else)
  • JSON, CSV 파싱
  • 지오IP, 위치 정보 추가 등

• 예시 코드

개요

• 엘라스틱서치에서 밀집 벡터 위한 매핑 구성 방법 살펴보기
• 밀집 벡터가 저장될 embedding 이라는 필드 정의
• Python 코드로 엘라스틱서치 코드 구현

코드 전체 시나리오

• Elasticsearch에 연결 및 인덱스 초기화
• dense_vector 타입으로 매핑 정의
• 문서 배열 정의
• BERT 모델을 이용해 각 문서를 벡터 임베딩
• 벡터 포함 문서를 Elasticsearch에 색인

Elasticsearch 클라이언트 연결

• 로컬에서 실행 중인 Elasticsearch 서버에 접속
• basic_auth: 로그인 자격 (ID: elastic, PW: 123456)
• verify_certs=False: 인증서 검증 생략 (로컬에서 SSL 없이 사용 시 편의용)

es_admin = Elasticsearch("http://localhost:9200", 
                         basic_auth=("elastic", "123456"), 
                         verify_certs=False)

Mapping 정의 및 인덱스 생성

• dense_vector: 벡터 검색용 필드 (벡터 유사도 기반 검색 가능)
• dims: BERT의 출력 벡터는 기본적으로 768차원이므로 그에 맞춤

mapping = {
    "properties": {
        "embedding": {
            "type": "dense_vector",
            "dims": 768  # BERT의 출력 벡터 차원 수
        }
    }
}

기존 인덱스 삭제 후 새로 생성

• 기존에 있던 chapter-2 인덱스를 삭제 (중복 방지)
• 새로운 인덱스를 위에서 정의한 벡터 매핑으로 생성

try:
    es_admin.indices.delete(index="chapter-2")
    print("기존 chapter-2 인덱스를 삭제했습니다.")
except:
    print("chapter-2 인덱스가 존재하지 않습니다.")

es_admin.indices.create(index="chapter-2", body={'mappings': mapping})
print("새로운 chapter-2 인덱스를 생성했습니다.")

색인할 문서 데이터 구성

• title과 text로 구성된 단순 문서 리스트
• text는 BERT 임베딩의 입력값이 된다

docs = [
    {"title": "Document 1", "text": "This is the first document"},
    {"title": "Document 2", "text": "This is the second document"},
    {"title": "Document 3", "text": "This is the third document"}
]

BERT 모델과 토크나이저 초기화

• bert-base-uncased: Hugging Face에서 사전 학습된 BERT 모델
• AutoTokenizer: 입력 텍스트를 BERT가 이해할 수 있는 토큰으로 변환
• AutoModel: 텍스트에 대한 BERT 임베딩 추출

tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
model = AutoModel.from_pretrained("bert-base-uncased")

BERT 임베딩 생성

• tokenizer(...): 텍스트를 토큰화하고 PyTorch 텐서로 변환
• model(**inputs): BERT 실행 → 각 토큰에 대한 임베딩 벡터 반환
• last_hidden_state.mean(dim=1): 문장의 전체 임베딩을 mean pooling으로 하나의 벡터로 압축 (1×768 벡터)
• squeeze(0).numpy(): 불필요한 batch 차원 제거 후 NumPy로 변환
• tolist(): Elasticsearch에 저장 가능하게 리스트 형태로 변환

for doc in docs:
    text = doc["text"]
    inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
    with torch.no_grad():
        outputs = model(**inputs).last_hidden_state.mean(dim=1).squeeze(0).numpy() 
        doc["embedding"] = outputs.tolist()

Elasticsearch에 색인

• 각 문서를 chapter-2 인덱스에 색인
• Elasticsearch는 embedding 필드를 dense_vector로 저장하며, 향후 벡터 검색에도 사용 가능

for doc in docs:
    es_admin.index(index="chapter-2", body=doc)

확인

• Kibana | Management | Dev Tools에서 색인된 문서 조회

GET chapter-2/_search