9주차_AI/DX TREND STUDY_목요일

AI 기술로 풍부해지는 메타버스(Metaverse) 경험

머신러닝 혹은 딥러닝을 통해 현실 세계의 데이터들을 학습함으로써 메타버스 공간을 정교하게 구성가능
-> AI가 사물의 움직임을 학습하면서 일련의 동작들을 자연스럽게 표현할 수 있고 사람의 외양을 학습해 사람과 흡사한 캐릭터를 만드는 것도 가능
교육, 스포츠, 여행 많은 산업에서 사용 가능

KT의 경우 2022년 하반기에 메타버스 플랫폼인 ‘지니버스’를 출시할 계획
① 언어 학습을 통한 AI 기반 채팅 서비스
② 사람과 흡사한 디지털 아바타 구현 

 

https://enterprise.kt.com/bt/P_BT_TI_VW_001.do?bbsId=1529&bbsTP=A

AI 기술로 풍부해지는 메타버스(Metaverse) 경험 | KT Enterprise

 

---

[ML/AI] 인공지능과 머신러닝 연구과 현실과 멀어지고 고립되는 이유

처음에는 현실 문제를 해결하기위한 의도로 시작
점차 인용루프, 퍼블리시 인센티브 생태계가 형성 -> 학계의 기저에 깔려있는 문제*
*현실문제를 해결하는게 아니라 논문 퍼블리시에 집중하는 것
더 많은 논문x(반복) - 다른건 중요치 X -> 학자와 학계는 논문의 양과 질로 판단

머신러닝이 현실에 적용할 수 있는 개선-> 모형/실제 제품에 적용하기 위한 연구를 하는 것,
관련 분야의 전문가와 함께 연구하는 것을 의미, 어려운 문제에 도전하는 것
 * 단 이렇게 할 시에 논문의 Publish가 더 힘들고 고난. 단순 벤치마크 모형 이기기X 관련 학자들과의 연구가 활발하게 유지되고 데이터 생성과정과 워크플로는 '벤치마크 고립 현상'을 피하기 위함. 더 높은 퀄리티의 데이터 수집과 예측모형을 워크플로우에 적용하는 병목에 주의. 더 시스템적 사고를 할 필요가 있음.

 

https://losskatsu.github.io/machine-learning/ml-isolation/#%EA%B7%B8%EB%A0%87%EB%8B%A4%EB%A9%B4%EC%99%9C

[머신러닝] 인공지능, 머신러닝 연구가 현실과 멀어지고 고립되는 이유

 

 

---

[LINE] 메인 스토리지를 Redis -> MongoDB로 전환한 이유 (사례 회고)

LINE 통합 알림 센터의 스토리지를 옮긴 이유와 배경
- 가용량의 80%이상을 사용. 스왑 인(SWAP IN/OUT) 발생과 페일오버(Failover) 발생
[ Mongo DB ]
- 알림의 데이터 형태가 문서 데이터 베이스에 적합
- 풍부한 인덱스 기능을 제공하기에 (rich index) : 여러 인덱스, 복합, 자유로운 추가, TTL(time to live)
- 고가용성/확장석/DB팀의 지원/Reactive MongoDB 클라이언트

[전환 후 장/단점]
- 적은 비용으로 넉넉한 용량 확보
- 인덱스 사용(데이터 모델 별도 구성 필요X)
- 요청 지연 시간 증가(2~2.5배), 배타적 락에 따른 지연시간의 불규칙 증가(최대 지연시간 증가)

 

https://engineering.linecorp.com/ko/blog/LINE-integrated-notification-center-from-redis-to-mongodb/

LINE 알림 센터의 메인 스토리지를 Redis에서 MongoDB로 전환하기