Bongho Lee

Bongho Lee

적절한 시점에 배움이 있던 책 “행복한 택배기사“

적절한 시점에 배움이 있던 책 “행복한 택배기사“

이 책은 아내로부터 소개를 받게 되었다. 업무차 저자를 만나게 된 아내는, 저자의 일생이 굉장히 흥미롭다고 하면서 이 책을 추천해준 것이다. ”행복한 택배기사“라는 제목부터 풍겨지는 이 책은 저자가 본인의 삶에 대해서 풀어놓은 하나의 에세이와 같은 책이었다. 저자는 주재원 시절을 기점으로 자신의 삶을 담담함게 풀어놓는다. 압축적이기에 정제된 듯하면서도, 다시 정되지 않은
Bongho Lee
Pydantic, 데이터 서빙시, Interface Data Validation 관련 라이브러리

Pydantic, 데이터 서빙시, Interface Data Validation 관련 라이브러리

Motivation * Pydantic은 Validation Check를 위한 라이브러리로, 잘못된 데이터가 시스템에서 유입되고 운용되는 것을 막기 위한 라이브러리 * 비동기 웹 프레임워크인 FastAPI와 함께 많이 쓰임 @app.post("/items/") async def create_item(item: Item): # 비동기 처리를 포함한 작업 수행 return item Pros & Cons Pros * 데이터 모델을 정의 후에 자동으로 데이터 검증 후 변환
Bongho Lee
당신이 AI(ML)팀과 대화가 안되는 3가지 이유

당신이 AI(ML)팀과 대화가 안되는 3가지 이유

ChatGPT의 등장 이후, 학계에서나 들렸던 다양한 인공지능의 언어들이 사회 곳곳에서 들리기 시작한다. 굳이 인공지능과 관련없던 일을 하는 사람들도 지금은 인공지능을 삶의 곳곳에서 자연스럽게 쓰고 있다. 불과 몇년 사이에 벌어진 일이다. 자연스럽게 많은 회사에서 AI를 비즈니스 전면에 도입하는 모습도 심심치 않게 볼 수 있다. 하지만  아직은 비용측면보다는 (AI를 활요하는) 기술기업임을 과시하고
Bongho Lee

리더로서 실무에서 손을 떼는데서 오는 두려움에 대해

실무를 하다가 엔지니어링 매니저로 일을 전환한지 2년이 넘었다. 매니저로 전환할 때는 인공지능의 홍수 속에서 의사결정을 하는 직업은 불확실성을 안고 책임을 져야 하기 때문에 인공지능에 의해 대체되기 어렵다라는 생각을 하고 의사결정을 하였다. 이 의사결정은 여전히 유효하고 자신감이 있다. 이에 반해 여전히 고민되는 부분이 있는데 바로 실무에서 손을 뗀다는 두렴이다. 실무에서 손을
Bongho Lee
여러 분포를 결합하여 데이터의 분포를 모델링하는 Mixture Model

여러 분포를 결합하여 데이터의 분포를 모델링하는 Mixture Model

Mixture Model is * Mixture Model은 여러개의 분포를 결합하여 데이터의 전체 분포를 모델링함 * 이 때 각 분포는 Component라고 보통 불리며 데이터가 각 Component로부터 생성될 확률을 가중치로 갖음 * 통상 실무에서 Mixture Model이라고 하면 대체로 GMM(Gaussian Mixture Model)임 Motivation * 대부분의 현실 데이터는 단일 분포로 설명하기 어렵기 때문에 Mixture Model이 쓸모가 있음
Bongho Lee
성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.

성장은 연속적이기 때문에 면담의 주제도 연속적이어야 합니다.

최근 들어 1:1 면담에 대한 다양한 책을 읽어보고 있다. 그러면서 공통적으로 떠오른 질문이 있었다. "3년뒤의 나, 5년 뒤의 나"를 면접 때 물어보는데 이러한 질문을 도와줄 수 있는 리더가 되려면 어떻게 해야할 것인가였다. 회사의 업무에 치이다보면 이런 사이클은 생각하지도 못한 상황에서 반복된 운영업무로 치일 수도 있는 것이 회사생활이다 .자칫하면
Bongho Lee
학습시 "존재"하는 고유범주값을 고유정수값으로 치환하는 Label Encoder

학습시 "존재"하는 고유범주값을 고유정수값으로 치환하는 Label Encoder

Background * 가게별로 예측치를 제공할 때 가게에 대한 식별자를 어떻게 전달할 것인가에 대해서 고민한 적이 있고, Label Encoder를 사용했던 적이 있다. Label Encoder is. * Label Encoder는 범주형 데이터를 수치형으로 변환하는 Encoder Motivation * Categorical Data를 ML이 이해할 수 있는 형태인 Numeric으로 변경 Pros & Cons Pros * 매우 구현이 간편하다. * 데이터셋이 크더라도 빠르게 변환할
Bongho Lee