[인공지능 기술] Gradio 설치 및 실행 방법

pip install gradio

!pip install gradio

#!pip install gradio
import gradio as gr

def user_greeting(name):
    return "안녕하세요! " + name + "님, 첫 번째 Gradio 애플리케이션에 오신 것을 환영합니다!????"

app = gr.Interface(fn=user_greeting, inputs="text", outputs="text")
app.launch()

python app.py

app = gr.Interface(fn=user_greeting, inputs="text", outputs="text")
app.launch()

KIM DA MI

[출처] Gradio 설치 및 실행 방법

[chatgpt] [ChatGPT] Function calling

Function Calling이란?

Chatgpt Chat Completions API를 사용하면, 질문을 하고 답변을 얻을 수 있다.
Function Calling을 사용하면, 질문에 적합한 애플리케이션 함수와 매개변수를 추천받을 수 있다. 

즉, 애플리케이션에서 어떤 함수를 호출하는게 좋을지 gpt에게 물어볼 수 있는 기능이라고 볼 수 있다.

예제코드

open ai에서 가져온 파이썬 예제 코드이다. 한줄한줄 읽어보면, 어떤 방식으로 사용하는 건지 쉽게 감이 온다. 

import openai
import json


# 항상 같은 날씨를 리턴하는 예시용 더미 함수이다. 
# 실제 개발환경에서는 상황에 맞는 코드를 구현해야한다.
def get_current_weather(location, unit="fahrenheit"):
    """Get the current weather in a given location"""
    weather_info = {
        "location": location,
        "temperature": "72",
        "unit": unit,
        "forecast": ["sunny", "windy"],
    }
    return json.dumps(weather_info)


def run_conversation():
    # Step 1: chatgpt에게 질문과 이용할 수 있는 함수 목록을 전달한다. 
    messages = [{"role": "사용자", "content": "서울 날씨는 어때? "}]
    functions = [
        {
            "name": "get_current_weather",
            "description": "위치를 전달하면, 현재 날씨를 알려준다",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {
                        "type": "string",
                        "description": "구군시  전달한다. ex. 서울특별시",
                    },
                    "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]},
                },
                "required": ["location"],
            },
        }
    ]
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo-0613",
        messages=messages,
        functions=functions, # 이 곳에서 함수 정보를 전달한다.
        function_call="auto",  
    )
    response_message = response["choices"][0]["message"]

    # Step 2: GPT에서 함수 호출을 하라고 했는지 확인하기 
    if response_message.get("function_call"):
        # Step 3: GPT에서 호출하라고 한 함수를 실제로 호출하기 
        available_functions = {
            "get_current_weather": get_current_weather,
        }  # 이 예제에서는 호출할 수 있는 함수를 1개만 두었지만, 실제로는 여러개를 추가할 수 있다. 
        function_name = response_message["function_call"]["name"] // GPT가 제안한 함수 이름 확인하기 
        fuction_to_call = available_functions[function_name] // GPT가 제안한 함수 할당하기  
        function_args = json.loads(response_message["function_call"]["arguments"])
        function_response = fuction_to_call(
            location=function_args.get("location"),
            unit=function_args.get("unit"),
        ) # GPT가 제안한 함수를 GPT에서 찾은 매개변수로 전달하기 

        # Step 4: 함수 호출로 얻은 결과를 gpt에게 다시 보내주기 send the info on the function call and function response to GPT
        messages.append(response_message)  # API으로 호출받은 값을 확장하기 
        messages.append(
            {
                "role": "function",
                "name": function_name,
                "content": function_response,
            }
        ) 
        second_response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo-0613",
            messages=messages,
        )  # gpt에게 응답 결과 다시 전달하기 
        return second_response


print(run_conversation())

참고

https://platform.openai.com/docs/guides/gpt/function-calling
https://github.com/joshlong/chatgpt-spring-boot-starter
https://github.com/openai/openai-cookbook/blob/main/examples/How_to_call_functions_with_chat_models.ipynb

출처: https://americanopeople.tistory.com/427 [복세편살:티스토리]

[인공지능 기술] Replit Agent 사용법 – AI 기반 코딩 도구로 쉽게 개발하기

Replit Agent 사용법 – AI 기반 코딩 도구로 쉽게 개발하기

September 17, 2024 · 7 min read

프롬프트해커 대니

다양한 분야에서 AI를 할용하는 ChatGPT전문가. 스타트업 창업, 개발자, 구글 SEO 성공 경험을 바탕으로 실용적인 AI사례를 발견합니다.

[출처] https://www.magicaiprompts.com/blog/replit-usage-guide

[산업] [알아봅시다] 국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언

국비 IT 학원, 정말 괜찮을까? – 경험담을 바탕으로 현실적인 조언

국비지원 IT 학원을 고민하는 사람이라면, 한 번쯤 들어봤을 이야기입니다.

“국비학원 비추, 시간낭비였다”
“수업보다 연애, 파벌싸움이 더 활발했다”
“강사도 자주 바뀌고 공부 분위기도 별로였다”

국비지원 학원은 정부 지원을 받아 저렴하게 배울 수 있다는 장점이 있지만, 모든 학원이 다 좋은 것은 아닙니다.
특히 비슷한 고민을 하는 분들을 위해, 한 수강생의 경험을 바탕으로 국비 IT 학원의 현실적인 문제점과 선택 시 주의할 점을 이야기해보겠습니다.

???? 국비 IT 학원의 기대 vs 현실

많은 사람들이 국비 학원을 선택할 때, 취업을 보장받거나, 수준 높은 교육을 받을 것이라 기대합니다. 하지만 현실은 조금 다릅니다.

???? 기대: 면접을 보고 입학할 정도면, 열정적인 사람들과 수준 높은 교육을 받을 수 있을 것이다.
???? 현실: 의욕 없는 사람들, 불필요한 인간관계 갈등, 학습 분위기가 깨지는 경우도 많다.

???? “학생의 질이 너무 떨어졌다”

수강생의 가장 큰 불만 중 하나는 함께 공부하는 사람들에 대한 문제입니다.
국비 학원은 돈을 내고 다니는 일반 학원과는 달리, 다양한 사람들이 참여합니다.

???? 문제점

• 공부보다는 연애, 인간관계에 몰두하는 사람들
• 감정 싸움, 파벌 싸움이 벌어지는 분위기
• 쉬는 시간에 소란스럽고 집중이 어려운 환경

“IT 국비 학원이라 하면 조용히 공부하는 분위기를 기대했는데, 차라리 그게 낫겠다 싶을 정도였다.”

???? 해결책
국비 학원마다 분위기가 다릅니다. 가능하다면, 실제 수강생 후기를 찾아보고 학습 분위기가 잘 유지되는 학원을 선택하세요.

???? “수업보다 술자리가 더 많았다”

일부 학원에서는 “강제 자습”을 명목으로 학생들을 학원에 오래 붙잡아 두지만, 실제로는 학습보다는 다른 일에 시간을 보내는 경우가 많습니다.

???? 문제점

• 학원 수업이 끝난 후, 강제 야간 자습이 있다고 해도 실질적인 공부는 안 됨
• 공부보다는 술자리, 친목 모임이 더 활발
• 심지어 취업 후에도 네트워크 형성에 실패 (서로 손절)

“수업 끝나면 야자라고 해서 남아야 한다더니, 결국 강남에서 술 마시는 모임이 됐다.”

???? 해결책

• 친목 활동과 학습을 구분해야 합니다. 친목이 중요한 경우도 있지만, 공부에 집중할 환경이 조성된 학원인지 확인하세요.
• 취업을 위해 다니는 것이지, 새로운 친구를 사귀러 가는 게 아니라는 점을 명확히 해야 합니다.

???? “강사가 너무 자주 바뀌었다”

국비 학원의 또 다른 문제는 강사의 교체입니다.

???? 문제점

• 초반에는 좋은 강사가 배정되지만, 중간에 강사가 바뀌면서 수업의 질이 급격히 떨어짐
• 실무 경험이 적은 강사가 이론만 가르치는 경우가 많음
• 커리큘럼이 체계적이지 않고, 강사마다 스타일이 달라 일관성이 부족함

“처음엔 괜찮은 강사가 있었지만, 중간에 교체되면서 수업이 무너지기 시작했다.”

???? 해결책

• 강사 교체가 잦은 학원은 피하는 것이 좋습니다. 입학 전 강사의 프로필과 강의 경력을 반드시 확인하세요.
• 수업 방식이 바뀌어도 혼자 공부할 수 있는 능력을 키우는 것이 중요합니다.

???? 국비 IT 학원 선택 시 주의할 점

이런 문제를 피하려면 학원 선택이 가장 중요합니다. 다음 체크리스트를 확인해보세요.

✅ 수강생 후기를 확인하라 – 네이버 카페, 블로그, 유튜브 등에서 실제 수강생의 경험담을 찾아보세요.
✅ 강사의 경력을 체크하라 – 강사가 현업 경험이 있는지, 얼마나 오래 강의를 했는지 확인하세요.
✅ 커리큘럼을 꼼꼼히 살펴보라 – 수업 내용이 제대로 구성되어 있는지, 원하는 기술을 배울 수 있는지 확인하세요.
✅ 학습 분위기를 체크하라 – 직접 학원에 방문하거나, 설명회를 통해 분위기를 파악하세요.
✅ 취업 연계의 실체를 확인하라 – 학원에서 연결해주는 기업이 실제로 취업에 도움이 되는지 확인하세요.

???? 결론: 시간낭비를 피하려면?

국비 학원은 잘 활용하면 좋은 기회가 될 수도 있지만, 기대만큼 만족하기 어려운 경우도 많습니다.

???? 좋은 국비 학원을 선택하려면?
✔ 수강생의 분위기와 학습 태도를 확인하라
✔ 강사의 실무 경험과 교체 빈도를 체크하라
✔ 취업 연계가 실질적으로 도움이 되는지 따져보라
✔ 단순한 친목 모임이 아니라 실제로 공부할 수 있는 환경인지 고민하라

무작정 유명한 국비 학원이라고 선택하기보다는, 자신에게 맞는 학원이 어디인지 충분히 조사하고 결정하는 것이 가장 중요합니다.

여러분은 어떤 국비 학원을 선택하시겠습니까?

좋은 선택이 성공적인 IT 커리어의 시작이 될 것입니다. ????

[데이터분석 & 데이터 사이언스] 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?

맞다. 나는 데이터 사이언티스트다. 당신이 읽은 제목도 제대로 읽은 거 맞다. 누군가는 이런 이야기를 해야만 한다. 우리는 데이터 사이언티스트가 21세기의 가장 섹시한 직업이라거나, 꿈의 직업으로 보일 만큼 엄청나게 돈을 많이 번다는 식의 이야기를 굉장히 많이 듣는다. 이 분야에는 복잡한 문제를 괴짜같이 놀라운 방법으로 해결해내는 뛰어난 능력자들이 많은데, 이 직업이 매력적인 이유는 이런 측면에 있다.

하지만 진실은 이렇다. 파이낸셜 타임스의 글에 따르면, 데이터 사이언티스트들은 일반적으로 “일주일에 한두 시간은 새 직장을 구하는 데 쓴다”. 심지어 “새로운 직장을 구하고 있다고 응답한 개발자 중 1위는 머신러닝 전문가(14.3%)다. 데이터 사이언티스트는 근소한 차이로 2위다(13.2%).” 이 데이터는 스택 오버플로가 개발자 64,000명을 대상으로 한 설문조사에서 수집된 것이다.

나도 같은 상황에 처해있었고, 최근에는 직장을 바꿨다.

그렇다면 왜 수많은 데이터 사이언티스트들이 새 직장을 구하려 할까?

이 질문에 답하기 전에 내가 여전히 데이터 사이언티스트라는 것을 밝혀 둔다. 전반적으로 나는 이 직업을 사랑하고, 데이터 사이언티스트가 되려고 하는 사람들의 의욕을 꺾을 마음이 없다. 데이터 사이언티스트는 즐겁고, 흥미롭고, 보람 있는 직업이다. 이 글의 목적은 일부러 반대 측 이야기를 하는 악마의 변호인이 되어서 부정적인 면을 조명하는 데 있다.

내가 보기에 많은 데이터 사이언티스트들이 자신의 직업에 만족하지 못하는 데는 크게 네 가지 이유가 있다.

빅데이터는 십대의 섹스와 같다. 다들 그것에 대해 말하지만, 진짜로 어떻게 하는지는 아무도 모르고, 나만 빼고 모두가 하고 있을 거라 생각한다. 그래서 다들 자기도 하고 있다고 주장한다. – Dan Ariely

매우 적절한 비유다. 나를 포함해서, 많은 주니어 데이터 사이언티스트들은 최신의 쿨한 머신러닝 알고리즘을 이용해 복잡한 문제를 해결하고 비즈니스에 엄청난 영향을 미칠 수 있을 거라 믿었기 때문에 데이터 과학에 뛰어들었다. 우리가 하는 일이 기존에 해왔던 일들 보다 훨씬 중요하게 느껴지는 것이다. 그러나, 보통은 안 그렇다.

내가 보기에 수많은 데이터 사이언티스트들이 업계를 떠나는 핵심적인 이유는 기대와 현실이 다르다는 것이다. 여기에는 다양한 이유가 있지만, 이 글에서 전부 다룰 수는 없고, 내가 직면했던 근본적인 문제들을 이야기하고자 한다.

회사마다 상황이 다르니 모두 다 그렇다고 할 수는 없겠지만, 많은 회사들이 AI를 이용해 가치를 얻어낼 수 있을 정도의 적절한 인프라를 구축하지 못한 상태에서 데이터 사이언티스트를 고용한다. 이 때문에 AI 분야의 콜드 스타트 문제가 발생한다. 이런 상황에 주니어를 고용하기 전에 경험 많은 시니어 데이터 전문가를 고용하지 못했다는 문제가 결합되면, 회사와 데이터 사이언티스트 양쪽 모두가 환멸을 느끼고 불행한 관계가 되는 법 레시피를 얻은 셈이다. 데이터 사이언티스트는 인사이트를 얻어낼 스마트한 머신러닝 알고리즘을 만드는 일을 하게 될 줄 알았겠지만 그러지 못한다. 데이터 인프라를 정리하고 분석 보고서 쓰는 일부터 해야 하기 때문이다. 반면 회사는 그저 매일 하는 미팅에 사용할 차트 한 장이 필요했을 뿐이다. 그러고 나면 회사도 좌절하게 된다. 새로운 가치를 충분히, 빨리 찾아내지 못하고, 결과적으로 이런 문제들 때문에 데이터 사이언티스트도 자신의 직무에 만족하지 못하게 되기 때문이다.

Robert Chang은 주니어 데이터 사이언티스트들에게 조언하며 다음과 같이 굉장히 통찰력 있는 이야기를 했다.

일하게 될 곳의 전체 업무 절차(critical path)가 자신이 하고자 하는 것에 얼마나 부합하는지 따져봐야 한다. 자신이 바라는 것에 가장 잘 부합하는 업무 절차를 갖추고 있는 프로젝트, 팀, 회사를 찾아라.

이 조언은 고용주와 데이터 사이언티스트의 관계를 강조하는 것이다. 회사가 제대로 준비되어 있지 않거나 데이터 사이언티스트의 기대와 부합하지 않는 목표를 가지고 있다면, 데이터 사이언티스트가 다른 일을 찾게 되는 것은 시간 문제다.

이 문제에 흥미가 생긴다면, 온라인 쇼핑몰 Wish에서 분석 팀을 만든 과정을 다룬 Samson Hu의 연재 글을 읽어 보길 권한다. 통찰이 담겨있는 훌륭한 글이다.

데이터 사이언티스트가 환멸을 느끼는 또 다른 이유는 내가 학계에 환멸을 느꼈던 이유와 비슷하다. 나는 내가 회사뿐만 아니라 전 세계 모든 사람들에게 엄청나게 큰 영향을 미칠 수 있을 거라고 생각했다. 현실은, 만약 회사의 핵심 사업이 머신러닝을 운용하는게 아니라면(나는 미디어 출판사에 다녔었다) 당신이 하는 데이터 과학 작업은 아주 작은 추가 이득 정도를 만들어 낼 수 있을 뿐이다. 데이터 과학으로 굉장히 의미 있는 가치를 만들어 내거나, 운 좋게 얻어 걸려서 금맥을 찾는 일이 생길 수도 있겠지만, 근건 굉장히 드문 일이다.

정치 문제에 관해서는 “데이터 사이언스에서 가장 어려운 것: 정치”라는 훌륭한 글이 이미 있다. 꼭 읽어 보길 권한다. 이 글의 도입부 몇 문장은 내가 말하고자 하는 것을 요약하고 있다.

Support Vector Machines 알고리즘을 공부하려고 아침 6시에 일어났을 때, “이거 진짜 힘드네. 하지만 나는 고용주들이 탐낼 사람이 될 거야” 하고 생각했다. 만약 타임머신(DeLorean)이 있다면, 과거로 돌아가 내 자신에게 말해 줄거다. “개소리하고 앉았네”.

다양한 머신러닝 알고리즘을 알면 가치 있는 데이터 사이언티스트가 될 거라고 진지하게 생각하고 있다면, 내가 처음에 지적했던 것을 다시 생각해보라. 현실은 기대하는 것과 다르다.

진실은, 비즈니스에서 가장 영향력 있는 사람들이 당신에 대해 좋은 인상을 갖도록 노력하는 일을 해야 한다는 것이다. 단지 윗분들이 당신에 대해 좋은 인상을 갖도록 하기 위한 목적으로 단순한 프로젝트를 수행하고, 동시에 윗분들이 필요하다고 할 때마다 데이터베이스에서 지표들을 뽑아 제 시간에 가져다 주는 추가 업무를 끝없이 해야만 한다. 나는 이전 직장에서 이런 일을 굉장히 많이 해야만 했다. 절망적이게도, 이런 일이 이 직업의 필수적인 부분이다.

윗분들을 기쁘게 하는 일이라면 뭐든지 해야 한다는 것에 관해 조금 더 이야기하자면, 영향력 있는 윗사람들은 대부분 “데이터 사이언티스트”가 뭔 지 모른다. 이는 당신이 데이터 분석 전문가일 뿐만 아니라 ‘보고서 만들어주는 애’가 되어야 한다는 것을 의미한다. 동시에 데이터베이스 전문가가 되어야 한다는 것도 잊으면 안된다.

비 기술 분야의 경영진뿐만 아니라 대부분의 사람들은 당신이 엄청나게 많은 스킬을 보유하고 있을 거라 가정한다. 기술 분야에 있는 동료들도 당신이 데이터와 관련된 거라면 무엇이든 다 알 거라고 생각한다. Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B Testing, NLP, 머신러닝의 모든 것, 이 외에 당신이 생각해낼 수 있는 데이터와 관련된 모든 것들을 잘 알고 있어야만 한다. 그건 그렇고, 만약 이 모든 게 적혀 있는 직무명세서를 발견한다면 빨리 도망쳐라. 그 회사가 자신들의 데이터 전략에 관해 아무 생각이 없고, 누가 됐든 데이터와 관련된 사람을 뽑으면 회사에 있는 데이터와 관련된 모든 문제를 해결해줄 거라 믿기 때문에 아무나 고용하려 한다는 것을 암시하는 것이다.

그런데 이게 끝이 아니다. 사람들은 당신은 이 모든 것을 잘 알고 있고, 분명 모든 데이터에 접근할 수 있을 것이기 때문에 데이터와 관련된 질문이라면 무엇이든 답변해줄 거라 생각한다. 그러니까, 안 물어봤어도 적어도 5분 전에는 담당자한테 메일로 답변을 보내놨어야 한다.

모든 사람들에게 자신이 실제로 아는 것은 무엇이고 다루기 어려운 것은 무엇인지를 얘기한다는 것은 쉽지 않은 일이다. 누군가 자신을 나쁘게 볼까 봐서가 아니라, 현장 경험이 별로 없는 주니어 데이터 사이언티스트처럼 여기게 될 것이 걱정되기 때문이다. 그렇게 되면 상황이 정말 어려워질 수 있다.

종종 성공한 데이터 제품을 접하면, 똑똑한 기능, 전문적으로 디자인된 UI를 볼 수 있다. 특히, 적어도 사용자가 보기에 문제를 적절히 해결하고 유용한 결과물을 만들어 낸다. 그러니까 만약 데이터 사이언티스트가 머신러닝 알고리즘을 만들고 적용하는 방법을 익히는 데에만 시간을 쏟았다면, 가치 있는 제품을 만들어내 프로젝트를 성공적으로 이끈 팀에서 아주 작은 역할만을 담당하게 되는 것이다(비록 필수적인 역할이라 하더라도). 즉, 고립된 상태로 일하는 데이터 사이언스 팀은 가치를 만들어내는데 어려움을 겪게 되는 것이다.

그런데도 여전히 많은 기업들이 자신들만의 프로젝트를 수행하기 위해 코드를 짜고 문제를 해결하려 노력하는 데이터 사이언스 팀을 운용하고 있다. 어떤 경우에는 그것 만으로 충분할 수도 있다. 예를 들어, 분기에 한번 정도 고정된 스프레드시트를 만들어 내는게 목표라면 데이터 사이언스 팀이 가치를 만들어 낼 수 있다. 반면 지능화된 추천 시스템을 최적화해서 맞춤형 웹사이트에 구현하는게 목표라면, 대다수 데이터 사이언티스트가 갖추고 있을 거라고 보기 어려운 매우 다양한 기술들이 필요하다(진정한 유니콘 데이터 사이언티스트만이 이 일을 해낼 수 있다). 따라서 고립된 채로 일하는 데이터 사이언스 팀이 프로젝트를 맡으면, 그 프로젝트는 실패할 가능성이 매우 높다(혹은 굉장히 오래 걸리거나. 대기업에서 고립된 팀을 다른 팀과 협력하도록 재조직하는 것은 쉽지 않기 때문이다).

따라서 현장에서 일을 잘하는 데이터 사이언티스가 되고자 한다면, 단지 캐글 대회에서 좋은 성적을 거두고 온라인 교육 코스 몇 개 수료하는 것만으로는 충분하지 않다. 불행하게도, 위계와 정치가 비즈니스에서 어떤 식으로 작동하는지 이해해야만 한다(관점에 따라서는 좋은 것일수도 있다). 데이터 사이언스 분야에서 만족할 만한 직장을 구하려면, 자신이 기대하는 업무 절차를 갖춘 회사를 찾는 것을 핵심 목표로 삼아야 한다. 하지만 그렇더라도, 데이터 사이언스의 역할에 대해 가지고 있던 기대는 낮춰야 할 것이다.

누구든 코멘트, 질문, 반대 의견이 있다면 환영한다. 데이터 사이언티스트가 되고자 하는 사람들이 충분한 정보를 바탕으로 진로를 결정할 수 있도록 도우려면 건설적인 토론이 필수적이기 때문이다.

이 글이 이 직업에 대한 흥미를 잃게 만든 것은 아니길 바란다.

읽어줘서 감사하다. 🙂

이 글은 Jonny Brooks-Bartlett의 Here’s why so many data scientists are leaving their jobs를 번역한 것입니다.

[출처] https://github.com/youngwoos/etc/blob/master/Here%E2%80%99s%20why%20so%20many%20data%20scientists%20are%20leaving%20their%20jobs.md#%EC%88%98%EB%A7%8E%EC%9D%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%82%AC%EC%9D%B4%EC%96%B8%ED%8B%B0%EC%8A%A4%ED%8A%B8%EB%93%A4%EC%9D%B4-%EC%A7%81%EC%9E%A5%EC%9D%84-%EB%96%A0%EB%82%98%EB%8A%94-%EC%9D%B4%EC%9C%A0%EB%8A%94-%EB%AC%B4%EC%97%87%EC%9D%B8%EA%B0%80