Ssul's Blog

0. 들어가며, 앞전 글(https://issul.tistory.com/430)에서 function_call로 반말하기 챗봇을 작성하였는데, 여전히 헤깔리는 부분이 있어서, 내 머리속에서도 정리할겸 제대로 어떻게 돌아가는지 이해해보고자 한다. 내가 원하는 상황은 이런 것이다. ChatGPT가 평소 대화하는 것처럼 대화하다가, - 오늘 서울 날씨를 물어보면, 정확하게 대답을 해주고, - 특정 대답결과를 파일로 저장하기도 해주는 것이다. 그러면 평소처럼 대화도 가능해야 하고, 특정 상황이 되었을때는 function_call이 호출되는 구조이다. 그럼 차근차근 어떻게 function_call이 작동하는지 알아보자. 순서1. 일반대화를 하다가, 특정상황이 되었을때 function_call작동 이게 기존의 개발과..

#0. 프론트 글쓰기, 댓글 작업 - 백앤드에서 익숙한 CRUD - 프론트만 오면 왜 이렇게 헤깔리는지... 이번에 정리해보자!!! #1. api 정리 - 글쓰기/글목록: api/community/cp/ + post, get - 글상세/수정: api/community/cp/cp_id/ + post, get - 댓글쓰기/댓글목록: api/community/cp/cp_id/cpc/ + post, get - 댓글상세/수정: api/community/cp/cp_id/cpc/cpc_id #2. 글쓰기/글목록 작업 2-1. src/app/(route)/counseling/page.tsx - nextjs특성상 '도메인주소/counseling'으로 src/app/(route)/counseling/layout.tsx 접..

0. signal은 언제 사용하나? 예전에 구독서비스를 개발할때, 카드결제가 정기적으로 이뤄지는 과정을 개발할때 사용했다. 매번 관리자가 카드결제를 실행할 수 없기에... 카드등록 후, 첫 구독 결제를 실행해서 구독객체가 생성되면, signal을 활용해서 자동으로 payment 객체생성과 다음 결제를 생성해 놓는 개념이다. 이번에는 질문글에 자동으로 AI가 답변을 남기는 기능을 구현하기 위해서 signal을 활용해 보고자 한다. 1. 평소처럼 models.py생성 class CounselingPost(models.Model): cp_index = models.AutoField(primary_key=True) cp_u_index = models.IntegerField() cp_content = models..

0. 최신 추천시스템은? - 지금까지 컨텐츠기반 추천, 협업필터링 추천, 딥러닝 등 다양한 추천 방법을 알아봤다. - 협업필터링에는 메모리기반과 모델 기반으로 나눠지고, - 메모리기반은 유저기반의 협업필터링, 아이템기반의 협업필터링으로 구분된다. - 또한 모델기반의 협업필터링은 MF, FM 등이 있었다. - 최근에는 추천에도 많은 딥러닝 기술들이 들어왔고, 가장 기본으로는 데이터를 임베딩한후 신경망에 단순히 넣는 Neural CF가 있다. - Wide and Deep은 구글 플레이스토어 추천 알고리즘으로 사용되어서 유명했으며, - 기존의 FM과 딥러닝이 합쳐저서 구현된 DeepFM - 오토인코더를 활용한 추천시스템도 있으며, 최근에 SOTA를 찍었다는 Graph기반의 추천시스템도 있다. 1. 최신 딥러닝..

0. 딥러닝을 어떻게 추천시스템에? - 딥러닝을 통해서, 이미지를 classification하고, - 문장을 입력해서 감성을 분석하는 등 - 이미 딥러닝을 통해서 다양한 것이 된다는 것을 확인했다. - 그렇다면 추천시스템도 가능하지 않을까? 당연히 가능하다. 아이디어는 넣을수 있는 것은 모두(?) 신경망에 넣고, 아웃풋으로 rating을 주는 모델을 학습. - 기존의 머신러닝이 feature extraction(engineering)과 classification으로 구분되었다면, 딥러닝은 신경망에 넣으면 알아서 feature extraction+classification 진행된다. 그 사례를 이번 딥러닝 추천에서도 잘 보여줄 것이다. 1. 딥러닝 추천시스템 구조 - 잘 알려져 있는 무비렌즈 데이터를 사용..