임이지의 블로그

이건뭐 화가나서 화를 내면 조금 시간 지나면 엄청 미안해지고 성격이 왜이모양인건가!? 그냥 차라리 화안내고 그냥 흘려듣거나 그냥 말하는거 무시하는게 나을거같다.

Developer/일상다반사 2026. 2. 5. 22:38

1. TDS의 핵심 개념TDS는 토스의 디자이너와 개발자가 공유하는 **'공통 언어'**입니다. 텍스트 크기, 색상, 버튼의 모양, 애니메이션 수치 등이 모두 정의되어 있어, 개발자는 복잡한 CSS나 UI 로직을 직접 짤 필요 없이 컴포넌트를 호출하는 것만으로 토스 특유의 사용자 경험(UX)을 그대로 구현할 수 있습니다."TDS는 가이드라인이 아니라 시스템입니다."가이드라인이 "이렇게 만드세요"라는 규칙이라면, TDS는 "이미 만들어진 이 부품을 쓰세요"라는 도구 모음입니다.2. TDS의 주요 구성 요소앱인 토스 개발자 센터에서는 크게 두 가지 라이브러리를 제공합니다.분류명칭상세 내용FoundationTDS Foundation폰트(Typography), 컬러 팔레트, 아이콘, 여백(Spacing) 등 가..

Developer/개발일지 2026. 2. 5. 22:26

1. "동전 합치기" (수박게임 금융 버전)전 세계적으로 히트한 '수박게임(Merge Game)'의 메커니즘을 차용하되, 토스의 아이덴티티인 **'돈'**을 테마로 합니다.게임 방식: 위에서 동전이 떨어집니다. 같은 동전끼리 닿으면 합쳐져서 더 큰 단위의 화폐가 됩니다.10원 → 50원 → 100원 → 500원 → 1,000원(지폐) → ... → 골드바(최종 목표)중독 포인트: "조금만 더 하면 5만 원 권인데!" 하는 아쉬움과, 물리 엔진(Matter.js 추천) 특유의 튕기는 변수가 계속 재도전을 부릅니다.개발 팁: Matter.js 같은 가벼운 2D 물리 엔진을 사용하면 금방 구현합니다. 합쳐질 때 토스 특유의 '짤랑'하는 효과음과 햅틱(진동)을 넣으면 타격감이 배가됩니다.2. "텐텐(TenTen..

Developer/개발일지 2026. 2. 4. 06:17

화가 많이 나기도 하고 슬프기도 하지만 짜증이 너무나는건 뭐이리 책임감도 없고 욕심만 앞서있나 아 나는 신은 믿지 않지만오주여 나의 마음이 주께로 정해졌으니나는 주 찬양하리라~ 깨어라 나의 영혼아 비파와 수금 들어라

Developer/일상다반사 2026. 1. 17. 20:10

여러 가지 미세 튜닝 방법가장 일반적인 언어 모델 미세 튜닝 방법은 지시 미세 조정 및 분류 미세 튜닝입니다.이 장의 주제인 분류 미세 튜닝(Classification finetuning)은 머신 러닝에 대한 배경 지식이 있다면 이미 익숙할 수 있는 절차입니다. 예를 들어, 손글씨 숫자를 분류하기 위해 합성곱 신경망을 훈련하는 것과 유사합니다.분류 미세 튜닝에서는 모델이 출력할 수 있는 특정 개수의 클래스 레이블(예: "스팸" 및 "스팸아님")이 있습니다.분류 미세 튜닝된 모델은 훈련 중에 본 클래스(예: "스팸" 또는 "스팸아님")만 예측할 수 있는 반면, 지시 미세 튜닝된 모델은 일반적으로 많은 작업을 수행할 수 있습니다.분류 미세 튜닝된 모델을 매우 특수화된 모델로 생각할 수 있습니다. 실제로는 다..

Developer/IT 도서 2026. 1. 3. 14:10

긴 시퀀스 모델링의 문제점어텐션 메커니즘이 개발된 배경은 기존 모델의 한계를 극복하기 위함입니다.RNN 기반 인코더-디코더의 구조: 기존 인코더-디코더 기반 모델은 RNN(Recurrent Neural Network) 층을 사용하여 구현되었습니다. 이 구조에서는 입력 문장(예: 독일어)이 순서대로 들어오면, 마지막 토큰을 처리한 결과인 은닉 상태(Hidden State) 또는 문맥 벡터만을 디코더에게 전달합니다.정보 압축 문제 (길이 압축): 텍스트가 길어질수록 (예: 100개 토큰), 그 모든 의미를 단 하나의 은닉 상태로 압축하여 디코더가 이를 잘 해석하고 번역을 수행하기는 어렵습니다.단어 의존성 문제: 또한, 텍스트에 나오는 순서대로 단어별로 번역하는 방식은 언어마다 어순이 다르고 단어 맵핑이 1:..

Developer/IT 도서 2026. 1. 3. 14:07

텍스트 생성 모델 평가하기주요 내용: LM이 생성한 텍스트의 품질 평가 방법을 알아보고, LM을 사전 훈련하는 방법을 준비합니다. 사전 훈련(Pre-training)은 기본적인 언어 이해를 위한 첫 단계 훈련을 의미하며, 이후 미세 튜닝을 통해 구체적인 목적에 활용됩니다.텍스트 생성 과정 복습: 이전에 구현한 GPT 모델을 사용하며, 입력 텍스트를 토크나이저를 사용해 토큰 ID로 변환합니다. 이 토큰 ID를 GPT 모델에 전달하면, 모델은 각 토큰마다 어휘 사전 크기(예: 5257개)만큼의 벡터(로짓)를 출력합니다. 이 로짓 중 가장 큰 값을 가진 토큰 ID를 선택하고, 다시 텍스트로 변환하여 다음 토큰을 생성합니다.텍스트 품질 평가 (손실 계산): 모델이 생성한 텍스트의 품질은 크로스 엔트로피 손실(C..

Developer/IT 도서 2026. 1. 3. 13:41

단어 임베딩 이해하기단어 임베딩(Word Embedding)은 LLM(대규모 언어 모델) 성공의 기초가 된 아이디어로, 단어나 텍스트를 벡터로 표현하려는 시도에서 시작되었습니다.임의의 데이터를 벡터로 표현하는 것을 광범위하게 임베딩(Embedding)이라고 부르며, 단어 벡터, 은닉 벡터, 잠재 벡터 등과 혼용되기도 합니다.토큰이나 단어를 벡터로 바꾼 것을 단어 임베딩이라고 부릅니다.텍스트 인베딩은 하나의 토큰, 문장, 단락 또는 문서 전체를 벡터로 바꿀 수 있지만, 이 책에서는 주로 토큰을 벡터로 바꾸는 데 중점을 둡니다.단어 임베딩을 만드는 전문 알고리즘(예: Word2Vec)이 있지만, 대부분의 LLM은 모델 훈련 과정에서 단어 임베딩을 자체적으로 학습합니다.임베딩 벡터는 보통 100차원, 200차..

Developer/IT 도서 2026. 1. 3. 13:25