DEVOCEAN

개요

• 장소: 25.9.8 광주우산사옥 8층 12:00~13:00

• 참석자: 박철현, 오영훈, 최홍석, 최용길, 최윤석

세부내용

ㅇ GMM 기반의 무선환경 품질 변동 클러스터링 사례

• 위 내역은 무선환경 변화 수준을 Grid 단위로 추출한 데이텨이며, 이를 그림처럼 군집화 하기 위해 머신러닝 시도

• 머신러닝 군집화 방법은 자체 구현 시 KNN, K-Means, DBSCAN 방식으로 시도

• 그러나, 예상외로 직관적 판단하기 쉬운 결과물 획득이 어려웠음

• 1:1 코칭을 통해 GMM 방식의 통계 분포 기반 모델 제시 받아 활용하여 결과물 획득

• 실무에 적용하여 원하는 목표 달성을 위한 추가 Fine Tune 예정

ㅇ 위 GMM을 적용하기 위한 알고리즘 추출 프롬프트 공유

1. 좌표 전처리 (미터 변환)

   기준점: lat0 = median(lat), lng0 = median(lng)

   변환식(근사):

   X_m = (lat - lat0) * 111_132.92 (위도 1도 ≈ 111,132.92 m)

   Y_m = (lng - lng0) * M_per_deg_lon(lat0)

   where M_per_deg_lon(lat0) = 111_412.84cos φ − 93.5cos 3φ + 0.118*cos 5φ (m/deg)

2. 클러스터링

   알고리즘: GaussianMixture(n_components=5, covariance_type='full', random_state=42)

   학습 입력: [X_m, Y_m] (2차원) 각 점 소속은 labels = argmax(predict_proba(X))로 사용.

3. 클러스터 요약값 계산

   중심(지도 좌표): center_lat = lat0 + mu_x / 111_132.92, center_lng = lng0 + mu_y / M_per_deg_lon(lat0)

   (mu는 GMM이 추정한 평균(미터 단위))

   RSRP 통계: mean_RSRP, median_RSRP (해당 클러스터 소속 점들 기준)

   타원(1σ): 공분산 cov 고유분해 →

   반장축(미터): a_m = sqrt(λ_max), b_m = sqrt(λ_min)

   회전각(도): angle_deg = atan2(v_y, v_x) * 180/π (동쪽=0°, 반시계+)

   작은 원 반경(선택): 점들의 평균까지의 거리 ‖x−μ‖의 70% 분위수 r70_m (또는 r50_m).

4. “높음/낮음” 구역 판정

   클러스터의 mean_RSRP로 정렬 → 상위 2개 = High, 하위 2개 = Low.

ㅇ 참고: 가우시안 혼합 모델의 개념

Claude AI 1주일 사용기

Claude AI : Claude는 Anthropic에서 개발한 AI 어시스턴트

o. 현재모델

1. Claude Sonnet 4 : 일상적인 사용에 최적화. 가장 보편적으로 많이 사용중인 모델

2. Claude Opus 4 : 최고 성능 모델, 복잡한 작업에 적합

o. 접근 방법

• 웹이나 앱(PC에 앱 형태로 직접 설정)

• 앱 사용 시 장점 : MCP와 연결 가능

  
  

Claude Code : 코딩에 최적화된 코딩 도구이며, 터미널에서 작동

(설치 방법은 구글링이나 유투브에서 쉽게 검색. 전 설치하지는 않았음)

- 구독으로 Claude Code 에 로그인 하면 구독 사용 제한이 Claude Code와 공유

** Claude Code와 유사한게 코딩에 최적화된 도구로 Google CLI (Command Line Interface)가 있음. 이것도 역시 터미널 기반

*** VS Code기반 Cursor AI도 있음 (AI Agent 2주 무료사용 가능)

o. Claude AI 사용기

* 코딩 작업을 하는 경우 전체 코드를 붙이고 문의 시 기본적으로 코드 전체를 보여 주고 변경을 하는 것은 장점이나, 코드가 길면 중간에 잠시 멈춤.

계속 실행을 위해서는 계속 버튼을 누르고 재진행 해야함. 이때부터 체감적으로 속도가 느려지는 것 같음.

한번 출력하는 토큰의 갯수 등이 일정 수량 넘어가면 속도 감소가 있는 것 같음

* 전체적인 큰 그림을 그려주는 데에는 유용하고, 초안의 코드를 가지고 디테일 한 작업을 하는 경우에는 원하는 결과물을 출력하지 못하는 느낌.

오히려 Polaris AI더 더 나은 경우도 있는 것 같음.

• 코딩 작업 시 코드나 이미지를 대화창에 붙여 넣으면 첨부 형태로 자동으로 붙어 prompt 작성창과 분리된 느낌이라서 UI적으로 괜찮음 (Polaris 대비)

o. 요금제 참고

AI 붐은 언제까지?

진짜 AI혁명의 3단계

• LLM: chatgpt 같은 대규모 언어 모델

• AI 워크플로: 자동화된 작업 흐름

• AI 에이전트: 스스로 판단하고 행동하는 AI

1. 업무 방식의 변화

• 과거: AI에게 질문 -> 답변

• 앞으로: 목표만 말하면 -> 결과가 나온다

2. 경쟁 우위 확보

• 활용법을 아는 사람 vs 모르는 사람

• 생산성 격차 10배\~100배 이상

3. 투자와 비즈니스 기회

• 구글, MS, 오픈AI 등 모든 빅테크가 집중 투자

• 에이전트가 미래 핵심 시장

예시

• 어떤 방법이 최선일까? -> 추론

• 도구를 사용해서 실행하자 -> 행동

• 결과가 별로면 다시 시도하자 -> 개선

• researcher 에이전트 - 최신 트렌드와 자료 분석

• writer 에이전트 - 분석 내용을 바탕으로 초안 작성

• editer 에이전트 - 초안을 검토하고 품질 보장

AI 시대에살아남는 기업가가 되려면

캔바

• 단순히 AI 도구 사용법을 알려주는 것이 아니라, AI와 함께 일하는 새로운 사고방식을 체화

• 수백만 달러 이상을 투자한 캔바의 진짜 목적은 업무에 방해받지 않고 집중할 수 있는 시간과 다양한 AI 도구에 대한 체계적 접근, 그리고 역할별 맞춤형 학습 프로그램을 제공하는 것

오늘부터 시작할 수 있는 것들

1. 인재 채용 기준을 경험보다는 학습 능력을, 완성도보다는 실험 정신을 중시하는 채용 기준으로 전환

2. 상향식 AI혁신을 지원하는 환경을 조성

3. 역할별 맞춤형 AI교육에 투자

   • 단순히 도구 사용법만 알려주는 것이 아니라 각 역할에 '어떤 업무를 AI에게 맡기고 어떤 부분에서 인간의 창의성을 발휘해야 하는지'에 대한 판단 기준을 함께 제공

4. 기존 강점을 AI 시대의 무기로 재포장하는 접근

5. 신뢰를 기반으로 한 변화 관리에 집중

6. 단계적 접근으로 작은 실험부터 시작해서 성공 경험을 쌓아가는 것이 현실적

AI시대 생존의 핵심은 기술 아닌 '마인드셋'

• AI시대의 경쟁력은 AI를 얼마나 도입했느냐가 아니라, AI와 함께 일할 수 있는 마인드셋을 가진 사람이 얼마나 많으냐에 달려있다.

• '원래 그런 것'이라는 고정관념을 버리고, 매일 새로운 가능성을 실험하는 조직 그리고 실패를 두려워하지 않는 조직만이 AI시대의 승자가 될 수 있을 것이다.

기타

AI Agent 다이어그램

https://www.youtube.com/shorts/T91ATeTSn3c

바이브 코딩으로 한 달 만에 30만원 날리며 깨달은 것

https://eopla.net/magazines/33674#

AI는 기억하지 못한다.

설계 없는 코딩은 모래성이다.

아키텍처 설계를 문서로 정리

가장 비싼 도구는 '기초 지식'이다.

기본 지식이 없어서, 스스로 판단하지 못하고 AI에만 의존

기본 지식이 부족한 사람일수록 더 많은 시간을 잃는다.

결국, 사람이 주도해야 한다.

간단한 설계도부터 그리세요.

맥란을 충분히 제공해줘야 해요.

항상 이유를 확인하세요.

Cursor와 함께 Streamlit App 만들기

ㅇ 6G 커버리지 MapTES 과 Playgroundstreamlit를 활용한 프론트홀 선로설계국사~중계기 로 생산성 향상

• 기존 담당자의 Domain 지식으로 중계기 상위국을 검토하던 방식에서, 자동산출하는 방식으로 전환검토시간 80% 개선

• TES의 6G 커버리지 Map과 중계기의 위경도, 주소 데이터를 활용하여 Playground에 App 구현

https://playground.idcube.sktelecom.com/coverage-map-250904/

사진