출처: https://www.youtube.com/shorts/oCufJdY6-zQ
어떻게 이렇게 편하고 쉽게 칠수 있는 것인지, 부럽기만 하네요….
설정 및 일반적인 실수:
공을 치는 열쇠:
공을 치는 방법:
이 비디오에서는 AI 생성물의 급증과 그로 인한 우려 사항들을 다섯 가지 그래프를 통해 설명합니다.
AI 생성물의 급증으로 인해 AI 슬롭이라는 새로운 문제가 발생하고 있습니다.
AI 봇은 인터넷을 장악하고 웹사이트 마비 등의 문제를 일으킬 수 있습니다.
AI 생성물은 위키피디아에 침투하여 신뢰도 문제를 야기할 수 있습니다.
AI 자가포식은 AI 모델의 붕괴를 초래할 수 있습니다.
AI 생성물과 인간 생성물을 구별하는 기술 개발, 규제 기관과의 협력, 법적/제도적 시스템 구축 등 AI 붕괴를 막기 위한 노력이 필요합니다.내용 중 “AI 자가포식의 위험성“은 정말 끔찍하네요. 이 비디오를 통해 AI 생성물의 급증과 그로 인한 우려 사항들에 대해 더 많이 알게 되었습니다.
폴로 AI(Pollo AI)는 텍스트 프롬프트를 사용하여 고품질 비디오 콘텐츠를 빠르고 쉽게 제작할 수 있는 혁신적인 AI 비디오 생성 플랫폼입니다. 이미지에서 스토리가 있는 비디오를 생성하거나 다양한 템플릿과 스타일로 맞춤형 영상을 제작할 수 있습니다.
폴로 AI는 AI 기술을 활용하여 비디오 콘텐츠 제작을 혁신적으로 간소화하고 효율성을 높이는 플랫폼입니다. 사용자는 폴로 AI를 통해 창의적인 아이디어를 쉽고 빠르게 시각화하고 다양한 분야에서 고품질의 비디오 콘텐츠를 제작할 수 있습니다.
이 비디오는 Palantir AI Beacon 이벤트에서 다양한 고객이 Palantir 솔루션의 사용 사례를 발표한 내용을 요약한 것입니다. 발표자는 Palantir 솔루션이 “모든 사람에게 맞는 솔루션”이 아니라 다양한 시나리오에 맞게 조정할 수 있다고 강조합니다.
이 사용 사례들은 Palantir의 실제 응용과 고객에게 가져다주는 실질적인 이점을 보여줍니다
- 맞춤화: Palantir의 강점은 각 고객의 고유한 요구에 맞게 맞춤형 솔루션을 만들 수 있는 능력입니다.
- 효율성: 다양한 산업의 고객들은 공급망 관리에서 네트워크 문제 해결에 이르기까지 효율성이 크게 향상되었습니다.
- 데이터 통합: Palantir는 방대하고 복잡한 데이터 세트를 통합하고 이해하여 더 나은 의사 결정을 내릴 수 있도록 지원합니다.
- 속도: 데이터를 처리하고 실행 가능한 인사이트를 제공하는 플랫폼의 속도는 특히 시간이 중요한 상황에서 중요한 이점입니다.
💡 핵심: “과격한 움직임 대신 리듬과 밸런스에 집중하는 단순화된 스윙”이 성공 비결.
골프 그립은 스윙의 정확도와 파워를 결정하는 가장 기본적인 요소입니다. 3가지 주요 그립 방법을 설명드립니다.
데이터를 효과적으로 전달하는 방법
chain 을 invoke() 하여 실행할 때는 입력 데이터의 타입이 딕셔너리여야 합니다.
from langchain_ollama import ChatOllama
from langchain_core.prompts import PromptTemplate
llm_model = ChatOllama(model="exaone3.5", temperature=0)
prompt = PromptTemplate.from_template("{num} 의 10배는?")
# chain 을 생성합니다.
chain = prompt | llm_model
# chain 을 실행합니다.
result = chain.invoke({"num": 5})
print(result
content=’5의 10배는 **50**입니다.’ additional_kwargs={} response_metadata={‘model’: ‘exaone3.5’, ‘created_at’: ‘2025-03-22T05:29:22.312077Z’, ‘done’: True, ‘done_reason’: ‘stop’, ‘total_duration’: 1808778625, ‘load_duration’: 661635833, ‘prompt_eval_count’: 42, ‘prompt_eval_duration’: 642000000, ‘eval_count’: 14, ‘eval_duration’: 500000000, ‘message’: Message(role=’assistant’, content=”, images=None, tool_calls=None)} id=’run-d78e708d-53db-40ec-be18-e9c378762469-0′ usage_metadata={‘input_tokens’: 42, ‘output_tokens’: 14, ‘total_tokens’: 56}
하지만, langchain 라이브러리가 업데이트 되면서 1개의 변수만 템플릿에 포함하고 있다면, 값만 전달하는 것도 가능합니다.
# chain 을 실행합니다.
result = chain.invoke(5)
print(result)
content=’5의 10배는 **50**입니다.’ additional_kwargs={} response_metadata={‘model’: ‘exaone3.5’, ‘created_at’: ‘2025-03-22T05:29:22.867532Z’, ‘done’: True, ‘done_reason’: ‘stop’, ‘total_duration’: 550320916, ‘load_duration’: 9354041, ‘prompt_eval_count’: 42, ‘prompt_eval_duration’: 39000000, ‘eval_count’: 14, ‘eval_duration’: 500000000, ‘message’: Message(role=’assistant’, content=”, images=None, tool_calls=None)} id=’run-27c575aa-4757-4032-af43-ba535f241bd8-0′ usage_metadata={‘input_tokens’: 42, ‘output_tokens’: 14, ‘total_tokens’: 56
아래는 RunnablePassthrough 를 사용한 예제입니다. RunnablePassthrough 는 runnable 객체이며, runnable 객체는 invoke() 메소드를 사용하여 별도 실행이 가능합니다.
from langchain_core.runnables import RunnablePassthrough
# runnable
result = RunnablePassthrough().invoke({"num": 10})
print(result)
{‘num’: 10}
아래는 RunnablePassthrough 로 체인을 구성하는 예제입니다.
runnable_chain = {"num": RunnablePassthrough()} | prompt | llm_model
# dict 값이 RunnablePassthrough() 로 변경되었습니다.
result = runnable_chain.invoke(10)
print(result)
content=’10의 10배는 **100**입니다. \n\n10 * 10 = 100′ additional_kwargs={} response_metadata={‘model’: ‘exaone3.5’, ‘created_at’: ‘2025-03-22T05:29:24.180979Z’, ‘done’: True, ‘done_reason’: ‘stop’, ‘total_duration’: 1306694208, ‘load_duration’: 8516333, ‘prompt_eval_count’: 43, ‘prompt_eval_duration’: 178000000, ‘eval_count’: 30, ‘eval_duration’: 1118000000, ‘message’: Message(role=’assistant’, content=”, images=None, tool_calls=None)} id=’run-b5534691-c572-405e-90d8-79251ccc478b-0′ usage_metadata={‘input_tokens’: 43, ‘output_tokens’: 30, ‘total_tokens’: 73}
다음은 RunnablePassthrough.assign() 을 사용하는 경우와 비교한 결과입니다.
result = RunnablePassthrough().invoke({"num": 1})
print(result)
{‘num’: 1}
RunnablePassthrough.assign() 함수는 입력 값으로 들어온 값의 key/value 쌍과 새롭게 할당된 key/value 쌍을 합칩니다.
result = (RunnablePassthrough.assign(new_num=lambda x: x["num"]*3)).invoke({"num": 1})
print(result)
{‘num’: 1, ‘new_num’: 3}
샘 올트먼 오픈AI 최고경영자(CEO)가 챗GPT의 이미지 생성 기능 인기에 ‘행복한 비명’을 지르고 있습니다.
이번에 OpenAI에서 재미있는 AI 이미지 생성 기능을 공개하면서, 이미지 생성 기능이 대중의 큰 관심을 끌며 AI 대중화에 기여할 수 있다는 것을 보여주었습니다. 대중이 관심을 가질 만한 기능이나 서비스라면, AI 기술의 발전과 함께 관련 시장의 성장 가능성을 보여줍니다.
중국 AI 기업 딥시크의 부상으로 오픈AI는 오픈소스 전략으로 선회했습니다. 오픈소스 진영의 기술 발전 속도에 위기감을 느낀 것으로 분석됩니다. 오픈AI는 몇 달 안에 첫 개방형 AI 언어 모델 ‘오픈웨이트 AI’를 출시할 예정입니다. 이는 GPT-3 이후 첫 개방형 모델입니다. 오픈소스는 소프트웨어 설계도인 ‘소스 코드’를 공개하여 누구나 수정·배포할 수 있게 합니다. 이를 통해 AI 성능 개선이 빠르게 이루어지고, 기업들의 개발비 부담을 줄일 수 있습니다. 오픈소스는 보안 측면에서 자유롭지만, 악용될 가능성도 있습니다. 웜GPT 사례처럼 범죄에 악용될 수 있다는 단점도 있습니다. 오픈AI는 오픈소스 모델 출시를 앞두고 개발자 이벤트를 개최하여 피드백을 수집하고 프로토타입을 시연할 계획입니다.
OpenAI가 공개할 모델,,,, 지금껏 가장 기대되는 모델이 되겠네요…
- 오픈AI의 전략 변화는 AI 시장 경쟁이 심화되고 있음을 보여줍니다. 오픈소스 AI 모델은 기술 발전과 비용 절감에 기여할 수 있지만, 악용 가능성에 대한 대비가 필요합니다. 국내 AI 기업들도 오픈소스 모델을 활용하여 경쟁력을 강화할 필요가 있습니다.
주식이나 코인 등 상품의 가격을 조회하기 위해서 사용하는 유명한 서비스로 investing.com과 tradingview.com이 있습니다.
이 글에서 TradingView를 이용해서 자동 매매할 수 있는 방법을 공유하고자 합니다.
이는 암호화폐뿐만 아니라 주식, 외환 등 다양한 자산에 적용할 수 있습니다.
{
"symbol": "{{ticker}}",
"price": "{{close}}",
"side": "buy",
"qty": 0.01
}
https://yourserver.com/webhook).FastAPI 서버를 설정하여 트레이딩뷰에서 전송된 웹훅 데이터를 처리합니다.
from fastapi import FastAPI, Request
import json
app = FastAPI()
@app.post("/webhook")
async def webhook_handler(request: Request):
data = await request.json()
print("Received data:", data)
# 주문 처리 로직
symbol = data.get("symbol")
price = data.get("price")
side = data.get("side")
qty = data.get("qty")
# 예: 바이낸스 API로 매수/매도 요청
if side == "buy":
execute_buy_order(symbol, qty, price)
elif side == "sell":
execute_sell_order(symbol, qty, price)
return {"status": "success", "message": f"Order executed for {symbol}"}
def execute_buy_order(symbol, qty, price):
print(f"Buying {qty} of {symbol} at {price}")
# 빗썸, 업비트, 바이낸스 등 API 호출 로직 추가
def execute_sell_order(symbol, qty, price):
print(f"Selling {qty} of {symbol} at {price}")
# 빗썸, 업비트, 바이낸스 등 API 호출 로직 추가2) 바이낸스 연동 예시
from binance.client import Client
# API 키와 시크릿 설정
client = Client(api_key="your_api_key", api_secret="your_api_secret")
def execute_buy_order(symbol, qty, price):
order = client.order_market_buy(
symbol=symbol,
quantity=qty
)
print(order)
def execute_sell_order(symbol, qty, price):
order = client.order_market_sell(
symbol=symbol,
quantity=qty
)
print(order)이 과정을 참고하면 트레이딩뷰와 FastAPI를 활용한 자동 매매 시스템을 구축이 가능합니다.
가장 중요한 것은
TradingView에서 매수/매도 타이밍을 잘 예측할 수 있는 Strategy 선택하는 것!!!
MidJourney [link]
텍스트 기반 프롬프트를 통해 고품질의 예술적 이미지를 생성하는 생성형 인공지능(AI) 도구입니다. 사용자가 입력한 자연어 설명을 바탕으로 독창적이고 시각적으로 매력적인 이미지나 동영상을 생성합니다.
예시 프롬프트) “귀여운 강아지가 우주에서 수영을 하고 있습니다.”
생성 동영상)
(무료 imagine V1으로 생성한 결과)
“AI 콘텐츠 제작 및 판매 블로그 및 유튜브 운영이 가능할 것 같네요.”
가입을 하면 처음에 무료로 40토큰을 주는데, 토큰은 12시간 마다 보충이 됩니다.
그리고 고품질 모델은 사용할 수 없어서 좀 아쉬움이 있습니다.
서비스 이용을 위한 가격은 월, 분기, 연간 요금 정책이 있는데, 꾸준한 활용이 필요한 유튜버나 장작자라면 30% 할인이 되는 연간 구독이 좋을 듯 하네요.
