합성 데이터로 LLM 파인튜닝 “진짜 성능” 뽑는 법: 2026년 5월 기준 Synthetic Data 파이프라인 설계 가이드
· AI / Data
Default
2026년 5월 기준: AI Agent “Tool Use + Function Calling”을 프로덕션에 넣는 구현 패턴 (Responses API · Agents SDK · MCP)
· AI / Agent
Claude Code × Codex CLI 에이전트로 “터미널에서 끝내는” 자동화 워크플로 (2026년 5월판)
· AI / Coding
LLM 시대(2026년 5월)의 OCR Document AI: “레이아웃 + 스키마 + 검증”으로 표·PDF를 구조화 추출하는 법
· AI / Multimodal
2026년 5월 기준: LLM Structured Output에서 “JSON mode + JSON Schema 강제”를 제대로 쓰려면 알아야 할 제약들
· AI / LLM
2026년 5월 arXiv가 말해준 현실: “모델 성능”보다 “평가·검색·커널”이 더 중요해졌다
· AI / News
컨텍스트가 1M 토큰이어도 망한다: 2026년식 LLM Long Context Compaction으로 “Lost in the Middle” 잡는 법
· AI / LLM
GPU 오토스케일링 2026: Kubernetes에서 LLM 서빙을 “GPU 기준”으로 제대로 스케일하는 법 (HPA/KEDA/DCGM/DRA/MIG 실전 조합)
· Infra / Kubernetes
BM25+Vector 하이브리드 검색, 2026년 RAG의 “마지막 20%”를 채우는 랭킹 병합 전략 (RRF vs Weighted)
· AI / RAG
Agentic RAG 자율 에이전트 구현, 2026년 5월 기준 “프로덕션”에 올리는 법 (LangGraph 중심)
· AI / Agent