본문 바로가기

시스템62

MCP와 WebAssembly가 만날 때 — AI 도구를 어디서 실행할 것인가 MCP와 WebAssembly가 만날 때 — AI 도구를 어디서 실행할 것인가AI 에이전트가 수많은 도구를 사용하려면 ‘무엇을 호출할지’뿐 아니라 ‘어디에서 실행할지’를 결정해야 합니다. 이 문제를 이해하려면 MCP와 엣지·클라우드·HPC 사이의 실행 배치를 함께 봐야 합니다.MCP가 해결하려는 문제Model Context Protocol(MCP)은 LLM 클라이언트와 도구 서버 사이의 상호작용을 표준화하려는 프로토콜입니다. 도구, 자원, 프롬프트의 접근 방식을 공통 형태로 만들어 에이전트와 도구를 매번 일대일로 통합해야 하는 부담을 줄여 줍니다.하지만 기능과 위치는 다르다같은 이미지 분석 도구라도 노트북에서 실행할 때와 사내 서버, 엣지 장비, GPU 클러스터에서 실행할 때의 성능과 보안 조건은 전혀 .. 2026. 9. 16.
AI 에이전트가 슈퍼컴퓨터를 직접 움직인다 — 과학 컴퓨팅의 새로운 운영 방식 AI 에이전트가 슈퍼컴퓨터를 직접 움직인다 — 과학 컴퓨팅의 새로운 운영 방식과학 컴퓨팅의 작업 방식은 오랫동안 사람이 배치 스크립트를 작성하고 자원을 선택하는 형태였습니다. 최근에는 LLM 기반 AI 에이전트가 목표를 이해하고 도구를 선택해 워크플로우 자체를 조립하는 방향으로 변하고 있습니다.그리드에서 컴퓨팅 연속체로그리드 컴퓨팅은 여러 지역의 슈퍼컴퓨터를 묶었고, 클라우드는 자원의 탄력성을, 엣지는 데이터 발생 지점 가까이의 연산을 가능하게 했습니다. 최근의 흐름은 이들을 따로 보지 않고 하나의 ‘Computing Continuum’으로 연결하는 것입니다. 데이터가 어디에서 생기고, 어디에서 처리하는 것이 가장 합리적인지에 따라 실행 위치가 바뀝니다.에이전트는 무엇을 하는가AI 에이전트는 단순한 챗봇.. 2026. 9. 16.
AI 시대, 왜 다시 HPC인가 — GPU만 빠르면 되는 시대는 끝났다 AI 시대, 왜 다시 HPC인가 — GPU만 빠르면 되는 시대는 끝났다생성형 AI와 초거대 모델의 확산은 HPC의 의미를 바꾸고 있습니다. 예전의 HPC가 ‘어려운 계산을 빨리 끝내는 슈퍼컴퓨터’에 가까웠다면, 이제는 GPU·네트워크·스토리지·메모리·운영 소프트웨어가 하나의 시스템처럼 맞물려 움직이는 AI 인프라에 가깝습니다.HPC의 역할이 바뀌고 있다대규모 언어모델과 과학 AI는 단순한 연산량만 요구하지 않습니다. 방대한 학습 데이터를 안정적으로 공급해야 하고, 수천 개 GPU 사이의 통신을 조정해야 하며, 모델 파라미터와 KV Cache를 메모리에 효율적으로 배치해야 합니다. 여기에 장애 대응과 보안, 데이터 주권까지 포함되면서 HPC는 ‘계산 장비’가 아니라 ‘AI 운영 기반’으로 진화하고 있습니다.. 2026. 9. 16.
쌍안 스테레오 비전으로 선박을 인식하고 300m 거리까지 측정하는 방법 쌍안 스테레오 비전으로 선박을 인식하고 300m 거리까지 측정하는 방법— MobileNetV1-YOLOv4, FSRCNN, ORB를 결합한 장거리 비전 인식·거리 측정 시스템1. 카메라 두 대만으로 물체의 종류와 거리를 동시에 알 수 있을까?산업용 비전이나 로봇 시스템을 설계하다 보면 두 가지 질문을 동시에 해결해야 할 때가 많습니다. 첫 번째는 “앞에 무엇이 있는가?”이고, 두 번째는 “그 물체가 얼마나 멀리 있는가?”입니다.첫 번째 문제는 최근 YOLO 계열의 객체 검출 기술로 상당히 잘 해결할 수 있습니다. 하지만 두 번째 문제인 거리, 즉 Depth를 얻는 것은 훨씬 까다롭습니다. LiDAR나 ToF 카메라를 사용하면 비교적 쉽게 거리를 얻을 수 있지만, 측정 거리와 반사율, 가격, 해상도, 설치.. 2026. 9. 15.
딥러닝 기반 스테레오 Depth Estimation의 전체 흐름과 산업용 비전 적용 딥러닝 기반 스테레오 Depth Estimation의 전체 흐름과 산업용 비전 적용— A Survey on Deep Learning Techniques for Stereo-based Depth Estimation 정리사람은 두 눈의 미세한 시차를 이용해 거리와 깊이를 자연스럽게 인지합니다. 컴퓨터 비전의 Stereo Depth Estimation도 비슷한 원리를 사용합니다. 왼쪽과 오른쪽 카메라에서 같은 장면을 촬영하고, 두 영상에서 같은 지점을 찾아 그 위치 차이인 disparity를 계산한 뒤 삼각측량으로 깊이를 추정합니다.하지만 실제 산업 현장에서는 문제가 단순하지 않습니다. 표면이 반사되거나, 무늬가 반복되거나, 텍스처가 거의 없는 영역이 존재하고, 가려짐(occlusion)도 빈번합니다. 이 때.. 2026. 9. 13.
BEVStereo로 이해하는 멀티뷰 3D 깊이 추정과 산업용 비전 응용 BEVStereo로 이해하는 멀티뷰 3D 깊이 추정과 산업용 비전 응용카메라만으로 3차원 공간을 이해하려면 결국 핵심은 ‘깊이(Depth)’입니다. 이번 글에서는 AAAI 2023 논문 BEVStereo: Enhancing Depth Estimation in Multi-View 3D Object Detection with Temporal Stereo를 바탕으로, 왜 기존 카메라 기반 3D 인식이 깊이 추정에서 한계를 가지는지, BEVStereo가 이를 어떻게 개선했는지, 그리고 이 아이디어를 산업용 머신비전과 반도체 장비에 어떻게 확장할 수 있는지 살펴보겠습니다.1. 카메라 기반 3D 인식에서 왜 Depth가 가장 어려운가?LiDAR는 레이저를 직접 쏘고 되돌아오는 시간을 측정하기 때문에 물체까지의 거리.. 2026. 9. 12.

티스토리툴바