로컬 GPU 인프라를 활용한 생성형 AI 개발환경의 실용성을 검증하기 위해 Qwen3.8-27B 기반 Coding Agent 환경을 구성하고, 토이 프로젝트 형태로 실제 웹 게임 개발을 진행하였습니다. 최근 바이브 코딩으로 불리는 AI 기반 개발 방식의 실용 가능성을 확인하고, 온프레미스 인프라 환경에서 Coding Agent 기반 개발환경의 활용 가능성을 검토하였습니다.

본 포스트에서는 D-Lab Flow에서 인스턴스 분할 모델을 구축하는 방법을 소개합니다.

본 포스트에서는 D-Lab Flow가 실행되고 있는 환경에서 CPU와 RAM 사용량, NVIDIA GPU 사용 현황을 확인하는 방법을 소개합니다.

현재 D-Lab Flow의 Kubernetes 클러스터는 1개의 노드로 구성되어 있으며, 여기서 확인하는 노드의 사용량은 D-Lab Flow가 실행되는 서버의 현재 자원 사용량을 확인하는데 활용할 수 있습니다.

CPU와 메모리 사용량은 Kubernetes 명령어를 통해 확인하고, GPU가 장착된 경우에는 NVIDIA에서 제공하는 명령어를 통해 GPU 상태를 확인할 수 있습니다.

본 포스트에서는 D-Lab Flow에서 AI 프로젝트를 실행하기 위한 백엔드 시스템인 Kubeflow에 대해 소개합니다.

AI 모델 개발은 코드를 작성하고 모델을 한 번 학습하는 것으로 끝나지 않습니다. 같은 결과를 다시 만들어낼 수 있어야 하고, 반복되는 실험을 관리하며, 제한된 컴퓨팅 자원을 효율적으로 사용해야 합니다. 데이터 준비부터 학습, 평가와 운영까지 이어지는 전체 과정을 체계적으로 관리하는 것이 MLOps(Machine Learning Operations)의 역할입니다.

강원ICT융합연구원은 D-Lab Flow 개발 이전부터 쿠브플로우(Kubeflow)를 중심으로 MLOps 기술을 연구해 왔습니다. 김동길 선임연구원은 관련 연구의 주축으로 참여해 왔으며, 연구원이 축적한 경험과 전문 지식은 D-Lab Flow의 AI 학습 백엔드를 설계하고 개발하는 데 활용됐습니다. 이러한 전문성은 온라인 강의와 전문 도서로도 이어졌습니다.

본 포스트에서는 D-Lab Flow의 사용 현황(Usage) 대시보드를 구성하는 주요 지표들을 상세히 파헤쳐 보고, 이 대시보드를 활용하여 프로젝트 전반의 자원 흐름을 한눈에 모니터링하는 방법을 소개합니다.

본 포스트에서는 D-Lab Flow에서 지도학습 기반의 정형 데이터 분류 모델을 구축하는 방법을 소개합니다.

본 포스트에서는 D-Lab Flow에서 학습한 YOLO 기반 폐렴 탐지 모델을 ONNX 형식으로 변환하고,
이를 브라우저에서 객체 탐지로 구현하는 방법을 소개합니다.

본 포스트에서는 D-Lab Flow에서 학습한 YOLO 기반 적혈구 탐지 모델을 ONNX 형식으로 변환하고,
이를 브라우저에서 실시간 객체 탐지로 구현하는 방법을 소개합니다.

서버나 복잡한 백엔드 설정 없이, 순수 웹 기술만으로 실시간 AI를 구현할 수 있습니다. 사용자의 웹캠을 이용해 눈앞의 사물을 즉시 인식하는 마법 같은 경험을 선사하는 방법을 알려드립니다.