TwentyTwentyOne

🤖 Bayesian AutoML Optimization Pipeline with JAX지금까지 우리는Bayesian Forecasting 모델을 만들고,Edge 및 Cloud 환경에 배포하고,CI/CD 자동화까지 구축했습니다.이제는 이 모든 걸 자동으로 학습하고 최적화할 차례입니다.이번 글에서는 Bayesian Optimization + JAX + Optax + FastAPI + MLflow로완전한 AutoML 파이프라인을 만들어봅니다.🧠 Why Bayesian AutoML?기존 문제 Bayesian AutoML이 해결하는 점수동 하이퍼파라미터 탐색베이지안 최적화로 자동 탐색매번 실험 결과 수집 어려움MLflow 자동 로깅GPU 자원 낭비최적 실험만 샘플링하여 효율 극대화👉 핵심 개념은 “확률적 탐..

🚀 Building a CI/CD MLOps Pipeline for Bayesian Forecasting with GitHub Actions & Kubernetes이제 우리는 완전한 JAX 기반 IoT 이상탐지 시스템을 보유하고 있습니다.모델을 학습하고, 엣지에서 추론하고, 클라우드에서 확장도 했죠.하지만 아직 한 가지 중요한 단계가 남았습니다.👉 “모델을 어떻게 자동으로 빌드하고, 배포하고, 유지보수할 것인가?”이번 글에서는 GitHub Actions + Docker + Kubernetes를 이용해완전 자동화된 MLOps 파이프라인을 구성해 보겠습니다.🧠 Why CI/CD for ML Models?문제 해결책모델 수정 시 수동 배포 필요GitHub Actions로 자동화버전 관리 어려움Git + ..

☁️ Scalable Cloud Deployment of Bayesian IoT Anomaly Detection with JAX and Kubernetes지난 글에서는 Edge AI 기반 이상탐지 시스템을 구축했습니다.이제는 이 시스템을 수천 개의 IoT 디바이스가 동시에 연결되는 클라우드 환경으로 확장해 보겠습니다.목표:수천 개 센서 스트림 동시 처리GPU/TPU 인퍼런스 자동 스케일링장애 발생 시 자동 복구🧭 Architecture Overview ┌───────────┐ ┌───────────────┐ ┌──────────────┐ │ IoT Device│──────▶│ FastAPI Gateway│──────▶│ Kubernetes │ └───────────┘..

☁️ Scalable Cloud Deployment of Bayesian IoT Anomaly Detection with JAX and Kubernetes지난 글에서는 Edge AI 기반 이상탐지 시스템을 구축했습니다.이제는 이 시스템을 수천 개의 IoT 디바이스가 동시에 연결되는 클라우드 환경으로 확장해 보겠습니다.목표:수천 개 센서 스트림 동시 처리GPU/TPU 인퍼런스 자동 스케일링장애 발생 시 자동 복구🧭 Architecture Overview ┌───────────┐ ┌───────────────┐ ┌──────────────┐ │ IoT Device│──────▶│ FastAPI Gateway│──────▶│ Kubernetes │ └───────────┘..

📦 Edge AI Deployment of Bayesian IoT Anomaly Detection with JAX지난 글에서는 FastAPI + Kafka를 이용한 실시간 IoT 이상탐지 파이프라인을 만들었습니다.하지만 모든 데이터를 클라우드로 보내기에는 지연(latency), 비용, 보안 문제가 발생합니다.👉 해결책: Edge AI센서 가까운 장비(게이트웨이, 라즈베리파이, 산업용 PC)에서 바로 추론을 수행합니다.🧠 Why Edge AI for IoT?문제 Edge AI 장점네트워크 지연로컬 추론으로 즉시 탐지데이터 비용원본 대신 알람/요약만 전송보안/프라이버시민감한 데이터 클라우드로 전송 최소화장애 대응네트워크 끊겨도 로컬에서 계속 감시⚙️ Step 1: 모델 경량화 (JAX → ONNX)JA..

⚡ Real-Time IoT Anomaly Detection Pipeline with JAX and FastAPI지난 글에서는 JAX 기반 Bayesian IoT 이상탐지 모델을 만들었습니다.이번에는 이 모델을 실시간 파이프라인에 얹어서, 센서 데이터가 스트리밍되는 상황에서도 즉각적으로 이상을 감지할 수 있도록 해보겠습니다.🧠 Why Real-Time IoT Monitoring?문제 실시간 이상탐지가 필요한 이유공장 설비 고장몇 초 지연만 있어도 생산라인 전체 중단스마트 그리드이상 전력 사용 패턴 즉시 차단 필요자율주행/드론센서 이상을 빠르게 감지하지 못하면 사고로 이어짐👉 즉, 단순 배치 분석이 아니라 스트리밍 기반 실시간 추론이 필수입니다.⚙️ Step 1: FastAPI Endpoint센서 데이..

🏭 IoT Anomaly Detection with Bayesian Forecasting in JAXIndustrial IoT systems generate continuous streams of sensor data — temperature, vibration, pressure, energy usage.Detecting anomalies in these time series is critical for predictive maintenance, safety, and cost optimization.Traditional threshold-based methods are fragile under noisy conditions.👉 By combining Bayesian forecasting with JA..

🌪 Market-Wide Stress Testing with Bayesian GNNs in JAXSo far, we’ve:Built Bayesian portfolio forecastersIncorporated risk metrics (VaR & CVaR)Modeled sector-level dependencies with GNNsNow we’ll do what risk managers love:👉 Stress testing — simulate shocks (like oil price crashes or banking crises) and watch risk propagate through the market graph.🧠 Why Stress Testing?Scenario Risk Implicatio..

🔗 Graph Neural Networks for Sector-Level Stock Forecasting in JAXIn the last post, we quantified risk (VaR & CVaR) from Bayesian forecasts.But one big limitation remains:👉 Our models still assume assets are independent or only weakly correlated.In reality:AAPL and MSFT move together (tech sector).Energy stocks correlate with oil prices.Banking stocks move with interest rates.To capture this, w..

📉 Risk Management with Bayesian Forecasting in JAX – VaR and CVaRForecasting stock returns is one thing.But managing risk is where Bayesian probabilistic forecasts really shine.👉 Today, we’ll compute Value at Risk (VaR) and Conditional VaR (CVaR) from our Bayesian forecasts.🧠 What Are VaR and CVaR?Value at Risk (VaR) at confidence level α = maximum expected loss not exceeded with probability ..