TwentyTwentyOne

Python으로 공부하는 OpenAI 4편 — Pydantic으로 응답을 검증해야 진짜 백엔드 코드가 됩니다OpenAI를 Python에서 붙여보면 처음엔 다 비슷합니다.질문 보내고, 답 받고, 출력해보면 “오 된다” 싶죠.근데 3편까지 따라오면서 슬슬 이런 생각이 들었을 겁니다.“이제 이걸 서비스 코드에 넣고 싶은데?”“JSON 문자열은 받았는데, 이걸 매번 dict로만 다뤄도 괜찮나?”“키가 빠지거나 타입이 틀리면 어디서 막지?”바로 그 지점에서 등장하는 게 Pydantic입니다.솔직히 저는 이 단계부터가 진짜 백엔드 개발자의 영역이라고 생각합니다.왜냐하면 여기서부터 AI 응답을 “그럴듯한 텍스트”가 아니라 검증 가능한 데이터 객체로 다루기 시작하거든요.이번 글에서는 이 흐름을 잡아보겠습니다.왜 JSO..

Python으로 공부하는 OpenAI 3편 — 자유문장 말고 JSON으로 받아야 실무가 시작됩니다처음 OpenAI를 붙이면 다들 비슷합니다.질문 보내고, 답변 잘 나오면 신기하고… 그다음엔 금방 이런 생각이 들어요.“이걸 서비스 코드에 넣으려면 어떻게 하지?”“응답 형식이 매번 조금씩 다른데 이거 파싱해도 되나?”“프론트에 넘길 데이터는 문장이 아니라 구조여야 하는데?”맞아요.여기서부터가 진짜 시작입니다.1편에서는 Python으로 OpenAI를 처음 호출했고,2편에서는 프롬프트를 어떻게 써야 결과가 덜 흔들리는지 봤습니다.이번 3편에서는 그 다음 단계, 그러니까 모델 응답을 JSON으로 안정적으로 받는 방법을 다룹니다.이건 생각보다 훨씬 중요합니다.왜냐하면 실무 서비스는 “그럴듯한 문장”보다 예측 가능한..

Python으로 공부하는 OpenAI 2편 — 프롬프트를 잘 쓰는 사람과 헤매는 사람의 차이첫 글에서는 OpenAI를 Python에서 처음 붙이는 방법을 다뤘습니다.솔직히 1편은 “된다”에 가까운 글이었어요. API 키 넣고, SDK 설치하고, client.responses.create() 호출해서 답변 받기. 여기까지는 생각보다 금방 됩니다. OpenAI 공식 Python SDK도 현재 기본 흐름으로 OpenAI() 클라이언트와 client.responses.create(...)를 안내하고 있습니다. (GitHub)근데 진짜 문제는 그다음부터예요.분명 같은 모델인데,어떤 날은 답이 괜찮고,어떤 날은 너무 장황하고,어떤 날은 엉뚱한 방향으로 가고,어떤 날은 내가 원하는 형식은 전혀 안 지켜줍니다.처음엔 ..

Python으로 시작하는 OpenAI 개발 입문 1편 — 처음 API를 붙일 때, 제일 먼저 이해해야 하는 것들OpenAI로 뭔가를 만들어보고 싶다는 생각, 저도 처음엔 되게 막연했습니다.“챗봇 하나 붙이면 되는 거 아냐?” 싶었는데, 막상 들어가 보니까 모델, 토큰, API 키, SDK, Responses API, 스트리밍,(GitHub)게, 처음부터 너무 거창하게 공부할 필요는 없습니다.주니어 개발자 기준으로는 딱 3가지만 먼저 이해하면 꽤 빠르게 손에 익어요.첫째, OpenAI는 결국 HTTP API다.둘째, Python에서는 공식 SDK로 훨씬 편하게 쓸 수 있다.셋째, 지금 기준으로는 Responses API 중심으로 익히는 게 가장 자연스럽다. OpenAI 공식 Python 라이브러리 READ..

2장｜Ollama 설치와 첫 실행 — 내 컴퓨터가 AI를 말하기 시작한다들어가며이제 본격적으로 실습을 시작합니다.이번 장의 목표는 “내 컴퓨터에서 LLM이 실제로 돌아가는 순간을 만드는 것” 입니다.Ollama를 설치하고, LLaMA3 모델을 불러오고,직접 한 문장을 던져 응답을 받는 과정을 단계별로 진행합니다.1. Ollama란 무엇인가Ollama는 로컬에서 대형 언어 모델(LLM) 을 실행하기 위한 런타임입니다.Python이나 Node.js 없이도 단독으로 동작하며,내 PC의 GPU·CPU 리소스를 그대로 활용합니다.한마디로,“ChatGPT를 내 컴퓨터에서 직접 실행할 수 있게 해주는 프로그램”입니다.Ollama는 llama.cpp 기반으로 만들어져 있어서,메타의 LLaMA, Mistral, Phi,..

1장｜LangChain + Ollama 기초 학습 — 로컬 LLM의 첫걸음들어가며요즘 AI 서비스를 공부하다 보면 “OpenAI 키가 필요합니다.”, “API 사용량이 초과되었습니다.” 같은 문구를 자주 보게 됩니다.하지만 로컬에서도 충분히 LLM을 학습하고 실험할 수 있다는 걸 아는 사람은 많지 않아요.이 시리즈는 클라우드에 의존하지 않고, 내 컴퓨터에서 LLM을 직접 실행하고 조합하는 방법을 다룹니다.그 중심에 두 가지 핵심 도구가 있습니다:Ollama: 로컬에서 LLM을 띄우고, 관리하고, 빠르게 테스트할 수 있는 런타임LangChain: LLM을 구성요소처럼 조합할 수 있게 해주는 파이썬 프레임워크1. 로컬 LLM이란 무엇인가LLM(Large Language Model)은 원래 클라우드에서만 실행..

🧩 Airflow 기초부터 심화까지 1편데이터 파이프라인의 뇌, Airflow 이해하기솔직히 말하면…처음 데이터 파이프라인을 짜봤을 때, 나는 cron으로 모든 걸 해결할 수 있다고 생각했다.“매일 새벽 2시에 이 스크립트만 돌면 되지 뭐.”근데 그게 지옥의 시작이었다.🧨 크론잡 지옥에서의 탈출크론은 성공 여부를 모른다.실패하면 재시도도 없다.로그가 서버 여기저기 흩어진다.의존성이 꼬이면 어디서 터졌는지 감도 안 잡힌다.결국 “전체 데이터 파이프라인을 중앙에서 제어할 시스템”이 필요했다.그게 바로 Airflow다.💡 Airflow란 무엇인가Airflow는 **“데이터 워크플로우를 코드(DAG)로 관리하는 오케스트레이터”**다.즉,“데이터 엔지니어의 스케줄러이자, 데이터팀의 두뇌”라고 보면 된다.코드..

🧠 2025년 데이터 사이언스 툴 랭킹 TOP 10데이터 사이언스의 본질은 여전히 “데이터로 가치를 만드는 일”이다.2025년에는 AI 네이티브 분석 환경이 본격화되며, 기존의 분석 툴들이 LLM, AutoML, 클라우드 통합 기능을 중심으로 진화하고 있다.이 랭킹은 데이터 분석가, 머신러닝 엔지니어, 연구자들이 실제 많이 사용하는 툴을 기준으로 선정했다.🥇 1위 – Python + Jupyter Notebook특징: 데이터 사이언스의 절대 표준 환경최신 트렌드: Jupyter AI, VS Code Notebook 모드 확산강점: Pandas, NumPy, Scikit-learn, Matplotlib 등 완전한 생태계검색 키워드: Python, Jupyter, 데이터분석, 머신러닝🥈 2위 – R /..

🎓 2025년 프로그래밍 언어 학습 난이도 랭킹 TOP 10🥇 1위 – Python (가장 쉽다)“문법이 사람 말 같아서 초보자 필수”들여쓰기 기반, 코드가 읽기 쉬움방대한 자료, 튜토리얼, 예제 코드 존재단, 객체지향·비동기까지 가면 난이도 점프 있음🥈 2위 – JavaScript“웹의 언어, 하지만 트릭 많음”실행 환경(브라우저/Node.js) 바로 활용 가능진입은 쉽지만, 비동기·this·스코프 개념에서 헷갈림프론트엔드 입문자들이 가장 먼저 접하는 언어🥉 3위 – Ruby“읽기 쉬운 문법, 스타트업에 딱”자연스러운 문법, 코드가 짧음Rails와 함께 빠른 웹 서비스 구축 가능커뮤니티는 예전보다 줄었지만 여전히 학습 난이도 낮음🏅 4위 – PHP“웹 초급자용, 하지만 깊게 들어가면 복잡”Wo..

🖥️ 2025년 프로그래밍 언어 인기 랭킹 TOP 10🥇 1위 – Python“AI·데이터 과학의 절대 강자”TensorFlow, PyTorch, scikit-learn 등 AI·머신러닝 표준 언어단순 문법 + 방대한 라이브러리웹( Django, FastAPI )부터 RPA, 자동화까지 전방위🥈 2위 – JavaScript“웹의 모국어”프론트엔드(React, Vue, Angular) + 백엔드(Node.js) 풀스택 언어수많은 패키지(NPM)로 무궁무진한 확장성여전히 웹 서비스 개발의 1순위 선택지🥉 3위 – TypeScript“안전한 JavaScript, 기업 표준으로”대규모 프로젝트에서 필수강력한 타입 시스템 덕분에 유지보수 효율 극대화2025년에는 “TS first” 정책 도입 기업 급증🏅..