{ "componentChunkName": "component---src-templates-post-tsx", "path": "/fid_and_rag/", "result": {"data":{"logo":null,"markdownRemark":{"html":"

Generation with Retrieval

\n

이번에 딥마인드에서 RETRO(Retrieval-Enhanced Transformer) 라는 모델을 내놓았습니다. 문서 retrieval + GPT 기반 모델인데,\n7B 모델임에도 불구하고 25배나 큰 모델과 비견될만한 성능을 보여줬습니다. 요즘 트렌드는 검색 + GPT로 가는 것 같습니다.

\n

언어모델이 아무리 크고 많은 데이터를 봤다고 하더라도 세상의 모든 지식을 담을 수는 없습니다.\n그리고 새롭게 생긴 지식이라면 더더욱 언어모델 입장에서는 알 수가 없습니다. 이런 문제를 검색과 결합해서\n풀어보려는 시도가 많이 있었고, 이번 포스팅에서는 그 기반이 된 개념인 Fusion-in-Decoder(FID) 와 Retrieval-Augmented Generation(RAG)\n를 다뤄보겠습니다.

\n

Fusion-in-Decoder (FiD)

\n

Fusion-in-Decoder(FID) 는 생성 모델 입력에 검색 결과를 넣어서 활용합니다.\n아래 그림과 같이 어떤 쿼리가 들어왔을 때 적절한 N개의 문서를 가져오고 이 결과를 언어모델의 인코더에 넣어줍니다.\n그리고 디코더는 이 결과를 활용해서 적절한 응답을 생성하는 방식입니다.

\n \n

FiD 본 논문에서 검색 모델은 BM25, DPR(Dense Passage Retrieval )을 활용했습니다. 생성 모델로는 위에 설명한 바와 같이\n인코더와 디코더가 필요하기 때문에 T5, Bart와 같은 Seq2seq (Sequence-to-Sequence) 기반의 모델을 사용했습니다.

\n

FiD는 이름은 거창하지만 방식 자체는 어렵지 않습니다. 아래 2개의 개념만 알면 됩니다.

\n
    \n
  1. FiD의 인코더 입력 형식
    2. \n
\n
Question:  Where was Alan Turing born? \nContext: Alan Turing was a British computer scientist. Born in Maida Vale, London.
\n
    \n
  1. FiD의 디코더 입력 형식
    2. \n
\n\n

위 그림과 같이 N개 문서에 대한 각 인코더 아웃풋 벡터를 이어붙여서(concat) 디코더에 넣고 답변을 생성합니다.

\n

FiD 본 논문에서는 프리트레이닝 된 T5 모델로 Question-Answer pair 데이터로 파인튜닝해서 모델을 만들었습니다.\n검색 모델(BM25, DPR)은 따로 학습하지 않았다고 합니다.

\n

Retrieval Augmented Generation (RAG)

\n\n

Retrieval-Augmented Generation(RAG) 역시 생성시에 검색 결과를 활용합니다.\nFiD와의 차이점으로는 검색 모델을 따로 학습하지 않은 FiD와는 달리 RAG는 검색 모델 역시 학습한다는 차이가 있습니다.\n(RAG는 Retriever로 bi-encoder 기반의 DPR, Generator로 BART를 사용했습니다.)

\n

RAG는 RAG-Sequence와 RAG-Token라는 2가지의 변형 알고리즘을 만들었습니다.\n둘은 계산을 행하는 단위가 문장 전체냐, 토큰이냐의 차이를 가지고 있습니다.

\n

RAG-Sequence

\n\n
    \n
  1. Retriever로 쿼리와 관련된 K개의 문서를 찾는다.
    2. \n
  2. K개 문서 각각을 프롬프트로 하는 시퀀스를 K개 생성한다.
    3. \n
  3. 2에서 구한 K개의 시퀀스의 확률 분포를 모두 합친다.
    4. \n
\n

위 그림과 같이 관련 있는 문서 K개에 대하여 시퀀스 길이 N까지 예측한 확률 분포 시퀀스를 모두 더한 뒤,\n각 위치에서 가장 높은 확률을 갖는 토큰들을 뽑아내면 됩니다.\n여러개의 생성 모델로 예측한 뒤 합쳐서 토큰을 뽑아내는 앙상블 방식과 유사하다는 생각이 듭니다.

\n

RAG-Token

\n\n
    \n
  1. Retriever로 쿼리와 관련된 K개의 문서를 찾는다.
    2. \n
  2. 다음 토큰을 생성할 때 K개 문서 각각에 대해서 구한다.
    3. \n
  3. 2에서 구한 확률 분포를 합쳐서 다음 토큰을 결정한다.
    4. \n
  4. 이를 시퀀스 길이 N만큼 반복한다.
    5. \n
\n

방식 자체는 RAG-Sequence와 크게 다르지 않습니다.\n단지 확률 분포를 언제 합치느냐만 다릅니다.\n다음 토큰을 예측할 때 Acoustic 모델과 Language 모델 2개의 확률분포를 합쳐서 결정하는\n음성인식 시스템과 유사한 방식이라는 생각이 듭니다.

\n

주의할 점은 학습 대상은 DPR의 쿼리인코더와 Generator인 BART이며, DPR의 문서 인코더는 고정해 두었습니다. (bi-encoder 구조 참고!)

\n

그리고 “Retrieval Augmentation Reduces Hallucination in Conversation” 논문에 따르면 RAG로 학습한 검색 모델을\nFiD의 검색 모델로 사용시 FiD의 성능을 높일 수 있다고 합니다 :)

\n

Reference

\n","htmlAst":{"type":"root","children":[{"type":"element","tagName":"h1","properties":{},"children":[{"type":"text","value":"Generation with Retrieval"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"이번에 딥마인드에서 "},{"type":"element","tagName":"a","properties":{"href":"https://deepmind.com/research/publications/2021/improving-language-models-by-retrieving-from-trillions-of-tokens"},"children":[{"type":"text","value":"RETRO(Retrieval-Enhanced Transformer)"}]},{"type":"text","value":" 라는 모델을 내놓았습니다. 문서 retrieval + GPT 기반 모델인데,\n7B 모델임에도 불구하고 25배나 큰 모델과 비견될만한 성능을 보여줬습니다. 요즘 트렌드는 검색 + GPT로 가는 것 같습니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"언어모델이 아무리 크고 많은 데이터를 봤다고 하더라도 세상의 모든 지식을 담을 수는 없습니다.\n그리고 새롭게 생긴 지식이라면 더더욱 언어모델 입장에서는 알 수가 없습니다. 이런 문제를 검색과 결합해서\n풀어보려는 시도가 많이 있었고, 이번 포스팅에서는 그 기반이 된 개념인 "},{"type":"element","tagName":"strong","properties":{},"children":[{"type":"text","value":"Fusion-in-Decoder(FID)"}]},{"type":"text","value":" 와 "},{"type":"element","tagName":"strong","properties":{},"children":[{"type":"text","value":"Retrieval-Augmented Generation(RAG)"}]},{"type":"text","value":"\n를 다뤄보겠습니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"h2","properties":{},"children":[{"type":"text","value":"Fusion-in-Decoder (FiD)"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"element","tagName":"strong","properties":{},"children":[{"type":"text","value":"Fusion-in-Decoder(FID)"}]},{"type":"text","value":" 는 생성 모델 입력에 검색 결과를 넣어서 활용합니다.\n아래 그림과 같이 어떤 쿼리가 들어왔을 때 적절한 N개의 문서를 가져오고 이 결과를 언어모델의 인코더에 넣어줍니다.\n그리고 디코더는 이 결과를 활용해서 적절한 응답을 생성하는 방식입니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"img","properties":{"src":"https://user-images.githubusercontent.com/42150335/148075563-977db2da-5297-41f1-9f11-cfd54f9ffe4a.png","width":300},"children":[]},{"type":"text","value":" \n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"FiD 본 논문에서 검색 모델은 BM25, DPR(Dense Passage Retrieval )을 활용했습니다. 생성 모델로는 위에 설명한 바와 같이\n인코더와 디코더가 필요하기 때문에 T5, Bart와 같은 Seq2seq (Sequence-to-Sequence) 기반의 모델을 사용했습니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"FiD는 이름은 거창하지만 방식 자체는 어렵지 않습니다. 아래 2개의 개념만 알면 됩니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"ol","properties":{},"children":[{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"FiD의 인코더 입력 형식"}]},{"type":"text","value":"\n"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"div","properties":{"className":["gatsby-highlight"],"dataLanguage":"text"},"children":[{"type":"element","tagName":"pre","properties":{"className":["language-text"]},"children":[{"type":"element","tagName":"code","properties":{"className":["language-text"]},"children":[{"type":"text","value":"Question: Where was Alan Turing born? \nContext: Alan Turing was a British computer scientist. Born in Maida Vale, London."}]}]}]},{"type":"text","value":"\n"},{"type":"element","tagName":"ol","properties":{"start":2},"children":[{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"FiD의 디코더 입력 형식"}]},{"type":"text","value":"\n"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"img","properties":{"src":"https://user-images.githubusercontent.com/42150335/148076695-0fd48602-36dc-4d95-b579-b3c720a32c7d.png","width":450},"children":[]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"위 그림과 같이 N개 문서에 대한 각 인코더 아웃풋 벡터를 이어붙여서(concat) 디코더에 넣고 답변을 생성합니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"FiD 본 논문에서는 프리트레이닝 된 T5 모델로 Question-Answer pair 데이터로 파인튜닝해서 모델을 만들었습니다.\n검색 모델(BM25, DPR)은 따로 학습하지 않았다고 합니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"h2","properties":{},"children":[{"type":"text","value":"Retrieval Augmented Generation (RAG)"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"img","properties":{"src":"https://user-images.githubusercontent.com/42150335/148077292-38acd9d7-e6b7-46aa-821a-4a918ca0f7d8.png","width":450},"children":[]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"element","tagName":"strong","properties":{},"children":[{"type":"text","value":"Retrieval-Augmented Generation(RAG)"}]},{"type":"text","value":" 역시 생성시에 검색 결과를 활용합니다.\nFiD와의 차이점으로는 검색 모델을 따로 학습하지 않은 FiD와는 달리 RAG는 검색 모델 역시 학습한다는 차이가 있습니다.\n(RAG는 Retriever로 bi-encoder 기반의 DPR, Generator로 BART를 사용했습니다.)"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"RAG는 "},{"type":"element","tagName":"code","properties":{"className":["language-text"]},"children":[{"type":"text","value":"RAG-Sequence"}]},{"type":"text","value":"와 "},{"type":"element","tagName":"code","properties":{"className":["language-text"]},"children":[{"type":"text","value":"RAG-Token"}]},{"type":"text","value":"라는 2가지의 변형 알고리즘을 만들었습니다.\n둘은 계산을 행하는 단위가 문장 전체냐, 토큰이냐의 차이를 가지고 있습니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"h3","properties":{},"children":[{"type":"text","value":"RAG-Sequence"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"img","properties":{"src":"https://user-images.githubusercontent.com/42150335/148079083-bbe3b655-665f-4e46-b76f-7ae91c2ee3a1.png","width":250},"children":[]},{"type":"text","value":"\n"},{"type":"element","tagName":"ol","properties":{},"children":[{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"Retriever로 쿼리와 관련된 K개의 문서를 찾는다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"K개 문서 각각을 프롬프트로 하는 시퀀스를 K개 생성한다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"2에서 구한 K개의 시퀀스의 확률 분포를 모두 합친다."}]},{"type":"text","value":"\n"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"위 그림과 같이 관련 있는 문서 K개에 대하여 시퀀스 길이 N까지 예측한 확률 분포 시퀀스를 모두 더한 뒤,\n각 위치에서 가장 높은 확률을 갖는 토큰들을 뽑아내면 됩니다.\n여러개의 생성 모델로 예측한 뒤 합쳐서 토큰을 뽑아내는 앙상블 방식과 유사하다는 생각이 듭니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"h3","properties":{},"children":[{"type":"text","value":"RAG-Token"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"img","properties":{"src":"https://user-images.githubusercontent.com/42150335/148079562-daff56f3-1fbe-4e33-a66a-6fa649ddade5.png","width":250},"children":[]},{"type":"text","value":"\n"},{"type":"element","tagName":"ol","properties":{},"children":[{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"Retriever로 쿼리와 관련된 K개의 문서를 찾는다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"다음 토큰을 생성할 때 K개 문서 각각에 대해서 구한다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"2에서 구한 확률 분포를 합쳐서 다음 토큰을 결정한다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"text","value":"이를 시퀀스 길이 N만큼 반복한다."}]},{"type":"text","value":"\n"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"방식 자체는 RAG-Sequence와 크게 다르지 않습니다.\n단지 확률 분포를 언제 합치느냐만 다릅니다.\n다음 토큰을 예측할 때 Acoustic 모델과 Language 모델 2개의 확률분포를 합쳐서 결정하는\n음성인식 시스템과 유사한 방식이라는 생각이 듭니다."}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"주의할 점은 학습 대상은 DPR의 쿼리인코더와 Generator인 BART이며, DPR의 문서 인코더는 고정해 두었습니다. (bi-encoder 구조 참고!)"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"p","properties":{},"children":[{"type":"text","value":"그리고 “Retrieval Augmentation Reduces Hallucination in Conversation” 논문에 따르면 RAG로 학습한 검색 모델을\nFiD의 검색 모델로 사용시 FiD의 성능을 높일 수 있다고 합니다 :)"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"h2","properties":{},"children":[{"type":"text","value":"Reference"}]},{"type":"text","value":"\n"},{"type":"element","tagName":"ul","properties":{},"children":[{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"element","tagName":"a","properties":{"href":"https://ratsgo.github.io/insight-notes/docs/qa/answerer"},"children":[{"type":"text","value":"ratsgo님 블로그"}]}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"element","tagName":"a","properties":{"href":"https://arxiv.org/pdf/2007.01282.pdf"},"children":[{"type":"text","value":"Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering"}]}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"element","tagName":"a","properties":{"href":"https://arxiv.org/pdf/2005.11401.pdf"},"children":[{"type":"text","value":"Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks"}]}]},{"type":"text","value":"\n"},{"type":"element","tagName":"li","properties":{},"children":[{"type":"element","tagName":"a","properties":{"href":"https://arxiv.org/pdf/2104.07567.pdf"},"children":[{"type":"text","value":"Retrieval Augmentation Reduces Hallucination in Conversation"}]}]},{"type":"text","value":"\n"}]}],"data":{"quirksMode":false}},"excerpt":"Generation with Retrieval 이번에 딥마인드에서 RETRO(Retrieval-Enhanced Transformer) 라는 모델을 내놓았습니다. 문서 retrieval + GPT 기반 모델인데,\n7B 모델임에도 불구하고 2…","fields":{"readingTime":{"text":"6 min read"}},"frontmatter":{"title":"Sooftware NLP - Generation with Retrieval","userDate":"4 January 2022","date":"2022-01-04T23:00:00.000Z","tags":["nlp","paper"],"excerpt":null,"image":{"childImageSharp":{"gatsbyImageData":{"layout":"fullWidth","backgroundColor":"#f8f8f8","images":{"fallback":{"src":"/static/37530fc680166ef6d64a040fedb23876/7eb21/fid.png","srcSet":"/static/37530fc680166ef6d64a040fedb23876/41321/fid.png 750w,\n/static/37530fc680166ef6d64a040fedb23876/22692/fid.png 1080w,\n/static/37530fc680166ef6d64a040fedb23876/7eb21/fid.png 1344w","sizes":"100vw"},"sources":[{"srcSet":"/static/37530fc680166ef6d64a040fedb23876/3df03/fid.webp 750w,\n/static/37530fc680166ef6d64a040fedb23876/cd184/fid.webp 1080w,\n/static/37530fc680166ef6d64a040fedb23876/2e84a/fid.webp 1344w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.6607142857142857}}},"author":[{"id":"Soohwan Kim","bio":"Co-founder/A.I. engineer at TUNiB.","avatar":{"children":[{"gatsbyImageData":{"layout":"fullWidth","backgroundColor":"#282838","images":{"fallback":{"src":"/static/a9e6b445142b247ee4cfa66155398bb2/0d6f4/soohwan.png","srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/248f9/soohwan.png 40w,\n/static/a9e6b445142b247ee4cfa66155398bb2/fd435/soohwan.png 80w,\n/static/a9e6b445142b247ee4cfa66155398bb2/0d6f4/soohwan.png 120w","sizes":"100vw"},"sources":[{"srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/e7f45/soohwan.webp 40w,\n/static/a9e6b445142b247ee4cfa66155398bb2/589ec/soohwan.webp 80w,\n/static/a9e6b445142b247ee4cfa66155398bb2/71a38/soohwan.webp 120w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.6833333333333333}}]}}]}},"relatedPosts":{"totalCount":50,"edges":[{"node":{"id":"6529d72e-80e7-5d61-a672-d66276a3f641","excerpt":"MoE(Mixture of Experts) 기초부터 DeepSeek 혁신까지 작년 이맘때쯤 DeepSeek-V3가 저비용으로 엄청난 성능을 보이면서 화제가 되었습니다. 그 핵심 기술인 MoE(Mixture of Experts…","frontmatter":{"title":"MoE(Mixture of Experts) 기초부터 DeepSeek 혁신까지","date":"2026-01-15T01:11:55.000Z"},"fields":{"readingTime":{"text":"8 min read"},"slug":"/developed-moe/"}}},{"node":{"id":"8b49d3ef-4ce3-568c-9d71-240ff17fc3e0","excerpt":"BERT는 사실 Diffusion 모델이였다?! 최근 굉장히 흥미로운 글을 읽게되어 공유합니다. 원문 : link BERT와 Diffusion이 같은 방식이다?! NLP 연구자들에게 BERT는 너무 익숙한 모델입니다. 201…","frontmatter":{"title":"BERT는 사실 Diffusion 모델이였다?!","date":"2025-10-21T12:00:00.000Z"},"fields":{"readingTime":{"text":"8 min read"},"slug":"/bert_diffusion/"}}},{"node":{"id":"7c7e1676-ea84-58de-970c-ddec9aa10660","excerpt":"RLHF는 수다쟁이를 만든다?! (Does RLHF Breed Verbose Chatterboxes?!) RLHF(Reinforcement Learning from Human Feedback)는 OpenAI의 ChatGPT…","frontmatter":{"title":"RLHF는 수다쟁이를 만든다?! (Does RLHF Breed Verbose Chatterboxes?!)","date":"2024-03-13T01:11:55.000Z"},"fields":{"readingTime":{"text":"7 min read"},"slug":"/rlhf-vervosity/"}}},{"node":{"id":"2b9d3e22-1796-5fab-878d-5941d2e76e9d","excerpt":"LLM Paper Abstract - 2023.12 LLM…","frontmatter":{"title":"LLM Paper Abstract - 2023.12","date":"2024-01-05T10:00:00.000Z"},"fields":{"readingTime":{"text":"5 min read"},"slug":"/llm-abs-202312/"}}},{"node":{"id":"f43fa33b-917b-5c00-8462-937d99592ad7","excerpt":"What it MoE? (Mixture of Experts) 현존 최강 LLM인 GPT-4에서 “MoE (Mixture of Experts)” 방식을 채택하여 사용하고 있다고 알려졌는데요, 최근 AI계의 뜨거운 감자 Mistral AI…","frontmatter":{"title":"What is MoE? (Mixture of Experts)","date":"2023-12-22T01:11:55.000Z"},"fields":{"readingTime":{"text":"9 min read"},"slug":"/moe/"}}}]}},"pageContext":{"slug":"/fid_and_rag/","prev":{"excerpt":"Basic Computer System ※ 본 포스팅의 내용은 책을 읽고 공부한 내용을 기록한 포스트입니다. 컴퓨터를 구성하는 3 요소 연산 장치 (CPU) => 초당 얼마나 많이 계산 가능한지 메모리 장치 (RAM, Hard-Drive…","frontmatter":{"title":"Basic Computer System - 연산 장치","tags":["cs"],"date":"2022-01-04T10:00:00.000Z","draft":false,"excerpt":null,"image":{"childImageSharp":{"gatsbyImageData":{"layout":"fullWidth","placeholder":{"fallback":"data:image/png;base64,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"},"images":{"fallback":{"src":"/static/701ec19008a764b7dd4bccbc63d2efdc/ef255/computer_architecture.png","srcSet":"/static/701ec19008a764b7dd4bccbc63d2efdc/76a4f/computer_architecture.png 750w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/a902f/computer_architecture.png 1080w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/61156/computer_architecture.png 1366w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/ef255/computer_architecture.png 1592w","sizes":"100vw"},"sources":[{"srcSet":"/static/701ec19008a764b7dd4bccbc63d2efdc/66907/computer_architecture.webp 750w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/27610/computer_architecture.webp 1080w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/90004/computer_architecture.webp 1366w,\n/static/701ec19008a764b7dd4bccbc63d2efdc/0d756/computer_architecture.webp 1592w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.75}}},"author":[{"id":"Soohwan Kim","bio":"Co-founder/A.I. engineer at TUNiB.","avatar":{"childImageSharp":{"gatsbyImageData":{"layout":"fullWidth","placeholder":{"fallback":"data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAABQAAAAOCAYAAAAvxDzwAAAACXBIWXMAABYlAAAWJQFJUiTwAAADjElEQVQ4y23Oy48TdQDA8TExEaTttvSBfdHddru7bWc6bWd+8+i0u23n0SdlBRQXZGHDgiiLDwgqXjCIJEaC8cLBmHgwUU9EYzRqQuLJi/4NJB6NF+8evgbOHr7XT76SM5ix7s4QnRHnnm9yZzvBTIswN8JcP5bC67ZoWi7CdtFsn5bloZo+dSNAMYbIIqCmD6mJIVXdR3J6I7r9IQ3T59pZlW+uxzndCbPdC/HZXoq3TikowsfqBOjOmFZ7SrM9p2kfRbXn1O0jKNbsSbJ5BMnu9Gl3+qiiz4OPSvz0QRLHFGwOZH6+neLHT5YRbRerM0J0JrTas/8FZXNKzZgg2es+ZtvDdbs8+iHJl+9lWVP7OG2br26k+PvXJCfmFqoYIpwhTXtMwxpTN0coxhjFmCKbE2rGmKoYPQY9qi2fyzsq//4e5sNXi5TlLqbd5t6lPH/9kuDTG2usqgGi7dO0hzSsIXUzQDaGKGKMLEZUxZCKCJB02+PUpMH9vQwP7ybYnSxyfNrjwumA3dEiD94v8cfnK7xzWsbpujQtH9X0qBs+iuEjC5+a7lPVPSqai9SyelyYFbjkh5hqC3TkKOutLON2nkYpgtuMcT6IszdPslo8SLlcpmUH1A0XRQyQhUtNuFQ1l4o2QFI1h3OTVXbcg+grIfSVBRqlEGopgrYSRi0e4KiIse1mScSeopA/iLADmoZL3Rgg631q+oCq1qeq95FOzhQefpzn7eMpBmqcoBVj04pzwkky0eNMRYIdL8F3twusLe2nslrE6g5pGX1U8/FhD1nvUW1tUJK7SH9+n+DR1zF2vQSvH0lz88wiV45V2J1WuHqsxLXNAnuzNJdfWmK5/BylUgFhb6DZAxR9g7rpIos+Wttja2uE9M9vYb69k+DqfJErWzLOuoVqdKlpDo4jODms4zlFckuHObx4iHwuRi6fYqmYY201x/LqMrnFDNl8gRvvukhNdT9394rcOlNFMxrUhYFmW9imTEsp0mhWKC2nWSokyWSiFA7HSKcXiEb34fayyLVniUQk8rmn2drKIqlqiNcuVrh2ymQS1Nh8sc/GoMEbl7u8eb5D1yqTzkRJJsOkkiGymQVShyLE4yHWKnEq1RjpTIhmI8r2y3mkyloI38uha1n6bpVXrkw5+4LD/S/2uHnrIopaJhZ9hmQqwqHkAXJP8BDhyD46ZoWdMxOGcx/PNfECk/8AbxXdRjRliPoAAAAASUVORK5CYII="},"images":{"fallback":{"src":"/static/a9e6b445142b247ee4cfa66155398bb2/7cf1f/soohwan.png","srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/34f77/soohwan.png 750w,\n/static/a9e6b445142b247ee4cfa66155398bb2/a94f6/soohwan.png 1080w,\n/static/a9e6b445142b247ee4cfa66155398bb2/7cf1f/soohwan.png 1148w","sizes":"100vw"},"sources":[{"srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/38420/soohwan.webp 750w,\n/static/a9e6b445142b247ee4cfa66155398bb2/7470d/soohwan.webp 1080w,\n/static/a9e6b445142b247ee4cfa66155398bb2/b5ef6/soohwan.webp 1148w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.6829268292682927}}}}]},"fields":{"readingTime":{"text":"5 min read"},"layout":"","slug":"/cs-basic/"}},"next":{"excerpt":"…","frontmatter":{"title":"광주소프트웨어마이스터고등학교 학생들 튜닙 방문","tags":["record"],"date":"2022-01-11T10:00:00.000Z","draft":false,"excerpt":null,"image":{"childImageSharp":{"gatsbyImageData":{"layout":"fullWidth","placeholder":{"fallback":"data:image/png;base64,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"},"images":{"fallback":{"src":"/static/0236317ab6d0ade50e943efd96ed64ee/e38af/soma.png","srcSet":"/static/0236317ab6d0ade50e943efd96ed64ee/e9604/soma.png 750w,\n/static/0236317ab6d0ade50e943efd96ed64ee/e38af/soma.png 847w","sizes":"100vw"},"sources":[{"srcSet":"/static/0236317ab6d0ade50e943efd96ed64ee/64486/soma.webp 750w,\n/static/0236317ab6d0ade50e943efd96ed64ee/ed812/soma.webp 847w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.6068476977567887}}},"author":[{"id":"Soohwan Kim","bio":"Co-founder/A.I. engineer at TUNiB.","avatar":{"childImageSharp":{"gatsbyImageData":{"layout":"fullWidth","placeholder":{"fallback":"data:image/png;base64,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"},"images":{"fallback":{"src":"/static/a9e6b445142b247ee4cfa66155398bb2/7cf1f/soohwan.png","srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/34f77/soohwan.png 750w,\n/static/a9e6b445142b247ee4cfa66155398bb2/a94f6/soohwan.png 1080w,\n/static/a9e6b445142b247ee4cfa66155398bb2/7cf1f/soohwan.png 1148w","sizes":"100vw"},"sources":[{"srcSet":"/static/a9e6b445142b247ee4cfa66155398bb2/38420/soohwan.webp 750w,\n/static/a9e6b445142b247ee4cfa66155398bb2/7470d/soohwan.webp 1080w,\n/static/a9e6b445142b247ee4cfa66155398bb2/b5ef6/soohwan.webp 1148w","type":"image/webp","sizes":"100vw"}]},"width":1,"height":0.6829268292682927}}}}]},"fields":{"readingTime":{"text":"2 min read"},"layout":"","slug":"/soma/"}},"primaryTag":"nlp"}}, "staticQueryHashes": ["3170763342","3229353822"]}