Posts
All the articles I've posted.
-
Static Embedding 다시 주목해야 할까
최근 자원-제약 환경에서 정적 임베딩(static embedding)이 재조명되고 있다. 트랜스포머 계열 모델이 성능 면에서 우위를 점하고 있음에도, 정적 임베딩은 속도·메모리 이점을 앞세워 적지 않은 품질 손실만으로도 충분히 실용적임을 보여 주고 있다.
-
Qdrant Storage — 벡터 저장 구조와 메모리/디스크 전략
Qdrant의 세그먼트 기반 저장 구조를 정리한다. 벡터와 페이로드의 In-memory, Memmap, On-disk 저장 방식, WAL 설정, 버전 관리 전략을 다룬다.
-
Qdrant Vectors — Dense, Sparse, Multivector 벡터 유형 가이드
Qdrant에서 사용하는 벡터의 개념과 유형을 정리한다. Dense Vector, Sparse Vector, Named Vector, Multivector의 차이와 각 유형의 설정 방법, 양자화(Quantization) 옵션을 다룬다.
-
Scaled Dot-Product Attention 동작 원리와 수식 정리
스케일드 닷 프로덕트 어텐션은 쿼리(Query), 키(Key), 밸류(Value) 삼중 구조를 사용해, 유사도 계산 → 스케일 조정 → 확률 정규화 → 가중합의 네 단계를 거쳐 문맥 정보를 추출하는 어텐션 메커니즘이다.