Stay Hungry Stay Foolish

최근 생성형 모델들은 단순 질의 응답, 글 또는 코드 작성 뿐만 아니라 MCP와 같은 도구 호출로 외부 환경과 상호작용하는 방향으로 역할을 강화하는 쪽으로 발전하고 있다. 특히 컴퓨터를 사용해서 특정한 상품을 주문하거나, 브라우저를 조작해서 사용자가 요구한 정보를 긁어오는 등 사람이 해야할 일을 차츰 대신해 나가고자 하고 있다. 그렇다면 이처럼 AI모델에게 물리 환경에 접근할 수 있는 도구를 쥐어 준다면 현실 세계의 물건을 컨트롤 하는게 가능하지 않을까. 이러한 아이디어에서 출발한 실험 프로젝트가 바로 DrivingBench (https://drivingbench.com/) 이다. 이 실험은 AI모델에게 차량의 카메라 화면과 차량 상태를 전달하고, 핸들과 가속, 제동을 제어할 수 있는 도구를 제공하여 직접 운전하도록 시킨 실험으로 현실과 가상 환경의 경계를 희미하게 만들지도 모르는 흥미로운 실험이다. DrivingBench는 GPT-6 Astra, Claude Fable 5.1, Grok 4.6, GPT-5.6 Sol과 같은 범용 AI 모델에 실제 자동차를 제어할 수 있는 도구를 제공하고, 주차장에 설치한 콘 코스를 얼마나 주행할 수 있는지를 비교했다고 한다. 재미있는 점은 시뮬레이션 환경에서 가상의 차량을 움직인 것이 아니라 실제 차량 (2022년 형 Toyota Corolla) 을 사용했다는 것이다. 운전 연수생 : AI Driving Bench 테스트는 넓은 공터 주차장에서 진행했고, 작은 콘을 이용해 하나의 주행 코스를 만들었다. 특히 코스에는 좌회전, 우회전, 긴 직선 구간, 굴곡 등이 포함되어 있어 실질적인 운전 성능을 테스트할 수 있도록 구성했고, 경로의 마지막에는 파란색 콘으로 표기된 주차 공간을 준비했다. DrivingBench에서 테스트를 위해 구축한 경로. 출처 : DrivingBench AI에게 주어진 목표는 간단히 콘 사이를 벗어나거나 장애물과 충돌하지 않으면서 코스를 이동해 마지막 파란색 주차공간까지 도달하는 것 이었다....

프로젝트 개요 대회명: SRI 데이터 경진대회 — 수원시 정책 아이디어 제안 주제: 공공데이터를 활용한 수원시 주차 문제 해소를 위한 정책 제언 인원: 3명 역할: 데이터 수집·전처리·시각화, 정책 제언 도출 수원시는 약 120만 명이 거주하는 경기도 최대 도시이자 삼성전자 본사가 위치한 산업 중심지이다. 그러나 급격한 도시화와 차량 증가로 인해 주차 문제가 시민 생활의 주요 민원으로 부상하고 있다. 문제의 크기는 수원시 도시정책지표에 그대로 드러난다. 등록 차량은 2014년 433,967대에서 2023년 569,460대로 9년간 31.2% 늘었고 같은 기간 주차장확보율(주차면수 ÷ 자동차등록대수)은 2022년 기준 73.3% — 차량 4대당 주차면이 3개도 되지 않는다. 본 프로젝트는 수원시가 공개한 시민 서베이 데이터와 주정차 위반 단속 데이터를 결합 분석하여, 데이터 기반의 실효성 있는 주차 정책을 제언하는 것을 목표로 하였다. 데이터 소개 분석에 활용한 데이터는 크게 세 가지이다. 1. 수원서베이 (시민 인식 조사) 수원시가 분기별로 실시하는 시민 패널 조사 데이터로, 교통·주거·생활환경 등 도시 전반에 대한 시민 인식을 담고 있다. 2023년 수원서베이 용역 데이터 2024년 3·4분기 패널조사 데이터 (가중치 포함) 2025년 1·2분기 패널조사 데이터 (가중치 포함) 2. 주정차 위반 단속 데이터 (공공데이터포털) 수원시 4개 구(장안구·권선구·팔달구·영통구)의 주정차 위반 단속 이력 데이터로, 단속 일시·장소·방법 등의 정보를 포함한다. 2022년 1월 1일 ~ 2023년 10월 31일, 총 794,738건 의 단속 레코드 분석 단속 일시를 연·월·요일·시간대·계절로 파생 변수 생성 단속 방법이 한 가지가 아니라는 점이 이후 분석의 핵심 열쇠가 되며. 무인 CCTV가 자동으로 잡는 것과 사람이 나가서 적발하는 것, 시민이 직접 신고하는 것이 모두 섞여 있다. 단속 방법 건수 비중...

프로젝트 개요 주제: 카카오 로컬(Local) API를 활용한 입지 분석용 장소 데이터 수집 파이프라인 구축 저장소: location_analysis 세부 입지 분석 과정에서 가장 필요한 것은 "A 현장 반경 내에 무엇이 있는가" 라는 정보다. 지하철역까지는 몇 미터인지, 반경 500m 내에 초등학교는 있는지, 2km 내에 얼마나 많은 생활 편의시설이 있는지 같은 것들이다. 카카오 로컬 API는 이러한 질문에 답할 수 있는 API로, 주소를 좌표로 바꾸고 좌표 인근 장소를 타입별(업종)로 검색할 수 있다. 이 포스트는 API를 실제로 써 보며 정리한 기록이다. [이미지1 - 완성 결과 대표 컷: 업종별로 색을 나눈 folium 레이어 지도] 목차 준비: API 키 발급 및 .env에 저장하기 주소 검색과 지오코딩 역지오코딩: 좌표에서 주소로 키워드 검색 vs 카테고리 검색 지도에 올리기 45건 상한, 그리고 재귀 격자 탐색 준비: API 키 발급 및 .env에 저장하기 카카오 개발자 콘솔 에서 애플리케이션을 만들어 REST API 키를 받는다. API 키는 .env 나 별도 문서에 적어 저장해 놓고 쓰는 것이 간편하고 안전하다. .env 파일에 넣고 .gitignore 로 막는 방식을 통해 유출을 방지한다. # .env (커밋하지 않음) KAKAO_REST_API_KEY = 발급받은_REST_API_키 # .gitignore .env *.key *.pem import os from dotenv import load_dotenv load_dotenv () API_KEY = os . environ [ "KAKAO_REST_API_KEY" ] BASE = "https://dapi.kakao.com/v2/local" HEADERS = { "Authorization" : f "KakaoAK { API_KEY } " ...