Qdrant

AWS의 오픈소스 에이전트 프레임워크 Strands Agents를 통해 자연어 명령으로 물리적 작업을 수행하는 로봇 제어 시스템 구축 방법을 알아본다.

Qdrant 밋업에서 에이전트 기반 시스템의 프로덕션 적용, 스토리지-컴퓨트 분리, LLM 평가의 한계와 합성 데이터 활용 전략을 논의했다.

Qdrant 벡터 데이터베이스를 Docker, Kubernetes, 클라우드 환경에서 배포하고 웹 UI를 통해 관리하는 방법을 다룬다.

질문 난이도에 따라 검색 전략을 동적으로 선택하고, 검색 품질을 실시간으로 판단하여 재검색하거나 중단하는 적응형 RAG 에이전트 구축 가이드.

Qdrant Edge와 LiteRT를 사용하여 인터넷 연결 없이 모바일 및 엣지 디바이스에서 로컬 RAG 파이프라인을 구축하는 방법을 다룬다.

Qdrant CTO가 AI 에이전트와 롱 컨텍스트 모델 환경에서 벡터 검색의 역할과 프로덕션 시스템 구축 전략을 제시한다.

정적 설정 파일인 SKILLS.md의 한계를 분석하고, Gemini와 MCP를 활용해 에이전트가 워크플로우를 관찰하고 스스로 스킬을 생성하는 동적 자동화 방안을 제시한다.

AI 에이전트의 지속적 학습을 위해 모델 재학습 대신 메모리 계층과 벡터 데이터베이스를 활용한 상태 관리 전략을 제시한다.

Qdrant의 CEO가 오픈소스 벡터 데이터베이스의 기원과 기술적 철학, 그리고 에이전트 시대를 대비한 아키텍처 최적화 과정을 공유한다.

Slack이 수조 개의 메시지를 벡터화하여 실시간 시맨틱 검색을 구현하기 위해 도입한 아키텍처와 최적화 전략을 다룬다.

Qdrant의 벡터 검색과 Neo4j의 그래프 거버넌스를 결합하여 사용자 권한에 따라 차별화된 RAG 결과를 생성하는 아키텍처를 소개한다.

RAG 시스템의 검색 성능을 측정하기 위한 핵심 지표와 LLM-as-a-judge를 활용한 평가 자동화 전략을 다룬다.

Oncotelic Therapeutics가 Qdrant 벡터 데이터베이스를 활용해 2,800만 개의 PubMed 초록을 인덱싱하고 신약 개발 파이프라인을 획기적으로 단축한 사례.

에이전트 AI의 지연 시간과 데이터 주권 문제를 해결하기 위한 인프라 설계와 Vultr-Qdrant 협업 모델을 다룬다.

HubSpot이 Helm의 한계를 극복하고 Kubernetes Operator를 도입하여 대규모 벡터 검색 인프라의 운영 효율과 비용을 최적화한 사례.

기업 데이터의 90%를 차지하는 비정형 문서를 AI 에이전트가 정확히 이해하고 처리하기 위한 기술적 과제와 해결 방안을 다룬다.

온디바이스 AI의 이점과 NPU 기반의 효율적인 에이전트 배포를 위한 Qualcomm AI Hub 활용 방안을 다룬다.

Qdrant Edge는 애플리케이션 내부에 직접 임베드되어 네트워크 의존성 없이 실시간 로컬 벡터 검색을 가능하게 하는 새로운 배포 모델이다.

Qdrant 벡터 데이터베이스를 활용하여 파편화된 사이버 보안 데이터를 벡터화하고, 시맨틱 검색과 위협 모델링을 통해 실시간 위협 인텔리전스를 추출하는 방법을 다룬다.

Qdrant의 벡터 검색과 Neo4j의 지식 그래프를 결합하여 PubMed 데이터를 정밀하게 탐색하는 에이전트 기반 생물 의학 코파일럿 구축 방법론을 다룹니다.

Qdrant가 도입한 Agent Skills는 벡터 검색의 엔지니어링 지식을 구조화하여 AI 에이전트가 스스로 검색 품질과 성능을 최적화하도록 돕는 프레임워크이다.

Qdrant의 Query API를 활용하여 사용자 피드백 신호를 벡터 인덱스에 직접 주입하고 검색 정확도를 동적으로 개선하는 적응형 검색 시스템 구축 방법을 다룹니다.

멀티 벡터 모델의 메모리 부담을 해결하기 위해 개별 벡터 크기를 줄이는 Quantization과 병행하여 벡터의 총 개수를 지능적으로 압축하는 Pooling 기법을 다룬다.

멀티 벡터 검색 시스템의 성능을 Recall@k, NDCG, MRR 등 핵심 지표로 정량화하고, 비용과 지연 시간 사이의 최적의 트레이드오프를 결정하는 체계적인 평가 프레임워크를 제시한다.