Introduction

평화롭던 어느날… sudo reboot 이후 home server의 network에 큰 이상이 생겼다…
원인은 DHCP (Dynamic Host Configuration Protocol)를 통해 IP를 할당받지 못하는 것이였다.
기존에는 아래와 같이 OSI 2계층인 data link 계층에 속하는 MAC 주소로 고정적인 IP를 할당했었다.

netplan을 통해 위 문제들을 해결할 수 있겠지만 기존에도 Kubernetes의 version up을 고려하고 있었기에 kubeadm 1.30.3을 통해 설치와 setup을 진행해보자!

Reference: Kubernetes v1.30: Uwubernetes (UwU ♥️)

하지만 기존의 Kubernetes version인 1.22.19는 CRI (Container Runtime Interface)로 Docker를 지원하지 않는 큰 차이점이 존재한다.
Kubernetes의 공식 문서에 따르면 1.24 release 부터 Dockershim (Kubernetes 환경에서 Docker와의 호완성을 위해 사용된 compliant layer)을 제거했다.
그렇다면 Kubernetes가 발전하며 왜 Dockershim에 대한 지원을 중단하게 되었을까?

Introduction

CKA: Kubernetes 관리자의 책임을 수행할 수 있는 기술, 지식 및 역량을 갖추고 있음을 보증하는 자격증

CKA curriculum에서 CKA가 포함하는 내용들을 아래와 같이 확인할 수 있다.

Domain	Weight	Key Points
Cluster Architecture, Installation & Configuration	25%	✅ Manage role based access control (RBAC) ✅ Use Kubeadm to install a basic cluster ✅ Manage a highly-available Kubernetes cluster ✅ Provision underlying infrascruture to deploy a Kubernetes cluster ✅ Implement etcd backup and restore
Workloads & Scheduling	15%	✅ Understand deployments and how to perform rolling update and rollbacks ✅ Use ConfigMaps and Secrets to configure applications ✅ Know how to scale applications ✅ Understand how resource limits can effect Pod scheduling ✅ Awareness of manifest management and common templating tools
Services & Networking	20%	✅ Understand host networking configuration on the cluster nodes ✅ Understand connectivity between Pods ✅ Understand ClusterIP, NodePort, LoadBalancer service types and endpoints ✅ Know how to use Ingress controllers and Ingress resources ✅ Know how to configure and use CoreDNS ✅ Choose an appropriate container network interface plugin
Storage	10%	✅ Understand storage classes, persistent volumes ✅ Understand volume mode, access modes and reclaim polices for volumes ✅ Understand persistent volume claims primitive ✅ Know how to configure applications with persistent storage
Troubleshooting	30%	✅ Evaluate cluster and node logging ✅ Understand how to monitor applications ✅ Manage container stdout & stderr logs ✅ Troubleshoot application failure ✅ Troubleshoot cluster component failure ✅ Troubleshoot networking

Introduction

Open source data labeling platform Label Studio에 Label Studio ML Backend의 도입으로 machine learning model을 통합하고 labeling 작업을 위한 자동화된 예측을 제공할 수 있다.
이를 통해 labeling process를 가속화하고 일관성과 정확성을 향상시킬 수 있으며 실시간으로 모델의 성능을 평가하고 빠르게 반복함으로써 model을 지속적으로 개선할 수 있다.
Label Studio와 Label Studio ML Backend의 작동 방식은 아래와 같이 구성된다.

• predict(): 입력된 data에 대해 model의 출력을 Label Studio format으로 변경 후 UI에 제공
• fit(): Label Studio 내 annotation이 완료된 data를 학습하고 load

Image Clustering Conditioned on Text Criteria

Introduction

Image clustering은 unsupervised learning task으로 연구되어 왔으며 대량의 visual data 구축, label이 없는 image dataset의 labeling 비용 감소, image 검색 system 성능 향상에 사용되었다.
최신의 deep image clustering 방법들은 ground truth로 간주되는 dataset의 사전 정의된 class label으로 종종 평가된다.

하지만 실제로는 각 사용자들이 동일한 dataset에 대해 clustering할 때 서로 다른 기준에 따라 여러 결과를 원할 수 있다.
그럼에도 기존 clustering 방법은 사용자가 clustering 기준을 제어할 수 있는 직접적인 mechanism을 제공하지 않는다. (기존 clustering 방법의 기준은 neural network의 inductive bias, loss function, data augmentation, feature extractor에 의해 결정될 가능성이 높다.)
따라서 저자들은 이러한 한계점을 개선하기 위해 사용자가 지정한 기준을 기반으로 단일 dataset에서 다양한 결과를 가능하게 하고 기존의 암묵적으로 지시된 clustering process를 혁신한다.

SOLAR 10.7B: Scaling Large Language Models with Simple yet Effective Depth Up-Scaling

Introduction

NLP 분야의 언어 이해와 상호작용에 대한 향상시킨 LLM의 도입으로 큰 변화가 진행되고 있다.
이러한 발전은 performance scaling law에 의해 더욱 큰 model 학습의 필요를 증대시켰다.
Mixture of experts (MoE)와 같은 방법을 통해 효율적이고 효과적이게 LLM을 scale-up을 할 수 있지만 종종 특별한 변화가 필요하여 광범위한 적용이 어려운 한계점이 존재한다.
따라서 효과적이고 효율적이게 LLM을 scaling up하며 사용 편의성을 위한 단순성을 유지하는 것은 매우 중요하다.
본 논문의 저자들은 sparse upcycling에 영감을 받아 효과적이고 효율적이며 단순한 LLM up-scale 방법인 depth up-scaling (DUS)를 제안한다.