[1부] 대규모 언어 모델 기초

▣ 01장: 대규모 언어 모델 소개

1.1 대규모 파운데이션 모델과 LLM이란 무엇인가?
__1.1.1 AI 패러다임 전환과 파운데이션 모델 소개
__1.1.2 LLM의 내부
1.2 널리 사용되는 LLM 트랜스포머 기반 아키텍처
__1.2.1 초기 실험
__1.2.2 트랜스포머 아키텍처 도입
1.3 LLM 훈련과 평가
__1.3.1 LLM 훈련
__1.3.2 모델 평가
1.4 기본 모델과 맞춤형 모델 비교
__1.4.1 모델을 맞춤화하는 방법
1.5 요약
1.6 참고 문헌

▣ 02장: AI 기반 애플리케이션을 위한 LLM

2.1 LLM은 소프트웨어 개발을 어떻게 변화시키는가
2.2 코파일럿 시스템
2.3 LLM을 애플리케이션에 통합하기 위한 AI 오케스트레이터 소개
__2.3.1 AI 오케스트레이터의 주요 구성 요소
__2.3.2 랭체인
__2.3.3 헤이스택
__2.3.4 시맨틱 커널
__2.3.5 프레임워크 선택 방법
2.4 요약
2.5 참고 문헌

▣ 03장: 애플리케이션에 적합한 LLM 선택

3.1 시장에서 가장 유망한 LLM 소개
__3.1.1 독점 모델
__3.1.2 오픈소스 모델
3.2 언어를 넘어선 다양한 AI 모델 탐색
3.3 LLM 선택을 위한 의사결정 프레임워크
__3.3.1 고려 사항
__3.3.2 사례 연구
3.4 요약
3.5 참고 문헌

[2부] LLM 기반 애플리케이션 개발

▣ 04장: 프롬프트 엔지니어링

4.1 프롬프트 엔지니어링이란?
4.2 프롬프트 엔지니어링 기본
__4.2.1 명확한 지침을 제공
__4.2.2 복잡한 과업을 하위 과업으로 분할
__4.2.3 정당화를 요청
__4.2.4 여러 개의 출력을 생성해 가장 적합한 것을 선택
__4.2.5 마지막에 지침을 반복
__4.2.6 구분선을 사용
4.3 고급 프롬프트 엔지니어링
__4.3.1 퓨샷 학습
__4.3.2 사고 연쇄(CoT)
__4.3.3 추론·행동(ReAct)
4.4 요약
4.5 참고 문헌

▣ 05장: 애플리케이션에 LLM 통합하기

5.1 랭체인에 대한 간략한 정보
5.2 랭체인 시작하기
__5.2.1 모델과 프롬프트
__5.2.2 데이터 연결
__5.2.3 기억
__5.2.4 체인
__5.2.5 에이전트
5.3 허깅페이스 허브를 통해 LLM 사용하기
__5.3.1 허깅페이스 사용자 액세스 토큰 만들기
__5.3.2 .env 파일에 시크릿 저장하기
__5.3.3 오픈소스 LLM 사용 시작하기
5.4 요약
5.5 참고 문헌

▣ 06장: 대화형 애플리케이션 구축

6.1 대화형 애플리케이션 시작하기
__6.1.1 단순한 기본형 봇 만들기
__6.1.2 기억 추가하기
__6.1.3 비모수적 지식을 추가하기
__6.1.4 외부 도구 추가하기
6.2 스트림릿으로 프런트엔드 개발하기
6.3 요약
6.4 참고 문헌

▣ 07장: LLM을 사용한 검색 및 추천 엔진

7.1 추천 시스템 개요
7.2 기존 추천 시스템
__7.2.1 K-최근접 이웃
__7.2.2 행렬 분해
__7.2.3 신경망
7.3 LLM이 추천 시스템을 변화시키는 방법
7.4 LLM 기반 추천 시스템 구현
__7.4.1 데이터 전처리
__7.4.2 콜드 스타트 시나리오에서 QA 추천 챗봇 구축하기
__7.4.3 콘텐츠 기반 시스템 구축하기
__7.4.4 스트림릿으로 프런트엔드 개발하기
7.5 요약
7.6 참고 문헌

▣ 08장: 정형 데이터와 함께 LLM 사용하기

8.1 정형 데이터란?
8.2 관계형 데이터베이스 시작하기
__8.2.1 관계형 데이터베이스 개요
__8.2.2 샘플 데이터베이스 소개
__8.2.3 파이썬으로 관계형 DB 다루기
8.3 랭체인으로 DBCopilot 구현하기
__8.3.1 랭체인 에이전트 및 SQL 에이전트
__8.3.2 프롬프트 엔지니어링
__8.3.3 도구 추가하기
8.4 스트림릿으로 프런트엔드 개발하기
8.5 요약
8.6 참고 문헌

▣ 09장: 코드 작업하기

9.1 코드에 적합한 LLM 선택하기
9.2 코드 이해 및 생성
__9.2.1 팔콘 LLM
__9.2.2 코드라마
__9.2.3 스타코더
9.3 알고리즘처럼 작동시키기
9.4 코드 인터프리터 활용하기
9.5 요약
9.6 참고 문헌

▣ 10장: LLM으로 멀티모달 애플리케이션 구축

10.1 왜 멀티모달리티인가?
10.2 랭체인으로 멀티모달리티 에이전트 구축하기
10.3 옵션 1: Azure AI 서비스용 기본 제공 툴킷 사용하기
__10.3.1 AzureCognitiveServicesToolkit 시작하기
10.4 옵션 2: 단일 도구를 하나의 에이전트로 결합하기
__10.4.1 유튜브 도구 및 위스퍼
__10.4.2 DALL-E 및 텍스트 생성
__10.4.3 통합하기
10.5 옵션 3: 시퀀셜 체인을 사용한 하드코딩 접근 방식
10.6 세 가지 옵션 비교
10.7 스트림릿으로 프런트엔드 개발하기
10.8 요약
10.9 참고 문헌

▣ 11장: 대규모 언어 모델 미세 조정

11.1 미세 조정이란?
11.2 미세 조정은 언제 필요한가?
11.3 미세 조정 시작하기
__11.3.1 데이터셋 가져오기
__11.3.2 데이터 토큰화하기
__11.3.3 모델 미세 조정하기
__11.3.4 평가 지표 사용하기
__11.3.5 훈련 및 저장
11.4 요약
11.5 참고 문헌

[03부] LLM의 윤리와 미래

▣ 12장: 책임 있는 AI

12.1 책임 있는 AI란 무엇이며 왜 필요한가?
12.2 책임 있는 AI 아키텍처
__12.2.1 모델 수준
__12.2.2 메타프롬프트 수준
__12.2.3 사용자 인터페이스 수준
12.3 책임 있는 AI 관련 규정
12.4 요약
12.5 참고 문헌

▣ 13장: 새로운 트렌드와 혁신

13.1 언어 모델 및 생성형 AI의 최신 동향
__13.1.1 GPT-4V(ision)
__13.1.2 DALL-E 3
__13.1.3 오토젠
__13.1.4 소규모 언어 모델
13.2 생성형 AI를 도입하는 기업들
__13.2.1 코카콜라
__13.2.2 노션
__13.2.3 말벡
__13.2.4 마이크로소프트
13.3 요약
13.4 참고 문헌