소득공제
PDF
eBook
RAG 마스터 : 랭체인으로 완성하는 LLM 서비스
멀티모달·그래프 RAG·에이전트·파인튜닝까지
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
상세 이미지
소개
목차
|
추천사들어가며이 책의 구성실습 환경 설정Chapter 1 랭체인 살펴보기1. 랭체인 개요__1.1 랭체인 주요 패키지__1.2 랭체인 버전별 기능 업데이트__1.3 왜 랭체인을 사용해야 하는가?__1.4 랭체인의 주요 활용 사례2. 대규모 언어 모델__2.1 랭체인 vs 오픈AI API__2.2 대규모 언어 모델 파라미터 설정__2.3 랭체인에서 사용할 수 있는 주요 대규모 언어 모델3. 랭체인 표현 언어__3.1 러너블 표준 인터페이스__3.2 러너블을 체인으로 연결하는 방법4. 프롬프트__4.1 퓨샷 프롬프트__4.2 프롬프트 허브5. 출력 파서__5.1 출력 파서의 세 가지 주요 메서드__5.2 PydanticOutputParser__5.3 SimpleJsonOutputParser__5.4 JsonOutputParser6. 메모리 관리: 대화 기록 유지__6.1 기본적인 대화 이력 전달__6.2 대화 이력 관리 및 처리__6.3 자동 대화 이력 관리__6.4 대화 이력 요약 및 트리밍Chapter 2 검색 증강 생성 기초와 실습1. 검색 증강 생성 개요__1.1 텍스트 임베딩__1.2 코사인 유사도__1.3 랭체인 임베딩 API 활용2. 문서 로더__2.1 웹 페이지 로더__2.2 PDF 로더__2.3 CSV 로더3. 텍스트 분할__3.1 길이와 구분자로 분할하는 재귀적 문자 텍스트 분할__3.2 의미 기반으로 분할하는 시맨틱 청킹4. 벡터 데이터베이스__4.1 크로마__4.2 파이스5. RAG 챗봇 실습__5.1 RAG 챗봇 구현__5.2 챗봇에 스트림릿 UI 적용Chapter 3 멀티모달 RAG를 활용한 복합 데이터 처리1. 멀티모달 RAG 개요__1.1 멀티모달 RAG란?__1.2 멀티모달 RAG가 어려운 이유2. 멀티모달 RAG 구현 방법__2.1 모든 모달리티를 동일한 벡터 공간에 포함하기__2.2 모든 모달리티를 하나의 기본 모달리티로 표현하기__2.3 서로 다른 모달리티를 별도의 저장소에서 다루기3. 멀티모달 RAG 실습__3.1 환경 설정__3.2 데이터 전처리__3.3 멀티-벡터 검색기__3.4 멀티모달 RAG 구현Chapter 4 검색과 응답을 최적화하는 RAG 고도화 전략1. 청킹 전략__1.1 부모-자식 분할2. 질의 변형__2.1 다중 질의 생성__2.2 가상 문서 임베딩3. 검색 알고리즘__3.1 희소 검색__3.2 밀집 검색__3.3 앙상블 검색4. 문서 후처리__4.1 고성능 대규모 언어 모델 기반 리랭킹__4.2 크로스 인코더 기반 리랭킹5. 확장된 RAG 방법론__5.1 Self-RAG 개요__5.2 Self-RAG 구현Chapter 5 지식 그래프를 활용한 그래프 RAG1. 그래프 RAG 개요__1.1 기존 RAG 방식의 한계__1.2 지식 그래프란?__1.3 그래프 RAG의 동작 과정2. 그래프 DB 구축__2.1 그래프 DB 구축 과정__2.2 그래프 DB 구축 실습3. 그래프 RAG 질의__3.1 그래프 RAG 질의 과정__3.2 그래프 RAG 질의 실습4. Neo4j와 랭체인을 활용한 GraphRAG 구현__4.1. 지식 그래프와 Neo4j 통합Chapter 6 랭그래프로 설계하는 RAG 파이프라인1. 랭그래프의 구성요소__1.1 그래프__1.2 상태__1.3 노드__1.4 에지2. 랭그래프 활용__2.1 루프 구현하기__2.2 조건문 구현하기__2.3 스트리밍__2.4 상태 저장하기__2.5 루프 개입하기3. 랭그래프 실습__3.1 자체교정-RAG__3.2 코드 어시스트 챗봇Chapter 7 리액트 에이전트를 활용한 RAG1. 생각의 사슬2. 에이전트 RAG__2.1 라이브러리와 데이터 준비__2.2 에이전트 도구 만들기__2.3 에이전트 프롬프트 설정__2.4 에이전트 객체 생성__2.5 에이전트 RAG 실습Chapter 8 RAG 성능을 높이는 LLM 파인튜닝1. RAFT 논문 살펴보기__1.1 네거티브 샘플__1.2 생각의 사슬2. 성능 향상을 위한 팁__2.1 답변 없음 데이터__2.2 출처 인용3. RAG 학습 데이터셋 살펴보기__3.1 학습 데이터 소개__3.2 학습 데이터 탐색4. 로컬 LLM Qwen 파인튜닝하기__4.1 런팟을 이용한 실습 환경 설정__4.2 데이터 전처리__4.3 Qwen 템플릿 이해하기__4.4 로라 학습을 위한 설정값__4.5 학습을 위한 설정값__4.6 정수 인코딩__4.7 모델 테스트하기__4.8 GPU 종료하기Chapter 9 임베딩 모델 파인튜닝1. 임베딩 모델의 학습 원리__1.1 대조 학습__1.2 데이터셋 구성__1.3 배치 내 네거티브 샘플링__1.4 MultipleNegativesRankingLoss__1.5 학습 코드의 이해2. 학습 시 성능을 높이는 방법__2.1 배치 크기 키우기__2.2 하드 네거티브 선정__2.3 그 외 학습 성능 향상을 위한 팁3. 실전 파인튜닝__3.1 데이터 로드하기__3.2 하드 네거티브 선정__3.3 합성 데이터 생성__3.4 모델 로드하기__3.5 평가 데이터 전처리__3.6 모델 학습하기__3.7 검색 성능 평가 지표__3.8 파인튜닝 모델 평가하기마치며찾아보기
|
저자 소개 4
Bryce Yoo
성균관대학교에서 학사와 석사를 마치고, 현재 IT 대기업에서 대규모 언어 모델(LLM) 에이전트 개발을 위한 파인튜닝(Fine-tuning) 업무를 맡고 있다. 인공지능 서비스가 세상에 긍정적인 영향을 줄 수 있다는 믿음 아래, 기술 개발에 힘쓰고 있다. 저서로 『진짜 챗GPT 활용법』, 『진짜 챗GPT API 활용법』 등이 있다.
브라이스 유의 다른 상품
-
eBook실전! 12가지 프로젝트로 배우는 OpenAI API, 랭체인 완벽 활용법 이동실전! 12가지 프로젝트로 배우는 OpenAI API, 랭체인 완벽 활용법25,600원
성균관대학교에서 데이터사이언스를 전공한 데이터 과학자. 기업 분석을 통해 다양한 비즈니스 인사이트를 도출해왔으며, 현재는 생성형 AI 기반의 챗봇 연구와 비즈니스 솔루션 개발을 이끌고 있다. 데이터 기반의 혁신적 의사결정 모델을 설계하며, AI를 효과적으로 활용할 수 있도록 돕는 데 관심이 많다.
조경아의 다른 상품
컴퓨터공학과 데이터사이언스를 전공한 십여 년 경력의 개발자. 데이터 엔지니어링과 백엔드 서비스 개발을 비롯해, 최근에는 LLM 애플리케이션 및 머신러닝 모델 서빙까지 업무 범위를 확장하고 있다.
서강대학교에서 공학을 전공하고 성균관대학교에서 데이터사이언스를 공부했다. 현재는 기업 내 LLM 서비스의 기획 및 운영을 담당하고 있으며, 비전공자도 LLM을 쉽게 활용할 수 있도록 돕는 방법에 깊은 관심을 두고 있다.
품목정보
- 발행일
- 2025년 05월 23일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 13.17MB ?
- 글자 수/ 페이지 수
- 약 569쪽 ?
- ISBN13
- 9788965404118
출판사 리뷰
|
멀티모달부터 그래프 RAG, 랭그래프, ReAct 에이전트, 파인튜닝까지RAG로 완성하는 실전 LLM 서비스최근 챗GPT로 대표되는 거대 언어 모델(LLM)은 뛰어난 성능에도 불구하고, 최신 정보나 특정 문서의 세부 내용을 제공하지 못하는 한계가 있습니다. 이런 문제를 해결하는 대표적인 기술이 바로 RAG(검색 증강 생성)입니다.이 책은 LLM 기반 서비스를 구축하는 데 꼭 필요한 RAG의 기본 원리부터 다양한 고급 기법까지 폭넓게 다룹니다. 기초적인 RAG 개념뿐 아니라 멀티모달 RAG, 그래프 RAG, 랭그래프를 활용한 파이프라인, 에이전트 RAG, 파인튜닝 등 실무에서 요구하는 심화 주제를 단계별로 안내합니다. 또한 텍스트 임베딩, 의미 기반 텍스트 분할, 벡터 데이터베이스 활용 등 RAG 구현에 필수적인 기술을 체계적인 이론과 실습으로 함께 다룹니다. 이를 통해 LLM 서비스 개발이 처음인 초보자부터 실전 감각을 키우고 싶은 개발자까지 모두에게 유용한 지식과 노하우를 제공합니다.특히 이 책에서는 RAG 구현에 최적화된 프레임워크인 랭체인(LangChain) 활용법을 자세히 다룹니다. 랭체인은 LLM 기반의 AI 애플리케이션을 쉽고 빠르게 개발할 수 있도록 다양한 기능과 모듈을 제공하는 강력한 프레임워크입니다. 모든 예제는 구글 코랩(Google Colab)과 랭체인을 활용하여 복잡한 환경 설정 없이 누구나 손쉽게 따라 할 수 있도록 구성했습니다. 책에서 제공하는 생생한 RAG 실습을 차근차근 따라 하다 보면, 기업 데이터 기반의 챗봇이나 지식 검색 시스템과 같은 실제 비즈니스 현장에 바로 적용 가능한 AI 애플리케이션 개발 능력을 자연스럽게 습득하게 될 것입니다.이런 분께 추천!● AI 개발에 관심이 있는 초중급 파이썬 사용자● 랭체인과 RAG를 학습하고 싶은 대학생, 개발자 커뮤니티, 연구자● LLM 및 RAG 기반 시스템을 개발하고자 하는 개발자 및 엔지니어● 기업 데이터 기반 챗봇 및 지식 검색 시스템 구축을 고려 중인 실무자- 이 책의 구성 -이 책은 총 9장으로 구성되어 있으며, RAG 기술의 핵심 원리부터 실무에 적용 가능한 다양한 방법까지 단계적으로 다룹니다.1장에서는 랭체인의 주요 개념과 기능들을 자세히 설명합니다. 랭체인에서 활용하는 언어 모델의 이해부터 프롬프트 작성법, 출력 파서 활용, 메모리 관리 기법 등 RAG 구현의 바탕이 되는 개념을 꼼꼼히 다룹니다.2장에서는 본격적으로 RAG의 기본 원리를 배우고 실습합니다. 텍스트 임베딩과 코사인 유사도 개념, 문서 로딩 및 분할 방법, 그리고 벡터 데이터베이스를 이용한 기본적인 챗봇 구현 과정을 따라가면서 기초를 튼튼하게 다집니다.3장에서는 텍스트를 넘어 이미지 등 다양한 데이터 타입을 함께 활용할 수 있는 멀티모달 RAG를 살펴봅니다. 멀티모달 RAG의 필요성부터 구현 방식과 실제 실습까지 진행하며 실무에 가까운 활용법을 익힙니다.4장에서는 RAG의 성능을 높이기 위한 고급 전략을 구체적으로 학습합니다. 효과적인 문서 분할(청킹) 전략과 질의 변형 방법, 검색 알고리즘과 문서 리랭킹, 그리고 이를 더욱 발전시킨 Self-RAG 기법까지 다룹니다.5장에서는 지식 그래프를 활용하여 RAG의 한계를 극복하는 그래프 RAG를 소개합니다. Neo4j를 활용하여 그래프 데이터베이스를 구축하고 이를 실제 질의에 활용하는 방법을 실습합니다.6장에서는 랭그래프를 활용하여 RAG 시스템을 더 유연하고 정교하게 만드는 방법을 다룹니다. 랭그래프의 개념과 핵심 구성 요소를 이해하고, 이를 활용한 조건문과 루프 구조 등 복잡한 RAG 구현을 실습을 통해 익힙니다.7장에서는 리액트 에이전트를 활용하여 더욱 지능적이고 자동화된 RAG 시스템을 구현하는 방법을 설명합니다. 에이전트의 동작 원리를 이해하고, 에이전트 도구 제작 및 실제 RAG 실습을 진행합니다.8장에서는 RAG의 성능을 더욱 높이기 위한 언어 모델의 파인튜닝을 다룹니다. 파인튜닝의 필요성과 데이터 준비 방법, 학습 환경 구축 및 실제 로컬 LLM 모델(Qwen)을 파인튜닝하는 과정까지 상세하게 설명하여 실무에 직접 적용 가능한 수준까지 안내합니다.마지막으로, 9장에서는 RAG의 핵심인 검색 성능을 극대화하기 위해 임베딩 모델을 직접 파인튜닝하는 방법을 심층적으로 다룹니다. 효과적인 임베딩 학습 방법의 원리와 활용법을 배우고, 실제 데이터를 이용한 학습 데이터 구축부터 모델 훈련, 검색 성능 평가, 성능 최적화 팁까지 실전적인 지식을 습득합니다.
|
