이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 문화비소득공제 신청가능
상세 이미지
책소개
목차
|
1장 파운데이션 모델을 활용한 AI 애플리케이션 입문
_1.1 AI 엔지니어링의 부상 __1.1.1 언어 모델에서 대규모 언어 모델로 __1.1.2 대규모 언어 모델에서 파운데이션 모델로 __1.1.3 파운데이션 모델에서 AI 엔지니어링으로 _1.2 파운데이션 모델 활용 사례 __1.2.1 코딩 __1.2.2 이미지 및 동영상 제작 __1.2.3 글쓰기 __1.2.4 교육 __1.2.5 대화형 봇 __1.2.6 정보 집계 __1.2.7 데이터 체계화 __1.2.8 워크플로 자동화 _1.3 AI 애플리케이션 기획 __1.3.1 활용 사례 평가 __1.3.2 기대치 설정 __1.3.3 마일스톤 계획 __1.3.4 유지보수 _1.4 AI 엔지니어링 스택 __1.4.1 AI의 세 가지 계층 __1.4.2 AI 엔지니어링 대 ML 엔지니어링 __1.4.3 AI 엔지니어링 대 풀스택 엔지니어링 _1.5 마치며 2장 파운데이션 모델 이해하기 _2.1 학습 데이터 __2.1.1 다국어 모델 __2.1.2 도메인 특화 모델 _2.2 모델링 __2.2.1 모델 아키텍처 __2.2.2 모델 크기 _2.3 사후 학습 __2.3.1 지도 파인튜닝 __2.3.2 선호도 파인튜닝 _2.4 샘플링 __2.4.1 샘플링의 기초 __2.4.2 샘플링 전략 __2.4.3 테스트 시점 연산 __2.4.4 구조화된 출력 __2.4.5 AI의 확률적 특성 _2.5 마치며 3장 평가 방법론 _3.1 파운데이션 모델 평가의 어려움 _3.2 언어 모델링 지표 이해하기 __3.2.1 엔트로피 __3.2.2 교차 엔트로피 __3.2.3 문자당 비트와 바이트당 비트 __3.2.4 퍼플렉시티 __3.2.5 퍼플렉시티 해석과 활용 사례 _3.3 정확한 평가 __3.3.1 기능적 정확성 __3.3.2 참조 데이터 유사도 측정 __3.3.3 임베딩 소개 _3.4 AI 평가자 __3.4.1 AI 평가자를 쓰는 이유 __3.4.2 AI 평가자 사용법 __3.4.3 AI 평가자의 한계 __3.4.4 평가자로 활용 가능한 모델 _3.5 비교 평가를 통해 모델 순위 정하기 __3.5.1 비교 평가의 과제들 __3.5.2 비교 평가의 미래 _3.6 마치며 4장 AI 시스템 평가하기 _4.1 평가 기준 __4.1.1 도메인 특화 능력 __4.1.2 생성 능력 __4.1.3 지시 수행 능력 __4.1.4 비용과 지연 시간 _4.2 모델 선택 __4.2.1 모델 선택 과정 __4.2.2 모델 자체 개발 대 상용 모델 구매 __4.2.3 공개 벤치마크 탐색하기 _4.3 평가 파이프라인 설계하기 __4.3.1 1단계: 시스템의 모든 구성 요소 평가하기 __4.3.2 2단계: 평가 가이드라인 만들기 __4.3.3 3단계: 평가 방법과 데이터 정의하기 _4.4 마치며 5장 프롬프트 엔지니어링 _5.1 프롬프트 소개 __5.1.1 인컨텍스트 학습: 제로샷과 퓨샷 __5.1.2 시스템 프롬프트와 사용자 프롬프트 __5.1.3 컨텍스트 길이와 컨텍스트 효율성 _5.2 프롬프트 엔지니어링 모범 사례 __5.2.1 명확하고 명시적인 지시 작성하기 __5.2.2 충분한 컨텍스트 제공하기 __5.2.3 복잡한 작업을 단순한 하위 작업으로 나누기 __5.2.4 모델에게 생각할 시간 주기 __5.2.5 프롬프트 반복하며 개선하기 __5.2.6 프롬프트 엔지니어링 도구 평가하기 __5.2.7 프롬프트 정리 및 버전 관리하기 _5.3 방어적 프롬프트 엔지니어링 __5.3.1 독점 프롬프트와 역 프롬프트 엔지니어링 __5.3.2 탈옥과 프롬프트 주입 __5.3.3 정보 추출 __5.3.4 프롬프트 공격에 대한 방어 _5.4 마치며 6장 RAG와 에이전트 _6.1 RAG __6.1.1 RAG 아키텍처 __6.1.2 검색 알고리즘 __6.1.3 검색 최적화 __6.1.4 텍스트를 넘어선 RAG _6.2 에이전트 __6.2.1 에이전트 개요 __6.2.2 도구 __6.2.3 계획 수립 __6.2.4 에이전트 실패 유형과 평가 _6.3 메모리 _6.4 마치며 7장 파인튜닝 _7.1 파인튜닝 개요 _7.2 파인튜닝이 필요한 경우 __7.2.1 파인튜닝을 해야 하는 이유 __7.2.2 파인튜닝을 하지 말아야 하는 이유 __7.2.3 파인튜닝과 RAG _7.3 메모리 병목 현상 __7.3.1 역전파와 학습 가능한 파라미터 __7.3.2 메모리 계산 __7.3.3 수치 표현 방식 __7.3.4 양자화 _7.4 파인튜닝 기법 __7.4.1 파라미터 효율적 파인튜닝 __7.4.2 모델 병합과 다중 작업 파인튜닝 __7.4.3 파인튜닝 전술 _7.5 마치며 8장 데이터셋 엔지니어링 _8.1 데이터 큐레이션 __8.1.1 데이터 품질 __8.1.2 데이터 커버리지 __8.1.3 데이터 양 __8.1.4 데이터 수집과 주석 _8.2 데이터 증강 및 합성 __8.2.1 데이터 합성을 하는 이유 __8.2.2 전통적인 데이터 생성 기법 __8.2.3 AI 기반 데이터 합성 __8.2.4 모델 증류 _8.3 데이터 처리 __8.3.1 데이터 검사 __8.3.2 데이터 중복 제거 __8.3.3 데이터 정리 및 필터링 __8.3.4 데이터 형식 맞추기 _8.4 마치며 9장 추론 최적화 _9.1 추론 최적화 이해하기 __9.1.1 추론 개요 __9.1.2 추론 성능 지표 __9.1.3 AI 가속기 _9.2 추론 최적화 __9.2.1 모델 최적화 __9.2.2 추론 서비스 최적화 _9.3 마치며 10장 AI 엔지니어링 아키텍처와 사용자 피드백 _10.1 AI 엔지니어링 아키텍처 __10.1.1 1단계: 컨텍스트 보강 __10.1.2 2단계: 가드레일 도입하기 __10.1.3 3단계: 모델 라우터와 게이트웨이 추가 __10.1.4 4단계: 캐시로 지연 시간 줄이기 __10.1.5 5단계: 에이전트 패턴 추가 __10.1.6 모니터링과 관찰 가능성 __10.1.7 AI 파이프라인 오케스트레이션 _10.2 사용자 피드백 __10.2.1 대화형 피드백 추출 __10.2.2 피드백 설계 __10.2.3 피드백의 한계 _10.3 마치며 |
저자 소개2
Chip Huyen
클레이폿 AI의 공동 창립자이자 CEO로서 실시간 머신러닝을 위한 인프라를 개발하고 있다. 이전에는 엔비디아, 스노클 AI, 넷플릭스에 재직하며 머신러닝 시스템을 개발하고 배포하는 일을 도왔으며, 스탠퍼드 학부생일 때는 ‘딥러닝 연구를 위한 텐서플로’라는 강의를 만들어 직접 학생들을 가르쳤다. 현재 스탠퍼드에서 이 책의 토대가 된 ‘CS 329S: 머신러닝 시스템 설계(Machine Learning Systems Design)’를 강의하고 있다. 전문 분야는 소프트웨어 엔지니어링과 머신러닝에 걸쳐 있으며, 링크드인 탑 보이스(Top Voices) 소프트웨어 개발 부문(2019)과
클레이폿 AI의 공동 창립자이자 CEO로서 실시간 머신러닝을 위한 인프라를 개발하고 있다. 이전에는 엔비디아, 스노클 AI, 넷플릭스에 재직하며 머신러닝 시스템을 개발하고 배포하는 일을 도왔으며, 스탠퍼드 학부생일 때는 ‘딥러닝 연구를 위한 텐서플로’라는 강의를 만들어 직접 학생들을 가르쳤다. 현재 스탠퍼드에서 이 책의 토대가 된 ‘CS 329S: 머신러닝 시스템 설계(Machine Learning Systems Design)’를 강의하고 있다. 전문 분야는 소프트웨어 엔지니어링과 머신러닝에 걸쳐 있으며, 링크드인 탑 보이스(Top Voices) 소프트웨어 개발 부문(2019)과 데이터 과학 및 머신러닝 부문(2020)에 이름을 올렸다.
칩 후옌의 다른 상품
데이터와 머신러닝으로 문제를 해결하는 엔지니어. 빠르게 변하는 세상 속에서 어제보다 나아지려는 ‘향상심’과, 그럴수록 단단한 중심을 지키려는 ‘항상심’을 중요하게 생각한다. 동료 엔지니어들이 각자의 ‘향상심’과 ‘항상심’을 찾아가는 여정에 도움이 되기를 바라는 마음으로 지식을 공유하고 있다. Cloud GDE(Google Developer Expert)로 활동하며 인프런과 부스트캠프 AI Tech 등에서 강의하고 있다. 기술 블로그 ‘어쩐지 오늘은’, 유튜브 ‘카일스쿨’, 그리고 인스타그램(@data.scientist)에서 생각과 경험을 나누고 있다.
변성윤의 다른 상품
품목정보
- 발행일
- 2025년 09월 30일
- 쪽수, 무게, 크기
- 580쪽 | 183*235*35mm
- ISBN13
- 9791169214278
출판사 리뷰
|
AI 시스템 기획부터 설계 그리고 운영까지, 이론과 현실의 간극을 메우는
AI 엔지니어링의 정수를 현실적이고 효율적으로 담은 새로운 표준 아이디어를 프로토타입으로 구현하는 일은 한층 쉬워졌지만, 그것을 신뢰할 수 있는 AI 제품으로 만드는 일은 전혀 다른 이야기입니다. 웹과 생성형 AI에 흩어진 단편적인 지식만으로는 복잡한 프로덕션 환경에서 맞닥뜨리는 문제들을 풀어내기 어렵습니다. 『AI 엔지니어링』은 바로 이 지점에서 출발해, 파운데이션 모델을 활용한 AI 애플리케이션의 기획부터 설계, 운영까지 전 과정을 아우르는 최신 실무 가이드로, 추상적인 이론이 아니라 현업의 간극을 메워줄 체계적인 프레임워크를 제시합니다. 이 책은 프롬프트 엔지니어링, RAG, 파인튜닝, 추론 최적화, 아키텍처 설계에 이르기까지 실무자가 반드시 알아야 할 지식을 유기적으로 연결해 설명합니다. 단순히 기술을 나열하는 데 그치지 않고, 실제 팀이 겪는 고민과 의사결정의 맥락까지 함께 다루어, 기술과 현장의 현실을 균형 있게 조망할 수 있도록 이끕니다. 이는 현업에서 당장 적용 가능한 통찰과 함께, 장기적인 성장에 필요한 원칙을 동시에 제공하는 구성이기도 합니다. 무엇보다 이 책이 돋보이는 점은 평가(Evaluation)를 부록이 아닌 핵심 주제로 삼았다는 것입니다. AI 시스템의 품질과 신뢰성은 평가 없이는 담보할 수 없기에, 두 개의 장을 할애해 성능과 신뢰성을 확보하는 평가 방법론을 집중 조명합니다. 이를 통해 ‘감’이 아닌 데이터에 기반한 의사결정 원칙을 세울 수 있게 해 주며, 전작 『머신러닝 시스템 설계』가 그랬듯 빠르게 변하는 AI 생태계 속에서도 흔들림 없는 기본기를 다져주는 든든한 교과서이자 레퍼런스로 자리매김할 것입니다. ● 명확한 개념과 로드맵 제시: AI 엔지니어링이 기존 ML 엔지니어링과 어떻게 다른지 정의하고, 성공적인 AI 애플리케이션 개발을 위한 전체적인 시야와 전략을 제공합니다. ● 성능과 효율을 극대화하는 핵심 전략: 프롬프트 엔지니어링, RAG, 파인튜닝 등 최신 기법을 단순히 나열하는 것을 넘어, 언제 무엇을 사용해야 하는지에 대한 명확한 기준과 트레이드오프를 제시합니다. ● 데이터 기반 의사결정 능력 강화: 수많은 모델과 기술 속에서 프로젝트의 성공을 이끌 최적의 조합을 선택할 수 있도록, 체계적인 평가 파이프라인 설계 방법과 실용적인 지표 선택 가이드를 제공합니다. ● 실전 운영 노하우: 지연 시간, 비용 등 현실적인 제약 속에서 AI 시스템을 배포하고 운영하기 위한 실용적인 최적화 방안을 학습합니다. ● 지속 가능한 시스템 구축: 사용자 피드백을 체계적으로 수집하고 반영하여, 한 번의 구축으로 끝나는 것이 아니라 지속적으로 개선되는 AI 시스템을 만드는 방법을 익힙니다. 주요 내용 ● AI 엔지니어링의 개념과 ML 엔지니어링과의 차이점 분석 ● 애플리케이션 개발 과정에서 마주치는 과제와 해결 전략 ● 프롬프트 엔지니어링, RAG, 파인튜닝, 에이전트, 데이터셋 설계 등의 주요 기법 ● 지연 시간과 비용을 고려한 모델 배포 및 운영 최적화 방안 ● 목적에 적합한 모델, 데이터셋, 평가 기준 및 지표 선택 방법 ● 사용자 피드백 기반의 반복 가능한 개선 루프 구축 누구를 위한 책인가요? ● LLM과 파운데이션 모델을 실무에 도입하거나 확장하려는 AI/ML 엔지니어 ● 모델 평가, 데이터셋 설계, 파인튜닝 기법을 실제 프로젝트에 적용하고 싶은 데이터 과학자 및 연구원 ● AI 애플리케이션 개발 과정을 이해하고 팀과 협업해야 하는 프로덕트 매니저 및 기획자 ● 전통적 ML에서 LLM 기반 개발로 전환하며 새 과제를 마주한 ML 개발자 |
추천평
|
비즈니스 환경에서 실제로 활용할 수 있는 AI 애플리케이션 구축 전략과 실전 접근법에 집중한 체계적인 실행 가이드입니다. 다양한 도메인에서 AI 유스 케이스를 개발하고 운영해 본 경험을 바탕으로 보았을 때, 이 책은 파운데이션 모델의 개념부터 실제 활용 사례까지 균형 있게 다루며 실무자에게 꼭 필요한 시야를 제공합니다. - 강병진 ((전) Open Innovation GS (52g) 소프트웨어 엔지니어)
|
|
이 책은 이 복잡한 시스템을 파운데이션 모델을 중심으로 잘 풀어내고 있습니다. 이론과 실무를 유기적으로 연결하여 기획 단계에서부터 모델 적용, 운영에 이르기까지 전 과정을 직관적이면서도 체계적으로 설명합니다. 각 개념과 방법론을 현업의 흐름 속에 자연스럽게 녹여, 단순한 기술 설명을 넘어 실무 가이드로서도 손색이 없습니다. - 경호 (클로저랩스 Co-Founder & CEO)
|
|
이 책은 단순히 최신 기술을 나열하는 것이 아니라 실제 프로덕션 환경에서 마주할 수 있는 문제를 해결하기 위한 근본적인 원칙과 시스템 설계 방법을 체계적으로 다룹니다. 빠르게 변화하는 AI 기술의 혼란 속에서도 변하지 않을 핵심 원리를 통해 중심을 잡을 수 있도록 도와줍니다. 단순한 프로토타입 수준을 넘어, 신뢰할 수 있고 확장 가능한 AI 시스템을 구축하고자 하는 모든 엔지니어에게 든든한 가이드가 될 책입니다. - 준영 (카카오페이증권 AI 프로덕트 엔지니어)
|
|
LLM의 등장으로 기존 ML 엔지니어링을 넘어, 모델·인프라·애플리케이션 영역을 모두 아우르는 더 포괄적인 개념인 AI 엔지니어링이 주목받고 있습니다. 이 책은 그 방대한 영역을 실무와 개념을 두루 아우르며 그 어떤 책보다 폭넓고 깊이 있게 다룹니다. 또한 어려운 개념도 단계별로 차근차근 설명하여 처음 접하는 독자도 쉽게 이해할 수 있도록 돕습니다. 개인적으로 이 책은 AI 분야의 필독서가 될 것이라 확신합니다. - 이호연 (AI 스타트업 테크 리드)
|
|
어떤 일을 하든 전체 그림을 볼 수 있는지 여부는 큰 차이를 만듭니다. 그런데 전체 그림을 본다는 것은 결코 쉽지 않습니다. 특히 하루가 다르게 변하는 AI 분야에서는 더욱 그렇습니다. 저자인 칩 후옌은 이러한 부분에서 독보적인 역량을 보여줍니다. 현역 엔지니어로서 수많은 엔지니어와 끊임없이 교류하며 얻은 통찰을 바탕으로 전체 그림을 정리해 전달합니다. 글의 스타일 또한 시원시원합니다. 전작 『머신러닝 시스템 설계』에 이어, 파운데이션 모델 이후의 AI에 초점을 둔 이 책이 좋은 번역으로 출간되어 무척 기쁩니다. - 정원창 (머신러닝 엔지니어)
|
리뷰/한줄평11
AI가 리뷰를 요약했어요!?
AI 엔지니어링은 AI 시스템의 기반 기술을 체계적으로 다루며, 데이터 수집부터 정제, 레이블링까지의 과정을 통해 데이터 엔지니어링의 중요성을 강조합니다. 합성 데이터 생성, 데이터 품질 평가, 모델 스케일링 문제 등 실무적인 부분도 유용하게 다루고 있으며, AI 아키텍처 설계 과정은 단계별로 복잡성을 보여주어 실제 애플리케이션 구축에 큰 도움이 됩니다. 프롬프트 엔지니어링과 보안의 중요성, RAG와 에이전트 구축 방법 등 실전 노하우가 담겨 있어 실무에서 참고하기 좋습니다.
36,000원
총 1개
36,000원
