소득공제
PDF
eBook
AI 엔지니어링
파운데이션 모델을 활용한 시스템 설계부터 개선까지, AI 앱 개발 원스톱 가이드
스마트한 PDF 필기 기능을 사용해 보세요!
- 가격
-
32,000원32,000
- 크레마머니 최대혜택가?
- 30,500원
- YES포인트?
-
1,600원 (5%)5만원 이상 구매 시 2천원 추가 적립
- 결제혜택
- 카드/간편결제 혜택을 확인하세요
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
소개
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 마치며2장 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 마치며3장 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 마치며4장 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 마치며5장 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 마치며6장 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 마치며7장 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 마치며8장 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 마치며9장 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 마치며10장 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 소개 2
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 29일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 12.58MB ?
- 글자 수/ 페이지 수
- 약 581쪽 ?
- ISBN13
- 9791169219938
출판사 리뷰
|
AI 시스템 기획부터 설계 그리고 운영까지, 이론과 현실의 간극을 메우는AI 엔지니어링의 정수를 현실적이고 효율적으로 담은 새로운 표준아이디어를 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 구축누구를 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
|
