소득공제
PDF
eBook
실무로 통하는 LLM 애플리케이션 설계
프로토타입을 넘어 제품으로 완성하는 생성형 AI 개발 전략
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
이 분야의 이벤트
상세 이미지
소개
목차
|
[PART 1 LLM의 구성 요소]CHAPTER 1 LLM의 개념과 첫걸음_1.1 LLM의 정의_1.2 LLM의 간략한 역사_1.3 LLM의 영향_1.4 기업 내 LLM 활용_1.5 프롬프팅_1.6 API를 통한 LLM 접근 방법_1.7 LLM의 강점과 한계_1.8 첫 번째 챗봇 프로토타입 만들기_1.9 프로토타입에서 제품화까지_1.10 마치며CHAPTER 2 사전 훈련 데이터_2.1 LLM을 만드는 구성 요소_2.2 사전 훈련 데이터 요구 사항_2.3 대표적인 사전 훈련 데이터셋_2.4 합성 사전 훈련 데이터_2.5 훈련 데이터 전처리_2.6 사전 훈련 데이터가 후속 작업에 미치는 영향_2.7 사전 훈련 데이터셋의 편향과 공정성 문제_2.8 마치며CHAPTER 3 어휘와 토큰화_3.1 어휘_3.2 토크나이저_3.3 토큰화 파이프라인_3.4 마치며CHAPTER 4 아키텍처와 학습 목표_4.1 기본 개념_4.2 의미 표현하기_4.3 트랜스포머 아키텍처_4.4 손실 함수_4.5 내재적 모델 평가_4.6 트랜스포머 백본_4.7 학습 목표_4.8 사전 훈련 모델_4.9 마치며[PART 2 LLM 활용하기]CHAPTER 5 사용 목적에 맞게 LLM 활용하기_5.1 LLM 생태계 탐색하기_5.2 적합한 LLM을 선택하는 방법_5.3 LLM 로딩 방법_5.4 디코딩 전략_5.5 LLM에서 추론 실행하기_5.6 구조화된 출력_5.7 모델 디버깅 및 해석 가능성_5.8 마치며CHAPTER 6 파인 튜닝_6.1 파인 튜닝의 필요성_6.2 파인 튜닝: 전체 예제_6.3 파인 튜닝 데이터셋_6.4 마치며CHAPTER 7 고급 파인 튜닝 기법_7.1 지속적 사전 훈련_7.2 파라미터 효율적 파인 튜닝(PEFT)_7.3 여러 모델 결합하기_7.4 마치며CHAPTER 8 정렬 훈련과 추론_8.1 정렬 훈련의 정의_8.2 강화 학습_8.3 환각_8.4 환각 완화 전략_8.5 인컨텍스트 환각_8.6 관련 없는 정보로 인한 환각_8.7 추론_8.8 LLM에서 추론 유도하기_8.9 마치며CHAPTER 9 추론 최적화_9.1 LLM 추론의 도전 과제_9.2 추론 최적화 기법_9.3 연산량 감소 기법_9.4 디코딩 가속화 기법_9.5 저장 공간을 절약하는 기법_9.6 마치며[PART 3 LLM 애플리케이션 활용 패러다임]CHAPTER 10 LLM과 외부 도구의 인터페이스_10.1 LLM 상호작용 패러다임_10.2 에이전트 정의_10.3 에이전트 기반 워크플로_10.4 에이전트 시스템 구성 요소_10.5 마치며CHAPTER 11 표현 학습과 임베딩_11.1 임베딩 소개_11.2 의미 검색_11.3 유사도 측정법_11.4 임베딩 모델 파인 튜닝_11.5 지시 임베딩_11.6 임베딩 크기 최적화_11.7 청킹_11.8 벡터 데이터베이스_11.9 임베딩 해석하기_11.10 마치며CHAPTER 12 검색 증강 생성(RAG)_12.1 RAG의 필요성_12.2 대표적인 RAG 활용 시나리오_12.3 검색 여부 판단하기_12.4 RAG 파이프라인_12.5 메모리 관리를 위한 RAG_12.6 RAG로 인컨텍스트 학습 예시 선택하기_12.7 모델 훈련에 RAG 활용하기_12.8 RAG의 한계_12.9 RAG 대 긴 컨텍스트_12.10 RAG 대 파인 튜닝_12.11 마치며CHAPTER 13 디자인 패턴과 시스템 아키텍처_13.1 다중 LLM 아키텍처_13.2 프로그래밍 패러다임_13.3 마치며
|
저자 소개 2
10년 넘게 기술 업계에서 일해 온 숙련된 머신러닝 연구자입니다. 2020년부터 와이 콤비네이터(Y-Combinator)의 지원을 받는 AI 및 핀테크 스타트업인 허드슨 랩스(Hudson Labs)의 공동 창립자이자 CTO, ML 연구 책임자로 일하고 있습니다.
허드슨 랩스에서는 도메인 특화 LLM, 텍스트 랭킹, 표현 학습 분야에서 여러 혁신적인 기법을 개발했으며, 이 기법들은 허드슨 랩스 제품의 핵심 기능을 실현하는 기반이 되었습니다. 또한 오픈 소스 LLM 개발에도 활발히 참여해 왔으며, BLOOM LLM 프로젝트의 일환인 빅 사이언스(Big Science) 프로젝트에서
10년 넘게 기술 업계에서 일해 온 숙련된 머신러닝 연구자입니다. 2020년부터 와이 콤비네이터(Y-Combinator)의 지원을 받는 AI 및 핀테크 스타트업인 허드슨 랩스(Hudson Labs)의 공동 창립자이자 CTO, ML 연구 책임자로 일하고 있습니다.
허드슨 랩스에서는 도메인 특화 LLM, 텍스트 랭킹, 표현 학습 분야에서 여러 혁신적인 기법을 개발했으며, 이 기법들은 허드슨 랩스 제품의 핵심 기능을 실현하는 기반이 되었습니다. 또한 오픈 소스 LLM 개발에도 활발히 참여해 왔으며, BLOOM LLM 프로젝트의 일환인 빅 사이언스(Big Science) 프로젝트에서 프라이버시 워킹 그룹의 공동 리더로 활동했습니다.
2021년부터는 토론토 머신러닝 서밋(TMLS) 콘퍼런스의 의장으로 활동 중이며 전 세계 AI 콘퍼런스에서 연사로 자주 참여합니다. NLP 분야의 최신 연구를 논의하는 정기 세미나도 직접 주최합니다.
허드슨 랩스에서는 도메인 특화 LLM, 텍스트 랭킹, 표현 학습 분야에서 여러 혁신적인 기법을 개발했으며, 이 기법들은 허드슨 랩스 제품의 핵심 기능을 실현하는 기반이 되었습니다. 또한 오픈 소스 LLM 개발에도 활발히 참여해 왔으며, BLOOM LLM 프로젝트의 일환인 빅 사이언스(Big Science) 프로젝트에서 프라이버시 워킹 그룹의 공동 리더로 활동했습니다.
2021년부터는 토론토 머신러닝 서밋(TMLS) 콘퍼런스의 의장으로 활동 중이며 전 세계 AI 콘퍼런스에서 연사로 자주 참여합니다. NLP 분야의 최신 연구를 논의하는 정기 세미나도 직접 주최합니다.
‘오늘코드’ 유튜브 채널을 운영하며, 파이썬 분야의 마이크로소프트 MVP로 활동하고 있습니다. 웹과 백엔드 개발자로 게임과 광고 회사에서 주로 근무했으며, 다양한 도메인의 기업에서 프로젝트를 진행했습니다. 또한 다수의 대학교와 교육기관, 기업에서 강의를 맡아왔습니다. 『모두의 한국어 텍스트 분석 with 파이썬』(길벗, 2023)의 공저자이며 『NLP와 LLM 실전 가이드』(한빛미디어, 2025)를 우리말로 옮겼습니다.
박조은의 다른 상품
품목정보
- 발행일
- 2025년 10월 20일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 6.07MB ?
- 글자 수/ 페이지 수
- 약 426쪽 ?
- ISBN13
- 9791169216494
출판사 리뷰
|
LLM, 개념을 넘어 실무 애플리케이션으로!한 권에 담은 AI 애플리케이션 설계의 시작과 끝LLM은 이제 단순한 기술 트렌드를 넘어, 기업과 제품 혁신을 이끄는 핵심 기술이 되었습니다. 하지만 아이디어를 실제 서비스로 확장하는 길은 여전히 복잡하고 도전적입니다. 이 책은 이러한 간극을 메우기 위해 탄생했습니다. LLM의 기초 원리부터 최신 활용 패턴까지, LLM을 둘러싼 이론과 실무 노하우를 균형 있게 담아냈습니다. 이 책은 LLM을 이해하고, 활용하고, 제품으로 구현하는 전 과정을 차근차근 밟아갈 수 있도록 안내합니다. LLM의 작동 원리를 직관적으로 이해하고, 프롬프트 설계와 파인 튜닝, RAG, 에이전트 아키텍처 등 최신 활용 기법을 익히며 실제 제품 환경에서 마주하는 문제와 한계를 해결하는 방법을 배울 수 있습니다. 특히 각 장마다 풍부한 실습과 연습 문제를 수록해 단순한 이론 학습을 넘어 직접 실험하며 체득할 수 있도록 구성했습니다. 소프트웨어 엔지니어, 머신러닝 연구자, 제품 관리자 모두가 이 책을 통해 LLM의 복잡한 퍼즐을 하나하나 맞춰 나갈 수 있을 것입니다. AI 시대에 경쟁력을 확보하려는 실무자에게 이 책은 아이디어를 실제 프로덕션으로 이어 주는 가장 실용적인 다리가 될 것입니다.주요 내용● 훈련 데이터, 토큰화, 아키텍처, 정렬 훈련을 통한 LLM의 기본 원리● 프롬프팅, 파인 튜닝, RAG, 에이전트 기반 활용 기법● 임베딩 검색, 도메인 특화 챗봇, 랭체인 기반 애플리케이션 설계● 80여 개의 연습 문제와 깃허브 예제 코드로 학습 효과 강화● 추론 최적화, 프로덕션 아키텍처, 오픈 소스 LLM 비교 등 최신 동향 반영대상 독자● 프로덕션 수준의 LLM 서비스를 만들고 싶은 개발자● 최신 LLM 응용 기법과 활용 패턴을 정리하고 싶은 연구자● LLM 기술을 실제 서비스와 연결하고 싶은 제품 기획자● LLM을 활용한 자동화, 지식 검색, 데이터 처리 솔루션을 모색하는 전문가
|
