이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 문화비소득공제 신청가능
에이콘 데이터 과학 시리즈
책소개
관련 동영상
목차
|
1장. GenAI 시작하기
기술적 요구 사항 용어 정의 GenAI 스택 ____파이썬과 GenAI ____OpenAI API ____벡터 검색을 사용한 MongoDB GenAI의 중요 기능 ____왜 GenAI를 사용하는가? ____GenAI의 윤리와 위험 요약 2장. 지능형 애플리케이션의 블록 구축 기술적 요구 사항 지능형 애플리케이션 정의 ____지능형 애플리케이션 블록 구축 LLM - 지능형 애플리케이션의 추론 엔진 ____LLM 추론 엔진의 사용 사례 ____LLM의 다양한 기능 ____멀티모달 언어 모델 ____AI 개발의 패러다임 이동 임베딩 모델과 벡터 데이터베이스 - RAG를 위한 외부 지식 저장소 ____임베딩 모델 ____벡터 데이터베이스 ____모델 호스팅 사용자 지능형 애플리케이션 ____샘플 애플리케이션 - RAG 챗봇 ____소프트웨어 엔지니어링의 지능형 애플리케이션 관련 시사점 요약 1부. AI의 기초: LLM, 임베딩 모델, 벡터 데이터베이스, 애플리케이션 설계 3장. 대규모 언어 모델 기술적 요구 사항 확률적 프레임워크 ____n-그램 언어 모델 언어 모델링의 머신러닝 ____인공 신경망 ____인공 신경망 훈련 자연어 처리의 ANN ____토큰화 ____임베딩 ____확률 분포 예측 순차적 데이터 처리 ____순환 신경망 ____트랜스포머 아키텍처 LLM의 모범 사례 ____LLM의 진화 분야 ____프롬프트, 미세 조정 및 RAG 요약 4장. 임베딩 모델 기술적 요구 사항 임베딩 모델이란? ____임베딩 모델은 LLM과 어떻게 다를까? ____임베딩 모델과 LLM을 사용해야 하는 경우 ____임베딩 모델의 종류 임베딩 모델 선택하기 ____작업 요구 사항 ____데이터 세트 특성 ____계산 리소스 ____벡터 표현 ____임베딩 모델 리더보드 ____임베딩 모델 개요 ____항상 임베딩 모델이 필요한가? ____LangChain에서 코드 실행 모범 사례 요약 5장. 벡터 데이터베이스 기술적 요구 사항 벡터 임베딩이란? ____벡터 유사도 ____정확한 검색과 대략적인 검색 방법 ____검색 측정 그래프 연결성 ____작은 세계 탐색 ____탐색이 가능한 작은 세계를 검색하는 방법 ____계층적 탐색이 가능한 작은 세계 벡터 데이터베이스의 필요성 ____벡터 검색이 AI 모델을 개선하는 방법 사례 연구 및 실제 적용 사례 ____Okta - 자연어 액세스 요청(시맨틱 검색) ____One AI - 언어 기반 AI(비즈니스 데이터를 사용한 RAG) ____Novo Nordisk - 자동 임상 연구 생성(고급 RAG/RPA) 벡터 검색 모범 사례 ____데이터 모델링 ____적용 요약 6장. AI/ML 애플리케이션 설계 기술적 요구 사항 데이터 모델링 ____임베딩을 사용한 데이터 보강 ____검색 사용 예 고려하기 데이터 스토리지 ____데이터베이스 클러스터의 유형 판별 ____IOPS 결정 ____RAM 결정 ____최종 클러스터 구성 ____성능과 가용성 대 비용 데이터 흐름 ____정적 데이터 원본 처리 ____벡터 임베딩으로 보강한 운영 데이터 저장하기 신규성과 유지 ____실시간 업데이트 ____데이터 수명주기 ____새로운 임베딩 모델 채택 보안 및 RBAC AI/ML 애플리케이션 설계를 위한 모범 사례 요약 2부. 사용자 파이썬 애플리케이션 만들기: 프레임워크, 라이브러리, API, 벡터 검색 엔진 7장. 유용한 프레임워크, 라이브러리, API 기술적 요구 사항 AI/ML 파이썬 AI/ML 프레임워크 ____LangChain ____유사도 점수를 사용한 LangChain 시맨틱 검색 ____사전 필터링을 사용한 시맨틱 검색 ____LangChain으로 기본 RAG 솔루션 구현하기 ____LangChain 프롬프트 템플릿과 체인 주요 파이썬 라이브러리 ____pandas ____PyMongoArrow ____PyTorch AI/ML API ____OpenAI API ____허깅 페이스 요약 8장. AI 애플리케이션에서 벡터 검색 구현하기 기술적 요구 사항 MongoDB 아틀라스 벡터 검색을 사용한 정보 검색 ____파이썬의 벡터 검색 튜토리얼 ____LangChain을 사용한 벡터 검색 튜토리얼 RAG 아키텍처 시스템 구축 ____청크와 문서 분할 전략 ____간단한 RAG ____고급 RAG 요약 3부. AI 애플리케이션의 최적화: 확장, 미세 조정, 문제 해결, 모니터링 및 분석 9장. LLM 출력 평가 기술적 요구 사항 LLM 평가란? ____LLM 구성 요소와 엔드 투 엔드 평가 모델 벤치마킹 ____평가 데이터 세트 ____기준선 정의 ____사용자 피드백 ____합성 데이터 평가 메트릭 ____어설션 기반 메트릭 ____통계 메트릭 ____LLM 기반 평가 ____RAG 메트릭 ____인적 검토 ____가드레일로서의 평가 요약 10장. 시맨틱 데이터 모델을 개선해 정확도 향상하기 기술적 요구 사항 임베딩 ____다양한 임베딩 모델로 실험하기 ____임베딩 모델 미세 조정 임베딩 메타데이터 ____메타데이터 형식 지정 ____정적 메타데이터 포함 ____프로그래밍 방식의 메타데이터 추출 ____LLM으로 메타데이터 생성 ____쿼리 임베딩 및 수집 콘텐츠 임베딩에서 메타데이터 포함하기 검색 증강 생성 최적화 ____쿼리 변형 ____사전 필터링을 위한 쿼리 메타데이터 추출 ____수집된 데이터 형식 지정 ____고급 검색 시스템 요약 11장. GenAI의 일반적인 실패 기술적 요구 사항 환각 ____환각의 원인 ____환각의 의미 아첨 ____아첨의 원인 ____아첨의 의미 데이터 유출 ____데이터 유출의 원인 ____데이터 유출의 의미 비용 ____비용 유형 ____토큰 GenAI 애플리케이션의 성능 문제 ____계산 부하 ____모델 제공 전략 ____높은 I/O 작업 요약 12장. GenAI 애플리케이션 수정 및 최적화 기술적 요구 사항 기준선 ____훈련과 평가 데이터 세트 ____퓨샷 프롬프팅 ____검색과 순위 재지정 ____늦은 상호작용 전략 ____쿼리 재작성 테스트와 레드 팀 구성 ____테스트 ____레드 팀 구성 정보 후처리 다른 해결 방법 요약 |
저자 소개10
Rachelle Palmer
MongoDB의 개발자 데이터베이스 경험(Developer Database Experience)과 개발자 교육(Developer Education) 부문의 제품 리더이며 드라이버 클라이언트 라이브러리, 문서, 프레임워크 통합, MongoDB 대학(MongoDB University)을 감독한다. 자바, PHP, Rust, 파이썬, Node.js, 루비(Ruby)로 MongoDB용 샘플 애플리케이션을 구축했다. 2013년 MongoDB에 합류했으며, 이전에는 기술 서비스 엔지니어링 팀의 이사로서 MongoDB 아틀라스(MongoDB Atlas)에 각종 지원과 클라우드 운영(Cloud
MongoDB의 개발자 데이터베이스 경험(Developer Database Experience)과 개발자 교육(Developer Education) 부문의 제품 리더이며 드라이버 클라이언트 라이브러리, 문서, 프레임워크 통합, MongoDB 대학(MongoDB University)을 감독한다. 자바, PHP, Rust, 파이썬, Node.js, 루비(Ruby)로 MongoDB용 샘플 애플리케이션을 구축했다. 2013년 MongoDB에 합류했으며, 이전에는 기술 서비스 엔지니어링 팀의 이사로서 MongoDB 아틀라스(MongoDB Atlas)에 각종 지원과 클라우드 운영(CloudOps)을 제공하는 팀을 구성하고 관리했다.
라셸 파머의 다른 상품
Ben Perlmutter
MongoDB 교육 AI 팀의 책임 엔지니어이며 LLM, 임베딩 모델, 벡터 데이터베이스 등의 AI 기술을 사용해 MongoDB 교육 경험을 개선했다. 그의 팀은 MongoDB AI 챗봇을 구축해 검색 증강 생성을 사용함으로써 매주 수천 명의 사용자가 MongoDB를 배울 수 있도록 지원한다. 이전에는 기술 중심 문서를 작성하는 데 특화된 테크니컬 라이터로 일했다.
Ashwin Gangadhar
전자상거래, HR 분석, 재무에 관한 데이터 기반 솔루션 분야에서 10년 이상의 경험을 쌓아온 MongoDB의 책임 솔루션 아키텍트다. 제어와 신호 처리 석사 학위를 보유하고 있으며 검색 관련성, 컴퓨터 비전, NLP를 전문으로 한다. 또한 학습에 대한 지속적인 열정을 바탕으로 새로운 기술과 혁신 솔루션을 탐구하고 있다. 인도 벵갈루루에서 태어나고 자랐으며 여행, 요리를 통한 문화 탐구, 기타 연주를 즐긴다.
Nicholas Larew
MongoDB의 교육 AI 팀에 몸담고 있는 책임 엔지니어다. MongoDB의 AI 챗봇과 챗봇 기능을 강화하는 오픈소스 프레임워크를 개발하고 있으며 MongoDB의 콘텐츠 생성과 데이터 세트 큐레이션 작업을 담당한다. AI와 관련해 일하기 전에는 문서를 작성하고 유지 관리하는 일을 했으며, MongoDB 제품 개발자의 샘플 애플리케이션을 유지 보수했다.
Sigfrido Narvaez
MongoDB의 수석 솔루션 아키텍트로서 AI 프로젝트, 데이터베이스 마이그레이션, 애플리케이션 현대화를 담당했다. 그의 고객은 엔터테인먼트, 게임, 금융 ㅋ등의 분야에서 미국과 라틴 아메리카 전역에 걸쳐 있다. 2015년 ‘MongoDB 마스터’로 선정된 바 있으며 GDC, QCon, re:Invent 콘퍼런스에서 MongoDB 아틀라스와 선도적인 AI 기술을 사용해 파이썬과 다른 언어로 구축한 샘플 앱을 공유했다.
Thomas Rueckstiess
MongoDB의 책임 과학자이자 머신러닝 연구 그룹 책임자다. 신경망과 강화 학습, 트랜스포머, 정형 데이터 모델링(structured data modeling)을 전문으로 하는 머신러닝 박사 학위를 갖고 있다. 2012년 MongoDB에 입사했으며, 이전에는 MongoDB 컴파스(MongoDB Compass)와 아틀라스 차트(Atlas Charts)의 수석 엔지니어였다.
Henry Weller
아틀라스 벡터 검색(Atlas Vector Search)의 전담 제품 관리자로, 쿼리 기능과 서비스의 확장성을 담당하고 사용자를 위한 모범 사례를 개발하는 데 주력하고 있다. 아틀라스 벡터 검색을 2023년에 공개 평가판에서 일반 제품으로 전환해 출시하는 데 기여했고, 서비스의 핵심 기능 제공을 계속 주도하고 있다. 2022년 MongoDB에 합류했으며, 이전에는 데이터 엔지니어이자 백엔드 로보틱스 소프트웨어 엔지니어였다.
Richmond Alake
MongoDB의 AI/ML 개발자 애드버케이트(Developer Advocate)로, AI 애플리케이션 구축 개발자를 위한 기술 학습 콘텐츠를 제작했다. 머신러닝 아키텍처, 데이터 파이프라인 최적화, 딥러닝을 통한 모바일 경험 개발 등을 아우르는 기술적 배경 및 경험을 갖고 있다. GenAI와 컴퓨터 비전을 전문으로 하며, AI 도메인 전반에 걸친 실용적인 애플리케이션과 효율적인 구현에 중점을 둔다. 또한 개발자에게 AI 솔루션 모범 사례도 가이드하고 있다.
Shubham Ranjan
MongoDB 파이썬 버전의 제품 관리자이자 MongoDB의 AI 이니셔티브에 기여하는 핵심멤버다. 파이썬 개발자이며, 데이터 과학과 머신러닝에서 경쟁 프로그래밍에 이르기까지 다양한 주제를 다루는 700개 이상의 기술 문서를 게시했다. 2019년 MongoDB에 합류한 이후 소프트웨어 엔지니어를 거쳐 여러 제품의 제품 관리자로 승진하면서 여러 역할을 수행했다.
최신 IT 테크놀로지에 대한 리서치를 목적으로 하는 스터디 그룹이다. 엔터프라이즈 환경에서 오픈소스를 활용한 프레임워크 구축에 관심이 많으며 React.js, Node.js, OpenCV, 머신러닝/딥러닝 등의 기술에 주목하고 있다. 또한 다양한 오픈소스 기반 플랫폼의 개발 및 활용에 많은 관심을 갖고 있다. 역서로는 『OpenCV를 위한 머신러닝』(에이콘, 2017), 『컴퓨터 비전과 딥러닝』(에이콘, 2018) 등이 있다.
테크 트랜스 그룹 T4의 다른 상품
관련 분류
품목정보
- 발행일
- 2025년 12월 26일
- 쪽수, 무게, 크기
- 396쪽 | 188*235*19mm
- ISBN13
- 9791194409502
출판사 리뷰
|
AI 애플리케이션을 만드는 모범 사례와 실전 기술 완전 정복
이 책은 LLM, 벡터 데이터베이스, 파이썬 프레임워크로 구성된 생성형 AI 스택의 작동 원리를 처음부터 끝까지 설명한다. 단순히 개념을 나열하는 데 그치지 않고, 각 기술이 실제 애플리케이션에서 어떻게 맞물려 돌아가는지를 보여준다. 데이터를 어떻게 준비해야 하는지, 어떤 모델을 선택해야 하는지, 미세 조정은 어떻게 해야 하는지 등 현장에서 바로 적용할 수 있는 모범 사례를 익힌다. 환각 현상이나 데이터 유출 같은 골치 아픈 문제를 해결하기 위해 검색 증강 생성(RAG)을 MongoDB Atlas와 함께 구현하는 방법도 단계별로 안내한다. 무엇보다 이 책은 많은 입문서가 다루지 않는 영역까지 파고든다. LLM이 내놓은 결과를 어떻게 평가해야 하는지, AI 오류는 어떻게 진단하고 수정하는지, 성능은 어떻게 최적화하는지를 구체적으로 설명한다. 이 부분을 알아야 실제 서비스에서 안정적으로 작동하는 AI 애플리케이션을 만들 수 있다. 이 책을 읽고 나면 실제 가치를 제공하는 AI 애플리케이션을 직접 구축할 역량을 갖추게 될 것이다. 이 책에서 다루는 내용 - LLM, 벡터 데이터베이스, 파이썬 프레임워크로 구성된 생성형 AI 스택의 구조와 작동 원리 - 벡터 데이터베이스의 역할과 AI 애플리케이션 성능 향상을 위한 활용법 - MongoDB Atlas를 활용한 벡터 검색과 RAG 구현 - LLM 출력 품질을 측정하고 개선하는 평가 방법 - 환각, 데이터 유출 등 자주 발생하는 문제와 해결 전략 |
추천평
|
현재 여러 빅테크 회사가 다양한 LLM 모델로 서비스를 제공하고 있으며, 다양한 질문과 문제에 대한 답을 주고 있다. 하지만 거대 LLM 모델일지라도 최신 정보는 웹과 같은 오픈된 곳에서 가져와 답변한다. 다시 말해, LLM이 학습하지 못했거나 오픈된 정보를 가져올 수 없다면 답을 줄 수 없다는 것이다.
특정 조직이나 회사 내부에서만 쓰이는 정보가 바로 그렇다. LLM이 가져올 수 없기 때문이다. 그래서 이런 닫혀진 정보들을 LLM이 이해할 수 있게 저장하고, 질문을 받았을 때 해당 정보와 연관된 정보들을 검색해 LLM에 제공하고, 적절한 형식으로 답변할 수 있게 해줘야 한다. 이것이 이 책에서 설명하는 내용이다. 이 책의 독자들은 아마도 LLM 관련 프로젝트를 진행하는 분들이거나 앞으로 진행할 분들일 것이다. 일반적인 정보에 대한 답변이 필요하다면 빅테크 회사의 서비스를 그대로 쓰면 된다. 하지만 보통 LLM 프로젝트를 진행한다고 하면, 특정 그룹이나 특정 업무를 진행하는 직원들에게 맞춤형 정보를 바탕으로 답변해줘야 한다. 이 책은 이러한 프로젝트를 진행하는 데 필요한 내용들을 담고 있으니, 책을 보면서 프로젝트를 진행해도 되고 프로젝트를 제안해도 될 것이다. - 김병규 (아이브릭스 지능정보컨설팅팀 부장) |
|
ChatGPT가 촉발한 AI에 대한 관심, 특히 거대 언어 모델인 LLM에 대한 관심이 매우 뜨겁다. 따라서 관련 기술과 서비스는 이제 선택이 아니라 필수인 시대가 돼버린 듯하다. 금융회사인 우리도 LLM을 도입해 업무 효율을 높이는 AI 서비스를 개발하고 있으며, 실제로 몇몇 서비스는 이미 운영 중이다.
현재 LLM 기반 AI 서비스를 개발하는 방법이 다양해서 어떤 프레임워크가 적합할지 궁금할 때가 많았다. 또한 AI 서비스를 실제 운영 환경에 배포하면서 많은 시행착오를 겪었던 탓에 개발 단계부터 운영 환경을 염두에 둬야 한다고 늘 생각해왔다. 이 책은 LLM을 활용한 AI 서비스의 개발부터 운영까지 소개하고 어떤 프레임워크가 좋은지, 어떻게 설계하고 평가할 것인지를 단계별로 친절하게 알려줘서 많은 도움이 됐다. AI 애플리케이션 최적화에 필요한 내용도 실제 운영 과정에서 좋은 팁이 될 것이다. AI 서비스를 설계하고 개발하고 운영하는 데 필요한 핵심 내용을 담은 보석 같은 책으로서 추천한다. - 홍준용 (한국산업은행 AI플랫폼팀 팀장) |
리뷰/한줄평0
31,350원
총 1개
31,350원
