소득공제
PDF
eBook
파이썬 AI 애플리케이션 개발
LLM과 벡터 데이터베이스로 구현하는 맞춤형 지능형 서비스
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
소개
목차
|
1장. GenAI 시작하기기술적 요구 사항용어 정의GenAI 스택____파이썬과 GenAI____OpenAI API____벡터 검색을 사용한 MongoDBGenAI의 중요 기능____왜 GenAI를 사용하는가?____GenAI의 윤리와 위험요약2장. 지능형 애플리케이션의 블록 구축기술적 요구 사항지능형 애플리케이션 정의____지능형 애플리케이션 블록 구축LLM - 지능형 애플리케이션의 추론 엔진____LLM 추론 엔진의 사용 사례____LLM의 다양한 기능____멀티모달 언어 모델____AI 개발의 패러다임 이동임베딩 모델과 벡터 데이터베이스 - RAG를 위한 외부 지식 저장소____임베딩 모델____벡터 데이터베이스____모델 호스팅사용자 지능형 애플리케이션____샘플 애플리케이션 - RAG 챗봇____소프트웨어 엔지니어링의 지능형 애플리케이션 관련 시사점요약1부. AI의 기초: LLM, 임베딩 모델, 벡터 데이터베이스, 애플리케이션 설계3장. 대규모 언어 모델기술적 요구 사항확률적 프레임워크____n-그램 언어 모델언어 모델링의 머신러닝____인공 신경망____인공 신경망 훈련자연어 처리의 ANN____토큰화____임베딩____확률 분포 예측순차적 데이터 처리____순환 신경망____트랜스포머 아키텍처LLM의 모범 사례____LLM의 진화 분야____프롬프트, 미세 조정 및 RAG요약4장. 임베딩 모델기술적 요구 사항임베딩 모델이란?____임베딩 모델은 LLM과 어떻게 다를까?____임베딩 모델과 LLM을 사용해야 하는 경우____임베딩 모델의 종류임베딩 모델 선택하기____작업 요구 사항____데이터 세트 특성____계산 리소스____벡터 표현____임베딩 모델 리더보드____임베딩 모델 개요____항상 임베딩 모델이 필요한가?____LangChain에서 코드 실행모범 사례요약5장. 벡터 데이터베이스기술적 요구 사항벡터 임베딩이란?____벡터 유사도____정확한 검색과 대략적인 검색 방법____검색 측정그래프 연결성____작은 세계 탐색____탐색이 가능한 작은 세계를 검색하는 방법____계층적 탐색이 가능한 작은 세계벡터 데이터베이스의 필요성____벡터 검색이 AI 모델을 개선하는 방법사례 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____적용요약6장. AI/ML 애플리케이션 설계기술적 요구 사항데이터 모델링____임베딩을 사용한 데이터 보강____검색 사용 예 고려하기데이터 스토리지____데이터베이스 클러스터의 유형 판별____IOPS 결정____RAM 결정____최종 클러스터 구성____성능과 가용성 대 비용데이터 흐름____정적 데이터 원본 처리____벡터 임베딩으로 보강한 운영 데이터 저장하기신규성과 유지____실시간 업데이트____데이터 수명주기____새로운 임베딩 모델 채택보안 및 RBACAI/ML 애플리케이션 설계를 위한 모범 사례요약2부. 사용자 파이썬 애플리케이션 만들기: 프레임워크, 라이브러리, API, 벡터 검색 엔진7장. 유용한 프레임워크, 라이브러리, API기술적 요구 사항AI/ML 파이썬AI/ML 프레임워크____LangChain____유사도 점수를 사용한 LangChain 시맨틱 검색____사전 필터링을 사용한 시맨틱 검색____LangChain으로 기본 RAG 솔루션 구현하기____LangChain 프롬프트 템플릿과 체인주요 파이썬 라이브러리____pandas____PyMongoArrow____PyTorchAI/ML API____OpenAI API____허깅 페이스요약8장. AI 애플리케이션에서 벡터 검색 구현하기기술적 요구 사항MongoDB 아틀라스 벡터 검색을 사용한 정보 검색____파이썬의 벡터 검색 튜토리얼____LangChain을 사용한 벡터 검색 튜토리얼RAG 아키텍처 시스템 구축____청크와 문서 분할 전략____간단한 RAG____고급 RAG요약3부. AI 애플리케이션의 최적화: 확장, 미세 조정, 문제 해결, 모니터링 및 분석9장. LLM 출력 평가기술적 요구 사항LLM 평가란?____LLM 구성 요소와 엔드 투 엔드 평가모델 벤치마킹____평가 데이터 세트____기준선 정의____사용자 피드백____합성 데이터평가 메트릭____어설션 기반 메트릭____통계 메트릭____LLM 기반 평가____RAG 메트릭____인적 검토____가드레일로서의 평가요약10장. 시맨틱 데이터 모델을 개선해 정확도 향상하기기술적 요구 사항임베딩____다양한 임베딩 모델로 실험하기____임베딩 모델 미세 조정임베딩 메타데이터____메타데이터 형식 지정____정적 메타데이터 포함____프로그래밍 방식의 메타데이터 추출____LLM으로 메타데이터 생성____쿼리 임베딩 및 수집 콘텐츠 임베딩에서 메타데이터 포함하기검색 증강 생성 최적화____쿼리 변형____사전 필터링을 위한 쿼리 메타데이터 추출____수집된 데이터 형식 지정____고급 검색 시스템요약11장. GenAI의 일반적인 실패기술적 요구 사항환각____환각의 원인____환각의 의미아첨____아첨의 원인____아첨의 의미데이터 유출____데이터 유출의 원인____데이터 유출의 의미비용____비용 유형____토큰GenAI 애플리케이션의 성능 문제____계산 부하____모델 제공 전략____높은 I/O 작업요약12장. GenAI 애플리케이션 수정 및 최적화기술적 요구 사항기준선____훈련과 평가 데이터 세트____퓨샷 프롬프팅____검색과 순위 재지정____늦은 상호작용 전략____쿼리 재작성테스트와 레드 팀 구성____테스트____레드 팀 구성정보 후처리다른 해결 방법요약
|
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.
품목정보
- 발행일
- 2026년 01월 23일
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 20.47MB ?
- 글자 수/ 페이지 수
- 약 398쪽 ?
- ISBN13
- 9791194409618
출판사 리뷰
|
AI 애플리케이션을 만드는 모범 사례와 실전 기술 완전 정복이 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
|
