1장. AI 도입, 어떻게 시작할까

1.1 AI 도입이 당연한 시대
1.2 AI를 도입할지 판단하기
1.3 AI 기술의 흐름과 LLM
____AI, 머신러닝, 딥러닝
____LLM
1.4 데이터의 역할 변화

2장. LLM의 작동 원리와 한계

2.1 LLM의 개요
2.2 LLM의 작동 원리
2.3 LLM의 맥락 처리 방법과 토큰 비용
____LLM이 맥락을 기억하는 방식
____토큰 비용의 구조
____AI 모델의 진화 과정
2.4 LLM의 한계
____환각
____지식 마감
____기억력 부족
____아부 현상
____역전의 저주
____프롬프트 인젝션
____편향

3장. LLM을 서비스에 연결하는 방법

3.1 원하는 답을 얻기 위한 프롬프트 작성 전략
____구역 나누기
____예시 보여주기
____판단 맡기기
____원하는 답변을 받지 못했을 때
3.2 LLM만으로 부족한 부분을 보완하는 기술
____LLM만으로 해결하기 어려운 문제
____임베딩
____RAG
____AI 에이전트
3.3 LLM으로 만드는 서비스

4장. 임베딩: 비슷한 의미 찾기

4.1 임베딩의 개요
____임베딩 모델의 학습 방식
____키워드 검색으로 충분한 경우
____임베딩 검색 파이프라인
____벡터 데이터베이스
4.2 임베딩을 입력 데이터로 활용하는 기술
____임베딩×군집화
____임베딩×RAG
____임베딩×추천 시스템
____임베딩×이상 탐지
4.3 임베딩으로 문제를 해결한 사례
____임베딩×검색: 검색 결과 개선
____임베딩×군집화: 드러나지 않는 문제를 찾아 개선
____임베딩×RAG: 챗봇의 답변 개선
____임베딩×추천 시스템: 추천의 다양성 강화
____임베딩×이상 탐지: 평소와 다른 고객 문의 발견

5장. RAG: 문서를 찾아 근거 있는 답변하기

5.1 RAG의 개요
____RAG의 작동 과정
____RAG로 해결 가능한 문제와 한계
____RAG가 필요한 상황
5.2 RAG 서비스 설계 시 고려 사항
____검색 대상 문서 선정
____문서 분할 전략
____검색 결과 전달 방식
____메타데이터 설계
____검색 방식 선택
5.3 RAG 서비스 운영 시 고려 사항
____검색 성능 저해 요소 관리
____RAG 운영 비용 최적화
____답변 구성
____출처 표시
____검색 실패 시 답변 방식
____RAG의 품질 평가
____RAG 운영 리스크
____GraphRAG 도입 기준

6장. AI 에이전트: 여러 단계를 연결해 실제 작업 수행하기

6.1 AI 에이전트의 개요
____AI 에이전트의 작동 과정
____AI 에이전트의 구성 요소
____AI 에이전트의 구조
____AI 에이전트로 해결 가능한 문제와 한계
6.2 AI 에이전트 설계 시 고려 사항
____도구 분리 기준
____도구 선택과 사용 규칙
____스킬의 역할과 활용
____자동화 범위 설계
____오케스트레이션 설계
6.3 AI 에이전트로 만들 수 있는 서비스
____업무 자동화형 에이전트
____데이터 조회 및 실행 연결형 에이전트
____RAG 결합형 에이전트
____사람 협업형 에이전트

7장. AI 추천 시스템: 사용자에게 맞는 선택지 제안하기

7.1 추천 시스템의 개요
____추천 시스템의 기본 구조
____검색과 추천의 차이
____추천의 목적
____추천에 필요한 데이터
____추천 품질 평가
7.2 기존 추천 방식과 임베딩 추천의 차이
____인기 순 추천
____협업 필터링
____콘텐츠 기반 추천
____연관 규칙 추천
____임베딩 추천
7.3 추천 시스템이 해결해야 할 과제
____콜드스타트
____데이터 희소성
____인기 편향
____다양성 부족
____상황 불일치
7.4 LLM이 결합된 추천 시스템
____LLM 추천의 작동 과정
____LLM 추천의 UX
____추천 조건을 좁히는 방법
____추천 근거와 환각 관리
____기존 추천 방식, 임베딩 추천, LLM 추천 비교

8장. 서비스에 맞는 AI 기술 선택하기

8.1 머신러닝이 적합한 서비스
____지도 학습: 분류와 회귀를 이용한 서비스
____비지도 학습: 군집화와 이상 탐지를 이용한 서비스
8.2 LLM, 임베딩, RAG, AI 에이전트에 맞는 서비스
____LLM: 문장을 이해하고 생성하는 서비스
____임베딩: 의미가 비슷한 콘텐츠를 찾는 서비스
____RAG: 근거 문서를 바탕으로 답하는 서비스
____AI 에이전트: 조회와 실행을 연결하는 서비스
____AI 서비스 조합
8.3 서비스 운영과 검증
____클라우드·온프레미스 방식
____AI 기술 검증

9장. AI 서비스 기획 프로세스와 1페이지 기획안

9.1 AI가 필요한 문제인지 확인하기
____사용자의 어려움 파악하기
____규칙, 검색, 필터로 충분한지 살펴보기
____기대 효과와 리스크 확인하기
9.2 AI 서비스 흐름 설계하기
____AI 기능 사용 지점 정하기
____필요한 데이터 확인하기
____AI 참고용 데이터와 사용자에게 보여줄 데이터 구분하기
____사용자가 확인하고 조정할 지점 만들기
____사람의 최종 판단 영역 남기기
9.3 작게 만들어 검증하기
____초기 버전의 사용 상황 정하기
____테스트 질문과 성공 기준 만들기
____서비스 공개 전 확인 사항과 출시 절차
____1페이지 서비스 기획안