카트

이미지 검색을 사용해 보세요

검색창 이전화면 이전화면

최근 검색어: 전체삭제

인기 검색어

닫기

미리보기 공유하기

소득공제 베스트셀러 PDF

eBook Jev 따라하기 (LLM과 다른 의사결정 AI 시작하기)

스마트한 PDF 필기 기능을 사용해 보세요!

이창근 저

위키독스 2026.09.23.

리뷰 총점 10.0 회원리뷰 1 판매지수 180

주간베스트: IT 모바일 22위

가격: 9,000원

9,000

YES포인트?: 450원 (5%)

5만원 이상 구매 시 2천원 추가 적립

앱 다운 시 1천원 상품권

결제혜택: 카드/간편결제 혜택을 확인하세요

PDF 안내

이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.

예스24만의 독보적인 PDF 필기 기능을 경험해 보세요!

시리즈 태그 업체 공지사항 구성 소개 특별 구성 MD 한마디 카드뉴스 상세 이미지 소개 관련 동영상 목차 미리듣기 저자 소개 관련분류 품목정보 만든이 코멘트 예스24 리뷰 책 속으로 줄거리 캐스팅 관련 자료 부가 영상 출판사 리뷰 전문가 리뷰 추천평

펼치기/닫기

소개

LLM에게 “JSON으로 답해줘”라고 부탁하는 대신, 처음부터 소프트웨어가 바로 사용할 수 있는 판단을 받아올 수 있다면 어떨까요? 이 책은 TypeSafe AI가 공개한 System One Model인 Jev를 직접 사용해 보면서, 생성형 AI에 모든 것을 맡기는 방식에서 벗어나 “AI는 판단하고 코드는 통제하는” 자동화 아키텍처를 만들어 보는 책입니다. LLM은 뛰어난 생성 능력을 가지고 있지만, 실제 서비스에서 단순한 분류나 선택, 점수 계산과 같은 판단까지 LLM에 맡기다 보면 불필요하게 긴 응답시간과 높은 비용, JSON 파싱 오류 같은 문제가 발생할 수 있습니다. Jev는 이러한 문제에 다른 접근법을 제시합니다. 문장을 생성하는 대신 Choice, Noul, Score와 같은 구조화된 판단 결과를 반환합니다. 이 책에서는 Jev의 사용법만 소개하는 데 그치지 않고, 이러한 판단 모델을 실제 소프트웨어 구조 안에서 어떻게 활용할 수 있는지를 살펴봅니다. 특히 confidence를 어떻게 해석해야 하는지, 작은 판단들을 코드로 어떻게 조합해야 하는지, 어떤 문제를 Jev에 맡기고 어떤 문제를 LLM에 맡겨야 하는지를 중점적으로 다룹니다. 모든 주요 실습에는 비교 대상도 함께 둡니다. 같은 문제를 규칙 엔진, 소형 LLM, 프런티어 LLM, Jev로 각각 해결해 보고 정확도, 응답시간, 비용, calibration, 형식 오류율 등을 직접 비교합니다. 공개된 벤치마크 숫자를 그대로 받아들이는 대신 자신의 데이터로 직접 검증하는 방법도 다룹니다. confidence 0.9가 반드시 “정답일 확률 90%”를 의미하지 않는 이유부터 Brier Score, ECE, 신뢰도 곡선까지 차근차근 살펴봅니다. 책에서는 다음과 같은 실제 자동화 시스템을 만들어 봅니다. - 고객문의 자동 분류 - LLM 모델 라우터 - RAG 품질검사 - AI Agent 판단 계층 이 과정에서 중요한 것은 Jev라는 특정 제품을 배우는 것만이 아닙니다. 마지막에는 오픈소스 구현과 기존 LLM을 판단 모델처럼 사용하는 방법까지 살펴봅니다. 특정 회사나 서비스가 바뀌더라도 계속 활용할 수 있는 판단 중심 AI 시스템 설계 방법을 익히는 것이 이 책의 목표입니다. 이 책은 LLM을 이용한 서비스를 만들어 봤지만 JSON 파싱 실패, 느린 응답속도, 높은 API 비용에 고민하고 있는 파이썬 개발자에게 적합합니다. AI Agent나 RAG 시스템을 운영하면서 어디까지 자동화하고 어디에서 사람에게 판단을 넘겨야 하는지를 고민하는 백엔드 개발자와 MLOps 엔지니어, 문서 분류와 문의 라우팅, 심사와 우선순위 판정 같은 업무 자동화를 담당하는 개발자에게도 도움이 될 수 있습니다. Jev와 System One Model이라는 새로운 AI 활용 방식을 빠르게 이해하고 싶은 AI 기획자와 테크리드도 대상으로 합니다. 파이썬 기본 문법과 API 호출 경험만 있으면 충분합니다. 머신러닝이나 확률·통계에 대한 사전 지식은 필요하지 않습니다. confidence와 calibration에 필요한 개념은 책 안에서 설명합니다. 반면 챗봇, 글쓰기, 코드 생성처럼 텍스트 생성 자체가 주목적인 경우에는 이 책의 방향과 맞지 않을 수 있습니다. Jev는 생성 모델이 아니라 판단을 위한 모델이기 때문입니다. <AI 활용 집필 안내> 이 책은 Claude Code를 활용하여 작성되었습니다. 모든 코드와 설치 과정은 실제로 실행해 확인하면서 집필했으며, 각 페이지에는 검증 상태와 기준 버전을 표시합니다. [검증]은 해당 버전에서 직접 실행하여 결과를 확인한 내용입니다. [참고]는 공식 문서와 소스를 대조하여 정리했지만 직접 측정하지 않은 내용입니다. Jev는 2026년 9월 공개된 Early Access 기술이므로 API, 가격, 벤치마크 수치 등이 변경될 수 있습니다. 변경 사항이 확인되면 해당 페이지를 갱신하고 기준 버전도 함께 수정할 예정입니다. <예제 코드> 이 책에서 사용하는 모든 예제 코드는 다음 저장소에서 내려받을 수 있습니다. https://github.com/ady95/jev_tutorial <참고 자료> TypeSafe AI 공식 문서 https://docs.typesafe.ai Python SDK https://github.com/typesafe-ai/typesafe-sdk-python System One Model 발표 글 https://typesafe.ai/blog/introducing-system-one-models-and-jev

소개 더보기펼치기

0. 이 책을 시작하기 전에

1. LLM과 다른 AI의 등장
01-1. 생성형 AI는 왜 모든 문제의 답이 아닐까
01-2. 생성하는 AI와 결정하는 AI
01-3. System 1과 System 2
01-4. Jev란 무엇인가
01-5. Jev와 LLM 비교하기

2. Jev 시작하기
02-1. Jev 개발 환경 준비하기
02-2. 첫 번째 Jev 프로그램

3. Jev의 핵심 Primitive
03-1. Choice 여러 후보 중 하나 선택하기
03-2. Noul Yes No를 확률로 판단하기
03-3. Score 정도를 판단하기
03-4. 여러 판단을 동시에 실행하기

4. Probability와 Confidence
04-1. AI의 확률을 이해하기
04-2. Calibration 이해하기
04-3. Confidence Threshold 설계하기

5. Decision Pattern
05-1. Smart If 똑똑한 조건문
05-2. Intent Routing
05-3. Confidence Gated Routing
05-4. Composite Decision
05-5. AI는 판단하고 코드는 통제한다

6. Jev와 LLM 함께 쓰기
06-1. Jev는 LLM을 대체할 수 있을까
06-2. Jev + LLM Hybrid Architecture
06-3. AI Model Router 만들기
06-4. Jev를 LLM Guardrail로 사용하기

7. Jev와 RAG와 Agent
07-1. RAG에 Decision AI 넣기
07-2. AI Agent의 Tool Router 만들기
07-3. AI Agent의 행동을 검증하기
07-4. System One + System Two Agent

8. 실전 프로젝트
08-1. 프로젝트 1 고객문의 자동 분류 시스템
08-2. 프로젝트 2 AI Model Router
08-3. 프로젝트 3 RAG 품질검사 시스템
08-4. 프로젝트 4 AI Agent Decision Layer

9. Jev를 제대로 평가하기
09-1. Benchmark 만들기
09-2. Accuracy와 Calibration 측정하기
09-3. Latency와 Cost 측정하기
09-4. Jev는 정말 더 좋은가

10. Production Architecture
10-1. Jev를 실제 서비스에 넣기
10-2. Decision Logging
10-3. Human in the Loop 설계

11. 기권할 수 있는 시스템
11-1. 정확도와 신뢰도는 다르다
11-2. 기권 신호는 어디서 나오는가
11-3. 신뢰도를 숫자로 방어하기
11-4. 통과한 오류를 사냥하기
11-5. 신뢰도를 유지하며 coverage 넓히기

12. 판단 모델을 바꿔 끼우기
12-1. 밖에서 본 Jev의 구조
12-2. 그 주장을 직접 확인하기
12-3. 키 없이 돌려보기
12-4. 같은 평가셋으로 재보기
12-5. 게이트는 옮겨가는가

13. 프롬프트로 하면 안 되나
13-1. LangChain으로 상담 에이전트 만들기
13-2. 프롬프트 한 줄로 고쳐보기
13-3. langchain-typesafe로 판단 붙이기
13-4. 판단이 많아지면 갈린다
13-5. 무엇을 프롬프트로 두고 무엇을 뺄 것인가

14. Decision AI의 미래
14-1. Jev 이후의 Decision Model
14-2. 생성형 AI에서 Decision AI로

부록A Jev Python API 빠른 참조
부록B 주요 용어 정리
부록C Decision AI 설계 체크리스트
부록D 실습 프로젝트 전체 소스
부록E 참고 자료와 커뮤니티

목차 더보기펼치기

저자 소개

연세대학교에서 기계공학 학부·석사를 마쳤습니다. SK컴즈, 싸이월드, 네이버에 근무하면서 IT 서비스를 경험했고, 넥스트랩 창업, 크라우드웍스 근무를 통해 AI를 공부하고 인사이트를 얻었습니다. 지금은 AI 에이전트와 신뢰도 기반 지능화 기술에 특히 관심을 가지고 있습니다.