2025년 04월 10일 출간 | ISBN : 1158395981 | 300쪽 | 규격外

저자 : 양기빈 성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 게임회사 N사에서 데이터 사이언티스트로서 일하고 있으며, NLP 업무를 수행하고 있다. 임베딩 파인튜닝 논문을 작성했으며, 현재는 도메인 RAG 및 Post-Training, 에이전트에 대해 관심을 가지고 연구하고 있다. 저자 : 조국일 성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 현재 SK하이닉스에서 데이터 사이언티스트로 일하고 있으며, Digital Master로 선정되어 디지털 멘토와 데이터 분석 전문 컨설턴트로 활동하고 있다. ‘머신러닝 기반의 이미지 이상 탐지 시스템’ 특허를 출원했고, 산업용 이상 탐지 시스템 구축 프로젝트를 주도했으며, 멀티모달 RAG 시스템에 대한 실무 경험을 바탕으로 이 책을 집필했다. 저자 : 장지선 성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 현재 대기업 S사에서 데이터 사이언티스트로서 다양한 도메인에서 검색 및 LLM 에이전트 개발을 수행하고 있다. NLP와 GNN 관련 논문을 게재하였으며, AI와 데이터 기술을 비즈니스에 효과적으로 적용하기 위한 연구·개발을 지속해왔다. 특히, RAG 및 에이전트 시스템 구축에 집중하여 이를 실무에 적용하고 있다. 저자 : 조수현 성균관대학교 데이터사이언스 융합학과에서 석사 학위를 취득했고, 현재 성균관대학교 인공지능융합학과에서 박사 학위를 수료했으며, 대기업 S사에서 데이터 사이언티스트로 일하고 있다. 다수의 KCI, SCI 논문 및 AI 기반 특허, IT 서적을 출판했으며, 한국데이터산업진흥원에서 데이터 자격검정 전문위원으로 활동하며 RAG와 LLM 기반의 프로젝트를 수행하며 쌓은 경험을 바탕으로 이 책을 집필했다.

▣ 01장: 랭체인(LangChain) 1.1 랭체인을 위한 준비사항 ___1.1.1 체인을 사용하는 이유 1.2 코랩(Google Colaboratory) 환경 ___1.2.1 코랩 실행 환경 설정 1.3 LLM API 키 ___1.3.1 GPT API 키 ___1.3.2 제미나이 API 키 1.4 허깅페이스 ___1.4.1 허깅페이스의 모델 찾기 1.5 랭체인 구성요소 ___1.5.1 체인 ___1.5.2 프롬프트 ___1.5.3 메모리 ___1.5.4 인덱스 ___1.5.5 콜백 및 평가 ▣ 02장: RAG(Retrieval-Augmented Generation) 2.1 RAG의 배경 및 중요성 2.2 랭체인을 이용한 RAG ___2.2.1 환경 설정 ___2.2.2 데이터 로드 ___2.2.3 데이터 청킹 ___2.2.4 벡터 스토어 ___2.2.5 리트리버 및 프롬프트 2.3 Advanced RAG ___2.3.1 문서의 순서를 조절하여 성능을 올리는 리랭커 기술 ___2.3.2 가상 문서를 통해 높은 질의 응답 성능을 달성하는 HyDE 기술 ___2.3.3 쿼리를 보다 구체적이고 풍부하게 만드는 쿼리 확장 기술 ___2.3.4 다양한 관점을 반영할 수 있는 멀티 쿼리 기술 ▣ 03장: 멀티모달 RAG 3.1 _멀티모달 RAG 소개 ___3.1.1 멀티모달 RAG 개념 ___3.1.2 활용 사례 ___3.1.3 중요성 3.2 멀티모달 RAG의 중요한 모델 및 기술 ___3.2.1 멀티모달 인코더 ___3.2.2 멀티모달 생성을 위한 디코더 ___3.2.3 지식 검색 및 증강 ___3.2.4 융합 기술 ___3.2.5 모델 학습과 파인튜닝 3.3 [실습] 멀티모달 RAG ___3.3.1 멀티모달 정보 추출 ___3.3.2 멀티모달 RAG 구현 ▣ 04장: GraphRAG 4.1 GraphRAG란? 4.2 기존 RAG와 차이점 4.3 GraphRAG를 위한 환경 설정 ___4.3.1 Neo4j 4.4 [실습] GraphRAG ___4.4.1 [실습] 자연어 쿼리를 통한 그래프 데이터 조회 및 조작 ___4.4.2 [실습] LLM 기반 지식그래프 구축 및 RAG 실습 ▣ 05장: ReAct 에이전트 5.1 ReAct 에이전트란? ___5.1.1 ReAct 에이전트의 개념 ___5.1.2 기본 원리 설명 ___5.1.3 ReAct와 기존 방식의 차이점 ___5.1.4 ReAct 에이전트의 주요 기능 및 활용 사례 5.2 검색 API 연동 ___5.2.1 외부 데이터 기반 답변 생성 ___5.2.2 검색 API 호출 ___5.2.3 [실습] ReAct 에이전트와 검색 API 통합 5.3 [실습] 에이전트 기반 도구 호출 ___5.3.1 기본 에이전트에서의 도구 호출 ___5.3.2 ReAct를 활용한 고급 도구 호출 5.4 에이전트를 활용한 금융 데이터 실전 프로젝트 ___5.4.1 ReAct 에이전트를 사용한 금융 데이터 수집 및 분석 ___5.4.2 검색 API를 통한 실시간 금융 시장 분석 ___5.4.3 ReAct 에이전트를 통한 통합 분석 ▣ 06장: sLLM 6.1 sLLM을 학습하는 이유 6.2 sLLM 실행 ___6.2.1 허깅페이스의 sLLM 모델 실행해 보기 6.3 FFT 학습 방법과 코드 ___6.3.1 학습 데이터 만들기 ___6.3.2 sLLM 학습을 위한 병렬 처리 방법 ___6.3.3 sLLM 학습 Full Fine-tuning하기 6.4 PEFT 학습 방법과 코드 ___6.4.1 PEFT 알고리즘 및 실습(QLoRA) ___6.4.2 PEFT 알고리즘 및 실습(DoRA) 6.5 RAG 기반의 LLM 최적화 학습 ___6.5.1 RAG를 고려한 QA 데이터 생성 ___6.5.2 RAG를 고려한 sLLM 학습 ___6.5.3 RAG를 고려한 sLLM 최적화 6.6 LLM 서빙 ___6.6.1 스트림릿을 활용한 서비스 환경 구성하기 ___6.6.2 스트림릿을 활용한 sLLM 배포해 보기 ___6.6.3 vLLM으로 sLLM 서빙 최적화하기