실무 현장에서 바로 쓰는 파인튜닝ㆍPEFTㆍvLLM 서빙, 텍스트를 넘어 멀티모달까지! 이 책은 AI 기술의 최전선에서 필요한 LLM 파인튜닝의 모든 과정을 이론부터 실습까지 단계별로 안내합니다. Llama 3.1과 Gemma 2 모델을 기반으로 파인튜닝의 핵심 기술을 익히고, 이번 개정판에서 새롭게 추가된 음성 인식(Whisper)과 시각-언어 모델(VLM) 실습을 통해 멀티모달 AI 개발 역량까지 확장할 수 있습니다. ◎ NLP의 역사적 발전과 역전파의 핵심 원리 마스터 ◎ GPT 모델의 심층 이해: 셀프 어텐션, 토크나이저 구현부터 실전 응용까지 ◎ Gemma 2와 Llama 3.1 모델 분석과 GPU 병렬화 학습 ◎ LoRA, QLoRA를 활용한 파인튜닝 기법 실습 ◎ vLLM으로 실제 서비스에 적용 가능한 모델 서빙 ◎ Whisper 모델을 활용한 한국어 음성 인식(STT) 파인튜닝 ◎ Qwen2-VL 모델을 활용한 시각-언어 모델(VLM) 학습 및 실습 Runpod 환경의 실습 프로젝트를 통해 이론과 실무를 동시에 학습할 수 있으며, 단일 GPU부터 다중 GPU 환경까지 실전에서 바로 활용 가능한 노하우를 제공합니다. 책을 읽다가 궁금한 점이 생기면, 저자가 직접 운영하는 커뮤니티에서 질문하고 답변을 받을 수 있습니다. 저자 운영 오픈 채팅방: 카카오톡 오픈채팅에서 ‘NLP & RAG’ 검색

▣ 01장: NLP의 과거와 오늘 1.1 자연어 처리 발전의 주요 이정표 1.2 초기 기계 번역의 역사와 전환점 __1.2.1 아르츠루니와 트로얀스키의 연구 __1.2.2 위버의 제안과 조지타운-IBM 실험 __1.2.3 초기 기계 번역의 한계와 새로운 전환 1.3 인공지능의 시작 __1.3.1 튜링의 질문: 기계는 생각할 수 있는가? __1.3.2 튜링 테스트의 한계 1.4 인공지능은 어떻게 학습하는가? __1.4.1 인공지능의 학습 메커니즘 발전 과정 __1.4.2 퍼셉트론: 인공지능 학습의 첫걸음 1.5 역전파 알고리즘: 학습의 혁명 __1.5.1 비선형성: 더 똑똑한 인공지능을 만드는 열쇠 __1.5.2 역전파 알고리즘 1.6 트랜스포머의 등장: NLP의 새로운 시대 ▣ 02장: GPT 2.1 런팟 소개와 사용법 __2.1.1 런팟 회원 가입 __2.1.2 크레딧 구매 __2.1.3 포드 구성 __2.1.4 주피터 랩 2.2 데이터 준비와 모델 구성 2.3 언어 모델 만들기 __2.3.1 라이브러리 설명 __2.3.2 __init__ 함수 __2.3.3 forward 메서드 __2.3.4 generate 메서드 2.4 Optimizer 추가하기 __2.4.1 데이터를 GPU로 전달하기 __2.4.2 Loss 함수 만들기 __2.4.3 전체 코드 복습 2.5 셀프 어텐션 추가하기 __2.5.1 문자들 간에 정보를 주고받는 방식(평균 방식) __2.5.2 행렬곱 연산으로 더 빠르게 정보를 주고받기 __2.5.3 셀프 어텐션이란? __2.5.4 왜 dk 로 나눠야 하는가? __2.5.5 셀프 어텐션 적용하기 2.6 멀티헤드 어텐션과 피드포워드 __2.6.1 멀티헤드 어텐션 만들기 __2.6.2 피드포워드 만들기 2.7 Blocks 만들기 2.8 토크나이저 만들기 __2.8.1 vocab_size 변화에 따른 토큰화 비교 __2.8.2 토크나이저 만들기 ▣ 03장: 전체 파인튜닝 3.1 전체 파인튜닝 데이터 준비 __3.1.1 전체 파인튜닝의 원리와 종류 __3.1.2 다양한 태스크와 데이터셋 __3.1.3 데이터 전처리 3.2 Gemma와 Llama 3 모델 구조 분석 __3.2.1 Gemma 모델 구조 분석 __3.2.2 Gemma와 Gemma 2 모델 비교 __3.2.3 Llama 3 모델 구조 분석 __3.2.4 GPT, Gemma, Llama 비교 3.3 GPU 병렬화 기법 __3.3.1 데이터 병렬 처리 __3.3.2 모델 병렬화 __3.3.3 파이프라인 병렬화 __3.3.4 텐서 병렬 처리 __3.3.5 FSDP 3.4 단일 GPU를 활용한 Gemma-2B-it 파인튜닝 __3.4.1 런팟 환경 설정 __3.4.2 Gemma 모델 준비 __3.4.3 데이터셋 준비 __3.4.4 Gemma 모델의 기능 확인하기 __3.4.5 키워드 데이터 생성 __3.4.6 데이터 전처리 __3.4.7 데이터셋 분리 및 콜레이터 설정 __3.4.8 학습 파라미터 설정 __3.4.9 평가 메트릭 정의 __3.4.10 모델 학습 및 평가 __3.4.11 파인튜닝한 모델 테스트 3.5 다중 GPU를 활용한 Llama3.1-8B-instruct 파인튜닝 __3.5.1 런팟 환경 설정 __3.5.2 Llama 3.1 학습 파라미터 설정 __3.5.3 데이터셋 준비 __3.5.4 Llama 3.1 모델 파라미터 설정 __3.5.5 Llama 3.1 모델 학습 코드 살펴보기 __3.5.6 Llama 3.1 모델 학습 실행 __3.5.7 Wandb 설정과 사용 __3.5.8 학습한 Llama 3.1 모델 테스트 __3.5.9 생성된 텍스트 데이터 OpenAI로 평가하기 __3.5.10 채점 점수 구하기 ▣ 04장: 효율적인 파라미터 튜닝 기법 (PEFT) 4.1 LoRA 이론 및 실습 __4.1.1 LoRA 개념 __4.1.2 런팟 환경 설정 __4.1.3 Gemma-2-9B-it 모델 준비 __4.1.4 데이터 전처리 __4.1.5 LoRA 파라미터 설정 __4.1.6 모델 학습 __4.1.7 학습한 모델 테스트하기 __4.1.8 모델 성능을 OpenAI로 평가하기 4.2 QLoRA 이론 및 실습 __4.2.1 양자화의 이해 __4.2.2 런팟 환경 설정 __4.2.3 데이터셋 준비 __4.2.4 양자화 파라미터 설정 __4.2.5 모델 준비 __4.2.6 파라미터 설정 __4.2.7 모델 학습 __4.2.8 허깅페이스 허브에 모델 업로드 __4.2.9 학습한 모델 테스트 __4.2.10 Exact Match를 활용한 평가 __4.2.11 OpenAI API로 평가하기 ▣ 05장: vLLM을 활용한 서빙 5.1 페이지드 어텐션 원리 5.2 vLLM 사용 방법 5.3 LLaMA 3 생성 속도 가속화 5.4 vLLM을 활용한 Multi-LoRA __5.4.1 Multi-LoRA 실습 __5.4.2 노트북 환경에서 실습 5.5 Multi-LoRA를 사용할 때 주의할 점 ▣ 06장: Whisper 파인튜닝 6.1 음성인식 기술의 역사적 발전 과정 __6.1.1 OpenAI Whisper의 등장 배경 6.2 Whisper large-v1, v2, v3 버전별 기술적 개선 __6.2.1 Whisper 아키텍처 __6.2.2 멀티태스크 학습 메커니즘 __6.2.3 멜 스펙트로그램 기술적 세부 사항 6.3 한국어 파인튜닝의 필요성 __6.3.1 한국어 음성인식의 현실과 과제 __6.3.2 한국어 특유의 언어적 도전 과제 __6.3.3 파인튜닝을 통한 성능 개선 가능성 6.4 Whisper3 파인튜닝 __6.4.1 음성 데이터 생성 __6.4.2 Whisper 모델 학습 __6.4.3 파인튜닝된 Whisper 모델로 추론하기 ▣ 07장: Vision-Language Model 파인튜닝 7.1 멀티모달의 이해 7.2 Qwen2-VL 소개 __7.2.1 Naive Dynamic Resolution __7.2.2 M-RoPE(Multimodal Rotary Position Embedding) __7.2.3 모델 구조와 학습 과정 __7.2.4 모델 라인업 7.3 Qwen2-VL-Fine-Tuning __7.3.1 데이터 __7.3.2 학습하기 __7.3.3 LoRA 어댑터 병합 __7.3.4 vLLM 소개 __7.3.5 마치며 ▣ 부록A: 역전파 수학적 리뷰 및 코드 리뷰 역전파 수학적 리뷰 역전파 코드 리뷰 Google Cloud SDK 설치 ▣ 부록B: RunPod에서 Google Cloud SDK 설정 Google Cloud 인증 및 서비스 활성화 __두 가지 인증의 차이 __기존 인증 정보 초기화 (선택사항) __초기 설정 __CLI 계정 로그인 __애플리케이션 기본 인증(ADC) 설정 __API 서비스 활성화 필수 라이브러리 설치 Hugging Face CLI 로그인 설정 확인