2025년 03월 01일 출간 | ISBN : 119374704X | 288쪽 | 규격外

Chapter 1. Vector DataBase 개요 __1.1 The Rising Star of AI __1.2 Vector에 대한 이해 Chapter 2. Vector DBMS 종류 및 선택 기준 __2.1 Vector DBMS 특징 __2.2 Vector DBMS 종류 및 선택 시 고려사항 __2.3 Vector DBMS 종류별 특징 비교 Chapter 3. 생성형 AI 프로젝트 설계 방법론 __3.1 생성형 AI 프로젝트 수행 작업 절차 __3.2 데이터 분석 준비 및 설계 절차 Chapter 4. 데이터 분석 및 준비 __4.1 데이터 범위/유형 분석 __4.2 데이터 요건 분석 __4.3 데이터 피처 분석 __4.4 데이터셋 확보 Chapter 5. Vector DataBase Schema 설계 __5.1 Vector DB Schema 설계 __5.2 Collection Design __5.3 Vector Design __5.4 Meta Data Design __5.5 Relationship Design Chapter 6. 데이터 검색/응답 정합성 검증(Retrieval/Response) __6.1 데이터 평가 및 검증 Chapter 7. RAG 개요 및 성능 개선 __7.1 RAG 개요 __7.2 RAG 아키텍처 __7.3 RAG 한계 __7.4 RAG 개선(Advanced RAG, Modular RAG, Graph RAG) Chapter 8. Advanced RAG __8.1 Advanced RAG 개요 __8.2 원천 데이터의 정비 __8.3 Retrieval 전략의 조정 __8.4 Search 전략 조정 __8.5 Collection 분리/분산 Chapter 9. Modular RAG __9.1 Modular RAG 개요 __9.2 독립 모듈화 __9.3 다양한 FLOW 패턴 __9.4 참조 - Modular RAG 외부 논문 Chapter 10. Graph RAG - 지식 기반 RAG __10.1 Graph RAG 개요 __10.2 Graph DB 모델링-데이터 모델링 기본 구조 __10.3 Graph DB 모델링-데이터의 분리(Divide) 깊이 __10.4 Graph DB 모델링-데이터 모델링 절차 __10.5 Graph DB 모델링-데이터 검색 __10.6 온톨로지 __10.7 Graph RAG에서 지식그래프 활용(Graph DB + 온톨로지) __10.8 Graph RAG의 비즈니스 적용 사례(국방, 의료, 법률) __10.9 Neo4j DB Chapter 11. 프로그램 따라해 보기 __11.1 Chroma DB - Vector DB ____11.1.1 Chroma DB 설치 ____11.1.2 프로그램 따라하기 with Python- Chroma Embedding 데이터 저장 ____11.1.3 프로그램 따라하기 with Python- Response 정보 openAI로 생성하기 ____11.1.4 프로그램 따라하기 with Python - Chunking ____11.1.5 프로그램 따라하기 with Python - 샘플 프로그램 __11.2 Neo4j DB - Graph DB ____11.2.1 Neo4j DB 설치 ____11.2.2 프로그램 따라하기 with Python- Neo4j Embedding 데이터 저장 ____11.2.3 프로그램 따라하기 with Python-Haluciation(환각) 개선 with Neo4j __11.3 Neo4J DB-알고리즘 활용(커뮤니티 생성) ____11.3.1 Neo4J Plug-In 설치 ____11.3.2 프로그램 따라하기 with Python-그래프 모델 생성(인터넷 뉴스 데이터) ____11.3.3 프로그램 따라하기 with 알고리즘 - 커뮤니티 생성(인터넷 뉴스 데이터) __11.4 FAISS - Library ____11.4.1 FAISS 설치 ____11.4.2 프로그램 따라하기 with Python - FAISS Embedding 저장 및 검색 __11.5 CHAT 시스템 - RAG 환경 ____11.5.1 Streamlit ____11.5.2 프로그램 따라하기 with Python- 간단한 CHAT 프로그램

어떤 독자를 위한 책인가? -. AI 비정형 데이터의 분석/설계 및 데이터 활용 전략에 관심이 있는 AI 분석/설계자 -. Vector DB를 기반으로 한 데이터 모델링, 최적화, 응용 방안을 탐구하려는 AI 연구자 및 개발자 -. 데이터 분석 관점에서 Graph DB를 활용한 지식그래프 구조화에 관심 있는 독자 개념 설명에만 머물지 않고 그 너머, 실전 Vector DB에 진입할 수 있는 예제 수록 * Chroma DB - Vector DB * Neo4j DB - Graph DB * Neo4j DB - 알고리즘 활용(커뮤니티 생성) * FAISS - Library * CHAT 시스템 - RAG 환경 * Vector DB는 비정형 데이터, 특히 벡터 데이터를 처리하는 데 최적화된 데이터베이스다. Vector DB는 벡터 공간에서 데이터를 다루며, 각 데이터는 고차원 벡터로 표현된다. 다시 말해, Vector DB는 수학적 계산을 통해 데이터를 3차원 이상의 다차원 공간에 모델링한다. * Graph DB는 복잡한 관계 정보를 바탕으로 데이터를 분석하고, 보다 정확한 정보나 문제에 대한 추론 결과를 제공할 수 있다. 단순 데이터 검색뿐 아니라, 데이터 간의 연결성을 이용한 심층적인 분석이 가능하다. * 이 책은 Vector DB에 대한 개념 이해부터 차근차근 설명해서 마지막 챕터에서는 실전 Vector DB 및 Graph DB까지 진입하는 것을 목적으로 한다.