상세정보
미리보기
실무로 통하는 LLM 애플리케이션 설계
- 저자
- 수하스 파이 저/박조은 역
- 출판사
- 한빛미디어
- 출판일
- 2025-10-20
- 등록일
- 2026-01-21
- 파일포맷
- PDF
- 파일크기
- 6MB
- 공급사
- YES24
- 지원기기
-
PC
PHONE
TABLET
웹뷰어
프로그램 수동설치
뷰어프로그램 설치 안내
책소개
아키텍처 설계부터 최적화까지한 권으로 배우는 LLM 애플리케이션 개발 전략대규모 언어 모델(LLM)은 그 자체로도 강력한 도구이지만, 이를 실제 제품과 서비스로 발전시키려면 체계적인 설계와 기술 전략이 필요하다. 이 책은 아이디어 단계의 프로토타입을 실제 애플리케이션으로 전환하는 데 필요한 도구, 기법, 설계 전략을 소개한다. 데이터 준비부터 모델 커스터마이징, RAG와 에이전트 같은 고급 활용 기법까지 다양한 사례와 함께 구체적인 활용법을 안내한다. 생성형 AI를 실제 환경에 효과적으로 적용하고 싶다면 이 책에서 실질적인 해답을 찾을 수 있을 것이다.
저자소개
10년 넘게 기술 업계에서 일해 온 숙련된 머신러닝 연구자입니다. 2020년부터 와이 콤비네이터(Y-Combinator)의 지원을 받는 AI 및 핀테크 스타트업인 허드슨 랩스(Hudson Labs)의 공동 창립자이자 CTO, ML 연구 책임자로 일하고 있습니다.
허드슨 랩스에서는 도메인 특화 LLM, 텍스트 랭킹, 표현 학습 분야에서 여러 혁신적인 기법을 개발했으며, 이 기법들은 허드슨 랩스 제품의 핵심 기능을 실현하는 기반이 되었습니다. 또한 오픈 소스 LLM 개발에도 활발히 참여해 왔으며, BLOOM LLM 프로젝트의 일환인 빅 사이언스(Big Science) 프로젝트에서 프라이버시 워킹 그룹의 공동 리더로 활동했습니다.
2021년부터는 토론토 머신러닝 서밋(TMLS) 콘퍼런스의 의장으로 활동 중이며 전 세계 AI 콘퍼런스에서 연사로 자주 참여합니다. NLP 분야의 최신 연구를 논의하는 정기 세미나도 직접 주최합니다.
목차
[PART 1 LLM의 구성 요소]CHAPTER 1 LLM의 개념과 첫걸음_1.1 LLM의 정의_1.2 LLM의 간략한 역사_1.3 LLM의 영향_1.4 기업 내 LLM 활용_1.5 프롬프팅_1.6 API를 통한 LLM 접근 방법_1.7 LLM의 강점과 한계_1.8 첫 번째 챗봇 프로토타입 만들기_1.9 프로토타입에서 제품화까지_1.10 마치며CHAPTER 2 사전 훈련 데이터_2.1 LLM을 만드는 구성 요소_2.2 사전 훈련 데이터 요구 사항_2.3 대표적인 사전 훈련 데이터셋_2.4 합성 사전 훈련 데이터_2.5 훈련 데이터 전처리_2.6 사전 훈련 데이터가 후속 작업에 미치는 영향_2.7 사전 훈련 데이터셋의 편향과 공정성 문제_2.8 마치며CHAPTER 3 어휘와 토큰화_3.1 어휘_3.2 토크나이저_3.3 토큰화 파이프라인_3.4 마치며CHAPTER 4 아키텍처와 학습 목표_4.1 기본 개념_4.2 의미 표현하기_4.3 트랜스포머 아키텍처_4.4 손실 함수_4.5 내재적 모델 평가_4.6 트랜스포머 백본_4.7 학습 목표_4.8 사전 훈련 모델_4.9 마치며[PART 2 LLM 활용하기]CHAPTER 5 사용 목적에 맞게 LLM 활용하기_5.1 LLM 생태계 탐색하기_5.2 적합한 LLM을 선택하는 방법_5.3 LLM 로딩 방법_5.4 디코딩 전략_5.5 LLM에서 추론 실행하기_5.6 구조화된 출력_5.7 모델 디버깅 및 해석 가능성_5.8 마치며CHAPTER 6 파인 튜닝_6.1 파인 튜닝의 필요성_6.2 파인 튜닝: 전체 예제_6.3 파인 튜닝 데이터셋_6.4 마치며CHAPTER 7 고급 파인 튜닝 기법_7.1 지속적 사전 훈련_7.2 파라미터 효율적 파인 튜닝(PEFT)_7.3 여러 모델 결합하기_7.4 마치며CHAPTER 8 정렬 훈련과 추론_8.1 정렬 훈련의 정의_8.2 강화 학습_8.3 환각_8.4 환각 완화 전략_8.5 인컨텍스트 환각_8.6 관련 없는 정보로 인한 환각_8.7 추론_8.8 LLM에서 추론 유도하기_8.9 마치며CHAPTER 9 추론 최적화_9.1 LLM 추론의 도전 과제_9.2 추론 최적화 기법_9.3 연산량 감소 기법_9.4 디코딩 가속화 기법_9.5 저장 공간을 절약하는 기법_9.6 마치며[PART 3 LLM 애플리케이션 활용 패러다임]CHAPTER 10 LLM과 외부 도구의 인터페이스_10.1 LLM 상호작용 패러다임_10.2 에이전트 정의_10.3 에이전트 기반 워크플로_10.4 에이전트 시스템 구성 요소_10.5 마치며CHAPTER 11 표현 학습과 임베딩_11.1 임베딩 소개_11.2 의미 검색_11.3 유사도 측정법_11.4 임베딩 모델 파인 튜닝_11.5 지시 임베딩_11.6 임베딩 크기 최적화_11.7 청킹_11.8 벡터 데이터베이스_11.9 임베딩 해석하기_11.10 마치며CHAPTER 12 검색 증강 생성(RAG)_12.1 RAG의 필요성_12.2 대표적인 RAG 활용 시나리오_12.3 검색 여부 판단하기_12.4 RAG 파이프라인_12.5 메모리 관리를 위한 RAG_12.6 RAG로 인컨텍스트 학습 예시 선택하기_12.7 모델 훈련에 RAG 활용하기_12.8 RAG의 한계_12.9 RAG 대 긴 컨텍스트_12.10 RAG 대 파인 튜닝_12.11 마치며CHAPTER 13 디자인 패턴과 시스템 아키텍처_13.1 다중 LLM 아키텍처_13.2 프로그래밍 패러다임_13.3 마치며
[1].png){kind=logo}
