▷ 책소개

생성형 AI의 개요와 함께 LangChain 프레임워크를 사용한 실질적인 구현 사례까지 모두 10개의 장으로 구성해 포괄적으로 제공하는 책이다.
1장은 생성형 AI가 텍스트, 이미지, 그리고 비디오 처리를 어떻게 혁신적으로 변화시키는지 설명한다. 이 장에서는 LLM(Large Language Model, 거대 언어 모델) 등의 생성 모델을 소개하며, 그 잠재력을 자세히 살펴본다. 2장에서는 LangChain의 프레임워크를 활용한다. 낡은 지식, 행동 제한 그리고 환각의 위험과 같은 한계를 다루며, LangChain이 외부 데이터와 개입을 통합해 더 일관된 AI 응용 프로그램을 어떻게 구현하는지 설명한다.
3장은 환경 설정의 기본 지식을 다루며, Docker, Conda, Pip, Poetry 설치 안내부터 시작한다. OpenAI의 ChatGPT와 Hugging Face와 같은 다양한 공급 업체로부터 모델을 통합하는 방법에 대한 내용과 필요한 API 키를 얻는 과정을 설명한다. 4장에서는 정보 추출을 위한 밀도 체인(Chain of Density)을 알아보고, LangChain 데코레이터(decorator)와 표현 언어에 대한 논의를 통해 사용자 맞춤형 행동을 정의하는 방법을 설명한다. 5장은 ChatGPT와 같은 챗봇의 능력을 향상시키기 위해 검색 증강 생성(RAG, Retrieval-Augmented Generation)과 같은 방법을 설명한다. 6장은 소프트웨어 개발에서 부상하는 LLM의 역할을 조사하며, AI가 코딩 작업을 자동화하고 동적 코딩 비서로서의 역할 가능성을 알아본다. 7장은 생성형 AI와 데이터 과학의 공통점을 탐색하며, LLM이 생산성을 향상시키고 과학적 발견을 촉진할 수 있는 잠재력을 살펴본다. 8장은 미세 조정(fine-tuning)과 프롬프팅(prompting)과 같은 조건화 기술을 알아본다. 9장은 LLM을 실제 응용 프로그램 내에서 배치하는 데 있어서의 복잡성을 다루며, 성능 보장, 규제 요구 사항 충족, 규모에 대한 강건성 및 효과적인 모니터링을 위한 모범 사례를 살펴본다. 10장은 생성형 AI의 잠재적인 발전과 사회 기술적 도전에 대해 자세히 알아본다.

▷ 목차

1장. 생성형 AI란 무엇인가?
__생성형 AI 소개
____생성 모델이란 무엇인가?
____왜 지금인가?
__LLM의 이해
____GPT란 무엇인가?
____다른 LLM
____주요 플레이어
____GPT 모델은 어떻게 작동할까?
______사전 훈련
______토큰화
______스케일링
______조건화
____이러한 모델을 시험하는 방법
__텍스트 투 이미지 모델이란?
__다른 영역에서 AI가 할 수 있는 일
__요약
__문제


2장. LLM 응용을 위한 LangChain
__확률적 앵무새를 넘어서
____LLM의 한계는 무엇인가?
____LLM의 한계를 완화하는 방법
____LLM 응용이란 무엇인가?
__LangChain이란 무엇인가?
__LangChain의 핵심 요소 탐색
____체인이란 무엇인가?
____에이전트는 무엇인가?
____메모리는 무엇인가?
____도구란 무엇인가?
__LangChain의 작동 원리
__LangChain과 다른 프레임워크와의 비교
__요약
__문제


3장. LangChain으로 시작하기
__이 책을 위한 종속성 설정 방법
____pip
____Poetry
____Conda
____Docker
__API 모델 통합 탐색
____가짜 LLM
____OpenAI
____Hugging Face
____Google Cloud Platform
____Jina AI
____Replicate
____그 외
____애저
____Anthropic
__로컬 모델 탐색
____Hugging Face Transformers
____llama.cpp
____GPT4ALL
__고객 서비스를 위한 애플리케이션 구축
__요약
__문제


4장. 능력 있는 비서 구축
__팩트 체크를 통한 환각 완화
__정보 요약
____기본 프롬프팅
____프롬프트 템플릿
____밀도 체인
____맵 리듀스 파이프라인
____토큰 사용량 모니터링
__문서에서 정보 추출
__툴을 사용한 질문 응답
____툴을 사용한 정보 검색
____시각 인터페이스 구축
__추론 전략 탐색
__요약
__문제


5장. ChatGPT 같은 챗봇 구축
__챗봇이란 무엇인가?
__검색과 벡터의 이해
____임베딩
____벡터 저장소
______벡터 인덱싱
______벡터 라이브러리
______벡터 데이터베이스
__LangChain에서의 로딩 및 검색
____문서 로더
____LangChain에서 검색기
______kNN 검색기
______PubMed 검색기
______맞춤형 검색기
__챗봇 구현
____문서 로더
____벡터 저장소
____메모리
______대화 버퍼
______대화 요약 기억
______지식 그래프 저장
______여러 메모리 메커니즘의 병합
______장기 일관성
__응답 중재
__요약
__문제


6장. 생성형 AI를 이용한 소프트웨어 개발
__소프트웨어 개발과 AI
____코드 LLM
__LLM을 사용한 코드 작성
____StarCoder
____StarChat
____LLaMa 2
____소형 로컬 모델
__소프트웨어 개발 자동화
__요약
__문제


7장. 데이터 과학을 위한 LLM
__생성 모델이 데이터 과학에 미치는 영향
__자동화된 데이터 과학
____데이터 수집
____시각화와 탐색적 데이터 분석
____전처리와 특징 추출
____AutoML
__데이터 과학 질문에 답하기 위한 에이전트 사용
__LLM을 사용한 데이터 탐색
__요약
__질문


8장. LLM 사용자 정의 및 출력
__LLM 조건화
____조건화 기법
______인간 피드백을 가미한 강화학습
______LoRA
______추론 시간 조건화
__미세 조정
____미세 조정 설정
____오픈 소스 모델
____상업용 모델
__프롬프트 공학
____프롬프트 기술
______제로샷 프롬프팅
______퓨샷 러닝
______CoT 프롬프팅
______자기 일관성
______ToT
__요약
__문제


9장. 생성형 AI 제품화
__LLM 애플리케이션의 제품화를 준비하는 방법
____용어
__LLM 앱을 평가하는 방법
____두 출력 비교
____기준 대비 비교
____문자열과 문맥 비교
____데이터셋을 대상으로 한 평가 수행
__LLM 앱을 배포하는 방법
____FastAPI 웹서버
____Ray
__LLM 앱을 관찰하는 방법
____관찰 반응
____관측성 도구
____LangSmith
____PromptWatch
__요약
__문제


10장. 생성형 모델의 미래
__생성형 AI의 현 상태
____도전 과제
____모델 개발에서의 추세
____빅테크 대 소기업
____AGI
__경제적 결과
____창의적 산업과 광고
____교육
____법률
____제조
____의학
____군사
__사회적 함의
____오정보와 사이버보안
____규제와 실행의 어려움
__앞으로의 길

▷ 저자소개

벤 아우파스

(Ben Auffarth)컴퓨터 신경과학 박사 학위를 가진 경험이 풍부한 데이터 과학 리더다. 테라바이트 단위의 데이터를 분석하고 최대 64k 코어를 갖춘 슈퍼 컴퓨터에서 뇌 활동을 시뮬레이션하며, 실험을 설계하고 수행했다. 보험 적용 응용을 처리하는 제품화 시스템을 구축했고, 수백만 건의 문서에 대해 신경망을 훈련시켰다. 『Machine Learning for Time-Series』(Packt, 2021)와 『Artificial Intelligence with Python Cookbook Python』(Packt, 2020)의 저자이며, 현재는 헤이스팅스(Hastings Direct)에서 보험 분야에 몸담고 있다.