AI Agent
16 posts
- Updated:
개인정보 보호 문서 12개를 예로 청킹, Keyword·Vector 검색, 컨텍스트 구성과 근거 기반 답변의 동작 및 단계별 실패 원인을 설명합니다.
프롬프트의 구성 요소와 Zero-shot·Few-shot, 추론 설정, ReAct를 살펴보고 실패 분석과 평가를 바탕으로 품질·비용·지연을 개선합니다.
AI Agent 2기 1주차 수업 자료입니다. 토큰과 Context window, LLM의 생성 흐름, API 요청과 생성 설정, 구조화 출력과 검증을 이커머스 CS 분류 사례로 살펴봅니다.
- Updated:
AI Agent 과정의 목적과 서비스 사례를 소개하고 수업 진행 방식, 과제 제출 방법, 실습 준비 사항을 안내합니다.
- Updated:
AI Agent 과제를 GitHub Fork와 Branch로 작성하고 원본 저장소에 Pull Request로 제출하는 방법을 안내합니다.
- Updated:
AI Agent 과정을 정리합니다. LLM 기초와 프롬프트 엔지니어링에서 시작해 RAG, Evaluation, Agent 설계, Observability, Cost, Security, Fine-tuning까지 운영 가능한 AI 시스템을 만들기 위해 필요한 흐름을 되짚습니다.
- Updated:
LLM의 Pre-training과 Post-training 차이를 정리하고 Fine-tuning의 목적, 데이터 구조와 설계 방법을 정리했습니다.
- Updated:
LLMOps 관점에서 AI 시스템의 보안 위험을 데이터 오염, 프롬프트 인젝션, jailbreaking, guardrail, 모델 정렬과 안전 학습까지 연결해 정리합니다.
- Updated:
AI Agent의 LLM 비용이 커지는 원인을 LLM, 애플리케이션, 인프라 관점에서 정리하고 비용 최적화 기준을 제시합니다.
- Updated:
LLM Observability는 AI Agent가 어떤 입력을 받았고, 어떤 prompt와 context로 model을 호출했으며, 어떤 retrieval과 tool 실행을 거쳐 답변을 만들었는지 추적하는 운영 체계입니다. Evaluation이 결과를 판정한다면, Observability는 그 결과가 만들어진 과정을 다...
- Updated:
Tool/Capability, Execution Pattern, Agent Archetype 관점에서 Agentic AI Design Pattern을 정리합니다
- Updated:
AI Agent의 가능성과 성과가 만들어지면서 다양한 애플리케이션이 만들어집니다. 하지만 Production에서 돌리기 위한 문제가 많이 발생하죠. 따라서 저희는 문제가 정말 Agent로 풀어야 하는 문제인가를 먼저 정리합니다.
- Updated:
LLM이 런타임에 다음 행동을 스스로 결정하는 AI Agent의 개념부터 설계까지 알아봅시다. AI Agent를 설계하는 것과 Workflow와의 차이, 4대 구성요소를 통해 Agent 구축의 기초를 다집니다.
- Updated:
LLM의 작동 원리와 모델 선택 기준을 이해하고, 구조화된 출력과 프롬프트 분리를 통해 안정적인 AI 시스템을 구축하는 방법을 다룹니다.
- Updated:
AI Agent 과정의 간단한 개요입니다. AI Agent의 과정과 AI Agent의 간단한 구성, 사례. 그리고 달성하고자 하는 목표와 필요한 리소스까지 간단하게 정리했습니다.
Llamaindex와 Llama3로 RAG, Text-to-SQL, 에이전트 등 GenAI 핵심 패턴 구축 방법을 학습하고 테스트합니다. 실용적인 AI 앱 개발 방법을 익혀보세요.