이제는 AI Agent 시대! RAG와 함께 Bedrock Agent를 활용해보자 - 2 (실습)
Amazon Bedrock Agent와 RAG로 EKS 클러스터를 조회하고 Trivy CIS 보고서를 요약하는 실습을 다뤘습니다.\n지식 기반, Action Group, Lambda, OpenSearch Serverless를 연결해 한국어 자연어로 운영 자동화를 구현했습니다.
#LLM#RAG
2100
필터 1
LLM Application 구축 도전기 (feat. 소중한 고객님들의 리뷰) - 1부
컬리의 리뷰 요약 서비스 PoC에서 베스트 리뷰의 한계를 보완하기 위해 LLM 기반 리뷰 선별 실험을 진행했습니다. Reasoning과 CoT를 적용해 검수 정확도와 투명성을 높이는 방법을 확인했습니다.
#LLM#Prompt Engineering
4600
LLM 모델이 LLM 성능을 평가한다. LLM-as-a-judge 알아보기
LLM이 다른 LLM의 응답 품질을 평가하는 LLM-as-a-Judge 방법을 소개했습니다. 프롬프트를 단순화하고 평가 이유를 요구하면 인간 평가와의 일치도가 크게 높아졌습니다.
#LLM#prompt
2300
AI와 함께 생일 축하 카드를 만들어보자(feat.Claude, Adobe Firefly)
고객 생일에 맞춘 감성 MMS를 Claude와 Adobe Firefly로 제작한 사례를 소개했습니다. 83% 만족 결과와 함께 데이터 분석, 프롬프트 설계, 검수 과정을 함께 다뤘습니다.
#Claude#Adobe Firefly
3300
마이데이터 에이전트 개발 토이 프로젝트
마이데이터 정책과 기술 사양을 답하는 에이전트 토이 프로젝트를 소개했습니다. Spring AI, OpenAI, RAG, VectorStore를 활용한 구성과 흐름을 정리했습니다.
#Spring Boot#Spring AI
3500
LLM 기반 AI 플랫폼 개발에서의 LangChain을 활용한 RAG 구성하기
LLM 기반 AI 플랫폼에서 LangChain을 활용한 RAG 구성 방법을 소개합니다. RAG 파이프라인을 어떻게 구성하고 적용할지 다룹니다.
#LLM#LangChain
1400
AI를 활용한 주문서 생성 자동화: 카카오톡 주문을 키친보드 주문으로
카카오톡 비정형 주문을 AI로 해석해 주문서 초안을 자동 생성한 사례를 소개했습니다. Spring AI와 병렬 처리로 속도와 편의성을 높이고, 최종 품목 선택은 사용자 확인으로 보완했습니다.
#Spring AI#ChatGPT
9900
Velopers 추천광고
쿠팡 파트너스
개발자를 위한 인기 상품을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발자#노트북#컴퓨터
AI 데이터 분석가 ‘물어보새’ 등장 – 1부. RAG와 Text-To-SQL 활용
사내 데이터 활용 어려움을 해결하기 위해 AI 데이터 분석가 ‘물어보새’를 개발한 과정을 소개했습니다. RAG, Text-to-SQL, LLMOps를 결합해 쿼리 생성과 해설, 검증 기능을 고도화했습니다.
#LLM#RAG
3700
MLOps Community 오프라인 밋업을 준비하는 개발자의 기쁨과 슬픔
MLOps Community Seoul 오프라인 밋업을 준비한 organizer의 회고를 담았습니다.\nLLM 시대에 커뮤니티와 MLOps가 왜 중요한지, 행사 운영의 기쁨과 어려움을 함께 풀어냈습니다.
#MLOps#LLM
3700
당근에서 LLM 활용하기
당근에서 LLM을 어떻게 활용하는지 서비스 사례와 운영 방법을 소개했습니다. 또한 프로덕션 적용을 위한 파이프라인, 모델 선택, 프롬프트 엔지니어링 원칙을 정리했습니다.
#LLM#RAG
12300
미래 교실을 만드는 콴다의 AI 기술
콴다는 AI 디지털 교과서를 위해 OCR, 문제 분류, 해설 생성, 성취도 분석 기술을 결합했습니다. 이를 통해 학생별 맞춤형 학습과 교육 격차 해소를 목표로 했습니다.
#OCR#LLM
4300
Langchain을 통한 개인블로그 RAG 프로젝트
개인 블로그 기록을 RAG 데이터로 활용해 Streamlit과 LangChain으로 LLM 애플리케이션을 만들었습니다.\n운영 지표, 벡터 DB 연동, 개별 파일 업데이트 최적화까지 직접 겪은 고민을 정리했습니다.
#RAG#Langchain
2000
LangChain: LLM 서비스를 어떻게 개발할 수 있을까?
LangChain을 활용해 LLM 애플리케이션을 만드는 방법을 소개했습니다. 또한 LangSmith, Retrieval, Agent, 서빙까지 개발 흐름을 예제로 정리했습니다.
#LangChain#LLM
2700
문제 생성 AI 서비스 Quizium, 브라질 출장에서 100명의 현지 교사들에게 소개하며
브라질 파라나주에서 Quizium을 100명의 교사들에게 소개하고 시연했습니다. 현지 피드백을 바탕으로 제품 개선과 글로벌 교육 혁신 방향을 점검했습니다.
#LLM#RAG
1600