[#4 LLM Tutorial With RAG] LLM의무한한 가능성을 해방하는 LangChain
X
#LLM#RAG
15005분
필터 1
2024 AWS re:Invent 스케치
2024 AWS re:Invent 현장에서 본 AI와 Gen AI 활용 사례를 정리한 후기였습니다. 세션, 엑스포, 네트워킹을 통해 실무 적용 아이디어와 AI 도입 시 고려점을 공유했습니다.
#AWS#re:Invent
28005분
영화 추천 여정으로 이해하는 Qdrant 벡터 데이터베이스
Qdrant의 Collection, Point, CRUD, 검색 기능을 영화 추천 예시로 설명했습니다. 벡터 검색과 필터, Scroll로 유사 영화 추천과 대용량 탐색을 다루었습니다.
#Qdrant#RAG
23005분
서치피드: SERP를 넘어 SURF로! 검색의 새로운 물결
서치피드: SERP를 넘어 SURF로! 검색의 새로운 물결
네이버는 서치피드 SURF로 검색을 결과 나열이 아닌 연속적 탐색 경험으로 확장했습니다. LLM 기반 임베딩, 맥락텍스트, 실시간 피드백으로 개인화와 최신성을 함께 강화했습니다.
#검색#LLM
23005분
[#3 LLM Tutorial With RAG] 오픈 소스 LLM의 약점을 보완하는 RAG
오픈 소스 LLM의 한계를 보완하는 RAG를 소개하는 튜토리얼 글입니다. 설치된 LLM을 활용해 검색 증강 생성 방식을 설명합니다.
#LLM#RAG
20005분
TAG를 활용한 실용적 AI 서비스 구축하기
TAG를 활용해 CSV 테이블 기반 영화 추천 서비스를 구현하고 RAG와 비교했습니다.\n정형 데이터에서는 TAG가 더 정확한 질의 처리와 비용 효율성을 보였습니다.
#LLM#RAG
30005분
RAG의 발전과 효용성에 대한 소회
RAG는 LLM의 한계를 보완하며 실무에서 빠르게 활용할 수 있는 방식으로 정리했습니다. 다만 성능은 문서 추출과 임베딩, 커스터마이징 이해도에 크게 좌우된다고 보았습니다.
#RAG#LLM
29005분
OpenAI API Beta Feature: Assistant API
OpenAI Assistant API의 개념과 핵심 구성 요소를 정리했습니다. 파일 검색, 코드 실행, 함수 호출로 맞춤형 AI 어시스턴트를 구축하는 활용 예시를 소개했습니다.
#OpenAI API#RAG
21005분
RAGAS: RAG 시스템 성능 평가, 이제는 제대로 해보자!
RAGAS를 통해 RAG 시스템을 정량적으로 평가하는 방법을 소개했습니다. 주요 지표와 Streamlit 데모, LangSmith 연동까지 함께 설명했습니다.
#RAG#LLM
44005분
토스 프론트엔드 개발자들이 더 이상 문서를 찾지 않는 이유
토스 프론트엔드 팀은 문서를 찾아가는 대신 질문하면 바로 답을 받는 환경을 만들었습니다. RAG 챗봇과 자동 문서화 봇으로 지식이 흐르는 팀 문화를 구축했습니다.
#LLM#RAG
43005분
Gen AI를 활용한 리뷰 하이라이트
숙소 리뷰에서 핵심 정보만 뽑아 보여주기 위해 Gen AI 기반 리뷰 하이라이트를 구현했습니다.전처리와 프롬프트 개선, 사람의 검수를 거쳐 숙소별 TOP 키워드를 자동 추출했습니다.
#LLM#Azure OpenAI
26005분
![[에이닷 미디어 에이전트] 대화형 콘텐츠 탐색은 어디까지 왔을까](https://devocean.sk.com/thumnail/2024/10/31/3ae82ea55358fe590deb04dd7f3fc5c5017c61a18a2863712d1a416ac10aa6a3.jpg)
[에이닷 미디어 에이전트] 대화형 콘텐츠 탐색은 어디까지 왔을까
에이닷 미디어 에이전트의 대화형 콘텐츠 탐색 구조와 핵심 기술을 설명했습니다. LLM, RAG, 선제 추천을 활용해 개인화된 검색 경험을 강화했습니다.
#LLM#RAG
22005분