랭체인과 RAG로 배우는 실전 LLM 애플리케이션 개발

▣ 01장: 랭체인(LangChain)
1.1 랭체인을 위한 준비사항
___1.1.1 체인을 사용하는 이유
1.2 코랩(Google Colaboratory) 환경
___1.2.1 코랩 실행 환경 설정
1.3 LLM API 키
___1.3.1 GPT API 키
___1.3.2 제미나이 API 키
1.4 허깅페이스
___1.4.1 허깅페이스의 모델 찾기
1.5 랭체인 구성요소
___1.5.1 체인
___1.5.2 프롬프트
___1.5.3 메모리
___1.5.4 인덱스
___1.5.5 콜백 및 평가

▣ 02장: RAG(Retrieval-Augmented Generation)
2.1 RAG의 배경 및 중요성
2.2 랭체인을 이용한 RAG
___2.2.1 환경 설정
___2.2.2 데이터 로드
___2.2.3 데이터 청킹
___2.2.4 벡터 스토어
___2.2.5 리트리버 및 프롬프트
2.3 Advanced RAG
___2.3.1 문서의 순서를 조절하여 성능을 올리는 리랭커 기술
___2.3.2 가상 문서를 통해 높은 질의 응답 성능을 달성하는 HyDE 기술
___2.3.3 쿼리를 보다 구체적이고 풍부하게 만드는 쿼리 확장 기술
___2.3.4 다양한 관점을 반영할 수 있는 멀티 쿼리 기술

▣ 03장: 멀티모달 RAG
3.1 _멀티모달 RAG 소개
___3.1.1 멀티모달 RAG 개념
___3.1.2 활용 사례
___3.1.3 중요성
3.2 멀티모달 RAG의 중요한 모델 및 기술
___3.2.1 멀티모달 인코더
___3.2.2 멀티모달 생성을 위한 디코더
___3.2.3 지식 검색 및 증강
___3.2.4 융합 기술
___3.2.5 모델 학습과 파인튜닝
3.3 [실습] 멀티모달 RAG
___3.3.1 멀티모달 정보 추출
___3.3.2 멀티모달 RAG 구현

▣ 04장: GraphRAG
4.1 GraphRAG란?
4.2 기존 RAG와 차이점
4.3 GraphRAG를 위한 환경 설정
___4.3.1 Neo4j
4.4 [실습] GraphRAG
___4.4.1 [실습] 자연어 쿼리를 통한 그래프 데이터 조회 및 조작
___4.4.2 [실습] LLM 기반 지식그래프 구축 및 RAG 실습

▣ 05장: ReAct 에이전트
5.1 ReAct 에이전트란?
___5.1.1 ReAct 에이전트의 개념
___5.1.2 기본 원리 설명
___5.1.3 ReAct와 기존 방식의 차이점
___5.1.4 ReAct 에이전트의 주요 기능 및 활용 사례
5.2 검색 API 연동
___5.2.1 외부 데이터 기반 답변 생성
___5.2.2 검색 API 호출
___5.2.3 [실습] ReAct 에이전트와 검색 API 통합
5.3 [실습] 에이전트 기반 도구 호출
___5.3.1 기본 에이전트에서의 도구 호출
___5.3.2 ReAct를 활용한 고급 도구 호출
5.4 에이전트를 활용한 금융 데이터 실전 프로젝트
___5.4.1 ReAct 에이전트를 사용한 금융 데이터 수집 및 분석
___5.4.2 검색 API를 통한 실시간 금융 시장 분석
___5.4.3 ReAct 에이전트를 통한 통합 분석

▣ 06장: sLLM
6.1 sLLM을 학습하는 이유
6.2 sLLM 실행
___6.2.1 허깅페이스의 sLLM 모델 실행해 보기
6.3 FFT 학습 방법과 코드
___6.3.1 학습 데이터 만들기
___6.3.2 sLLM 학습을 위한 병렬 처리 방법
___6.3.3 sLLM 학습 Full Fine-tuning하기
6.4 PEFT 학습 방법과 코드
___6.4.1 PEFT 알고리즘 및 실습(QLoRA)
___6.4.2 PEFT 알고리즘 및 실습(DoRA)
6.5 RAG 기반의 LLM 최적화 학습
___6.5.1 RAG를 고려한 QA 데이터 생성
___6.5.2 RAG를 고려한 sLLM 학습
___6.5.3 RAG를 고려한 sLLM 최적화
6.6 LLM 서빙
___6.6.1 스트림릿을 활용한 서비스 환경 구성하기
___6.6.2 스트림릿을 활용한 sLLM 배포해 보기
___6.6.3 vLLM으로 sLLM 서빙 최적화하기