책 이미지

책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 인공지능
· ISBN : 9791194383208
· 쪽수 : 380쪽
· 출판일 : 2025-04-01
책 소개
목차
[PART 1] AI로 개발 생산성 높이기
01장. 코파일럿 ‘열일’하게 만들기
_VSCode에 코파일럿 설치하기
_VSCode 깃허브 코파일럿 주요 기능 소개
_실험 - 코파일럿은 얼마나 유능할까?
_코파일럿을 더 잘 사용하기 위한 팁
_마치며
02장. 챗GPT를 활용한 Git Flow 관리 자동화
_화제의 챗GPT
_자동화를 결심한 계기
_챗GPT와 대화해보자
[PART 2] AI로 더 편리한 서비스 만들기
03장. 리뷰를 재료로 GPT가 만든 메뉴 추천, 메뉴뚝딱AI
_AI 프로덕트 만들기 미션, 그런데 GPT가 주재료인
_도입 배경
_무엇을 할 수 있을까?
_어떻게 할 수 있을까?
_뚝딱이가 메뉴를 추천합니다
_검색에서의 메뉴 추천하기
_GPT와 함께 성장하는 메뉴뚝딱AI
04장. 프롬프트 엔지니어링으로 메뉴 이미지 품질 검수하기
_이미지 검수에 GPT를 활용한 이유
_프롬프트 엔지니어링 : GPT를 업무 환경에 맞추는 과정
_GPT 한계 극복 : 하이브리드 접근의 필요성
_세상에 등장한 ‘AI 이미지 검수’
_배포 그 후, 기대보다 높은 사용률
_우아한형제들에서 AI와 일하는 방법
05장. 배민선물하기 AI 메시지 제작기
_배민선물하기에서 AI 메시지를 만들게 된 이유
_문제
_가설
_금쪽이 GPT를 훈련시키는 솔루션 3단계
_마치며
06장. 실시간 반응형 추천 개발 일지 1부 : 프로젝트 소개
_기존 추천 방식 소개
_기존 방식의 한계
_실시간 반응형 추천 시스템
_개별 컴포넌트 소개
_A/B 테스트
_교훈
_앞으로의 계획
_마치며
07장. 실시간 반응형 추천 개발 일지 2부 : 벡터 검색, 그리고 숨겨진 요구사항과 기술 도입 의사 결정을 다루는 방법
_프로젝트에서는 원했다, 숨겨진 요구사항을
_기술적인 문제로의 환원
_새로운 기술 컴포넌트 도입 후보 선정하기
_벡터 유사도 검색이 필요한 이유
_벡터 유사도 검색 : 우리는 무엇이 다른가?
_HNSW 알고리즘에서 보는 프리 필터의 문제
_기술 후보군 선택과 실험 설계하기
_1차 실험
_1차 실험 구축
_2차 실험
_2차 실험 구축
_간단한 성능 최적화 방법(RDS)
_마치며
[PART 3] AI로 쉽고 빠르게 데이터 활용하기
08장. AI 데이터 분석가 ‘물어보새’ 등장 1부 : RAG와 Text-To-SQL 활용
_우리는 ‘왜’ 다시 뭉치게 되었을까?
_우리는 ‘무엇을’ 만들었을까?
_우리는 ‘어떻게’ 일을 했는가?
_Text-to-SQL을 ‘어떻게’ 구현했을까?
_물어보새 1부를 마치며
09장. AI 데이터 분석가 ‘물어보새’ 등장 2부 : 데이터 디스커버리
_우리는 ‘왜’ 데이터 디스커버리 영역으로 확장했을까?
_질문 이해 단계는 ‘어떻게’ 구현했을까?
_정보 획득 단계는 ‘어떻게’ 구현했을까?
_물어보새의 향후 계획
_마치며
10장. 폴라스로 데이터 처리를 더 빠르고 가볍게 with 실무 적용기
_폴라스가 필요했던 이유
_폴라스 소개
_기술적인 폴라스 장점
_IO 기능
_Lazy API와 쿼리 최적화
_사용성 측면에서 폴라스 장점
_실무 적용 사례 소개
_마치며
[PART 4] 안정적인 AI 서비스 운영하기
11장. 빠르고 안정적인 AI 서빙 시스템 구성하기
_AI플랫폼이란?
_서빙 컴포넌트
_CI : 이미지 생성 자동화
_CD : 서빙 자동화
_모니터링 및 알람
_운영 중 맞이한 문제와 해결 사례
_마치며
12장. 생성형 AI 서비스 : 게이트웨이로 쉽게 시작하기
_개발 배경
_생성형 AI를 잘 활용하려면 무엇이 필요한가?
_풀어야 할 문제들
_AI API 게이트웨이
_지원 서비스
_자격증명 관리
_향후 계획
_마치며
[PART 5] 로봇과 머신러닝 모델 최적화하기
13장. 로봇 머신러닝 모델의 경량화 1부 훈련 후 양자화
_로봇이 실외에서 자율주행을 하려면?
_엔비디아 GPU와 제트슨 플랫폼의 특징
_양자화
_TensorRT를 이용한 최적화
_양자화 단계별 성능 비교
_실험 방식
_실험 결과 및 결론
_마치며
14장. 로봇 ML 모델의 경량화 2부 : 양자화 인식 훈련
_훈련 후 양자화의 한계점
_양자화 인식 훈련이란?
_양자화 인식 훈련(QAT) 수행하기
_NVIDIA pytorch-quantization을 활용한 QAT 수행 및 ONNX/TensorRT 변환 가이드
_마치며
15장. 로봇을 위한 MLOps 1부 : 에지 디바이스와 K3s, 에어플로
_머신러닝 모델을 개발하는 과정과 문제들
_에지 디바이스
_로봇을 위한 머신러닝 개발 과정과 MLOps 시스템이 해결해야 할 문제들
_K3s와 에어플로 : 자원 관리 솔루션과 워크플로 관리 솔루션
_설치하기
_DAG 예제
_마치며
16장. 로봇을 위한 MLOps 2부 : 에지 파이프라인의 구성
_에지 파이프라인의 필요성
_에지 디바이스에서의 AI 연산이 필요한 이유
_에지 파이프라인의 목적
_엔비디아 도구들 소개
_엔비디아 Nsight Systems
_Trt-Infersight 개발
_에지 파이프라인의 구성
_마치며
저자소개
책속에서
GPT로 뚝딱 만들어낸 '메뉴뚝딱 AI'
만약 GPT를 활용해 먹고 싶은 메뉴에 맞는 가게를 추천할 수 있다면 어떨까요? 나아가 아직 뭘 먹고 싶은지조차 정하지 못했다면, 메뉴 선택은 물론 가게 선택까지 도와줄 수 있지 않을까요? 저희는 이 질문에 주목하며 GPT 활용 방안을 구체화해나갔습니다.
...
먼저 GPT-4o mini가 리뷰를 읽고 의미 있는 단위로 리뷰를 나누어 청크로 만들고, 그 청크가 어떤 메뉴나 식재료에 대한 내용인지 추출합니다. 또 각각의 청크가 어떤 카테고리(맛, 식감, 함께 먹는 사람, 상황 등)에 해당하는지 분류를 진행합니다. 마지막으로 GPT-4o는 청크 안에 저희가 미리 만들어놓은 키워드와 유사한 표현이 있는지를 확인합니다. 이 과정을 통해 저희는 컨텍스트 추출의 정확도를 높이고, 리뷰가 메뉴, 식재료, 서비스, 배달 등 어떤 부분에 대한 평가를 담고 있는지를 고도화하여 추출합니다.
우아톤에서 탄생한 AI 데이터 분석가 '물어보새'
AI 데이터 분석가 '물어보새'는 생성형 AI를 주제로 한 〈우아톤 2023〉을 계기로 탄생한 프로덕트입니다.
구성원들의 요구와 관심이 지속되어 2024년 1월에 본격적인 개발을 위한 '언'지니어' 태스크포스(TF)가 구성되었습니다. '물어보새'는 더욱 발전해 쿼리문 생성뿐만 아니라 쿼리문 해석, 쿼리 문법 검증, 테이블 탐색 및 로그 안내 등의 다양한 기능을 갖추게 되었습니다.
…
물어보새의 기반 기술은 LLM, RAG, 랭체인(Langchain), LLMOps입니다. LLM은 딥러닝 알고리즘 기반의 대규모 언어 모델입니다. 가장 유명한 모델로는 OpenAI의 GPT 시리즈가 있습니다. 해당 모델은 일반적인 질문에 대해 대답할 수 있지만, 특정 회사에서 통용되는 질문에 대해서는 제대로 답하지 못합니다. 그 이유는 그 회사의 데이터를 모델이 직접 학습하지 않았기 때문입니다.
…
물어보새는 랭체인에서 제공하는 도큐먼트로더, 벡터스토어, RAG QA 등을 활용해 도메인 지식을 기반으로 LLM 답변을 생성하는 기능을 만들었습니다. 그리고 다음과 같은 네 가지 요소인 '데이터 보강', '검색 알고리즘 개발', '프롬프트 엔지니어링', '실험 및 평가 시스템 구축'에 집중해 새로운 구조를 개발했습니다.
우아한형제들 로보틱스LAP의 자율주행 배달 로봇 개발 이야기
우아한형제들 로보틱스LAB에서도, 실외 배달 로봇의 자율주행에 사용할 머신러닝 모델을 개발할 때 이런 고성능 서버들을 사용합니다. 덕분에 매우 큰 데이터셋들과 다양한 고성능 머신러닝 모델들을 손쉽게 다루고 있죠. 그러나 여기엔 한 가지 문제점이 있는데, 바로 고성능 서버 환경에서 개발된 머신러닝 모델은 곧바로 로봇에 배포할 수 없다는 점입니다.
…
이제부터 고성능 서버 환경에서 딥러닝 프레임워크를 이용해 학습한 모델을 TensorRT 엔진으로 변환하는 과정을 예시 코드와 함께 살펴보겠습니다. 예시에서는 파이토치의 ResNet-18 모델과 허깅페이스의 이미지넷 검증 데이터셋을 사용했습니다.