logo
logo
x
바코드검색
BOOKPRICE.co.kr
책, 도서 가격비교 사이트
바코드검색

인기 검색어

일간
|
주간
|
월간

실시간 검색어

검색가능 서점

도서목록 제공

요즘 우아한 AI 개발

요즘 우아한 AI 개발

(머신러닝에서 GPT, LLM, 생성형 AI, MLOps까지, 배달의민족 실제 프로젝트로 엿보는 AI 활용 이야기)

우아한형제들 (지은이)
골든래빗(주)
24,000원

일반도서

검색중
서점 할인가 할인률 배송비 혜택/추가 실질최저가 구매하기
21,600원 -10% 0원
1,200원
20,400원 >
21,600원 -10% 0원
0원
21,600원 >
yes24 로딩중
교보문고 로딩중
11st 로딩중
영풍문고 로딩중
쿠팡 로딩중
쿠팡로켓 로딩중
G마켓 로딩중
notice_icon 검색 결과 내에 다른 책이 포함되어 있을 수 있습니다.

중고도서

검색중
서점 유형 등록개수 최저가 구매하기
로딩중

eBook

검색중
서점 정가 할인가 마일리지 실질최저가 구매하기
aladin 19,200원 -10% 960원 16,320원 >

책 이미지

요즘 우아한 AI 개발
eBook 미리보기

책 정보

· 제목 : 요즘 우아한 AI 개발 (머신러닝에서 GPT, LLM, 생성형 AI, MLOps까지, 배달의민족 실제 프로젝트로 엿보는 AI 활용 이야기)
· 분류 : 국내도서 > 컴퓨터/모바일 > 인공지능
· ISBN : 9791194383208
· 쪽수 : 380쪽
· 출판일 : 2025-04-01

책 소개

우아한형제들이 실제 프로젝트에 적용한 AI 기술과 개발 경험을 담아냈다. AI 메뉴 추천 시스템부터 데이터 검색 및 분석 자동화, 로봇 ML 모델 경량화와 MLOps 구축까지, 최신 AI 기술을 활용한 실무 사례를 생생하게 다룬다.

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

우아한형제들 (지은이)    정보 더보기
우아한형제들은 배달이 일상을 조금 더 행복하게 하도록 오늘도 달리고 있습니다. 평범한 사람들이 모여 비범한 성과를 만들어내는 곳이 될 수 있도록 건강한 조직문화를 만드는 일에 진심을 다합니다. 2016년부터 '우아한형제들 기술블로그'를 운영하며 개발 조직의 성장 과정을 기록하고 있습니다.
펼치기

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.


추천도서

이 포스팅은 쿠팡 파트너스 활동의 일환으로,
이에 따른 일정액의 수수료를 제공받습니다.
이 포스팅은 제휴마케팅이 포함된 광고로 커미션을 지급 받습니다.
도서 DB 제공 : 알라딘 서점(www.aladin.co.kr)
최근 본 책
9791194383215