LLM으로 구현하는 실무형 AI 서비스 개발
LLM은 빠르게 진화하며 새로운 모델과 기법이 끊임없이 등장하고 있지만 지금 사용되는 개발 도구와 기술이 더 발전된 AI 모델을 다루는 기본 토대가 된다. 이 토대를 깊이 이해한 사람이 앞으로 나올 더 강력한 모델도 가장 효과적으로 활용할 수 있다. AI는 자연어 처리뿐 아니라 알고리즘 설명, 소프트웨어 개발, 학술 개념 해설, 생성형 이미지 제작 등 다양한 분야에서 활용되며, 산업 전반에 혁신을 불러오고 있다.
이 책은 LLM과 자연어 처리의 최신 동향을 소개하고, 모델의 작동 원리를 깊이 있게 설명하면서도 실무에 바로 쓸 수 있는 방법을 제시한다. 특히 RAG 파이프라인 구축 프로젝트를 통해 텍스트를 처리하고 맥락에 맞게 상호작용하는 최신 기술을 직접 다룬다. LLM을 특정 용도에 맞춰 정확성과 신뢰성을 높이는 필수 기술 스택인 프롬프트 엔지니어링, 파인튜닝, RAG를 중심으로, 실제 서비스에 적용 가능한 제품 제작 과정을 구체적으로 안내한다. 단순한 개념 설명을 넘어서 한계를 극복하는 전략과 실전 구현 방법까지 제시해 개발자가 직접 애플리케이션과 제품을 완성할 수 있도록 돕는다.
총 12장으로 구성된 이 책은 LLM의 핵심 개념부터 실무 적용까지 체계적으로 다룬다. 1장은 확장 법칙, 콘텍스트 크기, 창발적 능력 등 LLM이 강력한 이유를 살펴보고, 2장은 트랜스포머 아키텍처와 각 레이어 구성 요소를 중심으로 다양한 모델 설계를 설명한다. 3장은 환각, 레이턴시, 컴퓨팅 제약 같은 한계를 분석하고, 4장은 퓨샷 학습과 체인 프롬프트 등 프롬프트 기술을 코드 예제와 함께 실습한다. 5장은 RAG 기본 원칙과 벡터 데이터베이스 개념, 데이터 저장 및 검색 방법을 다루고, 6장은 LangChain과 LlamaIndex로 LLM 작업을 단순화하는 방법을 설명한다.
7장은 다양한 프롬프트 유형과 응답 제어, 추적 기법을, 8장은 인덱스 생성, 데이터 분할, 저장 등 검색 최적화를 다룬다. 9장은 고급 RAG 기법과 잠재적 문제 해결, 챗봇 성능 평가를 다루며 LangSmith 활용법까지 함께 소개한다. 이어 10장은 외부 환경과 상호작용하는 지능형 에이전트를, 11장은 LoRA와 QLoRA를 활용한 파인튜닝 전략을 다룬다. 마지막 12장에서는 모델 증류, 양자화, 가지치기 등으로 성능을 유지하면서 비용을 줄이는 최적화 방법을 제안한다. 각 장에는 RAG 기반 뉴스 요약기, 고객 지원 Q&A 챗봇, Whisper와 LangChain을 활용한 유튜브 영상 요약기, PDF 금융 문서 분석기, LoRA 기반 금융 감정 분석 등 실제 구현이 가능한 19개의 프로젝트가 포함되어 있으며, 개념을 실습과 함께 익히며 실무에 바로 적용할 수 있다.
시간이 지나 모델이나 구현 방식이 바뀌더라도 이 책에서 다루는 원칙과 접근 방법은 여전히 유효하다. 지금 필요한 실무 지식일 뿐 아니라 앞으로 등장할 더 발전된 모델을 다루는 데도 그대로 활용할 수 있을 것이다.
주요 내용LLM 구조 이해와 모델 선택 전략프롬프트 엔지니어링 및 응답 제어 기법벡터 검색 기반 RAG 파이프라인 구축랭체인, 라마인덱스 활용LoRA, QLoRA 기반 파인튜닝AutoGPT, BabyAGI 등 에이전트 기술랭스미스를 활용한 평가 및 디버깅양자화, 모델 경량화, 최적화, 배포 전략
이 책에서 직접 해보는 19가지 실전 LLM 프로젝트LLM을 활용한 번역퓨샷 학습을 통한 LLM 출력 제어LangChain을 사용한 LLM 기반 애플리케이션 구축뉴스 기사 요약기 구축출력 파서를 사용한 출력 관리뉴스 기사 요약기 개선텍스트 데이터를 활용한 지식 그래프 생성고객 지원 Q&A 챗봇Whisper와 LangChain을 이용한 유튜브 비디오 요약기자기 비판 체인을 사용한 원치 않는 출력 방지고객 서비스 챗봇에서 부적절한 출력 방지분석 보고서 작성 에이전트 구축LlamaIndex를 사용한 데이터베이스 쿼리 및 요약OpenAI 어시스턴트를 활용한 에이전트 구축LangChain OpenGPTs멀티모달 금융 문서 분석기로 PDF 파일 분석LoRA를 활용한 SFTSFT 및 LoRA를 활용한 금융 감정 분석의료 데이터를 활용한 Cohere LLM 파인튜닝RLHF를 통한 LLM 성능 향상
