[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