AI Agent
11 posts
- Updated:
AI Agent 과정을 정리합니다. LLM 기초와 프롬프트 엔지니어링에서 시작해 RAG, Evaluation, Agent 설계, Observability, Cost, Security, Fine-tuning까지 운영 가능한 AI 시스템을 만들기 위해 필요한 흐름을 되짚습니다.
- Updated:
LLM의 Pre-training과 Post-training 차이를 정리하고 Fine-tuning의 목적, 데이터 구조와 설계 방법을 정리했습니다.
- Updated:
LLMOps 관점에서 AI 시스템의 보안 위험을 데이터 오염, 프롬프트 인젝션, jailbreaking, guardrail, 모델 정렬과 안전 학습까지 연결해 정리합니다.
- Updated:
AI Agent의 LLM 비용이 커지는 원인을 LLM, 애플리케이션, 인프라 관점에서 정리하고 비용 최적화 기준을 제시합니다.
- Updated:
LLM Observability는 AI Agent가 어떤 입력을 받았고, 어떤 prompt와 context로 model을 호출했으며, 어떤 retrieval과 tool 실행을 거쳐 답변을 만들었는지 추적하는 운영 체계입니다. Evaluation이 결과를 판정한다면, Observability는 그 결과가 만들어진 과정을 다...
- Updated:
Tool/Capability, Execution Pattern, Agent Archetype 관점에서 Agentic AI Design Pattern을 정리합니다
- Updated:
AI Agent의 가능성과 성과가 만들어지면서 다양한 애플리케이션이 만들어집니다. 하지만 Production에서 돌리기 위한 문제가 많이 발생하죠. 따라서 저희는 문제가 정말 Agent로 풀어야 하는 문제인가를 먼저 정리합니다.
- Updated:
LLM이 런타임에 다음 행동을 스스로 결정하는 AI Agent의 개념부터 설계까지 알아봅시다. AI Agent를 설계하는 것과 Workflow와의 차이, 4대 구성요소를 통해 Agent 구축의 기초를 다집니다.
- Updated:
LLM의 작동 원리와 모델 선택 기준을 이해하고, 구조화된 출력과 프롬프트 분리를 통해 안정적인 AI 시스템을 구축하는 방법을 다룹니다.
- Updated:
AI Agent 과정의 간단한 개요입니다. AI Agent의 과정과 AI Agent의 간단한 구성, 사례. 그리고 달성하고자 하는 목표와 필요한 리소스까지 간단하게 정리했습니다.
Llamaindex와 Llama3로 RAG, Text-to-SQL, 에이전트 등 GenAI 핵심 패턴 구축 방법을 학습하고 테스트합니다. 실용적인 AI 앱 개발 방법을 익혀보세요.