5강 마지막에 RunnablePassThrough의 경우 딕셔너리 형태의 key 와 value를 넘겨줄 때 key(강의에서 information)를 미리 RunnablePassThrough에 할당하면 value만 str형태로 입력해도 간편하게 invoke할 수 있다는 것으로 이해했는데요, 두번째 예시에서 key가 두가지인 경우(information, continent)에 RunnablePassThrough를 사용하나 하지 않으나 딕셔너리 형태로 두 키와 밸류를 모두 입력해야하는 것 아닌가요? 강의의 의도가 이런 경우에는 RunnablePassThrough를 쓰는 것이 적절하지 않다는 것인지, 혹은 제가 놓지는 무언가가 있는지 궁금합니다.
위 이미지처럼 코드 실행 시 오류가 발생하는데, 원인 파악이 안돼서 여쭤보고자 합니다. 이전에는 LangSmith API KEY 미존재 오류가 발생하여 .env 파일에 LANGCHAIN_API_KEY, LANGCHAIN_TRACING_V2 값 모두 등록해놓은 상태입니다.
10강에서 OpenAIEmbeddings -> UpstageEmbeddings로 변경하는 과정을 따라하고 있었습니다. 궁금한 점은 query = "연봉 5천만원인 직장인의 소득세는 얼마인가요?" reviewed_docs = database.similarity_search(query, k=3) 이렇게 진행을 하시고, 또 아래와 같은 코드를 왜 실행시키는지 궁금합니다. # 이제 QA 체인 만들기 from langchain.chains import RetrievalQA qa_chain = RetrievalQA.from_chain_type(llm=llm, retriever=database.as_retriever(), chain_type_kwargs={"prompt" : prompt}) QA 체인이 문서 검색 기능을 해주는 것으로 알고 있는데 왜 위에서 "reviewed_docs = database.similarity_search(query, k=3) " 을 넣으신건지 궁금합니다.
안녕하세요. 로컬에 n8n 설치해 강의 실습하고 있습니다. (localhost:5678) 22강의 Event Subscriptions 과정에서 Request URL 로의 request 가 실패하고 있습니다. response 가 오긴 하는 거 같은데 challenge 파라미터 값이 없다고.. localhost 일 때는 추가 조치가 필요할까요?
안녕하세요. 강의 잘 듣고 있습니다. 강의에서 evaluation을 위한 golden dataset을 chatgpt로 생성하셨는데 실무에서는 보통 어떻게 처리하시는지 궁금합니다. 실무에서도 LLM이나 인공지능을 활용하여 dataset을 만드시나요? 아니면 사람이 개입해서 수집이나 조사 등을 통해 작성하시나요?
안녕하세요. 실무에서 Mysql을 많이 사용하는데 Mysql 사용자 테이블을 기준으로 사용자와 비슷한 취미 이런것들을 추천 시스템을 만든다고한다면 mysql에 저장된 데이터를 벡터 DB에 계속 업데이트를 해야하는데 가능한건지 의문이듭니다. 사용자 테이블에는 탈퇴를 했다거나 취미가 바뀌었다거나 등 데이터가 업데이트가 되는데 벡터 DB에서도 해당 데이터를 찾아서 업데이트 되는게 가능한건지 아니면 배치성으로 데이터를 한번에 업데이트를 헤야하는것인지 고민이 드는데 강사님 같은 경우에 어떻게 해결하셨는지 궁금합니다.
안녕하세요, 병진님. 현재 n8n 강의 잘 수강하고 있습니다. 다름이 아니라,강의를 보면서 따라한 코드를 제 깃허브 학습 및 정리 차원에서 업로드하고 싶은데, 혹시 이러한 방식으로 업로드해도 될지 괜찮을지 여쭤봅니다. 만약 허용되지 않은 부분이 있다면 말씀 하신대로 따르겠습니다! 늘 좋은 강의 감사드립니다!
안녕하세요. MMR 관련 질문이 있습니다. MMR을 retriever로 설정할 때 fetch_k와 k를 같이 설정해주도록 되어 있는데, 여기서 질문입니다. fetch_k를 설정한다는 것 자체가 다양성을 확보하기 위한 MMR과 배치되는 것 아닌가요? => 그냥 전체 문서수를 fetch_k로 하면 되는 것 아닌가요? mmr 알고리즘 or 문서검색을 하는 원리가 잘 이해되지 않습니다. 감사합니다.
안녕하세요. 토큰별로 문서를 쪼개는 이유가 아래가 맞을까요? 유사도 검색 18만글자를 안쪼개고 벡터 데이터베이스에 저장하면 유사도 검색이 안됨 GPT4-0 컨텍스트 토큰 한계 18만글자를 안쪼개고 넣는다 한들 유사도 검색 후 GPT가 그 결과값을 보고 답변을 줘야하는데 결과값이 18만글자니깐 답변 조차 못함
아래의 코드와 같이 chunk_size와 seperator 두가지 기준으로 문서를 분할하는 text_splitter를 정의하였을때, 어떤 것을 우선하여 텍스트를 분할하나요? 예를 들어 토큰사이즈가 100개 이하지만 정규식 조건에 해당하여 분할을 하는것인지 혹은 토큰사이즈 100개 이상이 되어 정규식 조건을 충족하지 않아도 문서를 분할하는지 궁금합니다. text_splitter = CharacterTextSplitter.from_huggingface_tokenizer( tokenizer=tokenizer, separator=r"[.!?]\s+", chunk_size=100, chunk_overlap=0, is_separator_regex=True, keep_separator=True, )
파이썬 설치도 했고요. 아래 유사 질문이 있어 답변 바탕으로 진행해봤는데, visual studio code 다운로드하고 터미널까지 들어가서 ollama pull deepseek-r1:1.5b 까지 했거든요. 그 이후로는 zsh: command not found으로 떠요. 개발자가 아니다보니까 하나하나 사소할 수 있는데 너무 어렵네요 ㅠㅠ 도와주십시오.
