NEW
인공지능

/

AI · ChatGPT 활용

모두를 위한 대규모 언어 모델 LLM Part 5 - LangGraph로 나만의 AI 에이전트 만들기

최신 AI 기술의 총집합체인 AI 에이전트! 다양한 AI 에이전트들을 구현해보면서 LangGraph를 이용한 나만의 AI 에이전트 구현법을 학습해봅니다.

11명 이 수강하고 있어요.

Thumbnail

중급자를 위해 준비한
[AI · ChatGPT 활용, AI Agent] 강의입니다.

이런 걸
배워요!

  • LangGraph를 이용해서 AI 에이전트를 구현하는 법

  • AI 에이전트의 개념과 활용사례

  • 다양한 AI 에이전트 아키텍처

  • LangGraph로 나만의 AI 에이전트를 만드는 법

  • LangGraph로 심화 RAG 시스템을 구축하는 법

최신 AI 기술의 총집합체인 AI 에이전트!
다양한 AI 에이전트들을 구현해보면서 LangGraph를 이용한 나만의 AI 에이전트 구현법을 학습해봅니다.

LangGraph로 다양한 AI 에이전트를 만들어보면서 AI 에이전트를 구현하기 위해 필요한 구성요소들과 다양한 아키텍처를 차근차근 학습합니다.

  • LangGraph 라이브러리 사용법을 학습합니다.

  • LangGraph를 이용해서 나만의 AI 에이전트를 구현하는 방법을 학습합니다.

어떤 분들을 위한 강의인가요?

LangGraph나만의 AI 에이전트를 만들어보고 싶은 분

심화 RAG 시스템을 만들기 위한 다양한 AI 에이전트 아키텍처를 학습하고 싶은 분

최신 LLM 모델을 이용한 서비스를 개발해보고 싶은 분

선수과정

👋 본 강의는 Python, 자연어처리(NLP), LLM, 랭체인(LangChain)에 대한 선수지식이 필요한 강의입니다. 반드시 아래 강의를 먼저 수강하시거나 그에 준하는 지식을 갖춘 뒤 본 강의를 수강하세요.

모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 2 - 랭체인(LangChain)으로 나만의 ChatGPT 만들기

Q&A 💬

Q. AI 에이전트란 무엇인가요?

AI 에이전트(AI Agent)란 인공지능 시스템이 특정한 환경에서 자율적으로 행동하며, 주어진 목표를 달성하기 위해 작업을 수행하는 소프트웨어입니다. 이 에이전트는 주변 환경을 인식하고, 이를 바탕으로 의사결정을 내린 후 행동을 취하며, 그 결과를 평가하면서 학습하고, 점차 더 나은 결정을 할 수 있도록 진화해 나갑니다. AI 에이전트는 주로 다음과 같은 핵심 구성 요소로 이루어져 있습니다.


1. 환경 (Environment)

에이전트가 상호작용하는 외부 세계를 의미합니다. 이는 물리적인 환경일 수도 있고, 소프트웨어 시스템 내의 가상 환경일 수도 있습니다. AI 에이전트는 이 환경에서 데이터를 수집하고, 그 데이터를 기반으로 행동을 결정합니다.


2. 센서 (Sensors)

AI 에이전트는 센서를 통해 환경으로부터 정보를 수집합니다. 물리적 로봇의 경우에는 카메라나 마이크 같은 하드웨어일 수 있고, 소프트웨어 에이전트의 경우에는 API 또는 데이터베이스로부터 정보를 수집하는 방식이 센서 역할을 합니다.


3. 행위자 (Actuators)

에이전트가 환경에 영향을 미치기 위해 사용하는 도구나 방법입니다. 예를 들어, 로봇의 경우에는 팔이나 바퀴 같은 기계 장치를 제어하여 물리적 행동을 취할 수 있고, 소프트웨어 에이전트는 코드를 실행하거나 데이터를 조작하여 결과를 만들 수 있습니다.


4. 목표 (Goals)

AI 에이전트는 일반적으로 하나 이상의 목표를 가지고 있습니다. 이 목표는 에이전트가 환경에서 특정 작업을 완료하거나 특정 상태에 도달하도록 유도합니다. 목표는 명시적으로 주어질 수도 있고, 강화 학습과 같은 기법을 통해 스스로 학습하며 설정될 수도 있습니다.


5. 행동 및 의사결정 (Action & Decision Making)

AI 에이전트는 주어진 목표를 달성하기 위해 환경으로부터 받은 정보를 분석하고, 가능한 행동들 중에서 최적의 결정을 내립니다. 이는 규칙 기반 시스템일 수도 있고, 강화 학습, 심층 신경망 등과 같은 복잡한 알고리즘에 의해 이루어질 수도 있습니다.


6. 학습 (Learning)

학습을 통해 AI 에이전트는 시간이 지남에 따라 성능을 향상시킵니다. 머신러닝 기법을 사용하여 과거의 경험을 통해 더 나은 결정을 내리도록 학습하는 것이 대표적입니다. 이를 통해 에이전트는 환경에서 발생하는 변화를 빠르게 적응하고, 행동 전략을 개선할 수 있습니다.


Q. 선수 지식이 필요한가요?

본 [모두를 위한 대규모 언어 모델 LLM Part 5 - LangGraph로 나만의 AI 에이전트 만들기] 강의는 LangGraph 라이브러리와 LLM을 이용해서 AI 에이전트를 만드는 방법을 다루고 있습니다. 따라서 Python, 자연어처리, LLM, 랭체인(LangChain)에 대한 기초지식을 가지고 있다는 가정하에 강의가 진행됩니다. 따라서 선수지식이 부족하다면 선행 강의인 [모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 2 - 랭체인(LangChain)으로 나만의 ChatGPT 만들기] 강의를 먼저 수강하시길 바랍니다.

이런 분들께
추천드려요!

학습 대상은
누구일까요?

  • 딥러닝 연구 관련 직종으로 취업을 원하시는 분

  • 인공지능/딥러닝 관련 연구를 진행하고 싶은 분

  • 인공지능(AI) 대학원을 준비 중이신 분

  • LangGraph로 나만의 AI 에이전트를 만들어보고 싶은 분

  • LangGraph로 기본 RAG 시스템보다 심화된 RAG 시스템을 만들어보고 싶은 분

선수 지식,
필요할까요?

  • Python 사용 경험

  • 선수강의 [모두를 위한 대규모 언어 모델 LLM(Large Language Model) Part 2 - 랭체인(LangChain)으로 나만의 ChatGPT 만들기] 수강경험

안녕하세요
AISchool입니다.

커리큘럼

전체

24개 ∙ (6시간 51분)

  • 실습 colab 링크 확인하는 법

강의 게시일: 
마지막 업데이트일: 

수강평

아직 충분한 평가를 받지 못한 강의입니다.
모두에게 도움이 되는 수강평의 주인공이 되어주세요!