RAG 직접 구축하기 - 하이브리드 검색·Reranker·다단계 검색부터 평가·운영까지

문서를 찾아 답하고, 도구를 골라 조회하고, 승인받은 티켓을 실제로 만드는 고객지원 에이전트를 처음부터 만들어요. 응답이 끊기거나 같은 요청이 다시 와도 업무가 한 번만, 끝까지 처리되는지 실제 실행 기록으로 확인합니다.

왜 Attention이 필요했는지, 그리고 어떻게 동작하는지 ‘코드로 직접 구현하며’ 이해합니다. 이 강의는 RNN과 Seq2Seq 모델의 구조적 한계에서 출발하여, 고정된 컨텍스트 벡터가 만들어내는 정보 병목 문제, 장기 의존성 문제를 실험으로 검증하고 그 한계를 해결하기 위해 Attention이 어떻게 등장했는지를 자연스럽게 이어서 설명합니다. 단순히 개념을 소개하는 것이 아니라, RNN의 구조적 한계와 Seq2Seq의 정보 병목 문제를 직접 실험으로 확인하고, 이를 해결하기 위해 등장한 **Bahdanau Attention(가산적 어텐션)**과 **Luong Attention(점곱 어텐션)**을 하나씩 구현하며 그 차이를 명확하게 이해합니다. 각 어텐션이 어떤 방식으로 Query–Key–Value 관계를 형성하고, 가중치를 계산하는 과정에서 어떤 수학적·직관적 차이를 가지며, 왜 후대 모델로 이어질 수밖에 없었는지 그 특성과 진화 흐름까지 자연스럽게 연결됩니다. Attention이 문장과 단어를 어떻게 바라보고, 각 단어가 어떤 방식으로 중요도를 부여받아 정보를 통합하는지를 수식 → 직관 → 코드 → 실험이 하나로 이어진 형태로 학습합니다. 이 강의는 Transformer를 제대로 이해하기 위한 ‘기초 체력’을 쌓는 과정으로, Attention이라는 개념이 왜 혁명적이었는지, 그리고 이후의 모든 최신 NLP 모델(Transformer, BERT, GPT 등)이 왜 Attention을 핵심 구성요소로 삼는지를 깊이 있게 이해하게 됩니다. RNN → Seq2Seq → Attention으로 이어지는 흐름을 개념이 아니라 코드와 실험으로 체화하고 싶은 학습자에게 최적화된 강의입니다.

이 강의는 Transformer를 단순히 “구현하는 법”이 아니라, 왜 이런 구조가 만들어졌는지, 각 모듈이 어떤 역할을 하는지, 그리고 전체 모델이 어떻게 작동하는지를 설계자의 관점에서 해부하는 과정입니다. Self-Attention과 Multi-Head Attention의 내부 계산 원리를 깊이 있게 분석하고, Positional Encoding, Feed-Forward Network, Encoder·Decoder 구조가 어떤 한계를 해결하기 위해 등장했는지를 수식·논문·구현 코드로 직접 확인합니다. Attention에서 출발해 Transformer 전체 구조를 직접 조립하고, 실제로 학습까지 수행하며 모델이 어떻게 동작하는지 체득합니다. 이 강의는 “Transformer를 완전히 이해하고 싶은 사람”을 위한 가장 구조적이고 실전적인 로드맵입니다.

RAG를 구현하고 싶지만 임베딩부터 벡터 저장·검색까지의 연결 구조가 막막하셨나요? 이 강의는 실제 서비스 개발 경험을 바탕으로 pgvector의 핵심 개념과 서비스 소스를 설명합니다. 직접 API를 호출하며 RAG 벡터 검색이 동작하는 전체 흐름을 빠르게 이해할 수 있습니다.

이 강의는 확산모델(Diffusion Model)의 진화 과정을 논문과 코드로 완전 정복하는 실전 중심 마스터클래스입니다. DDPM(Denoising Diffusion Probabilistic Model)과 DDIM 등, 생성 AI의 핵심 모델들을 논문 원리부터 직접 구현하며 학습합니다. 각 모델의 등장 배경, 수식, 네트워크 구조(U-Net, VAE, Transformer), 학습 과정(Noise Schedule, Denoising Step), 그리고 성능 향상을 이끈 아이디어들을 단계별로 분석합니다.수강생은 모든 모델을 PyTorch 기반으로 직접 코딩하며, 논문을 이해하는 것에 그치지 않고 ‘재현하고 응용할 수 있는 실무 능력’을 얻게 됩니다. 또한, 모델 간의 차이와 발전 흐름을 비교하며, 어떻게 확장되는지를 명확히 이해하게 됩니다. 이 강의는 이론·코드·실습을 하나로, 연구자·개발자·창작자 모두에게 생성모델의 진화를 체계적으로 익힐 수 있는 여정을 제공합니다. 논문을 ‘읽는 것’을 넘어, 직접 구현하며 ‘이해하고 재창조’하는 경험을 지금 시작하세요.

진짜 코딩의 ㅋ 자도 경험해 본 적 없는 분들도 딸깍으로 자동화 소프트웨어 만들 수 있어요 진짜에요

이 과정은 비개발 사무직이 코딩 자체를 배우는 것이 아니라, AI 에이전트를 활용해 업무 문제를 직접 해결하는 능력을 기르는 데 초점을 둔 교육입니다. 기존에는 문제 발생 시 IT 부서나 외주 개발에 의존해야 했지만, 이제는 AI와 함께 설계하고 즉시 프로토타입을 만들어 업무 자동화를 구현할 수 있는 시대입니다. 이를 위해 핵심적으로 요구되는 역량은 문제 정의, AI 협업을 통한 해결 전략 수립, 그리고 필요한 도구를 직접 제작하는 능력입니다. 특히 Codex CLI를 활용하면 기존 ChatGPT 사용자라면 추가 비용 없이 바로 에이전틱 코딩을 실습할 수 있어, 비개발자도 빠르게 실전 경험을 쌓을 수 있습니다. 커리큘럼은 AI 에이전트 시대의 변화 이해부터 개발 기초, 터미널 활용, Codex CLI 기반 에이전틱 코딩, 문제 구조화, Django 웹앱 개발, 그리고 실제 업무 자동화 앱 제작까지 단계적으로 구성되어 있습니다. 학습자는 To-Do, 체크리스트, 일정 관리, 회의록, 요약 도구 등 실무에 바로 적용 가능한 애플리케이션을 직접 만들면서 반복 업무 자동화 역량을 확보할 수 있습니다. 전체 과정은 짧은 단위로 구성된 모듈형 마이크로러닝 방식으로 설계되어, 필요한 내용을 빠르게 학습하고 업무 중에도 즉시 재활용할 수 있도록 구성되어 있습니다.

<밑바닥부터 만들면서 배우는 LLM>(길벗, 2025)의 깃허브 노트북과 보너스 콘텐츠를 다루는 강의입니다. 깃허브: https://github.com/rickiepark/llm-from-scratch/ <밑바닥부터 만들면서 배우는 LLM>은 세바스찬 라시카(Sebastian Raschka)가 쓴 베스트셀러 <Build a Large Langauge Model (from Scratch)>(Manning, 2024)의 번역서입니다. 이 책은 오픈AI가 만든 GPT-2 모델을 밑바닥에서부터 시작해서 완전한 모델을 만들어 보면서 대규모 언어 모델의 작동 원리를 배우고 활용하는 방법을 제공합니다.

현시점 가장 중요한 AI 관련 기술을 총 망라한 RAG, VectorDB, LangChain, OpenAI, sLLM, 파인튜닝 에 대해 배웁니다.

ChatGPT에게 원하는 결과를 요청하고, 자료의 근거와 결과를 확인하는 방법을 배웁니다. 문서·데이터·글쓰기 실습에서 시작해 OpenAI API, RAG, 에이전트와 평가·운영까지 단계적으로 확장하는 70차시 과정입니다.

지금 이런 소개가 중요한가요? 당장 deepseek R1 모델을 쓰세요.

“LoRA 기반 경량 파인튜닝으로 나만의 맞춤형 LLM을 만들어보는 첫걸음!” 이 강의는 처음 LLM을 접하는 분도 쉽게 따라올 수 있도록 설계된 입문 실습 강의입니다. 복잡한 이론은 최소화하고, 모델 불러오기 → 데이터 적용 → 학습 → 결과 비교까지 전 과정을 단계별로 안내합니다. 짧은 시간 안에 LoRA·QLoRA와 같은 최신 경량 파인튜닝 기법의 흐름을 직접 경험하며, “LLM 파인튜닝이 이렇게 돌아가는구나”라는 감을 잡을 수 있습니다. 많은 자원이 없어도, 내 도메인에 특화된 LLM을 만들어보는 성취감을 직접 느껴보세요!

RAG(Retrieval-Augmented Generation)의 이론부터 최신 멀티모달, 에이전트 기반 RAG까지! 비전공자도 이해할 수 있도록 구성된 실습 중심 강의입니다. 논문 리뷰부터 실전 코드 구현까지, RAG를 처음 접하는 사람도 쉽게 따라올 수 있도록 설계했습니다.

LLM 애플리케이션이 개발 패러다임을 어떻게 변화시키고 있는지 탐구합니다. 기존 기술들과의 비교를 통해 LLM이 왜 지속 가능한 핵심 기술로 자리잡고 있는지 이해하고, 개발자로서 갖춰야 할 필수 역량과 사고방식의 변화를 학습합니다. 전문 강사의 인사이트를 통해 LLM 애플리케이션 개발의 본질과 미래 방향성을 파악할 수 있습니다.

라즈베리파이와 다양한 센서를 활용해 AI 기반 자율주행 자동차를 직접 제작해보는 실습형 강좌입니다.

<대규모 언어 모델, 핵심만 빠르게!>(인사이트, 2025)를 바탕으로 LLM의 이론과 실전 예제를 다루는 강의입니다.

LLM을 활용한 서비스를 만들면서 프롬프트나 모델을 바꾼 뒤, 이전보다 답변 품질이 떨어졌는지 확인하기 어려웠던 경험이 있다면 이 강의가 해결책이 될 수 있습니다. 직접 평가 기준을 만들고, 달라진 답변을 자동으로 찾아내는 방법을 배웁니다.

이 강의는 LDM(Latent Diffusion Model)부터 DiT(Diffusion Transformer)까지, 생성형 AI의 핵심 기술 발전을 완전 해부하는 실전형 마스터클래스입니다. LDM의 잠재 공간 기반 학습 원리와 Stable Diffusion의 구조, 그리고 최신 Diffusion Transformer의 구현 방식을 논문과 코드로 직접 분석합니다. 수강생은 PyTorch 기반으로 LDM, CFG(Classifier-Free Guidance), DiT 모델을 직접 구현하며, 생성 모델의 최신 트렌드와 구조적 진화를 체계적으로 익힙니다.

Python 문법은 알지만 서비스를 만들기 어려운 문제를 네이버 실무 경험과 단계별 실습으로 해결합니다.

코딩 지식 없이도 챗GPT를 활용해 주식과 암호화폐 자동매매 프로그램을 직접 구축하는 과정입니다. 데이터 수집부터 예측 모델 개발, 종목 추천 시스템, 실제 자동매매까지 전 과정을 실습하며 AI 활용 개발 능력과 금융 투자 지식을 동시에 습득합니다.