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

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.

생성형 AI 시대에는 단순히 프롬프트를 작성하는 것만으로는 실무 문제를 해결하기 어렵습니다. 실제 서비스에서는 스스로 판단하고, 도구를 호출하며, 데이터를 검색하고, 여러 에이전트가 협업하는 AI 시스템을 설계할 수 있어야 합니다. 이 강의는 AI 에이전트를 처음 설계하는 개발자부터 실무에서 운영 가능한 시스템을 구축하려는 엔지니어까지 모두를 위한 실전 중심 과정입니다. LangGraph를 활용한 에이전트 아키텍처 설계부터 상태 관리(State Management), Tool Calling, API 및 MCP 연동, 자연어 데이터베이스 제어, RAG 구축, 시맨틱 검색, Few-shot Learning, Reflection, Fine-tuning까지 단계별로 학습합니다. 또한 멀티 에이전트 협업 구조, Supervisor 패턴, Actor-Critic 전략, 비동기 통신, 자동 평가 시스템, Quality Gate 구축 방법을 실제 프로젝트를 통해 익힙니다. 마지막으로 Metrics·Logs·Tracing 기반 모니터링, Shadow Deployment, Canary Deployment, Drift Detection, RCA 자동화, A/B 테스트까지 실제 운영 환경에서 필요한 MLOps 및 AI Agent 운영 전략도 함께 배웁니다. 강의를 마치면 최신 AI 에이전트 기술을 활용하여 실제 서비스에 적용 가능한 고성능 AI 시스템을 직접 설계하고 개발하며 운영할 수 있게 됩니다.

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.

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.

<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.

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.

Spring Boot와 React를 사용하는 개발자, 그리고 기업 환경에서 AI 시스템 도입을 고민하는 개발자분들께 Spring AI를 적극 추천드립니다. 본 과정에서는 단순한 라이브러리 소개에 그치지 않고, Spring AI의 핵심 개념과 내부 구조를 이해한 뒤 다양한 실습 예제를 통해 직접 구현해 보며 실무 적용 역량을 강화합니다. Spring AI 1.1.x 버전을 기준으로 설명하며, 향후 버전 업그레이드에도 대응할 수 있도록 지속적인 기술 지원과 확장 방향을 함께 제시합니다. 또한 MCP(Model Context Protocol)를 활용하여 도메인 간 컨텍스트 통합 및 분산 환경에서의 AI 연계와 엔터프라이즈 환경에 적합한 AI 아키텍처 설계를 실현함으로써, Spring AI 기술의 활용 가치를 한 단계 더 확장합니다. 기업 환경에서 실제로 도입 가능한 AI 시스템 구축을 목표로, 이론과 실습을 균형 있게 다루는 실전 중심의 가이드가 될 것입니다.

대규모 언어 모델, 검색 증강 생성, 에이전틱 AI 시스템을 활용해 최신 생성형 AI 애플리케이션 구축의 전체 수명 주기를 마스터하세요. 프롬프트 엔지니어링부터 배포까지 엔터프라이즈급 AI 솔루션을 설계하는 방법을 배우고, LLM을 벡터 데이터베이스 및 외부 지식 소스와 결합해 프로덕션에 바로 사용할 수 있는 애플리케이션을 구축하세요.

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.

이 강의가 특별한 이유: 핵심 장점 • 직관적인 시각화: Pygame 2D 시뮬레이션으로 알고리즘 동작을 실시간으로 직접 확인 • 실제 구현 경험: 이론을 넘어 직접 코딩하며 자율 주행 알고리즘 체득 • 핵심 알고리즘 마스터: 다익스트라, 퓨어 퍼슈트, ICP 등 필수 알고리즘 집중 학습 • 단계별 심화 학습: 기초부터 SLAM까지 체계적인 난이도 구성 • Lidar 기반 SLAM: 미지 환경에서의 맵 구축 및 위치 추정 실습

AI 에이전트, 배포할 때마다 불안하신가요? 국내 대기업/해외 빅테크 경험을 바탕으로, LangSmith를 활용해 에이전트 품질을 체계적으로 측정하고 개선하는 방법을 알려드립니다.

최신 Transformer 기반 PixArt와 경량 적응화 SANA를 이론부터 코드까지 단계별로 구현합니다. I·II편에서 다룬 DDPM·DDIM·LDM·DiT를 바탕으로, 텍스트 인코더 연결, 샘플러(DDIM/ODE), v-예측/CFG 튜닝, 소규모 데이터 스타일 미세튜닝까지 실습 위주로 완주합니다.

AI를 쓰는 건 쉬워졌지만, 모델 카드나 논문은 여전히 몇 줄 읽기 어렵습니다. 낱말 뜻은 검색하면 나와도, 그 낱말들이 서로 어떻게 이어지는지는 보이지 않기 때문입니다. 이 강의는 AI 문서에 꼭 나오는 단어 160여 개를 이해하기 가장 쉬운 순서로 쌓아, 강마다 실제 문서의 문장 한 줄을 정확히 읽게 합니다.

AI와 결제 연동, 프로덕션 레벨 구현에 막막하신가요? 수많은 시행착오 끝에 얻은 노하우로, 실제 운영 가능한 음성 AI SaaS를 완성시켜 드립니다. 전사 데모는 쉬운데, 업로드→메모 편집→크레딧·결제→관리자까지 한 사이클로 묶는 데서 다들 막힙니다. 이 강의는 그 지점을 끝까지 통과시켜, 동작하는 voice-to-text 제품을 통째로 손에 쥐게 합니다.

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.

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.

ChatGPT는 쓰는데, 왜 이런 답이 나오는지는 설명하기 어렵지 않으셨나요? “RAG, 에이전트, 파인튜닝… 용어는 아는데 정확히 설명하긴 어렵다” “LLM관련 용어를 들으면 말문이 막힌다” “AI 회의에서 개념 설명이 항상 애매하다” 이 강의는 바로 이런 분들을 위해 만들어졌습니다. 이 강의는 LLM을 ‘툴’이 아니라 ‘구조’로 이해하기 위한 이론 강의입니다. ChatGPT나 Gemini를 사용하는 법이 아니라, 왜 그렇게 동작하는지 설명할 수 있는 기준을 만들어 줍니다.

파이썬을 활용해 기계학습 기술을 학습하고, 실제 데이터 정보 추출 방법 및 예측 모델 개발 능력을 향상해보자!

- 저는 4년차 AI 스타트업을 운영하는 Research Engineer/AI PM 입니다. - 이 영상은 인공지능을 "지금", "2026년"에 공부를 시작하려는 분들을 위한 강의입니다. - 대학생 친구들을 보다보면 인공지능을 어떻게 시작해야하는지 감도 못잡는 친구들이 많습니다. - 본 강의를 듣고나서 인공지능을 공부하기 시작할 수 있다면 좋겠습니다. - 참고로, 본 강의는 "내 업무에 AI 활용" 혹은 "GPT를 이용한 수익화 방법 시작하기" 이런 강의가 아닙니다. - 학생, 대학원생, 혹은 개발자 분들이 인공지능을 공부하고싶을 때 어떻게 시작하면 좋을지에 대한 영상입니다.