
딥러닝을 활용한 자연어 처리 (NLP) 과정 (기초부터 ChatGPT/생성 모델까지)
YoungJea Oh
자연어 처리(NLP)는 인공지능의 가장 빠르게 성장하는 분야 중 하나입니다. 이 강의는 NLP의 기초부터 시작하여, 딥러닝을 이용한 최신 NLP 기술까지 폭넓게 다룹니다. 특히, ChatGPT와 같은 최첨단 생성 모델에 대한 심도 있는 이해를 제공합니다.
중급이상
딥러닝, NLP, Tensorflow
이 강의는 LangChain 1.0과 LangGraph를 중심으로 생성형 AI 서비스를 설계·구현하는 전 과정을 단계별 실습으로 다룹니다. 단순한 LLM 호출을 넘어, 에이전트 기반 아키텍처, 상태(State) 관리, 메모리, 스트리밍, 미들웨어, Human-in-the-Loop까지 포함한 운영 가능한 AI 시스템 구조를 직접 구현합니다. 문서·PDF·웹 데이터 기반 RAG 시스템, SQL Agent(Chinook DB), 도구 호출 기반 Agent, Supervisor 패턴의 멀티 에이전트, 그리고 LangGraph Graph API를 활용한 상태 머신 기반 워크플로우를 실습하며, 현업에서 바로 활용 가능한 재사용 가능한 에이전트 파이프라인을 구축합니다. 또한 구조화된 출력(Pydantic 기반), 에이전트 미들웨어(Summarization, HITL, Retry, PII 보호), 토큰/단계별 스트리밍을 통해 실제 서비스에서 요구되는 안정성·확장성·제어 가능성을 갖춘 생성형 AI 애플리케이션을 완성합니다. 👉 LangChain/LangGraph의 내부 구조와 실행 흐름을 정확히 이해하고 싶은 분 👉 RAG·Agent를 “데모”가 아닌 실서비스 구조로 구현하고 싶은 분 👉 상태 기반 에이전트, SQL·문서 자동화, 멀티 에이전트 오케스트레이션까지 아우르는 현실적인 실무 로드맵이 필요한 분께 최적의 강의입니다.
2명 이 수강하고 있어요.
난이도 입문
수강기한 무제한
LangChain·LangGraph를 활용해 생성형 AI 서비스를 직접 설계하고 구현할 수 있다.
PDF·웹·DB 데이터를 연결한 RAG 기반 챗봇을 직접 만들 수 있다
Human-in-the-loop·메모리·스트리밍을 포함한 실무형 AI Agent를 만들 수 있다
이 강의는 LangChain과 LangGraph를 활용해 생성형 AI를 ‘ 서비스’를 구현하는 방법을 다룹니다.
단순 챗봇 예제가 아닌, 문서·DB·외부 API를 연결한 RAG 시스템, 도구 호출 기반 Agent, SQL Agent, Supervisor Agent, 그리고 상태·메모리·스트리밍·Human-in-the-loop까지 포함한 실무형 아키텍처를 직접 구현합니다.
OpenAI·Gemini 등 다양한 LLM 연동, 벡터 DB 기반 검색, LangGraph 상태 머신 설계까지 다루며, 실제 현업에서 바로 활용 가능한 자동화·업무 지원 AI 서비스를 완성하는 것이 목표입니다.
이 강의를 들어야 하는 분 (1)
생성형 AI를 써보긴 했지만
“이게 서비스로는 어떻게 이어지는지 모르겠다”
“프롬프트만 바꾸는 실험에서 벗어나고 싶다”
라는 고민을 하고 계신 분
이 강의를 들어야 하는 분 (2)
RAG, Agent, LangChain을 공부했지만
구조가 머릿속에 정리되지 않고
예제가 파편적으로 느껴졌던 분
→ 전체 흐름과 설계 기준을 잡고 싶은 분
이 강의를 들어야 하는 분 (3)
실제 업무에
문서 검색 AI
DB 질의 자동화
사내 챗봇·업무 비서
AI 기반 자동화 파이프라인
을 적용해야 하는 개발자·기획자·데이터 실무자
LangChain과 LangGraph의 차이와 역할을 명확히 이해하고 상황에 맞게 선택할 수 있습니다.
RAG, SQL Agent, Supervisor Agent를 직접 구현하여 실무에서 바로 재사용 가능한 코드와 구조를 갖게 됩니다.
상태(State), 메모리, 스트리밍, 미들웨어, Human-in-the-loop를 포함한 운영 가능한 AI 서비스 아키텍처를 설계할 수 있습니다.
단순 데모가 아닌 포트폴리오로 활용 가능한 생성형 AI 서비스 결과물을 완성하게 됩니다.
LLM이 스스로 판단하고 도구를 호출하는 Agent 구조를 설계하고,
단기 메모리·스트리밍 응답·미들웨어·사용자 승인(HITL)까지 포함한
운영 환경을 고려한 에이전트 아키텍처를 직접 구현합니다.
단순 응답형 AI를 넘어, 업무를 실제로 수행하는 AI를 만드는 방법을 배웁니다.
PDF·문서·웹 데이터를 활용한 RAG 파이프라인 구축부터
벡터 DB(Chroma) 기반 검색, SQL Agent를 통한 데이터 질의 자동화,
여러 에이전트를 조율하는 Supervisor Agent,
그리고 LangGraph 상태 머신 기반 워크플로우 설계까지 다룹니다.
복잡한 업무를 처리하는 멀티 에이전트 시스템을 직접 완성합니다.
다년간 인공 지능 강의를 하며 축적한 노우하우를 LangChain 강의에 접목 시켰습니다.
LangChain 의 version upgrade 가 너무 빨라서 무조건 최신 version 을 강의에 적용하였습니다.
수강 전 예비 수강생이 궁금해할 수 있는 질문과 답변을 3개 이상 작성해보세요.
뻔하거나 형식적인 답변보다는 지식공유자의 개성이 드러나는 답변을 권장합니다.
Q. 예비 수강생이 질문할 만한 내용을 작성해보세요.
답변을 작성해보세요. 수강 전 궁금할 만한 내용이라면 무엇이든 좋아요.
강의에 대해 기대감을 주거나 수강생의 불안과 고민을 해소할 수 있는 구성이라면 특히 도움이 됩니다.
• 왜 OOO을 배워야 하나요?
• OOO을 배우면 어떤 일을 할 수 있나요?
• 수업 내용을 어느 수준까지 다루나요?
• 강의를 듣기 전 준비해야 할 것이 있나요?
• 등등...
단순히 “AI를 쓰는 사람”에서 “AI 서비스를 설계하는 사람”으로 넘어가기 위해서입니다.
ChatGPT를 잘 쓰는 것과, 생성형 AI를 업무·서비스에 안정적으로 적용하는 것은 전혀 다른 문제입니다.
LangChain과 LangGraph는 LLM을 단순 호출이 아닌 도구·DB·워크플로우·상태를 포함한 시스템으로 만드는 핵심 프레임워크입니다.
이 강의는 “왜 이 구조가 필요한지”부터 실제 구현까지 함께 다룹니다.
강의가 끝나면 다음과 같은 결과물을 직접 구현할 수 있습니다.
사내 문서를 기반으로 답변하는 RAG 검색 AI
DB에 자연어로 질문하면 SQL을 생성·실행하는 SQL Agent
여러 도구와 에이전트를 조율하는 Supervisor Agent
상태·메모리·스트리밍·Human-in-the-loop가 포함된 운영 가능한 AI 서비스 구조
👉 단순 데모가 아니라 포트폴리오로 설명 가능한 수준의 결과물을 목표로 합니다.
운영 체제 및 버전(OS): Windows, macOS, Linux 모두 가능
사용 도구: Jupyter Notebook, OpenAI API Key (유료 가입 필요)
PC 사양: 기본 사양
pdf 파일과 실습용 source code 를 제공합니다.
파이썬 언어만 알면 됩니다.
학습 대상은
누구일까요?
생성형 AI를 써보긴 했지만, 서비스로 어떻게 구현해야 할지 막막한 개발자
RAG·Agent 개념은 알지만 실무에 적용하지 못해 답답한 데이터/AI 실무자
선수 지식,
필요할까요?
프로그래밍 입문 수준의 Python 지식이면 충분하며, 필요한 내용은 수업 중 설명합니다.
4,130
명
수강생
361
개
수강평
150
개
답변
4.7
점
강의 평점
16
개
강의
오랜 개발 경험을 가지고 있는 Senior Developer 입니다. 현대건설 전산실, 삼성 SDS, 전자상거래업체 엑스메트릭스, 씨티은행 전산부를 거치며 30 년 이상 IT 분야에서 쌓아온 지식과 경험을 나누고 싶습니다. 현재는 인공지능과 파이썬 관련 강의를 하고 있습니다.
홈페이지 주소:
전체
40개 ∙ (8시간 23분)
해당 강의에서 제공:
얼리버드 할인 중
₩19,800
70%
₩66,000
지식공유자님의 다른 강의를 만나보세요!
같은 분야의 다른 강의를 만나보세요!