RAG 성능의 한계를 뚫는 인지 부하 관리 기술

Name: RAG 성능의 한계를 뚫는 인지 부하 관리 기술
Price: 330000 KRW

생성형 인공지능 또는 LLM을 기반으로 RAG(검색 증강 생성: Retrieval-Augmented Generation) 시스템을 구축해도 바라는 성능이 나오지 않고 마땅한 해결책이 없을 때는 어떻게 해야 할까요? 이 강의에서는 인지 부하(Cognitive Load) 이론을 기반으로 RAG 성능을 개선하는 방안을 제시합니다. 이 강의를 통해서 LLM 컨텍스트 창의 한계를 이해하고, RAG 시스템에서 인지 부하를 효과적으로 관리하는 방법을 알 수 있습니다. 청크(Chunk) 크기와 구조 설계, 고품질 청크 생성 기법, 동적 최적화, 성능 평가 및 실전 기법 등을 다루는 실무 수준 이론 강의입니다.

(5.0) 수강평 1개

수강생 14명

아리가람

컨텍스트창관리

chunk전략설계

rag시스템구축

llm성능평가및튜닝

동적최적화

인공지능(AI)ChatGPT LLM RAG AI 활용 (AX)

이런 걸 배울 수 있어요

LLM 컨텍스트 창과 토큰의 한계를 이해하고 관리하기 위한 전략
고품질 청크(Chunk)를 생성하는 방법과 RAG 파이프라인에 통합하는 방법

📋변경 이력

2025년 9월 4일
- 각 섹션별 통합요약본을 2/3 정도 올렸습니다. 아직 올리지 않은 통합요약본을 조만간 하나하나 올리겠습니다.
- 섹션 3을 섹션 3과 섹션 4로 분리했었는데, 강의 목록에 있는 섹션 번호와 수업 자료에 있는 섹션 번호가가 불일치 하게 되어 혼선을 일으킬 수 있어서, 섹션 4를 섹션 31(가장 뒤쪽)로 옮겼습니다.
2025년 9월 1일
- 섹션 3을 섹션 3과 섹션 4로 분리했습니다. 이에 따라 섹션 번호와 수업 자료 번호가 일치하지 않을 수 있습니다. 수업 자료를 수정하고 동영상을 녹음해서 다시 게시하겠습니다. 기다려 주시면 감사하겠습니다.
- 수강생의 혼선을 줄이는 방향으로 목차를 다시 구성하고 있습니다. 이에 따라 8월 22일에 잠시 비공개 처리했던 수업들을 다시 공개 처리했습니다.
2025년 8월 22일
- 아직 완성하지 않은 [심화] 과정에 속한 수업(섹션 11 ~ 30)들을 비공개 상태로 변경했습니다. 향후 완성하는 대로 각 섹션별로 또는 수업별로 공개할 예정입니다. 수강생의 혼선을 줄이기 위한 조치이니 이해해 주시면 감사하겠습니다.

🔥LLM의 한계를 극복한 RAG 기술, RAG 기술의 한계를 극복할 인지 부하 관리 기술

대규모 언어 모형(LLM)을 기반으로 인공지능 서비스를 만드는 방식이 대세가 되었지만, 컨텍스트 창 크기와 토큰 수가 제한되어 있어 한계가 있습니다. 특히 RAG(Retrieval-Augmented Generation: 검색 증강 생성) 시스템에서는 문서나 청크(Chunks: 문서의 단편)를 적절히 관리하지 못하면 LLM 측의 인지 부하가 발생해 최적의 답변을 생성하기 어렵게 됩니다.
인지 부하(cognitive load)는 시스템(인간의 두뇌와 인공지능 포함)이 처리해야 할 정보량과 복잡성에 따라 정보를 알아차리기 어려운 정도를 의미합니다. LLM 시스템에서 인지 부하가 높아지면, 정보가 과도하게 쌓여 핵심이 흐려지고, 성능이 저하되고 기대하는 수준의 답변이 나오지 않을 수 있습니다. 따라서 효과적인 인지 부하 관리는 LLM 기반 시스템의 품질과 안정성을 좌우하는 핵심 요소입니다.

섹션 1. 강의 소개 및 기본 개념

첫 섹션에서는 본 강의의 전반적인 개요와 목표를 명확히 하고, LLM의 컨텍스트 창과 인지 부하 관리의 기본 개념을 다룹니다. 특히 인지 부하가 무엇인지, LLM 환경에서 이것이 왜 중요한지 상세히 이해하며, RAG의 기초를 학습합니다. 이론을 기반으로 강의에서 다룰 핵심 주제들을 짚어보며, 학습 방향을 잡는 데 도움을 줍니다. 초심자도 쉽게 따라올 수 있도록 개념을 차근차근 설명하여, 이후 고급 주제로 자연스럽게 넘어갈 수 있는 탄탄한 토대를 마련합니다.

섹션 2. 컨텍스트 창과 토큰 한계

이 섹션에서는 LLM의 컨텍스트 창과 토큰화 메커니즘을 심층 분석합니다. 토큰이 무엇인지, 어떻게 분할되고 모델 입력에 어떤 영향을 미치는지 상세히 살펴보며, 컨텍스트 창 크기의 한계가 모델 성능에 어떤 영향을 주는지 다양한 사례와 함께 설명합니다. 또한, 토큰에 따른 비용을 계산하는 방법을 익혀 실제 시스템 설계 시 활용할 수 있도록 실무적인 감각을 기릅니다. 이 과정을 통해 토큰과 컨텍스트에 대한 체계적 이해를 바탕으로 인지 부하 관리의 구체적 문제를 직관적으로 파악하게 됩니다.

섹션 3. 청킹 전략: 청크의 크기와 구조

효과적인 청크 설계는 RAG 시스템 품질의 핵심입니다. 이 섹션에서는 고정 크기 청크부터 문단 기반, 의미 단위 군집, 계층형 구조에 이르는 다양한 청크 전략을 소개하고, 각 방법의 장단점과 적용 사례를 깊이 있게 다룹니다. 청크 크기와 구조가 인지 부하와 컨텍스트 활용에 미치는 영향에 대한 이해를 바탕으로, 상황에 맞는 최적의 청크 전략을 설계하는 실전 노하우를 습득할 수 있습니다. 마지막에는 실습을 통해 다양한 청크 방식을 적용하는 경험을 쌓아 이론과 실무를 유기적으로 연결할 수 있게 합니다.

섹션 4. 고품질 청크 생성 기법

이 섹션에서는 인지 부하를 줄이고 정보 품질을 높이기에 알맞게 청크를 생성하는 기법 중 더 고급스런 기법을 다룹니다. 스마트 요약, 원문과 요약문의 병합, 임베딩 기반 군집화, 메타 태깅, 질의 의도 반영 같은 다양한 기술을 익히고, 각 기법을 조합해 더 효율적인 청크를 만드는 방법을 실습합니다. 이를 통해 단순한 청킹 방식을 넘어서 정보의 의미와 질문자의 의도까지 반영한 고품질 청크를 생성하는 역량을 키웁니다. 이는 복잡한 문서를 다뤄야 하는 상황에서도 LLM이 최적 답변을 내도록 돕기 위한 핵심 전략입니다.

섹션 5~10. RAG 파이프라인에의 통합

이 섹션에서는 RAG 시스템 설계와 통합을 본격적으로 다룹니다. 전처리, 유사도 검색과 필터링, 청크 재구성 및 프롬프트 설계, 답변 생성과 후처리, 그리고 환각현상(Hallucination) 점검 및 재투입 전략에 이르기까지 RAG 파이프라인 전 과정을 체계적으로 다룹니다. 각 단계별로 인지 부하를 최소화하면서도 정확한 답변 생성에 집중하는 노하우를 실습과 함께 익힙니다. 실무 환경에서 바로 적용 가능한 실질적인 기술과 문제 해결 방법을 중점적으로 제공합니다.

섹션 11~15. 동적 최적화 기법

이 섹션에서는 컨텍스트 부하와 청크의 크기를 상황에 맞춰 동적으로 조절하는 방법을 다룹니다. 질문 복잡도 평가, 동적 청크 크기 조절 알고리즘, 적응형 요약 파라미터 조정, 멀티턴 대화에서 컨텍스트 누적 관리, 그리고 시스템 모니터링과 피드백 루프 설계에 이르기까지 지능형 시스템 운영을 위한 자동화 및 최적화 전략을 심층적으로 소개합니다. 이를 통해 변화하는 요구와 복잡도에 대응하며 LLM 성능을 극대화할 수 있는 실시간 관리 능력을 갖추게 됩니다.

섹션 16~20. 성능 평가 방법과 성능 평가 지표

RAG 시스템과 청크 전략의 효과를 객관적으로 평가하기 위한 다양한 지표와 평가 방법론을 다룹니다. 재현율, 정확도, 응답 지연, 비용 분석, 토큰 사용 효율, 사용자 만족도, 그리고 A/B 테스트를 통한 전략 검증에 이르기까지 시스템 성능의 다각적 측정을 통해 개선점을 도출하는 방법을 학습합니다. 평가 결과를 기반으로 지속적인 성능 튜닝과 고도화를 위한 식견을 제시하며, 데이터 기반 의사 결정 역량을 강화합니다.

섹션 21~24. 남은 과제와 미래 기술 전망

현재 RAG와 LLM 인지 부하 관리 분야에서 해결해야 할 연구 과제와 미래 확장 가능성을 논의합니다. 완전 자동화된 청크 최적화, 장기 기억 통합 문제, 대규모 멀티미디어 문서 기반 RAG 시스템 구축 시나리오, 멀티모달 정보를 처리하는 방향으로 RAG 시스템을 확장하는 방법을 다룹니다. 최신 연구 동향과 실제 적용 사례를 통해 앞으로의 발전 방향과 도전 과제를 명확히 이해하게 합니다.

섹션 25~30. 프로젝트 수행 방법 소개

이번 섹션에서는 지금까지 배운 이론과 기법을 통합해 실제 RAG 시스템을 설계, 구현, 조정, 평가하는 종합 프로젝트를 수행하는 방법을 설명합니다. 프로젝트 주제 선정부터 데이터 수집·전처리, Chunk 전략 설계, RAG 시스템 통합, 성능 평가 및 결과 보고서 작성, 최종 발표와 코드 리뷰에 이르는 모든 단계를 차례대로 진행하며 실전 역량을 검증할 수 있게 합니다. 여기서 배운 내용을 바탕으로 개발자는 팀을 구성하거나 개인 단위로 실무형 프로젝트를 진행해 볼 수 있을 것이고, 이를 통해 이 강의에서 학습한 내용을 완벽히 체화할 수 있을 것입니다.

🏆기대 효과

인지 부하 개념을 바탕으로 LLM 컨텍스트 창과 토큰 한계를 명확히 이해하고, 이를 관리하는 전략을 습득합니다.
다양한 청크 생성 기법과 청크 최적화 기법으로 정보를 효율적으로 분할하고 요약해 LLM 성능을 극대화할 수 있습니다.
RAG 파이프라인 전 과정을 실습하며, 실제 시스템 구축 및 조정 능력을 갖추게 됩니다.
동적 최적화와 성능 평가를 통해 실시간 운영 환경에서 안정적이고 고성능의 AI 서비스를 제공하는 방법을 배웁니다.
최신 연구 과제와 확장 방향을 통해 AI 시스템 발전 흐름을 이해하고 미래 대응력을 강화합니다.

이런 분들께
추천드려요

학습 대상은
누구일까요?

LLM과 RAG 시스템을 직접 설계하거나 운영하는 개발자
대용량 문서 처리 및 멀티턴 대화 처리 최적화에 관심 있는 인공지능 엔지니어

선수 지식,
필요할까요?

자연어 처리(NLP)에 대한 기본 개념 이해
대규모 언어 모형(LLM)의 기본 작동 원리 이해
토큰화와 컨텍스트 창에 대한 개념
기본적인 프로그래밍 능력(파이썬 언어 권장)
(선택) 인공지능 및 머신러닝 모델을 활용해 본 경험이나 관련 프로젝트 진행 경험

안녕하세요
입니다.

409

명

수강생

개

수강평

개

답변

4.7

점

강의 평점

개

강의

IT가 취미이자 직업인 사람입니다.

다양한 저술, 번역, 자문, 개발, 강의 경력이 있습니다.

커리큘럼

전체

312개 ∙ (35시간 14분)

해당 강의에서 제공:

수업자료

섹션 1. [기본] 강의 소개 및 기본 개념

7개 ∙ (2시간 59분)

섹션 2. [기본] 컨텍스트 창과 토큰의 한계

8개 ∙ (1시간 52분)

8. [기본 이론] 수업 2-0. 섹션 2의 통합요약본
52:00
9. [기본 이론] 수업 2-1. 토큰(Token)과 토큰화(Tokenization) 메커니즘
22:08
10. [기본 이론] 수업 2-2. 컨텍스트 창(Context Window) 동작 원리
19:06
11. [기본 이론] 수업 2-3. 컨텍스트 한계가 모델 성능에 미치는 영향
13:02
12. [기본 이론] 수업 2-4. 토큰 예산(Token Budget) 계산하기
05:53
13. (예정) [기본 이론] 수업 2-5. RAG 시스템 토큰 예산 최적화 전략
14. (예정) [코드 구현] 수업 2-6. 토큰 예산 계산 코드
15. (예정) [코드 구현] 수업 2-7. 예산 최적화 코드

섹션 3. [기본] 청킹 전략: 청크의 크기와 구조

7개 ∙ (1시간 37분)

16. (예정) [기본 이론] 수업 3-0. 섹션 3의 통합요약본
17. [기본 이론] 수업 3-1. 고정 길이 청크(Fixed-Size Chunk) 개념 및 장단점
23:43
18. [기본 이론] 수업 3-2. 문단 기반 청킹(Paragraph-Based Chunking)
13:34
19. [기본 이론] 수업 3-3. 의미 단위 청킹 (Semantic Chunking, Semantic Clustering)
30:31
20. [기본 이론] 수업 3-4. 계층형 청크(Hierarchical Chunk) 구조 설계
16:12
21. [연습 과제] 수업 3-5. 간단한 문서에 네 가지 방식을 적용해 보기
13:54
22. (예정) [코드 구현] 수업 3-6. 계층형 청크 구현

섹션 4. [기본] 고품질 청크 생성 기법

11개 ∙ (4시간 16분)

섹션 5. [기본] RAG 파이프라인 통합 1단계: 전처리

9개 ∙ (2시간 8분)

섹션 6. [기본] RAG 파이프라인 통합 2단계: 인출 (유사도 검색과 필터링)

10개 ∙ (2시간 13분)

섹션 7. [기본] RAG 파이프라인 통합 3단계: 청크 재구성 및 프롬프트 재설계

10개 ∙ (2시간 21분)

섹션 8. [기본] RAG 파이프라인 통합 4단계: LLM 답변 생성 및 후처리

11개 ∙ (1시간 43분)

섹션 9. [기본] RAG 파이프라인 통합 5단계: 환각현상 점검 및 재투입 전략

10개 ∙ (2시간 5분)

섹션 10. [기본] RAG 파이프라인 통합 실습: 간단한 질문에 응답하는 RAG 시스템을 구축하기

8개 ∙ (2시간 52분)

섹션 11. [심화] 동적 최적화: 질문 복잡도 평가

11개 ∙ (3시간 24분)

섹션 12. [심화] 동적 최적화: 동적 청크 크기 조절 알고리즘

11개 ∙ (1시간 37분)

섹션 13. [심화] 동적 최적화: 적응형 요약 파라미터 조절

10개 ∙ (25분)

섹션 14. [심화] 동적 최적화: 멀티턴 대화에서의 컨텍스트 누적 관리

11개 ∙ (18분)

섹션 15. [심화] 동적 최적화: 시스템 모니터링 및 피드백 루프 설계

11개 ∙ (11분)

섹션 16. [심화] 성능 평가: 재현율과 정확도를 측정하기

12개 ∙ (25분)

섹션 17. [심화] 성능 평가: 지연 분석과 비용 분석

10개 ∙ (21분)

섹션 18. [심화] 성능 평가: 토큰 사용 효율 지표

12개 ∙ (10분)

섹션 19. [심화] 성능 평가: 사용자 만족도 평가 방법론

8개 ∙ (17분)

섹션 20. [심화] 성능 평가: A/B 테스트를 통한 전략 검증

9개 ∙ (25분)

섹션 21. [심화] 기술 전망: 완전히 자동화된 청크 최적화 연구 과제

8개 ∙ (13분)

섹션 22. [심화] 기술 전망: 장기 기억 통합

9개 ∙ (28분)

섹션 23. [심화] 기술 전망: 대규모 문서 기반 RAG 시나리오

9개 ∙ (21분)

섹션 24. [심화] 기술 전망: 멀티모달 정보 처리

9개 ∙ (20분)

섹션 25. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 1. 프로젝트 주제 선정 및 계획서 작성

8개 ∙ (11분)

섹션 26. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 2. 데이터 수집 및 전처리를 위한 파이프라인 구축

16개 ∙ (18분)

섹션 27. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 3. 청킹 전략 설계 및 구현

12개 ∙ (29분)

섹션 28. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 4. RAG 시스템 통합 및 조율

13개 ∙ (24분)

섹션 29. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 5. 성능 평가 및 평가 보고서 작성

12개 ∙ (14분)

섹션 30. [심화] RAG 성능 개선 프로젝트 수행 방법 안내: 6. 최종 발표 및 코드 리뷰

12개 ∙ (23분)

섹션 31. (장기 계획: 일정 미정) [보충] "청킹 전략: 청크의 크기와 구조"의 보충

8개

강의 게시일:

마지막 업데이트일:

수강평

전체

1개

5.0

1개의 수강평

Jang Jaehoon
수강평 591
∙
평균 평점 4.9
5
7% 수강 후 작성
좋은 강의 감사합니댜!
- 아리가람
  지식공유자
  유익한 강의가 된 것 같아 기쁩니다.

월 ₩66,000

5개월 할부 시

₩330,000

아리가람님의 다른 강의

지식공유자님의 다른 강의를 만나보세요!

시큐어 코딩(Secure Coding) 쪼개기

아리가람

시큐어 코딩(Secure Coding: 보안 코딩)이 무엇인지 전혀 몰라도 이해할 수 있게 한 강의입니다. 기본 보안 코딩 개념을 섭렵한 다음에 웹 서비스 보안을 중심으로 설명합니다. OO 대학교 주관 특강으로 진행했던 강의였습니다. 160개가 넘는 소스 코드를 풍부한 주석과 함께 제시해 실무에서 당장 쓸 수 있는 핵심 주제와 기법을 콕콕 찍어 알 수 있게 합니다.

초급

보안 교육, 모의해킹, security

시큐어 코딩(Secure Coding) 쪼개기

아리가람

(기획자를 위한) LLM 애플리케이션을 위한 서비스 디자인

아리가람

생성형 인공지능(생성형 AI)의 일종인 LLM을 기반으로 삼아 만드는 애플리케이션이나 웹 서비스를 기획할 때 필요한 '서비스 디자인' 개념과 방법을 익힐 수 있습니다.

입문

LLM, AI 활용 (AX)

(기획자를 위한) LLM 애플리케이션을 위한 서비스 디자인

아리가람

프롬프트 엔지니어링 완전 정복

아리가람

이 강의는 대규모 언어 모형(LLM)이나 생성형 인공지능을 효과적으로 활용하기 위한 핵심 기술인 프롬프트 엔지니어링을 체계적으로 학습하는 과정입니다. 기초 이론부터 실전 기법, 그리고 최신 응용 사례와 보안·윤리 문제까지 폭넓게 다루어, LLM 기반 서비스 개발자·데이터 사이언티스트·AI 기획자 모두에게 실질적인 도움을 제공합니다.

중급이상

프롬프트엔지니어링

프롬프트 엔지니어링 완전 정복

아리가람

하루 만에 이해하는 AI 기반 풀스택 개발 실무 트랙(주니어용)

아리가람

주니어 개발자가 인공지능을 개발 도구로 삼아 기획부터 코드 작성과 배포 및 검증에 이르는 전체 개발 과정을 이해할 수 있게 함으로써, AI 시대에 필요한 풀스펙트럼(Full-Spectrun) 역량을 갖춰 생존하고 발전할 수 있게 합니다.

초급

프로토타이핑, crud

하루 만에 이해하는 AI 기반 풀스택 개발 실무 트랙(주니어용)

아리가람

개발자를 위한 (바이브 코딩) 프롬프트 패턴

아리가람

이제는 인공지능을 활용해서 개발하는 시대. 인공지능을 더 잘 활용해 더 좋고, 더 정확한 코드와 문서를 만드는 방법이 필요하므로 이에 알맞은 방법을 제시합니다.

초급

프롬프트엔지니어링

개발자를 위한 (바이브 코딩) 프롬프트 패턴

아리가람

문제화: '개발 낭비'를 줄이는 기초 역량

아리가람

문제화(Problematization)는 문제 제기, 문제짜기 등으로도 번역되는 용어입니다. 그리고 문제 설정이나 문제 정의로도 번역될 수 있습니다. 요청 사항이나 상식 같은 알려진 사실에 대해 새로운 관점에서 의문을 제기하고, 문제를 정의하고, 이 문제를 해결하는 방식을 짜 나가는 과정이 포함되어 있는 개념입니다. 문제화는 모든 개발의 출발점이 되어야 하지만 아직까지 개발 분야에서 충분히 논의되지 않은 주제입니다. 프로젝트를 수행하는 일이나 프로그램을 개발하는 일도 사실 문제를 해결하는 계획을 세우는 일입니다. 즉, 문제화와 관련이 있다는 말입니다. 문제를 해결하려면 먼저 문제가 명확히 정의되어 있어야 합니다. 그런데 대부분 애매한 요청 형태로 문제가 주어지게 됩니다. 그러므로 애매한 요청을 명확한 문제로 바꾸는 힘이 있어야 불필요한 '개발 낭비'를 줄이고, 협업은 원활해지며, 사용자의 진짜 필요를 제대로 파악할 수 있습니다. 이 강의는 실전 사례와 도구를 통해 문제를 ‘구성하는 사고’를 훈련하도록 돕습니다.

입문

협업 툴, 소프트스킬, 문제해결능력

문제화: '개발 낭비'를 줄이는 기초 역량

아리가람

자바 네이밍

아리가람

"이름 하나 바꿨을 뿐인데, 코드가 달라졌습니다." 가독성 좋은 코드의 핵심, '읽히는 이름 짓기'를 원리부터 사례까지 정리했습니다. 읽기 쉬운 이름이 협업의 시작입니다.

초급

naming-conventions, naming, renaming

자바 네이밍

아리가람

C 언어 빠르게 훑어보기

아리가람

C 언어의 기본 개념과 기본 문법을 빠르게 이해할 수 있습니다.

입문

C, 임베디드

C 언어 빠르게 훑어보기

아리가람

클린 코딩: 요리 비유로 쉽게 배우는 좋은 코드 작성 기술

아리가람

👨‍🍳 코드를 요리하듯, 깔끔하고 맛있게! 『클린 코딩』은 요리에 비유해 클린 코딩을 유쾌하게 배우는 요리사 같은 개발자의 코드 요리 교실입니다. 🍽️

초급

협업 툴, 코딩 테스트, 리팩터링

클린 코딩: 요리 비유로 쉽게 배우는 좋은 코드 작성 기술

아리가람

LLM의 역사와 발전

아리가람

자연어 처리 기술의 출발부터 시작해서 최신 LLM 모형에 이르기까지의 과정에서 개발된 다양한 언어 모형들을 상세히 설명합니다.

입문

NLP, RNN, self-attention

LLM의 역사와 발전

아리가람

CrewAI와 LLM으로 인공지능 판사 만들기

아리가람

LLM 기반 다중 에이전트 기술을 구현할 수 있게 하는 CrewAI, 지식 그래프, 추론 시스템을 결합해 인공지능 판사를 만들어 봅니다.

중급이상

인공지능(AI), LLM, AI Agent

CrewAI와 LLM으로 인공지능 판사 만들기

아리가람

(기획자를 위한) LLM 애플리케이션 사용자 요구 사항 수집과 분석 방법의 이해

아리가람

LLM 서비스를 기획하기 위해 사용자가 요구하는 사항을 수집하고 분석하는 방법을 살펴봅니다.

입문

프로젝트 관리, 서비스 기획, 인공지능(AI)

(기획자를 위한) LLM 애플리케이션 사용자 요구 사항 수집과 분석 방법의 이해

아리가람

(기획자를 위한) LLM의 한계와 미래 전망

아리가람

LLM의 한계와 한계 극복 방안과 최신 연구 주제를 살펴봅니다.

입문

NLP, 서비스 기획, 콘텐츠 기획

(기획자를 위한) LLM의 한계와 미래 전망

아리가람

(기획자를 위한) LLM 응용 서비스 사례 분석

아리가람

LLM을 사용해 구축할 수 있는 애플리케이션이나 웹 서비스들로는 어떤 것들이 있는지 살펴봅니다.

입문

NLP, 서비스 기획, 콘텐츠 기획

(기획자를 위한) LLM 응용 서비스 사례 분석

아리가람

(기획자를 위한) LLM의 기초와 LLM 기반 서비스 기획의 이해

아리가람

LLM이 필요한 이유와 기술적 배경 및 기본 개념을 설명합니다.

입문

NLP, gpt, 인공지능(AI)

(기획자를 위한) LLM의 기초와 LLM 기반 서비스 기획의 이해

아리가람

대규모 언어 모형(LLM)의 기초 원리 이해

아리가람

챗지피티(ChatGPT) 같은 대규모 언어 모형의 기초 원리를 이론 중심으로 설명합니다.

중급이상

NLP, gpt, 인공지능(AI)

대규모 언어 모형(LLM)의 기초 원리 이해

아리가람

비슷한 강의

같은 분야의 다른 강의를 만나보세요!

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

AISchool

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

중급이상

LangGraph, AI Agent, LangChain

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

AISchool

사례로 배우는 Make 자동화의 모든 것

챗대리

클릭한번에 AI 업무 자동화 + 부수입창출!!! 업무 자동화의 끝판왕 Make, 복잡한 설정과 기능으로 시작하기 망설여지셨나요? 초보자도 쉽게 따라할 수 있는 단계별 강의로 내가 꿈꾸던 자동화를 직접 구현해보세요.

입문

No-code, 인공지능(AI), make

사례로 배우는 Make 자동화의 모든 것

챗대리

누구나 쉽게 배우는 MCP

AI 튜터랩

AI기술들은 날이가면 갈수록 다양한 기술들이 등장하고 있습니다. 그에 맞추어 AI 공부를 해야하지만 사실 쉽지 않습니다. 이번 강의는 최근 AI에서 주목받고 있는 주제인 MCP(Model Context Protocol) 에 대해서 알려드립니다. 이 강의는 MCP를 처음접해보거나 디자인, 기획 등 개발이 아닌 다른 업무를 하고 있지만 MCP서버에 대해 관심이 있는 사람들을 대상으로 강의 합니다.

입문

인공지능(AI), AI 활용 (AX), AI Agent

누구나 쉽게 배우는 MCP

AI 튜터랩

하루만에 배우는 ChatGPT API

양동준

웹사이트를 ChatGPT와 함께 만들고, 배포까지 책임지는 강의! Fine-tuning까지 배워보세요.

초급

ChatGPT, React, netlify

하루만에 배우는 ChatGPT API

양동준

CrewAI와 LLM으로 인공지능 판사 만들기

아리가람

LLM 기반 다중 에이전트 기술을 구현할 수 있게 하는 CrewAI, 지식 그래프, 추론 시스템을 결합해 인공지능 판사를 만들어 봅니다.

중급이상

인공지능(AI), LLM, AI Agent

CrewAI와 LLM으로 인공지능 판사 만들기

아리가람

코딩 없이 AI 자동화 전문가가 되는 법, n8n 완벽 가이드

남박사

요즘도 직접 코딩하시나요? 이젠 바이브 코딩도 귀찮은 시대! 코딩 없이 n8n으로 AI 자동화 전문가가 되어보세요. 실무에 바로 적용 가능한 자동화 워크플로우 설계 가이드 업무 효율을 극대화하는 실전 중심의 자동화 전략. n8n으로 직관적인 워크플로우를 구축하며, 업무 혁신을 경험해보세요

입문

n8n, 인공지능(AI), RAG

코딩 없이 AI 자동화 전문가가 되는 법, n8n 완벽 가이드

남박사

진짜 현장에서 통하는 OCR, 이렇게 만듭니다.

데이비드최

현업에서 진짜 쓰이는 OCR 기술, 제대로 배워보고 싶다면 이 강의 하나로 끝! 비정형 문서와 복잡한 레이아웃에서도 98% 이상의 정확도를 목표로, 최신 SOTA 모델과 실전 노하우를 바탕으로 기업 수준의 OCR 프로젝트를 함께 만들어갑니다.

초급

Python, 인공지능(AI), openai

진짜 현장에서 통하는 OCR, 이렇게 만듭니다.

데이비드최

FEEL THE AGI: LLM과 AI Agent

Feel The AGI

ChatGPT와 같은 AI의 근본이 되는 기술 LLM 과 Agent. LLM은 현 시점에 AGI에 가장 가까이 다가간 기술입니다. 이 강의에서는 일반인의 시선으로 LLM 과 Agent 기술에 대해 알아봅니다.

입문

인공지능(AI), LLM, AI Agent

FEEL THE AGI: LLM과 AI Agent

Feel The AGI

[LLM 101] LLM 초보를 위한 Llama SFT 강의 (feat. ChatApp Poc)

꿈꾸는범블비

LLM을 위해 필요한 기초지식부터 실전에서 쓰일법한 팁까지 핵심적인 내용위주로 빠르게 현직자가 전달합니다!

초급

NLP, ChatGPT, LLM

[LLM 101] LLM 초보를 위한 Llama SFT 강의 (feat. ChatApp Poc)

꿈꾸는범블비

[왕초보] [누적 5,000명+] Python 프로그래밍 기초 완성 로드맵

Selena

현업 데이터사이언티스트에게 배우는 파이썬 프로그래밍 기초 실습 강의! 누적 수강생 5,000명 이상이 선택한 이 강의에서는, Selena와 함께 파이썬의 기초부터 실습까지 단계별로 완성할 수 있습니다. 생성형 AI와 LLM 시대를 살아가는 지금, 반드시 익혀야 할 필수 언어는 바로 파이썬입니다. 수강생들의 높은 만족도를 바탕으로 강의 평점 5점 만점 중 5점을 받은 검증된 강의이며, 수강 시 언제든지 질문하고 소통할 수 있는 무제한 Q&A 오픈채팅방도 제공됩니다.

입문

Python, 머신러닝, 빅데이터

[왕초보] [누적 5,000명+] Python 프로그래밍 기초 완성 로드맵

Selena

원고 생성기 프로그램 개발 강의 (Chatgpt api)

김지유

Gold Rush 시대에는 금을 직접 캐는 것보단 금 캐는 도구를 파는게 더 부자가 되기 쉽다고 하네요. ChatGPT 대항해 시대에 프로그램 판매해보시는건 어떤가요?

초급

ChatGPT, AIPRM, REST API

원고 생성기 프로그램 개발 강의 (Chatgpt api)

김지유

AI 학습모델을 알면 모든 게 보인다!

AIDER_College

"AI, 어디서부터 어떻게 시작해야 할지 막막하신가요?" "하나하나 따로 배우지 않고, 통합적으로 핵심만 빠르게 익히고 싶으신가요?" 이 강의는 AI의 기초부터 최신 응용까지 '딥하게 연결된 흐름'으로 단 한 번에 익히는 실전형 AI 입문 강의입니다.

입문

머신러닝, 딥러닝, 통계

AI 학습모델을 알면 모든 게 보인다!

AIDER_College

Spring WebFlux + LLM 실전 구현

John H

Spring WebFlux로 여러 기능을 만듭니다. 이 강의를 통해 WebFlux의 필수 개념과 실전 구현을 익힐 수 있습니다.

초급

Java, Spring, webflux

Spring WebFlux + LLM 실전 구현

John H

HR 실무 시나리오로 배우는 M365 코파일럿

한국마이크로소프트

본 강의에서는 Microsoft 365 생태계의 스마트한 업무 파트너인 M365 Copilot을 중심으로, 보안과 저작권이 보호된 환경에서 AI를 활용해 업무 혁신을 실현하는 방법을 다룹니다. Copilot의 주요 기능과 다양한 Microsoft 365 서비스와의 연계 활용 방안을 소개하며, 정확하고 효과적인 답변을 이끌어내기 위한 프롬프팅 기법 또한 함께 제시합니다.

입문

인공지능(AI), microsoft-office, AI 활용 (AX)

HR 실무 시나리오로 배우는 M365 코파일럿

한국마이크로소프트

Next.js App router 기반 Chat GPT 만들기

코딩먹방

Nextjs 14 버전 App router 과 vercel 의 ai/sdk 를 활용하여 chat gpt와 같은 ai chatbot 서비스를 만들어봅니다.

초급

Next.js, ChatGPT, React

Next.js App router 기반 Chat GPT 만들기

코딩먹방

[Sionic MCP 시리즈 1] Model Context Protocol 을 이용하여 IntelliJ 와 코딩해보자!

Sionic AI

Model Context Protocol (MCP) 를 이용하여 IntelliJ와 연동하여 빠르게 개발할 수 있는 방법에 대해 핸즈온 하는 튜토리얼입니다.

입문

IntelliJ IDEA, LLM, 인공지능(AI)

[Sionic MCP 시리즈 1] Model Context Protocol 을 이용하여 IntelliJ 와 코딩해보자!

Sionic AI

챗GPT와 파이썬으로 유튜브 AI 직원 만들기

SungYong Lee

GPT API를 활용한 프로그램을 만들고, 이미지 생성과 동영상 생성까지!

초급

ChatGPT, gpt, Python

챗GPT와 파이썬으로 유튜브 AI 직원 만들기

SungYong Lee

바이브 코딩으로 만드는 재미있는 재무제표 (커서 ai)

퇴근후딴짓

프롬프트만으로 재무제표를 분석하고 시각화하는 매력적인 코딩 세계로 초대합니다. 코드 한 줄 없이 AI와 상의하며 서비스를 만들고 배포까지 진행합니다.

입문

프롬프트엔지니어링, business, AI 활용 (AX)

바이브 코딩으로 만드는 재미있는 재무제표 (커서 ai)

퇴근후딴짓

Spring AI 실전 가이드: RAG 챗봇 만들기

Sionic AI

Spring AI로 AI를 다루는 가장 쉬운 방법을 배워봅니다. RAG 챗봇을 만들어보면서 Spring AI를 배워봅시다.

입문

Spring AI, LLM, RAG

Spring AI 실전 가이드: RAG 챗봇 만들기

Sionic AI

RAG 성능의 한계를 뚫는 인지 부하 관리 기술

이런 걸 배울 수 있어요

🧭유의 사항

📋변경 이력

🔥LLM의 한계를 극복한 RAG 기술, RAG 기술의 한계를 극복할 인지 부하 관리 기술

🔍강의 소개

🎯이 강의로 배울 수 있는 내용

중요 개념

📚섹션별 소개

섹션 1. 강의 소개 및 기본 개념

섹션 2. 컨텍스트 창과 토큰 한계

섹션 3. 청킹 전략: 청크의 크기와 구조

섹션 4. 고품질 청크 생성 기법

섹션 5~10. RAG 파이프라인에의 통합

섹션 11~15. 동적 최적화 기법

섹션 16~20. 성능 평가 방법과 성능 평가 지표

섹션 21~24. 남은 과제와 미래 기술 전망

섹션 25~30. 프로젝트 수행 방법 소개

🏆기대 효과

이런 분들께
추천드려요

안녕하세요
입니다.

커리큘럼

수강평

아리가람님의 다른 강의

비슷한 강의

RAG 성능의 한계를 뚫는 인지 부하 관리 기술

이런 걸 배울 수 있어요

🧭유의 사항

📋변경 이력

🔥LLM의 한계를 극복한 RAG 기술, RAG 기술의 한계를 극복할 인지 부하 관리 기술

🔍강의 소개

🎯이 강의로 배울 수 있는 내용

중요 개념

📚섹션별 소개

섹션 1. 강의 소개 및 기본 개념

섹션 2. 컨텍스트 창과 토큰 한계

섹션 3. 청킹 전략: 청크의 크기와 구조

섹션 4. 고품질 청크 생성 기법

섹션 5~10. RAG 파이프라인에의 통합

섹션 11~15. 동적 최적화 기법

섹션 16~20. 성능 평가 방법과 성능 평가 지표

섹션 21~24. 남은 과제와 미래 기술 전망

섹션 25~30. 프로젝트 수행 방법 소개

🏆기대 효과

이런 분들께 추천드려요

안녕하세요 .css-1q3zd4q{text-decoration-line:underline;text-underline-position:under;text-underline-offset:1px;}입니다.

커리큘럼

수강평

아리가람님의 다른 강의

비슷한 강의

이런 분들께
추천드려요

안녕하세요
입니다.