Cognitive Load Management Technology Breaking Through the Limits of RAG Performance

Name: Cognitive Load Management Technology Breaking Through the Limits of RAG Performance
Price: 330000 KRW

What should be done when building a generative AI or LLM-based RAG (Retrieval-Augmented Generation) system, but the desired performance isn't achieved and there's no suitable solution? This lecture presents methods to improve RAG performance based on Cognitive Load theory. Through this lecture, you will understand the limitations of LLM context windows and learn how to effectively manage cognitive load in RAG systems. It is a practical-level theoretical lecture covering Chunk size and structure design, high-quality Chunk generation techniques, dynamic optimization, performance evaluation, and practical techniques.

(5.0) 1 reviews

14 learners

arigaram

컨텍스트창관리

chunk전략설계

rag시스템구축

llm성능평가및튜닝

동적최적화

ChatGPT

LLM

RAG

Generative AI

What you will learn!

Strategies to understand and manage LLM context window and token limitations
How to create high-quality Chunks and integrate them into a RAG pipeline

📋Change History

September 4, 2025
- I've uploaded about 2/3 of the integrated summaries for each section. I'll upload the remaining integrated summaries one by one soon.
- I had separated Section 3 into Section 3 and Section 4, but this caused a mismatch between the section numbers in the lecture list and the section numbers in the course materials, which could lead to confusion, so I moved Section 4 to Section 31 (at the very end).
September 1, 2025
- I separated Section 3 into Section 3 and Section 4. As a result, the section numbers and lesson material numbers may not match. I will modify the lesson materials and re-record the videos before posting them again. Thank you for your patience.
- We are restructuring the curriculum to reduce confusion for students. Accordingly, we have made the classes that were temporarily set to private on August 22nd public again.
August 22, 2025
- I have changed the lessons in the [Advanced] course that are not yet completed (Sections 11-30) to private status. I plan to make them public section by section or lesson by lesson as they are completed in the future. This is a measure to reduce confusion for students, so I would appreciate your understanding.

🔥RAG technology that overcomes the limitations of LLMs, cognitive load management technology that will overcome the limitations of RAG technology

While creating AI services based on Large Language Models (LLMs) has become the mainstream approach, there are limitations due to restricted context window sizes and token counts. Particularly in RAG (Retrieval-Augmented Generation) systems, if documents or chunks (fragments of documents) are not properly managed, cognitive load occurs on the LLM side, making it difficult to generate optimal responses.
Cognitive load refers to the degree of difficulty in recognizing information based on the amount and complexity of information that a system (including the human brain and artificial intelligence) must process. When cognitive load increases in LLM systems, information can accumulate excessively, causing the core message to become unclear, performance to deteriorate, and preventing the system from producing answers at the expected level. Therefore, effective cognitive load management is a key factor that determines the quality and stability of LLM-based systems.

Section 1. Course Introduction and Basic Concepts

The first section clarifies the overall overview and objectives of this course, covering the basic concepts of LLM context windows and cognitive load management. In particular, we'll gain a detailed understanding of what cognitive load is, why it's important in LLM environments, and learn the fundamentals of RAG. Based on theory, we'll examine the core topics covered in the course and help establish a learning direction. Concepts are explained step by step so that beginners can easily follow along, providing a solid foundation for naturally progressing to advanced topics later.

Section 2. Context Window and Token Limits

This section provides an in-depth analysis of LLM context windows and tokenization mechanisms. We examine in detail what tokens are, how they are segmented, and their impact on model input, explaining with various examples how context window size limitations affect model performance. Additionally, we learn methods for calculating token-based costs to develop practical insights that can be applied in actual system design. Through this process, you will gain a systematic understanding of tokens and context, enabling you to intuitively grasp the specific problems of cognitive load management.

Section 3. Chunking Strategy: Chunk Size and Structure

Effective chunk design is the core of RAG system quality. This section introduces various chunking strategies ranging from fixed-size chunks to paragraph-based, semantic unit clustering, and hierarchical structures, providing in-depth coverage of the advantages, disadvantages, and application cases of each method. Based on understanding how chunk size and structure affect cognitive load and context utilization, you can acquire practical know-how for designing optimal chunking strategies suited to specific situations. Finally, through hands-on practice applying various chunking methods, you can organically connect theory with practice by gaining experience.

Section 4. High-Quality Chunk Generation Techniques

This section covers advanced techniques for creating chunks that are suitable for reducing cognitive load and improving information quality. You will learn various technologies such as smart summarization, merging original text with summaries, embedding-based clustering, meta-tagging, and reflecting query intent, and practice how to combine each technique to create more efficient chunks. Through this, you will develop the capability to generate high-quality chunks that go beyond simple chunking methods and reflect the meaning of information and the questioner's intent. This is a core strategy to help LLMs provide optimal answers even when dealing with complex documents.

Sections 5-10. Integration into RAG Pipeline

This section comprehensively covers RAG system design and integration. It systematically addresses the entire RAG pipeline process, from preprocessing, similarity search and filtering, chunk reconstruction and prompt design, answer generation and post-processing, to hallucination detection and re-injection strategies. Each stage focuses on know-how that minimizes cognitive load while concentrating on accurate answer generation, learned through hands-on practice. It primarily provides practical techniques and problem-solving methods that can be immediately applied in real-world environments.

Section 11~15. Dynamic Optimization Techniques

This section covers methods for dynamically adjusting context load and chunk size according to the situation. It provides an in-depth introduction to automation and optimization strategies for intelligent system operation, ranging from question complexity assessment, dynamic chunk size adjustment algorithms, adaptive summarization parameter tuning, context accumulation management in multi-turn conversations, to system monitoring and feedback loop design. Through this, you will acquire real-time management capabilities that can respond to changing demands and complexity while maximizing LLM performance.

Sections 16-20. Performance Evaluation Methods and Performance Evaluation Metrics

This covers various metrics and evaluation methodologies for objectively assessing the effectiveness of RAG systems and chunking strategies. You'll learn methods for deriving improvements through multifaceted measurement of system performance, from recall, accuracy, response latency, cost analysis, token usage efficiency, and user satisfaction to strategy validation through A/B testing. Based on evaluation results, it provides insights for continuous performance tuning and advancement, strengthening data-driven decision-making capabilities.

Sections 21-24. Remaining Tasks and Future Technology Outlook

This discusses research challenges that need to be addressed in the fields of RAG and LLM cognitive load management, as well as future expansion possibilities. It covers fully automated chunk optimization, long-term memory integration issues, scenarios for building large-scale multimedia document-based RAG systems, and methods for extending RAG systems to process multimodal information. Through the latest research trends and practical application cases, it provides a clear understanding of future development directions and challenges.

Sections 25-30. Introduction to Project Implementation Methods

This section explains how to conduct a comprehensive project that integrates the theories and techniques learned so far to design, implement, tune, and evaluate an actual RAG system. You'll be able to verify your practical capabilities by progressing through all stages in order: from selecting project topics to data collection and preprocessing, designing chunk strategies, integrating RAG systems, performance evaluation and result report writing, and final presentations and code reviews. Based on what you learn here, developers will be able to form teams or work individually on practical projects, allowing them to fully internalize the content learned in this course.

🏆Expected Effects

You will clearly understand LLM context windows and token limitations based on the concept of cognitive load, and acquire strategies to manage them.
You can maximize LLM performance by efficiently dividing and summarizing information using various chunk generation techniques and chunk optimization methods.
You will practice the entire RAG pipeline process and develop the ability to build and tune actual systems.
Learn how to provide stable and high-performance AI services in real-time operational environments through dynamic optimization and performance evaluation.
Understand the development trends of AI systems and strengthen future readiness through the latest research tasks and expansion directions.

Recommended for
these people

Who is this course right for?

Developer directly designing or operating LLM and RAG systems
AI Engineer optimizing large-volume document and multi-turn dialogue processing.

Need to know before starting?

Understanding Basic Concepts of Natural Language Processing (NLP)
Understanding the Basic Working Principles of Large Language Models (LLMs)
Concepts of Tokenization and Context Window
Basic programming skills (Python language recommended)
(Optional) Experience utilizing AI and machine learning models or conducting related projects

Hello
This is

409

Learners

Reviews

Answers

4.7

Rating

Courses

IT가 취미이자 직업인 사람입니다.

다양한 저술, 번역, 자문, 개발, 강의 경력이 있습니다.

Curriculum

All

312 lectures ∙ (35hr 14min)

Course Materials:

Lecture resources

Section 1. [Basic] Course Introduction and Basic Concepts

7 lectures ∙ (2hr 59min)

Section 2. [Basic] Context Window and Token Limitations

8 lectures ∙ (1hr 52min)

8. [Basic Theory] Lesson 2-0. Integrated Summary of Section 2
52:00
9. [Basic Theory] Lesson 2-1. Token and Tokenization Mechanism
22:08
10. [Basic Theory] Lesson 2-2. Context Window Operating Principles
19:06
11. [Basic Theory] Lesson 2-3. The Impact of Context Limitations on Model Performance
13:02
12. [Basic Theory] Lesson 2-4. Calculating Token Budget
05:53
13. (Scheduled) [Basic Theory] Lesson 2-5. RAG System Token Budget Optimization Strategies
14. (Scheduled) [Code Implementation] Lesson 2-6. Token Budget Calculation Code
15. (Scheduled) [Code Implementation] Lesson 2-7. Budget Optimization Code

Section 3. [Basic] Chunking Strategy: Chunk Size and Structure

7 lectures ∙ (1hr 37min)

16. (Scheduled) [Basic Theory] Lesson 3-0. Integrated Summary of Section 3
17. [Basic Theory] Lesson 3-1. Fixed-Size Chunk Concept and Pros & Cons
23:43
18. [Basic Theory] Lesson 3-2. Paragraph-Based Chunking
13:34
19. [Basic Theory] Lesson 3-3. Semantic Chunking (Semantic Chunking, Semantic Clustering)
30:31
20. [Basic Theory] Lesson 3-4. Hierarchical Chunk Structure Design
16:12
21. [Practice Assignment] Lesson 3-5. Applying Four Methods to a Simple Document
13:54
22. (Scheduled) [Code Implementation] Lesson 3-6. Hierarchical Chunk Implementation

Section 4. [Basic] High-Quality Chunk Generation Techniques

11 lectures ∙ (4hr 16min)

Section 5. [Basic] RAG Pipeline Integration Step 1: Preprocessing

9 lectures ∙ (2hr 8min)

Section 6. [Basic] RAG Pipeline Integration Stage 2: Retrieval (Similarity Search and Filtering)

10 lectures ∙ (2hr 13min)

Section 7. [Basic] RAG Pipeline Integration Step 3: Chunk Reconstruction and Prompt Redesign

10 lectures ∙ (2hr 21min)

Section 8. [Basic] RAG Pipeline Integration Step 4: LLM Answer Generation and Post-processing

11 lectures ∙ (1hr 43min)

Section 9. [Basic] RAG Pipeline Integration Step 5: Hallucination Detection and Re-injection Strategy

10 lectures ∙ (2hr 5min)

Section 10. [Basic] RAG Pipeline Integration Practice: Building a RAG System that Responds to Simple Questions

8 lectures ∙ (2hr 52min)

Section 11. [Advanced] Dynamic Optimization: Question Complexity Assessment

11 lectures ∙ (3hr 24min)

Section 12. [Advanced] Dynamic Optimization: Dynamic Chunk Size Adjustment Algorithm

11 lectures ∙ (1hr 37min)

Section 13. [Advanced] Dynamic Optimization: Adaptive Summary Parameter Adjustment

10 lectures ∙ (25min)

Section 14. [Advanced] Dynamic Optimization: Context Accumulation Management in Multi-turn Conversations

11 lectures ∙ (18min)

Section 15. [Advanced] Dynamic Optimization: System Monitoring and Feedback Loop Design

11 lectures ∙ (11min)

Section 16. [Advanced] Performance Evaluation: Measuring Recall and Precision

12 lectures ∙ (25min)

Section 17. [Advanced] Performance Evaluation: Latency Analysis and Cost Analysis

10 lectures ∙ (21min)

Section 18. [Advanced] Performance Evaluation: Token Usage Efficiency Metrics

12 lectures ∙ (10min)

Section 19. [Advanced] Performance Evaluation: User Satisfaction Assessment Methodology

8 lectures ∙ (17min)

Section 20. [Advanced] Performance Evaluation: Strategy Validation Through A/B Testing

9 lectures ∙ (25min)

Section 21. [Advanced] Technology Outlook: Fully Automated Chunk Optimization Research Project

8 lectures ∙ (13min)

Section 22. [Advanced] Technology Outlook: Long-term Memory Integration

9 lectures ∙ (28min)

Section 23. [Advanced] Technology Outlook: Large-Scale Document-Based RAG Scenarios

9 lectures ∙ (21min)

Section 24. [Advanced] Technology Outlook: Multimodal Information Processing

9 lectures ∙ (20min)

Section 25. [Advanced] RAG Performance Improvement Project Implementation Guide: 1. Project Topic Selection and Proposal Writing

8 lectures ∙ (11min)

Section 26. [Advanced] RAG Performance Improvement Project Implementation Guide: 2. Building a Pipeline for Data Collection and Preprocessing

16 lectures ∙ (18min)

Section 27. [Advanced] RAG Performance Improvement Project Implementation Guide: 3. Chunking Strategy Design and Implementation

12 lectures ∙ (29min)

Section 28. [Advanced] RAG Performance Improvement Project Implementation Guide: 4. RAG System Integration and Tuning

13 lectures ∙ (24min)

Section 29. [Advanced] RAG Performance Improvement Project Implementation Guide: 5. Performance Evaluation and Evaluation Report Writing

12 lectures ∙ (14min)

Section 30. [Advanced] RAG Performance Improvement Project Implementation Guide: 6. Final Presentation and Code Review

12 lectures ∙ (23min)

Section 31. (Long-term plan: Schedule TBD) [Supplement] Supplement to "Chunking Strategy: Chunk Size and Structure"

8 lectures

Published:

Last updated:

Reviews

All

1 reviews

5.0

1 reviews

Jang Jaehoon
Reviews 594
∙
Average Rating 4.9
5
7% enrolled
좋은 강의 감사합니댜!
- 아리가람
  Instructor
  유익한 강의가 된 것 같아 기쁩니다.

$254.10

arigaram's other courses

Check out other courses by the instructor!

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

Similar courses

Explore other courses in the same field!

ChatGPT 최신 모델 프롬프트 엔지니어링 바이블

Masocampus

생성형 인공지능의 최신 트렌드를 바로 실무에 적용! 핵심만 담은 프롬프트 엔지니어링 강의의 바이블

입문

인공지능(AI), ChatGPT, 프롬프트엔지니어링

ChatGPT 최신 모델 프롬프트 엔지니어링 바이블

Masocampus

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

AISchool

랭체인(LangChain) 라이브러리의 개념과 활용 방법을 학습하고, 랭체인(LangChain) 라이브러리를 이용해서 나만의 ChatGPT를 만들어보는 강의입니다.

중급이상

LLM, LangChain, ChatGPT

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

AISchool

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

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

코딩 없이 AI 앱 만들기: Dify 노코드 완전 정복

멀티코어

코딩 없이 나만의 AI 서비스를 만들고 싶다면, 이 강의가 완벽한 해결책입니다. Dify 노코드 플랫폼을 활용해 아이디어만으로도 완성도 높은 AI 앱을 만들 수 있습니다. 복잡한 이론 대신 실전 프로젝트 중심으로 구성되어, AI 입문자와 직장인 누구나 실무 역량을 키울 수 있습니다.

입문

프롬프트엔지니어링, LLM, RAG

코딩 없이 AI 앱 만들기: Dify 노코드 완전 정복

멀티코어

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

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

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

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

[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

하루만에 배우는 ChatGPT API

양동준

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

초급

ChatGPT, React, netlify

하루만에 배우는 ChatGPT API

양동준

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

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

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

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

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

[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

[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

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

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

Cognitive Load Management Technology Breaking Through the Limits of RAG Performance

What you will learn!

🧭Precautions

📋Change History

🔥RAG technology that overcomes the limitations of LLMs, cognitive load management technology that will overcome the limitations of RAG technology

🔍Course Introduction

🎯What you can learn from this course

Important Concepts

📚Section-by-Section Introduction

Section 1. Course Introduction and Basic Concepts

Section 2. Context Window and Token Limits

Section 3. Chunking Strategy: Chunk Size and Structure

Section 4. High-Quality Chunk Generation Techniques

Sections 5-10. Integration into RAG Pipeline

Section 11~15. Dynamic Optimization Techniques

Sections 16-20. Performance Evaluation Methods and Performance Evaluation Metrics

Sections 21-24. Remaining Tasks and Future Technology Outlook

Sections 25-30. Introduction to Project Implementation Methods

🏆Expected Effects

Recommended for
these people

Hello
This is

Curriculum

Reviews

arigaram's other courses

Similar courses

Cognitive Load Management Technology Breaking Through the Limits of RAG Performance

What you will learn!

🧭Precautions

📋Change History

🔥RAG technology that overcomes the limitations of LLMs, cognitive load management technology that will overcome the limitations of RAG technology

🔍Course Introduction

🎯What you can learn from this course

Important Concepts

📚Section-by-Section Introduction

Section 1. Course Introduction and Basic Concepts

Section 2. Context Window and Token Limits

Section 3. Chunking Strategy: Chunk Size and Structure

Section 4. High-Quality Chunk Generation Techniques

Sections 5-10. Integration into RAG Pipeline

Section 11~15. Dynamic Optimization Techniques

Sections 16-20. Performance Evaluation Methods and Performance Evaluation Metrics

Sections 21-24. Remaining Tasks and Future Technology Outlook

Sections 25-30. Introduction to Project Implementation Methods

🏆Expected Effects

Recommended for these people

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

Curriculum

Reviews

arigaram's other courses

Similar courses

Recommended for
these people

Hello
This is