섹션22 퀴즈 질문

안녕하세요~. 반갑습니다.말씀해주신 부분을 확인해보니 정답이 잘못 체크되어 있는것 같습니다. "5. 강의에서 언급된 O1 API 베타 버전의 주요 제한 사항이 아닌 것은 무엇인가요?"의 정답은 없는데 "이미지 입력 지원"이라고 잘못 설정되어 있는것 같습니다. (=보기 4개다 전부 지원 안함=정답없음) 섹션 퀴즈 같은 경우 강사가 설정하는 것이 아니라 인프런 AI가 자동으로 생성하는 것이라서 제가 수정하는 것은 힘든점 양해 부탁드리고ㅠ 위에 설명드린 교정을 참고 부탁드립니다. 그럼 오늘도 좋은 하루되세요.감사합니다.

가상환경 생성 필요한가요?

안녕하세요~. 반갑습니다.먼저 강의를 잘 수강하고 계시다니 기쁘네요 ^^. 코덱스가 코딩을 진행하면서 설치하는 라이브러리가 어디에 설치되느냐는 상황에 따라 다릅니다. 코덱스가 알아서 가상환경을 만들고 가상환경에 설치할때도 있고 전역으로 설치할 때도 있습니다. 따라서 가상환경을 생성하고 가상환경에 라이브러리를 설치하고 싶으실 경우, 말씀해주신대로 plan 모드로 계획 수립중에 가상환경을 꼭 생성하라고 코덱스에게 명시적으로 지시사항을 전달하는 것이 좋습니다. 그럼 오늘도 좋은 하루 되세요~.감사합니다.

visual studio code 관련 문의

안녕하세요~. 반갑습니다. (사진) 왼쪽 하단에 plan mode 토글을 on한 상태인지 한번 체크해보시면 좋을것 같습니다. plan mode를 켜지않은 상태에서 프롬프트를 입력하면 선택사항을 묻지않고 바로 구현을 시작할 수 있습니다. 그럼 오늘도 좋은 하루되세요.감사합니다.

paperswithcode 서비스 종료 관련 문의

안녕하세요~. 반갑습니다.현재 말씀해주신대로 paperswithcode 사이트가 더이상 운영되지 않는 상태입니다. 기존에 paperswithcode 사이트와 완전히 1:1 대응되는 동일한 사이트는 없지만 유사한 기능을 제공하는 사이트로 허깅페이스에서 제공하는 Daily Papers 사이트에서https://huggingface.co/papers최신 트렌드 논문과 해당 논문 구현의 github 링크를 확인할 수 있습니다. 다만 기존처럼 통합적인 SOTA 리더보드 기능 같은것은 없어서 특정 데이터셋에 대한 리더보드를 확인하려면 개별 데이터셋별로 해당 데이터셋의 리더보드 링크를 타고 들어가서 따로 확인해야하는 상황입니다ㅠ. 그럼 오늘도 좋은 하루되세요 :)감사합니다.

Adaptive RAG 질문드립니다.

안녕하세요~. 반갑습니다.먼저 강의를 잘 듣고 계시다니 기쁘네요^^.1. Adaptive RAG 같은 경우 지금은 공식문서에서 제거되고 Agentic RAG 구조를 다룬 https://docs.langchain.com/oss/python/langgraph/agentic-rag 링크 1개만 남은 상태가 된것 같습니다.Plan-and-Execute, ReWOO, Reflection, Reflextion, STORM 등과 같은 내용은 지금은 공식문서에서 제거된 상태로 보이며, 현재 시점에서는 잘 사용되지 않는 기술이라서 제거되었다기보다는 Langchain/LangGraph 공식문서가 예전에는 다양한 use cases를 포함하는 방향으로 구성되어 있었는데 최근에는 문법위주로 서술하고 use cases는 1~2개만 포함하는 형태로 공식문서의 방향성을 변경해서 그런것 같습니다. 최신 gpt 모델을 연동해서 사용한다면 한글 프롬프트로 입력하나 영어 프롬프트로 입력하나 성능상의 큰 차이는 없을 것입니다. 다만 한글 프롬프트로 테스트하고 싶으실 경우, 다른 구성요소들도 다 한글 텍스트 기반한 자료로 변경을 해주어야 전체적인 의도대로 동작할 것입니다. 예를 들어 Adaptive RAG 예제 같은 경우 "https://lilianweng.github.io/posts/2023-06-23-agent/", "https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/", "https://lilianweng.github.io/posts/2023-10-25-adv-attack-llm/",이렇게 3개 데이터를 불러와서 사용하는데 한글 프롬프트로 테스트하고 싶으면 불러오는 자료도 한글로된 웹사이트 블로그등을 사용해서 테스트하시면 될 것입니다.그럼 오늘도 좋은 하루되세요 :)감사합니다.

LangChain에서 제공하는 Tool과 MCP의 차이점

안녕하세요~. 반갑습니다.먼저 강의를 잘 듣고 계시다니 기쁘네요^^.2가지 방식의 차이는 그냥 AI 에이전트에게 사용할 tool을 부여하는 방식의 차이라고 생각하시면됩니다.저희가 어떤 데이터를 전달할때 .json형태로 전달할 수도 있고 .xml형태로 전달할 수도 있는 것처럼AI 에이전트 한테 어떤 기능의 tool을 부여할때1. langchain에서 미리 구현해둔 tool을 이용해서 부여함2. 외부 MCP 서버에 정의된 tool을 호출해서 부여함이렇게 2가지 선택지가 있는 것 뿐이고 목적과 결과는 비슷하다고 생각하시면 됩니다.즉, 단순히 구현방식/프로토콜의 차이라고 생각하시면 됩니다.그럼 오늘도 좋은하루되세요 :)감사합니다.

강의자료는 어떻게 보나요

안녕하세요~. 반갑습니다.먼저 수강에 불편을 드려서 죄송합니다.강의 같은 경우 1개의 슬라이드 pdf의 내용이 여러개의 영상으로 분리되어 있습니다.1강의 경우를 예시로 들면, 강의 제목과 매칭되는 pdf는 다음과 같습니다. 인공지능, 머신러닝, 딥러닝 - [딥러닝 알고리즘의 등장배경.pdf]머신러닝(Machine Learning)의 정의 - [딥러닝 알고리즘의 등장배경.pdf]지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) - [딥러닝 알고리즘의 등장배경.pdf]딥러닝(Deep Learning) - [딥러닝 알고리즘의 등장배경.pdf]딥러닝, 텐서플로 응용분야 - [아래 링크로 전달]간략히 살펴보는 딥러닝의 역사 - [딥러닝의_역사.pdf]머신러닝의 기본 프로세스 - 가설 정의, 손실함수 정의, 최적화 정의 - [머신러닝의_기본_프로세스.pdf]Batch Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent - [머신러닝의_기초_이론들.pdf]Training Data, Validation Data, Test Data & 오버피팅(Overfitting) - [머신러닝의_기초_이론들.pdf]소프트맥스 회귀(Softmax Regression) & 크로스 엔트로피(Cross-Entropy Loss Function) & One-hot Encoding & MNIST - [머신러닝의_기초_이론들.pdf]다양한 컴퓨터비전 문제영역 소개 - [컴퓨터비전.pdf]TensorFlow 2.0 소개 - [TensorFlow 2.0 소개.pdf]파이썬(Python) 설치 - [텐서플로 설치.pdf]pip를 이용한 TensorFlow 설치 - [텐서플로 설치.pdf]TensorFlow 2.0을 이용한 선형 회귀(Linear Regression) 알고리즘 구현 - [머신러닝의_기본_프로세스.pdf]TensorFlow 2.0 케라스 서브클래싱(Keras Subclassing) - [Keras_Subclassing.pdf]TensorFlow 2.0과 Softmax Regression을 이용한 MNIST 숫자분류기 구현 - [Keras_Subclassing.pdf]다층 퍼셉트론 MLP - [ANN.pdf]TensorFlow 2.0과 ANN을 이용한 MNIST 숫자분류기 구현 - [ANN.pdf]오토인코더(AutoEncoder)의 개념 - [오토인코더.pdf]TensorFlow 2.0과 오토인코더를 이용한 MNIST 데이터 재구축 - [오토인코더.pdf] [딥러닝, 텐서플로 응용분야] 영상 같은 경우 pdf가 빠져 있는것 같아서 아래 링크로 전달드립니다.https://drive.google.com/file/d/166xJu-u1N39nJofpIM_KEQoFw_GIiklr/view?usp=sharing 좋은 하루되세요.감사합니다.

LLM 기반 문서 유사도 산출 가능성 관련 문의드립니다

안녕하세요~. 반갑습니다.먼저 강의가 도움이 되셨다니 기쁘네요^^.말씀해주신 부분에 대해 답변드리면일반적으로 두 문서를 입력 받아서 두 문서간의 유사도를 비교하는데 가장 많이 사용되는 방법은 2개 문서를 임베딩 벡터(Embedding Vector)로 변환하고 2개 문서의 임베딩 벡터값간의 코사인 유사도(Cosine Similarity)를 계산하는 것입니다. 2개 문서를 임베딩 벡터로 변환하고 Cosine Similarity를 계산하면 2개 문서의 의미론적인 유사도에 대한 값이 0~100 사이의 정규화된 값으로 계산되어서 정량적으로 유사한 정도를 측정할 수 있습니다. (이때 임베딩 벡터 변환을 어떤 모델을 사용하느냐에 따라 성능이 달라질 수 있는데 가장 많이 사용되는 모델은 강의에서 설명드리는 OpenAI Embedding 모델들 입니다. https://platform.openai.com/docs/models/text-embedding-3-large )범용적인 도메인에 대해서 의미론적인 유사도를 기준으로 2개 문서의 정량화된 점수를 측정해야하는 상황이면 위에 언급드린 [문서의 텍스트를 임베딩 벡터 변환 -> 코사인 유사도 비교]가 가장 보편적인 선택이지만 좀더 도메인에 특화된 형태로 작업을 진행하고 싶다면 2개 문서의 유사도에 대한 나만의 기준 점수산정공식을 ground truth로 만들어서(어떤 맥락에서 퍼지 해시를 언급해주신지에 대해서는 말씀해주신 내용만으로는 정확히 알수없지만 나만의 퍼지 해시 공식같은걸 사용하실 수도 있을것입니다.) [2개 문서를 input, 내가 산정한 ground truth값]을 트레이닝 데이터로 모아서 GPT와 같은 모델들을 내 트레이닝 데이터셋에 맞게 Fine-Tuning하고 이 파인튜닝된 모델을 활용하는 방법도 사용할 수 있습니다. 다만 이경우 좀더 많은 시간과 노력이 들어갈 수 있기 때문에 1번 방법으로 먼저 테스트한후 만족스럽지 않은 성능이 나올경우 2번안으로 고려해볼 수 있는 선택지일 것 같습니다.그럼 오늘도 좋은 하루되세요~.감사합니다.

『6. LLM 용어 정리 - 인컨텍스트 러닝(In-context learning)』에 대한 문의

안녕하세요~. 반갑습니다. In-Context Learning은 말그대로 모델이 추가적인 학습없이 컨텍스트 내에서 문맥을 파악하고 학습한다는 개념입니다.지금은 LLM이 워낙 발달해서 당연하게 느껴지는 개념일 수도 있지만 예전에 LLM이 등장하기 전에 머신러닝/딥러닝 커뮤니티에서 학습(learning)이라는 개념은풀고자하는 문제에 대한 대량의 training 데이터를 모아서긴 시간을 들여서 해당 데이터로 모델의 weight를 수정하는 많은 시간과 노력이 들어가는 과정이었습니다.하지만 LLM이 등장하면서 전통적인 의미의 머신러닝/딥러닝 학습(learning)이 아니라 모델의 weight 변경 없이 프롬프트 수정만으로 새로운 지식을 모델이 학습가능하다는 의미에서 전통적인 의미의 learning과 반대되는 개념의 In-Context learning이라는 개념이 등장하게 된 것입니다. 좋은 하루되세요.감사합니다.

슬리피지 설정 문의입니다.

안녕하세요~. 반갑습니다.말씀해주신대로 거래 수수료를 백테스팅시에 고려하는 부분도 중요한 부분 중에 하나입니다.현재 국내거래소 사용한다고 가정하면업비트의 경우 원화마켓 기준 한번의 매매마다 0.05%의 거래수수료, 빗썸의 경우 한번의 거래마다 0.04%의 거래 수수료를 내야합니다. ( https://upbit.com/service_center/fees )따라서 한번의 거래에서 매수와 매도가 1번씩 일어나므로슬리피지 계산시에 업비트의 경우 0.1%(값으로는 0.001) 빗썸의 경우 0.08%(값으로는 0.0008)만큼 거래수수료를 추가해서 계산하시면 됩니다. 그럼 오늘도 좋은 하루되세요.감사합니다.