Minstory

안녕하세요🙇🏻‍♂️ 이번 포스팅은 AI 개발자 취업 준비생으로서, 앞으로 변해가는 AI 시장을 어떻게 바라보고, 또 그 속에서 제가 어떤 방향으로 준비해야 할지에 대한 고민을 정리해 보려 합니다. 최근에 유튜브에서 허성범 님의 AI 학개론 강의를 시청했는데요, 그 내용을 바탕으로 제 생각을 함께 기록해 보겠습니다. 유튜브 허성범 - AI 학개론https://youtu.be/OIY2tWT3HHI?si=wi0D314TQTW1ebnp 허성범 님은 AI에 대한 관심은 빠르게 늘어나고 있지만, 정작 AI의 비전이나 본질적인 가치를 제대로 알려주는 콘텐츠는 많지 않다는 문제의식을 갖고 이 강의를 제작했다고 합니다. 강의를 시청하는 내내 정말 잘생기고, 똑똑하고 전달력도 뛰어난 분이 쉽게 설명해 주시니 AI의 ..

지난 포스팅들에서는 LangChain의 개념을 배우고, 간단한 예제를 통해 실습을 진행했는데요.이번 포스팅에서는 이제 한 단계 더 나아가, 학습한 LangChain을 어떻게 실제 프로젝트에 적용할 수 있을지에 대한 고민을 정리해 보려 합니다. 전문가 자문을 통해 얻은 인사이트실제 프로젝트에 LangChain을 적용하기 위해서는 단순히 예제를 따라 하는 것만으로는 부족합니다.전문가분께 직접 자문을 구하면서, 다음과 같은 세 가지 핵심 포인트를 정리할 수 있었습니다.평가 방법의 이해와 정립무엇보다 중요한 것은 사람이 납득할 수 있는 정확한 평가 체계입니다.Retrieval 성능(Recall, Precision 등), Generation 품질(Factuality, Relevance 등), End-to-End..

열심히 정진하여 드디어 교재의 마지막 실습인 데이터 분석 및 코드 실행 에이전트까지 오게 되었습니다.🏃🏻🏃🏻 평소 ChatGPT, Gemini 같은 서비스를 자주 사용하면서도, “코드를 직접 작성하고 실행하는 에이전트”라는 개념은 다소 생소했는데요. 「랭체인 입문 : RAG 챗봇부터 에이전트까지」(오승환 저) 교재를 따라가면서 그 개념이 한결 친숙해진 것 같습니다. 이번 포스팅에서는 LangChain의 기능 중 하나인 데이터 분석 및 코드 실행 에이전트를 정리해 보았습니다. 이전까지는 문서 로드, 벡터 저장소, 뉴스 분석 등 텍스트 기반의 실습이 주를 이루었다면, 이제는 에이전트가 실제로 코드를 작성하고 실행하여 결과를 반환하는 과정을 다루게 됩니다. 실습 예제는 Pandas의 Titanic 데이..

이번 포스팅에서는 「랭체인 입문 : RAG 챗봇부터 에이전트까지」(저자 오승환) 교재를 참고하여, 뉴스 분석 프로젝트 실습 과정을 정리해 보겠습니다. 1. SerpAPI 인증키 발급 먼저, SerpAPI를 통해 뉴스를 크롤링하겠습니다. SerpAPI는 웹 검색 결과를 프로그래밍 방식으로 간편하게 가져올 수 있게 해주는 도구입니다.https://serpapi.com 회원가입 후 이메일과 핸드폰 인증을 거치면, 월 250회까지 무료로 사용할 수 있습니다.(2025.09 기준) 이렇게 발급받은 SerpAPI 키는 두 가지 방법을 통해 사용할 수 있습니다. 1. .env 파일에 환경 변수로 저장 후, Python에서 dotenv 패키지를 사용해 로드하는 방법 (추천)from dotenv import load_d..

이번 포스팅에서는 「랭체인 입문 : RAG 챗봇부터 에이전트까지」(저자 오승환) 교재를 참고하여, 에이전트 기반 RAG 챗봇 구현 실습 내용을 기록해 보려 합니다. 제가 LangChain을 공부하면서 가장 큰 도움을 받았던 교재 중 하나인데요, 설명이 이해하기 쉽고 코드 예제가 실습 위주로 잘 구성되어 있어 초보자도 빠르게 따라 할 수 있습니다. 특히 RAG의 기본 개념을 이해하고, 이를 실제로 구현해 보는 과정에서 이 책이 큰 가이드가 되었습니다. 단순한 문법 설명이 아니라 “실제 서비스로 이어질 수 있는 활용 예시”를 담고 있어 학습 동기부여가 많이 되었네요. LangChain이나 RAG 챗봇, 에이전트 구현을 처음 접하는 분들께 꼭 추천드리고 싶은 교재입니다. 제 포스팅에서는 이 책을 공부하며 직접..

에이전트(Agent)란?에이전트는 LangChain 및 LLM을 사용하여 인공지능 시스템이 더 자율적이고 목표 지향적으로 작업을 수행할 수 있게 해주는 컴포넌트.목표를 달성하기 위해 여러 도구와 정보를 조합하여 의사 결정을 내리고 행동을 취하는 지능형 개체이다. 주요 특징자율성 : 에이전트는 사전에 정의된 규칙이나 프로그래밍 없어서 스스로 결정을 내리고 행동함목표 지향성 : 특정 목표나 작업을 달성하기 위해 설계되어 있음환경 인식 : 주변 환경이나 상황을 인식하고 이에 따라 적응할 수 있음도구 사용 : 다양한 도구나 API를 활용하여 작업 수행 가능연속성 : 주어진 목표를 달성하기 위해 반복 수행을 통해 목표 달성을 추구함 에이전트 구성 요소언어모델(LLM) : 추론과 의사 결정을 담당도구(Tools) ..

벡터 저장소란?RAG 시스템의 네 번째 단계로, 이전 단계에서 생성된 임베딩 벡터들을 효율적으로 저장하고 관리하는 과정. 향후 검색 과정에서 벡터들을 빠르게 조회하고, 관련 문서를 찾아내는 데 필수적임 벡터 저장소의 장점효율적 저장 및 검색 : 고차원 벡터를 압축하거나 인덱싱하여 저장 공간을 최적화하고, 빠른 검색 지원유사도 검색 지원 : 코사인 유사도나 유클리드 거리 등 다양한 유사도 측정 방법을 통해 가장 관련성 높은 문서를 찾아냄대규모 데이터셋 처리 : 수백만 개 이상의 벡터도 효율적으로 관리하고 검색할 수 있는 능력을 갖춤실시간 업데이트 : 새로운 문서를 추가하거나 기존 문서를 수정할 때 실시간으로 인덱스를 업데이트 가능 Chroma 벡터 저장소 : 개발자의 생산성에 초점을 맞춘 AI 네이티브 오..

여러 가지 임베딩 모델들이 있지만,가장 대중적인 OpenAIEmbeddings와 HuggingFaceEmbeddings만 비교 1. OpenAIEmbeddings 특징고품질의 임베딩 : OpenAI 모델은 대규모 데이터셋으로 학습되어 다양한 도메인에서 높은 성능을 보임다양한 활용성 : 검색, 요약, 번역 등 다양한 NLP 작업에 사용되며, 의미적 유사성을 매우 정밀하게 표현간단한 API 사용 : OpenAI API를 통해 쉽게 임베딩을 생성할 수 있어 개발 환경에서 유연하게 적용가능. 랭체인에서는 OpenAI API를 통합하여 사용하기 쉬운 인터페이스 제공 모델 생성from langchain_openai import OpenAIEmbeddings# OpenAI의 "text-embedding-3-large..

1. RAG란?LLM의 답변 생성 능력과 외부 지식 소스를 결합하여 더 정확하고 최신의 정보를 제공하는 방법 작동 방식사용자가 AI에게 질문한다.AI는 이 질문과 관련된 정보를 찾아본다.AI가 찾은 정보를 읽고 이해한다.AI는 이 정보를 바탕으로 사용자의 질문에 답한다. 장점최신 정보를 알 수 있음 : AI가 항상 최신 정보를 찾아볼 수 있기 때문전문적인 지식도 다룸 : AI가 최신 학술 논문이나 전문가 의견 검색하기 때문답변의 근거 제시 : AI가 어떤 정보를 바탕으로 답변했는지 알려줄 수 있어서 사용자가 신뢰가능엉뚱한 대답을 적게 함 : 실제 정보 기반, 환각 현상 줄이는 효과 2. 문서 로딩 및 분할 2-1 문서 로딩RAG 시스템 구축의 첫 단계로, 외부 데이터를 시스템에 입력하는 과정.Docume..

LangChain 이란?LLM을 활용하여 애플리케이션과 파이프라인을 쉽고 신속하게 개발할 수 있도록 지원하는 프레임워크 - 문맥 인식 기능 : LangChain은 언어 모델을 다양한 문맥 소스(프롬프트 지시사항, 소수의 예시, 응답에 근거한 내용 등)와 연결하여 언어 모델은 제공된 정보를 기반으로 더 정확하고 관련성 높은 답변 생성 가능 - 추론 기능 : 언어 모델은 주어진 문맥을 바탕으로 어떠한 결과나 조치를 취해야 할지 스스로 추론 가능. 이는 언어 모델이 단순히 정보를 재생산하는 것을 넘어서, 주어진 상황을 분석하고 적절한 해결책을 제시함 LangChain 프레임워크를 활용하면?- 미리 준비된 기능과 모듈을 사용할 수 있어 낮은 난이도와 빠른 초기 설정으로 인한 신속한 개발 가능- 공식 문서와 커뮤..