생성형 AI 인 액션

생성형 AI 인 액션

$37.09
Ask a Question
Vendor: 위키북스 - 아미트 바리
Type: 프로그래밍일반
SKU: 9791158396305
Categories: ALL BOOKS
Tags: 생성형AI인액션 컴퓨터/IT_프로그래밍 언어
Description
생성형 AI의 잠재력을 효과적으로 활용할 수 있는 지식과 도구를 익혀 실무에 바로 적용해 보자!
통제된 환경에서는 딥러닝 시스템이 독해력, 이미지 인식, 언어 이해에서 인간을 능가하는 성과를 꾸준히 보여주고 있다. 대규모 언어 모델(LLM)은 텍스트 및 이미지 생성, 예측 추론 분야에서도 이와 유사한 결과를 낼 수 있다. 하지만 실험실을 벗어난 현실 세계에서는 생성형 AI가 놀라움을 주기도 하지만, 때로는 처참하게 실패하기도 한다. 그렇다면 원하는 결과를 얻으려면 어떻게 해야 할까?
저자

아미트바리

아미트바리는마이크로소프트의수석그룹프로덕트매니저이자엔지니어링팀의일원으로서,AzureAI플랫폼기반의차세대AI제품과서비스를개발하고있다.그는주요고객사를대상으로플랫폼전반에걸친맞춤형엔지니어링을책임지고있으며,다양한AI를활용해복잡한엔터프라이즈시나리오를해결하는업무를담당한다.순수한기술애호가인그는기술및제품개발분야에서30년에가까운경력을쌓아왔다.응용연구,머신러닝,인공지능,클라우드플랫폼에대한깊은전문성을보유하고있으며,산업을혁신하고사람들의삶을향상시키는강력하고책임있는AI제품을만드는일에열정을가지고있다.아내,딸,그리고약간은응석받이지만사랑스러운반려견과함께시애틀지역에거주하고있다.

목차

[01부]생성형AI의기초

▣01장:생성형AI소개
1.1이책에서다루는내용은무엇인가?
1.2생성형AI란무엇인가?
1.3무엇을생성할수있는가?
__1.3.1엔티티추출
__1.3.2텍스트생성
__1.3.3이미지생성
__1.3.4코드생성
__1.3.5논리문제해결능력
__1.3.6음악생성
__1.3.7동영상생성
1.4기업사용사례
1.5생성형AI를사용하지않는경우
1.6생성형AI는기존AI와어떻게다른가?
1.7기업은어떤접근방식을취해야하는가?
1.8아키텍처고려사항
1.9기업의생성형AI도입절차

▣02장:대규모언어모델소개
2.1기반모델개요
2.2LLM개요
2.3트랜스포머아키텍처
2.4훈련컷오프
2.5LLM의유형
2.6소규모언어모델
2.7오픈소스vs.상용LLM
__2.7.1상용LLM
__2.7.2오픈소스LLM
2.8LLM의주요개념
__2.8.1프롬프트
__2.8.2토큰
__2.8.3토큰계산
__2.8.4임베딩
__2.8.5모델구성
__2.8.6컨텍스트윈도
__2.8.7프롬프트엔지니어링
__2.8.8모델적응
__2.8.9창발적행동

▣03장:API를통한작업-텍스트생성
3.1모델범주
__3.1.1종속성
__3.1.2모델조회
3.2완성API
__3.2.1완성확장
__3.2.2Azure콘텐츠안전필터
__3.2.3다중완성
__3.2.4무작위성제어
__3.2.5top_p를사용한무작위성제어
3.3고급완성API옵션
__3.3.1스트리밍완성
__3.3.2토큰확률에영향을미치는요소:logit_bias
__3.3.3존재및빈도페널티
__3.3.4로그확률
3.4대화형완성API
__3.4.1시스템역할
__3.4.2완료이유
__3.4.3비채팅시나리오를위한대화형완성API
__3.4.4대화관리
__3.4.5토큰관리를위한모범사례
__3.4.6추가LLM제공업체

▣04장:픽셀에서사진으로-이미지생성
4.1비전모델
__4.1.1변분오토인코더
__4.1.2생성적적대신경망
__4.1.3비전트랜스포머모델
__4.1.4확산모델
__4.1.5멀티모달모델
4.2스테이블디퓨전을통한이미지생성
__4.2.1종속성
__4.2.2이미지생성하기
4.3다른제공업체를통한이미지생성
__4.3.1OpenAIDALL·E3
__4.3.2Bing이미지크리에이터
__4.3.3AdobeFirefly
4.4스테이블디퓨전을사용해이미지편집및향상하기
__4.4.1이미지-투-이미지API를사용해이미지생성
__4.4.2마스킹API사용
__4.4.3업스케일API를사용해이미지크기조정
__4.4.4이미지생성팁

▣05장:인공지능은또무엇을생성할수있을까?
5.1코드생성
__5.1.1코드를신뢰할수있는가?
__5.1.2깃허브코파일럿
__5.1.3코파일럿의작동방식
5.2추가적인코드관련작업
__5.2.1코드설명
__5.2.2테스트생성
__5.2.3코드참조
__5.2.4코드리팩터링
5.3기타코드생성도구
__5.3.1AmazonCodeWhisperer
__5.3.2CodeLlama
__5.3.3탭나인
__5.3.4자가점검
__5.3.5코드생성을위한모범사례
5.4동영상생성
5.5오디오및음악생성

[02부]고급기법과응용

▣06장:프롬프트엔지니어링가이드
6.1프롬프트엔지니어링이란?
__6.1.1프롬프트엔지니어링이필요한이유
6.2프롬프트엔지니어링의기본
6.3컨텍스트내학습및프롬프팅
6.4프롬프트엔지니어링기법
__6.4.1시스템메시지
__6.4.2제로샷학습,퓨샷학습,그리고다중샷학습
__6.4.3명확한구문사용
__6.4.4컨텍스트내학습이잘되게하는법
__6.4.5추론:생각의연쇄
__6.4.6자체일관성샘플링
6.5이미지프롬프팅
6.6프롬프트주입
6.7프롬프트엔지니어링도전과제
6.8모범사례

▣07장:검색증강생성:비밀무기
7.1RAG란무엇인가?
7.2RAG의이점
7.3RAG아키텍처
7.4검색기시스템
7.5벡터데이터베이스이해
__7.5.1벡터인덱스란무엇인가?
__7.5.2벡터검색
7.6RAG과제
7.7청킹관련과제해결방안
__7.7.1청킹전략
__7.7.2청킹전략에영향을미치는요인
__7.7.3알려지지않은복잡성처리
__7.7.4문장단위청킹
__7.7.5자연어처리를사용한청킹
7.8PDF청킹

▣08장:데이터와채팅하기
8.1기업이자체데이터를활용할때의이점
__8.1.1대용량컨텍스트윈도의장단점
__8.1.2데이터를활용한채팅애플리케이션구축
8.2벡터데이터베이스사용
8.3정보검색을위한계획
8.4데이터검색
__8.4.1검색기파이프라인모범사례
8.5Redis를사용한검색
8.6RAG기반의종합적인채팅구현
8.7AzureOpenAIonyourdata사용
8.8기업이보유한데이터를RAG에통합할때의이점

▣09장:모델적응및미세조정을통한모델맞춤화
9.1모델적응이란무엇인가?
__9.1.1모델적응의기초
__9.1.2기업에서의장점과과제
9.2LLM을언제미세조정해야하는가
__9.2.1LLM미세조정의주요단계
9.3OpenAI모델미세조정
__9.3.1미세조정을위한데이터세트준비
__9.3.2LLM평가
__9.3.3미세조정
__9.3.4미세조정훈련지표
__9.3.5AzureOpenAI를사용한미세조정
9.4미세조정된모델배포
__9.4.1추론:미세조정된모델
9.5LLM훈련
__9.5.1사전훈련
__9.5.2지도미세조정
__9.5.3보상모델링
__9.5.4강화학습
__9.5.5직접정책최적화
9.6모델적응기법
__9.6.1낮은순위적응
9.7RLHF개요
__9.7.1RLHF의과제
__9.7.2RLHF구현확장하기

[03부]배포및윤리적고려사항

▣10장:생성형AI앱을위한애플리케이션아키텍처
10.1생성형AI:애플리케이션아키텍처
__10.1.1소프트웨어2.0
__10.1.2코파일럿의시대
10.2생성형AI:애플리케이션스택
__10.2.1생성형AI스택통합
__10.2.2생성형AI아키텍처원칙
__10.2.3생성형AI애플리케이션아키텍처:상세보기
10.3오케스트레이션계층
__10.3.1오케스트레이션프레임워크의이점
__10.3.2오케스트레이션프레임워크
__10.3.3운영관리
__10.3.4프롬프트관리
10.4그라운딩계층
__10.4.1데이터통합및전처리
__10.4.2임베딩및벡터관리
10.5모델계층
__10.5.1모델앙상블아키텍처
__10.5.2모델서빙
10.6응답필터링

▣11장:확장하기:프로덕션배포를위한모범사례
11.1프로덕션배포의과제
11.2배포옵션
11.3API를통한관리형LLM
11.4프로덕션배포를위한모범사례
__11.4.1LLM추론을위한지표
__11.4.2지연시간
__11.4.3확장성
__11.4.4PAYGO
__11.4.5할당량및속도제한
__11.4.6할당량관리
__11.4.7관찰가능성
__11.4.8보안및규정준수고려사항
11.5생성형AI운영고려사항
__11.5.1신뢰성및성능고려사항
__11.5.2관리형ID
__11.5.3캐싱
11.6LLMOps및MLOps
11.7프로덕션배포를위한체크리스트

▣12장:평가및벤치마크
12.1LLM평가
12.2기존평가지표
__12.2.1BLEU
__12.2.2ROUGE
__12.2.3BERTScore
__12.2.4기존지표평가의예
12.3LLM작업별벤치마크
__12.3.1G-Eval:NLG평가를위한측정접근방식
__12.3.2LLM기반평가지표의예
__12.3.3HELM
__12.3.4HEIM
__12.3.5HellaSWAG
__12.3.6대규모멀티태스크언어이해
__12.3.7평가에AzureAIStudio사용
__12.3.8DeepEval:LLM평가프레임워크
12.4새로운평가벤치마크
__12.4.1SWE-bench
__12.4.2MMMU
__12.4.3MoCa
__12.4.4HaluEval
12.5인간평가

▣13장:윤리적인생성형AI를위한가이드:원칙,사례,그리고함정
13.1생성형AI위험
__13.1.1LLM제한사항
__13.1.2환각
13.2생성형AI공격이해
__13.2.1프롬프트주입
__13.2.2안전하지않은출력처리예시
__13.2.3모델서비스거부공격
__13.2.4데이터포이즈닝및백도어
__13.2.5민감정보유출
__13.2.6과의존
__13.2.7모델탈취
13.3책임있는AI수명주기
__13.3.1위해요소식별
__13.3.2위해요소측정및평가
__13.3.3위해요소완화
__13.3.4투명성과설명가능성
13.4레드팀
__13.4.1레드팀예시
__13.4.2레드팀도구및기법
13.5콘텐츠안전성
__13.5.1AzureContentSafety
__13.5.2GooglePerspectiveAPI
__13.5.3콘텐츠필터평가

▣부록
A:이책의깃허브저장소
B:책임있는AI도구
__B.1모델카드
__B.2투명성설명서
__B.3HAX툴킷
__B.4책임있는AI툴박스
__B.5학습해석도구
__B.6AIFairness360
__B.7C2PA
C:AzureOpenAI사용가이드
__C.1Mic

출판사 서평

《생성형AI인액션》은대형언어모델(LLM)과최신AI기술을효과적이고안전하게활용하기위한실제사례,인사이트,기법들을제시한다.이책에서는마케팅,소프트웨어개발,비즈니스보고서생성,데이터스토리텔링등인간중심의다양한작업에AI를적용하는실용적인접근방식을다룬다.또한생성형AI애플리케이션의최신설계패턴을살펴보고,프롬프트엔지니어링의모범사례를익히며,환각,높은운영비용,빠르게변화하는기술환경등일반적인문제들을해결하는방법도배울수있다.

★이책에서다루는내용★

◎생성형AI애플리케이션에대한실용적인개요
◎생성형AI를위한아키텍처패턴,통합가이드및모범사례
◎RAG,프롬프트엔지니어링,멀티모달리티등최신기법
◎환각(hallucination),탈옥(jailbreak)과같은생성형AI의과제및위험
◎비즈니스및IT전략에생성형AI를통합하는방법