Amazon Bedrock 실전 생성형 AI 앱 개발
Description
◎ 클라우드 시대, 생성형 AI 애플리케이션 개발의 핵심을 마스터하세요.
아마존 베드록(Amazon Bedrock)은 AWS의 강력하고 유연한 기반 모델(Foundation Model) 서비스입니다. 이 책은 아마존 베드록을 활용하여 생성형 AI 애플리케이션을 실제로 설계하고 구축하는 데 필요한 모든 것을 담고 있습니다. 기본적인 AI 지식부터 시작하여, Bedrock 환경 설정, 다양한 모델 사용법, 실제 비즈니스에 적용할 수 있는 애플리케이션 구현까지 단계별로 안내합니다.

◎ 프롬프트 엔지니어링부터 실전 배포까지, 즉시 활용 가능한 실습 중심 가이드!
단순한 이론을 넘어, 현업에서 즉시 사용할 수 있는 실습과 예제를 중심으로 구성되었습니다. RAG(검색 증강 생성)와 같은 고급 아키텍처 구현 방법을 포함하여, 최적의 출력을 얻기 위한 프롬프트 엔지니어링 기술을 깊이 있게 다룹니다. 또한, 개발된 AI 애플리케이션을 안정적으로 운영하고 확장하기 위한 배포 및 관리 노하우까지 총망라하여, 독자들이 프로덕션 레벨의 서비스를 구축할 수 있도록 실질적인 도움을 제공합니다.

◎ AI 시대, 기술 격차를 해소하고 경쟁력을 강화하세요.
이 책은 생성 AI 분야에서 경쟁력을 갖추고자 하는 모든 개발자 및 기획자를 위한 필독서입니다. 아마존 베드록이라는 강력한 도구를 통해 차세대 AI 애플리케이션 개발의 표준을 익히고, 복잡한 LLM을 비즈니스 가치로 전환하는 방법을 명확하게 제시합니다.

이 책을 통해 생성 AI 혁신의 최전선에 서서, 미래 기술을 선도하는 전문가로 거듭나시길 바랍니다.
저자

쿠마다 칸

주식회사 Relic 첨단 기술 연구 개발 리드. 엔지니어로 인프라 설계 및 구축, 운영 및 유지보수 업무에 종사한 후, 2021년에 주식회사 Relic에 입사했습니다. 다수의 프로젝트를 넘나들며 서비스의 신뢰성 향상, 보안의 균질화/최적화, 표준화에 참여했습니다.

목차

▣ 01장: 생성형 AI의 기본과 동향
1.1 ‘생성형 AI’란 무엇인가?
__1.1.1 인공지능(AI)과 생성형 AI의 위치
__1.1.2 생성형 AI의 ‘모델’이란
__1.1.3 ‘모델’에 관한 기초 지식
1.2 유명한 생성형 AI 제품
__1.2.1 ChatGPT
__1.2.2 Stable Diffusion
__1.2.3 GitHub Copilot
1.3 생성형 AI용 API 제공 및 클라우드로 배포
__1.3.1 생성형 AI 모델용 API
__1.3.2 클라우드에서 제공되는 생성형 AI 모델의 API

▣ 02장: Amazon Bedrock 입문
2.1 Amazon Bedrock이란
__2.1.1 Bedrock의 장점
__2.1.2 지원되는 AWS 리전
__2.1.3 Bedrock 모델 이용 요금
2.2 왜 AWS의 Bedrock을 선택해야 할까?
__2.2.1 (1) AWS의 강점을 대부분 활용 가능
__2.2.2 (2) 여러 기업이 제공하는 최신 모델을 폭넓게 이용 가능
__2.2.3 (3) 애플리케이션 개발의 높은 편의성
__2.2.4 (4) 엔터프라이즈 레벨의 보안과 거버넌스 제공
2.3 Bedrock에서 사용할 수 있는 생성형 AI 모델
__2.3.1 모델의 종류
__2.3.2 Bedrock의 추천 모델
2.4 Anthropic의 생성형 AI 모델
__2.4.1 Anthropic의 모델의 특징
__2.4.2 Claude 3 시리즈
2.5 Cohere의 생성형 AI 모델
__2.5.1 Cohere의 모델 특징
__2.5.2 Command R 시리즈
__2.5.3 Embed English / Multilingual
2.6 Stability AI의 생성형 AI 모델
__2.6.1 Stability AI의 모델 특징
__2.6.2 Stable Diffusion 3.5 Large
2.7 Amazon의 생성형 AI 모델
__2.7.1 Amazon 모델의 특징
__2.7.2 Amazon Nova 인식 모델
__2.7.3 Amazon Nova 크리에이티브 콘텐츠 생성 모델
2.8 Meta의 생성형 AI 모델
__2.8.1 Meta 모델의 특징
__2.8.2 Llama 3.3
2.9 Mistral AI의 생성형 AI 모델
__2.9.1 Mistral AI의 모델의 특징
__2.9.2 Mistral Large2 / Small
2.10 AI21 Labs의 생성형 AI 모델
__2.10.1 AI21 Labs의 모델의 특징
__2.10.2 Jamba 1.5 Large
2.11 [핸즈온] Bedrock 실제로 사용해보기
__2.11.1 플레이그라운드를 통해 GUI 환경에서 생성하는 방법
__2.11.2 AWS SDK를 사용해서 각 모델 API 요청을 보내는 방법

▣ 03장: 생성형 AI 애플리케이션 개발 방법
3.1 프롬프트란
__3.1.1 프롬프트 작성법
__3.1.2 프롬프트의 종류
3.2 토큰이란
__3.2.1 문자열을 토큰으로 분할하기
__3.2.2 토큰 수 계산 방법
3.3 프롬프트 엔지니어링이란
__3.3.1 프롬프트 엔지니어링 가이드라인
__3.3.2 모델 활성화하기
__3.3.3 명확한 작업 설정하기
__3.3.4 문서 제공하기
__3.3.5 구체적인 지침 설정하기
__3.3.6 예시를 제공하기
__3.3.7 단계별 사고 유도하기
__3.3.8 기타 프롬프트 엔지니어링 기법
3.4 생성형 AI 앱 개발에 사용하는 주요 프레임워크
__3.4.1 생성형 AI 프레임워크의 활용
__3.4.2 LangChain
__3.4.3 Streamlit
3.5 LangChain과 Streamlit을 이용한 생성형 AI 앱 개발
__3.5.1 개발 환경 준비
__3.5.2 [스텝1] LangChain 구현하기
__3.5.3 [스텝2] 스트림 출력
__3.5.4 [스텝3] Streamlit 연동하기
__3.5.5 [스텝4] 연속적인 채팅 대화 구현하기
__3.5.6 [스텝5] 채팅 기록 유지하기
3.6 AWS Lambda에서 실행되는 생성형 AI 앱 개발
__3.6.1 AWS Lambda를 활용한 생성형 AI 앱
__3.6.2 활용 사례
__3.6.3 개발 환경 구성
__3.6.4 구현 내용
__3.6.5 Lambda 레이어 만들기
__3.6.6 Lambda 함수 생성하기
3.7 생성형 AI 앱 개발에 사용하는 그 외의 프레임워크
__3.7.1 LlamaIndex
__3.7.2 Gradio
__3.7.3 Chainlit
__3.7.4 Dify
__3.7.5 LiteLLM

▣ 04장: 사내 문서 검색 RAG 애플리케이션을 만들어보자
4.1 RAG란?
__4.1.1 RAG의 특징과 유스케이스
__4.1.2 의미 검색을 가능하게 하는 ‘임베딩’
__4.1.3 RAG 아키텍처의 구현 예시
4.2 [핸즈온] 지식 기반으로 RAG를 구현해보자
__4.2.1 지식 기반의 구조
__4.2.2 지식 기반을 활용한 RAG 애플리케이션 개발의 개요
__4.2.3 S3 버킷 생성하기
__4.2.4 Knowledge Base 생성하기
__4.2.5 모델 활성화하기
__4.2.6 지식 기반 단독 동작 확인하기
__4.2.7 프론트엔드 구현하기
__4.2.8 RAG 애플리케이션 실행하기
__4.2.9 불필요한 리소스의 삭제 방법
__4.2.10 지식 기반을 지원하는 생성형 AI 모델
__4.2.11 지식 기반의 쿼리 설정
__4.2.12 지식 기반의 이용 요금
4.3 RAG용 검색 대상 서비스 소개
__4.3.1 이 섹션에서 소개하는 서비스 목록
__4.3.2 Amazon OpenSearch Service (벡터 DB/AWS 서비스)
__4.3.3 Amazon OpenSearch Serverless (벡터 DB/AWS 서비스)
__4.3.4 Amazon Aurora & Amazon RDS (벡터 DB/AWS 서비스)
__4.3.5 Amazon DocumentDB (벡터 DB/AWS 서비스)
__4.3.6 Amazon MemoryDB for Redis (벡터 DB/AWS 서비스)
__4.3.7 Pinecone (벡터 DB/AWS Marketplace 제품)
__4.3.8 Redis Enterprise Cloud (벡터 DB/AWS Marketplace 제품)
__4.3.9 MongoDB Atlas (벡터 DB/AWS Marketplace 제품)
__4.3.10 Amazon Kendra (기타/AWS 서비스)
__4.3.11 Amazon DynamoDB (기타/AWS 서비스)
__4.3.12 Amazon S3 (기타/AWS 서비스)
4.4 추천 RAG 아키텍처 예시
__4.4.1 일단 시험해보기 & 저비용 운영
__4.4.2 답변 품질 중시
__4.4.3 데이터 소스와의 연결성 중시
4.5 RAG의 답변 품질을 높이기 위한 방법
__4.5.1 청크 사이즈의 조정
__4.5.2 메타데이터 추가
__4.5.3 리랭크
__4.5.4 RAG 퓨전
__4.5.5 Rewrite-Retrieve-Read
__4.5.6 HyDE(Hypothetical Document Embeddings)
__4.5.7 기타 새로운 방법
4.6 RAG 애플리케이션의 평가 도구
__4.6.1 Ragas
__4.6.2 LangSmith
__4.6.3 Langfuse

▣ 05장: 편리한 자율형 AI 에이전트 만들기
5.1 AI 에이전트란
__5.1.1 도구를 사용하는 AI 에이전트
__5.1.2 고도화된 AI 에이전트 구현 방식 ‘ReAct’란?
__5.1.3 오픈소스 AI 에이전트
__5.1.4 AI 에이전트의 유스케이스
5.2 [핸즈온] LangChain에서 AI 에이전트를 구현해 보기
__5.2.1 사전준비
__5.2.2 핸즈온 ① 툴을 이용하는 AI 에이전트
__5.2.3 핸즈온 ② ReAct 에이전트
5.3 Agents for Amazon Bedrock이란
__5.3.1 Agents for Amazon Bedrock의 개요
__5.3.2 Agents의 구조
__5.3.3 Agents의 상세
__5.3.4 지원 모델과 리전
__5.3.5 Agents의 사용 요금
5.4 [핸즈온] Agents로 AI 에이전트를 만들어 보자
__5.4.1 이 장에서 개발하는 AI 에이전트의 개요
__5.4.2 모델 활성화
__5.4.3 Pinecone 준비
__5.4.4 S3 버킷 작성
__5.4.5 지식 기반 생성
__5.4.6 Lambda 계층 작성
__5.4.7 Agents 작성
__5.4.8 작업 그룹 추가
__5.4.9 Lambda 함수 설정
__5.4.10 지식 기반 추가
__5.4.11 별칭 작성
__5.4.12 동작 확인
__5.4.13 추적 표시
__5.4.14 Orchestration Strategy 변경

▣ 06장: Bedrock 기능 활용하기
6.1 커스터마이징 모델
__6.1.1 커스텀 모델이란
_