벡터DB로 구현하는 LLM 기반 검색 엔진 & 유사 상품 추천 시스템 (ft. Pinecone & Langchain)
Online Course.
벡터DB로 구현하는
LLM 기반 검색 엔진 & 유사 상품 추천 시스템
ft. Pinecone & Langchain
-
01 상용화 가능한 수준의 프로젝트
LLM과 벡터DB를 사용하여 대규모 커머스 플랫폼 수준의 고성능 추천 시스템을 구현합니다.
-
02 기초부터 배우는 벡터DB의 A to Z
개념-실습-실전 모두 담은 6개의 파트로 다양한 분야의 LLM 개발에 벡터DB를 활용합니다.
-
03 현직자의 벡터DB 실무 활용 꿀팁
국내 대기업에서 벡터DB로 상용 서비스를 구축하는 엔지니어들이 알려주는 Tips & Tricks
GPT 모델을 기반으로 AI 기능을 개발하는 당신,
이런 생각한 적 있나요?
이 고민들을 한 번에 해결해 줄 화제의 데이터베이스,
-
벡터 데이터베이스란?
비정형 데이터를 고차원 공간의 점인 ‘벡터’로 저장하여, 각 점 사이의 거리로 유사도를 계산합니다.
비정형 데이터의 저장과 비교가 간편하여, AI 개발에 최적화되어 있습니다.벡터DB에 대해 자세히 알고 싶다면?
특히 LLM과 함께 사용되었을 때,
벡터DB는 LLM의 부족한 답변을 보완할 수 있습니다.
벡터DB는
추천 시스템, 번역 시스템, 얼굴 인식 등 다양한 분야에서
도입되고 있는, LLM 기반 개발자라면 반드시 알아야 할 DB입니다.
오직 패스트캠퍼스에서만,
(2024년 1월 기준)
벡터DB 전격 활용 강의를 만나보세요!
벡터DB 활용의 기초부터 실전까지 모두 알려드립니다.
어느 분야의 벡터DB 개발에도 활용할 수 있는
공통적 현업 프로세스를 경험해보세요!
Point 1
LLM과 벡터DB를 사용하여 만드는
Production Level 의 텍스트 & 이미지 기반
상품 추천 시스템 구현 프로젝트
패스트캠퍼스의 추천 시스템 프로젝트가 특별한 이유
01. 여느 강좌에서 볼 수 있는 튜토리얼 수준의 ‘Naive RAG’ 가 아닌닌, 상용화 가능한 수준의 ‘Advanced RAG ’로 구현합니다.
02. RAG 시스템의 성능을 측정하고 개선하는 현업의 고도화 과정까지 진행합니다.
| 학습 포인트 |   #이미지 처리 ㅣ #인풋 쿼리 변환 ㅣ 이미지 임베딩 | #메타데이터 ㅣ #유사도 검색
| 단계별 구현 내용 |   사용 기술 : OpenAI Embedding / OpenAI ChatCompletion / Pinecone / Llamaindex
| 학습 포인트 |   #이미지 처리 ㅣ #인풋 쿼리 변환 ㅣ 이미지 임베딩 | #메타데이터 ㅣ #유사도 검색 (이미지)
| 단계별 구현 내용 |   사용 기술 : OpenAI CLiP / Pinecone / Llamaindex / Langchain
| 학습 포인트 |   #이미지 처리 ㅣ #인풋 쿼리 변환 ㅣ 이미지 임베딩 ㅣ #메타데이터 ㅣ #유사도 검색 (이미지)
| 단계별 구현 내용 |  사용 기술 : Pinecone API / Langchain / OpenAI API / DALL-E
프로젝트를 마치고 나면,
현업에서도 분야와 상관 없이 텍스트와 이미지 유사도를 통합적으로 고려하는
고성능 검색 알고리즘을 구축할 수 있습니다.
Point 2
AI 기초가 부족해도 벡터DB 완벽 활용 가능!
선수 지식 - 원리 이해 & 실습 - 실전 활용 단계로 구성된
약 30시간의 체계적 커리큘럼
벡터DB를 이해하기 위해 필요한 머신러닝의 기초, 그리고 벡터 임베딩의 개념을 텍스트와 이미지 두 갈래로 먼저 학습합니다.
대표적 벡터DB인 Pinecone과 LLM 개발 프레임워크인 Langchain을 엮어 개념부터 학습한 후, 함께 실전 프로젝트에서 활용해봅니다.
STEP 1 | 선수 지식
∙ 벡터DB의 기반인 벡터 임베딩의 개념을 텍스트와 이미지 두 가지 측면으로 학습
STEP 2 | 원리 이해 & 실습
∙ LLM과 벡터DB를 함께 활용할 때 사용되는 프레임워크와 베이스모델 학습
STEP 3 | 원리 이해 & 실습
LLM과 벡터DB를 활용한 텍스트 & 이미지 기반 추천 시스템 구축
∙ 위에서 배운 내용을 기반으로, 각각 텍스트, 이미지, 멀티모달(텍스트+이미지) 기반의 추천 시스템을 Production Level로 구축
∙ 위 과정에서 실제 서비스 개발 단계에서 벡터DB를 사용할 때 고려해야 할 사항을 학습
Point 3
벡터DB의 도입부터 구축, 운영까지!
생성형 AI 서비스 개발 시
단계별 벡터DB 실전 포인트
벡터DB를 현업에 도입하고 싶은데, 구체적으로 어떻게 할 지 모르시겠다고요?
국내 대기업에서 벡터DB로 생성형 AI 서비스를 개발해온 현직 데이터 사이언티스트들이 여러분의 고민을 해결해드립니다.
위 고민에 대한 해답을 모두 담은, 개발 단계별 벡터DB 활용 꿀팁!
Point 4
벡터DB의 이해부터 실무 적용까지,
가이드가 되어줄 풍성한 부록
아직 정보가 부족한 벡터DB는 혼자서 배우기도, 실무에서의 의사결정을 내리기도 어렵습니다.
벡터DB가 처음이어도 쉽게 이해하고 실무에 적용할 수 있도록, 당신의 가이드가 되어줄 풍성한 부록을 준비했습니다.
-
(1차 오픈일 3/11 제공) -
(최종 오픈일 4/11 제공) -
(1차 오픈일 3/11 제공)
강의 미리보기
아직 고민 중이신가요?
강의를 미리보고 결정하세요!
CH03_02.
Pinecone을 활용한 인재 추천 시스템 만들기:search 및 사용자 인풋 정의-2
Point 5
국내 대기업에서 벡터 DB 기반으로
서비스를 개발하고 계신 전문 강사진
국내 탑급 대기업에서 시중의 거의 모든 벡터DB를 사용하여 프로젝트를 진행했으며,
벡터DB 기반으로 특허 출원까지 한 전문적 강사님들을 모았습니다.
한두솔 강사님
현) SK디스커버리 Data Scientist
강사님 한 마디
저희 강사진이 사내에서 직접 생성형 AI 프로그램을 구축할 당시에는 관련 정리된 자료가 없어서 개념을 정리하는데 한참이 걸렸습니다. 또한 지금과 같이 관련 Library들의 성숙도가 높지 않아 직접 하드코딩을 하는 것으로 필요 이상의 공수가 발생하기도 하였고, 시시각각 새로운 기술이 튀어나와 어제 유효한 방식이 오늘은 Outdated되는 경우가 허다해 자주 곤혹을 치뤘습니다. 하지만 여러분에겐 저희의 시행착오를 기반으로 한 핵심적인 엑기스만 추출해서 기술적으로 구현 가능하게 전달해 드리니 열심히 들어주시기만 하면 됩니다!
곽기은 강사님
현) SK디스커버리 Data Scientist
전) MunichRe Data Scientist
강사님 한 마디
실제 업무를 하며 취득한 정보를 어떻게 전달 드려야 수강생분들께서 막힘 없이 실제 업무에 뛰어들 수 있을지 고민하며 강의를 제작하였습니다. 기본적인 이론과 실습을 진행한 후에는 점진적으로 복잡한 아키텍쳐를 가진 프로젝트를 직접 구현하실 수 있 때문에, 완강을 하신다면 본인만의 창의적인 아키텍쳐를 업무에 적용하실 수 있으실 겁니다.
Point 6
조교님과 AI가 답변하는
질의응답 게시판
* 본 채널은 2024.3.11 ~ 2027.1.29 동안 운영 됩니다.
* 강사님이 채널에 입장하시지만 답변이 필수로 제공되지 않는 커뮤니티 형식의 공간입니다.
* 강사님이 현업 중 답변하시기에 답변까지 영업일 기준 7일 내외 시간이 소요될 수 있습니다.
오직 패스트캠퍼스에서만,
벡터DB 도입을 위한 모든 준비를 끝마쳐보세요!
커리큘럼
아래의 모든 강의를 초격차 패키지 하나로 모두 들을 수 있습니다.
지금 한 번만 결제하고 모든 강의를 평생 소장하세요!
Part 1. 벡터 DB 소개
Part 2. 벡터 임베딩의 종류 - 텍스트
Part 3. 벡터 임베딩의 종류 - 이미지
Part4. 벡터DB의 동작 원리 & 벡터 검색 실습
Part 5. 벡터DB 활용을 위한 모델과 프레임워크
Part 6. 최종 프로젝트