LangChain을 활용해 외부 데이터 소스를 채팅 모델에 통합하는 방법을 학습합니다. LLM 애플리케이션에 사용할 데이터를 불러오고, 분할하고, 임베딩하고, 저장하고, 검색하는 방법을 익혀 보세요.

LangChain으로 RAG용 문서 불러오기

RAG를 위한 PDF 파일 로딩

RAG를 위한 HTML 파일 로딩

텍스트 분할, 임베딩, 그리고 벡터 저장

텍스트 분할 시작하기

문서 재귀 분할

문서 임베딩 및 저장

LCEL 검색 체인 구축하기

Retrieval 프롬프트 만들기

Retrieval 체인 만들기

LangChain으로 RAG 애플리케이션 구축하기

Python 파일 불러오기, 의미 기반 분할, MRR 및 자기 쿼리 검색 방법 등 문서 로딩, 분할, 검색을 위한 최신 기법을 학습합니다. 강력한 지표와 프레임워크를 활용해 RAG 아키텍처를 평가하는 방법도 배워 보세요.

코드 파일 불러오기와 분할

코드 파일 불러오기

Python 파일 분할하기

고급 분할 기법

토큰 기준으로 분할하기

의미 기반 분할

문서 검색 최적화

옵션

희소(sparse)

밀집(dense)

희소(sparse) vs. 밀집(dense) 검색

BM25 이해하기

BM25를 활용한 희소 검색

RAG 평가 소개

Ragas 문맥 정밀도 평가

Ragas 신뢰도(faithfulness) 평가

문자열 평가

RAG 아키텍처 개선하기

그래프 데이터베이스와 그래프 기반 검색이 기존 벡터 기반 저장 및 검색 방식의 한계를 어떻게 극복하는지 알아봅니다.

벡터에서 그래프로

그래프 문서 만들기

그래프 익히기

문서 저장 및 쿼리

그래프 데이터베이스 확장하기

그래프 데이터베이스 질의하기

Graph RAG 체인 만들기

Graph RAG 시스템 여정

체인을 잇는 Graph RAG 방식!

그래프 검색 개선하기

필터링을 활용한 Graph RAG

Cypher 쿼리 검증하기

Cypher few-shot 프롬프트 만들기

축하합니다!

Graph RAG 입문

RAG Academic Paper PDF

RAG Workflow Python File

LangChain README Markdown

Chatbot Python File

DataCamp Blog HTML

LLM(대형 언어 모델)은 컴퓨터, 스마트폰, 소프트웨어 애플리케이션에 점점 더 많이 통합되고 있지만, 한 가지 한계가 있습니다. 학습 데이터에 의존하기 때문에 지식 업데이트가 느리고 비용이 많이 든다는 점입니다. 이 문제를 해결하는 것이 바로 RAG(검색 증강 생성)입니다! RAG를 활용하면 외부 데이터를 LLM과 통합할 수 있습니다. 이 과정에서는 외부 데이터를 불러오고, 처리하고, LLM에 제공하는 최신 기법을 학습합니다. 벡터 데이터베이스, 최신 LLM, 그리고 LangChain 프레임워크를 활용해 RAG 애플리케이션을 직접 구축해 보세요. 마지막 챕터에서는 그래프 데이터베이스를 사용해 더 신뢰할 수 있는 데이터 검색을 구현하는 Graph RAG를 다룹니다.

Developing LLM Applications with LangChain

LangChain을 사용하여 RAG로 외부 데이터를 LLM에 통합하는 최신 방법을 배워보세요.

LangChain을 활용한 RAG(검색 증강 생성)

LangChain을 활용한 검색 강화 생성(RAG)으로 외부 데이터를 대규모 언어 모델(LLM)과 통합하는 최신 기법을 익히세요.

LangChain으로 애플리케이션 개발하기

대부분의 벡터 요소가 0이 아니다

희소(sparse) vs. 밀집(dense) 검색

LangChain을 활용한 RAG(검색 증강 생성)

실습형 인터랙티브 연습문제