0. AI개발 학습방법
LLM 시대, LangChain(랭체인)으로 배우는 AI 소프트웨어 개발
이번에는 LLM을 활용한 AI기반 소프트웨어 개발을 하는 방법을 배우는 강좌입니다.
LLM은 생성형 AI시대에 빠질 수 없는 기술로서 소프트웨어 개발 방식을 크게 바뀌고 있으며, 모든 영역에서 응용이 가능한 지적 엔진으로서 진화하고 있습니다. LangChain 프레임워크를 사용하여 RAG(검색증강생성)을 구현하거나 멀티에이전트 시스템 구축을 하면 LLM의 가능성이 더 커집니다.
LLM을 사용하기 위해서는 Transformer의 구조, 학습프로세스, 프롬프트 엔지니어링 등 기본 지식을 알고 있어야 하는 것이 필수적이며, 이 강좌에서는 이런 기술을 가볍게 설명하며, Llama 3 오픈소스 LLM을 설명합니다. 또한, Python기반 예제로 구성하였고 OpenAI, Gemini API등을 이용하고 LangChain, LangGraph를 이용한 개발 방법을 소개합니다.
이 강좌에서는 LLM 구조, LangChain이나 LangGraph를 활용한 애플리케이션 개발, 멀티모달 RAG나 멀티에이전트 시스템의 개발 방법을 소개합니다.
다만, PyTorch, TensorFlow와 같은 프레임워크 사용법, LLM의 구현방법, GPU(Graphics Processing Unit)의 활용방법, 학습 방법에 대해서는 다루지 않이며, LLM 내부 구현이나 학습 파이프라인 구축에 대해서는 다루지 않습니다.
☞ 사전 기술 전제조건
Python 기본문법
Python 환경 구축 방법
☞ 대상 독자
LLM을 활용하여 AI 애플리케이션을 개발하고 싶은 개발자
AI 애플리케이션 개발 방법을 LangChain으로 하고 싶은 개발자
☞ 대응 동작환경
macOS Sonoma + Python 3.11.10 이상
Windows 11 Home + Python 3.13.1 이상
☞ 목차
1장 Transformer
2장 학습
5. 지시튜닝 (Instruction Tuning)과 RLHF(Reinforcement Learning from Human Feedback)
7. 오차 역전파법 (Backpropagation)과 학습과정에서 발생하는 문제
3장 프롬프트 엔지니어링
8. Zero-Shot 프롬프팅과 Few-Shot 프롬프팅
11. RAG (Retrieval Augmented Generation, 검색증강생성)
4장 언어모델 API
5장 LLM 프레임워크 - LangChain
6장 멀티에이전트 프레임워크 - LangGraph
7장 애플리케이션
이 강좌의 구성은 아래와 같이 학습방향을 제시합니다.
위 그림처럼 화살표는 기초와 기반기술을 의미하며 흐름에 따라 각 장별로 구성했지만 각 장의 내용은 독립적으로 구성하여 하나씩 개별적으로 읽어도 문제는 없습니다. 필요에 따라, 기초 및 기반 기술은 참고만 하고, LangChain 사용법만 빠르게 익히고 싶은 독자는 5장부터 시작해도 됩니다.
1장 Transformer
이 장은 LLM의 작동원리를 이해하는데 중점을 두며, LLM의 핵심인 뉴럴 네트워크 아키텍처인 Transformer를 다룹니다.
2017년 발표된 오리지널 Transformer 아키텍처
2024년에 나온 Llama 3 LLM 설명
이미지나 음성을 다루는 멀티모달 LLM, 토크나이저, 토큰 샘플링 기법
Transformer의 내부구조를 이해하면, 단순히 LLM을 사용하는 것을 넘어서 그 성능을 극대화할 수 있습니다.
2장 학습
이 장에서는 Transformer의 파라미터를 최적의 값으로 설정하기 위한 학습과정을 설명합니다.
사전학습과 지시튜닝, RLHF(Reinforcement Learning from Human Feedback)와 같은 파인튜닝 기법
공통적으로 활용되는 경사하강법 및 역전파 알고리즘 등 머신러닝의 기본 원리
학습 중 발생하는 문제점 및 일반적인 해결방법
Transformer 아키텍처의 파라미터가 실제로 어떻게 조정되는지에 대한 의문을 해소하며 효과적인 모델학습방법을 이해할 수 있습니다.
3장 프롬프트 엔지니어링
LLM으로부터 보다 우수한 결과를 도출하기 위한 프롬프트 엔지니어링 기법을 소개합니다.
ChatGPT와 같은 LLM 및 이를 다루기 위한 라이브러리 LangChain 효과적 사용법
라이브러리 내부에서 활용되는 기법 설명
동적 지식 확장을 위한 RAG(검색증강생성)
에이전트 구현을 위한 유망한 기법인 ReAct와 Reflexion
적절한 프롬프트 설계는 LLM의 성능을 극대화하는 핵심기술이며, 이를 통해 다양한 실무응용이 가능합니다.
4장 언어모델 API
이번 장에서는 LLM을 활용하기 위한 API에 대해 다룹니다.
OpenAI API, Anthropic API, Gemini API등 주요 API 소개
각 API의 공통점과 차이점 분석
API의 본질적인 특성을 이해하면 개발자는 다양한 API를 상황에 맞게 선택하고 활용할 수 있습니다.
5장 LLM 프레임워크 <LangChain>
LLM의 기능 확장을 위한 프레임워크로 LangChain을 중심으로 설명합니다.
LangChain 소개 및 활용법
LangChain 전용언어 LCEL(LangChain Expression Language)에 대한 설명
LangChain을 활용한 구조화된 출력도출방법, 도구 연계, RAG활용, AI에이전트 구축방법
예제와 같이 LangChain 주요 기능을 학습함으로써, 실제 프로젝트에 적용가능한 능력을 키웁니다.
6장 멀티 에이전트 프레임워크 <LangGraph>
여러 AI 에이전트를 활용한 시스템 구축을 위한 멀티 에이전트 프레임워크 LangGraph를 다룹니다.
LangChain 사용법과 멀티 에이전트 시스템의 기본 아키텍처 소개
각 아키텍처의 응용 사례 (LangGraph를 활용한 에이전트기반 개발팀 구축)
복수의 AI 에이전트를 연계하여 복잡한 시스템을 설계하는 방법을 이해함으로써 보다 진보된 AI기반 시스템 구축이 가능하게 됩니다.
7장 애플리케이션
이번 장에서는 앞에서 배운 이론과 기술을 실제 애플리케이션 개발에 적용하는 방법을 다룹니다.
멀티모달 쳇봇 개발
퀴즈 생성 시스템 구축
실무에 바로 적용할 수 있는 LLM 활용 사례를 통해 학습한 기술들을 실무에 응용할 수 있는 방법을 소개합니다.
©2024-2025 GAEBAL AI, Hand-crafted & made with Damon Jaewoo Kim.
GAEBAL AI 개발사: https://gaebalai.com
AI 강의 및 개발, 컨설팅 문의: https://talk.naver.com/ct/w5umt5
