Online.
고성능 RAG를 위한 66가지 최신 RAG 테크닉
(ft. Advanced RAG, Modular RAG)

할루시네이션 해결을 위한 현업의 최신 테크닉과 RAG 성능 개선 전략

LLM RAG Advanced RAG Modular RAG 성능 개선

01. 66가지 최신 RAG 테크닉

최신 논문을 분석하며 Advanced RAG, Modular RAG 포함 66가지 RAG 테크닉과 이를 조합하는 방법을 배웁니다.
02. 4가지 프로젝트로 배우는 최적의 RAG

4가지 프로젝트로 상황에 적합한 최신 RAG 테크닉을 실습하고, 현업에서 RAG 파이프라인을 구축할 때의 실무 전략을 배웁니다.
03. 단계별 성능 평가 & 최적화 전략

RAG 파이프라인의 단계별 성능 평가, 그리고 그 결과를 기반으로 한 단계별 성능 최적화 전략 수립 방법을 학습합니다.

기본 정보

· 5개 대주제, 약 29시간 분량
· 기초 개념 - 기초 실습 - 고급 개념 - 고급 프로젝트
· 개발 환경: Visual Studio Code
· 선수지식: LLM 기초, 파이썬 기초

강의 특징

· 수강료 1회 결제로 평생 소장

코스 프로모션 배너 전용입니다.

0일 0시간 0분 0초 코스 프로모션 배너 전용입니다.

(자동)

정가 ~~(자동)~~

할인 금액 (자동)

현재 판매가 (자동)

(자동)

* 12개월 무이자 할부 시

바로 구매하기

이 둘 사이의 간극을 만드는 것은,
테크닉의 유무입니다.

당신이 바라는 RAG 구현을 위해 필요한 주요한 4가지 포인트

Key Takeaways

4가지 포인트를 모두 학습 후 여러분들은!

데이터 특성과
목적에 따라 어울리는
RAG 테크닉과 그 조합을
찾아낼 수 있게 됩니다.
RAG 파이프라인의
각 단계의 성능을 평가
할 수 있게 됩니다.
성능 평가 결과에 따라
RAG 파이프라인을
최적화 할 수 있게 됩니다.

Naive RAG, LLM, 파이썬, LLM 기초, RAG, 텍스트 세그먼트, 파이프라인, 컨텍스트

잠깐! 이런 분들에게 추천합니다.

이번 강의는 쉽지 않습니다. RAG를 구축해본 경험이 있으신 분들,
특히 Naive RAG를 구축하며 그 한계를 실감하고 계신 현직자 분들께 추천드립니다.

최소 선수 지식 LLM 기초 지식, 파이썬 기초 활용 능력

Point 1

고성능 RAG 구축 뚝딱!
RAG의 대표 패러다임 & 66가지 테크닉, 개념 이해부터 조합까지.

RAG에는 세 가지의 대표 패러다임이 있으며, 이로부터 이미 수백가지의 테크닉이 파생되었습니다,
RAG가 낯선 분들을 위한 가장 기본적인 Naive RAG부터, 성능을 극도로 끌어올린 최신 패러다임 Modular RAG와 기타 최신 테크닉까지 학습해보세요.

RAG 구축 시작하기: Naive RAG

전통적인 검색 및 생성 방식을 취하는 가장 간단한 RAG 연구의 초기 방법론입니다.
낮은 검색 정확도, 응답 생성의 낮은 품질, 증강 과정의 어려움과 같은 단점이 있습니다.

단순한 검색 파이프라인을 구축할 땐
Naive RAG

데이터베이스, 임베딩 모델, 백터, Vector, index, llm, 인덱싱, rag, 증강모델, 생성, 검색

검색엔진, 인재 추천 시스템, 랭체인, Naive RAG, 코딩, 인풋, 추천 시스템

고급 RAG 구축의 첫걸음: Advanced RAG을 위한 19가지 테크닉

Advanced RAG는 기본 RAG의 단점을 보완하기 위해 고안된 방법론으로, 크게 검색 전 절차(Pre-Retrieval Process), 검색 후 절차(Post-Retrieval Process),
RAG 파이프라인 최적화(RAG Pipeline Optimization)의 3단계로 나누어볼 수 있으며 현업에서 RAG를 구축할 때 필수적으로 알아야 할 개념입니다.

검색 결과의 정확성을 개선할 땐
Advanced RAG

rag 성능 개선, RAG, Pre-Retrieval, rag 테크닉, LLM, 프롬프트, 하이브리드, 역추적, 쿼리

현존하는 RAG 테크닉 중 최고 효율: Modular RAG를 위한 41가지 테크닉

성능을 향상시키기 위해 유사성 식별을 위한 전용 검색 구성 요소와 같은 새로운 기능을 통합하고 목표에 따른 미세 조정을 통해 리트리버를 최적화한 테크닉입니다.
특히 모든 시스템 구성 요소에서 직렬 정보 처리와 원활한 엔드투엔드를 촉진하는 모듈식 RAG 전략의 채택이 증가하고 있습니다.

유사도 검색과 Retriever 성능을 개선할 때
Modular RAG

RAG, 모듈, Modular RAG, AdvancedRAG, 쿼리 변환, 쿼리 라우팅, 청크 최적화, 인덱스 구조화, 생성기, 순위 재배열, 스케줄링, 오케스트레이션

GPT-4, Llamalndex, Modular RAG, 성능 개선, 태스크 적용, 모듈, sql, 검색 모듈

개념이 어렵더라도 걱정하지 마세요.
적재적소에 RAG 테크닉을 실습하기 위한 4가지 프로젝트를 소개합니다.

오직 패스트캠퍼스에서만 만나볼 수 있는 최신 RAG 테크닉 강의입니다.
RAG의 3가지 대표적 패러다임은 물론, 학계에서 막 떠오른 최신 테크닉까지 만나보세요.

Point 2

4가지 프로젝트로 익히는 상황별 최적의 RAG 테크닉 활용법

오직 패스트캠퍼스에서만 만나볼 수 있는Advanced RAG 테크닉 강의입니다.
RAG의 3가지 대표적 패러다임은 물론, 학계에서 막 떠오른 최신 테크닉까지 만나보세요.

추천시스템, 임베딩 모델, 데이터베이스, 백터, llm, 쿼리, retrieval

| 심화 포인트
· Langchain을 사용하지 않고, 코딩으로만 Naive RAG를 구축해봅니다.
· Pinecone을 사용하여 지식 베이스를 구축해봅니다.

| 심화 포인트
뉴스 정리봇 만들기
· 엔티티 링킹, 엔티티 중심의 감성 분석을 구현하여 둘을 연결해봅니다.
· Reasoning Step, Few-shot Learning을 적용하여 프롬프트 엔지니어링으로 이벤트를 추출합니다.
· 데이터베이스에 뉴스 분석 결과를 적재하고 Streamlit으로 시각화하여 PoC 제품으로 만들어봅니다.
투자 어시스턴트 만들기
· SBERT 임베딩 로직을 구현해봅니다.
· LangChain Splitter로 문서를 청킹하고, LangChain Retriever로 검색을 구현합니다.
· BM25로 Keyword Search와 Symantic Search를 결합한 하이브리드 서치를 구현합니다.

| 단계별 실습 내용

Pre-Retrieval, Retrieval, Post-Retrieval, 성능 평가, 성능 최적화, 임베딩, 로직 구현, 검색기 튜닝, LLM

GPT-4, RAG 아키텍처, 인사 시스템, Llamaindex, pinecone

| 심화 포인트
· GPT-4와 LlamaIndex, Pinecone을 활용하여, 적절한 모듈러 패턴을 기반으로 Modular RAG 아키텍처를 구축합니다.
· 검색 모듈을 사용하여 SQL문을 생성하여 직원 정보를 검색합니다.
· 태스크 적응 모듈을 사용하여 Few-shot Prompt로 자기소개서를 평가합니다.

튜닝, 검색 파인튜닝, 생성 파인튜닝, 듀얼 파인튜닝, retrieval

위 프로젝트를 모두 끝내고 나면
실제 데이터와 사용 목적에 맞는 높은 성능의 RAG 파이프라인을 구성할 수 있습니다.

Point 3

RAG 성능 개선을 위한, 단계별 성능 평가와 최적화 전략 수립

RAG 파이프라인을 최적화하기 위해서는, 파이프라인의 각 단계에서 어떠한 모듈이 성능 저하를 일으키는지 성능 평가를 통해 파악하고 이에 걸맞는 최적화 전략을 수립하여야 합니다.
RAG 성능 평가 자동화부터 그 결과에 따른 단계별 최적화 전략을 깊이있게 알아봅니다.

rag 성능, 최적화 전략, rag 성능평가, 파이프라인, rag 파이프라인, auto-rag 모델, 최적화 전략

여기서 끝이 아니다!
오직 패캠에서만, ADVACED RAG 테크닉
완.전.정.복

Point 4

논문을 분석하며 배우는 6가지 최신 RAG 테크닉

2024년 학계에서 화제가 된 논문 6가지를 분석하며, 기존 RAG 테크닉의 단점을 보완한 신생 테크닉에 대해 알아봅니다.
비교적 유명한 SELF-RAG, CRAG부터 다른 어떤 강의에서도 다루지 않는 Multi-hop RAG, RAPTOR-RAG 등 최신 개념까지 만나보세요.

Point 5

현직의 데이터 & AI 전문가들이 알려주는 학계 최신 RAG 테크닉

현업에서 복잡한 RAG를 구축하고 계신 강사님들을 엄선하여 강의를 구성하였습니다.
신한은행, SK디스커버리, 마이크로소프트 등 대표 IT 기업 출신 강사진을 만나보세요.

정민수 님

l 경력
전) 신한은행 NLP 개발 
전) 크래프트테크놀로지스 NLP Researcher

AI 투자 스타트업과 시중 은행에서 쌓은 경험을 기반으로, 현업에서 고성능 RAG를 구축하는 방법을 알려드리겠습니다.

곽기은 님

l 경력
현) SK디스커버리 Data Scientist
전) MunichRe Data Scientist

AI 시대에서 중요 역량이라는 기준은 늘 변하고 있습니다만, 아직까지 불변하고 있는 것도 있다고 생각합니다.
그 것은 새로운 기술에 대한 관심과 활용능력입니다. 그 불변의 능력을 드리겠습니다! 화이팅!!

서지영 님

l 경력
현) Microsoft Data&AI Specialist 
전) 한국은행 Data

LLM을 알고자 하지만, 어디서부터 시작해야 좋을지 모르시는 분들을 위해, 개념적인 부분부터 실습까지
파이썬 코드를 보여드리면서 개념들이 실제로 어떻게 활용되는지 알려드리겠습니다.

Q&A

강사님과 AI가 답변하는
질의응답 게시판

① 실습 중 에러가 나면? 질의응답 채널을 통해 빠른 해결!
② 강의를 듣다가 이해되지 않는 부분이 생기면 바로 질문하세요!

* 본 채널은 2024.5.24 ~ 2027.5.20 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.

상세 커리큘럼

* 파트 1, 4의 경우 [9개 프로젝트로 완성하는 AI/LLM 서비스 개발: 프롬프트 엔지니어링부터 RAG까지] 강의의 Part 7, Part 10 동일한 영상입니다.
*파트 2의 경우 [벡터DB로 구현하는 LLM 기반 검색 엔진 & 유사 상품 추천 시스템 (ft. Pinecone & Langchain)] 강의의 Part 4와 동일한 영상입니다.

Part 1. RAG 기초 이론 & 실습

1.기업은 왜 챗GPT 서비스를 사용할 수 없나?

• 챗GPT 서비스의 제약
• 기업에서 챗GPT를 안전하게 사용할 수 있는 방법은?

2.RAG 개요

• 파인튜닝 개요
• RAG 개요
• RAG는 언제 사용하는가?
• RAG 구현시 데이터 흐름

3.청킹(Chunking)

• 청킹 개념
• 청킹 유형 및 고려사항

4.검색 유형 및 방법

• 검색 유형
• 검색 방법

5.벡터 데이터베이스

• 벡터 데이터베이스 개념
• 벡터 데이터베이스 유형
• 벡터 데이터베이스 사용 방법

6.LLM에서 사용하는 벡터 검색

• 벡터 데이터베이스 검색
• 벡터 데이터베이스 인덱스
• Reranking

7.RAG 구현시 고려사항

• 답변 속도 및 정확도
• 개인정보 필터링 및 모티터링

8.RAG 간단한 실습

• RAG 기반의 챗봇 만들기
• RAG 기반의 챗봇 애플리케이션 만들기

Part 2. Naive RAG로 인재 추천 시스템 만들기

01. VectorDB Overview

· 개요
· Indexing
· Querying
· 사용 가능 Vector DB 리스트
· 사용 가능 Vector DB 리스트
· Pinecone을 활용한 Indexing & Searching

02. LLM Architecture

• RAG 기반의 챗봇 만들기
• RAG 기반의 챗봇 애플리케이션 만들기

03. Pinecone을 활용한 인재 추천 시스템 만들기

· Search 및 사용자 인풋 정의

Part 3. 고성능 RAG를 위한 최신 테크닉

01. 강의 개요

· 강의 개요

02. Modular RAG

• - 효율적인 RAG 아키텍쳐 - modular RAG

03. 다양한 RAG 테크닉

· reflection token을 사용하는 self rag (이론)
· 정보를 한 번 더 검토하는 Corrective rag (이론)
· 정보를 한 번 더 검토하는 Corrective rag (실습)
· 정보의 구조화, Tree rag (이론)
· 정보를 re-group하는 Raptor rag (이론)
· 정보를 re-group하는 Raptor rag (실습)
· 질문의 수준에 따라 , adaptive rag (이론)
· multi doc retrieval benchmark, multi-hop rag (이론)

Part 4. Advanced RAG로 실시간 뉴스 정리봇 만들기

1.Intro

• 강의 개요
• 프로젝트 아키텍처 설명
• 프로젝트 환경 설정

2.Named Entity Recognition

• 엔티티 정의
• 개체명 인식 (Named Entity Recognition)
• 분류 기반의 개체명 인식기 (spaCy)
• 생성 기반의 개체명 인식기 (LLM)

3.Entity Linking

• 엔티티 링킹 (Entity Linking)
• 다양한 기업 표현 확인하기
• Wikification
• 엔티티 링킹 구현하기

4.Aspect-based Sentiment Analysis

• 감성분석 소개
• 분류 기반의 감성 분석
• 생성 기반의 감성 분석
• 감성 분석 soft-labeling
• 엔티티 중심의 감성 분석 구현하기
• 엔티티 링킹과 감성 분석 연결하기

5.실시간 파이프라인 구축

• 아키텍처 설명
• 실시간 뉴스 수집
• MongoDB 데이터베이스 설치하기
• 분석 파이프라인 만들기
• 데이터베이스에 결과 적재하기

6.Streamlit을 사용한 대쉬보드 제작

• 시각화 프로덕트 소개
• Streamlit 기능 소개
• Streamlit 시각화 페이지 설계
• Streamlit 대쉬보드 제작하기

7.요약&이벤트 추출 Intro

• 강의 개요
• 프로젝트 아키텍처 설명

8.뉴스 카테고리 분리하기

• 뉴스 카테고리 분류 체계
• 뉴스 API 를 이용한 실시간 뉴스 수집
• 뉴스 메타 정보 추출하기

9.기업 공시 정보 분석하기

• 미국 증권거래위원회 (SEC) 소개
• SEC 공시 정보 파싱하기
• 공시텍스트 메타 정보 추출하기
• 한국 전자공시시스템 DART 소개

10.프롬프트엔지니어링을 활용한 요약 및 이벤트 추출

• 아키텍처 설명
• 뉴스 카테고리 분류 프롬프트 엔지니어링
• 공시 카테고리 분류 프롬프트 엔지니어링
• 이벤트 추출 프롬프트 엔지니어링
• Reasoning step을 적용한 프롬프트 엔지니어링
• Few-shot Learning을 이용한 프롬프트 엔지니어링

11.PoC 제품화하기

아키텍처 설명
• 분석 파이프라인 만들기
• 데이터베이스에 결과 적재하기
• Streamlit 시각화 페이지 설계
• Streamlit 대쉬보드 제작하기

Part 5. Retriever로 투자 어시스턴트 만들기

1.Intro

• 프로젝트 목표 확인
• 문제 조건 확인

2.챗봇 프롬프트 엔지니어링

• 챗봇 페르소나 설명
• 페르소나 프롬프트 작성
• 혐오표현 방지 프롬프트 작성
• 보안 프롬프트 작성

3.RAG 아키텍처 소개

• 아키텍처 설명
• LangChain 프레임워크 소개

4.벡터 검색 구현하기

• 임베더 개념 설명
• API 기반 문서 임베딩
• PyPDF 기반 PDF 문서 파싱
• LangChain Splitter 문서 쪼개기
• LangChain Retriever 검색 구현
• 단어 기반의 검색 알고리즘 설명
• BM25를 결합한 하이브리드 서치 구현
• 검색 성능 평가

5.RAG 아키텍처 구현하기

• 아키텍처 설명
• RAG 프롬프트 엔지니어링
• RAG 코드 구현하기
• LLM 분석루프 추가하기
• 비정형/정형 데이터 기반의 RAG 구현하기

6. 온프레미스 RAG 구현하기

• 아키텍처 설명
• SentenceTransformers 사용하기
• SBERT 모델 선정하기
• SBERT 임베딩 로직 구현하기
• Huggingface sLLM 사용하기
• Huggingface Transformers 라이브러리 설명
• sLLM을 활용한 문장 생성
• sLLM을 활용한 RAG 아키텍처 구현
• 실시간 온프레미스 환경 구축하기
• Streamlit 채팅 데모 구현하기

Part 6. Modular RAG로 인사 시스템 만들기

1. 강의 개요

• 강의 개요

2. 프로젝트 개요

• 프로젝트 아키텍처 수립
• 데이터베이스 구조 수립

3. 검색 및 평가 기능 구현하기

• SQL 생성 프롬프트 엔지니어링
• SQL 조회 결과를 활용한 답변 생성
• 자기소개서 평가 구조 설명
• 분류 프롬프트 작성
• 분류 프롬프트 검색 기능 구현
• 프롬프트를 활용한 개인정보 비식별화
• 프롬프트를 활용한 자기소개서 평가

상세 커리큘럼 보기

학습규정 * 본 상품은 동영상 형태의 강의를 수강하는 상품입니다.
* 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
* 파트 1, 4의 경우 [9개 프로젝트로 완성하는 AI/LLM 서비스 개발: 프롬프트 엔지니어링부터 RAG까지] 강의의 Part 7, Part 10 동일한 영상입니다.
*파트 2의 경우 [벡터DB로 구현하는 LLM 기반 검색 엔진 & 유사 상품 추천 시스템 (ft. Pinecone & Langchain)] 강의의 Part 4와 동일한 영상입니다.

총 학습기간:
– 정상 수강기간(유료 수강기간) 최초 1개월 (30일), 무료 수강 기간은 31일 일차 이후로 무제한이며, 유료 수강기간과 무료 수강기간 모두 동일하게 시청 가능합니다.
– 본 패키지는 약 29시간 분량으로, 일 1시간 내외의 학습 시간을 통해 정상 수강 기간(=유료 수강 기간) 내에 모두 수강이 가능합니다.
– 수강시작일: 수강 시작일은 결제일로부터 기간이 산정되며, 결제를 완료하시면 마이페이지를 통해 바로 수강이 가능합니다. (사전 예약 강의는 1차 강의 오픈일)
– 패스트캠퍼스의 사정으로 수강시작이 늦어진 경우에는 해당 일정 만큼 수강 시작일이 연기됩니다.

주의사항 – 상황에 따라 사전 공지 없이 할인이 조기 마감되거나 연장될 수 있습니다.
– 천재지변, 폐업 등 서비스 중단이 불가피한 상황에는 서비스가 종료될 수 있습니다.
– 본 상품은 기수강생 할인, VIP CLUB 제도 (구 프리미엄 멤버십), 기타 할인 이벤트 적용이 불가할 수 있습니다.
– 커리큘럼은 제작 과정에서 일부 추가, 삭제 및 변경될 수 있습니다.
– 쿠폰 적용이나 프로모션 등으로 인해 5만원 이하의 금액으로 강의를 결제할 경우, 할부가 적용되지 않습니다.

환불규정 – 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 쿠폰을 사용하여 강의를 결제하신 후 취소/환불 시 쿠폰은 복구되지 않습니다.

– 수강시작 후 7일 이내, 5강 미만 수강 시에는 100% 환불 가능합니다.
– 수강시작 후 7일 이내, 5강 이상 수강 시 전체 강의에서 수강한 강의의 비율에 해당하는 수강료를 차감 후 환불 가능합니다.

– 수강시작 후 7일 초과 시 정상 수강기간 대비 잔여일에 대해 아래 환불규정에 따라 환불 가능합니다.
환불요청일 시 기준
: 수강시작 후 1/3 경과 전, 실 결제금액의 2/3에 해당하는 금액 환불
: 수강시작 후 1/2 경과 전, 실 결제금액의 1/2에 해당하는 금액 환불
: 수강시작 후 1/2 경과 후, 환불 금액 없음

* 보다 자세한 환불 규정은 홈페이지 취소/환불 정책에서 확인 가능합니다.

패스트캠퍼스 아이디 공유 금지 정책 안내 [패스트캠퍼스 아이디 공유 금지 정책]
패스트캠퍼스의 모든 온라인 강의에서는 1개의 아이디로 여러명이 공유하는 형태를 금지하고 있습니다.
동시접속에 대한 기록은 내부 시스템을 통해 자동으로 누적되며, 이후 서비스 이용이 제한될 수 있습니다.

[기기제한 정책]
패스트캠퍼스 온라인 강의 시청을 위해서는 ID별 최대 3개의 기기를 등록할 수 있으며, 기기 등록은 온라인 강의장 접속 시 자동 등록됩니다.
최대 갯수를 초과하였을 경우 등록된 기기 해제가 필요합니다.

[저작권 정책]
패스트캠퍼스의 모든 강의는 무단 배포 및 가공하는 행위, 캡쳐 및 녹화하여 공유하는 행위, 무단으로 판매하는 행위 등 일체의 저작권 침해 행위를 금지합니다.
부정 사용이 적발될 경우 저작권법 위반에 의한 법적인 제재를 받으실 수 있습니다.

기본 정보

강의 특징

데이터 특성과 목적에 따라 어울리는 RAG 테크닉과 그 조합을 찾아낼 수 있게 됩니다.

RAG 파이프라인의 각 단계의 성능을 평가 할 수 있게 됩니다.

성능 평가 결과에 따라 RAG 파이프라인을 최적화 할 수 있게 됩니다.

정민수 님

곽기은 님

서지영 님

상세 커리큘럼

1.기업은 왜 챗GPT 서비스를 사용할 수 없나?

2.RAG 개요

3.청킹(Chunking)

4.검색 유형 및 방법

5.벡터 데이터베이스

6.LLM에서 사용하는 벡터 검색

7.RAG 구현시 고려사항

8.RAG 간단한 실습

01. VectorDB Overview

02. LLM Architecture

03. Pinecone을 활용한 인재 추천 시스템 만들기

01. 강의 개요

02. Modular RAG

03. 다양한 RAG 테크닉

1.Intro

2.Named Entity Recognition

3.Entity Linking

4.Aspect-based Sentiment Analysis

5.실시간 파이프라인 구축

6.Streamlit을 사용한 대쉬보드 제작

7.요약&이벤트 추출 Intro

8.뉴스 카테고리 분리하기

9.기업 공시 정보 분석하기

10.프롬프트엔지니어링을 활용한 요약 및 이벤트 추출

11.PoC 제품화하기

1.Intro

2.챗봇 프롬프트 엔지니어링

3.RAG 아키텍처 소개

4.벡터 검색 구현하기

5.RAG 아키텍처 구현하기

6. 온프레미스 RAG 구현하기

1. 강의 개요

2. 프로젝트 개요

3. 검색 및 평가 기능 구현하기

데이터 특성과
목적에 따라 어울리는
RAG 테크닉과 그 조합을
찾아낼 수 있게 됩니다.

RAG 파이프라인의
각 단계의 성능을 평가
할 수 있게 됩니다.

성능 평가 결과에 따라
RAG 파이프라인을
최적화 할 수 있게 됩니다.

root layout

고성능 RAG를 위한 66가지 최신 RAG 테크닉 (ft. Advanced RAG, Modular RAG)