커리큘럼

파트 7개약 13시간

• Part RAG 짚고 넘어가기
• Part 2 N8N으로 백터스토어 기반 검색 및 Retriever 활용 RAG 시스템 구축하기

  Ch 1 개념 및 워크플로우 설명

  • 1 Vector Store, Embedding과 Retrieval의 개념 이해
  • 2 워크플로우 구성 설명

  Ch 2 n8n을 활용하여 검색 챗봇 구성

  • 1 Credential셋팅 : google, openai 등
  • 2 워크플로우 연결하여 챗봇구성
  • 3 Tool : 웹 검색 및 메모리 활용

  Ch 3 기존 RAG구성

  • 1 구글 드라이브에 PDF 파일 업로드, QDRANT 벡터스토어 연결
  • 2 탐색 (Retriever) 활용으로 원하는 질문에 답변하기
• Part 3 Flowise로 텍스트 청크 분할 및 노드 구성 RAG 시스템 구축하기

  Ch 1 RAG 시스템 이해하기

  • 1 RAG의 비즈니스 활용 사례 소개

  Ch 2 Flowise 환경 구성

  • 1 Flowise 설치하기

  Ch 3 Flowise UI 익히기

  • 1 Flowise 인터페이스 소개
  • 2 주요 노드 유형 및 기능 이해하기

  Ch 4 데이터 준비 및 처리

  • 1 문서 업로드 및 전처리
  • 2 텍스트 파일 처리 및 청크 분할 전략
  • 3 웹 크롤링으로 데이터 수집하기

  Ch 5 벡터 데이터베이스 설정

  • 1 벡터 데이터베이스 개념 이해하기
  • 2 Flowise에서 Pinecone 연결하기
  • 3 무료 벡터 DB 대안 활용하기

  Ch 6 임베딩 및 검색 설정

  • 1 OpenAI 임베딩 모델 연결하기
  • 2 검색 노드 구성

  Ch 7 기본 질의응답 테스트

  • 1 단순 질의응답 테스트

  Ch 8 OpenAI Assistants 탐색

  • 1 OpenAI Assistants API 개요

  Ch 9 Google Notebook LM 탐색

  • 1 Google Notebook LM 소개
  • 2 Notebook LM으로 문서 요약 및 분석하기

  Ch 10 도구 비교 및 활용 전략

  • 1 Flowise, OpenAI, Google 도구 비교 분석
  • 2 사용 사례별 최적 도구 선택 가이드
• Part 4 Microsoft Azure AI Foundry로 RAG 기반 AI 애플리케이션 구축하기

  Ch 1 RAG, LLM 설명 및 Azure 클라우드 서비스 소개

  • 1 LLM 및 RAG 설명
  • 2 RAG 활용사례 소개
  • 3 클라우드 컴퓨팅 설명 및 Azure 소개
  • 4 Azure portal 둘러보기

  Ch 2 Azure AI Foundry 소개 및 개발에 필요한 리소스 생성

  • 1 Azure AI Foundry 설명
  • 2 Azure AI Foundry Project, Hub 생성 및 구독, 리소스 그룹 정보 설정
  • 3 Azure AI Foundry 실습
  • 4 문서 임베딩이 가능한 벡터 DB인 Azure AI Search 설명
  • 5 Azure AI Search 서비스 생성하기

  Ch 3 No Code로 RAG를 활용한 AI 애플리케이션 개발하기

  • 1 실습 시나리오 설명
  • 2 시스템 프롬프트 설정
  • 3 매게변수 설정
  • 4 LLM 동작 테스트
  • 5 모델 엔드포인트 설정, 데이터 추가 - 학습용 파일 업로드 및 Azure AI Search 연동
  • 6 Chat playground 기능 둘러보기 - 평가, 배포, 가져오기, 내보내기 등
  • 7 RAG 기반 AI 애플리케이션 답변 확인

  Ch 4 Azure Web App을 이용하여 AI 애플리케이션을 웹사이트로 배포

  • 1 Azure Web App 설명
  • 2 Managed Identity 소개 및 Managed Identity 설정, Azure Search 설정
  • 3 RBAC을 이용해 서비스간 권한 설정
  • 4 Azure Web App 배포하기
  • 5 배포된 웹사이트를 통한 RAG 기능 테스트
  • 6 강좌 마무리 및 학습내용 정리
• Part 5 Obsidian으로 아티클 자동 요약 및 키워드 검색 지식 관리형 RAG 시스템 구축하기

  Ch 1 Obsidian과 Smart Composer을 활용한 지식 관리형 RAG 시스템 구축

  • 1 Obsidian 알아보기
  • 2 Smart Composer 알아보기
  • 3 지식 베이스를 업그레이드해주는 태그와 폴더 구조
  • 4 실습 1 - Prompt Template로 웹 아티클 자동 요약하기
  • 5 실습 2 - Dataview를 통해 구조화된 지식 시스템 만들기
• Part 6 Dify로 노션 기반 FAQ 데이터 활용 고객 지원 AI 에이전트 구축하기

  Ch 1 Dify로 구현하는 AI 에이전트 기반 업무 자동화 시스템

  • 1 Step 1. 노션 FAQ를 활용한 고객 지원용 AI 챗봇 구축하기
  • 2 Dify 살펴보기 & 첫 번째 RAG 챗봇 만들기
  • 3 VectorDB 연동으로 챗봇에 지식 주입하기
  • 4 RAG 옵션 설정으로 더 정확한 챗봇 만들기
  • 5 RAG 챗봇 배포하기
  • 6 Step 2. 웹 리서치 자동화 시스템 구축하기
  • 7 바닥부터 만드는 Dify ‘리서치 에이전트’ 워크플로우
  • 8 토픽 별 분기로 리서치 에이전트 고도화하기
  • 9 Obsidian에 연결하기: Templater 플러그인을 통한 자동 노트 생성
• Part 7 N8N으로 이메일/캘린더 기반 일정 관리 AI 에이전트 구축하기

  Ch 1 텔레그램 비서 만들기

  • 1 Telegram Bot 생성 및 웹훅연결
  • 2 내말을 알아듣는 챗봇만들기
  • 3 이메일 워크플로우 연결
  • 4 캘린더 워크플로우 연결

  Ch 2 Rag 발전시키기

  • 1 로그 기록 롱텀 메모리 활용하기
  • 2 기존 Rag의 한계 : 데이터가 길어질 경우, 속도 및 성능 저하
  • 3 SQL Agent를 구성하여 구글 시트에서 정확하게 원하는 내용을 추출

  Ch 3 Debriefing

  • 1 정리 및 문제해결팁