After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
LangChain 생태계에서 개발하기 위한 기초
LangChain의 생태계를 활용해 LLM 툴킷을 확장하고, OpenAI 및 Hugging Face 모델과의 원활한 통합을 구현하세요. 실제 환경의 애플리케이션을 최적화하고, 사용 사례에 맞는 정교한 정보 검색 시스템을 구축할 수 있게 해주는 오픈소스 프레임워크를 만나보세요.LangChain을 활용한 챗봇 제작 방법론
LangChain 도구를 활용하여 챗봇을 개발하고, HuggingFace의 오픈소스 모델과 OpenAI의 폐쇄형 모델 간의 미묘한 차이를 비교해 보세요. 복잡한 대화를 위한 프롬프트 템플릿을 활용하여, 고급 챗봇 개발의 기반을 마련하세요.LangChain을 사용한 데이터 처리 및 검색 증강 생성(RAG)
최적화된 데이터 검색을 위해 토큰화와 벡터 데이터베이스를 마스터하고, 풍부한 외부 정보로 챗봇 상호작용을 강화하세요. 다양한 활용 사례를 최적화하기 위해 RAG 메모리 기능을 활용하세요.고급 체인, 도구 및 에이전트 통합
체인, 도구, 에이전트, API, 그리고 지능형 의사결정의 힘을 활용하여 전체 엔드투엔드 사용 사례와 고급 LLM 출력 처리를 다루세요.디버깅 및 성능 지표
마침내 디버깅, 최적화, 성능 평가에 능숙해져, 챗봇이 오류 처리까지 고려해 개발되도록 하세요. 문제 해결을 위해 투명성을 한층 더하세요.사전 요구 사항
커리큘럼
코스 개요
1
LangChain 소개 및 챗봇 메커니즘
LLM 기반 애플리케이션을 위한 LangChain 프레임워크에 오신 것을 환영합니다! 모델, 체인, 에이전트, 프롬프트, 파서 등 LangChain의 핵심 구성 요소를 살펴보게 됩니다. Hugging Face의 오픈 소스 모델과 OpenAI의 상용 모델을 활용해 챗봇을 만들고, 프롬프트 템플릿을 작성하며, 대화 중 문맥과 리소스를 관리하기 위한 다양한 챗봇 메모리 전략도 통합해 볼 거예요.
2
체인과 에이전트
이제 LangChain 체인을 한 단계 업그레이드해 볼까요? LangChain Expression Language(LCEL)를 사용해 더 유연하게 체인을 정의하는 방법을 배웁니다. 구성 요소 간에 입력을 전달하는 순차 체인을 만들어 더 발전된 애플리케이션을 구현해 볼 거예요. 또한 의사 결정을 위해 LLM을 활용하는 에이전트 통합도 시작합니다.
3
Retrieval Augmented Generation (RAG)
LLM의 한계 중 하나는 특정 시점까지의 데이터로 학습되어 지식 컷오프가 존재한다는 점입니다. 이 장에서는 Retrieval Augmented Generation(RAG)을 사용해 외부 데이터를 LLM과 통합하는 애플리케이션을 만드는 방법을 배웁니다. RAG 워크플로에는 데이터 분할, 벡터 데이터베이스를 사용한 임베딩 생성 및 저장, 애플리케이션에서 활용할 가장 관련성 높은 정보 검색 등 여러 단계가 포함돼요. 전체 워크플로를 차근차근 익혀 마스터해 보세요!
LangChain으로 LLM 애플리케이션 개발하기
코스
완료
