LLMs 소개
- LLMs 역사
- Transformers 작동 원리
- 다양한 타입의 LLMs
- LLMs의 한계
LLM 모델 선택
- LLM의 평가 방법
- 사용 사례에 따른 모델 선택
- Hugging Face Model Hub
- 실습: Open LLM Leaderboard
- 실습: Can you run it? LLM Version
Model Registries & Inference Services
- Cloudera AI Model Registry
- AI Inference Service
- 실습: Amazon Bedrock을 활용한 텍스트 요약
Prompt Engineering
- 프롬프트의 구성 요소
- Shot Prompting (예시 기반 프롬팅)
- 실습: Mistral을 활용한 프롬프트 엔지니어링
RAG (검색 증강 생성)
- Retrieval Augmented Generation (RAG)
- RAG 사용 사례
- 실습: 기업 데이터를 활용한 LLM 챗봇 강화
- 실습: NiFi, Pinecode, Llama2를 활용한 지능형 질의응답(QA) 챗봇 만들기
Fine Tuning
- Fine Tuning의 동기(이유)
- Fine Tuning의 기본 원리
Parameter Efficient Tuning
- Fine Tuning의 한계
- Parameter Efficient Tuning의 기본 원리
Fine Tuning a Foundation Model
- 양자화 (Quantization)
- Low Rank Adaptation
- 실습: QLoRA를 활용한 다중 작업용 파운데이션 모델 Fine Tuning
AI Agents
- AI Agents 소개
- AI Agent 아키텍쳐
- 실습: Crew AI를 활용한 에이전트 통합 관리
- LLMs 역사
- Transformers 작동 원리
- 다양한 타입의 LLMs
- LLMs의 한계
LLM 모델 선택
- LLM의 평가 방법
- 사용 사례에 따른 모델 선택
- Hugging Face Model Hub
- 실습: Open LLM Leaderboard
- 실습: Can you run it? LLM Version
Model Registries & Inference Services
- Cloudera AI Model Registry
- AI Inference Service
- 실습: Amazon Bedrock을 활용한 텍스트 요약
Prompt Engineering
- 프롬프트의 구성 요소
- Shot Prompting (예시 기반 프롬팅)
- 실습: Mistral을 활용한 프롬프트 엔지니어링
RAG (검색 증강 생성)
- Retrieval Augmented Generation (RAG)
- RAG 사용 사례
- 실습: 기업 데이터를 활용한 LLM 챗봇 강화
- 실습: NiFi, Pinecode, Llama2를 활용한 지능형 질의응답(QA) 챗봇 만들기
Fine Tuning
- Fine Tuning의 동기(이유)
- Fine Tuning의 기본 원리
Parameter Efficient Tuning
- Fine Tuning의 한계
- Parameter Efficient Tuning의 기본 원리
Fine Tuning a Foundation Model
- 양자화 (Quantization)
- Low Rank Adaptation
- 실습: QLoRA를 활용한 다중 작업용 파운데이션 모델 Fine Tuning
AI Agents
- AI Agents 소개
- AI Agent 아키텍쳐
- 실습: Crew AI를 활용한 에이전트 통합 관리
