최신 GenAI 강좌 공개: RAG++
케이스 스터디와 실습을 통해 하이브리드 검색과 LLM 컨텍스트 관리 같은 고급 RAG 기법을 탐구하세요. 코스에는 직접 RAG 시스템을 구축하고 실험할 수 있도록 코드 노트북과 Cohere 크레딧이 포함되어 있습니다. 이 글은 AI 번역본입니다. 번역 오류가 보이면 댓글로 알려주세요.
Created on September 12|Last edited on September 12
Comment
최신 강좌를 발표하게 되어 기쁩니다, RAG++ 현실 세계의 LLM 애플리케이션을 위해 프로덕션 수준의 RAG(Retrieval-Augmented Generation) 시스템을 구축하고 배포하는 데 필요한 실무 역량을 갖추도록 설계했습니다. 그리고 다른 모든 강좌와 마찬가지로, 완전히 무료입니다.
Register now
Weights & Biases의 업계 전문가들이 이끕니다. Cohere, 그리고 Weaviate이 강좌는 RAG의 기초부터 시작해 직접 고도화된 RAG 시스템을 구축하는 단계까지 차근차근 안내합니다. RAG 성능을 효과적으로 평가하는 방법, 검색 전략 최적화, 고급 프롬프트 작성, 비용 효율적이면서도 확장 가능한 LLM 애플리케이션 구축 방법을 배우게 됩니다. 아래는 각 챕터의 개요입니다:
다루는 RAG 기법
RAG++ 강좌는 성능이 뛰어난 RAG 시스템을 구축하는 데 필요한 핵심 역량을 제공합니다. 다음 내용을 배우게 됩니다:
- 견고한 평가 전략시스템의 효과를 정확히 측정하고 개선이 필요한 영역을 식별하세요.
- 효율적인 데이터 전처리 기법: 청킹과 메타데이터 관리 같은 기법으로 검색 속도와 정확도를 최적화하세요.
- 고급 쿼리 이해: 쿼리 분해와 같은 기법을 활용해 시스템이 사용자 의도를 정확하게 파악하도록 하세요.
- 하이브리드 검색과 벡터 데이터베이스Weaviate 같은 도구를 활용해 검색 성능과 확장성을 최적화하세요.
Cohere의 최첨단 언어 AI 플랫폼으로 구현된 코스용 실행 노트북을 활용하고, Cohere 크레딧을 통해 직접 RAG 시스템을 구축하고 테스트해 보세요.
사례 연구
Weights & Biases의 자체 챗봇인 Wandbot의 제작자이자 유지 보수 담당자에게서 직접 배우세요. 이들이 실제 RAG 시스템을 구축하며 얻은 경험을 바탕으로 생생한 인사이트를 공유합니다. 이 심층 사례 연구는 Wandbot의 설계 선택, 평가 지표, 반복적 개선 과정을 실용적인 관점에서 자세히 살펴봅니다. 실제 운영 환경에 투입할 수 있는 RAG 시스템을 구축·배포하는 과정에서 마주치는 과제와 그 해결책을 이해하고, 여러분의 RAG 프로젝트에 바로 적용할 수 있는 로드맵을 얻어 보세요.
이 코스가 완성된 모습에 매우 만족하며, 여러분의 의견을 듣고 싶습니다. RAG++는 본인의 속도에 맞춰 수강할 수 있고, 무엇보다 완전히 무료입니다.
Enroll now!
Add a comment