WEBVTT 00:00.470 --> 00:05.930 LM 엔지니어링으로 다시 오신 걸 환영합니다 벡터와 만나는 날이죠 00:05.930 --> 00:08.570 벡터 얘기를 너무 오래 했네요 00:08.600 --> 00:11.390 오늘은 실제로 갖고 놀 거예요 get it get it 00:11.540 --> 00:18.380 곧 주피터 연구소에 가서 그 덩어리를 만들 거예요 00:18.380 --> 00:24.320 오픈AI 엠베딩을 이용해 텍스트 덩어리로부터 벡터를 생성합니다 앞서 말씀드린 인코딩 00:24.320 --> 00:25.100 모델이죠 00:25.130 --> 00:31.460 유명한 오픈 소스 벡터 데이터베이스에 벡터들을 저장할 겁니다 크로마라고 하죠 00:31.640 --> 00:36.440 그런 다음 벡터들이 뭘 나타내는지를 시각화하는 거죠 get it 00:36.530 --> 00:41.150 벡터를 계속 갖고 노는 연습이 될 거예요 00:41.270 --> 00:48.140 벡터에 여러분만의 것을 입력해 보세요 텍스트를 숫자로 바꾸어 의미를 갖는다는 게 어떤 00:48.140 --> 00:52.430 것인지 더 나은 감각을 갖게 될 거예요 Get it 00:52.610 --> 00:56.660 잠시 이런 다양한 모델 유형에 관해 얘기할게요 00:56.810 --> 00:58.970 텍스트를 벡터로 바꾸는 방법이요 00:58.970 --> 01:03.080 우선 아주 간단한 방법이 있어요 01:03.350 --> 01:07.160 예를 들어 어휘를 생각해 보라고 하는 거죠 01:07.160 --> 01:10.190 가능한 단어를 하나씩 생각해 봐요 01:10.190 --> 01:15.260 여러분이 아는 단어 중 첫 번째가 개고 두 번째가 01:15.260 --> 01:16.730 고양이예요 01:17.270 --> 01:23.360 텍스트 블록을 하나 골라서 그 안에 있는 특정 단어의 횟수를 01:23.360 --> 01:24.860 세는 거예요 01:24.860 --> 01:30.890 예를 들어 dog라는 단어가 두 번 들어갔다면 첫 번째 장소에 2를 01:30.890 --> 01:33.320 넣고 캣은 한 번 넣어요 01:33.320 --> 01:36.320 그런 다음 해당 위치에 Put을 하는 거죠 01:36.320 --> 01:43.010 특정 유형의 단어 수를 세서 벡터로 입력하는 거죠 01:43.010 --> 01:44.660 아주 단순하죠 01:44.660 --> 01:50.840 단어가 배치된 순서를 반영하지 못해요 같은 단어인 Java가 커피콩이나 01:50.840 --> 01:56.120 프로그래밍 언어를 참조할 수 없다는 사실도요 01:56.120 --> 01:59.090 단어 개수만 세면 돼요 01:59.420 --> 02:01.430 그러니 좀 단순하죠 02:01.430 --> 02:04.670 다행히 더 진보된 방법이 있죠 02:04.700 --> 02:11.510 주목을 받은 것 중 하나는 2013년에 워드 2벡이라는 것이 등장했을 02:11.600 --> 02:22.550 때입니다 심층 신경망을 이용해 단어를 벡터로 변환할 수 있었죠 그 의미를 반영하는 방식으로요 02:22.550 --> 02:28.550 우리는 단어 2개를 통해 이런 얘기를 하기 시작했어요 킹에서 남자를 빼면 02:28.550 --> 02:30.470 여자가 퀸이 되죠 02:30.830 --> 02:34.970 버트는 제가 전에 말했던 모델이에요 02:35.000 --> 02:41.690 이건 변압기 모델로 구글이 논문을 발표한 직후에 만든 부호화 모델입니다 트랜스포머 02:41.690 --> 02:43.700 발명이었죠 02:43.760 --> 02:48.440 우리가 사용할 OpenAI 엠디딩은 OpenAI에서 온 거예요 02:48.440 --> 02:52.610 가장 최근 버전은 2024년의 업데이트예요 02:52.640 --> 02:57.470 텍스트를 숫자 벡터로 변환하는 데 사용할 수 있는 가장 02:57.500 --> 03:00.680 최신의 가장 훌륭한 모델이죠 03:01.760 --> 03:07.160 그럼 이제 채도에 대해 빠르게 이야기해 보고 다시 보도록 하죠. Get in the Cream 03:07.160 --> 03:14.290 채도는 벡터 데이터 저장소의 한 예인데요 03:14.290 --> 03:21.220 꽤 많이 있고, 메인 데이터베이스도 벡터를 찾고 검색하는 03:21.220 --> 03:23.020 것을 지원하죠 03:23.140 --> 03:28.690 많은 사람들이 NoSQL 데이터 스토어로 사용하는 몽고DB의 예는 벡터를 취하고 벡터 데이터베이스로 03:28.690 --> 03:29.950 작용할 수 있어요 03:29.950 --> 03:33.700 크로머는 무엇보다도 벡터 데이터베이스였어요 03:33.790 --> 03:37.120 이게 그 웹사이트예요 03:37.150 --> 03:46.570 보시다시피 옛날 맥 인터페이스보다 사진이 더 잘 나와요 03:46.780 --> 03:52.030 I 응용 프로그램에서 쿼리를 할 수 있고 여러 벡터에서 데이터를 검색할 03:52.030 --> 03:56.380 수 있고 그 데이터를 입력한 프롬프트와 큐리에 넣는 거죠. 03:56.380 --> 04:01.150 저번에 보여드린 다이어그램의 좀 더 화려한 버전이에요 04:01.510 --> 04:03.730 이쪽은 크로머예요 04:03.760 --> 04:06.460 벡터를 저장하기 위해 사용할 것들이죠 04:06.460 --> 04:08.740 잡담은 충분히 한 것 같네요 04:08.770 --> 04:13.570 JupyterLab을 get 할 때입니다 벡터를 먼저 사용할 때죠 04:13.600 --> 04:14.350 거기서 봐요