You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 

205 lines
6.2 KiB

WEBVTT
00:01.040 --> 00:07.850
지난주에는 코드를 60,000배나 빠르게 만드는 모델로 작업했는데 정말
00:07.850 --> 00:08.960
굉장했죠
00:08.990 --> 00:13.130
깊은 인상을 받았길 바라요 저도 그랬거든요 이번 주말에는
00:13.130 --> 00:17.150
더 깊은 인상을 받길 바라요 제가 준비한 걸 보면요
00:17.180 --> 00:20.330
걸레 회수 작업이군요
00:20.330 --> 00:25.850
이미 가능한 증강세대 기술은 개척자 모델이나 얼굴 트랜스포머를 껴안는
00:25.880 --> 00:27.200
코드였죠
00:27.200 --> 00:32.660
프로젝트에 맞는 LLM을 선택하고 코드를 생성하는 솔루션을 빌드하세요
00:32.690 --> 00:38.480
오늘은 걸레 회수 증강세대의 원대한 아이디어에 대해 배울 거예요
00:38.480 --> 00:43.520
그 전에 Rag와의 상호 작용을 살펴볼 거예요 그리고 Rag에 숨은
00:43.520 --> 00:48.440
작은 아이디어에 대해서도 얘기할 겁니다 사실 꽤 명백하죠
00:48.470 --> 00:50.960
사실 이미 생각해 두셨을 수도 있죠
00:51.230 --> 00:55.520
그런 다음 작은 아이디어를 이용해 래그의 장난감 버전을 구현할 거예요
00:55.520 --> 00:57.410
어떻게 작동하는지 감이 잘 와요 Get it
00:57.410 --> 01:00.050
다음 주 전에 진짜 일을 할 거예요
01:00.080 --> 01:03.610
우선 누더기에 대한 직감부터 말씀드릴게요
01:03.610 --> 01:09.340
모델에 보내는 정보인 프롬프트를 강화함으로써 모델의 성능을 강화할 수 있다는
01:09.340 --> 01:10.750
건 이미 확인했죠
01:10.750 --> 01:12.310
여러 가지 방법으로 그렇게 했어요
01:12.310 --> 01:18.790
멀티샷 프롬프팅을 이용해 모델에 일련의 질문과 답을 예로 보냈는데요
01:18.790 --> 01:26.290
도구를 사용해 LLM이 우리 코드로 다시 호출해 응답을 보충하거나 작업을 수행하는
01:26.290 --> 01:30.250
데 사용되는 코드를 실행했어요
01:30.250 --> 01:36.970
LLM에 보내는 것의 일부로 추가적인 컨텍스트를 제공하는 다른 방법도 있었습니다 시스템 프롬프트를
01:36.970 --> 01:38.200
포함해서요
01:38.290 --> 01:48.100
그래서 이 아이디어를 새로운 단계로 끌어올릴 수 있을지 고민했죠 프롬프트에 좀 더 구체적인 정보를
01:48.370 --> 01:49.840
제공하면서요
01:49.840 --> 01:53.470
현재 당면한 문제와 특히 관련이 있죠
01:53.500 --> 02:00.760
그래서 때로는 정보 데이터베이스를 만들기도 합니다. 왜냐하면 이건 지식 데이터베이스니까요.
02:00.760 --> 02:04.240
지식 기반으로 알려져 있죠. 지식 기반이요.
02:04.540 --> 02:11.950
사용자가 질문을 할 때마다 그 지식 기반에서 먼저 살펴봅니다 우리가
02:11.950 --> 02:15.970
빼낼 수 있는 관련 정보가 있는지요
02:15.970 --> 02:21.280
있다면 프롬프트에 입력하면 됩니다 모델에 프롬프트로 전송되죠
02:21.310 --> 02:22.510
그게 다예요
02:22.540 --> 02:27.340
사실 아주 간단한 아이디어입니다 아마 여러분도 이미 생각해두셨겠죠
02:27.340 --> 02:29.020
아까 연습할 때요
02:30.100 --> 02:36.910
그럼 다이어그램에서 get 뒤에 있는 작은 아이디어를 보여드리죠 나중에 더 큰 아이디어로
02:36.910 --> 02:41.830
갈 거라고 약속드립니다 덜 명확해지고 더 의미 있어지는 거죠
02:41.830 --> 02:47.290
하지만 여기서 우리가 하려는 말은 사용자가 질문을 하는 것부터 시작하자는 거죠
02:47.290 --> 02:51.220
코드로 오면 보통은 그걸 바로 LLM으로 보내죠
02:51.220 --> 02:56.920
하지만 그 전에 기술 기반에서 관련 배경 정보가 있는지 쿼리를
02:56.920 --> 02:58.210
해요
02:58.210 --> 03:02.890
그런 경우 해당 정보를 추출해 프롬프트에 포함시키죠
03:02.920 --> 03:08.470
LM을 보내면 당연히 응답이 돌아오죠 늘 그렇듯이요 하지만 이 추가 컨텍스트를
03:08.500 --> 03:09.940
고려하면 좋겠네요
03:09.940 --> 03:12.880
그게 사용자에게 돌아가는 거죠
03:13.030 --> 03:17.050
랙에 담긴 아이디어는 그게 다예요
03:17.980 --> 03:23.500
이제 작은 아이디어의 작은 예로 이걸 작동시켜 볼게요.
03:23.680 --> 03:27.670
보험 기술 신생 기업에서 일한다고 가정해 보죠
03:27.670 --> 03:35.080
가짜 기술 회사인 보험 신생 기업이 될 거예요 보험이란 단어가 인보어죠
03:35.080 --> 03:40.270
LM을 한데 뭉쳐서요 그게 제 창의력의 한계죠
03:40.630 --> 03:48.250
폴더 형태의 지식 기반은 회사의 공유 드라이브에서 가져온 거죠
03:48.250 --> 03:55.780
공유 드라이브의 전체 콘텐츠죠 인공지능 지식 작업자를 만드는 게 우리 작업이에요
03:55.780 --> 04:00.460
지식 노동자라는 표현은 때때로 회사에서 일하는 사람을
04:00.460 --> 04:08.340
뜻하기도 합니다 전문가로서 회사의 정보를 분석하고 질문과 답을 수행하는 사람이죠
04:08.340 --> 04:12.630
LLM으로 할 수 있는 거죠
04:12.630 --> 04:16.920
지식 기반의 정보로 보충할 수 있어요
04:17.430 --> 04:22.110
장난감 구현을 해볼게요 둔기요
04:22.350 --> 04:28.170
기본적으로 이 파일들을 읽어볼 거예요 제품과 직원들
04:28.170 --> 04:30.780
사전처럼 저장할 거예요
04:30.780 --> 04:36.360
질문이 들어올 때마다 해당 단어나 직원의 이름이 질문 어딘가에
04:36.360 --> 04:38.610
나오는지를 찾아보죠
04:38.610 --> 04:42.750
만약 그렇다면 전체 직원 기록을 프롬프트에 밀어넣을 거예요
04:42.750 --> 04:48.210
일종의 매뉴얼, 무식한 Rag 구현이죠 막후에서 어떻게 작동하는지
04:48.210 --> 04:49.950
좋은 감각을 제공해요
04:49.950 --> 04:52.350
마술이 없다는 걸 보여줄 거예요
04:52.380 --> 04:55.500
모델의 성능을 즉시 향상시켜주죠
04:55.500 --> 04:58.770
Get 절차가 끝나면 더 신나는 걸 할 거예요
04:58.770 --> 05:03.000
하지만 지금은 주피터랩에 가서 직접 천을 만들어 보죠