AS IS -> TO BE

목차0. 들어가며1. 7개 에이전트(agent)의 협업 - Week 8에서 만들려는 에이전트 시스템2. 파인튜닝 모델을 클라우드 GPU에서 실행 - Modal 이용3. 잠깐 떴다 사라지는 앱에서 배포된 서비스로 - 파인튜닝 모델 서비스화4. 첫 번째 에이전트 - SpecialistAgent, 그리고 전처리가 필요한 이유5. 학습이 아니라 추론(inference)에서 승부 - 상품 80만 개를 벡터 DB로6. 두 번째 에이전트 - GPT-5.1에게 RAG를 통해 비슷한 상품 5개를 쥐여주기7. 세 번째 에이전트와 앙상블 에이전트 - 셋을 섞으면 정말 더 좋아질까마무리 - 성적표가 또 뒤집혔다0. 들어가며지난 글(글 16)에서 나온 가격 예측 모델 성능 비교는 꽤 놀라웠다.3B(30억) 파라미터짜리 오픈소스..

목차들어가며1장. 학습을 좌우하는 5개 하이퍼파라미터2장. 잠깐 복습 — QLoRA 5개 하이퍼파라미터3장. 학습은 실제로 어떻게 일어나는가 — 학습 4단계와 backpropagation4장. SFTTrainer로 실제 학습 돌리기 — 그리고 wandb 곡선 읽기5장. 오버피팅 관찰기 — train loss가 좋아 보일 때가 더 위험하다6장. LLM은 "숫자를 빼지 않는다" — cross-entropy와 128k 확률분포7장. 최종 평가와 전체 성적표 — 작은 모델이 프론티어를 이긴다마무리 — 파인튜닝은 만능인가 들어가며지난 글(글 15)에서는 실제 모델 학습을 거의 하지 않았다.대신 모델 학습을 시작하기 전에 알아야 할 것들을 파악해보는 시간을 가졌다.- 왜 3B(30억) 파라미터를 그냥 학습할 수 ..

목차들어가며1. 이번엔 오프소스 모델을 직접 파인튜닝한다2. 3B(30억) 파라미터 모델을 그냥 학습 못하는 이유 3. LoRA - 원본은 얼리고(freeze), 작은 어댑터만 학습 4. QLoRA의 Q - 양자화로 4비트까지 줄이기 5. LoRA 어댑터는 실제로 얼마나 작을까 6. 학습데이터 만들기 - 프롬프트 설계 7. 파인튜닝 전, 베이스 모델은 얼마나 못할까마무리 들어가며지난 글 2편 - https://doobeom-coding.tistory.com/90- https://doobeom-coding.tistory.com/91 에서 나는 GPT-4.1-nano를 데이터로 파인튜닝을 해보는 작업을 진행하고, 이를 통해 상품 설명을 기반으로 가격을 예측해보는 작업을 진행했다. 결과는 좀 허무했다. 아무 ..

목차0. 들어가며1. 모델 간 성능 비교를 위한 기준 설정2. 베이스라인부터 전통 머신러닝까지3. 딥러닝 - 신경망으로 한 단계 더4. 학습 없이 이긴다 - 제로샷 프론티어 모델5. 프론티어 모델을 직접 파인튜닝해보다6. 의외의 결과, 그리고 그게 알려주는 것7. 마무리 - 전체 성적표와 다음 이야기 0. 들어가며지난 글에서는 Week 6 프로젝트 - 상품 설명 기반 가격 예측 (THE PRICE IS RIGHT)의 앞부분 데이터 전처리를 다뤘다.아마존 상품 데이터를 긁어와 정제하고, 학습 80만 / 검증 1만 / 테스트 1만 건의 데이터셋을 만들어 허깅페이스 허브에 올리는 데까지가 지난 글의 내용이었다.이번 글은 정제한 데이터를 기반으로(1) 전통 머신러닝부터(2) 딥러닝과 제로샷 프론티어 모델(3) ..

목차들어가며어떤 프로젝트인가Day 1 - 데이터 큐레이션Day 2 - 데이터 전처리 (LLM으로 재전처리)마무리들어가며지난 3개의 글에서는 RAG를 다뤘다. 모델은 그대로 두고, 외부 지식을 검색해서 물려주는 방식이었다.Week 6~7은 결이 다르다. 이번엔 모델 자체를 우리 문제에 맞게 똑똑하게 만드는 파인튜닝(fine-tuning)을 말로만 듣다 드디어 해본다. LLM을 똑똑하게 쓰는 방법은 크게 두 갈랜데,추론 시점(inference-time)에 손대는 법: 멀티샷 프롬프팅, 툴/펑션 콜링, RAG 등 -> 모델은 그대로 두고 입력을 잘 차려주는 쪽학습(training)으로 모델을 바꾸는 법: 파인튜닝 -> 모델의 파라미터(가중치) 자체를 우리 데이터에 맞게 다시 조정RAG를 다뤘던 Week 5(..

목차0. 들어가며1. Advanced RAG로 - 10가지 개선 기법2. 개선 ① - LLM 기반 지능형 청킹3. 개선 ② - Reranking4. 개선 ③ - Query Rewriting5. 최종 파이프라인 - 모두 합치기6. 마무리 0. 들어가며지난 글에서 RAG 평가 시스템을 만들고, 기본 RAG의 한계를 점수로 정량화했다.요약하면 이렇다.- 검색 메트릭(MRR / nDCG / Keyword Coverage)에서 전반적으로 점수가 낮고, 특히 spanning·holistic 카테고리가 약했다.- 답변 메트릭에서 풀네임 누락 같은 completeness 문제가 잡혔다.- 청크 크기·임베딩 모델만 바꾸는 단순 튜닝으로는 이 한계를 못 깬다는 결론이었다.이번 글에서는 이 한계를 깨기 위한 본질적 개선, ..

목차0. 들어가며1. 평가가 전부다 (Evaluations are Everything)2. 골든 테스트셋 만들기3. 검색 평가 메트릭 (Retrieval Evaluation)4. 답변 평가 메트릭 (LLM-as-a-Judge)5. 평가 결과로 본 한계6. 1편 마치며0. 들어가며지난 글에서 가상의 보험회사의 사내문서를 기반으로 답변을 할 수 있는 Rag챗봇을단순 키워드 매칭 방식부터 LangChain 기반 RAG까지 만들어봤다.그 과정에서 마지막에 한계를 볼 수 있었다. (복합질문에 답변이 어려운 것, 각 청크에 해당 인물의 풀네임이 적혀있진 않아서 답변에서도 풀네임을 갖고 오지 못한 것 등) 이번 글은 이런 RAG의 한계를 극복하기 위한 방법을 고민해나가는 글이고 1가지 질문에서 출발한다."근데 RAG..

목차1. RAG는 왜 필요한가2. 단순 RAG ( 벡터 DB 없이 문자열 매칭을 통한 구현)3. 벡터 임베딩(Vector Embedding) 이해하기4. 문서를 벡터 DB에 넣기5. LangChain으로 기본 RAG 파이프라인 완성6. RAG의 한계 — 개발한 챗봇을 돌려보니 드러난 문제들7. 마무리 “LLM이 우리 회사 내부 문서를 기반으로 답변하게 만들 수 있을까?”이번 글에서는 이 질문을 출발점으로 삼아, 키워드 매칭 기반 검색에서 시작해 벡터 임베딩 검색과 LangChain 파이프라인까지 RAG의 기본 흐름을 직접 구현해봤다.직접 만들어보고 돌려보면서, RAG 작동방식에 대한 이해와, 또 실제 적용 시 어디서 한계가 드러나는지도 함께 살펴봤다. 1. RAG는 왜 필요한가1) LLM 프롬프트를 향상..

목차 1. 주요 벤치마크와 벤치마크의 한계점 2. 주요 리더보드 사이트3. 프론티어 모델별 코드 생성능력 (Python to C++ 포팅 성능 비교)4. 오픈소스 모델 포함 생성능력 비교 ( Python to C++ 포팅 성능 비교, w/ Gradio UI)5. 생성형 AI 솔루션 성능 평가를 어떻게 할 것인가? 이번 글은 모델 평가(Evaluation) 관련 챕터를 공부했던 글로 1) 주요 벤치마크들과 리더보드 사이트에 대해 공부해 본 내용 2) 실제로 다양한 closed 모델, open source 모델들의 성능을 코드 생성능력 task를 직접 시켜보며 비교해 본 내용 을 작성해보고자 한다. 1. 주요 벤치마크와 벤치마크의 한계점 1) 주요 벤치마크1)- 1. 6개 벤치마크 등장 배경 MMLU,..

목차 1. print(model) 한 줄로 Transformer 구조 이해해 보기 (feat. Llama-3.2-1B)- 0) 전체 흐름 요약- 1) Embedding Layer- 2) Decoder Layers (총 16개)- 3) Final RMSNorm- 4) LM Head (출력층)- 5) 전체 흐름 재정리- 6) 느낀점 1. print(model) 한 줄로 Transformer 구조 이해해 보기 (feat. Llama-3.2-1B)Llama-3.2-1B 모델을 print(model) 했을 때 나오는 내부 레이어 구조를 출력해본 뒤,출력 결과물을 통해 Transformer 구조 속 요소를 하나하나 가볍게 뜯어볼 수 있었다. 이렇게 하나하나 뜯어본 요소들에 대해 적어본다. 0) 전체 흐름 요약 모..