•  책의 일부 내용을 미리 읽어보실 수 있습니다.
  미리보기

Chapter 1.
Vector DataBase 개요

__1.1 The Rising Star of AI
__1.2 Vector에 대한 이해

Chapter 2.
Vector DBMS 종류 및 선택 기준

__2.1 Vector DBMS 특징
__2.2 Vector DBMS 종류 및 선택 시 고려사항
__2.3 Vector DBMS 종류별 특징 비교

Chapter 3.
생성형 AI 프로젝트 설계 방법론

__3.1 생성형 AI 프로젝트 수행 작업 절차
__3.2 데이터 분석 준비 및 설계 절차

Chapter 4.
데이터 분석 및 준비

__4.1 데이터 범위/유형 분석
__4.2 데이터 요건 분석
__4.3 데이터 피처 분석
__4.4 데이터셋 확보

Chapter 5.
Vector DataBase Schema 설계

__5.1 Vector DB Schema 설계
__5.2 Collection Design
__5.3 Vector Design
__5.4 Meta Data Design
__5.5 Relationship Design

Chapter 6.
데이터 검색/응답 정합성 검증(Retrieval/Response)

__6.1 데이터 평가 및 검증

Chapter 7. RAG 개요 및 성능 개선

__7.1 RAG 개요
__7.2 RAG 아키텍처
__7.3 RAG 한계
__7.4 RAG 개선(Advanced RAG, Modular RAG, Graph RAG)

Chapter 8.
Advanced RAG

__8.1 Advanced RAG 개요
__8.2 원천 데이터의 정비
__8.3 Retrieval 전략의 조정
__8.4 Search 전략 조정
__8.5 Collection 분리/분산

Chapter 9.
Modular RAG

__9.1 Modular RAG 개요
__9.2 독립 모듈화
__9.3 다양한 FLOW 패턴
__9.4 참조 - Modular RAG 외부 논문

Chapter 10.
Graph RAG - 지식 기반 RAG

__10.1 Graph RAG 개요
__10.2 Graph DB 모델링-데이터 모델링 기본 구조
__10.3 Graph DB 모델링-데이터의 분리(Divide) 깊이
__10.4 Graph DB 모델링-데이터 모델링 절차
__10.5 Graph DB 모델링-데이터 검색
__10.6 온톨로지
__10.7 Graph RAG에서 지식그래프 활용(Graph DB + 온톨로지)
__10.8 Graph RAG의 비즈니스 적용 사례(국방, 의료, 법률)
__10.9 Neo4j DB

Chapter 11.
프로그램 따라해 보기

__11.1 Chroma DB - Vector DB
____11.1.1 Chroma DB 설치
____11.1.2 프로그램 따라하기 with Python- Chroma Embedding 데이터 저장
____11.1.3 프로그램 따라하기 with Python- Response 정보 openAI로 생성하기
____11.1.4 프로그램 따라하기 with Python - Chunking
____11.1.5 프로그램 따라하기 with Python - 샘플 프로그램
__11.2 Neo4j DB - Graph DB
____11.2.1 Neo4j DB 설치
____11.2.2 프로그램 따라하기 with Python- Neo4j Embedding 데이터 저장
____11.2.3 프로그램 따라하기 with Python-Haluciation(환각) 개선 with Neo4j
__11.3 Neo4J DB-알고리즘 활용(커뮤니티 생성)
____11.3.1 Neo4J Plug-In 설치
____11.3.2 프로그램 따라하기 with Python-그래프 모델 생성(인터넷 뉴스 데이터)
____11.3.3 프로그램 따라하기 with 알고리즘 - 커뮤니티 생성(인터넷 뉴스 데이터)
__11.4 FAISS - Library
____11.4.1 FAISS 설치
____11.4.2 프로그램 따라하기 with Python - FAISS Embedding 저장 및 검색
__11.5 CHAT 시스템 - RAG 환경
____11.5.1 Streamlit
____11.5.2 프로그램 따라하기 with Python- 간단한 CHAT 프로그램

개념 설명에만 머물지 않고
그 너머, 실전 Vector DB에 진입할 수 있는 예제 수록

* Chroma DB - Vector DB
* Neo4j DB - Graph DB
* Neo4j DB - 알고리즘 활용(커뮤니티 생성)
* FAISS - Library
* CHAT 시스템 - RAG 환경
-------------------------------------------------------------------------------
* Vector DB는 비정형 데이터, 특히 벡터 데이터를 처리하는 데 최적화된 데이터베이스다.
Vector DB는 벡터 공간에서 데이터를 다루며, 각 데이터는 고차원 벡터로 표현된다.
다시 말해, Vector DB는 수학적 계산을 통해 데이터를 3차원 이상의 다차원 공간에 모델링한다.

* Graph DB는 복잡한 관계 정보를 바탕으로 데이터를 분석하고, 보다 정확한 정보나 문제에 대한 추론 결과를 제공할 수 있다.
단순 데이터 검색뿐 아니라, 데이터 간의 연결성을 이용한 심층적인 분석이 가능하다.


* 이 책은 Vector DB에 대한 개념 이해부터 차근차근 설명해서 마지막 챕터에서는 실전 Vector DB 및 Graph DB까지 진입하는 것을 목적으로 한다.

어떤 독자를 위한 책인가?

-. AI 비정형 데이터의 분석/설계 및 데이터 활용 전략에 관심이 있는 AI 분석/설계자
-.
Vector DB를 기반으로 한 데이터 모델링, 최적화, 응용 방안을 탐구하려는 AI 연구자 및 개발자
-.
데이터 분석 관점에서 Graph DB를 활용한 지식그래프 구조화에 관심 있는 독자