•  책의 일부 내용을 미리 읽어보실 수 있습니다.
  미리보기

▣ 01장: 생성형 AI의 기본과 동향 1.1 ‘생성형 AI’란 무엇인가? __1.1.1 인공지능(AI)과 생성형 AI의 위치 __1.1.2 생성형 AI의 ‘모델’이란 __1.1.3 ‘모델’에 관한 기초 지식 1.2 유명한 생성형 AI 제품 __1.2.1 ChatGPT __1.2.2 Stable Diffusion __1.2.3 GitHub Copilot 1.3 생성형 AI용 API 제공 및 클라우드로 배포 __1.3.1 생성형 AI 모델용 API __1.3.2 클라우드에서 제공되는 생성형 AI 모델의 API ▣ 02장: Amazon Bedrock 입문 2.1 Amazon Bedrock이란 __2.1.1 Bedrock의 장점 __2.1.2 지원되는 AWS 리전 __2.1.3 Bedrock 모델 이용 요금 2.2 왜 AWS의 Bedrock을 선택해야 할까? __2.2.1 (1) AWS의 강점을 대부분 활용 가능 __2.2.2 (2) 여러 기업이 제공하는 최신 모델을 폭넓게 이용 가능 __2.2.3 (3) 애플리케이션 개발의 높은 편의성 __2.2.4 (4) 엔터프라이즈 레벨의 보안과 거버넌스 제공 2.3 Bedrock에서 사용할 수 있는 생성형 AI 모델 __2.3.1 모델의 종류 __2.3.2 Bedrock의 추천 모델 2.4 Anthropic의 생성형 AI 모델 __2.4.1 Anthropic의 모델의 특징 __2.4.2 Claude 3 시리즈 2.5 Cohere의 생성형 AI 모델 __2.5.1 Cohere의 모델 특징 __2.5.2 Command R 시리즈 __2.5.3 Embed English / Multilingual 2.6 Stability AI의 생성형 AI 모델 __2.6.1 Stability AI의 모델 특징 __2.6.2 Stable Diffusion 3.5 Large 2.7 Amazon의 생성형 AI 모델 __2.7.1 Amazon 모델의 특징 __2.7.2 Amazon Nova 인식 모델 __2.7.3 Amazon Nova 크리에이티브 콘텐츠 생성 모델 2.8 Meta의 생성형 AI 모델 __2.8.1 Meta 모델의 특징 __2.8.2 Llama 3.3 2.9 Mistral AI의 생성형 AI 모델 __2.9.1 Mistral AI의 모델의 특징 __2.9.2 Mistral Large2 / Small 2.10 AI21 Labs의 생성형 AI 모델 __2.10.1 AI21 Labs의 모델의 특징 __2.10.2 Jamba 1.5 Large 2.11 [핸즈온] Bedrock 실제로 사용해보기 __2.11.1 플레이그라운드를 통해 GUI 환경에서 생성하는 방법 __2.11.2 AWS SDK를 사용해서 각 모델 API 요청을 보내는 방법 ▣ 03장: 생성형 AI 애플리케이션 개발 방법 3.1 프롬프트란 __3.1.1 프롬프트 작성법 __3.1.2 프롬프트의 종류 3.2 토큰이란 __3.2.1 문자열을 토큰으로 분할하기 __3.2.2 토큰 수 계산 방법 3.3 프롬프트 엔지니어링이란 __3.3.1 프롬프트 엔지니어링 가이드라인 __3.3.2 모델 활성화하기 __3.3.3 명확한 작업 설정하기 __3.3.4 문서 제공하기 __3.3.5 구체적인 지침 설정하기 __3.3.6 예시를 제공하기 __3.3.7 단계별 사고 유도하기 __3.3.8 기타 프롬프트 엔지니어링 기법 3.4 생성형 AI 앱 개발에 사용하는 주요 프레임워크 __3.4.1 생성형 AI 프레임워크의 활용 __3.4.2 LangChain __3.4.3 Streamlit 3.5 LangChain과 Streamlit을 이용한 생성형 AI 앱 개발 __3.5.1 개발 환경 준비 __3.5.2 [스텝1] LangChain 구현하기 __3.5.3 [스텝2] 스트림 출력 __3.5.4 [스텝3] Streamlit 연동하기 __3.5.5 [스텝4] 연속적인 채팅 대화 구현하기 __3.5.6 [스텝5] 채팅 기록 유지하기 3.6 AWS Lambda에서 실행되는 생성형 AI 앱 개발 __3.6.1 AWS Lambda를 활용한 생성형 AI 앱 __3.6.2 활용 사례 __3.6.3 개발 환경 구성 __3.6.4 구현 내용 __3.6.5 Lambda 레이어 만들기 __3.6.6 Lambda 함수 생성하기 3.7 생성형 AI 앱 개발에 사용하는 그 외의 프레임워크 __3.7.1 LlamaIndex __3.7.2 Gradio __3.7.3 Chainlit __3.7.4 Dify __3.7.5 LiteLLM ▣ 04장: 사내 문서 검색 RAG 애플리케이션을 만들어보자 4.1 RAG란? __4.1.1 RAG의 특징과 유스케이스 __4.1.2 의미 검색을 가능하게 하는 ‘임베딩’ __4.1.3 RAG 아키텍처의 구현 예시 4.2 [핸즈온] 지식 기반으로 RAG를 구현해보자 __4.2.1 지식 기반의 구조 __4.2.2 지식 기반을 활용한 RAG 애플리케이션 개발의 개요 __4.2.3 S3 버킷 생성하기 __4.2.4 Knowledge Base 생성하기 __4.2.5 모델 활성화하기 __4.2.6 지식 기반 단독 동작 확인하기 __4.2.7 프론트엔드 구현하기 __4.2.8 RAG 애플리케이션 실행하기 __4.2.9 불필요한 리소스의 삭제 방법 __4.2.10 지식 기반을 지원하는 생성형 AI 모델 __4.2.11 지식 기반의 쿼리 설정 __4.2.12 지식 기반의 이용 요금 4.3 RAG용 검색 대상 서비스 소개 __4.3.1 이 섹션에서 소개하는 서비스 목록 __4.3.2 Amazon OpenSearch Service (벡터 DB/AWS 서비스) __4.3.3 Amazon OpenSearch Serverless (벡터 DB/AWS 서비스) __4.3.4 Amazon Aurora & Amazon RDS (벡터 DB/AWS 서비스) __4.3.5 Amazon DocumentDB (벡터 DB/AWS 서비스) __4.3.6 Amazon MemoryDB for Redis (벡터 DB/AWS 서비스) __4.3.7 Pinecone (벡터 DB/AWS Marketplace 제품) __4.3.8 Redis Enterprise Cloud (벡터 DB/AWS Marketplace 제품) __4.3.9 MongoDB Atlas (벡터 DB/AWS Marketplace 제품) __4.3.10 Amazon Kendra (기타/AWS 서비스) __4.3.11 Amazon DynamoDB (기타/AWS 서비스) __4.3.12 Amazon S3 (기타/AWS 서비스) 4.4 추천 RAG 아키텍처 예시 __4.4.1 일단 시험해보기 & 저비용 운영 __4.4.2 답변 품질 중시 __4.4.3 데이터 소스와의 연결성 중시 4.5 RAG의 답변 품질을 높이기 위한 방법 __4.5.1 청크 사이즈의 조정 __4.5.2 메타데이터 추가 __4.5.3 리랭크 __4.5.4 RAG 퓨전 __4.5.5 Rewrite-Retrieve-Read __4.5.6 HyDE（Hypothetical Document Embeddings） __4.5.7 기타 새로운 방법 4.6 RAG 애플리케이션의 평가 도구 __4.6.1 Ragas __4.6.2 LangSmith __4.6.3 Langfuse ▣ 05장: 편리한 자율형 AI 에이전트 만들기 5.1 AI 에이전트란 __5.1.1 도구를 사용하는 AI 에이전트 __5.1.2 고도화된 AI 에이전트 구현 방식 ‘ReAct’란? __5.1.3 오픈소스 AI 에이전트 __5.1.4 AI 에이전트의 유스케이스 5.2 [핸즈온] LangChain에서 AI 에이전트를 구현해 보기 __5.2.1 사전준비 __5.2.2 핸즈온 ① 툴을 이용하는 AI 에이전트 __5.2.3 핸즈온 ② ReAct 에이전트 5.3 Agents for Amazon Bedrock이란 __5.3.1 Agents for Amazon Bedrock의 개요 __5.3.2 Agents의 구조 __5.3.3 Agents의 상세 __5.3.4 지원 모델과 리전 __5.3.5 Agents의 사용 요금 5.4 [핸즈온] Agents로 AI 에이전트를 만들어 보자 __5.4.1 이 장에서 개발하는 AI 에이전트의 개요 __5.4.2 모델 활성화 __5.4.3 Pinecone 준비 __5.4.4 S3 버킷 작성 __5.4.5 지식 기반 생성 __5.4.6 Lambda 계층 작성 __5.4.7 Agents 작성 __5.4.8 작업 그룹 추가 __5.4.9 Lambda 함수 설정 __5.4.10 지식 기반 추가 __5.4.11 별칭 작성 __5.4.12 동작 확인 __5.4.13 추적 표시 __5.4.14 Orchestration Strategy 변경 ▣ 06장: Bedrock 기능 활용하기 6.1 커스터마이징 모델 __6.1.1 커스텀 모델이란 __6.1.2 파인튜닝 __6.1.3 지속적인 사전 훈련 __6.1.4 커스텀 모델 가져오기 6.2 세이프가드 __6.2.1 세이프가드란 __6.2.2 워터마크 감지 __6.2.3 가드레일 6.3 평가와 도입 __6.3.1 모델 평가 __6.3.2 프로비저닝된 처리량 6.4 Bedrock 기타 기능 __6.4.1 배치 추론 __6.4.2 SageMaker Unified Studio의 Amazon Bedrock ▣ 07장: 다양한 AWS 서비스와 Bedrock의 연계 7.1 Amazon CloudWatch와의 연계 __7.1.1 CloudWatch 개요 __7.1.2 CloudWatch Metrics __7.1.3 CloudWatch Logs 7.2 AWS CloudTrail과의 연계 __7.2.1 CloudTrail 개요 __7.2.2 관리 이벤트와 데이터 이벤트 7.3 AWS PrivateLink와의 연계 __7.3.1 PrivateLink 개요 __7.3.2 생성형 AI 앱의 네트워크 설계 7.4 AWS CloudFormation과의 연계 __7.4.1 CloudFormation 개요 7.5 그 외의 AWS 서비스와의 연계 __7.5.1 Amazon Aurora __7.5.2 Amazon CodeCatalyst __7.5.3 Amazon Lex __7.5.4 Amazon Transcribe __7.5.5 Amazon Connect ▣ 08장: 생성형 AI 앱을 로우코드로 개발해보자 8.1 AWS Step Functions와 프롬프트 체이닝 __8.1.1 Step Functions란 __8.1.2 통합의 종류 __8.1.3 프롬프트 체이닝이란 __8.1.4 Workflow Studio 사용법 __8.1.5 JSONata 구문을 사용한 값의 참조와 내장 함수 8.2 [핸즈온] Bedrock과 Step Functions를 사용한 생성형 AI 앱 개발 __8.2.1 개발 환경 준비 __8.2.2 핸즈온의 개요 __8.2.3 【단계 1】 Bedrock에 관한 게시물 가져오기 __8.2.4 【단계 2】 가져온 각 게시물의 요점 정리하기 __8.2.5 생성한 태스크 테스트 실행하기 __8.2.6 【단계 3】 자기소개문과 캐치프레이즈 작성하기 __8.2.7 【단계 4】 생성한 내용을 Markdown 형식으로 변환하기 __8.2.8 [단계 5] 썸네일 이미지 생성하기 __8.2.9 완성된 상태 머신 실행 __8.2.10 확인 화면 생성 ▣ 09장: Bedrock 이외의 생성형 AI 관련 서비스 소개 9.1 AWS의 생성형 AI 스택 __9.1.1 AWS 생성형 AI 스택의 종류 __9.1.2 Amazon Q 9.2 생성형 AI를 애플리케이션으로 사용하고 싶은 경우 __9.2.1 PartyRock __9.2.2 AWS HealthScribe 9.3 생성형 AI 모델의 학습 및 추론 인프라가 필요한 경우 __9.3.1 Amazon SageMaker __9.3.2 Amazon SageMaker JumpStart __9.3.3 Amazon SageMaker Canvas __9.3.4 AWS의 자체 설계 칩 9.4 [핸즈온] Amazon Q Business 애플리케이션 개발 __9.4.1 RAG에 사용할 문서 준비 __9.4.2 AWS IAM Identity Center 생성 __9.4.3 Amazon Q Business 애플리케이션에 로그인할 사용자 생성 __9.4.4 Amazon Q Business 애플리케이션 생성 __9.4.5 Amazon Q Business 애플리케이션 동작 확인 __9.4.6 Amazon Q Business 애플리케이션 옵션 설정 __9.4.7 핸즈온 환경 삭제 ▣ 10장: Bedrock의 활용 사례 10.1 미리디 사례 __10.1.1 미리디 소개 __10.1.2 AI 프레젠테이션 생성 기능 __10.1.3 미리캔버스의 아키텍처 __10.1.4 서비스 성과와 향후 계획 10.2 오늘의집 사례 __10.2.1 오늘의집 소개 __10.2.2 오집사 프로젝트 소개 __10.2.3 오집사의 아키텍처 __10.2.4 서비스 성과와 향후 계획 10.3 에이전트소프트(해피캠퍼스) 사례 __10.3.1 에이전트소프트 소개 __10.3.2 EasyAI 서비스 소개 __10.3.3 EasyAI 기능 소개 __10.3.4 EasyAI 아키텍처 __10.3.5 서비스 성과와 향후 계획 ▣ 11장: 최신 정보 따라잡기 11.1 AWS 공식 자료 __11.1.1 공식 문서 __11.1.2 AWS What’s New __11.1.3 AWS 블로그 __11.1.4 GitHub 공개 자료 __11.1.5 AWS Innovate 11.2 기술 커뮤니티 및 정보 수집 플랫폼 __11.2.1 AWSKRUG (AWS 한국 사용자 모임) __11.2.2 Qiita (일본 개발자 사이트) __11.2.3 X(구 Twitter) __11.2.4 Discord __11.2.5 LinkedIn ▣ 부록1: AWS 계정 생성 절차 AWS 계정 생성하기 MFA(다중 인증) 설정하기 ▣ 부록2: IAM 사용자 생성 절차 IAM 사용자 신규 생성하기 MFA(다중 인증)를 생성하기 ▣ 부록3: 핸즈온 환경 구성