langchain-ai/rag-from-scratch
요약
LLM의 지식 한계를 극복하기 위한 RAG(검색 증강 생성)의 기초를 다루는 교육용 리소스입니다. 인덱싱, 검색, 생성의 핵심 과정을 단계별로 학습할 수 있는 노트북과 비디오 가이드를 제공합니다.
핵심 포인트
- RAG를 통한 LLM의 외부 데이터 활용 및 지식 확장 방법 학습
- 인덱싱, 검색, 생성의 RAG 핵심 3단계 프로세스 이해
- Fine-tuning 대비 RAG의 비용 효율성 및 사실적 회상 장점 파악
- 실습 중심의 노트북과 비디오를 통한 단계별 학습 지원
LLM (Large Language Models)은 크지만 고정된 데이터 코퍼스 (Corpus)를 기반으로 학습되므로, 비공개 정보나 최신 정보에 대해 추론하는 능력이 제한됩니다. 미세 조정 (Fine-tuning)은 이를 완화하는 한 가지 방법이지만, 사실적 회상 (Factual recall)에는 적합하지 않은 경우가 많고 비용이 많이 들 수 있습니다.
검색 증강 생성 (RAG, Retrieval Augmented Generation)은 외부 데이터 소스에서 검색된 문서를 사용하여 인컨텍스트 학습 (In-context learning)을 통해 LLM의 생성을 근거 있게 만듦으로써, LLM의 지식 베이스를 확장하는 대중적이고 강력한 메커니즘으로 부상했습니다.
이 노트북들은 인덱싱 (Indexing), 검색 (Retrieval), 생성 (Generation)의 기초부터 시작하여 RAG에 대한 이해를 처음부터 쌓아나가는 비디오 재생 목록과 함께 제공됩니다.
폴더 및 파일
| 이름 | 이름 | 마지막 커밋 날짜 | ||
|---|---|---|---|
AI 자동 생성 콘텐츠
본 콘텐츠는 GitHub Trending Jupyter Notebook (weekly)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기