mar1po5a

1. Function Calling (함수 호출) : ‘무엇을 할지 알려주는 능력’Function Calling은 LLM 모델 자체의 내장 기능이다.LLM이 사용자의 요청을 이해하고, 해당 작업을 수행하기 위해 어떤 함수(도구)를 어떤 인자(argument)로 호출해야 하는지 구조화된 데이터(주로 JSON)로 요청하는 능력이다.핵심 특징:모델의 능력Langchain 같은 프레임워크 등의 기능이 아닌, Gemini나 GPT-4, Cluade 처럼 LLM 모델 자체가 가진 고유 능력이다.실행은 안함LLM은 직접 함수를 실행하지 않는다. 어떤 함수를 어떤 값으로 실행해야 할지 전달해줄 뿐이고, 실제 실행은 어플리케이션이 담당한다.단일 작업일반적으로 한 번의 요청에 대한 한 번의 함수 호출을 제안한다.출력물최종..

객체 지향 프로그래밍(Object-Oriented Programming):컴퓨터 프로그램을 여러 '객체(Object)'들의 모임으로 보고, 이 객체들이 서로 상호작용하도록 만드는 프로그래밍 패러다임(설계 사상) → 기능별로 각 컴포넌트(부품)을 만들고, 해당 컴포넌트들을 조립하는 프로그래밍 방식. [ 캡슐화, 상속, 다형성, 추상화 ] 이 네 가지 속성을 가지고 있음.캡슐화:관련된 데이터와 기능을 하나로 묶고, 외부의 직접적인 접근을 막아 정보를 은닉하는 것 특징:- 데이터의 기능과 통합: 객체라는 하나의 캡슐 안에 관련된 데이터(속성, 변수)와 그 데이터를 처리하는 기능을 포함시킴- 정보 은닉: 객체 내부의 중요한 데이터는 외부에서 직접 접근하지 못하도록 막고(private), 공개된 메서드(publi..

RAG(검색 증강 생성)는 기존 LLM의 한계를 기존 LLM의 한계를 극복하고자 고안된 기술로, LLM이 학습하지 못한 데이터 뭉치를 손에 쥐어주고, 사용자의 질문이 들어왔을 때 이를 오픈북처럼 활용할 수 있게 만들어주는 기술임. 더보기ex)A회사의 직원이 LLM에게 A회사의 프로젝트 일정에 대해 질문하는 상황. 기존 LLM :사전 학습된 데이터만 가지고 있어서 답변하지 못함(검색 엔진을 활용할 수 있어도 'A회사의 프로젝트 일정'은 공공연한 정보가 아니기에 결과는 동일함.) RAG 체인으로 호출된 LLM :'A회사의 프로젝트 일정'이 포함된 문서를 전달 받았기에, 사용자의 질문이 들어오면 해당 정보가 포함된 문서를 읽고 그에 맞는 답변을 출력함. Embedding이란, 우리가 사용하는 자연어를 컴퓨터가..

별도의 환경 설정 없이 간단한 RAG (검색 증강 생성) 시스템을 구축해보고 싶다면 구글 코랩(https://colab.research.google.com/)을 이용할 수 있다. 먼저, Google Gemini API key와 HuggingFace Token을 발급받아야 한다. 1. 구글 AI Studio에서 API key 발급https://aistudio.google.com/apikey 로그인 - Google 계정이메일 또는 휴대전화accounts.google.com 2. 허깅페이스 Access Tokens 발급※ 프로필의 Settings를 클릭하면 Access Tokens 항목을 찾을 수 있다.https://huggingface.co/ Hugging Face – The AI community buil..