이 과정에서는 파운데이션 모델(FM) 의 성능을 개선하기 위한 두 가지 기법인 검색 증강 생성(RAG) 및 파인 튜닝을 살펴봅니다. 벡터 데이터베이스와 함께 임베딩을 저장하는 데 도움이 되는 Amazon Web Services(AWS) 서비스, 다단계 태스크에서 에이전트의 역할, FM 파인 튜닝 방법 정의, 파인 튜닝을 위한 데이터 준비 방법 등에 대해 알아봅니다.
- 과정 수준: 기초
- 소요 시간: 1시간
참고: 이 과정은 Google Chrome(최신 주요 버전 2개), Microsoft Edge(최신 주요 버전 2개), Safari(최신 주요 버전 2개)에 최적화되어 있습니다.
활동
이 과정에는 대화형 요소, 텍스트 지침, 예시 그래픽 및 지식 확인이 포함되어 있습니다.
과정 목표
이 과정에서 학습할 내용은 다음과 같습니다.
- 벡터 데이터베이스에 임베딩을 저장하는 데 도움이 되는 AWS 서비스를 식별합니다.
- 다단계 태스크에서 에이전트의 역할을 이해합니다.
- FM 성능을 평가하는 방법을 이해합니다.
- FM이 비즈니스 목표를 효과적으로 충족하는지 여부를 판단합니다.
- FM 파인 튜닝 방법을 정의합니다.
- FM을 파인 튜닝하기 위해 데이터를 준비하는 방법을 설명합니다.
- 사용 사례에서 식별한 비즈니스 지표를 기반으로 FM이 비즈니스 목표를 효과적으로 충족하는지 여부를 판단합니다.
수강 대상
이 과정의 수강 대상은 다음과 같습니다.
- 특정 직무와 관계없이 인공 지능 및 기계 학습(AI/ML)에 관심이 있는 개인
수강 전 권장 사항
Optimizing Foundation Models는 인공 지능, 기계 학습, 생성형 AI에 대한 기초를 다지는 시리즈의 일부입니다. 아직 완료하지 않았으면 다음 두 과정을 완료하는 것이 좋습니다.
- Fundamentals of Machine Learning and Artificial Intelligence
- Exploring Artificial Intelligence Use Cases and Applications
과정 개요
섹션 1: 소개
- 본 과정 사용 방법
- 과정 개요
섹션 2: 검색 증강 생성을 통한 파운데이션 모델 최적화
- 비즈니스 사례
- 검색 증강 생성(RAG)
- 에이전트
- 결과 평가
- 지식 확인
섹션 3: 파인 튜닝을 통한 파운데이션 모델 최적화
- 비즈니스 사례
- 파인 튜닝
- 모델 평가
- 지식 확인
섹션 4: 마무리
- 리소스
- AWS에 문의하기
