1장 생성형 AI의 정의와 역사
1.1 생성형 AI의 정의
1.2 생성형 AI의 역사적 배경과 발전
__1.2.1 초기 연구와 개념적 기초
__1.2.2 인공 신경망의 등장과 발전
__1.2.3 이미지 인식 기술의 발전
__1.2.4 생성형 AI 기술의 발전
__1.2.5 자연어 처리 기술의 발전
2장 LLM
2.1 LLM의 개념과 기초
__2.1.1 LLM이란
__2.1.2 생성형 AI에서 LLM의 위치
__2.1.3 기존 언어 모델과의 차이점
2.2 LLM을 이해하기 위해 알아야 할 기술
__2.2.1 트랜스포머
__2.2.2 어텐션 메커니즘
__2.2.3 LLM 훈련 과정: 데이터 수집, 전처리, 훈련
__2.2.4 사전 훈련과 미세 조정 기술
2.3 대표적인 LLM 모델
__2.3.1 GPT
__2.3.2 BERT와 T5
__2.3.3 나에게 맞는 최적의 모델 찾기
3장 프롬프트 엔지니어링
3.1 프롬프트 엔지니어링의 개념과 기초
__3.1.1 프롬프트 엔지니어링이란
__3.1.2 효과적인 프롬프트 엔지니어링의 중요성
3.2 프롬프트의 구성 요소와 설계 원칙
__3.2.1 프롬프트의 구성 요소
__3.2.2 프롬프트 설계의 원칙
3.3 효과적인 프롬프트를 작성하기 위한 방법
__3.3.1 퓨샷 프롬프팅
__3.3.2 생각의 사슬 프롬프팅
__3.3.3 자기 일관성 프롬프팅
__3.3.4 생성 기반 지식 프롬프팅
3.4 프롬프트 엔지니어링을 사용한 다양한 사례
__3.4.1 블로그 글, 소설, 광고 카피 작성하기
__3.4.2 코드 생성과 문제 해결을 위한 프롬프트
__3.4.3 바이브 코딩 활용하기
3.5 고급 프롬프트 엔지니어링
__3.5.1 파라미터 조정으로 프롬프트 개선하기
__3.5.2 System Message 설정으로 프롬프트 개선하기
4장 생성형 AI 실습 환경 준비
4.1 실습하기 전에 꼭 알아야 할 개념
__4.1.1 구글 코랩이란
__4.1.2 주피터 노트북이란
4.2 환경 설정
__4.2.1 구글 코랩 환경 설정
__4.2.2 LLM 모델을 연동하기 위한 API Key 발급받기
__4.2.3 OpenAI API를 활용한 기본 예제 실습
__4.2.4 제미나이 API를 활용한 기본 예제 실습
5장 LLM을 이용한 S/W 개발하기
5.1 환경 설정
__5.1.1 비주얼 스튜디오 코드 설치하기
__5.1.2 Extension Pack for Java 설치하기
__5.1.3 JDK(Java Development Kit) 설치하기
__5.1.4 Java Project 생성 및 실행하기
__5.1.5 비주얼 스튜디오 코드에 EasyCode 익스텐션 설치하기
5.2 코드 자동으로 생성하기
__5.2.1 다양한 알고리즘 코드 자동으로 생성하기
__5.2.2 JUnit 테스트 코드 작성하기
__5.2.3 자동으로 코드 리팩터링하기
5.3 코드 설명하기
__5.3.1 코드 주석 만들기
__5.3.2 API 문서 만들기
5.4 프로그램 관련 다양한 활용 팁
__5.4.1 변수명과 함수명 추천받기
__5.4.2 SQL문 최적화하기
5.5 LLM을 이용한 챗봇 서비스 개발하기
__5.5.1 환경 설정하기
__5.5.2 백엔드 구축하기
__5.5.3 프런트엔드 구축하기
6장 RAG 챗봇 만들기부터 파인튜닝까지 구현하기
6.1 RAG 챗봇 서비스 개발
__6.1.1 RAG란
__6.1.2 RAG 아키텍처의 구조와 장점
__6.1.3 벡터 데이터베이스 적재를 위한 전처리 작업
__6.1.4 RAG 구현 절차와 세부 내용
6.2 Azure AI Studio로 RAG 챗봇 서비스 제작하기
__6.2.1 GPT-4o를 기반으로 사내 문서 요약 챗봇 만들기
__6.2.2 sLLM 기반 도메인 특화 챗봇 살펴보기
__6.2.3 Azure AI Studio로 sLLM 구축하고 파인튜닝 챗봇 만들기
6.3 RAG 기반의 챗봇을 실무에 적용한 사례
7장 이미지 프로젝트
7.1 이미지 생성형 모델의 개념과 기초
__7.1.1 이미지 생성형 모델이란
__7.1.2 이미지 생성형 모델의 발전
7.2 이미지 생성형 모델 기반 구조
__7.2.1 GAN 기반 구조
__7.2.2 VAE 기반 구조
__7.2.3 디퓨전 모델 기반 구조
7.3 이미지 생성형 서비스 소개
__7.3.1 이미지 생성형 서비스란
__7.3.2 미드저니(Midjourney)
__7.3.3 달리(DALL-E)
__7.3.4 스테이블 디퓨전(Stable Diffusion)
7.4 이미지 생성형 서비스 심화
__7.4.1 프로젝트 개요 및 환경 설정
__7.4.2 모델을 실제 프로젝트에서 활용하기
8장 동영상 프로젝트
8.1 동영상 생성형 모델의 개념과 기초
__8.1.1 동영상 생성형 모델이란
__8.1.2 동영상 생성형 모델의 발전
8.2 T2V 모델 기반 동영상 생성 기술
__8.2.1 동영상 VAE를 이용한 동영상 정보의 압축 및 복원
__8.2.2 디퓨전 모델을 통한 점진적 노이즈 추가 학습
__8.2.3 노이즈 제거를 통한 동영상 복원
__8.2.4 FPS, 시간적 제어, 시간 기반 업데이트
8.3 동영상 생성형 서비스 소개
__8.3.1 소라(Sora)
__8.3.2 비오(Veo) 2
__8.3.3 동영상 생성형 AI로 쇼츠 만들기
9장 AI 에이전트
9.1 AI 에이전트의 개념과 기초
__9.1.1 AI 에이전트란
__9.1.2 AI 에이전트의 유형
__9.1.3 AI 에이전트 프레임워크
__9.1.4 AI 에이전트 활용 분야
9.2 AI 에이전트 만들기
__9.2.1 CrewAI로 에이전트 만들기
__9.2.2 AutoGen으로 에이전트 만들기
__9.2.3 랭그래프로 에이전트 만들기
9.3 n8n으로 워크플로 구축하기
__9.3.1 n8n이란
__9.3.2 n8n 환경 설정
__9.3.3 n8n으로 워크플로 구축 실습
10장 생성형 AI의 법과 윤리
10.1 생성형 AI 관련 법 제도
__10.1.1 생성형 AI의 국외 법 제도 동향
__10.1.2 생성형 AI의 국내 법 제도 동향
10.2 생성형 AI의 윤리적 고려 사항
__10.2.1 생성형 AI 사용 시 윤리 위험
__10.2.2 생성형 AI의 윤리적 활용 방안
11장 생성형 AI의 미래 전망
11.1 생성형 AI의 미래
__11.1.1 진화하는 AI와 인간의 상호작용
__11.1.2 AGI와 인간의 공존
부록 A아나콘다 환경 설정
A.1 머신러닝 실습 패키지
__A.1.1 아나콘다란
독자의견 남기기