코스 카탈로그

검색 증강 생성 (RAG)

LLM에게 신뢰할 수 있는 기억을 주세요.

고급
레슨 16개
프로젝트 2개
약 2.5시간
EN · UZ · KO

대규모 언어 모델은 학습 시점 이후의 정보를 모르고, 사실을 지어내며, 여러분의 비공개 데이터를 본 적이 없습니다. 검색 증강 생성(RAG)은 질문 시점에 적절한 사실을 가져와 모델에 전달함으로써 이 세 가지 문제를 한꺼번에 해결합니다. 그러면 모델은 근거에 기반해 출처와 함께 답변합니다. 여러분은 파이썬으로 전체 RAG 파이프라인을 구축합니다 — 로드, 청킹, 임베딩, 저장, 검색, 생성. 그다음 하이브리드 검색, 리랭커, 쿼리 재작성으로 성능을 끌어올립니다. 마지막으로 실서비스에 배포합니다: RAGAS 스타일 지표로 충실도를 평가하고, 환각과 비용을 줄이며, 프롬프트 인젝션과 데이터 유출로부터 방어합니다.

커리큘럼

섹션 1
왜 RAG인가?
대규모 언어 모델이 혼자서는 할 수 없는 일과, 검색(retrieval)이 그것을 어떻게 해결하는지 이해합니다.
1. LLM의 한계
2. RAG란 무엇인가?
3. RAG 대 파인튜닝 대 긴 컨텍스트
4. RAG 앱의 해부도
섹션 2
파이프라인 구축하기
핵심 RAG 루프를 연결합니다: 로드, 청킹, 임베딩, 저장, 검색, 생성.
1. 로딩 & 청킹
2. 청크 임베딩하기
3. 컨텍스트 검색하기
4. 프롬프트 조립하기
섹션 3
더 나은 검색
하이브리드 검색, 리랭커, 쿼리 재작성, 필터로 검색 품질을 끌어올리세요.
1. 하이브리드 검색
2. 결과 리랭킹
3. 쿼리 변환
4. 필터링과 다양성
섹션 4
프로덕션 환경의 RAG
RAG를 평가하고, 보안을 강화하고, 확장하세요 — 그리고 2026년 이 분야가 어디로 향하고 있는지 살펴봅니다.
1. RAG 평가하기
2. 환각 줄이기
3. 보안, 비용 & 캐싱
4. 고급 RAG