연락처 정보

코스 개요

서론

  • 대규모 언어 모델(LLM)이란 무엇인가?
  • LLM과 기존 NLP 모델의 차이점
  • LLM의 주요 특징 및 구조 개요
  • LLM의 도전 과제와 한계점

LLM에 대한 이해

  • LLM의 생명주기
  • LLM이 작동하는 원리
  • 인코더, 디코더, 어텐션 메커니즘, 임베딩 등 LLM의 핵심 구성 요소들

시작하기

  • 개발 환경 설정 방법
  • Google Colab이나 Hugging Face와 같은 개발 도구를 이용해 LLM을 설치하는 법

LLM 활용법

  • 사용 가능한 LLM 옵션 탐색하기
  • 자신만의 LLM 생성 및 활용 방법
  • 맞춤형 데이터셋을 이용해 LLM 미세조정하는 기법

텍스트 요약 기술

  • 텍스트 요약 작업의 개념과 실제 응용 사례 이해하기
  • 추출형 및 추상형 텍스트 요약에 LLM 활용법
  • ROUGE, BLEU와 같은 지표를 활용해 생성된 요약문의 품질 평가 방법

질의응답 시스템

  • 질의응답 작업의 개념 및 활용 분야 이해하기
  • 개방형 및 폐쇄형 질의응답에 LLM 적용 방법
  • F1, EM 등 지표를 통해 생성된 답변의 정확도 측정법

텍스트 생성 기술

  • 텍스트 생성 작업의 개념과 활용 분야 이해하기
  • 조건부 및 무조건부 텍스트 생성에 LLM 활용법
  • 온도, top-k, top-p와 같은 매개변수를 이용해 생성되는 텍스트의 스타일, 톤, 내용 조절하기

기타 프레임워크 및 플랫폼과 LLM 연동 방법

  • PyTorch 또는 TensorFlow와 LLM 통합 기법
  • Flask나 Streamlit을 활용한 LLM 구현법
  • Google Cloud나 AWS 환경에서 LLM 운영하기

문제 해결 및 디버깅

  • LLM 사용 시 흔히 발생하는 오류 및 버그 유형 파악하기
  • TensorBoard를 이용해 학습 과정 모니터링 및 시각화 방법
  • PyTorch Lightning을 활용해 학습 코드 단순화 및 성능 최적화 기법
  • Hugging Face Datasets로 데이터 로드 및 전처리하는 법

요약 및 향후 발전 방향

요건

  • 자연언어 처리 및 딥러닝에 대한 기본적인 이해가 필요합니다.
  • Python와 PyTorch 또는 TensorFlow 사용 경험이 필수입니다.
  • 기본적인 프로그래밍 능력을 갖추고 있어야 합니다.

대상 수강생

  • 개발자들
  • NLP에 관심이 많은 분들
  • 데이터 과학자들
 14 시간

참가자 수


참가자별 가격

예정된 코스

관련 카테고리