LLM.zip | 압축 해제

인공지능의 가장 밑바닥 데이터 처리부터 출발해, 대형 언어 모델(LLM)에 이르기까지의 전 과정을 하나의 거대한 '인과관계'로 연결하여 이해하는 것에 가장 큰 중점을 두고 구성한 목차 입니다. 학습의 시작(1장)과 끝(8장)이 모두 LLM으로 감싸여 있다는 점입니

00. LLM은 어떻게 동작할까? LLM에게 질문을 입력하면 몇 초 안에 자연스러운 답변이 돌아온다. 사용자 입장에서 과정은 단순하다. 문장을 입력하면 답변이 나온다. 그래서 처음 LLM을 접하면 그 안에서 정확히 무슨 일이 일어나는지 알기 어려운 하나의 거대한

지난 편에서는 LLM이 입력된 Text를 처리하고 답변을 생성하기까지의 전체 흐름을 살펴봤다.그 과정에서 중요한 변환 하나가 있었다.우리가 사용하는 언어가 모델 내부에서는 Vector라는 숫자 표현으로 변환된다.그런데 여기서 몇 가지 질문이 생긴다.Vector는 정확히

| 개념 | 중요도 | 이 편에서 알아야 하는 핵심 | |---|---|---| | Tokenizer | 필수 | Text → Token 변환을 수행하는 구성 요소 | | Token | 필수 | 모델이 Text를 처리하는 기본 단위 | | Tokenization | 필

3. LLM은 문맥을 어떻게 계산할까? — Attention & Transformer 지금까지 우리는 LLM의 전체 흐름에서 두 단계를 지나왔다. 1편에서는 Vector, Matrix, Tensor, Dot Product, Softmax를 통해 LLM이 숫자를 어떻

지금까지 우리는 LLM의 전체 흐름에서 세 단계를 지나왔다.1편에서는 Vector, Matrix, Tensor, Dot Product, Softmax를 통해 LLM이 숫자를 어떻게 계산하는지 살펴봤다.2편에서는:를 따라가며 Language가 Number로 변환되는 과정

5. LLM은 모르는 정보를 어떻게 찾아올까? — RAG & Vector Search 지금까지 우리는 LLM 내부의 기본 동작을 하나씩 열어봤다. Text는 Token으로 나뉘고, Token은 Vector가 되고, Transformer는 Vector 사이의 관계

6. LLM은 어떻게 외부 기능을 사용할까? — Tool Calling & Agent 5편에서는 LLM이 자신의 Parameter 밖에 있는 정보를 사용하는 방법을 살펴봤다. RAG를 이용하면 LLM은 외부의 논문, 문서, Database 등에 있는 정보를 검색해

7. Final — LLM System 다시 조립하기 chapter.0에서 처음 LLM을 바라봤을 때 구조는 아주 단순했다. 사용자가 Text를 입력하면 LLM이 답변을 만든다. 겉으로 보면 이게 전부다. 하지만 chapter.1부터 6까지 이 Black Box