LangChain | 모델
1.LangChain | 멀티모달 모델의 이미지 인식 기능 | Model
멀티모달이란 여러 형태의 데이터 (텍스트, 이미지, 오디오, 비디오 등)를 통합적으로 처리할 수 있는 AI 모델이다.
2.LangChain | 응답의 다양성과 창의성 [Temperature] | Model
Temperature는 모델의 응답 다양성과 창의성을 조절하는 설정이다.0에서 2 사이의 값을 가지며, 기본값은 1이다.temperature=0.00에 가까우면 일관되고 예측 가능한 응답을 생성한다여러번 물어봐도 거의 동일한 응답이 나온다.temperature=2.02
3.LangChain | 응답의 확신도 [logprobs] | Model
로그 확률(LogProb)은 AI 언어 모델이 각 단어를 선택할 때 그 선택에 얼마나 확신을 가지는지를 수치로 표현하여, 이를 통해 답변의 신뢰도를 판단하고, 문장의 자연스러움을 개선하며, 학습 과정에서 모델 성능을 높이는 역할을 하는 지표이다.값이 0에 가까울수록:
4.LangChain | LogProb 출력값 읽기 | Model
{'token_usage': {'completion_tokens': 9, 'prompt_tokens': 16, 'total_tokens': 25, 'completion_tokens_details': {'accepted_prediction_tokens': 0,
5.LangChain | 캐싱 [Cache] | 모델
캐시 없는 API 호출 프로세스의 경우 API 호출과 응답 대기 시간으로 2.88초가 걸렸다.캐시 설정 후 첫 호출은 오히려 느린 3.97초가 걸렸다.캐시 설정 후 첫 호출은 API 호출 프로세스와 더불어캐시 설정 및 저장하는 프로세스를 거치기 때문이다.반면에 캐시된
6.LangChain | 직렬화 (Serialization) | 모델
직렬화(Serialization) 란 모델이나 객체를 저장 / 전송 가능한 형식으로 변환하는 과정 LangChain에서는 체인, 모델 등의 객체를 JSON 형식으로 변환하는 것을 의미 언제 사용하나 LangChain 애플리케이션을 개발하고 배포하는 과정에서 모델을 저장하고 재사용할 때 다른 환경으로 모델을 배포할 때 모델을 공유할 때 버전 관리가...
7.LangChain | JSON 직렬화 | 모델
json.dump(data, f)에서는 Python 객체를 JSON 형태로 파일에 저장한다."w" 모드는 텍스트 쓰기 모드를 의미하며, JSON 파일 저장 시 사용된다.json.load(f)는 저장된 JSON 데이터를 다시 Python 객체로 복원한다."r" 모드는 텍
8. LangChain | Python의 Pickle 직렬화 | 모델
pickle.dump(object, f) 에서는 Python 객체를 바이너리 형태로 파일에 저장한다."wb" 모드는 바이너리 쓰기 모드를 의미하여, Pickle 파일 저장 시 필수이다.pickle.load(f)는 저장된 바이너리 데이터를 다시 Python 객체로 복원한
9.LangChain | 랭체인의 Chain 직렬화 | 모델
결과물 타입 : dict객체를 파이썬 딕셔너리로 변환키 - 값 쌍으로 데이터 저장메모리 내에서 직접 사용 가능결과물 타입 : str객체를 JSON 문자열로 변환파일 저장이나 네트워크 전송에 적합텍스트 기반 처리 가능기본 체인 로드load()는 저장된 체인을 실행 가능한
10.LangChain | Safety Settings란 | 모델
모델이 너무 엄격한 제한으로 인해 필요한 출력을 생성하지 못할 때특정 연구나 교육 목적으로 일부 제한적인 콘텐츠에 대한 접근이 필요할 때모델의 응답이 과도하게 필터링되어 유용한 정보까지 차단되는 경우프로젝트의 특성에 맞게 콘텐츠 필터링 수준을 세밀하게 조정해야 할 때H
11.LangChain | 멀티모달 모델 (MultiModal Model) | 모델
필수 라이브러리 임포트이미지와 텍스트를 함께 처리하기 위해 필요한 특별한 도구들을 프로그램에 불러오는 과정이다. MultiModal 기능을 사용하기 위한 기본적인 도구들을 준비하는 단계이다.Gemini 모델 초기화AI 모델을 사용하기 위한 첫 번째 설정 단계이다. 멀티