GitHubHuggingFace

2. LLM Basic

2025.04.11.

요즘 커리어에 대한 고민이 깊다. 스스로도 여러방면의 고민을 하게되는 것 같다. 이를테면 '회사에서 하는 일과 개인실력의 향상의 관계성', '내가 하는 분야의 성장할 수 있는 환경' 등등 많은 것 같다. 고민이 되는 건 어찌보면 당연한 것이지만 당장 해결할 수 있는 문제는 생각보다 많지 않고 방향성이 더 중요하다는 생각을 하게된다. 최근에 팀 동료의 한 멘트가 머리를 크게 울렸었는데, 그의 말을 의역해서 옮기자면 "본인은 팀 동료들이 Transformer 아키텍쳐를 계속해서 반복해 보았으면 좋겠다."는 말을 하셨다. 이 말을 듣고 곰곰히 생각해보니 필도 옛날에는 줄곧 기본을 돌아보는 시간을 가졌었는데 요즘엔 발전을 따라가는데 급급하다보니 여러가지 기본적인 것을 되짚을 여력이 없어진 것 같다. 그러니 컴팩트하게 기본을 돌아보는 시간을 마련하고 그에 따라 정리를 하려고 한다.

당연히 필자의 주 분야는 RAG/Agent이다. 누군가는 나에게 분야를 나눌필요없이 다같은 LLM Engineer아니냐고 묻지만, 나의 생각은 다르다. LLM의 그 자체를 연구하는 것과 LLM의 한계점을 인지하고 극복하고자 나온 RAG, LLM과 RAG가 조화를 이루는 Agent는 각각의 특징이 달라서 'LLM Engineer'라는 하나의 포지션으로 내가 하는일을 대변하고 싶지 않다. 확실히 필자에겐 Encoder base의 Model이라면 모를까 Decoder base Model은 우선순위에 밀리기는 한다. 그렇지만 스스로의 Level-Up을 생각하면 필수적이라고 생각한다. 언젠가 해야지, 해야지 하던 기본을 되짚는 시간을 팀 동료의 말 한마디로부터 불이 지펴져서 시작하게 되었다. 그에게 감사인사를 남긴다.

어떠한 방식대로 진행할 것인가 고민해보았을 때 허정준님의 "LLM을 활용한 실전 AI 애플리케이션 개발" 도서를 활용하여 기본을 되짚을 예정이고, Chapter별 학습을 진행한 뒤 해당 Chapter에서 리뷰할 내용을 추려 간략하게 Review하며 블로그 포스팅을 남기는 것으로 진행하려고 한다.

아래에 Index를 달아놓을테니 참고바란다 😄

  • 1부 LLM의 기초 뼈대 세우기

    • LLM 지도

    • LLM의 중추, 트랜스포머 아키텍쳐 살펴보기

    • 트랜스포머 모델을 다루기 위한 허깅페이스 트랜스포머 라이브러리

    • 말 잘듣는 모델 만들기

  • 2부 LLM 길들이기

    • GPU 효율적인 학습

    • sLLM 학습하기

    • 모델 가볍게 만들기

    • sLLM 서빙하기

  • 3부 LLM을 활용한 실전 애플리케이션 개발

    • LLM 애플리케이션 개발하기

    • 임베딩 모델로 데이터 의미 압축하기

    • 자신의 데이터에 맞춘 임베딩 모델 만들기 : RAG 개선하기

    • 벡터 데이터베이스로 확장하기 : RAG 구현하기

    • LLM 운영하기

  • 4부 멀티 모달, 에이전트 그리고 LLM의 미래

    • 멀티 모달 LLM

    • LLM 에이전트

    • 새로운 아키텍쳐

Last updated