RAG는 이제 선택이 아닌 기본 구조 — LLM 개요부터 RAG 파이프라인 구현까지 처음부터 체계적으로 배웁니다.

ChatGPT를 도입했지만 결과가 기대에 못 미치는 이유는 모델 성능이 아니라 '구조를 이해하지 못한 활용' 때문입니다.

이 과정은 LLM의 동작 원리와 한계(Hallucination)를 이해하는 것에서 출발해, RAG(검색 증강 생성)가 왜 필요한지, LangChain으로 어떻게 구축하는지를 처음부터 끝까지 실습 중심으로 안내합니다.

Document Parsing·Text Chunking·Embedding·Vector DB·Retriever 구현까지 RAG 파이프라인 전 단계를 직접 완성하며, 실무에 바로 적용 가능한 맞춤형 RAG 챗봇을 만드는 기초 역량을 갖출 수 있습니다.

▶ 이런 걸 배워요!

LLM 개요와 ChatGPT의 동작 원리, GPT 사전 훈련 방법과 Hallucination 발생 메커니즘을 이해할 수 있습니다.
RAG의 정의와 필요성을 설명하고, LLM 단독 활용의 한계를 RAG로 극복하는 구조를 파악할 수 있습니다.
Document Parsing 전략과 Text Chunking 기법을 실습하며 문서 전처리 파이프라인을 구성할 수 있습니다.
Embedding 모델과 Vector DB를 활용해 문서를 적재하고, Vector Search 및 Retriever를 직접 구현할 수 있습니다.
RAG Pipeline을 처음부터 끝까지 직접 구현해 실무 적용 가능한 기초 RAG 챗봇을 완성할 수 있습니다.

▶ 강의 주제

LLM과 RAG 핵심 개념 — ChatGPT 동작 원리, Hallucination 이해, RAG의 정의와 필요성
RAG 파이프라인 단계별 실습 — Document Parsing → Chunking → Embedding → Vector DB → Retriever
LangChain 기반 RAG 구현 — 통합 인터페이스로 문서 처리부터 답변 생성까지 전 과정 완주

▶ 지식공유자가 생각하는 수강생 유형

▶ 수강생의 고민을 시원하게 해결해드립니다

▶ 강의를 들은 후 수강생의 변화

▶ 강의 특징

전) K통신사 무선 코어망 장애탐지 AI 시스템 개발, 코드잇·SK네트웍스 AI 부트캠프 멘토 출신 양수민 강사가 현장 경험을 바탕으로 개념부터 활용법까지 친절하게 안내합니다.
LLM·RAG 차이점 비교로 핵심을 빠르게 파악하고, 이론 설명 → 직접 실습 → 결과 확인의 흐름으로 실전 감각을 익힙니다.

▶ 학습 내용