RAG 마스터: 기초부터 고급기법까지 (feat. LangChain)

2. RAG의 기본 개념과 LangChain 소개

4. Anaconda 가상환경 만들기 & 패키지 설치 & VS Code 실행 (conda 사용자)

5. Poetry 가상환경 만들기 & 패키지 설치 & VS Code 실행 (poetry 사용자)

7. 실습파일 다운로드

8. 데이터 다운로드

9. 강의자료 다운로드

10. 실습환경 준비

11. 문서 로더 (Document Loaders)

12. 텍스트 분할기 (Text Splitters)

13. 임베딩 모델 (Embeddings)

14. 벡터 저장소 (Vector Stores)

15. 검색기 (Retrievers)

16. 언어 모델 (LLMs)

18. Gradio 챗봇 인터페이스 구현

19. Prompt + LLM 연결하기

20. Prompt + LLM + OutputParser 연결하기 (StrOutputParser, JsonOutputParser, PydanticOutputParser)

21. Chat Completion Methods 이해 (invoke, stream, batch)

22. Runnable 객체 이해하기 1 (RunnableParallel)

23. Runnable 객체 이해하기 2 (RunnablePassthrough, RunnableLambda)

24. LCEL 활용 RAG 파이프라인 만들기 (feat. Gradio 스트림 출력)

25. 다양한 문서 형식 처리하기 1 - PDF 문서 가져오기 (PyPDFLoader 활용)

26. 다양한 문서 형식 처리하기 2 - 웹 문서 가져오기 (WebBaseLoader 활용)

27. 다양한 문서 형식 처리하기 3 - JSON 문서 가져오기 (JSONLoader 활용)

28. 다양한 문서 형식 처리하기 4 - CSV 문서 가져오기 (CSVLoader 활용)

29. 효과적인 텍스트 분할 전략 1 - 텍스트 분할의 필요성

30. 효과적인 텍스트 분할 전략 2 - RecursiveCharacterTextSplitter 사용

31. 효과적인 텍스트 분할 전략 3 - 정규표현식 사용

32. 효과적인 텍스트 분할 전략 4 - 토큰 수를 기반으로 분할 (tiktoken, Huggingface tokenizers)

33. 효과적인 텍스트 분할 전략 5 - 맥락을 기반으로 분할 (Semantic Chunking)

34. 임베딩 모델의 활용 1 - 개요

35. 임베딩 모델의 활용 2 - OpenAI 임베딩 모델 (OpenAIEmbeddings)

36. 임베딩 모델의 활용 3 - HuggingFace 임베딩 모델 (HuggingFaceEmbeddings)

37. 임베딩 모델의 활용 4 - Ollama 임베딩 모델 (OllamaEmbeddings)

38. 다국어 RAG 시스템 구축 실습 1 - 언어 교차(cross-lingual) 검색

39. 다국어 RAG 시스템 구축 실습 2 - 언어 감지 및 자동번역 통합

40. 다국어 RAG 시스템 구축 실습 3 - 언어 감지 및 검색 라우팅

41. Gradio 챗봇 - 히스토리 추가하기 (chat history)

42. 벡터 저장소 1 - 개요

43. 벡터 저장소 2 - Chroma DB 저장소 생성, 문서 관리, 문서 검색

44. 벡터 저장소 3 - FAISS 저장소 생성, 문서 관리, 문서 검색

45. RAG 검색기 1 - Semantic Search (VectorStore Retriever)

46. RAG 검색기 2 - Keyword Search (BM25Retriever)

47. RAG 검색기 3 - Keyword Search (BM25Retriever + Kiwi 한국어 분석기)

48. RAG 검색기 4 - Hybrid Search (EnsembleRetriever)

49. 검색 성능 평가 1 - 테스트셋 합성

50. 검색 성능 평가 2 - 정보검색(Information Retrieval) 평가지표 개요

51. 검색 성능 평가 3 - Hit Rate 평가지표

52. 검색 성능 평가 4 - MRR (Mean Reciprocal Rank) 평가지표

53. 검색 성능 평가 5 - Precision & Recall 평가지표

54. 검색 성능 평가 6 - mAP 평가지표

55. 검색 성능 평가 7 - NDCG 평가지표

56. 검색 성능 평가 8 - 테스트 데이터로 평가하기

57. 고급 검색 기법 소개 (쿼리 확장, Re-rank, 맥락 압축)

58. 쿼리(Query) 확장 1 - 기본 개념

59. 쿼리(Query) 확장 2 - 실습환경 준비 및 LangSmith 소개

60. 쿼리(Query) 확장 3 - Multi Query 기법

61. 쿼리(Query) 확장 4 - Decomposition 기법

62. 쿼리(Query) 확장 5 - 검색 성능 평가

63. Re-rank (재순위화) 기법 - Cross Encoder Reranker, LLM Reranker 활용

64. 맥락 압축 (Contextual compression) 1 - 기본 개념

65. 맥락 압축 (Contextual compression) 2 - LLMChainFilter 활용

66. 맥락 압축 (Contextual compression) 3 - LLMChainExtractor 활용

67. 맥락 압축 (Contextual compression) 4 - EmbeddingFilter 활용

68. 맥락 압축 (Contextual compression) 5 - DocumentCompressorPipleline 활용

69. 맥락 압축 (Contextual compression) - RAG 파이프라인 적용

70. 실습환경 준비 및 검색기 초기화

71. 주요 LLM 공급자 - OpenAI, Anthropic, Google, Ollama, Groq

72. RAG 답변 평가 (정량적 지표) 1 - 기본 개념

73. RAG 답변 평가 (정량적 지표) 2 - Embedding Distance 활용

74. RAG 답변 평가 (정량적 지표) 3 - Cross Encoder 활용

75. RAG 답변 평가 (정량적 지표) 4 - Rouge Metric 활용

76. RAG 답변 평가 (LLM-as-Judge) 1 - 기본 개념

77. RAG 답변 평가 (LLM-as-Judge) 2 - QA Evaluation

79. RAG 답변 평가 (LLM-as-Judge) 4 - Criteria Evaluation with labels