SK 네트웍스 family AI 캠프 12주차 회고( 2025-05-12 ~ 2025-05-16 )

---

 

주간 수업 내용 복습

[ 05/12 ] RAG Langchain

[ SK 네트웍스 Family AI 캠프 수업 내용 복습 ] RAG Langchain 2025-05-12

 

[ 05/13 ] 벡터 데이터 베이스( 벡터 DB의 이해, 벡터 DB를 활용한 검색 )

[ SK 네트웍스 Family AI 캠프 수업 내용 복습 ] 벡터 데이터 베이스( 벡터 DB의 이해, 벡터 DB를 활용

 

[ 05/14 ] 벡터 데이터 베이스( 벡터 DB의 이해, 벡터 DB를 활용한 검색 )-2

[ SK 네트웍스 Family AI 캠프 수업 내용 복습 ] 벡터 데이터 베이스( 벡터 DB의 이해, 벡터 DB를 활용

 

[ 05/15 ] 프롬프트 엔지니어링 응용 - RAG( 검색 증강 생성 )

[ SK 네트웍스 Family AI 캠프 수업 내용 복습 ] 프롬프트 엔지니어링 응용 - RAG( 검색 증강 생성 ) 2025

 

[ 05/16 ] 프롬프트 엔지니어링 응용 - CoT( Chan of Thought )

[ SK 네트웍스 Family AI 캠프 수업 내용 복습 ] 프롬프트 엔지니어링 응용 - CoT( Chan of Thought ) 2025-05-1

 

---

PMI

Plus : 좋았던 점

 RAG에 대한 개념과 그 활용 방법을 배울 수 있어서 좋았습니다. 지난 주 배웠던 Fine-tuning을 배울 때에는 LLM을 내가 원하는 분야에 최적화할 수 있지만, 정보가 갱신되거나 새로운 데이터가 들어왔을 시에는 다시 훈련을 해주고 배포해줘야 하는 단점이 있었습니다. 반면에 RAG 방식은 사용자가 질문을 하였을 때 그 질문에 대하여 답변을 하기 위해 문서를 검색하여 그 결과를 바탕으로 답변합니다. 때문에 RAG 기반 LLM은 문서만 업데이트 해주면 모델을 새로 Fine-tuning 해주지 않아도 됩니다. 제가 구상하고 있는 게임 세계관 관리 LLM이나 AI 관련 어플리케이션을 보면 특정 요청을 받은 시점을 기준으로 정보를 취합하여 답변을 제공하는 것을 필요로 하기 때문에 이번주에 배운 RAG 내용이 무척이나 반가웠습니다. 

Minus : 아쉬웠던 점

 게임 세계관을 관리하고 안내해주는 LLM을 저번주부터 구상하기 시작했는데 점점 틀이 잡히는 것 같습니다. 관련해서 알아보면서 Azure와 FastAPI를 활용해야하는 것을 알게 되었고 관련해서 인프런 강의가 있는 것을 확인하였습니다. 기왕 기획도 어느정도 잡혔고 자료도 찾았으니 이번주부터 시작했으면 좋았을텐데 시작하지 못한 것이 아쉽습니다. 다음 주부터 인프런 강의를 들으며 조금씩 작업해 나가려고 합니다.

Impressive : 인상적이었던 점

 프롬프트 엔지니어링을 배우면서 Chat-GPT에 글을 쓰는 방식이 달라졌습니다. 파인튜닝과 Few-Shot에 쓰이는 데이터나 프롬프트 엔지니어링을 할 때 AI에게 역할을 지정해주고, 예시를 주고, 참고할 자료를 지정해주어야 원하는 답을 얻을 확률이 올라간다는 것을 알게 되니 자연스럽게 글을 쓰는 스타일이 달라진 것 같습니다. 그리고 실제로도 효과를 보는 것 같아 신기합니다.