Amazon Bedrock 실전 생성형 AI 앱 개발
아마존 베드록으로 만들면서 배우는 LLM 앱 개발 첫걸음
생성형 AI 프로그래밍 시리즈 22
위키북스
2026년 01월 30일 출간
국내도서 : 2025년 11월 25일 출간
(개의 리뷰)
(
0%
의 구매자)
- eBook 상품 정보
- 파일 정보 PDF (82.28MB) | 576 쪽
- ISBN 9791158396640
- 지원기기 교보eBook App, PC e서재, 리더기, 웹뷰어
-
교보eBook App
듣기(TTS) 불가능
TTS 란?텍스트를 음성으로 읽어주는 기술입니다.
- 전자책의 편집 상태에 따라 본문의 흐름과 다르게 텍스트를 읽을 수 있습니다.
- 이미지 형태로 제작된 전자책 (예 : ZIP 파일)은 TTS 기능을 지원하지 않습니다.
PDF 필기가능 (Android, iOS)
소득공제
소장
정가 : 28,000원
쿠폰적용가 25,200원
10% 할인 | 5%P 적립이 상품은 배송되지 않는 디지털 상품이며,
교보eBook앱이나 웹뷰어에서 바로 이용가능합니다.
카드&결제 혜택
- 5만원 이상 구매 시 추가 2,000P
- 3만원 이상 구매 시, 등급별 2~4% 추가 최대 416P
- 리뷰 작성 시, e교환권 추가 최대 200원
작품소개
이 상품이 속한 분야
◎ 클라우드 시대, 생성형 AI 애플리케이션 개발의 핵심을 마스터하세요.
아마존 베드록(Amazon Bedrock)은 AWS의 강력하고 유연한 기반 모델(Foundation Model) 서비스입니다. 이 책은 아마존 베드록을 활용하여 생성형 AI 애플리케이션을 실제로 설계하고 구축하는 데 필요한 모든 것을 담고 있습니다. 기본적인 AI 지식부터 시작하여, Bedrock 환경 설정, 다양한 모델 사용법, 실제 비즈니스에 적용할 수 있는 애플리케이션 구현까지 단계별로 안내합니다.
◎ 프롬프트 엔지니어링부터 실전 배포까지, 즉시 활용 가능한 실습 중심 가이드!
단순한 이론을 넘어, 현업에서 즉시 사용할 수 있는 실습과 예제를 중심으로 구성되었습니다. RAG(검색 증강 생성)와 같은 고급 아키텍처 구현 방법을 포함하여, 최적의 출력을 얻기 위한 프롬프트 엔지니어링 기술을 깊이 있게 다룹니다. 또한, 개발된 AI 애플리케이션을 안정적으로 운영하고 확장하기 위한 배포 및 관리 노하우까지 총망라하여, 독자들이 프로덕션 레벨의 서비스를 구축할 수 있도록 실질적인 도움을 제공합니다.
◎ AI 시대, 기술 격차를 해소하고 경쟁력을 강화하세요.
이 책은 생성 AI 분야에서 경쟁력을 갖추고자 하는 모든 개발자 및 기획자를 위한 필독서입니다. 아마존 베드록이라는 강력한 도구를 통해 차세대 AI 애플리케이션 개발의 표준을 익히고, 복잡한 LLM을 비즈니스 가치로 전환하는 방법을 명확하게 제시합니다.
이 책을 통해 생성 AI 혁신의 최전선에 서서, 미래 기술을 선도하는 전문가로 거듭나시길 바랍니다.
아마존 베드록(Amazon Bedrock)은 AWS의 강력하고 유연한 기반 모델(Foundation Model) 서비스입니다. 이 책은 아마존 베드록을 활용하여 생성형 AI 애플리케이션을 실제로 설계하고 구축하는 데 필요한 모든 것을 담고 있습니다. 기본적인 AI 지식부터 시작하여, Bedrock 환경 설정, 다양한 모델 사용법, 실제 비즈니스에 적용할 수 있는 애플리케이션 구현까지 단계별로 안내합니다.
◎ 프롬프트 엔지니어링부터 실전 배포까지, 즉시 활용 가능한 실습 중심 가이드!
단순한 이론을 넘어, 현업에서 즉시 사용할 수 있는 실습과 예제를 중심으로 구성되었습니다. RAG(검색 증강 생성)와 같은 고급 아키텍처 구현 방법을 포함하여, 최적의 출력을 얻기 위한 프롬프트 엔지니어링 기술을 깊이 있게 다룹니다. 또한, 개발된 AI 애플리케이션을 안정적으로 운영하고 확장하기 위한 배포 및 관리 노하우까지 총망라하여, 독자들이 프로덕션 레벨의 서비스를 구축할 수 있도록 실질적인 도움을 제공합니다.
◎ AI 시대, 기술 격차를 해소하고 경쟁력을 강화하세요.
이 책은 생성 AI 분야에서 경쟁력을 갖추고자 하는 모든 개발자 및 기획자를 위한 필독서입니다. 아마존 베드록이라는 강력한 도구를 통해 차세대 AI 애플리케이션 개발의 표준을 익히고, 복잡한 LLM을 비즈니스 가치로 전환하는 방법을 명확하게 제시합니다.
이 책을 통해 생성 AI 혁신의 최전선에 서서, 미래 기술을 선도하는 전문가로 거듭나시길 바랍니다.
▣ 01장: 생성형 AI의 기본과 동향
1.1 ‘생성형 AI’란 무엇인가?
__1.1.1 인공지능(AI)과 생성형 AI의 위치
__1.1.2 생성형 AI의 ‘모델’이란
__1.1.3 ‘모델’에 관한 기초 지식
1.2 유명한 생성형 AI 제품
__1.2.1 ChatGPT
__1.2.2 Stable Diffusion
__1.2.3 GitHub Copilot
1.3 생성형 AI용 API 제공 및 클라우드로 배포
__1.3.1 생성형 AI 모델용 API
__1.3.2 클라우드에서 제공되는 생성형 AI 모델의 API
▣ 02장: Amazon Bedrock 입문
2.1 Amazon Bedrock이란
__2.1.1 Bedrock의 장점
__2.1.2 지원되는 AWS 리전
__2.1.3 Bedrock 모델 이용 요금
2.2 왜 AWS의 Bedrock을 선택해야 할까?
__2.2.1 (1) AWS의 강점을 대부분 활용 가능
__2.2.2 (2) 여러 기업이 제공하는 최신 모델을 폭넓게 이용 가능
__2.2.3 (3) 애플리케이션 개발의 높은 편의성
__2.2.4 (4) 엔터프라이즈 레벨의 보안과 거버넌스 제공
2.3 Bedrock에서 사용할 수 있는 생성형 AI 모델
__2.3.1 모델의 종류
__2.3.2 Bedrock의 추천 모델
2.4 Anthropic의 생성형 AI 모델
__2.4.1 Anthropic의 모델의 특징
__2.4.2 Claude 3 시리즈
2.5 Cohere의 생성형 AI 모델
__2.5.1 Cohere의 모델 특징
__2.5.2 Command R 시리즈
__2.5.3 Embed English / Multilingual
2.6 Stability AI의 생성형 AI 모델
__2.6.1 Stability AI의 모델 특징
__2.6.2 Stable Diffusion 3.5 Large
2.7 Amazon의 생성형 AI 모델
__2.7.1 Amazon 모델의 특징
__2.7.2 Amazon Nova 인식 모델
__2.7.3 Amazon Nova 크리에이티브 콘텐츠 생성 모델
2.8 Meta의 생성형 AI 모델
__2.8.1 Meta 모델의 특징
__2.8.2 Llama 3.3
2.9 Mistral AI의 생성형 AI 모델
__2.9.1 Mistral AI의 모델의 특징
__2.9.2 Mistral Large2 / Small
2.10 AI21 Labs의 생성형 AI 모델
__2.10.1 AI21 Labs의 모델의 특징
__2.10.2 Jamba 1.5 Large
2.11 [핸즈온] Bedrock 실제로 사용해보기
__2.11.1 플레이그라운드를 통해 GUI 환경에서 생성하는 방법
__2.11.2 AWS SDK를 사용해서 각 모델 API 요청을 보내는 방법
▣ 03장: 생성형 AI 애플리케이션 개발 방법
3.1 프롬프트란
__3.1.1 프롬프트 작성법
__3.1.2 프롬프트의 종류
3.2 토큰이란
__3.2.1 문자열을 토큰으로 분할하기
__3.2.2 토큰 수 계산 방법
3.3 프롬프트 엔지니어링이란
__3.3.1 프롬프트 엔지니어링 가이드라인
__3.3.2 모델 활성화하기
__3.3.3 명확한 작업 설정하기
__3.3.4 문서 제공하기
__3.3.5 구체적인 지침 설정하기
__3.3.6 예시를 제공하기
__3.3.7 단계별 사고 유도하기
__3.3.8 기타 프롬프트 엔지니어링 기법
3.4 생성형 AI 앱 개발에 사용하는 주요 프레임워크
__3.4.1 생성형 AI 프레임워크의 활용
__3.4.2 LangChain
__3.4.3 Streamlit
3.5 LangChain과 Streamlit을 이용한 생성형 AI 앱 개발
__3.5.1 개발 환경 준비
__3.5.2 [스텝1] LangChain 구현하기
__3.5.3 [스텝2] 스트림 출력
__3.5.4 [스텝3] Streamlit 연동하기
__3.5.5 [스텝4] 연속적인 채팅 대화 구현하기
__3.5.6 [스텝5] 채팅 기록 유지하기
3.6 AWS Lambda에서 실행되는 생성형 AI 앱 개발
__3.6.1 AWS Lambda를 활용한 생성형 AI 앱
__3.6.2 활용 사례
__3.6.3 개발 환경 구성
__3.6.4 구현 내용
__3.6.5 Lambda 레이어 만들기
__3.6.6 Lambda 함수 생성하기
3.7 생성형 AI 앱 개발에 사용하는 그 외의 프레임워크
__3.7.1 LlamaIndex
__3.7.2 Gradio
__3.7.3 Chainlit
__3.7.4 Dify
__3.7.5 LiteLLM
▣ 04장: 사내 문서 검색 RAG 애플리케이션을 만들어보자
4.1 RAG란?
__4.1.1 RAG의 특징과 유스케이스
__4.1.2 의미 검색을 가능하게 하는 ‘임베딩’
__4.1.3 RAG 아키텍처의 구현 예시
4.2 [핸즈온] 지식 기반으로 RAG를 구현해보자
__4.2.1 지식 기반의 구조
__4.2.2 지식 기반을 활용한 RAG 애플리케이션 개발의 개요
__4.2.3 S3 버킷 생성하기
__4.2.4 Knowledge Base 생성하기
__4.2.5 모델 활성화하기
__4.2.6 지식 기반 단독 동작 확인하기
__4.2.7 프론트엔드 구현하기
__4.2.8 RAG 애플리케이션 실행하기
__4.2.9 불필요한 리소스의 삭제 방법
__4.2.10 지식 기반을 지원하는 생성형 AI 모델
__4.2.11 지식 기반의 쿼리 설정
__4.2.12 지식 기반의 이용 요금
4.3 RAG용 검색 대상 서비스 소개
__4.3.1 이 섹션에서 소개하는 서비스 목록
__4.3.2 Amazon OpenSearch Service (벡터 DB/AWS 서비스)
__4.3.3 Amazon OpenSearch Serverless (벡터 DB/AWS 서비스)
__4.3.4 Amazon Aurora & Amazon RDS (벡터 DB/AWS 서비스)
__4.3.5 Amazon DocumentDB (벡터 DB/AWS 서비스)
__4.3.6 Amazon MemoryDB for Redis (벡터 DB/AWS 서비스)
__4.3.7 Pinecone (벡터 DB/AWS Marketplace 제품)
__4.3.8 Redis Enterprise Cloud (벡터 DB/AWS Marketplace 제품)
__4.3.9 MongoDB Atlas (벡터 DB/AWS Marketplace 제품)
__4.3.10 Amazon Kendra (기타/AWS 서비스)
__4.3.11 Amazon DynamoDB (기타/AWS 서비스)
__4.3.12 Amazon S3 (기타/AWS 서비스)
4.4 추천 RAG 아키텍처 예시
__4.4.1 일단 시험해보기 & 저비용 운영
__4.4.2 답변 품질 중시
__4.4.3 데이터 소스와의 연결성 중시
4.5 RAG의 답변 품질을 높이기 위한 방법
__4.5.1 청크 사이즈의 조정
__4.5.2 메타데이터 추가
__4.5.3 리랭크
__4.5.4 RAG 퓨전
__4.5.5 Rewrite-Retrieve-Read
__4.5.6 HyDE（Hypothetical Document Embeddings）
__4.5.7 기타 새로운 방법
4.6 RAG 애플리케이션의 평가 도구
__4.6.1 Ragas
__4.6.2 LangSmith
__4.6.3 Langfuse
▣ 05장: 편리한 자율형 AI 에이전트 만들기
5.1 AI 에이전트란
__5.1.1 도구를 사용하는 AI 에이전트
__5.1.2 고도화된 AI 에이전트 구현 방식 ‘ReAct’란?
__5.1.3 오픈소스 AI 에이전트
__5.1.4 AI 에이전트의 유스케이스
5.2 [핸즈온] LangChain에서 AI 에이전트를 구현해 보기
__5.2.1 사전준비
__5.2.2 핸즈온 ① 툴을 이용하는 AI 에이전트
__5.2.3 핸즈온 ② ReAct 에이전트
5.3 Agents for Amazon Bedrock이란
__5.3.1 Agents for Amazon Bedrock의 개요
__5.3.2 Agents의 구조
__5.3.3 Agents의 상세
__5.3.4 지원 모델과 리전
__5.3.5 Agents의 사용 요금
5.4 [핸즈온] Agents로 AI 에이전트를 만들어 보자
__5.4.1 이 장에서 개발하는 AI 에이전트의 개요
__5.4.2 모델 활성화
__5.4.3 Pinecone 준비
__5.4.4 S3 버킷 작성
__5.4.5 지식 기반 생성
__5.4.6 Lambda 계층 작성
__5.4.7 Agents 작성
__5.4.8 작업 그룹 추가
__5.4.9 Lambda 함수 설정
__5.4.10 지식 기반 추가
__5.4.11 별칭 작성
__5.4.12 동작 확인
__5.4.13 추적 표시
__5.4.14 Orchestration Strategy 변경
▣ 06장: Bedrock 기능 활용하기
6.1 커스터마이징 모델
__6.1.1 커스텀 모델이란
__6.1.2 파인튜닝
__6.1.3 지속적인 사전 훈련
__6.1.4 커스텀 모델 가져오기
6.2 세이프가드
__6.2.1 세이프가드란
__6.2.2 워터마크 감지
__6.2.3 가드레일
6.3 평가와 도입
__6.3.1 모델 평가
__6.3.2 프로비저닝된 처리량
6.4 Bedrock 기타 기능
__6.4.1 배치 추론
__6.4.2 SageMaker Unified Studio의 Amazon Bedrock
▣ 07장: 다양한 AWS 서비스와 Bedrock의 연계
7.1 Amazon CloudWatch와의 연계
__7.1.1 CloudWatch 개요
__7.1.2 CloudWatch Metrics
__7.1.3 CloudWatch Logs
7.2 AWS CloudTrail과의 연계
__7.2.1 CloudTrail 개요
__7.2.2 관리 이벤트와 데이터 이벤트
7.3 AWS PrivateLink와의 연계
__7.3.1 PrivateLink 개요
__7.3.2 생성형 AI 앱의 네트워크 설계
7.4 AWS CloudFormation과의 연계
__7.4.1 CloudFormation 개요
7.5 그 외의 AWS 서비스와의 연계
__7.5.1 Amazon Aurora
__7.5.2 Amazon CodeCatalyst
__7.5.3 Amazon Lex
__7.5.4 Amazon Transcribe
__7.5.5 Amazon Connect
▣ 08장: 생성형 AI 앱을 로우코드로 개발해보자
8.1 AWS Step Functions와 프롬프트 체이닝
__8.1.1 Step Functions란
__8.1.2 통합의 종류
__8.1.3 프롬프트 체이닝이란
__8.1.4 Workflow Studio 사용법
__8.1.5 JSONata 구문을 사용한 값의 참조와 내장 함수
8.2 [핸즈온] Bedrock과 Step Functions를 사용한 생성형 AI 앱 개발
__8.2.1 개발 환경 준비
__8.2.2 핸즈온의 개요
__8.2.3 【단계 1】 Bedrock에 관한 게시물 가져오기
__8.2.4 【단계 2】 가져온 각 게시물의 요점 정리하기
__8.2.5 생성한 태스크 테스트 실행하기
__8.2.6 【단계 3】 자기소개문과 캐치프레이즈 작성하기
__8.2.7 【단계 4】 생성한 내용을 Markdown 형식으로 변환하기
__8.2.8 [단계 5] 썸네일 이미지 생성하기
__8.2.9 완성된 상태 머신 실행
__8.2.10 확인 화면 생성
▣ 09장: Bedrock 이외의 생성형 AI 관련 서비스 소개
9.1 AWS의 생성형 AI 스택
__9.1.1 AWS 생성형 AI 스택의 종류
__9.1.2 Amazon Q
9.2 생성형 AI를 애플리케이션으로 사용하고 싶은 경우
__9.2.1 PartyRock
__9.2.2 AWS HealthScribe
9.3 생성형 AI 모델의 학습 및 추론 인프라가 필요한 경우
__9.3.1 Amazon SageMaker
__9.3.2 Amazon SageMaker JumpStart
__9.3.3 Amazon SageMaker Canvas
__9.3.4 AWS의 자체 설계 칩
9.4 [핸즈온] Amazon Q Business 애플리케이션 개발
__9.4.1 RAG에 사용할 문서 준비
__9.4.2 AWS IAM Identity Center 생성
__9.4.3 Amazon Q Business 애플리케이션에 로그인할 사용자 생성
__9.4.4 Amazon Q Business 애플리케이션 생성
__9.4.5 Amazon Q Business 애플리케이션 동작 확인
__9.4.6 Amazon Q Business 애플리케이션 옵션 설정
__9.4.7 핸즈온 환경 삭제
▣ 10장: Bedrock의 활용 사례
10.1 미리디 사례
__10.1.1 미리디 소개
__10.1.2 AI 프레젠테이션 생성 기능
__10.1.3 미리캔버스의 아키텍처
__10.1.4 서비스 성과와 향후 계획
10.2 오늘의집 사례
__10.2.1 오늘의집 소개
__10.2.2 오집사 프로젝트 소개
__10.2.3 오집사의 아키텍처
__10.2.4 서비스 성과와 향후 계획
10.3 에이전트소프트(해피캠퍼스) 사례
__10.3.1 에이전트소프트 소개
__10.3.2 EasyAI 서비스 소개
__10.3.3 EasyAI 기능 소개
__10.3.4 EasyAI 아키텍처
__10.3.5 서비스 성과와 향후 계획
▣ 11장: 최신 정보 따라잡기
11.1 AWS 공식 자료
__11.1.1 공식 문서
__11.1.2 AWS What’s New
__11.1.3 AWS 블로그
__11.1.4 GitHub 공개 자료
__11.1.5 AWS Innovate
11.2 기술 커뮤니티 및 정보 수집 플랫폼
__11.2.1 AWSKRUG (AWS 한국 사용자 모임)
__11.2.2 Qiita (일본 개발자 사이트)
__11.2.3 X(구 Twitter)
__11.2.4 Discord
__11.2.5 LinkedIn
▣ 부록1: AWS 계정 생성 절차
AWS 계정 생성하기
MFA(다중 인증) 설정하기
▣ 부록2: IAM 사용자 생성 절차
IAM 사용자 신규 생성하기
MFA(다중 인증)를 생성하기
▣ 부록3: 핸즈온 환경 구성
1.1 ‘생성형 AI’란 무엇인가?
__1.1.1 인공지능(AI)과 생성형 AI의 위치
__1.1.2 생성형 AI의 ‘모델’이란
__1.1.3 ‘모델’에 관한 기초 지식
1.2 유명한 생성형 AI 제품
__1.2.1 ChatGPT
__1.2.2 Stable Diffusion
__1.2.3 GitHub Copilot
1.3 생성형 AI용 API 제공 및 클라우드로 배포
__1.3.1 생성형 AI 모델용 API
__1.3.2 클라우드에서 제공되는 생성형 AI 모델의 API
▣ 02장: Amazon Bedrock 입문
2.1 Amazon Bedrock이란
__2.1.1 Bedrock의 장점
__2.1.2 지원되는 AWS 리전
__2.1.3 Bedrock 모델 이용 요금
2.2 왜 AWS의 Bedrock을 선택해야 할까?
__2.2.1 (1) AWS의 강점을 대부분 활용 가능
__2.2.2 (2) 여러 기업이 제공하는 최신 모델을 폭넓게 이용 가능
__2.2.3 (3) 애플리케이션 개발의 높은 편의성
__2.2.4 (4) 엔터프라이즈 레벨의 보안과 거버넌스 제공
2.3 Bedrock에서 사용할 수 있는 생성형 AI 모델
__2.3.1 모델의 종류
__2.3.2 Bedrock의 추천 모델
2.4 Anthropic의 생성형 AI 모델
__2.4.1 Anthropic의 모델의 특징
__2.4.2 Claude 3 시리즈
2.5 Cohere의 생성형 AI 모델
__2.5.1 Cohere의 모델 특징
__2.5.2 Command R 시리즈
__2.5.3 Embed English / Multilingual
2.6 Stability AI의 생성형 AI 모델
__2.6.1 Stability AI의 모델 특징
__2.6.2 Stable Diffusion 3.5 Large
2.7 Amazon의 생성형 AI 모델
__2.7.1 Amazon 모델의 특징
__2.7.2 Amazon Nova 인식 모델
__2.7.3 Amazon Nova 크리에이티브 콘텐츠 생성 모델
2.8 Meta의 생성형 AI 모델
__2.8.1 Meta 모델의 특징
__2.8.2 Llama 3.3
2.9 Mistral AI의 생성형 AI 모델
__2.9.1 Mistral AI의 모델의 특징
__2.9.2 Mistral Large2 / Small
2.10 AI21 Labs의 생성형 AI 모델
__2.10.1 AI21 Labs의 모델의 특징
__2.10.2 Jamba 1.5 Large
2.11 [핸즈온] Bedrock 실제로 사용해보기
__2.11.1 플레이그라운드를 통해 GUI 환경에서 생성하는 방법
__2.11.2 AWS SDK를 사용해서 각 모델 API 요청을 보내는 방법
▣ 03장: 생성형 AI 애플리케이션 개발 방법
3.1 프롬프트란
__3.1.1 프롬프트 작성법
__3.1.2 프롬프트의 종류
3.2 토큰이란
__3.2.1 문자열을 토큰으로 분할하기
__3.2.2 토큰 수 계산 방법
3.3 프롬프트 엔지니어링이란
__3.3.1 프롬프트 엔지니어링 가이드라인
__3.3.2 모델 활성화하기
__3.3.3 명확한 작업 설정하기
__3.3.4 문서 제공하기
__3.3.5 구체적인 지침 설정하기
__3.3.6 예시를 제공하기
__3.3.7 단계별 사고 유도하기
__3.3.8 기타 프롬프트 엔지니어링 기법
3.4 생성형 AI 앱 개발에 사용하는 주요 프레임워크
__3.4.1 생성형 AI 프레임워크의 활용
__3.4.2 LangChain
__3.4.3 Streamlit
3.5 LangChain과 Streamlit을 이용한 생성형 AI 앱 개발
__3.5.1 개발 환경 준비
__3.5.2 [스텝1] LangChain 구현하기
__3.5.3 [스텝2] 스트림 출력
__3.5.4 [스텝3] Streamlit 연동하기
__3.5.5 [스텝4] 연속적인 채팅 대화 구현하기
__3.5.6 [스텝5] 채팅 기록 유지하기
3.6 AWS Lambda에서 실행되는 생성형 AI 앱 개발
__3.6.1 AWS Lambda를 활용한 생성형 AI 앱
__3.6.2 활용 사례
__3.6.3 개발 환경 구성
__3.6.4 구현 내용
__3.6.5 Lambda 레이어 만들기
__3.6.6 Lambda 함수 생성하기
3.7 생성형 AI 앱 개발에 사용하는 그 외의 프레임워크
__3.7.1 LlamaIndex
__3.7.2 Gradio
__3.7.3 Chainlit
__3.7.4 Dify
__3.7.5 LiteLLM
▣ 04장: 사내 문서 검색 RAG 애플리케이션을 만들어보자
4.1 RAG란?
__4.1.1 RAG의 특징과 유스케이스
__4.1.2 의미 검색을 가능하게 하는 ‘임베딩’
__4.1.3 RAG 아키텍처의 구현 예시
4.2 [핸즈온] 지식 기반으로 RAG를 구현해보자
__4.2.1 지식 기반의 구조
__4.2.2 지식 기반을 활용한 RAG 애플리케이션 개발의 개요
__4.2.3 S3 버킷 생성하기
__4.2.4 Knowledge Base 생성하기
__4.2.5 모델 활성화하기
__4.2.6 지식 기반 단독 동작 확인하기
__4.2.7 프론트엔드 구현하기
__4.2.8 RAG 애플리케이션 실행하기
__4.2.9 불필요한 리소스의 삭제 방법
__4.2.10 지식 기반을 지원하는 생성형 AI 모델
__4.2.11 지식 기반의 쿼리 설정
__4.2.12 지식 기반의 이용 요금
4.3 RAG용 검색 대상 서비스 소개
__4.3.1 이 섹션에서 소개하는 서비스 목록
__4.3.2 Amazon OpenSearch Service (벡터 DB/AWS 서비스)
__4.3.3 Amazon OpenSearch Serverless (벡터 DB/AWS 서비스)
__4.3.4 Amazon Aurora & Amazon RDS (벡터 DB/AWS 서비스)
__4.3.5 Amazon DocumentDB (벡터 DB/AWS 서비스)
__4.3.6 Amazon MemoryDB for Redis (벡터 DB/AWS 서비스)
__4.3.7 Pinecone (벡터 DB/AWS Marketplace 제품)
__4.3.8 Redis Enterprise Cloud (벡터 DB/AWS Marketplace 제품)
__4.3.9 MongoDB Atlas (벡터 DB/AWS Marketplace 제품)
__4.3.10 Amazon Kendra (기타/AWS 서비스)
__4.3.11 Amazon DynamoDB (기타/AWS 서비스)
__4.3.12 Amazon S3 (기타/AWS 서비스)
4.4 추천 RAG 아키텍처 예시
__4.4.1 일단 시험해보기 & 저비용 운영
__4.4.2 답변 품질 중시
__4.4.3 데이터 소스와의 연결성 중시
4.5 RAG의 답변 품질을 높이기 위한 방법
__4.5.1 청크 사이즈의 조정
__4.5.2 메타데이터 추가
__4.5.3 리랭크
__4.5.4 RAG 퓨전
__4.5.5 Rewrite-Retrieve-Read
__4.5.6 HyDE（Hypothetical Document Embeddings）
__4.5.7 기타 새로운 방법
4.6 RAG 애플리케이션의 평가 도구
__4.6.1 Ragas
__4.6.2 LangSmith
__4.6.3 Langfuse
▣ 05장: 편리한 자율형 AI 에이전트 만들기
5.1 AI 에이전트란
__5.1.1 도구를 사용하는 AI 에이전트
__5.1.2 고도화된 AI 에이전트 구현 방식 ‘ReAct’란?
__5.1.3 오픈소스 AI 에이전트
__5.1.4 AI 에이전트의 유스케이스
5.2 [핸즈온] LangChain에서 AI 에이전트를 구현해 보기
__5.2.1 사전준비
__5.2.2 핸즈온 ① 툴을 이용하는 AI 에이전트
__5.2.3 핸즈온 ② ReAct 에이전트
5.3 Agents for Amazon Bedrock이란
__5.3.1 Agents for Amazon Bedrock의 개요
__5.3.2 Agents의 구조
__5.3.3 Agents의 상세
__5.3.4 지원 모델과 리전
__5.3.5 Agents의 사용 요금
5.4 [핸즈온] Agents로 AI 에이전트를 만들어 보자
__5.4.1 이 장에서 개발하는 AI 에이전트의 개요
__5.4.2 모델 활성화
__5.4.3 Pinecone 준비
__5.4.4 S3 버킷 작성
__5.4.5 지식 기반 생성
__5.4.6 Lambda 계층 작성
__5.4.7 Agents 작성
__5.4.8 작업 그룹 추가
__5.4.9 Lambda 함수 설정
__5.4.10 지식 기반 추가
__5.4.11 별칭 작성
__5.4.12 동작 확인
__5.4.13 추적 표시
__5.4.14 Orchestration Strategy 변경
▣ 06장: Bedrock 기능 활용하기
6.1 커스터마이징 모델
__6.1.1 커스텀 모델이란
__6.1.2 파인튜닝
__6.1.3 지속적인 사전 훈련
__6.1.4 커스텀 모델 가져오기
6.2 세이프가드
__6.2.1 세이프가드란
__6.2.2 워터마크 감지
__6.2.3 가드레일
6.3 평가와 도입
__6.3.1 모델 평가
__6.3.2 프로비저닝된 처리량
6.4 Bedrock 기타 기능
__6.4.1 배치 추론
__6.4.2 SageMaker Unified Studio의 Amazon Bedrock
▣ 07장: 다양한 AWS 서비스와 Bedrock의 연계
7.1 Amazon CloudWatch와의 연계
__7.1.1 CloudWatch 개요
__7.1.2 CloudWatch Metrics
__7.1.3 CloudWatch Logs
7.2 AWS CloudTrail과의 연계
__7.2.1 CloudTrail 개요
__7.2.2 관리 이벤트와 데이터 이벤트
7.3 AWS PrivateLink와의 연계
__7.3.1 PrivateLink 개요
__7.3.2 생성형 AI 앱의 네트워크 설계
7.4 AWS CloudFormation과의 연계
__7.4.1 CloudFormation 개요
7.5 그 외의 AWS 서비스와의 연계
__7.5.1 Amazon Aurora
__7.5.2 Amazon CodeCatalyst
__7.5.3 Amazon Lex
__7.5.4 Amazon Transcribe
__7.5.5 Amazon Connect
▣ 08장: 생성형 AI 앱을 로우코드로 개발해보자
8.1 AWS Step Functions와 프롬프트 체이닝
__8.1.1 Step Functions란
__8.1.2 통합의 종류
__8.1.3 프롬프트 체이닝이란
__8.1.4 Workflow Studio 사용법
__8.1.5 JSONata 구문을 사용한 값의 참조와 내장 함수
8.2 [핸즈온] Bedrock과 Step Functions를 사용한 생성형 AI 앱 개발
__8.2.1 개발 환경 준비
__8.2.2 핸즈온의 개요
__8.2.3 【단계 1】 Bedrock에 관한 게시물 가져오기
__8.2.4 【단계 2】 가져온 각 게시물의 요점 정리하기
__8.2.5 생성한 태스크 테스트 실행하기
__8.2.6 【단계 3】 자기소개문과 캐치프레이즈 작성하기
__8.2.7 【단계 4】 생성한 내용을 Markdown 형식으로 변환하기
__8.2.8 [단계 5] 썸네일 이미지 생성하기
__8.2.9 완성된 상태 머신 실행
__8.2.10 확인 화면 생성
▣ 09장: Bedrock 이외의 생성형 AI 관련 서비스 소개
9.1 AWS의 생성형 AI 스택
__9.1.1 AWS 생성형 AI 스택의 종류
__9.1.2 Amazon Q
9.2 생성형 AI를 애플리케이션으로 사용하고 싶은 경우
__9.2.1 PartyRock
__9.2.2 AWS HealthScribe
9.3 생성형 AI 모델의 학습 및 추론 인프라가 필요한 경우
__9.3.1 Amazon SageMaker
__9.3.2 Amazon SageMaker JumpStart
__9.3.3 Amazon SageMaker Canvas
__9.3.4 AWS의 자체 설계 칩
9.4 [핸즈온] Amazon Q Business 애플리케이션 개발
__9.4.1 RAG에 사용할 문서 준비
__9.4.2 AWS IAM Identity Center 생성
__9.4.3 Amazon Q Business 애플리케이션에 로그인할 사용자 생성
__9.4.4 Amazon Q Business 애플리케이션 생성
__9.4.5 Amazon Q Business 애플리케이션 동작 확인
__9.4.6 Amazon Q Business 애플리케이션 옵션 설정
__9.4.7 핸즈온 환경 삭제
▣ 10장: Bedrock의 활용 사례
10.1 미리디 사례
__10.1.1 미리디 소개
__10.1.2 AI 프레젠테이션 생성 기능
__10.1.3 미리캔버스의 아키텍처
__10.1.4 서비스 성과와 향후 계획
10.2 오늘의집 사례
__10.2.1 오늘의집 소개
__10.2.2 오집사 프로젝트 소개
__10.2.3 오집사의 아키텍처
__10.2.4 서비스 성과와 향후 계획
10.3 에이전트소프트(해피캠퍼스) 사례
__10.3.1 에이전트소프트 소개
__10.3.2 EasyAI 서비스 소개
__10.3.3 EasyAI 기능 소개
__10.3.4 EasyAI 아키텍처
__10.3.5 서비스 성과와 향후 계획
▣ 11장: 최신 정보 따라잡기
11.1 AWS 공식 자료
__11.1.1 공식 문서
__11.1.2 AWS What’s New
__11.1.3 AWS 블로그
__11.1.4 GitHub 공개 자료
__11.1.5 AWS Innovate
11.2 기술 커뮤니티 및 정보 수집 플랫폼
__11.2.1 AWSKRUG (AWS 한국 사용자 모임)
__11.2.2 Qiita (일본 개발자 사이트)
__11.2.3 X(구 Twitter)
__11.2.4 Discord
__11.2.5 LinkedIn
▣ 부록1: AWS 계정 생성 절차
AWS 계정 생성하기
MFA(다중 인증) 설정하기
▣ 부록2: IAM 사용자 생성 절차
IAM 사용자 신규 생성하기
MFA(다중 인증)를 생성하기
▣ 부록3: 핸즈온 환경 구성
인물정보
주식회사 Relic 첨단 기술 연구 개발 리드. 엔지니어로 인프라 설계 및 구축, 운영 및 유지보수 업무에 종사한 후, 2021년에 주식회사 Relic에 입사했습니다. 다수의 프로젝트를 넘나들며 서비스의 신뢰성 향상, 보안의 균질화/최적화, 표준화에 참여했습니다.
후지소프트 주식회사 에반젤리스트ㆍ아키텍트. 업무 시스템 개발 및 모바일 앱 개발 경험을 거쳐, 2015년경부터 클라우드 및 AWS Lambda로 대표되는 서버리스 아키텍처에 관심을 갖게 되었습니다. AWS의 에반젤리스트 겸 아키텍트로 활동 중입니다.
KDDI 애자일 개발 센터 주식회사 테크 에반젤리스트. 외국계 SIer에서 인프라 SE(시스템 엔지니어)로 근무한 후, 2019년에 KDDI 주식회사에 경력 입사하여 정보 시스템 부문에서 다수의 업무 시스템 AWS 이전(마이그레이션)을 경험했습니다.
Senior Solutions Architect. 소프트웨어 개발자, DevOps 엔지니어 및 소프트웨어 아키텍트의 경험을 통해 엔터프라이즈 고객이 높은 수준의 아키텍처 설계 선택을 하고 AWS 서비스를 사용하여 비즈니스 로직을 구성할 수 있도록 도움을 드리고 있습니다. 현재 AWS AIML TFC 활동 및 AWS 기술블로그 운영을 리딩하고 있으며, 엔터프라이즈 기업들의 AWS 클라우드 전환을 지원하는 업무를 담당하고 있습니다.
Solutions Architect. 엔터프라이즈 고객들이 Amazon Bedrock을 활용하여 비즈니스 가치를 극대화할 수 있도록 돕는 Agentic AI 전문가입니다. 복잡한 비즈니스 문제를 해결하기 위한 AI 에이전트 설계 및 구축을 지원하며, 생성형 AI 기술의 도입부터 아키텍처 설계까지 전 과정에 걸쳐 깊이 있는 기술 컨설팅을 제공하고 있습니다.
Solutions Architect. 고객의 요구사항을 도출하고 다양한 개발 경험과 모범사례를 바탕으로 효율적인 아키텍처를 제안하는 역할을 수행하고 있습니다. 현재는 생성형 AI를 이용한 자동화 시스템 구축을 위한 기술적인 도움을 드리고자 노력하고 있습니다.
Senior Solutions Architect. 대규모 프로덕션 환경에 대한 운영, 설계 및 구축을 한 경험을 바탕으로 고객들의 워크로드에 적합한 AWS 클라우드 아키텍처를 제안하며, 고객들의 기술적인 고민을 해소할 수 있도록 돕는 역할을 하고 있습니다.
이 상품의 총서
Klover리뷰 (0)
Klover리뷰 안내
Klover(Kyobo-lover)는 교보를 애용해 주시는 고객님들이 남겨주신 평점과 감상을 바탕으로, 다양한 정보를 전달하는 교보문고의 리뷰 서비스입니다.
1. 리워드 안내
구매 후 90일 이내에 평점 작성 시 e교환권 100원을 적립해 드립니다.
- - e교환권은 적립일로부터 180일 동안 사용 가능합니다.
- - 리워드는 5,000원 이상 eBook, 오디오북, 동영상에 한해 다운로드 완료 후 리뷰 작성 시 익일 제공됩니다. (2024년 9월 30일부터 적용)
- - 리워드는 한 상품에 최초 1회만 제공됩니다.
- - sam 이용권 구매 상품 / 선물받은 eBook은 리워드 대상에서 제외됩니다.
2. 운영 원칙 안내
Klover리뷰를 통한 리뷰를 작성해 주셔서 감사합니다. 자유로운 의사 표현의 공간인 만큼 타인에 대한 배려를 부탁합니다. 일부 타인의 권리를 침해하거나 불편을 끼치는 것을 방지하기 위해 아래에 해당하는 Klover 리뷰는 별도의 통보 없이 삭제될 수 있습니다.
- 도서나 타인에 대해 근거 없이 비방을 하거나 타인의 명예를 훼손할 수 있는 리뷰
- 도서와 무관한 내용의 리뷰
- 인신공격이나 욕설, 비속어, 혐오 발언이 개재된 리뷰
- 의성어나 의태어 등 내용의 의미가 없는 리뷰
구매 후 리뷰 작성 시, e교환권 100원 적립
문장수집
문장수집 안내
문장수집은 고객님들이 직접 선정한 책의 좋은 문장을 보여 주는 교보문고의 새로운 서비스 입니다. 교보eBook 앱에서 도서 열람 후 문장 하이라이트 하시면 직접 타이핑 하실 필요 없이 보다 편하게 남길 수 있습니다. 마음을 두드린 문장들을 기록하고 좋은 글귀들은 ‘좋아요’ 하여 모아보세요. 도서 문장과 무관한 내용 등록 시 별도 통보없이 삭제될 수 있습니다.
리워드 안내
- 구매 후 90일 이내에 문장 수집 등록 시 e교환권 100원을 적립해 드립니다.
- e교환권은 적립일로부터 180일 동안 사용 가능합니다.
- 리워드는 5,000원 이상 eBook에 한해 다운로드 완료 후 문장수집 등록 시 제공됩니다. (2024년 9월 30일부터 적용)
- 리워드는 한 상품에 최초 1회만 제공됩니다.
- sam 이용권 구매 상품 / 선물받은 eBook / 오디오북·동영상 상품/주문취소/환불 시 리워드 대상에서 제외됩니다.
구매 후 문장수집 작성 시, e교환권 100원 적립
교보eBook 첫 방문을 환영 합니다!
신규가입 혜택 지급이 완료 되었습니다.
바로 사용 가능한 교보e캐시 1,000원 (유효기간 7일)
지금 바로 교보eBook의 다양한 콘텐츠를 이용해 보세요!
