상담 데이터 분석을 통해 메뉴얼 추출하기
상담 데이터를 분석해 SOP 초안을 자동으로 만들고 ALF 세팅 파일로 분리하는 파이프라인을 소개했습니다. 초기 정의 부담을 줄이고 도입 가치를 시간 절감 기준으로 설명하는 방식도 제안했습니다.
#LLM#RAG
400
필터 1
상담 데이터 분석을 통해 메뉴얼 추출하기
상담 데이터를 분석해 유형 분류와 SOP 초안을 자동 생성하는 파이프라인을 소개했습니다. 세팅 초기 정의 부담을 줄이고 ALF 도입을 빠르게 시작하는 방법을 다뤘습니다.
#LLM#클러스터링
2000
티오더의 Text2SQL 에이전트 티스푼 구현 사례
티오더가 Slack 기반 Text2SQL 에이전트 티스푼을 AWS와 LangGraph로 구현한 사례를 소개했습니다. 단계적 검색, 이중 승인, SQL 검증으로 안전한 데이터 조회 흐름을 만들었습니다.
#Text2SQL#AWS
5500
13년치 회사 기억을 먹은 AI: Knowledge DB 구축기
13년치 조직 기억을 Knowledge DB로 묶어 AI 에이전트가 작업 전 맥락을 먼저 보게 만든 사례입니다.\n장애 대응과 온보딩 효율을 높이되, 원본 검증과 guardrail로 hallucination을 줄였습니다.
#LLM#RAG
500
Amazon Aurora PostgreSQL에서 pgvector 0.8.0을 통한 벡터 검색 성능 및 관련성 향상
Amazon Aurora PostgreSQL에서 pgvector 0.8.0의 반복적 스캔과 비용 추정 개선을 소개했습니다. 필터링된 벡터 검색의 재현율과 지연 시간을 함께 개선하는 방법을 다뤘습니다.
#Amazon Aurora PostgreSQL#pgvector
4600
![[활용가이드] kt cloud AI RAG(검색 증강 생성) 활용법 – 컨텍스트 최적화로 성능 높이기](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2FRStdq%2FdJMb9963yLW%2FAAAAAAAAAAAAAAAAAAAAAAVm9CwbQWYlwZdcbOtC2NvAEE_JV2ZdyT9P_uXHqtRd%2Fimg.jpg%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1777561199%26allow_ip%3D%26allow_referer%3D%26signature%3DZ1uj8SnbXBeUUjokjrPk8PFcslg%253D)
[활용가이드] kt cloud AI RAG(검색 증강 생성) 활용법 – 컨텍스트 최적화로 성능 높이기
RAG 서비스에서는 프롬프트보다 컨텍스트 품질이 답변 성능을 더 크게 좌우했습니다.\nTopK 조정과 rerank, 버전 필터링, 질문 기반 압축으로 근거 밀도를 높이는 방법을 정리했습니다.
#RAG#LLM
6300
Velopers 추천광고
쿠팡 파트너스
개발자를 위한 인기 상품을 확인해 보세요
이 게시물은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.
#개발자#노트북#컴퓨터
야놀자의 Strands SDK와 Bedrock AgentCore를 활용한 AIOps Agent 구축 사례
야놀자가 Bedrock AgentCore와 Strands SDK로 AIOps 멀티 에이전트를 구축한 사례를 소개했습니다. 반복 운영 업무를 자동화해 수동 업무 시간과 MTTR을 줄이고 조직 내 AI 역량을 내재화했습니다.
#AWS#LLM
6300
OWASP 기반 GenAI 보안 실무 점검 가이드
OWASP의 LLM Top 10과 Agentic Top 10을 바탕으로 GenAI 보안 점검용 100개 체크리스트를 정리했습니다. 프롬프트, 데이터, 에이전트, 인프라까지 계층별 대응과 AWS 적용 시 주의사항을 함께 제시했습니다.
#OWASP#LLM
14800
RAG 기반 AI 서비스의 신뢰성을 확보하는 방법: 자동화 평가 체계 및 운영 최적화
RAG 서비스의 신뢰성을 높이기 위해 RAGAS와 LLM-as-a-Judge 기반 자동 평가 체계를 소개했습니다. 또한 시맨틱 캐싱과 가드레일을 활용한 운영 최적화 방안도 함께 제시했습니다.
#RAG#LLMOps
6300
Neptune GraphRAG Toolkit을 활용하여 정교한 비정형 데이터 검색하기
Amazon Neptune GraphRAG Toolkit으로 비정형 문서를 그래프와 벡터에 함께 인덱싱하는 방법을 소개했습니다. 그래프 탐색을 더해 유사성 검색의 한계를 보완하고 더 입체적인 답변을 만드는 흐름을 설명했습니다.
#GraphRAG#RAG
4100
![[Tech Series] kt cloud AI 검색 증강 생성(RAG) #4 : 임베딩(Embedding)과 벡터 인덱싱 기술](https://img1.daumcdn.net/thumb/R800x0/?scode=mtistory2&fname=https%3A%2F%2Fblog.kakaocdn.net%2Fdna%2Fn6a0Z%2FdJMcacWKKeh%2FAAAAAAAAAAAAAAAAAAAAAIdjQntIXbTdvMG54_-sZ7V6TbWffZFi4hNxV3nyIWrO%2Fimg.png%3Fcredential%3DyqXZFxpELC7KVnFOS48ylbz2pIh7yKj8%26expires%3D1774969199%26allow_ip%3D%26allow_referer%3D%26signature%3DrVslgOQRjGesCsglq1mAxQlFuFo%253D)
[Tech Series] kt cloud AI 검색 증강 생성(RAG) #4 : 임베딩(Embedding)과 벡터 인덱싱 기술
RAG에서 임베딩과 벡터 인덱싱의 원리, 모델 선정 기준, 최적화 기법을 정리했습니다. 특히 한국어 환경에서는 다국어 적합성과 메모리 비용을 함께 검증해야 한다고 설명했습니다.
#RAG#임베딩
8300
AskON: 코드를 검색 가능한 지식으로
대규모 코드베이스를 자연어로 검색할 수 있게 만든 RAG 기반 코드 지식화 플랫폼 AskON을 소개했습니다. 정적 분석, 호출 그래프, 임베딩, 증분 인덱싱으로 코드 검색과 답변 품질을 높인 사례입니다.
#RAG#검색
5700
금융 보안 퀴즈, AI에게 풀게 해봤습니다: 2025 금융 AI Challenge 우수상 후기
금융보안 AI 경진대회에서 24GB 단일 GPU 제약 아래 LLM 파이프라인을 설계하고 우수상을 수상한 과정을 정리했습니다.\n모델 선정부터 CPT, RAG, 양자화, 출력 제어까지의 선택 이유와 성능 개선 결과를 공유했습니다.
#LLM#RAG
7900
RAG, 들어는 봤는데… 내 서비스엔 어떻게 쓰지?
RAG의 필요성과 동작 원리를 설명하고, 교육 운영 시스템에 적용한 구현 사례를 정리했습니다. 6단계 구현 가이드와 색인·검색 설계 포인트도 함께 소개했습니다.
#RAG#LLM
26000