Coming soon
요즘 우아한 AI 개발
머신러닝에서 GPT, LLM, 생성형 AI, MLOps까지, 배달의민족 실제 프로젝트로 엿보는 AI 활용 이야기
$25.92
SKU
9791194383208
COMING SOON [판매 예정] 상품입니다.
[판매 예정] 상품은 출간일(Publication Date) 이후 주문이 가능합니다.
▷출간일 이후에도 아직 [판매 예정]으로 보이는 경우 info@kbookstore.com 으로 문의주세요.
주문 가능 여부를 확인 후 안내해 드리겠습니다.
COMING SOON [판매 예정] 상품입니다.
[판매 예정] 상품은 출간일(Publication Date) 이후 주문이 가능합니다.
* 출간일 이후에도 아직 [판매 예정]으로 보이는 경우 info@kbookstore.com 으로 문의주세요.
[Free shipping over $100]
Standard Shipping estimated by Tue 04/8 - Mon 04/14 (주문일로부 10-14 영업일)
Express Shipping estimated by Thu 04/3 - Mon 04/7 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2025/04/01 |
| Pages/Weight/Size | 147*210*20mm |
| ISBN | 9791194383208 |
| Categories | IT 모바일 > 네트워크/해킹/보안 |
Description
‘우아한형제들’의 진짜 개발 이야기, AI와 함께 돌아왔습니다!
배달의민족 메뉴 추천 AI부터 배달 로봇까지, 현실이 된 AI 기술 이야기 수록
우아한형제들의 생생한 개발 이야기를 엮은 『요즘 우아한 개발』이 AI 중심 개발 사례와 실무 노하우를 가득 담아 『요즘 우아한 AI 개발』로 돌아왔다! IT 서비스 개발에서 AI 활용의 중요성은 점점 커지고 있다. 매일 새로워지는 AI 기술을 따라가는 것만큼 이를 실무에 효과적으로 적용하는 역량이 기업과 개인의 경쟁력을 좌우한다. 이 책은 우아한형제들이 실제 프로젝트에 적용한 AI 기술과 개발 경험을 담아냈다. AI 메뉴 추천 시스템부터 데이터 검색 및 분석 자동화, 로봇 ML 모델 경량화와 MLOps 구축까지, 최신 AI 기술을 활용한 실무 사례를 생생하게 다룬다. AI를 도입하고자 하는 기획자와 개발자라면, 실제 서비스에 AI 기술을 어떻게 적용하는지 궁금하다면 우아한형제들이 걸어온 AI 개발의 여정을 통해 그 해답을 찾아보자.
배달의민족 메뉴 추천 AI부터 배달 로봇까지, 현실이 된 AI 기술 이야기 수록
우아한형제들의 생생한 개발 이야기를 엮은 『요즘 우아한 개발』이 AI 중심 개발 사례와 실무 노하우를 가득 담아 『요즘 우아한 AI 개발』로 돌아왔다! IT 서비스 개발에서 AI 활용의 중요성은 점점 커지고 있다. 매일 새로워지는 AI 기술을 따라가는 것만큼 이를 실무에 효과적으로 적용하는 역량이 기업과 개인의 경쟁력을 좌우한다. 이 책은 우아한형제들이 실제 프로젝트에 적용한 AI 기술과 개발 경험을 담아냈다. AI 메뉴 추천 시스템부터 데이터 검색 및 분석 자동화, 로봇 ML 모델 경량화와 MLOps 구축까지, 최신 AI 기술을 활용한 실무 사례를 생생하게 다룬다. AI를 도입하고자 하는 기획자와 개발자라면, 실제 서비스에 AI 기술을 어떻게 적용하는지 궁금하다면 우아한형제들이 걸어온 AI 개발의 여정을 통해 그 해답을 찾아보자.
Contents
[PART 1] AI로 개발 생산성 높이기
01장. 코파일럿 ‘열일’하게 만들기
_VSCode에 코파일럿 설치하기
_VSCode 깃허브 코파일럿 주요 기능 소개
_실험 - 코파일럿은 얼마나 유능할까?
_코파일럿을 더 잘 사용하기 위한 팁
_마치며
02장. 챗GPT를 활용한 Git Flow 관리 자동화
_화제의 챗GPT
_자동화를 결심한 계기
_챗GPT와 대화해보자
[PART 2] AI로 더 편리한 서비스 만들기
03장. 리뷰를 재료로 GPT가 만든 메뉴 추천, 메뉴뚝딱AI
_AI 프로덕트 만들기 미션, 그런데 GPT가 주재료인
_도입 배경
_무엇을 할 수 있을까?
_어떻게 할 수 있을까?
_뚝딱이가 메뉴를 추천합니다
_검색에서의 메뉴 추천하기
_GPT와 함께 성장하는 메뉴뚝딱AI
04장. 프롬프트 엔지니어링으로 메뉴 이미지 품질 검수하기
_이미지 검수에 GPT를 활용한 이유
_프롬프트 엔지니어링 : GPT를 업무 환경에 맞추는 과정
_GPT 한계 극복 : 하이브리드 접근의 필요성
_세상에 등장한 ‘AI 이미지 검수’
_배포 그 후, 기대보다 높은 사용률
_우아한형제들에서 AI와 일하는 방법
05장. 배민선물하기 AI 메시지 제작기
_배민선물하기에서 AI 메시지를 만들게 된 이유
_문제
_가설
_금쪽이 GPT를 훈련시키는 솔루션 3단계
_마치며
06장. 실시간 반응형 추천 개발 일지 1부 : 프로젝트 소개
_기존 추천 방식 소개
_기존 방식의 한계
_실시간 반응형 추천 시스템
_개별 컴포넌트 소개
_A/B 테스트
_교훈
_앞으로의 계획
_마치며
07장. 실시간 반응형 추천 개발 일지 2부 : 벡터 검색, 그리고 숨겨진 요구사항과 기술 도입 의사 결정을 다루는 방법
_프로젝트에서는 원했다, 숨겨진 요구사항을
_기술적인 문제로의 환원
_새로운 기술 컴포넌트 도입 후보 선정하기
_벡터 유사도 검색이 필요한 이유
_벡터 유사도 검색 : 우리는 무엇이 다른가?
_HNSW 알고리즘에서 보는 프리 필터의 문제
_기술 후보군 선택과 실험 설계하기
_1차 실험
_1차 실험 구축
_2차 실험
_2차 실험 구축
_간단한 성능 최적화 방법(RDS)
_마치며
[PART 3] AI로 쉽고 빠르게 데이터 활용하기
08장. AI 데이터 분석가 ‘물어보새’ 등장 1부 : RAG와 Text-To-SQL 활용
_우리는 ‘왜’ 다시 뭉치게 되었을까?
_우리는 ‘무엇을’ 만들었을까?
_우리는 ‘어떻게’ 일을 했는가?
_Text-to-SQL을 ‘어떻게’ 구현했을까?
_물어보새 1부를 마치며
09장. AI 데이터 분석가 ‘물어보새’ 등장 2부 : 데이터 디스커버리
_우리는 ‘왜’ 데이터 디스커버리 영역으로 확장했을까?
_질문 이해 단계는 ‘어떻게’ 구현했을까?
_정보 획득 단계는 ‘어떻게’ 구현했을까?
_물어보새의 향후 계획
_마치며
10장. 폴라스로 데이터 처리를 더 빠르고 가볍게 with 실무 적용기
_폴라스가 필요했던 이유
_폴라스 소개
_기술적인 폴라스 장점
_IO 기능
_Lazy API와 쿼리 최적화
_사용성 측면에서 폴라스 장점
_실무 적용 사례 소개
_마치며
[PART 4] 안정적인 AI 서비스 운영하기
11장. 빠르고 안정적인 AI 서빙 시스템 구성하기
_AI플랫폼이란?
_서빙 컴포넌트
_CI : 이미지 생성 자동화
_CD : 서빙 자동화
_모니터링 및 알람
_운영 중 맞이한 문제와 해결 사례
_마치며
12장. 생성형 AI 서비스 : 게이트웨이로 쉽게 시작하기
_개발 배경
_생성형 AI를 잘 활용하려면 무엇이 필요한가?
_풀어야 할 문제들
_AI API 게이트웨이
_지원 서비스
_자격증명 관리
_향후 계획
_마치며
[PART 5] 로봇과 머신러닝 모델 최적화하기
13장. 로봇 머신러닝 모델의 경량화 1부 훈련 후 양자화
_로봇이 실외에서 자율주행을 하려면?
_엔비디아 GPU와 제트슨 플랫폼의 특징
_양자화
_TensorRT를 이용한 최적화
_양자화 단계별 성능 비교
_실험 방식
_실험 결과 및 결론
_마치며
14장. 로봇 ML 모델의 경량화 2부 : 양자화 인식 훈련
_훈련 후 양자화의 한계점
_양자화 인식 훈련이란?
_양자화 인식 훈련(QAT) 수행하기
_NVIDIA pytorch-quantization을 활용한 QAT 수행 및 ONNX/TensorRT 변환 가이드
_마치며
15장. 로봇을 위한 MLOps 1부 : 에지 디바이스와 K3s, 에어플로
_머신러닝 모델을 개발하는 과정과 문제들
_에지 디바이스
_로봇을 위한 머신러닝 개발 과정과 MLOps 시스템이 해결해야 할 문제들
_K3s와 에어플로 : 자원 관리 솔루션과 워크플로 관리 솔루션
_설치하기
_DAG 예제
_마치며
16장. 로봇을 위한 MLOps 2부 : 에지 파이프라인의 구성
_에지 파이프라인의 필요성
_에지 디바이스에서의 AI 연산이 필요한 이유
_에지 파이프라인의 목적
_엔비디아 도구들 소개
_엔비디아 Nsight Systems
_Trt-Infersight 개발
_에지 파이프라인의 구성
_마치며
01장. 코파일럿 ‘열일’하게 만들기
_VSCode에 코파일럿 설치하기
_VSCode 깃허브 코파일럿 주요 기능 소개
_실험 - 코파일럿은 얼마나 유능할까?
_코파일럿을 더 잘 사용하기 위한 팁
_마치며
02장. 챗GPT를 활용한 Git Flow 관리 자동화
_화제의 챗GPT
_자동화를 결심한 계기
_챗GPT와 대화해보자
[PART 2] AI로 더 편리한 서비스 만들기
03장. 리뷰를 재료로 GPT가 만든 메뉴 추천, 메뉴뚝딱AI
_AI 프로덕트 만들기 미션, 그런데 GPT가 주재료인
_도입 배경
_무엇을 할 수 있을까?
_어떻게 할 수 있을까?
_뚝딱이가 메뉴를 추천합니다
_검색에서의 메뉴 추천하기
_GPT와 함께 성장하는 메뉴뚝딱AI
04장. 프롬프트 엔지니어링으로 메뉴 이미지 품질 검수하기
_이미지 검수에 GPT를 활용한 이유
_프롬프트 엔지니어링 : GPT를 업무 환경에 맞추는 과정
_GPT 한계 극복 : 하이브리드 접근의 필요성
_세상에 등장한 ‘AI 이미지 검수’
_배포 그 후, 기대보다 높은 사용률
_우아한형제들에서 AI와 일하는 방법
05장. 배민선물하기 AI 메시지 제작기
_배민선물하기에서 AI 메시지를 만들게 된 이유
_문제
_가설
_금쪽이 GPT를 훈련시키는 솔루션 3단계
_마치며
06장. 실시간 반응형 추천 개발 일지 1부 : 프로젝트 소개
_기존 추천 방식 소개
_기존 방식의 한계
_실시간 반응형 추천 시스템
_개별 컴포넌트 소개
_A/B 테스트
_교훈
_앞으로의 계획
_마치며
07장. 실시간 반응형 추천 개발 일지 2부 : 벡터 검색, 그리고 숨겨진 요구사항과 기술 도입 의사 결정을 다루는 방법
_프로젝트에서는 원했다, 숨겨진 요구사항을
_기술적인 문제로의 환원
_새로운 기술 컴포넌트 도입 후보 선정하기
_벡터 유사도 검색이 필요한 이유
_벡터 유사도 검색 : 우리는 무엇이 다른가?
_HNSW 알고리즘에서 보는 프리 필터의 문제
_기술 후보군 선택과 실험 설계하기
_1차 실험
_1차 실험 구축
_2차 실험
_2차 실험 구축
_간단한 성능 최적화 방법(RDS)
_마치며
[PART 3] AI로 쉽고 빠르게 데이터 활용하기
08장. AI 데이터 분석가 ‘물어보새’ 등장 1부 : RAG와 Text-To-SQL 활용
_우리는 ‘왜’ 다시 뭉치게 되었을까?
_우리는 ‘무엇을’ 만들었을까?
_우리는 ‘어떻게’ 일을 했는가?
_Text-to-SQL을 ‘어떻게’ 구현했을까?
_물어보새 1부를 마치며
09장. AI 데이터 분석가 ‘물어보새’ 등장 2부 : 데이터 디스커버리
_우리는 ‘왜’ 데이터 디스커버리 영역으로 확장했을까?
_질문 이해 단계는 ‘어떻게’ 구현했을까?
_정보 획득 단계는 ‘어떻게’ 구현했을까?
_물어보새의 향후 계획
_마치며
10장. 폴라스로 데이터 처리를 더 빠르고 가볍게 with 실무 적용기
_폴라스가 필요했던 이유
_폴라스 소개
_기술적인 폴라스 장점
_IO 기능
_Lazy API와 쿼리 최적화
_사용성 측면에서 폴라스 장점
_실무 적용 사례 소개
_마치며
[PART 4] 안정적인 AI 서비스 운영하기
11장. 빠르고 안정적인 AI 서빙 시스템 구성하기
_AI플랫폼이란?
_서빙 컴포넌트
_CI : 이미지 생성 자동화
_CD : 서빙 자동화
_모니터링 및 알람
_운영 중 맞이한 문제와 해결 사례
_마치며
12장. 생성형 AI 서비스 : 게이트웨이로 쉽게 시작하기
_개발 배경
_생성형 AI를 잘 활용하려면 무엇이 필요한가?
_풀어야 할 문제들
_AI API 게이트웨이
_지원 서비스
_자격증명 관리
_향후 계획
_마치며
[PART 5] 로봇과 머신러닝 모델 최적화하기
13장. 로봇 머신러닝 모델의 경량화 1부 훈련 후 양자화
_로봇이 실외에서 자율주행을 하려면?
_엔비디아 GPU와 제트슨 플랫폼의 특징
_양자화
_TensorRT를 이용한 최적화
_양자화 단계별 성능 비교
_실험 방식
_실험 결과 및 결론
_마치며
14장. 로봇 ML 모델의 경량화 2부 : 양자화 인식 훈련
_훈련 후 양자화의 한계점
_양자화 인식 훈련이란?
_양자화 인식 훈련(QAT) 수행하기
_NVIDIA pytorch-quantization을 활용한 QAT 수행 및 ONNX/TensorRT 변환 가이드
_마치며
15장. 로봇을 위한 MLOps 1부 : 에지 디바이스와 K3s, 에어플로
_머신러닝 모델을 개발하는 과정과 문제들
_에지 디바이스
_로봇을 위한 머신러닝 개발 과정과 MLOps 시스템이 해결해야 할 문제들
_K3s와 에어플로 : 자원 관리 솔루션과 워크플로 관리 솔루션
_설치하기
_DAG 예제
_마치며
16장. 로봇을 위한 MLOps 2부 : 에지 파이프라인의 구성
_에지 파이프라인의 필요성
_에지 디바이스에서의 AI 연산이 필요한 이유
_에지 파이프라인의 목적
_엔비디아 도구들 소개
_엔비디아 Nsight Systems
_Trt-Infersight 개발
_에지 파이프라인의 구성
_마치며