원하는 대로 튜닝하는 나만의 sLLM

1장 LLM과 sLLM
1.1 LLM 알아보기
__1.1.1 LLM 개념과 동작 원리
__1.1.2 LLM의 주요 기술
__1.1.3 LLM의 대표 모델
1.2 sLLM 알아보기
__1.2.1 sLLM의 개념
__1.2.2 sLLM의 배경과 필요성
__1.2.3 sLLM이 해결할 수 있는 문제
1.3 sLLM의 대표 모델

2장 sLLM을 활용한 산업별 사례 분석
2.1 산업별 동향
2.2 도메인별 동향
__2.2.1 의료 산업
__2.2.2 공공/행정
__2.2.3 금융
__2.2.4 교육
__2.2.5 법률
__2.2.6 유통/이커머스
__2.2.7 제조/산업
2.3 스타트업, 기업, 연구 기관에서의 활용 사례
__2.3.1 스타트업
__2.3.2 대기업
__2.3.3 연구 기관
2.4 LLM 모델 vs sLLM 장단점
__2.4.1 LLM 모델
__2.4.2 sLLM 모델

3장 sLLM 모델 트렌드와 최신 동향
3.1 국내외 시장 동향
__3.1.1 세계 시장 동향
__3.1.2 국내 시장 현황
3.2 최신 sLLM 모델
__3.2.1 LLaMA(메타)
__3.2.2 Gemma(구글)
__3.2.3 Phi(마이크로소프트)
__3.2.4 Mistral AI
__3.2.5 최근 출시 모델
3.3 오픈 소스 기반 LLM과 클라우드 기반 LLM
__3.3.1 오픈 소스 기반 LLM
__3.3.2 클라우드 기반 LLM
__3.3.3 오픈 소스 기반 LLM vs 클라우드 기반 LLM

4장 sLLM 모델 학습 환경 구축
4.1 모델 기반 기술
__4.1.1 허깅페이스
__4.1.2 Ollama
__4.1.3 랭체인, 라마인덱스, 랭그래프
__4.1.4 벡터 데이터베이스
__4.1.5 RAG
__4.1.6 파인튜닝
4.2 필수 라이브러리와 도구
__4.2.1 파이썬: 파이토치, 텐서플로, 허깅페이스 트랜스포머
__4.2.2 데이터 전처리
__4.2.3 분산/클라우드 환경

5장 파인튜닝과 sLLM 파인튜닝
5.1 파인튜닝
__5.1.1 파인튜닝 정의
__5.1.2 파인튜닝의 주요 기술과 하이퍼파라미터 설정
__5.1.3 sLLM 파인튜닝의 필요성
__5.1.4 sLLM 파인튜닝 특징과 장단점
5.2 상용 서비스인 OpenAI의 파인튜닝 활용
__5.2.1 OpenAI 파인튜닝 절차
5.3 sLLM 파인튜닝
__5.3.1 모델 선택의 기준
__5.3.2 주요 모델 비교 및 실습 최적 세팅
__5.3.3 여러 sLLM 파인튜닝 및 성능 비교하기

6장 sLLM의 효율적인 파인튜닝
6.1 효율적인 파인튜닝의 필요성
__6.1.1 전통적인 풀 파인튜닝의 한계
__6.1.2 경량 파인튜닝
6.2 LoRA
__6.2.1 기본 개념
__6.2.2 LoRA 코드 이해하기
__6.2.3 LoRA의 장단점
6.3 QLoRA
__6.3.1 기본 개념
__6.3.2 작동 원리
__6.3.3 QLoRA 코드 이해하기
__6.3.4 QLoRA 설정하기
__6.3.5 QLoRA의 장단점
6.4 파인튜닝 기법 비교
__6.4.1 LoRA vs QLoRA
__6.4.2 풀 파인튜닝 vs LoRA vs QLoRA
6.5 한국어 모델 파인튜닝 실습

7장 효율적인 sLLM 최적화 기법
7.1 모델 최적화 개요
__7.1.1 왜 최적화가 필요한가?
__7.1.2 어떻게 최적화할 것인가?
7.2 모델 압축 기법
__7.2.1 가지치기
__7.2.2 양자화
__7.2.3 가지치기 vs 양자화
__7.2.4 지식 증류
7.3 추론 최적화 기법
__7.3.1 배치 처리
__7.3.2 키-값 캐시
__7.3.3 플래시 어텐션
7.4 GPU 비용 절감 전략
__7.4.1 메모리 최적화 기법
__7.4.2 분산 학습 기초
__7.4.3 클라우드 GPU 비용 관리
__7.4.4 실용적 대안
7.5 정리 및 실전 가이드
__7.5.1 최적화 기법 선택하기
__7.5.2 단계별 최적화 로드맵
__7.5.3 상황별 체크리스트

8장 sLLM 모델의 서비스 적용
8.1 API 배포
__8.1.1 FastAPI 서비스 구축하기
__8.1.2 FastAPI 서비스 실습
__8.1.3 허깅페이스 Inference API 활용하기
__8.1.4 허깅페이스 Inference API 실습
8.2 Gradio로 웹 인터페이스 만들기
8.3 클라우드 환경에 배포하기
__8.3.1 허깅페이스 Spaces 생성하기
__8.3.2 배포용 파일 저장
__8.3.3 허깅페이스 Spaces 업로드하기
__8.3.4 코드로 허깅페이스 Spaces 배포하기

9장 sLLM 기반 서비스 구축
9.1 챗봇, 문서 요약, AI 어시스턴트 만들기
__9.1.1 개발 환경 준비하기
__9.1.2 간단한 챗봇 만들기
__9.1.3 문서 요약 서비스 만들기
__9.1.4 RAG 기반 AI 어시스턴트 만들기
__9.1.5 문서 관리 인터페이스
9.2 프로젝트에 오픈 소스 활용하기
__9.2.1 랭체인
__9.2.2 랭체인 실습
__9.2.3 라마인덱스
__9.2.4 라마인덱스 실습: 문서 인덱싱과 쿼리 엔진

10장 실무에서 발생하는 문제 해결
10.1 데이터 부족 문제 해결법
__10.1.1 데이터 부족 문제의 이해
__10.1.2 데이터 증강 기법
__10.1.3 효율적인 학습 전략
__10.1.4 외부 데이터 소스 활용
10.2 모델 출력 품질 향상 기법
__10.2.1 출력 품질 평가 체계
__10.2.2 하이퍼파라미터 튜닝
__10.2.3 출력 품질 개선 기법
__10.2.4 일반적인 품질 문제 해결
10.3 윤리적 이슈와 보안 고려 사항
__10.3.1 데이터 윤리와 프라이버시
__10.3.2 모델 보안 및 악용 방지
__10.3.3 책임 있는 AI 배포

오지영 누구나 자신만의 언어 모델을 가질 수 있어야 한다고 믿습니다. 한밭대학교에서 컴퓨터공학 박사 학위를 받은 후 SK쉴더스에서 DT 업무를, GSITM에서 AX 사업센터를 거쳐 현재는 한국표준협회 AI융합추진단에서 AI/AX 사업전략과 기획을 담당하고 있다. 기업과 공공 현장을 오가며, 정작 AI가 필요한 사람들이 여러 이유로 시작조차 못 하고 돌아서는 모습을 너무 많이 목격해, 그 안타까움에서 이 책을 집필했다. 거창한 인프라 없이도 노트북 한 대와 무료 코랩만 있으면 나만의 LLM을 만들 수 있다는 것을 증명하고자 했으며, 책에 담긴 모든 코드를 직접 구동하며 초보자가 막히는 지점마다 멈춰 서서 고민을 거듭했다. 무조건 큰 모델이 정답은 아니다. 작게 시작하더라도 내 손으로 끝까지 완성해 본 사람만이 얻는 강력한 자신감이 있기 때문이다. 오늘 처음 코드 창을 여는 모든 분의 설레는 첫걸음을 응원한다.