[태그:] 워드 임베딩

1. LLM 서비스 개발 프레임워크, 랭체인 (LangChain)의 개념 및 필요성 개념 필요성 효율적인 LLM 기반 서비스 개발을 위해 다양한 언어 모델과 에이전트, 콜백 등 기능 연결 및 통합을 간소화하도록 설계된 언어 모델 기반 애플리케이션 개발 프레임워크 – 모듈식 구성으로 Application 구현 간소화 – 모듈을 체인으로 연결하여 기능 확장성 확보 – API 기반 LLM 교체/업데이트 반영

I. 기계의 자연어 처리를 위한 워드 임베딩의 필요성 유사한 의미의 단어를 군집화하고 벡터 연산을 통해 단어 간의 관계를 파악하여 추론이 가능해짐에 따라 자연어 처리 모델링에 필수 기술로 사용   II. 단어의 벡터화, 워드 임베딩의 개념과 유형 가. 워드 임베딩의 개념 개념도 개념 단어 간 유사도 및 중요도 파악을 위해 단어를 저차원의 실수 벡터로 맵핑하여 의미적으로

I. word embedding 성능 향상, Word2Vec 가. Word2Vec의 개념 단어를 벡터 평면에 배치하여 컴퓨터가 인식할 수 있도록 문맥적 의미를 보존하는 워드임베딩 기법 – 출력 스코어에 Softmax 적용하여 정답과 비교해 역전파 수행   II. Word2Vec 신경망 연산 기법 및 학습 모델 가. Word2Vec의 신경망 연산 기법 – 은닉 벡터(h) = 입력(x) x 입력 가중치 행렬(W) –

I. 인간의 언어 이해, NLU 가. NLU의 개념 인간의 언어 이해 방법을 모방하여 자연어의 어휘/문장/문맥을 이해하는 자연어 이해 기술 나. NLU 방법론 특징 인간 모방 – 인간 언어 이해 방법 모방한 자연어 이해 파이프 라인 – 어휘 → 구문 → 문맥 차례 인식 하이브리드 – 사전 + 패턴 분석, 기계학습   II. NLU 구성도 및