LLM 관련 트윗 인사이트 정리(feat. GPTs, Rag)

1. GPTS를 만드는 건, 컨텐츠를 가진 개인에게 유리하다?

• 본인의 트윗, 유튜브, 전자책을 학습 시켜서 만든 levelsio

• Paul graham에게 스타트업에 대해서 묻다?

1. 각종 서비스의 Rag관련 업데이트

• Lang chain의 Lang smith Rag debug를 보다 쉽게 하기

• 노션 ai의 Rag

1. Retrieval Augmented Generation (RAG) 쉽게 설명하기

1. GPTS를 만드는 건, 컨텐츠를 가진 개인에게 유리하다?

본인이 전문가라면, Build a GPT를 만들라고 한다.

자신만의 컨텐츠로 굉장히 인사이트 넘치는 GPT들을 만들 수 있기 때문이다.

자신만의 전문성으로 GPT를 만든 사례들을 소개한다.

• 본인의 트윗, 유튜브, 전자책을 학습 시켜서 만든 levelsio

인디개발자의 매이킹 강의를 본인의 트윗에 많이 올리는 분이신데, 이번에 본인의 블로그, 트윗, 팟케스트, 북을 모두 학습시켜서 gpts를 만들었다.
이분이 쓴 “Make”라는 전자책을 구매하기도 했는데, 정말 그 내용을 바탕으로 답변을 잘 해준다.이렇듯 GPTs로 교육 컨텐츠를 옮겨서 챗봇을 만드는 형태가 늘어나고 있는 것 같다.

• Paul graham에서 스타트업에 대해서 묻다?

Paul graham의 강의나 에세이를 학습시켜서 만든 gpts가 상당히 많다.

이처럼 특정 분야의 전문가의 Knowledge를 바탕으로 Gpts의 knowledge로 사용하려는 시도들이 많이 등장하고 있는 것 같다.

우리 팀에서는 이것을 벡터 컨텐츠라고 이전부터 불렀다.

텍스트, 이미지, 영상 등의 컨텐츠가 이제는 벡터 공간으로 옮겨와서 유저의 질문을 rag를 통해서 뽑아낼 수 있기 때문이다.

이처럼 이제는 전문성을 가진 사람들이 GPTs 자체의 자신의 전문성있는 컨텐츠를 옮기려는 시도들이 많아질 것으로 예상된다.

1. 각종 서비스의 Rag관련 업데이트

• Lang chain의 Lang smith Rag debug를 보다 쉽게 하기

Langsmith는 LLM 앱의 빌드와 배포, 테스트, 디버그를 도와주는 라이브러리다.
Rag debug를 쉽게 관리할 수 있는 업데이트를 진행하였다.

• 노션 ai의 Rag

https://www.notion.so/product/ai

1. Retrieval Augmented Generation (RAG) 쉽게 설명하기

오늘 글에서는 Rag에 대해서 많이 등장했다. 근데 도대체 Rag가 무엇인가?

아래의 글에서 쉽게 설명해준다.

위와 같이 stich fix라는 개인 스타일링 추천 서비스에 비유해서 설명한다.

추천 시스템stich fix의 고객이 스타일을 추천해달라고 했다. 그러면 스타일리스트가 고객에게 특정 스타일을 추천해주기 위해서 여러 과정을 거친다.

1. 먼저 고객이 스타일을 추천해주기 위해 고객들이 좋아하는 옷들을 재고에 쌓아둔다.

2. 고객 선호도, 과거 구매 이력, 피드백 등을 고려하여 가장 유사한 옷의 후보군을 고른다.

Rag도 비슷하다.

1. 다양한 정보 소스, 즉 재고들을 관리한다. 사용자의 질문에 기반으로 답변할 컨텐츠라고 생각하면 된다.

• 다양한 정보 소스들을 임배딩

1. 유저가 질문을 한다면, 다양한 정보를 바탕으로 질문과 가장 유사한 정보들을 기반으로 답변을 생성해낸다.

• 유저의 선호도에 따라서 재고를 추출하는 것과 유사함

결국 Rag의 성능을 어떻게 높이냐는 말은 스타일리스트가 얼마나 제품을 잘 추천해주는지와 같은 것

오늘의 트윗 인사이트 끝

홍보

GPTs link의 큐레이션 기능 업데이트가 얼마 남지 않았습니다.

다양하고, 재미있는 GPTs를 소개할 계획입니다. 많은 관심부탁드립니다