Zawsze traktowałem modele embeddingów jak czarną skrzynkę, a ten kurs naprawdę je odczarował. Nauczyłem się nie tylko korzystać z gotowych modeli, ale też je dostrajać pod własną domenę, co znacząco poprawiło trafność wyszukiwania. Część o ewaluacji embeddingów była dla mnie odkryciem, bo wcześniej nie wiedziałem, jak mierzyć ich jakość. Połączenie tego z RAG pokazało, jak zbudować kompletny system, który faktycznie zwraca sensowne wyniki. Wszystko podane praktycznie, z kodem, który od razu przetestowałem na swoich danych. Semantyczne wyszukiwanie w moim projekcie działa teraz znacznie lepiej. Zdecydowanie polecam.
Semantic Search를 위한 Embeddings 및 RAG Fine-Tuning
Retrieval-Augmented Generation 기술을 구현하면서 Embedding 모델을 훈련, 평가 및 Fine-Tuning하는 방법을 배워 현대적인 AI 애플리케이션을 구축하세요.
-
💬
AI 강사
어떤 강의든 질문하면 언제든 즉시 명확한 답을 받을 수 있어요. -
🕐
언제든지 시작
정해진 일정이나 마감이 없어요 — 원할 때 자신의 속도로 배우세요. -
🌐
한국어로
강의, 과제, 수료증까지 — 모두 완전히 당신의 언어로.
이 과정 소개
AI 애플리케이션이 더욱 복잡해짐에 따라, 정보를 정확하게 검색하고 처리하는 능력은 매우 수요가 높은 기술이 되었습니다. Semantic search는 텍스트의 진정한 의미와 맥락을 이해하기 위해 고품질의 Embeddings에 크게 의존합니다.
이 텍스트 코드는 Embedding 모델의 기초 개념을 안내하며, 특정 데이터에 맞게 모델을 커스터마이징하는 방법을 보여줍니다. 기본적인 텍스트 표현부터 현대적인 Retrieval-Augmented Generation (RAG) 파이프라인에 이르기까지 검색 정확도를 향상시키는 전체 워크플로우를 탐구하게 됩니다.
배울 내용:
- 텍스트 Embeddings 및 vector 표현의 근본적인 메커니즘을 이해합니다.
- 커스텀 데이터셋에서 사전 훈련된 Embedding 모델을 Fine-Tuning하는 기술을 배웁니다.
- 맥락을 인식하는 AI 도구를 구축하기 위해 Retrieval-Augmented Generation (RAG) 패턴을 적용합니다.
- Semantic similarity를 위한 표준 지표를 사용하여 모델 성능을 평가합니다.
- 데이터를 효율적으로 저장하고 쿼리하기 위해 현대적인 vector 데이터베이스를 통합하는 연습을 합니다.
- Fine-Tuning된 모델을 관리하기 위한 기초적인 MLOps 관행을 구성합니다.
이 자료는 실무적인 구현으로 넘어가기 전에 주요 용어와 기초적인 정의를 확립하는 것으로 시작합니다. 서면 설명과 명확한 코드 스니펫을 통해 이러한 시스템이 실제 시나리오에서 어떻게 상호작용하고 작동하는지 탐구하게 됩니다.
초보자와 AI 개발자 지망생을 위해 설계된 이 프로그램은 시작하는 데 사전 machine learning 전문 지식이 필요하지 않습니다.
지금 바로 읽기 시작하여 Semantic search 및 현대적인 AI 개발 기술을 쌓아보세요.
받게 되는 것
-
📜
수료증
LinkedIn 프로필에 추가 -
💬
개인 AI 튜터
강좌에서 막혔나요? 내장 튜터에게 언제든지 무엇이든 물어보세요. -
♾️
평생 이용
언제든 다시 보세요, 만료 없음 -
📱
휴대폰 또는 컴퓨터
어디서든 모든 기기에서 -
💸
14일 환불
이유 묻지 않음 -
⚡
짧고 핵심적
3시간의 실용 학습
리뷰 (12)
Bagian fine-tuning embedding-nya sangat membantu untuk kasus pencarian di domain spesifik saya, meski penjelasan soal reranking agak terlalu cepat.
Mejoró muchísimo mi sistema de búsqueda semántica.
No tenía ni idea de cómo entrenar embeddings propios hasta este curso, y ahora entiendo por qué mi sistema de búsqueda semántica daba resultados tan mediocres antes. La parte de evaluación con métricas de recall me ayudó a comparar de forma objetiva el modelo base contra el fine-tuneado. Lo apliqué en un buscador interno de documentos y la diferencia se nota de inmediato.
I went into this course thinking I already understood embeddings, and quickly realized how much I was missing. The walkthrough of fine-tuning an embedding model on domain-specific pairs made a real difference in my search results at work, queries that used to return irrelevant chunks now actually match intent. What stood out most was the evaluation section, showing how to measure retrieval quality before and after fine-tuning instead of just eyeballing results. The RAG pipeline build at the end tied everything together nicely, from chunking strategy to reranking. It's rare to find a course that goes this deep into the evaluation side rather than just the flashy demo part.
El módulo de RAG explica de forma clara cómo combinar chunking y reranking para mejorar resultados de búsqueda semántica.
यह कोर्स embeddings को fine-tune करने का तरीका बहुत ही व्यवहारिक ढंग से समझाता है, जो मुझे कहीं और नहीं मिला। मैंने अपने ऑफिस के सर्च सिस्टम पर RAG pipeline लागू किया और नतीजे पहले से कहीं ज्यादा सटीक आए। खासकर evaluation वाला हिस्सा बहुत काम का लगा क्योंकि सिर्फ थ्योरी नहीं बल्कि असली डेटा पर टेस्टिंग दिखाई गई है।
The RAG pipeline sections are excellent and practical, but the embedding math portion could use a slower walkthrough for beginners.
L'approche pour évaluer la qualité de récupération avant et après le fine-tuning des embeddings est exactement ce qui manquait à mes projets RAG.
Real depth on fine-tuning embeddings, not fluff.
Раздел про дообучение эмбеддингов на своих данных реально помог поднять точность поиска в моём RAG-проекте.
O curso explica bem como treinar embeddings personalizados e por que isso melhora a busca semântica em comparação com modelos genéricos. Apliquei o pipeline de RAG em um protótipo interno e os resultados de recuperação ficaram bem mais relevantes. A única coisa é que a parte de avaliação de métricas poderia ter mais exemplos práticos.
다른 학습자도 수강
자주 묻는 질문
이 과정을 듣는 데 무엇이 필요한가요? +
인터넷이 되는 휴대폰이나 컴퓨터만 있으면 됩니다. 설치나 특별한 장비는 필요 없습니다.
결제는 어떻게 하나요? +
Stripe를 통한 카드로. 카드 정보는 저장하지 않으며 Stripe가 안전하게 처리합니다.
환불받을 수 있나요? +
네 — 14일 이내 전액 환불, 이유를 묻지 않습니다.
얼마나 오래 이용할 수 있나요? +
평생. 구매하면 과정은 당신의 것이며 언제든 다시 볼 수 있습니다.
수료증을 받을 수 있나요? +
네. 수료 시 LinkedIn 프로필에 추가할 수 있는 수료증을 받습니다.
이런 분야 학습자에게
테크
디자인
금융
마케팅
의료
교육
호스피탈리티
제조업